II.6Документация и сопровождение разработки

Xenova/Phi-3-mini-4k-instruct — оптимизированная ONNX-версия инструкционной языковой модели Phi-3 Mini, подготовленная для запуска через Transformers.js и onnxruntime-web. Модель предназначена для генерации текста и диалогового взаимодействия в браузерных и JavaScript-приложениях, включая ответы на вопросы, решение задач и выполнение инструкций. Модель содержит 3,7 млрд параметров и поддерживает контекст длиной до 4096 токенов. Веса представлены в формате FP16 с блочным квантованием INT4; выход logits имеет формат FP32. Для совместимости с onnxruntime-web используется архитектурная модификация с MHA вместо GQA, а файлы модели ограничены размером менее 2 ГБ для кэширования в Chromium. Модель распространяется через библиотеку Transformers.js и использует ONNX Runtime. Лицензия MIT разрешает свободное использование при соблюдении её условий. Квантование INT4 может снижать точность по сравнению с полноразмерной версией, а ограничение контекста в 4096 токенов не позволяет эффективно работать с очень длинными документами. Возможности модели зависят от ресурсов устройства и производительности браузерной среды.

Phi-4-MedIT-10B-o1 — языковая модель для генерации текста и решения задач, требующих рассуждений. По карточке, модель создана на основе Phi-4: её сократили с 14 млрд до примерно 10 млрд параметров методом прореживания MKA2G и дообучили за одну эпоху на данных для рассуждений. В метаданных указаны плотная архитектура семейства Llama, реализация LlamaForCausalLM и контекст до 16 384 токенов. Модель предназначена для диалогового применения, задач на рассуждения и интеграции с ReasonFlow. Основной язык обучения — английский; карточка предупреждает о снижении качества на других языках. Репозиторий содержит веса в форматах Safetensors и GGUF, а лицензия — MIT. Ответы могут быть неточными или выдуманными, а также содержать предвзятость или нежелательный контент; для чувствительных сценариев нужна дополнительная проверка.

Phiter — слитая модель семейства Phi-2, опубликованная пользователем Venkman42. Она объединяет rhysjones/phi-2-orange и cognitivecomputations/dolphin-2_6-phi-2 с помощью LazyMergekit и предназначена для генерации текста и диалогов в формате ChatML. Модель построена на архитектуре PhiForCausalLM; родная длина контекста — 2048 токенов. В карточке автор сообщает, что на 27 февраля 2024 года модель лидировала среди дообученных вариантов Phi-2 на рейтинге YALL. Это заявление относится к указанной дате и не гарантирует текущего превосходства или качества на других задачах. Репозиторий содержит веса в формате safetensors; README также ссылается на вариант GGUF. Лицензия — MIT.

PiVoT-10.7B-Mistral-v0.2-Mistral-7B-Instruct-v0.1 — объединённая чат-модель на архитектуре Mistral от MaziyarPanahi. Она создана методом SLERP из mistralai/Mistral-7B-Instruct-v0.1 и maywell/PiVoT-10.7B-Mistral-v0.2; конфигурация объединяет диапазоны слоёв обеих моделей и задаёт тип bf16. Модель предназначена для генерации текста в ответ на инструкции и диалоговые запросы. В репозитории указаны 7,1 млрд параметров и контекст до 32 768 токенов; поддержка английского и корейского языков следует из метаданных. Веса опубликованы в формате safetensors по лицензии Apache-2.0. README не приводит сравнительных оценок качества или подробностей о специализации PiVoT-компонента, поэтому пригодность для конкретных задач стоит проверять отдельно.

pmmpk-EinstainMorcoro14KrishnaHercules-7b-slerp — языковая модель, созданная mvpmaster с помощью объединения методом SLERP двух моделей: mvpmaster/kellemar-KrishnaHercules-0.1-7b-slerp и mvpmaster/Einstein-4D-Marcoro14-7b-full-slerp. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста и может применяться в сценариях, где требуется продолжать или создавать текстовые ответы. Карточка не описывает специализированные области, языковые возможности или дополнительные сценарии использования. Весовые файлы опубликованы в формате safetensors, а лицензия указана как Apache-2.0. README не приводит сравнительных оценок качества или подробных ограничений применения.

Prem-1B — компактная языковая модель семейства Llama, разработанная Prem AI. Модель содержит 1 млрд параметров, имеет архитектуру LlamaForCausalLM и контекстное окно до 8192 токенов; для работы доступны веса в формате Safetensors и библиотека Transformers. Модель предназначена для генерации текста и приложений с дополненной поиском генерацией (RAG), где она может учитывать предоставленные во время работы сведения. Серия включает варианты для диалогового взаимодействия в роли виртуального помощника; предварительно обученные варианты можно адаптировать к другим задачам генерации естественного языка. В README заявлена ориентация на английский язык. В опубликованном сравнении Prem-1B уступает TinyLlama-1.1B-Chat-v1.0 по среднему результату приведённых бенчмарков. Карточка предупреждает о рисках и ограничениях, включая возможные смещения, и рекомендует учитывать их при использовании. Лицензия в метаданных указана как Apache 2.0; README также ссылается на условия Community License и Acceptable Use Policy, поэтому перед коммерческим применением следует сверить действующие условия репозитория.

Bonsai-8B-unpacked-GGUF — это квантованные версии текстовой генеративной модели Bonsai-8B-unpacked, разработанной prism-ml и преобразованной в формат GGUF пользователем bartowski с помощью llama.cpp. Модель предназначена для генерации текста и локального запуска через llama.cpp, Ramalama, LM Studio, KoboldCpp, Jan AI, Text Generation Web UI и другие совместимые инструменты. Модель имеет около 8 миллиардов параметров и поддерживает текстовую модальность. В репозитории представлены варианты от BF16 размером 16,38 ГБ до низкобитных квантований; рекомендуемыми названы Q4_K_M, Q5_K_* и Q6_K_*. Квантование выполнено с использованием imatrix, что позволяет сохранить высокое качество при уменьшении размера. Для работы используется формат prompt с ролями system, user и assistant, включая секцию <think>. Сведения о поддерживаемых языках, архитектуре и размере контекста в README не указаны. Сильные стороны модели — широкий выбор уровней квантования, возможность локального запуска и хорошее соотношение качества, размера и требований к памяти. Более компактные варианты подходят для систем с ограниченной RAM, а Q6_K и Q6_K_L обеспечивают качество, близкое к исходному. Ограничения включают возможное снижение качества у низкобитных вариантов и необходимость обновления используемых инструментов для недавно поддержанных архитектур. Модель распространяется по лицензии Apache-2.0.

Progenitor-V1.1-LLaMa-70B — экспериментальная модель генерации текста, созданная Tarek07 путём объединения нескольких предварительно обученных моделей Llama. Для слияния использован mergekit с методом Della Linear и базой nbeerbower/Llama-3.1-Nemotron-lorablated-70B; также включены EVA-LLaMA-3.33-70B-v0.1, L3.1-70B-Hanami-x1, 70B-L3.3-Cirrus-x1, Anubis-70B-v1 и Negative_LLAMA_70B. Модель содержит 69,5 млрд параметров, использует архитектуру Llama для авторегрессионной генерации текста и поддерживает контекст до 131 072 токенов. Она предназначена для диалога и свободной генерации текста; в метаданных также отмечен интерфейс вызова инструментов. Карточка описывает её как личный эксперимент по объединению понравившихся автору моделей и сообщает, что результаты ему понравились, но не приводит количественных оценок качества. Лицензия — Llama 3.3. Ограничения и условия коммерческого использования следует сверять с её условиями; конкретные оценки качества и подробные рекомендации по применению в карточке не приведены.

Prometheus-Mistral-Nemo-12B — разговорная текстовая модель на архитектуре Mistral, созданная ApolloRaines на основе Mistral-Nemo-Instruct-2407. Авторы применили к весам модели автоматическую оптимизацию через систему jBlaze: модель оценивала свои поведенческие слабые стороны, предлагала изменения, а функциональные тесты определяли, сохранять ли их. Это дообученная версия размером 12,1 млрд параметров с контекстом до 131 072 токенов; доступны веса Safetensors. Модель поддерживает английский язык и интерфейс вызова инструментов. Модель предназначена для диалога и генерации текста с акцентом на проверку предположений, обозначение неопределённости, самокоррекцию, анализ альтернатив и распознавание вводящих в заблуждение формулировок. В README приведён результат 43 из 50 на наборе вопросов-ловушек; качество длинных ответов, по утверждению авторов, сопоставимо с базовой моделью. Эти результаты основаны на описанных авторами тестах и не гарантируют точность в других сценариях. Модель распространяется по лицензии Apache-2.0; система jBlaze, использованная для модификации весов, является проприетарной.

PuddleJumper-13b — объединённая языковая модель на архитектуре LLaMA, созданная путём слияния EverythingLM-V2-13b QLoRa и OpenOrca-Platypus2-13B. Она предназначена для генерации текста и диалоговых сценариев; в карточке приведены результаты оценки на Open LLM Leaderboard. Модель содержит 12,9 млрд параметров, использует контекст до 4096 токенов и представлена в формате PyTorch. Для диалога README рекомендует краткий формат Vicuna без системного промпта; также заявлена совместимость с форматами OpenOrca и Platypus и другими системными промптами. Модель распространяется по лицензии Llama 2. Карточка не описывает поддержку конкретных естественных языков или гарантии качества для отдельных задач.

Puffin-Qwen2.5-CodeMath — объединённая языковая модель семейства Qwen2, созданная сообществом mergekit-community из Qwen/Qwen2.5-Coder-1.5B и Qwen/Qwen2.5-Math-1.5B методом SLERP. Модель с 1,5 млрд параметров предназначена для генерации текста, кода и математических рассуждений в диалоговом режиме. Модель принимает текст и генерирует текст. Её контекст составляет 4096 токенов; репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Карточка не уточняет лицензию и не приводит результаты оценивания качества, поэтому конкретные преимущества в программировании или математике не подтверждены сравнительными тестами.

Puffin-Qwen2.5-CodeMath-1 — объединённая языковая модель на архитектуре Qwen2, созданная автором репозитория с помощью mergekit из Qwen/Qwen2.5-Coder-1.5B и Qwen/Qwen2.5-Math-1.5B. Для объединения использован метод SLERP; модель содержит 1,5 млрд параметров и рассчитана на генерацию текста, включая сценарии с кодом и математическими задачами. Модель принимает текст и генерирует текст. Она использует библиотеку Transformers, распространяется в формате safetensors и поддерживает контекст до 32 768 токенов. Карточка не сообщает отдельные сведения о языках или результатах оценки качества. Лицензия в доступных данных не указана.

Q3.5-9B-DS-v4-Flash-v2.0 — экспериментальная плотная мультимодальная модель на 9 млрд параметров, разработанная prithivMLmods на основе Qwen/Qwen3.5-9B. Её дообучили в несколько этапов на трассах рассуждений DeepSeek V4 Flash и других примерах для улучшения многошаговых рассуждений и следования инструкциям. Модель предназначена для математического и научного анализа, задач с длинным контекстом, помощи в программировании и оценки следования инструкциям. В метаданных заявлена поддержка обработки изображений и диалога; README описывает её как модель для локального запуска и исследований. Карточка указывает английский язык. Длина контекста не приведена. Это экспериментальный выпуск: модель может ошибаться в промежуточных рассуждениях и выводах, а результаты зависят от охвата обучающих данных. Распространяется по лицензии Apache-2.0.

Qdeev1 — чат-модель для генерации текста, разработанная Qdeer и дообученная на базе unsloth/llama-3-8b-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. Она предназначена для диалогов и генерации ответов на текстовые запросы. Модель использует плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст длиной до 8192 токенов. В карточке указан английский язык. Веса опубликованы в формате safetensors, лицензия — Apache-2.0. Карточка не описывает специализацию, обучающие данные или оценку качества, поэтому пригодность для конкретных предметных областей не установлена. Дообучение выполнено на 4-битной базовой модели, но в метаданных репозитория указан формат safetensors; сведений о формате чисел самих опубликованных весов карточка не приводит.

quantumaikr/quantum-v0.01 — языковая модель для генерации текста, разработанная Quantum AI. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для диалогового взаимодействия и других задач генерации текста. Модель принимает текст и выдаёт текст; в карточке указан английский язык, а заявленная длина контекста составляет 32 768 токенов. Модель опубликована в формате safetensors и распространяется по лицензии CC BY-NC-4.0, которая ограничивает коммерческое использование. Разработчик указывает исследовательское назначение и отмечает, что дообучение для более безопасных ответов не устраняет все предубеждения и токсичность. Ответы не следует считать достоверным источником или заменой человеческого суждения.

Это дообученная языковая модель Qwen3 от didula-wso2, созданная на базе unsloth/Qwen3-8B-unsloth-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. Модель содержит 7,6 млрд параметров и предназначена для генерации текста в диалоговых сценариях; в карточке также заявлен интерфейс вызова инструментов. Модель принимает текст и выдаёт текст. Для неё указан контекст до 40 960 токенов, а среди языков карточки отмечен английский. Репозиторий содержит веса в формате safetensors; заявленная лицензия — Apache-2.0. Сведения о специализации дообучения и его результатах не приведены.

Qwen1.5-0.5B-Chat-GPTQ-Int4 — чат-модель семейства Qwen1.5, разработанная командой Qwen (Tongyi Qianwen). Это decoder-only языковая модель на архитектуре Transformer, предназначенная для диалогового взаимодействия и генерации текста. Модель подходит для создания ассистентов, ответов на вопросы, кратких объяснений и других сценариев text generation. Модель содержит около 0,5 млрд параметров и распространяется в квантизированном формате GPTQ с точностью Int4, что снижает требования к памяти по сравнению с полноточными вариантами. Она поддерживает текстовую модальность, английский язык и, согласно описанию семейства, мультиязычную работу и обработку кода. Заявлена поддержка контекста до 32K токенов. Архитектура включает SwiGLU и attention с QKV bias; для beta-версии Qwen1.5 group query attention и сочетание sliding window attention с full attention временно не использовались, за исключением отдельных вариантов семейства. Модель предварительно обучалась на большом объёме данных, а чат-версия дополнительно настраивалась с помощью supervised fine-tuning и direct preference optimization. Её сильные стороны — небольшой размер, пониженные требования к памяти благодаря Int4-квантизации и готовность к диалоговым сценариям. Ограничениями являются малый размер по сравнению с более крупными моделями семейства, возможное ухудшение качества при сложных задачах и ошибки при переключении языков; разработчики рекомендуют использовать параметры генерации из generation_config.json. Лицензия указана как tongyi-qianwen-research; применимые условия приведены в файле LICENSE репозитория.

Модель manojpaul9986/qwen-1.5b-grpo разработана manojpaul9986 как дообученная версия Qwen2 для генерации текста и диалоговых приложений. Она содержит 1,5 млрд параметров, использует архитектуру Qwen2ForCausalLM и принимает текстовые запросы, выдавая текст. Контекстное окно составляет 32 768 токенов; карточка указывает английский язык. Модель обучалась с использованием Unsloth и библиотеки TRL. Модель распространяется по лицензии Apache-2.0. Карточка не описывает специализированные области применения или дополнительные возможности обучения GRPO, поэтому её можно охарактеризовать как компактную диалоговую модель общего назначения.

Это компактная инструктивная языковая модель Qwen2.5-0.5B-Instruct, опубликованная Unsloth как дообученная версия Qwen/Qwen2.5-0.5B-Instruct. Она построена на архитектуре Qwen2 с причинной генерацией текста и рассчитана на диалоги, выполнение инструкций и другие задачи генерации текста. В метаданных указаны 494 млн параметров, контекст до 32 768 токенов, формат safetensors и библиотека Transformers. Модель подходит для чат-ботов, ответов на запросы и генерации структурированного текста. В карточке базовой модели заявлена поддержка более 29 языков, включая русский и английский; сама карточка репозитория отмечает английский. Модель компактна, но уступает более крупным моделям по возможностям и надёжности, а результаты зависят от запроса и сценария применения. Лицензия — Apache-2.0.

balazsgamer918/qwen2.5-14b-balazs-assistant-full — дообученная плотная языковая модель семейства Qwen2.5, разработанная balazsgamer918 на базе unsloth/Qwen2.5-14B-Instruct-bnb-4bit с использованием Unsloth и библиотеки TRL. Модель содержит 14 млрд параметров, работает в режиме генерации текста и рассчитана на диалоговое взаимодействие; заявленный контекст — до 32 768 токенов. Модель можно применять для ведения диалога, генерации ответов и использования интерфейса вызова инструментов. В карточке не описаны конкретная специализация дообучения, результаты оценки качества или ограничения по сценариям. Репозиторий распространяется по лицензии Apache-2.0.

mlx-community/Qwen2.5-14B-Instruct-8bit — 14-миллиардная языковая модель семейства Qwen2.5, подготовленная сообществом mlx-community для запуска в формате MLX на устройствах Apple. README сообщает, что модель преобразована из Qwen/Qwen2.5-14B-Instruct с помощью mlx-lm версии 0.18.1; метаданные указывают архитектуру Qwen2ForCausalLM и контекст до 32 768 токенов. Модель предназначена для генерации текста в диалогах, ответов на вопросы и использования интерфейса вызова инструментов. Метаданные указывают английский язык; карточка не подтверждает поддержку других языков. Репозиторий распространяется по лицензии Apache-2.0. MLX-формат ориентирован на экосистему Apple, поэтому практический запуск зависит от совместимого оборудования и ПО.

Qwen2.5-14B_Uncensored_Instruct-GGUF — это набор квантизированных GGUF-версий инструкционной текстовой модели Qwen2.5-14B_Uncensored_Instruct, разработанной SicariusSicariiStuff и преобразованной в квантизации пользователем bartowski с помощью llama.cpp и imatrix. Модель предназначена для генерации текста и диалогового взаимодействия, а также для локального запуска через совместимые инструменты, включая LM Studio. В README указан английский язык модели и формат чата с ролями system, user и assistant. Модель имеет 14 миллиардов параметров. Доступны версии от F16 до Q3 и IQ3 с разными компромиссами между качеством, размером файлов и требованиями к оперативной памяти; размеры указанных вариантов составляют примерно от 6,92 до 29,55 ГБ. Некоторые версии оптимизированы для ARM-инференса и требуют поддержки sve или i8mm. Более высокие разрядности обычно обеспечивают лучшее сохранение качества, тогда как варианты с меньшим размером подходят для систем с ограниченной памятью. Это текстовая модель без заявленной поддержки изображений или других модальностей. Контекстное окно, точная архитектура, производительность и дополнительные языки в README не указаны, поэтому их нельзя достоверно оценить. Условия использования указаны как лицензия Apache-2.0.

Qwen2.5-1.5B-Instruct-8bit — конвертированная сообществом mlx-community версия Qwen2.5-1.5B-Instruct для запуска в формате MLX на устройствах Apple. Это плотная авторегрессионная языковая модель семейства Qwen2 с 1,5 млрд параметров, предназначенная для генерации текста и диалогового общения; метаданные также отмечают интерфейс вызова инструментов. Контекст модели составляет до 32 768 токенов, язык карточки — английский. Модель подходит для диалоговых помощников, генерации и продолжения текста, а также прототипирования локальных приложений на совместимом оборудовании Apple. Веса указаны в 8-битном варианте, а README сообщает о конвертации исходной Qwen/Qwen2.5-1.5B-Instruct в MLX с помощью mlx-lm 0.18.1. Лицензия — Apache-2.0.

Это текстовая авторегрессионная модель семейства Qwen2.5, размещённая пользователем boater и основанная на Qwen2.5-1.5B-Instruct. Модель объёмом 1,5 млрд параметров предназначена для генерации текста в формате инструкций и диалогов; указанный для неё контекст — до 32 768 токенов. Метаданные связывают репозиторий с RL Swarm, GenRL Swarm и GRPO, но не дают подробностей о конкретной процедуре обучения или её результатах. Файлы представлены в формате Safetensors для Transformers. Условия лицензии и подтверждённые языки карточка и доступные сведения не устанавливают.

Qwen2.5-1.5B-Instruct-GGUF — GGUF-квантизированная версия инструкционной языковой модели Qwen2.5-1.5B-Instruct, разработанной командой Qwen. Квантизация выполнена bartowski на основе llama.cpp. Модель предназначена для генерации текста и диалоговых сценариев, включая работу с чатом, понимание и генерацию структурированных данных, а также локальный запуск через совместимые инструменты. Модель поддерживает контекст до 32 000 токенов и генерацию до 8 000 токенов. Она обучена на масштабном наборе данных и работает более чем с 29 языками, включая английский, китайский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский. К небольшому размеру модели относится преимущество в виде меньших требований к ресурсам, однако README не содержит точных параметров квантизации, требований к памяти или результатов оценки качества, поэтому производительность может уступать более крупным моделям. Модель распространяется по лицензии Apache-2.0.

Карточка модели tayaee/Qwen2.5-1.5B-Korean-GRPO-smoke на Hugging Face совпадает с карточкой Qwen/Qwen2.5-1.5B-Instruct, поэтому описание составлено по ней. Qwen2.5-1.5B-Instruct — инструктивно дообученная языковая модель семейства Qwen2.5, разработанная командой Qwen. Она предназначена для диалогов и генерации текста по инструкциям, включая ответы на вопросы, создание длинных текстов и выдачу структурированных результатов, например JSON. Модель имеет плотную архитектуру причинного трансформера Qwen2 с RoPE, SwiGLU и RMSNorm и содержит 1,5 млрд параметров. Контекст составляет 32 768 токенов, максимальная длина генерации — 8 192 токена. Карточка описывает поддержку более 29 языков, включая русский и английский; метаданные указывают английский как язык карточки. Модель загружается через Transformers и распространяется по лицензии Apache-2.0. Среди сильных сторон — следование инструкциям, работа с длинными текстами и структурированными данными, а также интерфейс для вызова инструментов. Это компактная модель, поэтому её возможности ограничены по сравнению с более крупными языковыми моделями; оценочные результаты для этой конкретной версии в карточке не приведены.

Qwen2.5-32B-ArliAI-RPMax-v1.3-GGUF — это GGUF-квантизации текстовой генеративной модели Qwen2.5-32B-ArliAI-RPMax-v1.3, разработанной ArliAI. Квантизации подготовлены bartowski с использованием llama.cpp и метода imatrix; модель предназначена для локального запуска и генерации текста, в том числе через LM Studio. Для работы используется формат диалогового промпта с ролями system, user и assistant. Модель имеет размер 32B параметров и доступна в вариантах от исходных весов F16 размером около 65,54 ГБ до квантизаций Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и IQ. В README указаны размеры файлов, приблизительные характеристики качества и варианты, оптимизированные для ARM-процессоров. Наиболее качественными названы F16, Q8_0 и Q6_K_L/Q6_K; Q4_K_M обозначен как вариант типового размера для большинства сценариев, а низкоразрядные варианты подходят системам с ограниченным объёмом оперативной памяти. Сильная сторона набора — широкий выбор компромиссов между качеством, размером и требованиями к оборудованию, а применение imatrix должно помогать сохранять качество при квантизации. Ограничения включают значительные требования к памяти даже для компактных вариантов; некоторые ARM-оптимизированные файлы требуют поддержки sve или i8mm и не предназначены для Mac или Windows. Сведения о языках, длине контекста, точной архитектуре, мультимодальности и специализированных возможностях в README не указаны. Лицензия — Apache-2.0.

mlx-community/Qwen2.5-7B-Instruct-8bit — конверсия модели Qwen/Qwen2.5-7B-Instruct в формат MLX с 8-битным представлением весов, выполненная сообществом mlx-community с помощью mlx-lm 0.18.1. Это плотная авторегрессионная модель семейства Qwen2, содержащая 7,1 млрд параметров и предназначенная для генерации текста в диалоговом режиме, включая ответы на запросы и использование интерфейса вызова инструментов. Модель принимает текст и выдаёт текст. Поддерживает английский язык; базовая модель Qwen2.5 рассчитана на контекст до 32 768 токенов. Репозиторий распространяется по лицензии Apache-2.0. Формат MLX предназначен для запуска на системах Apple с MLX; сведения о качестве именно этой конверсии и поддержке других языков в карточке модели не приведены.

Карточка модели homeb82784/qwen2.5-7b-instruct-cpt-v6.1 на Hugging Face совпадает с карточкой homeb82784/qwen2.5-7b-instruct-cpt-v4.0, поэтому описание составлено по ней. Модель homeb82784/qwen2.5-7b-instruct-cpt-v4.0 — дообученная авторегрессионная языковая модель семейства Qwen2, разработанная homeb82784 на основе unsloth/qwen2.5-7b-instruct-bnb-4bit. Она предназначена для генерации текста в диалоговом формате и может использоваться в чат-сценариях. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. В карточке указано, что обучение выполнялось с Unsloth и библиотекой Hugging Face TRL. Репозиторий распространяется в формате Safetensors по лицензии Apache-2.0. Данные карточки не описывают специализацию дообучения, поэтому конкретные преимущества или качество в отдельных областях установить нельзя; заявленная поддержка языка — английский.

aliRafik разработал дообученную текстовую модель на архитектуре Qwen2.5-7B. Она обучена на примерно 52 тысячах примеров набора yahma/alpaca-cleaned с применением LoRA, Unsloth и библиотек Hugging Face TRL и Transformers; веса опубликованы в 16-битной точности. Репозиторий указывает 7,1 млрд параметров и контекст до 131 072 токенов, тогда как README описывает контекст обучения в 2048 токенов. Модель предназначена для выполнения текстовых инструкций, подготовки структурированных ответов и пошаговых объяснений, в том числе решения многоэтапных математических задач. Она поддерживает генерацию текста и ориентирована на английский язык. Разработчик приводит пример более последовательного и полного решения после дообучения, однако это не заменяет широкую оценку качества. Модель может ошибаться в рассуждениях и вычислениях, выдумывать сведения, давать неполные или чрезмерно подробные ответы и неверно трактовать неоднозначные инструкции. Лицензия — Apache-2.0.