II.6Документация и сопровождение разработки

ClaudioItaly/intelligence-cod-rag-7b-v3 — слитая автором ClaudioItaly языковая модель на архитектуре Qwen2 для генерации текста и диалогов. В карточке заявлены сильные навыки рассуждения и приведён пример вопроса для развёрнутого ответа; это описание не сопровождается результатами сравнительной оценки. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2ForCausalLM и поддерживает контекст до 32 768 токенов. Она предназначена для текстовых запросов и генерации ответов; README также упоминает варианты GGUF Q6_K и Q8_0, а в репозитории модели указаны веса safetensors. Базовые модели объединения — AIDC-AI/Marco-o1 и happzy2633/qwen2.5-7b-ins-v3. Модель распространяется по лицензии MIT. Карточка не приводит сведений о языках обучения или оценках качества, поэтому заявленные способности к рассуждению не следует считать гарантией точности; ответы нужно проверять, особенно при использовании для RAG или фактических выводов.

Interim-MN-fp16 — разговорная языковая модель семейства Mistral с плотной архитектурой MistralForCausalLM и 12,1 млрд параметров. Репозиторий опубликовал rAIfle; модель предназначена для генерации текста в диалогах. Заявленная длина контекста — 131 072 токена. Автор описывает результат как приемлемый по собственной проверке Nala и рекомендует использовать стандартные настройки Nemo либо настройки из репозитория Recommended Settings. Независимые результаты бенчмарков в карточке не приведены. Файлы представлены в формате safetensors, лицензия в предоставленных данных не указана.

Это преобразованная версия InternLM3-8B-Instruct от InternLM, представленная в формате архитектуры LLaMA для совместимости с некоторыми сценариями инференса. Модель содержит 8,3 млрд параметров, использует плотную архитектуру и предназначена для диалоговых запросов и генерации текста. Контекстное окно составляет 32 768 токенов; точность весов сохранена на уровне исходной модели. Модель принимает текст и выдаёт текст. Она подходит для чат-приложений и инференса через инструменты, ожидающие класс LlamaForCausalLM. Лицензия — Apache-2.0. README описывает преобразование формата, а метаданные связывают репозиторий с InternLM3-8B-Instruct как базовой моделью; по заданной классификации это конверсия формата.

ISOM-R1-Coder-1.5B-Instruct — компактная модель для генерации и анализа кода, разработанная Prannessh K.V.A. на основе Qwen2.5-Coder-1.5B-Instruct. Это плотная модель на 1,5 млрд параметров с диалоговым интерфейсом и контекстом до 131 072 токенов. Карточка описывает её как средство для понимания репозиториев и работы с длинными контекстами на устройствах с ограниченными ресурсами; также заявлена ограниченная по памяти обработка KV-кэша. Модель предназначена для вопросов по кодовой базе, извлечения сведений из длинного контекста и агентных сценариев разработки. В README приведены результаты сравнений на Tesla T4 и теста поиска в контексте; это утверждения автора карточки, а не независимо подтверждённые характеристики. Лицензия репозитория указана как CC BY-NC-ND 4.0; README также сообщает об использовании базовой модели под Apache 2.0.

Jan-v1-edge — компактная плотная языковая модель семейства Qwen3, разработанная Jan как вторая модель семейства Jan. Модель содержит 1,7 млрд параметров и дообучена на основе Qwen/Qwen3-1.7B; в карточке также описан процесс дистилляции от более крупной Jan-v1 с последующим дообучением и обучением с подкреплением на проверяемых наградах. Модель предназначена для генерации текста и диалогов, ответов на вопросы, выполнения инструкций и интерактивных сценариев с использованием инструментов. Разработчик ориентирует её на быстрое локальное выполнение на устройствах с ограниченными ресурсами и интеграцию с приложением Jan. Заявленная длина контекста — 40 960 токенов; карточка указывает английский язык. В тесте SimpleQA модель показала 83% точности; по сравнению с Qwen 3 1.7B Thinking отмечено небольшое снижение качества следования инструкциям и творческого письма, при сопоставимых или лучших результатах в EQBench и вопросах о недавних событиях. Модель опубликована в формате safetensors для Transformers под лицензией Apache-2.0. Показатели тестов приведены разработчиком; README не описывает методику оценки или результаты на иных наборах задач.

Jarvis-3B — диалоговая модель генерации текста, разработанная Sree и OEvortex по мотивам вымышленного помощника Jarvis. В репозитории указано около 3 млрд параметров; метаданные классифицируют архитектуру как плотную StableLM с классом StableLmForCausalLM, размером 2,7 млрд параметров и контекстом до 4096 токенов. Модель работает с текстом и предназначена для общения на естественном языке. Её можно использовать для чат-ботов, виртуальных помощников, диалоговых систем и генерации ответов. Результаты оценки в карточке пока не приведены, а обучающие данные не описаны. Лицензия указана как other, поэтому условия использования следует уточнить в репозитории.

J.A.R.V.I.S. Titan V14 MoE Merged — языковая модель для генерации текста, разработанная Dhanesh. Это объединённый самостоятельный чекпойнт на архитектуре DeepSeekMoE с 8 маршрутизируемыми экспертами и одним общим экспертом; в карточке также указаны Grouped-Query Attention и 28 слоёв. Модель предназначена для диалогового общения, генерации текста и сценариев с интерфейсом вызова инструментов. В метаданных указаны 7,1 млрд параметров и контекст длиной 32 768 токенов; README приводит другие значения размера — 14,8 млрд параметров всего и около 3,2 млрд активных. Файлы опубликованы в формате Safetensors. Карточка заявляет английский язык и лицензию other, условия которой следует сверить с полной лицензией репозитория. Качество и ограничения в карточке подробно не описаны.

JiRackUltra_14b-i1-GGUF — GGUF-квантизированная версия модели CMSManhattan/JiRackUltra_14b, подготовленная mradermacher. Это текстовая генеративная модель с заявленным размером 14 млрд параметров, связанная с архитектурами Qwen2.5 и DeepSeek и ориентированная на эффективный запуск на CPU и устройствах с ограниченной памятью. В описании также указаны технологии ternary и BitNet 1.58bit. Модель предназначена для генерации текста, работы через web-интерфейсы, маршрутизации запросов, tool calling и робототехнических сценариев. Заявлена поддержка английского, китайского, японского, корейского, французского, испанского, португальского, немецкого, итальянского, русского, арабского, вьетнамского и тайского языков. Поддержка изображений или других модальностей, а также размер контекстного окна в README не указаны. Репозиторий содержит варианты квантизации IQ и Q разных размеров: примерно от 3,7 до 12,2 ГБ. Это позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством, причём для ряда вариантов автор рекомендует IQ-квантизации или i1-Q4_K_M. Ограничениями являются возможное снижение качества у низкобитных вариантов и отсутствие в README результатов бенчмарков, подробного описания обучения и точных характеристик контекста. Указанная лицензия — MIT.

J.O.S.I.E.3-Beta12-7B-slerp — разговорная языковая модель Goekdeniz-Guelmez, предназначенная для диалогов и генерации текста в роли персонального ИИ-ассистента. Она создана слиянием Weyaxi/Einstein-v6-7B и argilla/CapybaraHermes-2.5-Mistral-7B, а затем дообучена на пользовательском наборе J.O.S.I.E.v3.11 с шаблоном запросов ChatML. Модель использует плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Карточка указывает английский, немецкий, испанский, французский, японский и китайский языки. Весы доступны в формате safetensors; README также упоминает GGUF-квантизации и запуск в Ollama, но сообщает, что пока доступен только вариант q4-k-m. Модель подходит для многоязычных диалогов и генерации ответов в формате чата. Репозиторий распространяется по лицензии Apache-2.0; качество ответов и возможности могут зависеть от используемого варианта весов и формата запуска.

Josiefied-Qwen3-14B-abliterated-v3 — дообученная Гёкденизом Гюльмезом плотная языковая модель семейства Qwen3 с 14 млрд параметров, созданная на базе Qwen/Qwen3-14B. Она предназначена для диалогов, следования инструкциям и генерации текста с ослабленной фильтрацией ответов; также поддерживает интерфейс вызова инструментов. Модель принимает текст и генерирует текст, а её нативная длина контекста составляет 40 960 токенов. Модель ориентирована на продвинутых пользователей, которым нужны открытые ответы и сохранение возможностей инструкционного диалога и работы с инструментами. В README также упоминаются варианты квантизации GGUF и MLX, однако эта карточка содержит веса в формате safetensors. Автор предупреждает, что сниженная фильтрация может приводить к чувствительным или спорным ответам. Условия лицензирования в предоставленных данных не указаны.

Josiefied-Qwen3-1.7B-abliterated-v1 — дообученная Гёкденизом Гюльмезом компактная языковая модель семейства Qwen3 на 1,7 млрд параметров. Она предназначена для генерации текста, диалогов и выполнения инструкций, с акцентом на менее ограниченные ответы и сохранение навыков следования инструкциям и использования инструментов. Модель использует плотную архитектуру Qwen3ForCausalLM, принимает текст и выдаёт текст. Длина контекста — до 40 960 токенов. В карточке заявлена поддержка разных языков; основной язык не выделен. Модель распространяется в формате safetensors, а в семействе также упомянуты варианты GGUF и MLX. Снижение фильтрации безопасности может приводить к чувствительным или спорным ответам. Автор предупреждает об использовании на свой риск. Лицензия в предоставленных данных не указана.

Josiefied-Qwen3-4B-Instruct-2507-abliterated-v1 — диалоговая языковая модель Goekdeniz-Guelmez, дообученная на базе Qwen/Qwen3-4B-Instruct-2507. Это плотная архитектура Qwen3 с 3,7 млрд параметров, предназначенная для генерации текста, диалогов и выполнения инструкций; модель сохраняет интерфейс вызова инструментов. Контекст составляет до 262 144 токенов. Модель дообучена для более свободной генерации с ослабленными ограничениями безопасности. В карточке также перечислены сторонние варианты в формате GGUF, но метаданные этого репозитория указывают safetensors. Модель рассчитана на продвинутых пользователей, которым нужны диалоговые ответы и генерация текста с меньшей фильтрацией. Языки и лицензия в предоставленных данных не определены.

Kai-0.35B-Instruct — компактная инструктивно дообученная языковая модель NoesisLab на архитектуре LlamaForCausalLM с плотной сетью и примерно 361,8 млн параметров. Она предназначена для диалогов, рассуждений, математических задач и генерации кода; заявленная длина контекста — 8192 токена. Модель принимает текст и генерирует текст на английском языке. В карточке приведены результаты тестов ARC-Challenge, HellaSwag, PIQA и MBPP, включая показатель pass@1 на MBPP. Модель распространяется в формате safetensors по лицензии Apache-2.0. Показатели в README относятся к указанным там настройкам оценки и сами по себе не гарантируют аналогичное качество в других задачах или условиях.

Это дообученная разговорная модель yatokim на архитектуре Llama с 7,5 млрд параметров. Карточка указывает, что она создана на основе yatokim/kanana-1.5-8b-instruct-2505-Safe-DPO с использованием Unsloth и библиотеки TRL. Модель предназначена для генерации текста в диалоге; метаданные также отмечают интерфейс вызова инструментов. Контекст — до 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache 2.0. Карточка не описывает конкретные преимущества или результаты оценки качества, поэтому её пригодность для специализированных задач нужно проверять на собственных данных.

Sakalti/Kani-3B — чат-модель для генерации текста, разработанная Sakalti на основе дообучения unsloth/Qwen2.5-3B-Instruct. Она предназначена для диалогов и ответов на запросы; в метаданных также заявлен интерфейс вызова инструментов. Модель использует плотную архитектуру Qwen2 и содержит 3,1 млрд параметров. Указанная длина контекста — 131 072 токена. В карточке заявлены английский и японский языки, обучение выполнено на наборе HachiML/Hachi-Alpaca с использованием Unsloth и TRL. Модель опубликована в формате safetensors и распространяется по лицензии qwen-research. Карточка не приводит результатов оценки качества или подробностей об ограничениях дообучения; характеристики базовой модели не следует автоматически считать подтверждёнными для этой версии.

KAT-Coder-V2.5-Dev-OptiQ-4bit-REAP-18B — это квантованная модель для генерации текста и кода, опубликованная сообществом mlx-community и предназначенная для локального запуска на устройствах Apple Silicon с использованием MLX. Она создана на основе mlx-community/KAT-Coder-V2.5-Dev-OptiQ-4bit с применением toolkit mlx-optiq и метода REAP, разработанного Cerebras Research. Модель ориентирована на программирование, генерацию текста и другие задачи, поддерживаемые исходной MoE-моделью, однако конкретный набор языков и специализированных сценариев в README не указан. Модель использует архитектуру Mixture-of-Experts: сохранено 128 из 256 экспертов в каждом слое, при этом для каждого токена по-прежнему активируются 8 экспертов. Объём модели составляет 18,3 млрд параметров, размер на диске — 11,4 ГБ против 34,7 млрд параметров и 20,4 ГБ у родительской версии. Эксперты были отобраны равномерно по слоям на основе условного среднего произведения веса маршрутизатора и нормы выхода эксперта. Удалённые эксперты не переобучались, а сохранённые были скопированы без изменений в квантованном виде. Главное преимущество модели — заметное снижение требований к дисковому пространству и памяти при сохранении исходного числа активных экспертов на токен, поэтому уменьшение размера не должно приводить к замедлению генерации. При этом данная версия отдельно не benchmark-илась, а опубликована по рецепту, проверенному на другой модели той же архитектуры. Для протестированного варианта сообщалось снижение общего Capability Score при сохранении процедурных способностей; качество конкретно этой модели может отличаться. Контекстное окно, поддерживаемые языки и MTP sidecar не указаны, причём MTP sidecar отсутствует. Модель распространяется по лицензии Apache-2.0.

Kosmos-EVAA-Franken-v37-8B — объединённая языковая модель, созданная jaspionjader с помощью mergekit методом SLERP из моделей jaspionjader/dp-6-8b и jaspionjader/f-9-8b. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров. Она предназначена для генерации текста в диалоговом формате и работает через библиотеку Transformers; максимальная длина контекста составляет 8192 токена. Модель принимает текст и генерирует текст, поэтому может использоваться для диалогов, ответов на запросы и продолжения текста. В карточке не описаны специализированные области применения или поддерживаемые естественные языки. Лицензия в предоставленных данных не указана.

Kosmos-EVAA-TSN-v21-8B — слитая языковая модель семейства Llama, созданная автором jaspionjader с помощью mergekit. Модель объединяет Kosmos-EVAA-TSN-v20-8B и Kosmos-EVAA-TSN-light-8B методом SLERP; архитектура — плотная авторегрессионная LlamaForCausalLM, размер — 7,5 млрд параметров, контекст — до 8192 токенов. Модель предназначена для генерации текста и сценариев, где требуется языковая модель с контекстом средней длины. Данные не уточняют специализацию или поддерживаемые естественные языки, поэтому нельзя уверенно выделить отдельные прикладные области или основной язык. В репозитории указаны веса Safetensors; метаданные называют Transformers используемой библиотекой. Сведения о лицензии и оценках качества отсутствуют в предоставленных источниках.

Kosmos-EVAA-v5-8B — объединённая языковая модель, созданная автором репозитория с помощью mergekit. Веса моделей jaspionjader/Kosmos-EVAA-v4-8B и jaspionjader/Kosmos-EVAA-v3-8B объединены методом SLERP; архитектура — плотная LlamaForCausalLM, размер — 7,5 млрд параметров, формат файлов — safetensors. Модель предназначена для генерации текста. Её можно применять в сценариях, где требуется создавать продолжения текста или ответы на текстовые запросы. Нативная длина контекста составляет 8192 токена; библиотека для работы — Transformers. В README и метаданных не описаны отдельные специализированные задачи, поддерживаемые языки и ограничения качества. Лицензия в предоставленных данных не указана.

Nitral-Archive выпустила модель Kukul-Stanta-0.420-32k-7B-0.2 — объединённую Mistral-модель для генерации текста и диалогов. Она содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и рассчитана на контекст до 32 768 токенов. В README заявлена поддержка изображений: для работы с визуальными входами требуется загрузить файл mmproj из репозитория и использовать актуальную версию Koboldcpp. Метаданные каталога относят модель к генерации текста и подтверждают чат-возможности, но не перечисляют vision среди установленных возможностей. Модель создана слиянием Eris_PrimeV4.20-Vision-32k-7B и KukulStanta-7B. Сведения о лицензии и поддерживаемых естественных языках в предоставленных данных отсутствуют.

L3-8B-Everything-COT-GGUF — это набор квантизированных файлов модели L3-8B-Everything-COT, опубликованный и подготовленный пользователем bartowski на основе оригинальной модели FPHam. Модель относится к семейству Llama 3 и предназначена для генерации текста, включая диалоговые сценарии и задачи, где полезно пошаговое рассуждение. Файлы представлены в формате GGUF для запуска через llama.cpp. Размер базовой модели — 8 миллиардов параметров, однако README не указывает точные архитектурные характеристики, поддерживаемые языки, длину контекста и исходные данные обучения. Доступны варианты квантизации от Q8_0 и Q8_0_L до Q2_K и IQ2_M; размер файлов составляет примерно от 2,94 до 9,52 ГБ. Варианты с более высокой точностью обеспечивают лучшее качество, а варианты Q3 и Q2 требуют меньше памяти, но заметно уступают по качеству. Рекомендуемыми названы многие варианты Q4–Q6, в частности Q6_K и Q5_K_M. Ключевые преимущества — возможность локального запуска, широкий выбор компромисса между качеством и потреблением памяти, а также применение imatrix-квантизации. Экспериментальные варианты используют F16 для эмбеддингов и выходных весов и могут отличаться по качеству. Для работы требуется совместимое ПО, например llama.cpp, и использование указанного шаблона prompt. Лицензия модели в README не указана.

Vdr1/L3-daybreak-TheSpice-8b-v0.1.3 — текстовая генеративная модель семейства Llama с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров. В карточке указано, что это слияние с daybreak L3 8b LoRA v0.2 от crest4all; модель предназначена для генерации текста. Репозиторий создан 31 мая 2024 года и содержит веса в формате safetensors. Модель принимает текст и выдаёт текст. Её контекст составляет 8192 токена. README не уточняет языки, сценарии применения или результаты оценки качества. Лицензия в предоставленных данных не указана.

Ladybird-base-7B-v8 — языковая модель, созданная независимым автором как проект по изучению и дообучению LLM. Она основана на плотной архитектуре Mistral и содержит 7,1 млрд параметров. В README указаны grouped-query attention, sliding-window attention и токенизатор BPE с обработкой байтов вне словаря; поддерживается контекст длиной до 32 768 токенов. Модель предназначена для генерации текста и диалоговых ответов. Для инструкций автор рекомендует формат ChatML. В карточке указана поддержка английского языка, однако результаты оценки приведены лишь для отдельных тестов, поэтому они не устанавливают качество для широкого круга задач. Модель опубликована в формате Safetensors под лицензией Apache-2.0.

LaMini-Neo-1.3B — языковая модель серии LaMini-LM, разработанная MBZUAI и представленная в работе «LaMini-LM: A Diverse Herd of Distilled Models from Large-Scale Instructions». Это дообученная на 2,58 млн примеров набора LaMini-instruction модель EleutherAI/gpt-neo-1.3B. Она использует плотную архитектуру GPT-Neo с примерно 1,5 млрд параметров и контекстом до 2048 токенов. Модель предназначена для ответов на инструкции на естественном языке. Это авторегрессионная модель генерации текста; для лучшего результата README рекомендует использовать шаблон обёртки, применённый при дообучении. Метаданные указывают английский язык и формат PyTorch. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. README не приводит конкретных ограничений качества; модель следует рассматривать как исследовательскую инструкционную модель и проверять её ответы перед использованием.

Laylewcules-7B-v.02 — языковая модель на архитектуре Mistral, созданная Nitral-Archive слиянием двух моделей методом SLERP: Nitral-AI/Lewcules-7B-v.02 и l3utterfly/mistral-7b-v0.2-layla-v4. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста. В README также заявлена возможность работы с изображениями через multimodal-проектор mmproj при использовании Koboldcpp; это расширяет сценарии применения до общения с визуальными данными. В репозитории представлены веса Safetensors и GGUF F16. Сведения о лицензии, поддерживаемых языках и специальных ограничениях в предоставленных источниках отсутствуют.

Lelanta-lake-7b — модель для генерации текста, созданная объединением методом SLERP моделей s3nh/SeverusWestLake-7B-DPO и ChaoticNeutrals/Prima-LelantaclesV7-experimental-7b. Она построена на архитектуре Mistral с плотной причинно-языковой моделью и содержит 7,1 млрд параметров. Модель принимает текст и предназначена для продолжения текста и генерации ответов. Поддерживает контекст длиной до 32 768 токенов. В README указаны компоненты слияния и параметры объединения; конкретные сценарии, языковая специализация и результаты оценки качества не описаны. Лицензия в метаданных обозначена как other.

lexi-coder-v4.2 — дообученная Reallexi модель для генерации текста и кода на основе Microsoft Phi-4-mini-instruct. LoRA-адаптер объединён с базовыми весами, поэтому запускать отдельный PEFT-адаптер не требуется. Модель содержит около 3,85 млрд параметров, использует архитектуру Phi-3 для авторегрессионной генерации и обучена на контекстном окне 2048 токенов; метаданные каталога указывают нативный контекст 4096 токенов. Модель рассчитана на диалоговое использование и задачи кодирования, однако README не приводит результатов оценки, перечня поддерживаемых языков или подробного описания обучения. Репозиторий содержит веса safetensors; лицензия обозначена как other, поэтому перед использованием следует проверить условия лицензии на странице модели.

LFM2.5-1.2B-Distilled-Claude-4.6 (Liquid Claude) — компактная языковая модель FlameF0X на архитектуре LFM2, дообученная методом дистилляции Claude Sonnet 4.6 Adaptive Thinking в LiquidAI/LFM2.5-1.2B-Thinking с помощью LoRA. Модель содержит 1,5 млрд параметров и рассчитана на генерацию текста в формате диалога, рассуждения и агентные сценарии; карточка приводит пример использования через Transformers. Модель обучена на частных данных, описанных автором как диалоги Claude Sonnet 4.6; в карточке указаны примеры цепочек рассуждений и агентных блоков с вызовами инструментов. Заявлено контекстное окно 128 000 токенов. Основной язык карточки и тегов — английский. Автор приводит результаты нескольких бенчмарков, но они не являются независимой оценкой качества модели. Лицензия — Apache-2.0.

BenjaminHelle/LFM2.5-1.2B-Instruct-Code-V1.1 — дообученная и конвертированная в GGUF версия LFM2.5-1.2B-Instruct-Code, подготовленная с помощью Unsloth. Это плотная языковая модель семейства LFM2 для генерации текста в формате чата; размер по метаданным — 1,5 млрд параметров, контекст — до 128 000 токенов. В репозитории доступны варианты GGUF Q4_K_M и Q8_0 для запуска через llama.cpp. Модель предназначена для диалоговой генерации текста и сценариев, связанных с кодом. Карточка не приводит результаты бенчмарков, перечень поддерживаемых языков или подробные сведения о качестве на задачах программирования. Лицензия в предоставленных данных не указана.

LiquidAI/LFM2.5-1.2B-Instruct-MLX-8bit — это 8-битная версия языковой модели LFM2.5-1.2B-Instruct, экспортированная в формат MLX компанией Liquid AI для запуска на устройствах с Apple Silicon. Модель предназначена для генерации текста и выполнения инструкций в локальных приложениях, поддерживающих библиотеку mlx-lm, включая диалоговые и общие текстовые сценарии. Модель содержит 1,2 млрд параметров, использует 8-битную точность и group size 64, занимает около 1,2 ГБ и поддерживает контекст длиной до 128K токенов. Заявлена поддержка английского, японского, корейского, французского, испанского, немецкого, итальянского, португальского, арабского и китайского языков. К сильным сторонам относятся компактный размер, возможность локального инференса на Apple Silicon и большой контекст, однако README не содержит подробных результатов оценки качества и сравнений с другими моделями. Модель распространяется по лицензии LFM 1.0.