II.6Документация и сопровождение разработки

Это объединённая диалоговая языковая модель семейства Llama, созданная с помощью mergekit линейным слиянием нескольких моделей. В качестве базовой использована huihui-ai/Llama-3.2-3B-Instruct-abliterated; в слияние вошли модели Hjgugugjhuhjggg/mergekit-ties-xflmond, Hjgugugjhuhjggg/mergekit-ties-kmlzhzo, Hjgugugjhuhjggg/mergekit-ties-pghuyfi, Hjgugugjhuhjggg/mergekit-ties-qgcitfu, Hjgugugjhuhjggg/mergekit-ties-poovzrh и Hjgugugjhuhjggg/mergekit-ties-dkhnzcn. Модель предназначена для генерации текста и диалоговых ответов. Она содержит 3,2 млрд параметров, принимает текст и выдаёт текст; заявленная длина контекста составляет 131 072 токена. Репозиторий использует Transformers и формат safetensors; метаданные также отмечают интерфейс вызова инструментов. Карточка не приводит сведений о лицензии, поэтому условия использования по имеющимся данным определить нельзя. Качество, языковой охват и ограничения слияния отдельно не описаны.

mergekit-community/mergekit-slerp-xirdwrw — объединённая языковая модель на архитектуре Llama, созданная сообществом с помощью mergekit. В слиянии методом SLERP использованы anthracite-org/magnum-v3-34b и abacusai/Smaug-34B-v0.1; модель содержит 33,9 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов. В конфигурации слияния задан профиль, который сочетает влияние моделей в разных слоях; метаданные также указывают поддержку чата. Модель доступна в формате safetensors и использует библиотеку Transformers. README и метаданные не сообщают лицензию и конкретные результаты оценки качества. Практическое качество ответов и пригодность для отдельных сценариев следует проверять на собственных задачах.

NaniDAO выпустила экспериментальную абляционную версию Meta-Llama-3.1-8B-Instruct с контекстом до 128K токенов. Модель предназначена для диалогов и генерации текста; по заявлению разработчика, она реже отказывает в допустимых запросах, чем предыдущая версия v0. Модель использует плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и распространяется в формате safetensors через библиотеку Transformers. Метаданные указывают интерфейс для чата и вызова инструментов. Карточка не сообщает о специальной предметной области или поддерживаемых языках. Лицензия в предоставленных данных не указана. Разработчик рекомендует использовать модель ответственно; заявленное снижение отказов само по себе не подтверждает качество или безопасность ответов.

mlx-community/Meta-Llama-3.1-8B-Instruct-abliterated-4bit — преобразованная в формат MLX 4-битная версия модели Meta-Llama-3.1-8B-Instruct-abliterated, подготовленная сообществом mlx-community. В основе лежит дообученная Meta Llama 3.1 Instruct с плотной архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров; модель предназначена для диалоговой генерации текста. Указанное нативное окно контекста — 131 072 токена. Модель подходит для диалогов и генерации ответов в сценариях, где требуется запускать Llama 3.1 на системах Apple через MLX. В названии и тегах исходной модели есть обозначения «abliterated» и «uncensored», однако карточка не описывает конкретные гарантии или пределы такого поведения. Репозиторий указывает лицензию Llama 3.1; использование должно соответствовать её условиям. README сообщает о конверсии в MLX из mlabonne/Meta-Llama-3.1-8B-Instruct-abliterated, а каталог классифицирует базовую связь как дообучение Meta Llama 3.1 Instruct.

Meta-Llama-3.1-8B-Instruct_CODE_Python_English_Asistant-16bit-v2-GGUF — GGUF-квантизированная версия модели Agnuxo, подготовленная mradermacher. Модель основана на Meta Llama 3.1 с 8 млрд параметров и предназначена для генерации текста и кода, прежде всего для задач программирования на Python, работы в роли ассистента разработчика и локального использования. В обучении или дообучении указаны наборы данных jtatman/python-code-dataset-500k и Vezora/Tested-143k-Python-Alpaca. Заявлены английский и испанский языки; модальность — текстовая. Размер контекста и дополнительные архитектурные характеристики в README не указаны. Репозиторий предоставляет варианты GGUF-квантизации от Q2_K до Q8_0, а также f16, с размером файлов примерно от 3,3 до 16,2 ГБ. Более компактные варианты требуют меньше памяти, но могут уступать по качеству; Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q8_0 — как вариант высокого качества. Модель подходит для локального запуска при наличии совместимого ПО для GGUF, однако README не содержит результатов бенчмарков, подробной оценки качества, ограничений по безопасности или описания точности генерации. Лицензия указана как Apache-2.0. В README не приведены сведения о специальных требованиях к аппаратному обеспечению, поддерживаемых языках программирования помимо Python или точном происхождении базовой архитектуры за пределами ссылки на Meta Llama 3.1.

Meta-Llama-3-70B-Instruct-abliterated-v3.5-IMat-GGUF — это GGUF-квантизированная версия языковой модели Meta-Llama-3-70B-Instruct-abliterated-v3.5, подготовленная legraphista на основе модели failspy. Модель предназначена для генерации текста и диалоговых сценариев с использованием llama.cpp и совместимых инструментов. Модель имеет размер 70 млрд параметров и поставляется в форматах BF16, FP16, Q8_0, Q6_K, Q5_K, Q4_K, IQ4 и других вариантах квантизации. Для ряда вариантов применена IMatrix-квантизация, призванная сохранить качество при уменьшении размера модели. Доступны файлы размером примерно от 26,38 ГБ до 141,12 ГБ; часть крупных вариантов разделена на несколько файлов. README не содержит сведений о длине контекста, поддерживаемых языках или мультимодальности, поэтому модель следует считать текстовой. Сильной стороной является сочетание крупного размера исходной модели с различными уровнями квантизации, позволяющими выбирать баланс между качеством, требованиями к памяти и скоростью инференса. Ограничения связаны с высокими аппаратными требованиями даже для квантизированных вариантов и возможной потерей качества при агрессивной квантизации. Модель распространяется по лицензии llama3; для использования необходимо учитывать условия этой лицензии.

Q-bert/MetaMath-Cybertron-Starling — объединённая языковая модель, созданная слиянием Q-bert/MetaMath-Cybertron и berkeley-nest/Starling-LM-7B-alpha методом slerp. Она использует плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате ChatML, включая ответы на математические вопросы и ведение беседы на английском языке. В карточке указана оценка 71,35 в среднем по представленным тестам Open LLM Leaderboard; также приведены результаты ARC и HellaSwag. Модель принимает текст и генерирует текст. Репозиторий распространяется в формате safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

MetaMath-OpenHermes-2.5-neural-chat-v3-3-Slerp-GGUF — набор файлов модели в формате GGUF, подготовленный MaziyarPanahi на основе модели Weyaxi/MetaMath-OpenHermes-2.5-neural-chat-v3-3-Slerp. Модель предназначена для генерации текста и может использоваться в локальных приложениях, чат-интерфейсах и системах, поддерживающих GGUF, включая llama.cpp, text-generation-webui, LM Studio, GPT4All, KoboldCpp и llama-cpp-python. В репозитории представлены варианты квантования с разрядностью от 2 до 8 бит, включая Q2_K, Q3_K, Q4_K, Q5_K и Q6_K, что позволяет выбирать компромисс между размером файлов, требованиями к памяти и качеством генерации. Точные размер модели, архитектура исходной модели, максимальная длина контекста и поддерживаемые языки в README не указаны. Формат ориентирован на эффективный запуск, в том числе с GPU-ускорением, однако квантование может влиять на качество по сравнению с полноразмерной версией. Модель распространяется по лицензии Apache-2.0.

MFANN-llama3.1-abliterated-v2 — диалоговая языковая модель, созданная слиянием методом SLERP моделей netcat420/MFANNv0.19 и mlabonne/Meta-Llama-3.1-8B-Instruct-abliterated с помощью mergekit. Это плотная архитектура Llama с 7,5 млрд параметров; модель рассчитана на генерацию текста и ответы в чате, поддерживает контекст до 131 072 токенов. Базовая модель Llama 3.1 Instruct описана как модель с ослабленными ограничениями на ответы. Модель можно применять для ведения диалогов и генерации ответов на текстовые запросы. Данных о целевых языках и специализированных предметных областях в предоставленной карточке нет. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

netcat420/MFANNv0.19 — языковая модель семейства Llama, опубликованная на Hugging Face в формате safetensors для генерации текста и диалогового взаимодействия. Она содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. В метаданных указан английский язык, а среди связанных данных — датасет netcat420/MFANN. Модель подходит для генерации продолжений текста и ответов в чат-сценариях. README не раскрывает разработчика, происхождение дообучения, предназначение датасета, результаты большинства оценок или известные ограничения; приведены лишь отдельные показатели Open LLM Leaderboard. Лицензия указана как llama3.1.

MFANNv0.21 — диалоговая языковая модель семейства Llama, опубликованная netcat420. Это плотная авторегрессионная модель с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров; она дообучена на основе netcat420/MFANNv0.20.12. Модель предназначена для генерации текста в диалоге и ответов на запросы. В карточке приведены результаты оценивания на Open LLM Leaderboard, включая IFEval и BBH. Модель работает с текстом, поддерживает английский язык и использует библиотеку Transformers; заявленная длина контекста — 131 072 токена. Репозиторий содержит веса в формате Safetensors. Лицензия — Llama 3. Показатели оценивания в README ограничены указанными метриками и не дают полной картины качества; результатов для других языков и задач карточка не приводит.

microsoft_NextCoder-32B-GGUF — это набор GGUF-квантизированных версий языковой модели NextCoder-32B, разработанной Microsoft. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и кода, включая сценарии программирования и чат-взаимодействия. В README указана поддержка английского языка; сведения о других языках отсутствуют. Модель имеет размер 32 млрд параметров и работает в текстовой модальности. Доступны варианты от BF16 до различных уровней квантизации Q8, Q6, Q5, Q4, Q3, Q2 и IQ, что позволяет выбирать между качеством, размером файлов и требованиями к оперативной памяти. Рекомендуемыми названы, в частности, Q6_K_L, Q6_K, Q5_K_L, Q5_K_M, Q5_K_S и Q4_K_M. Размер файлов варьируется примерно от 13 до 66 ГБ. Размер контекста и точная архитектура в README не указаны. Сильными сторонами являются высокое качество старших вариантов квантизации, возможность локального запуска и совместимость с LM Studio, llama.cpp и другими проектами на его основе. Ограничения включают значительные требования к памяти, снижение качества у компактных вариантов и отсутствие сведений о мультимодальности, дополнительных языках и длине контекста. Модель распространяется по лицензии MIT; условия исходной модели и квантизированных файлов следует рассматривать с учетом указанной лицензии.

MiLMMT-46-1B-v0.1 — языковая модель для машинного перевода, разработанная Xiaomi. Это дообученная версия MiLMMT-46-1B-Pretrain на базе Gemma3-1B: базовая модель прошла дополнительное предобучение на смеси из 143 млрд токенов монолингвальных и параллельных данных для 46 языков. Модель имеет плотную архитектуру Gemma 3 с причинным языковым моделированием, содержит 1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для перевода текста между поддерживаемыми языками с помощью текстового запроса, в котором задаются исходный и целевой языки. Она поддерживает 46 языков, включая русский, английский, китайский, японский, арабский, хинди и другие. В метаданных указана лицензия Gemma; веса доступны в формате safetensors для Transformers. Модель может переводить только между перечисленными в карточке языками; качество перевода на другие языки не гарантируется. Xiaomi отмечает, что качество перевода продолжает улучшаться.

Sakalti/mine-1.5B — компактная языковая модель Sakalti для генерации текста и диалогов. Она основана на архитектуре Qwen2 и дообучена на Sakalti/SJT-1.5B-Alpha с использованием Unsloth и библиотеки Hugging Face TRL. Размер модели — 1,5 млрд параметров; заявленное контекстное окно — до 131 072 токенов. Модель работает с текстом и поддерживает интерфейс вызова инструментов. Модель подходит для диалоговых приложений и генерации текста на английском языке. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

MiniCPM5-1B-Claude-Opus-Fable5-Thinking-GGUF — набор GGUF-квантизаций модели MiniCPM5-1B-Claude-Opus-Fable5-Thinking, разработанной на базе openbmb/MiniCPM5-1B и дообученной на данных Fable 5. Репозиторий подготовлен для локального запуска через llama.cpp, Ollama, LM Studio, jan, KoboldCpp и другие совместимые среды; разработчик производной модели — GnLOLot, базовая модель создана OpenBMB. Это компактная текстовая генеративная модель с режимом рассуждений, предназначенная для следования инструкциям, генерации и отладки кода, а также сценариев разработки программного обеспечения. Модель поддерживает английский и китайский языки, имеет размер 1B параметров и заявленный контекст до 128K токенов. В GGUF встроен собственный chat template MiniCPM5, а для локального развертывания доступны варианты Q4_K_M, Q5_K_M, Q8_0 и F16 размером примерно от 657 МБ до 2,1 ГБ; Q8_0 рекомендован как стандартный вариант. К сильным сторонам относятся небольшой размер, возможность локального запуска, поддержка длинного контекста, программирования и режима рассуждений. Ограничения связаны с масштабом 1B: модель не относится к моделям передового уровня, а фактическая длина доступного контекста зависит от используемого GGUF-рантайма и оборудования. В режиме рассуждений она может выводить блоки рассуждений перед итоговым ответом. Лицензия — Apache-2.0, унаследованная от базовой модели.

bartowski/MiniCPM5-2B-GGUF — это GGUF-квантизированная версия языковой модели MiniCPM5-2B, разработанной OpenBMB. Квантизация выполнена bartowski с использованием llama.cpp; доступны варианты от BF16 и Q8_0 до низкоразрядных IQ- и Q-форматов. README указывает размер модели около 3 млрд параметров, поддержку только текстового ввода и отсутствие speculative decoding. Модель предназначена для генерации текста и может применяться в локальных, on-device и edge AI-сценариях, включая задачи с длинным контекстом и tool-calling, заявленные в метаданных. Поддерживаемые языки — английский и китайский. Рекомендуемым компромиссом между качеством и размером назван вариант Q4_K_M объёмом 1,62 ГБ; более высокие разрядности обычно сохраняют лучшее качество, а низкие требуют меньше памяти, но могут заметно уступать по результатам. Точная архитектура и максимальная длина контекста в README не указаны. Модель распространяется по лицензии Apache-2.0.

lee-loo/MiniCPM5-2B-MLX-bf16 — конверсия весов MiniCPM5-2B от OpenBMB в формат MLX с точностью BF16 для запуска на устройствах Apple Silicon. Это плотная языковая модель архитектуры Llama с 2,2 млрд параметров и контекстом до 131 072 токенов; репозиторий предоставляет веса safetensors и рассчитан на работу через MLX-LM. Квантизация не применялась, точность BF16 проверена автором карточки. Модель предназначена для генерации текста и диалоговых сценариев, включая ответы ассистента и рассуждения. Автор сообщает о тестировании на Apple M4 Max с 128 ГБ объединённой памяти; приведённые показатели скорости относятся к этому оборудованию и короткому тесту, поэтому могут отличаться на других устройствах и при иной длине запросов. Для интерактивного использования параметры генерации следует подбирать под задачу. Лицензия — Apache-2.0.

MiniCPM-S-1B-sft-llama-format — языковая модель, преобразованная ModelBest, OpenBMB и THUNLP из MiniCPM-S-1B-sft в формат LLaMA для удобства использования. Это плотная авторегрессионная модель семейства LLaMA с 1,4 млрд параметров и контекстом до 4096 токенов; она принимает текст и генерирует текст, в том числе в диалоговом режиме. Модель предназначена для генерации ответов и текста, а её особенность — метод ProSparse: ReLU и FATReLU сдвигают активации к высокой разреженности, что может ускорять инференс в совместимых системах. Модель обучена на английских и китайских данных; README указывает на обучение примерно на 473 млрд токенов и 6 тыс. шагов SFT. Для корректной работы авторы рекомендуют начинать вход с BOS-токена и использовать формат чат-запроса. Веса распространяются по лицензии Apache-2.0. Производительность на конкретных задачах может зависеть от настройки промпта и среды инференса; ускорение требует поддержки разреженных вычислений.

MiniMA-2-3B — плотная языковая модель семейства LLaMA, разработанная авторами MiniMA как продолжение обучения MiniMA-3B. В README отмечены улучшенная смесь данных и увеличение числа обучающих токенов; дистилляция не применялась. Модель содержит 2,9 млрд параметров и поддерживает контекст до 4096 токенов. Модель предназначена для генерации текста и общих языковых задач. В карточке указаны английский и китайский языки, а среди обучающих наборов — Pile, RedPajama-Data-1T и WuDao. README приводит результаты на нескольких бенчмарках, включая MMLU, CEval, DROP и GSM8K. Модель опубликована в форматах PyTorch и Safetensors. В метаданных указана лицензия Apache-2.0, однако README отдельно требует соблюдать лицензию LLaMA 2, поскольку модель от неё производна; перед использованием следует проверить применимые условия обеих лицензий.

MiniMax-M2 — языковая модель для генерации текста, разработанная MiniMax AI. Она предназначена для сценариев text-generation, включая создание и преобразование текстов, ответы на запросы и интеграцию в приложения на базе Transformers. Из доступных данных известно, что модель распространяется для работы с библиотекой Transformers. README не содержит сведений об архитектуре, количестве параметров, поддерживаемых языках, размере контекста, модальностях, результатах тестирования или конкретных ограничениях качества, поэтому эти характеристики нельзя оценить по представленным материалам. Модель предоставляется по лицензии modified-MIT; точные условия следует уточнять в файле лицензии, указанном в репозитории MiniMax-AI/MiniMax-M2. Лицензионные ограничения и требования к коммерческому использованию могут отличаться от стандартной MIT-лицензии.

miquliz-120b-v2.0 — крупная языковая модель на архитектуре Llama, созданная wolfram как линейное слияние слоёв miqu-1-70b-sf и lzlv_70b_fp16_hf с помощью mergekit. В README указано 120 млрд параметров, 140 слоёв и контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов; в карточке приведён шаблон запросов Mistral [INST]...[/INST]. Модель рассчитана на английский, немецкий, французский, испанский и итальянский языки. Репозиторий содержит веса Safetensors; для модели также опубликованы сторонние квантизованные сборки GGUF и EXL2. README сообщает о высоких результатах во внутренних сравнениях автора, но не приводит методику или независимые оценки. Лицензия в метаданных обозначена как other; автор также упоминает происхождение части весов из утёкшей модели, поэтому правовой статус и условия использования требуют отдельной проверки.

MiquTotalMix-70B — объединённая языковая модель, созданная автором репозитория с помощью mergekit методом passthrough. В слияние вошли 152334H/miqu-1-70b-sf, sophosympatheia/Midnight-Miqu-70B-v1.0, alchemonaut/BoreanGale-70B и NeverSleep/MiquMaid-v1-70B. Модель построена на плотной архитектуре Llama с классом LlamaForCausalLM и содержит 68,7 млрд параметров; опубликована в формате safetensors для библиотеки Transformers. Модель предназначена для генерации текста и диалогов. README предлагает шаблоны запросов Alpaca и Mistral; в метаданных также заявлена возможность chat. Контекст составляет до 32 764 токенов. Базовая модель описана каталогом как ориентированная на английский язык; отдельные сведения о языках самого объединения в карточке не приведены. Для запуска требуется значительная память из-за размера модели. Лицензия в предоставленных данных не указана.

Карточка модели NostraEmpire/mirror-deepseek-r1-distill-qwen-14b на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

Карточка модели NostraEmpire/mirror-deepseek-r1-distill-qwen-7b на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

Mistral YARN 128k 11b — языковая модель для генерации текста, созданная как слияние моделей с помощью mergekit на основе Yarn-Mistral-7b-128k от Nous Research. Модель содержит 10,6 млрд параметров и использует архитектуру MistralForCausalLM; веса опубликованы в формате safetensors. В README заявлено окно контекста 128 тыс. токенов, тогда как метаданные указывают native context в 32 768 токенов. Модель предназначена для генерации текста с длинным контекстом. Метаданные отмечают английский язык; лицензия — Apache-2.0. Подробности о качестве, обучающих данных и рекомендуемых сценариях применения в доступной карточке не приведены.

Undi95 выпустил экспериментальную модель Mistral-11B-v0.1, созданную расширением Mistral-7B-v0.1: некоторые слои исходной модели продублированы, чтобы получить модель примерно на 11 млрд параметров. Это плотная авторегрессионная модель семейства Mistral для генерации текста; в README приведён шаблон запросов Alpaca. Метаданные указывают контекст до 32 768 токенов и формат safetensors; README также описывает сохранение весов в bfloat16. Модель предназначена для генерации ответов на инструкции и других задач продолжения текста. Автор отмечает, что дублирование первых слоёв может путать модель, поэтому качество и поведение следует проверять на целевых запросах. Лицензия — Apache-2.0.

Карточка модели princeton-nlp/Mistral-7B-Base-SFT-DPO на Hugging Face совпадает с карточкой princeton-nlp/Llama-3-Base-8B-SFT, поэтому описание составлено по ней. princeton-nlp/Llama-3-Base-8B-SFT — разговорная модель генерации текста на архитектуре Llama, опубликованная как часть работы SimPO: Simple Preference Optimization with a Reference-Free Reward. Репозиторий содержит модель на 7,5 млрд параметров в формате safetensors; заявленная длина контекста — 8192 токена. Модель предназначена для диалоговой генерации текста и может использоваться для ответов на запросы и ведения беседы. README отсылает к репозиторию SimPO за дополнительными сведениями. Лицензия и конкретные языковые возможности в предоставленных данных не определены.

Карточка модели princeton-nlp/Mistral-7B-Base-SFT-KTO на Hugging Face совпадает с карточкой princeton-nlp/Llama-3-Base-8B-SFT, поэтому описание составлено по ней. princeton-nlp/Llama-3-Base-8B-SFT — разговорная модель генерации текста на архитектуре Llama, опубликованная как часть работы SimPO: Simple Preference Optimization with a Reference-Free Reward. Репозиторий содержит модель на 7,5 млрд параметров в формате safetensors; заявленная длина контекста — 8192 токена. Модель предназначена для диалоговой генерации текста и может использоваться для ответов на запросы и ведения беседы. README отсылает к репозиторию SimPO за дополнительными сведениями. Лицензия и конкретные языковые возможности в предоставленных данных не определены.

Карточка модели princeton-nlp/Mistral-7B-Base-SFT-RDPO на Hugging Face совпадает с карточкой princeton-nlp/Llama-3-Base-8B-SFT, поэтому описание составлено по ней. princeton-nlp/Llama-3-Base-8B-SFT — разговорная модель генерации текста на архитектуре Llama, опубликованная как часть работы SimPO: Simple Preference Optimization with a Reference-Free Reward. Репозиторий содержит модель на 7,5 млрд параметров в формате safetensors; заявленная длина контекста — 8192 токена. Модель предназначена для диалоговой генерации текста и может использоваться для ответов на запросы и ведения беседы. README отсылает к репозиторию SimPO за дополнительными сведениями. Лицензия и конкретные языковые возможности в предоставленных данных не определены.

Карточка модели princeton-nlp/Mistral-7B-Base-SFT-SimPO на Hugging Face совпадает с карточкой princeton-nlp/Llama-3-Base-8B-SFT, поэтому описание составлено по ней. princeton-nlp/Llama-3-Base-8B-SFT — разговорная модель генерации текста на архитектуре Llama, опубликованная как часть работы SimPO: Simple Preference Optimization with a Reference-Free Reward. Репозиторий содержит модель на 7,5 млрд параметров в формате safetensors; заявленная длина контекста — 8192 токена. Модель предназначена для диалоговой генерации текста и может использоваться для ответов на запросы и ведения беседы. README отсылает к репозиторию SimPO за дополнительными сведениями. Лицензия и конкретные языковые возможности в предоставленных данных не определены.