II.6Документация и сопровождение разработки

SJT-2.1B — языковая модель Sakalti, созданная слиянием чекпойнтов через mergekit. В README указан метод passthrough и модель-источник Sakalti/SJT-1.5B-Alpha; архитектура — плотная Qwen2 с классом Qwen2ForCausalLM, размером 1,9 млрд параметров и форматом safetensors. Модель предназначена для генерации текста и диалогов, включая структурированные ответы и интерфейс вызова инструментов. Поддерживает английский и японский языки, а длина контекста составляет до 131 072 токенов. Распространяется по лицензии Apache-2.0.

Sakalti/SJT-900M — текстовая генеративная модель, созданная автором репозитория с помощью mergekit из слоёв Sakalti/SJT-0.5B. Использован метод passthrough: модель объединяет выбранные диапазоны слоёв исходной модели. Архитектура — плотная Qwen2ForCausalLM, веса представлены в формате safetensors, размер — 762,3 млн параметров. Модель поддерживает контекст до 32 768 токенов и предназначена для генерации текста в диалоговом формате. Модель можно применять для ведения диалога, составления черновиков и ответов на текстовые запросы. В карточке также заявлен интерфейс вызова инструментов, однако сведений о качестве этой возможности и результатах оценки нет. Указана лицензия Apache-2.0. README описывает способ объединения слоёв, но не сообщает целевые языки или специальные предметные области.

Sky-T1-32B-Preview-GGUF — это набор GGUF-квантизаций текстовой генеративной модели Sky-T1-32B-Preview, разработанной NovaSky-AI и подготовленной пользователем bartowski. Модель предназначена для генерации текста, включая задачи, связанные с программированием и математическим рассуждением; при обучении использовались датасеты codeparrot/apps, BAAI/TACO и AI-MO/NuminaMath-CoT. Указан английский язык. Модель имеет размер 32B параметров и распространяется в форматах GGUF, совместимых с llama.cpp и приложением LM Studio. Доступны варианты от F16 до низкобитных квантизаций Q8, Q6, Q5, Q4, Q3 и Q2, что позволяет выбирать между качеством ответов, размером файла и требованиями к памяти. Для квантования использовался llama.cpp release b4456 и метод imatrix. Рекомендуемые варианты включают Q6_K_L, Q6_K, Q5_K_L, Q5_K_M, Q5_K_S, Q4_K_L, Q4_K_M, Q4_K_S и IQ4_XS; версии с более сильным сжатием экономят память, но могут заметно снижать качество. К сильным сторонам относятся широкий выбор уровней квантизации и возможность локального запуска на совместимом оборудовании. Ограничения — отсутствие в README данных о размере контекста, мультимодальности, точных архитектурных особенностях, результатах тестирования и поддерживаемых языках помимо английского. Лицензия в представленном описании не указана.

Skywork-OR1-7B — текстовая модель общего назначения для рассуждений в математике и программировании, разработанная командой Skywork. Она основана на DeepSeek-R1-Distill-Qwen-7B и обучена с использованием крупномасштабного обучения с подкреплением по правилам и модифицированного алгоритма GRPO. В обучении использовались около 110 тысяч математических задач и 14 тысяч вопросов по программированию, а также фильтрация данных, rejection sampling, многоэтапное обучение и адаптивное управление энтропией. Данная версия представляет собой набор GGUF-квантизаций для локального запуска через llama.cpp, llama-cpp-python, LM Studio или Ollama. Доступны варианты от F16 до 2-битных, примерно от 15,2 до 3,0 ГБ; выбор квантизации позволяет найти компромисс между качеством, требованиями к VRAM и размером модели. Модель предназначена прежде всего для англоязычной генерации текста, решения математических задач и написания кода. Она не заявлена как мультимодальная, а снижение разрядности может ухудшать качество рассуждений и ответов. В README приведён пример запуска с контекстом 32768 токенов, но максимальный контекст модели явно не указан. Распространяется по лицензии Apache 2.0.

SOCO-Java-CODEBERTA-MNRL-TRIPLETS-E1-B16 — модель Sentence Transformers, созданная дообучением huggingface/CodeBERTa-small-v1 на наборе soco_train_java. Она кодирует текст в плотные векторы размерностью 768 для вычисления семантического сходства и поиска по смыслу, в том числе в задачах с исходным кодом Java. Архитектура основана на RoBERTa: модель усредняет представления токенов, максимальная длина последовательности — 512 токенов (метаданные указывают 514 токенов контекста), функция сходства — cosine similarity. Обучение использовало MultipleNegativesRankingLoss. Модель подходит для семантического поиска, поиска похожих фрагментов кода и кластеризации текстов или кода. Она выдаёт эмбеддинги, а не готовые ответы или метки; качество зависит от соответствия входных данных обучающему набору Java. Лицензия в предоставленных данных не указана.

Buelfhood/SOCO-Java-CODEBERTA-MNRL-TRIPLETS-E1-B32-LR1e-05-Split0.1 — модель Sentence Transformers, дообученная на наборе SOCO_TRAIN_java на основе huggingface/CodeBERTa-small-v1. Она преобразует текст в плотные векторы размерностью 768 и предназначена для сравнения семантической близости, семантического поиска и других задач сопоставления текстов, особенно связанных с Java-кодом. Архитектура основана на RoBERTa и использует усреднение токенных представлений; сходство векторов можно оценивать косинусной мерой. Модель содержит 96,6 млн параметров, поддерживает последовательности до 514 токенов по метаданным (в README указан предел 512) и распространяется в формате safetensors. Также её можно применять для поиска парафраз, кластеризации и классификации текста. Данные не уточняют лицензию; модель рассчитана на текстовые входы и векторные представления на выходе.

SOLAR-0-70b-8bit — 8-битная квантованная версия модели upstage/SOLAR-0-70b-16bit, разработанная компанией Upstage на архитектуре LLaMA-2. Это плотная авторегрессионная языковая модель с 68,7 млрд параметров, предназначенная для генерации текста и следования инструкциям на английском языке. В карточке описан шаблон диалога с системным сообщением, запросом пользователя и ответом ассистента. Модель рассчитана на диалоговые сценарии, ответы на вопросы и выполнение текстовых инструкций. В метаданных указан контекст 4096 токенов; README сообщает, что благодаря настройке rope_scaling модель может обрабатывать более 10 тысяч входных токенов. Эти значения относятся к разным конфигурациям использования и не следует считать гарантией доступной длины во всех средах. Модель оценивалась на ARC-Challenge, HellaSwag, MMLU, TruthfulQA и MT-bench. Для запуска указана библиотека HuggingFace Transformers; авторы тестировали её на A100 80 ГБ. Дообученные контрольные точки распространяются по лицензии CC BY-NC 4.0 с ограничением на некоммерческое использование.

dddsaty/SOLAR_Merge_Adapter_DPO_Orca — разговорная языковая модель на архитектуре Llama с 10,6 млрд параметров. Разработчик объединил upstage/SOLAR-10.7B-Instruct-v1.0 и beomi/OPEN-SOLAR-KO-10.7B с помощью mergekit, затем дообучил объединённую модель методом DPO на наборе Intel/orca_dpo_pairs и объединил с ней адаптер. Модель предназначена для генерации ответов в диалоге и общих текстовых задач; заявленное окно контекста — 4096 токенов. В метаданных указан английский язык, а одна из базовых моделей ориентирована на корейский, однако карточка не подтверждает уровень поддержки корейского итоговой моделью. В README приведены результаты бенчмарков ARC, HellaSwag, MMLU, TruthfulQA, Winogrande и GSM8K. Лицензия — CC BY-NC 4.0; автор также указывает лицензию базовой модели Upstage.

Speechless-Llama2-Hermes-Orca-Platypus-WizardLM-13B-GGUF — это квантизированная языковая модель в формате GGUF, созданная на основе модели Speechless Llama2 Hermes Orca-Platypus WizardLM 13B. Исходную модель разработал Jiangwen Su, а квантизацию и публикацию GGUF-файлов выполнил TheBloke. Модель относится к семейству Llama и предназначена для генерации текста и выполнения инструкций на естественном языке. Модель рассчитана на англоязычные сценарии: диалоговые приложения, ответы на инструкции, локальный запуск и другие задачи текстовой генерации. Указан размер 13B параметров, однако сведения о длине контекста и поддерживаемых модальностях отсутствуют; по имеющимся данным, модель работает только с текстом. Для взаимодействия используется шаблон Alpaca с секциями Instruction и Response. Главное преимущество этой версии — формат GGUF с вариантами квантизации от 2 до 8 бит, что позволяет запускать модель через llama.cpp и совместимые интерфейсы на CPU и GPU, снижая требования к памяти. При этом квантизация может уменьшать точность по сравнению с исходной версией FP16, а качество зависит от выбранного варианта. Модель распространяется по лицензии Llama 2; перед использованием следует учитывать условия этой лицензии и ограничения исходной модели.

Speechless-Thoughts-Mistral-7B-v1.0 — дообученная авторами проекта Speechless базовая модель для экспериментов с Speechless-Sparsetral-16x7B-MoE. Это плотная авторегрессионная модель Mistral с 7,1 млрд параметров, рассчитанная на генерацию текста; для работы с Transformers доступны веса Safetensors, а контекст модели составляет до 32 768 токенов. Модель обучена на наборе Speechless-Thoughts-252K, включающем примеры программирования, рассуждений, планирования и инструкций. В README она описана как базовая модель для сравнения с MoE-моделью; также приведены результаты отдельных оценок, но значение HumanEval не заполнено. Метаданные указывают поддержку английского языка и возможность генерации кода. Лицензия — Llama 2 Community License. Модель подходит для экспериментов и прикладной генерации текста и кода, однако качество конкретных ответов и программ следует проверять; приведённые в карточке оценки не гарантируют результат на пользовательских задачах.

Akshat131/splade-multi-static-doc — англоязычный поисковый чекпойнт SPLADE-v3-doc на архитектуре BERT с MLM-головой и 136,7 млн параметров. Модель предназначена для кодирования документов в разреженные представления для информационного поиска. Документы кодируются полным SPLADE-энкодером; pooling агрегирует значения токенов по формуле log1p(ReLU(logits)).max(). Для запроса предусмотрены статические веса токенов, инициализированные из IDF и обученные без инференсного энкодера запросов. Чекпойнт выбран по прокси-метрике на обучении из комбинированного набора документации в стиле BEIR, включавшего материалы по NumPy, Pandas и Pybind11. Указанный в README идентификатор для загрузки — Cdn13/splade-multi-static-doc; он отличается от имени текущего репозитория. Модель принимает текст и формирует разреженные признаки для поиска; контекст — до 512 токенов. Лицензия — Apache-2.0. README описывает выбор по прокси-метрике, но не приводит результатов независимой оценки качества.

Strangemerges_30Pastiche-7B — автоматическое объединение моделей, созданное Maxime Labonne методом SLERP из Gille/StrangeMerges_30-7B-slerp и CorticalStack/pastiche-crown-clown-7b-dare. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста и диалогов. Она поддерживает контекст до 32 768 токенов и распространяется в формате Safetensors. Модель подходит для генерации продолжений текста и ведения диалогов. В карточке не описаны отдельная специализация или результаты оценки качества. Лицензия — Apache-2.0.

StrangeMerges_32-7B-slerp — языковая модель семейства Mistral, созданная Gille с помощью LazyMergekit путём слияния Gille/StrangeMerges_31-7B-slerp и yam-peleg/Experiment28-7B методом SLERP. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM, представлена в формате safetensors и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев на базе Mistral. Конфигурация слияния задаёт разные коэффициенты для слоёв self-attention и MLP; точные специализированные навыки или наборы данных в карточке не описаны. Модель распространяется по лицензии Apache-2.0.

supergemma4-e4b-abliterated-GGUF — это квантованное распространение модели Jiunsong/supergemma4-e4b-abliterated, подготовленное mradermacher в формате GGUF. Модель относится к семейству Gemma, ориентирована на генерацию текста и instruction-tuned-сценарии, а также заявляет поддержку tool calling и структурированного вывода. В метаданных указан английский язык. Модель предназначена для локального запуска и интеграции с совместимыми средами инференса, включая инструменты для работы с GGUF и vLLM. Доступны варианты квантования Q2_K, Q3_K, IQ4_XS, Q4_K, Q5_K, Q6_K, Q8_0 и f16 размером примерно от 4,5 до 15,2 ГБ. Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как вариант высокого качества, а Q8_0 — как наиболее качественный среди быстрых вариантов. Ключевое преимущество — широкий выбор квантований, позволяющий адаптировать требования к памяти, скорости и качеству. Более агрессивные варианты могут снижать качество генерации; для Q3_K_M это указано отдельно. Размер контекста, точная архитектура, количество параметров, мультимодальные возможности и подробные результаты оценки в README не указаны. Лицензия обозначена как gemma.

Это квантованная версия модели supergemma4-e4b-abliterated, основанной на Jiunsong/supergemma4-e4b-abliterated. Квантование выполнил mradermacher; набор файлов опубликован в формате GGUF. Модель предназначена для генерации текста по инструкциям, включая сценарии с tool-calling и structured output, а также поддерживает обработку изображений как vision-модель. В README указано, что модель ориентирована на английский язык и использует экосистему Transformers. Доступны варианты квантования i1 с разными типами и размерами примерно от 4,5 до 6,3 ГБ; среди рекомендуемых отмечены i1-Q4_K_M как быстрый вариант и i1-Q4_K_S как компромисс между размером, скоростью и качеством. Конкретные архитектурные параметры, число параметров и размер контекста не указаны. Для работы с изображениями могут потребоваться отдельные mmproj-файлы из статического репозитория. Основные преимущества — широкий выбор GGUF-квантов, возможность локального запуска при ограниченных ресурсах и поддержка текстовых, визуальных, инструментальных и структурированных сценариев. Качество зависит от выбранного типа квантования: варианты с более низким размером могут уступать по качеству, а IQ-кванты в README часто рекомендуются вместо сопоставимых обычных вариантов. Модель распространяется по лицензии Gemma.

Yanun/Swift-Qwen3.8-27b-oQ4e-mtp — мультимодальная модель класса 27B, разработанная на основе Swift-Qwen3.8-27b от UkisAI и преобразованная в формат MLX. Она предназначена для обработки текстовых и визуальных входных данных с генерацией текста, включая сценарии, где требуется анализ изображений совместно с текстовыми инструкциями. Модель имеет плотную текстовую архитектуру с 64 слоями, чередующуюся линейную и полную attention: 48 слоёв используют linear attention, 16 — full attention. Размер скрытого состояния составляет 5120, размер feed-forward слоя — 17408, словарь содержит 248 320 токенов, а заявленный предел контекста — 262 144 токена, хотя фактическая длина зависит от настроек среды выполнения и доступной памяти. Vision encoder включает 27 слоёв, скрытое состояние размером 1152, 16 attention heads и обрабатывает изображения через патчи 16×16. В составе также есть один multi-token prediction (MTP) слой. Чекпойнт использует смешанную квантизацию oQ4e: базовые веса квантизированы до 4 бит, для 187 модулей заданы переопределения на 5 бит, а отдельные компоненты MTP сохранены в BF16. Это уменьшает требования к хранению и вычислениям по сравнению с полноразмерной моделью, но итоговая производительность и доступная длина контекста зависят от MLX-совместимого runtime и объёма памяти. Поддерживаемые языки и специализированные сильные стороны в README не указаны. Модель распространяется на условиях Swift Open License v1.0; конвертация не изменяет условия лицензии исходной модели.

Swift-Qwen3.8-27B-Uncensored-Dynamic-MTP-GGUF — набор GGUF-квантов модели Swift-Qwen3.8-27B-Uncensored-MTP, разработанный ajgazin. В основе лежит Swift-Qwen3.8-27B от UkisAI — дообученная для эффективного рассуждения версия Qwen3.8-27B. Модель предназначена для генерации текста, диалогов и задач рассуждения, а также поддерживает обработку изображений и видео через отдельный vision projector. Вариант содержит MTP head для self-speculative decoding в llama.cpp и ориентирован на локальный запуск через llama.cpp; заявлена совместимость также с vLLM и SGLang для NVFP4-варианта. Доступны варианты от UD-Q2_K_XL размером 9,2 GiB до UD-Q8_K_XL размером 29,3 GiB, а также исходный BF16-файл размером 50,9 GiB. Разные уровни квантования позволяют запускать модель на GPU с 12, 16, 20, 24, 32 и 48 GiB памяти, при необходимости используя частичную выгрузку на CPU. Для заявленного запуска используется контекст до 32768 токенов. Более крупные варианты ближе к качеству BF16: для UD-Q8_K_XL совпадение наиболее вероятного токена составляет 98,8%, для UD-Q4_K_XL — 95,8%, а для UD-Q2_K_XL — 85,2%. Сильные стороны модели — широкий выбор размеров квантов, поддержка текста, изображений и видео, встроенный MTP head для ускорения генерации и сниженная склонность к отказам: в описании указано 15 отказов из 100 против 98 из 100 у исходной Swift-модели. Ограничения включают потерю точности при агрессивном квантовании, необходимость отдельного mmproj-BF16.gguf для мультимодального ввода и специальной сборки llama.cpp с поддержкой MTP для qwen35. Качество измерялось преимущественно на тесте wikitext-2, поэтому оно не полностью характеризует работу с кодом и диалогами. Модель распространяется по лицензии swift-open-license-1.0; в карточке также указана категория лицензии other.

Synthetic-Minstrel-14B — производная текстовая генеративная модель, созданная добавлением слоёв Mistral-7B к Synthia-7B; автор указывает, что дообучения не проводилось. Репозиторий содержит веса в формате safetensors. По метаданным модель имеет 13,7 млрд параметров, архитектуру семейства Llama и контекст до 32 768 токенов. Модель предназначена для генерации текста. README не описывает специальные сценарии применения, языки или результаты оценки качества, поэтому её возможности сверх общей генерации текста не уточняются. Распространяется по лицензии Apache-2.0.

Synthia-MoE-v3-Mixtral-8x7B — языковая модель для генерации текста, созданная на базе Mixtral-8x7B и дообученная разработчиком migtissera на наборе Synthia-v3.0 примерно из 10 тысяч примеров, сгенерированных GPT-4-Turbo. В архитектуре Mixtral используется разреженная смесь экспертов; модель представлена в формате PyTorch и имеет 7,1 млрд параметров по метаданным. Модель предназначена для диалогов и генерации связных ответов на многочастные вопросы. Обучающие примеры включали Chain-of-Thought, Tree-of-Thought, философские рассуждения и контексты с рабочей памятью. Контекст модели — до 32 768 токенов. README предупреждает о вероятном переобучении из-за высокой скорости обучения; автор планировал исправить это в следующем выпуске. Лицензия — Apache-2.0.

T3qm7xNeuralsirkrishna_Ognoexperiment27Multi_verse_model — объединённая модель для генерации текста, созданная на основе двух моделей Mistral: automerger/T3qm7xNeuralsirkrishna-7B и automerger/Ognoexperiment27Multi_verse_model-7B. Она содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель подходит для генерации продолжений текста, диалоговых ответов и других задач на основе текстовых запросов. Веса опубликованы в формате safetensors по лицензии Apache-2.0. В карточке не описаны специализация модели, поддерживаемые естественные языки или результаты оценки качества.

Модель potsawee/t5-large-generation-squad-QuestionAnswer — версия T5-large, дообученная Potsawee Manakul и соавторами на датасете SQuAD для генерации пары «вопрос — ответ» по переданному контексту или фрагменту текста. Она предназначена для создания вопросов по статьям и другим текстам, в том числе как первый компонент конвейера MQAG для оценки согласованности содержания при суммаризации. Модель использует архитектуру T5ForConditionalGeneration и содержит 385,2 млн параметров. Она принимает текст и генерирует текст; ответы преимущественно извлекаются из исходного контекста, поскольку обучающие ответы SQuAD в основном экстрактивны. Максимальная длина контекста — 512 токенов. Карточка указывает английский язык и формат PyTorch. Лицензия — Apache-2.0.

Tarek07_Legion-V2.1-LLaMa-70B-GGUF — это набор GGUF-квантизаций текстовой генеративной модели Legion-V2.1-LLaMa-70B, разработанной Tarek07. Квантизации подготовлены bartowski с использованием llama.cpp и метода imatrix; исходная модель доступна как Tarek07/Legion-V2.1-LLaMa-70B. Модель предназначена для генерации текста и может запускаться локально через llama.cpp, LM Studio и другие совместимые проекты. Доступны варианты с разным уровнем сжатия и качеством: от Q8_0 размером около 75 ГБ до Q2_K размером около 26 ГБ. Рекомендуемыми указаны, в частности, Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и IQ4_XS; варианты с более низкой разрядностью требуют меньше оперативной памяти, но снижают качество. Известно, что модель имеет размер 70 миллиардов параметров и работает в текстовой модальности. Архитектура, поддерживаемые языки и размер контекстного окна в предоставленных данных не указаны. Для работы следует использовать формат подсказок, совместимый с шаблоном Llama 3.3, с секциями system, user и assistant. Лицензия указана как llama3.3; дополнительные условия исходной модели в README не приведены.

TemptressTensor-10.7B-v0.1a — текстовая генеративная модель на архитектуре Mistral, созданная с помощью LazyMergekit. В README в качестве компонентов слияния указана jsfs11/RandomMergeNoNormWEIGHTED-7B-DARETIES; метаданные также связывают модель с этим репозиторием. Модель содержит 10,6 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалоговых ответов. Она распространяется в формате Safetensors по лицензии Apache-2.0. В README отмечена склонность модели к выдаче контента NSFW.

Terminal-complete12k — дообученная модель на базе Qwen/Qwen3-8B, созданная автором репозитория cuong1692001. Это плотная языковая модель с архитектурой Qwen3ForCausalLM и 7,6 млрд параметров; она принимает текст и генерирует текст. Карточка указывает на диалоговый сценарий, а базовая модель поддерживает многоязычную генерацию, рассуждения, следование инструкциям, работу с кодом и вызов инструментов. Максимальная длина контекста составляет 40 960 токенов. Модель можно применять для диалога и генерации текста. README сообщает о дообучении на наборе qwen_data_complete, но не описывает его состав, целевые задачи или результаты оценки, поэтому специфические преимущества Terminal-complete12k подтвердить нельзя. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия указана как other; конкретные условия использования в доступных данных не раскрыты.

Terminal-complete — дообученная модель Qwen/Qwen3-8B, созданная автором cuong1692001 на наборе данных qwen_data_complete. Это плотная авторегрессионная языковая модель на 7,6 млрд параметров для генерации текста и диалогового взаимодействия; контекст — до 40 960 токенов. Карточка не описывает конкретные сценарии применения, обучение или результаты оценки, поэтому возможности исходной Qwen3-8B не следует автоматически считать проверенными для этой версии. Модель распространяется в формате Safetensors; лицензия указана как other, её условия нужно уточнить перед использованием.

Карточка модели cuong1692001/Terminal-complete_16k на Hugging Face совпадает с карточкой cuong1692001/Terminal-complete-16k, поэтому описание составлено по ней. Terminal-complete — дообученная модель Qwen/Qwen3-8B, созданная автором cuong1692001 на наборе данных qwen_data_complete. Это плотная авторегрессионная языковая модель на 7,6 млрд параметров для генерации текста и диалогового взаимодействия; контекст — до 40 960 токенов. Карточка не описывает конкретные сценарии применения, обучение или результаты оценки, поэтому возможности исходной Qwen3-8B не следует автоматически считать проверенными для этой версии. Модель распространяется в формате Safetensors; лицензия указана как other, её условия нужно уточнить перед использованием.

Карточка модели cuong1692001/Terminal_complete_4k на Hugging Face совпадает с карточкой cuong1692001/Terminal-complete-4k, поэтому описание составлено по ней. Terminal-complete-4k — дообученная модель на основе Qwen/Qwen3-8B, созданная автором репозитория на датасете qwen_data_complete. Это плотная причинная языковая модель примерно на 7,6 млрд параметров для диалоговой генерации текста; она принимает текст и выдаёт текст. В метаданных указано окно контекста до 40 960 токенов и библиотека Transformers. Модель подходит для диалога и генерации текста в сценариях, поддерживаемых базовой Qwen3-8B. README не описывает специализацию датасета, качество, результаты оценки или конкретные ограничения, поэтому назначение «Terminal» в названии само по себе не подтверждает специализацию на командной строке. Модель распространяется в формате safetensors; лицензия указана как other, без уточнения условий в предоставленных данных.

tFINE-base-300m — предварительно обученная модель с архитектурой T5 encoder-decoder, опубликованная пользователем pszemraj и обученная с помощью nanoT5. Она предназначена для генерации текста по текстовому входу и других сценариев text-to-text. Модель обучалась на англоязычной части FineWeb-Edu из корпуса HuggingFaceTB/smollm-corpus; токенизатор SentencePiece BPE с byte fallback использует словарь на 48 тыс. токенов. Контекст составляет 1024 токена. В карточке указаны 136,2 млн параметров, обучение в течение 80 тыс. шагов и формат safetensors. Модель подходит для экспериментов и прикладных задач генерации и преобразования текста на английском языке. Распространяется по лицензии Apache-2.0.

TheBeagle-v2beta-32B-MGS-GGUF — это набор GGUF-квантизаций текстовой генеративной модели TheBeagle-v2beta-32B-MGS, разработанной fblgit и подготовленной в формате GGUF пользователем bartowski. Модель обучалась с использованием набора Magpie-Align/Magpie-Pro-300K-Filtered и предназначена для генерации текста и выполнения инструкций на английском языке. Доступны варианты от полного F16 до квантизаций Q8_0, Q6_K, Q5_K и Q4_K с размером файлов примерно от 18,78 до 65,54 ГБ. Квантизации созданы с помощью llama.cpp и imatrix; для работы рекомендуется использовать совместимое программное обеспечение, например LM Studio. В README не указаны архитектура исходной модели, размер контекстного окна, поддержка других языков или мультимодальных входов. Также приведён специальный шаблон диалога с ролями system, user и assistant. Модель ориентирована на задачи текстовой генерации, следования инструкциям, рассуждений и решения математических и общеобразовательных заданий. Согласно указанным результатам Open LLM Leaderboard, она получила 45,03% строгой точности на IFEval, 58,07% нормализованной точности на BBH, 39,43% exact match на MATH Level 5 и 54,57% точности на MMLU-PRO; результаты на GPQA и MuSR составили 20,13% и 24,5% соответственно. Более качественные квантизации требуют больше памяти, а компактные варианты обеспечивают экономию места ценой возможного снижения качества. Распространяется по лицензии MIT.

spjabech/th_pos_neg_3epochs — дообученная диалоговая языковая модель на архитектуре Llama 3, разработанная spjabech на базе gradientai/Llama-3-8B-Instruct-262k. Модель содержит 7,5 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 262 144 токена. Карточка не описывает предметную специализацию или конкретный сценарий, связанный с названием модели, поэтому модель можно характеризовать только как генеративную диалоговую. Она дообучалась с использованием Unsloth и TRL. Распространяется по лицензии Apache-2.0.