II.6Документация и сопровождение разработки

Kaballas/Cyber16 — плотная языковая модель семейства Llama, разработанная Kaballas и дообученная на основе Kaballas/Cyber13. Модель содержит 7,5 млрд параметров и предназначена для генерации текста и диалогов; в метаданных также заявлен интерфейс вызова инструментов. Для работы с текстом поддерживается контекст до 131 072 токенов. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. В карточке указаны английский язык, а также обучение с использованием Unsloth и библиотеки TRL. Данных о качестве на конкретных задачах или специальных областях применения нет.

Cybertron v4 QW7B UNAMGS — диалоговая языковая модель fblgit, дообученная методом SFT на базе Qwen2.5-7B-Instruct с использованием датасета Magpie-Align/Magpie-Qwen2.5-Pro-1M-v0.1 и подходов, обозначенных авторами как MGS и UNA. Модель с плотной архитектурой Qwen2 содержит 7,1 млрд параметров, принимает текст и генерирует текст; заявленный контекст — до 131 072 токенов. Репозиторий использует формат safetensors и библиотеку Transformers. Модель предназначена для диалогов и генерации ответов по инструкциям; карточка приводит результаты оценки на Open LLM Leaderboard, включая средний балл 31,82, IFEval и BBH. Метаданные указывают интерфейс для вызова инструментов, однако README не уточняет его реализацию и качество. Основной язык, указанный в карточке, — английский. Лицензия помечена как other, поэтому условия использования следует проверять в самом репозитории; количественные оценки и заявление о первом месте относятся к тестам и дате, указанным автором, и не гарантируют качество в иных сценариях.

Cymist2-v0.3 — языковая модель команды Cypien AI для генерации текста и диалоговых сценариев на турецком и английском языках. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, дообученная методом SFT на основе mistralai/Mistral-7B-v0.3. Модель работает через библиотеку Transformers и поддерживает контекст до 32 768 токенов. Модель предназначена для чат-ботов, виртуальных помощников и приложений с генерацией ответов и использованием RAG. Указана лицензия Apache-2.0, допускающая коммерческое использование при соблюдении её условий. Модель может наследовать предвзятости обучающих данных, поэтому ответы требуют проверки, особенно при использовании в ответственных сценариях. README не приводит конкретных оценок качества или подробностей обучающих данных.

Это объединённая предобученная языковая модель DataDecide-dclm-baseline-qc-7p-fw2-1B, созданная с помощью mergekit методом Linear из пяти чекпойнтов обучения: шагов 50 000, 52 500, 55 000, 57 500 и 60 000; последний использован как базовый при слиянии. Модель построена на архитектуре Llama, содержит 1,2 млрд параметров и принимает текст для генерации текста. Нативная длина контекста — 2048 токенов. Модель предназначена для генерации текста общего назначения. README и метаданные не описывают конкретные прикладные специализации, языки или результаты оценки качества, поэтому возможности за пределами текстовой генерации не заявлены. Лицензия в предоставленных данных не указана.

DataDecide-dclm-baseline-qc-7p-fw2-1B-5500057500600006250065000weightedavgmerge — языковая модель, созданная слиянием нескольких предварительно обученных чекпойнтов с помощью mergekit. В README в качестве основы указан чекпойнт step65000; также объединены чекпойнты step55000, step57500, step60000 и step62500. Архитектура — плотная LlamaForCausalLM, размер — 1,2 млрд параметров; модель загружается через Transformers и хранится в формате safetensors. Модель предназначена для генерации текста. Её можно применять в сценариях продолжения текста и построения языковых приложений, основанных на генерации. Контекстное окно составляет 2048 токенов. Сведения о поддерживаемых естественных языках и условиях лицензии в предоставленных данных отсутствуют.

DataDecide-falcon-1B-5000052500550005750060000weightedavgmerge — объединённая причинно-языковая модель, созданная с помощью mergekit линейным слиянием нескольких контрольных точек Falcon. В качестве базовой контрольной точки использована step60000; также объединены step50000, step52500, step55000 и step57500. Архитектура в метаданных обозначена как LlamaForCausalLM, размер модели — 1,2 млрд параметров, библиотека — Transformers, формат весов — safetensors. Модель предназначена для генерации текста по текстовому запросу. Контекст составляет 2048 токенов. В README не приведены сведения о языках, специализированных областях применения или лицензии, поэтому их нельзя надёжно определить по доступным данным.

Это GGUF-квантизированная версия conversational-модели datagemma-rig-27b-it, исходно разработанной Google. Релиз подготовлен пользователем legraphista с применением llama.cpp и предназначен для локального запуска и генерации текста в диалоговых сценариях. В основе лежит модель размером 27 млрд параметров в формате BF16; исходная карточка указывает текстовую генерацию, но не сообщает поддерживаемые языки и размер контекстного окна. Доступны варианты от BF16 и FP16 до Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и Q2_K, включая форматы IQ. Квантизация позволяет выбирать компромисс между качеством, размером файла и требованиями к памяти: размеры файлов варьируются примерно от 10,45 до 54,46 ГБ. Для ряда вариантов применена IMatrix-квантизация, рассчитанная на сохранение качества при уменьшенной точности; BF16, FP16, Q8_0 и Q6_K используют статические варианты без IMatrix. Модель предназначена для работы через llama.cpp и совместимые инструменты, однако конкретные системные требования и показатели качества в README не указаны. Использование регулируется лицензией Gemma от Google; для доступа на Hugging Face требуется принять условия лицензии. Ограничения, связанные с безопасностью, точностью ответов и конкретными сценариями применения исходной модели, в представленных данных не описаны.

daxa-ai/daxa-classifier-1.1 — текстовая генеративная модель, разработанная daxa-ai на базе Qwen/Qwen3-4B-Instruct-2507. Она предназначена для задач обработки и генерации текста; конкретные сценарии применения в предоставленных данных не уточняются. Модель поддерживает английский язык, относится к семейству text-generation и рассчитана на использование с библиотекой Transformers. Архитектура, количество параметров, размер контекста, поддерживаемые модальности и точные характеристики обучения не указаны. В метаданных также отмечена совместимость с text-generation-inference. Сильной стороной является использование инструкционной базовой модели Qwen3-4B-Instruct-2507 и интеграция с распространёнными инструментами экосистемы Transformers. Ограничения, условия лицензирования и допустимые способы использования в README не указаны.

Deacon 34B — большая языковая модель для генерации текста, разработанная Knut Jägersberg и распространяемая в формате GGUF командой TheBloke. Она основана на архитектуре Yi, имеет около 34 млрд параметров и использует обучающие данные EverythingLM-data-V3. Модель предназначена для текстовой генерации и диалоговых сценариев; в README приведён шаблон запросов SciPhi с отдельными секциями для системного сообщения, инструкции и ответа. Это текстовая, немультимодальная модель: поддерживаемые языки и размер контекстного окна в README не указаны. Представленная версия квантована в формат GGUFv2 с вариантами от 2 до 8 бит, что позволяет запускать её через llama.cpp и совместимые приложения, включая text-generation-webui, KoboldCpp, LM Studio, llama-cpp-python и другие инструменты, на CPU и GPU. Разные уровни квантования дают компромисс между требованиями к памяти и сохранением качества, однако конкретные показатели производительности и качества не приведены. Лицензия обозначена как yi-license с типом other; подробные условия следует уточнять в файле LICENSE оригинального проекта. README не содержит заявленных сильных сторон, результатов тестирования или ограничений, помимо общих особенностей квантованного формата и необходимости использовать совместимое программное обеспечение.

Deacon-3B — языковая модель семейства Llama, разработанная Knut Jaegersberg и дообученная на отфильтрованных с помощью ИИ поднаборах датасетов Dolphin и EvolInstruct V2. Модель предназначена для генерации текста и выполнения инструкций в диалоговом формате. Модель содержит 3,3 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 8192 токенов. В README приведён пример запроса к ассистенту по теме дообучения языковых моделей. Разработчик отмечает, что модель явно не настраивалась на заданную систему ценностей. Репозиторий распространяется по лицензии CC BY-NC 4.0, допускающей использование с указанием авторства, но не коммерческое использование.

DeepSeek-R1-0528-Qwen3-8B-MLX-8bit — это 8-битно квантованная версия модели DeepSeek-R1-0528-Qwen3-8B, разработанной deepseek-ai. Квантование выполнено командой LM Studio с использованием mlx_lm и библиотеки MLX, созданной командой Apple Machine Learning Research. Модель предназначена для генерации текста и оптимизирована для работы на устройствах с Apple Silicon. Ключевая характеристика модели — 8-битное представление весов в формате MLX, что делает её адаптированной для локального запуска в экосистеме Apple. README не содержит сведений о поддерживаемых языках, размере контекста, точной архитектуре, мультимодальности, результатах тестирования или специализированных сценариях применения. К ограничениям относятся возможные неточности, вредное или неуместное содержание, характерные для генерирующих моделей, а также зависимость производительности от оборудования Apple Silicon. Модель распространяется по лицензии MIT.

DeepSeek-R1-Distill-Qwen-32B-abliterated-GGUF — это набор квантизированных версий текстовой генеративной модели DeepSeek-R1-Distill-Qwen-32B-abliterated. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix; исходную модель разработала huihui-ai. Модель предназначена для генерации текста и запуска локально через совместимые инструменты, включая LM Studio и llama.cpp. Модель содержит около 32 миллиардов параметров и распространяется в формате GGUF с вариантами от BF16 до различных уровней квантизации Q8, Q6, Q5, Q4 и Q3, включая IQ-варианты. Размер файлов составляет примерно от 15,94 до 65,54 ГБ в зависимости от варианта. README не указывает поддерживаемые языки, размер контекстного окна и мультимодальные возможности, поэтому подтверждено только текстовое применение. Ключевые преимущества — широкий выбор вариантов квантизации, возможность локального запуска и сохранение высокого качества у версий Q6 и Q5; Q4_K_M обозначена как вариант по умолчанию для большинства сценариев. Более компактные версии подходят для систем с ограниченной оперативной памятью, но обеспечивают более низкое качество. Модель помечена как abliterated и uncensored, однако подробные характеристики, ограничения и лицензия в README не указаны.

deepseek-r1-qwen-2.5-32B-ablated-GGUF — это квантизированная версия текстовой генеративной модели NaniDAO/deepseek-r1-qwen-2.5-32B-ablated, подготовленная bartowski в формате GGUF с использованием llama.cpp и imatrix-квантизации. Модель относится к семейству Qwen 2.5, имеет размер 32B параметров и предназначена для запуска локально через llama.cpp и совместимые приложения, включая LM Studio. Модель подходит для генерации текста и диалоговых сценариев, включая задачи, связанные с рассуждениями. В репозитории представлены варианты от BF16 до различных уровней квантизации Q8, Q6, Q5, Q4 и Q3, что позволяет выбирать между качеством, размером файла и требованиями к памяти. Рекомендуемыми обозначены варианты Q4_K_M, Q5_K_M, Q6_K и другие близкие к ним форматы; наиболее компактные варианты экономят память, но дают более низкое качество. Архитектура, поддерживаемые языки и размер контекстного окна в README не указаны. По тегам модель описывается как ablated и uncensored, однако подробности применённых изменений и их влияние на поведение также не раскрыты. Для использования требуется совместимое ПО и память, соответствующая выбранному варианту весов; размеры файлов составляют примерно от 14,81 до 65,54 ГБ. Лицензия — MIT.

DeepSeek-V2-Lite-IMat-GGUF — это GGUF-квантизированная версия языковой модели DeepSeek-V2-Lite, разработанной deepseek-ai. Квантизацию выполнил legraphista с использованием llama.cpp и метода IMatrix, предназначенного для снижения размера модели с сохранением качества. Модель относится к задачам генерации текста и рассчитана на запуск через совместимые инструменты, включая llama.cpp. В репозитории доступны варианты от исходных FP16 и BF16 до различных уровней квантизации Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и IQ-серии. Размер файлов составляет примерно от 5,64 до 31,42 ГБ. IMatrix применяется в вариантах с более низкой точностью, включая Q4_K, Q3_K, Q2_K и IQ-квантизации; для FP16, BF16, Q8_0 и некоторых других вариантов он не используется. Исходная модель имеет тип данных BF16. Сильная сторона сборки — широкий выбор компромиссов между качеством, размером и требованиями к ресурсам, а IMatrix может улучшать сохранение качества при агрессивной квантизации. README не содержит сведений об архитектуре, числе параметров, длине контекста, поддерживаемых языках, мультимодальности, результатах оценивания или лицензии, поэтому эти характеристики нельзя достоверно определить по представленным данным.

DeepSeek V4 Flash — это квантизированная GGUF-версия базовой модели DeepSeek-AI DeepSeek-V4-Flash, подготовленная antirez для инференс-движка ds4. Модель предназначена для генерации текста и работы с англоязычными запросами, включая локальный запуск на системах с Apple Silicon и поддержкой Metal. Модель использует архитектуру Mixture-of-Experts (MoE). Доступны варианты с квантизацией routed experts в форматах 2-bit IQ2_XXS/Q2_K и 4-bit Q4_K, при этом важные компоненты, включая attention projections, shared experts, output head и router, сохранены в менее агрессивных форматах Q8_0, F16 или F32. Размер основных файлов составляет около 80,8 ГиБ для q2 и 153,3 ГиБ для q4. Дополнительный файл MTP размером 3,6 ГиБ обеспечивает поддержку speculative decoding и не является самостоятельной моделью. Сильной стороной сборки является уменьшение размера за счёт агрессивной квантизации экспертных блоков при сохранении точности маршрутизации и ряда ключевых компонентов. Вариант q2 рассчитан на компьютеры с 128 ГиБ оперативной памяти, а q4 — на системы с объёмом памяти от 256 ГиБ. Сборка может работать с другими инференс-движками, но гарантируется прежде всего совместимость с ds4; MTP требует специального загрузчика. В README приведён пример запуска с контекстом до 100000 токенов, однако максимальный контекст самой модели явно не указан. GGUF-файлы распространяются по лицензии MIT; авторские права на базовую модель принадлежат DeepSeek, а распространение квантизированных файлов осуществляется на условиях релиза базовой модели.

Это диалоговая языковая модель семейства Qwen3, разработанная с нуля на основе наборов данных magpie и delphi_warmup. Модель содержит 1,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и предназначена для генерации текста в формате чата. Она принимает текст и выдаёт текст; заявленная длина контекста — 4096 токенов. Карточка не приводит результатов оценки, конкретных сценариев применения или подробностей о данных обучения. Лицензия указана как other, поэтому условия использования следует уточнить в репозитории модели.

Карточка модели Dnoya10/dicoding_genAI_adv_collab_grpo_6 на Hugging Face совпадает с карточкой Dnoya10/dicoding_genAI_adv_collab_grpo_5, поэтому описание составлено по ней. Модель Dnoya10/dicoding_genAI_adv_collab_grpo_5 разработана Dnoya10 и представляет собой дообученную языковую модель семейства Qwen2 с архитектурой Qwen2ForCausalLM и 1,5 млрд параметров. Она предназначена для генерации текста и диалогового взаимодействия; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и выдаёт текст. Поддерживает английский язык и контекст длиной до 32 768 токенов. Обучена с использованием Unsloth и библиотеки TRL от Hugging Face. Распространяется по лицензии Apache-2.0.

digest-sft3 — специализированная instruction-модель, дообученная автором usr-wwelsh на базе HuggingFaceTB/SmolLM2-135M-Instruct с использованием SFT. Она предназначена для генерации ежедневных сводок изменений в Git-репозиториях в рамках проекта git-digest, включая анализ статистики файлов и усечённых патчей, особенно в дни с разреженными коммитами. Модель обучалась 6 эпох на 99 примерах; опубликован последний шаг обучения. Размер и архитектура унаследованы от базовой SmolLM2-135M-Instruct, однако дополнительные сведения о количестве параметров, поддерживаемых языках, модальностях и размере контекстного окна в карточке не указаны. На 10 отложенных днях средняя награда при жадной генерации составила 0,6724, при max_new_tokens=768; в одном случае генерация достигла ограничения длины. При sampling с temperature=0,8 и top_p=0,95 на меньшем наборе из 3 дней и 8 запусков модель получила результат 0,904 без усечений, поэтому такой режим рекомендуется для production. Сильные стороны модели — соответствие входным данным production-сценария, улучшенное покрытие и привязка сводок к изменениям, а также заметное превосходство над предыдущим checkpoint digest-sft2 на одинаковом тесте. Ограничения включают небольшой объём обучающей и тестовой выборки, возможные повторы и зацикливание при жадной генерации, а также отсутствие полной сопоставимости результатов на разных режимах декодирования. Веса распространяются по лицензии Apache-2.0, унаследованной от базовой модели; код обучения имеет лицензию MIT.

Discord-Micae-Hermes-3-3B-i1-GGUF — квантизированная GGUF-версия текстовой causal language model Discord-Micae-Hermes-3-3B. Базовую модель разработал mookiezi, а квантизацию выполнил mradermacher. Модель основана на архитектуре семейства Llama 3, содержит около 3 млрд параметров и предназначена для генерации текста, инструктивного взаимодействия и диалоговых сценариев, включая использование в чат-ботах и conversational AI. Обучение или дообучение связано с набором данных mookiezi/Discord-OpenMicae и применением merged LoRA. Модель поддерживает английский язык и работает с текстовой модальностью; сведения о размере контекстного окна в README не указаны. Репозиторий предоставляет множество вариантов GGUF-квантизации с разным компромиссом между размером, скоростью и качеством, включая imatrix-кванты. Это позволяет запускать модель на более ограниченных ресурсах, однако низкобитные варианты могут заметно снижать качество генерации. Рекомендуемые в README варианты — i1-Q4_K_M и i1-Q4_K_S; конкретные требования к оборудованию и дополнительные ограничения не указаны. Лицензия обозначена как llama3.

seomh/distilbert-base-uncased-finetuned-squad — англоязычная модель ответов на вопросы, разработанная как дообученная версия distilbert-base-uncased на наборе данных SQuAD. Она принимает текстовый контекст и вопрос и извлекает ответ из контекста; архитектура — DistilBERT с головой DistilBertForQuestionAnswering, а максимальная длина контекста составляет 512 токенов. В карточке приведено значение loss 0,0083 на оценочном наборе, но подробности оценки не описаны. Модель распространяется по лицензии Apache-2.0. Она предназначена для извлечения ответов из предоставленного текста и не предназначена для генерации развернутых ответов или надёжной работы за пределами английского языка и обучения на SQuAD.

DistilQwen3-1.7B-uncensored — компактная плотная языковая модель семейства Qwen3 с 1,7 млрд параметров, опубликованная в серии DistilQwen автора reaperdoesntknow и портфеле Convergent Intelligence. Это модель для генерации текста и диалогового общения; она основана на reaperdoesntknow/Qwen3-1.7B-Distilled-30B-A3B и, согласно карточке, входит в серию дистилляции знаний. В метаданных указана поддержка контекста до 40 960 токенов и формат safetensors. Карточка описывает серию как proof-weighted knowledge distillation с учителем Qwen3-30B-A3B и упоминает акцент на сохранении структуры рассуждений. Однако конкретные возможности именно этой версии и значение пометки uncensored подробно не раскрыты, а README в основном состоит из шаблонных полей без сведений о данных, оценках качества и сценариях применения. Языки и лицензия не указаны, поэтому условия распространения по имеющимся данным определить нельзя.

Это версия модели Dolly v2 6.9B, разбитая на шарды автором репозитория diegi97. Шардирование снижает объём оперативной памяти CPU, необходимый при загрузке весов на GPU, и позволяет загружать модель по частям. В метаданных указаны архитектура GPT-NeoX, около 8,8 млрд параметров и контекст до 2048 токенов; формат файлов — PyTorch. Модель предназначена для генерации текста. README описывает изменение способа загрузки, а не новое обучение или изменение возможностей исходной Dolly v2. В метаданных и README не приведены сведения о языках, лицензии или ограничениях исходной модели, поэтому здесь они не уточняются.

Dolphin-2.1-70b — диалоговая языковая модель на архитектуре Llama 2, разработанная Eric Hartford при поддержке a16z. Она дообучена методом qLoRA на базе StellarBright с использованием наборов Dolphin (вариант данных Orca) и Airoboros; модель содержит 68,7 млрд параметров и рассчитана на контекст до 4096 токенов. Для общения используется формат ChatML. Модель предназначена для генерации текста и диалогов на английском языке: она может отвечать на вопросы, следовать инструкциям и вести беседу. Автор описывает её как uncensored и предупреждает, что она может выполнять в том числе неэтичные запросы; перед предоставлением доступа через сервис рекомендуется добавить собственный слой выравнивания поведения. В этой версии есть известная ошибка: модель не генерирует токены EOS, поэтому генерация может не завершаться штатно. Репозиторий содержит веса PyTorch; лицензия указана как Llama 2.

dolphin-2.1-mistral-7b-snr-math-laser — разговорная языковая модель на архитектуре Mistral с 7,1 млрд параметров, разработанная на основе Mistral AI и обученная командой Dolphin. В карточке описан метод частичной заморозки слоёв по анализу laserRMT, призванный уменьшать забывание ранее усвоенных знаний при обучении новым навыкам. Модель принимает текстовые запросы в формате ChatML и предназначена для диалогов с ассистентом, включая помощь с задачами и вызов функций. Контекст — до 32 768 токенов; в качестве обучающих данных указаны Dolphin и Airoboros 2.2.1, а в метаданных основным языком карточки отмечен английский. Авторы характеризуют модель как uncensored и более склонную выполнять запросы, поэтому для публичного сервиса рекомендуется самостоятельно добавить слой выравнивания поведения. Это повышает риск выдачи небезопасного или нежелательного контента. Модель распространяется под лицензией Apache-2.0, допускающей коммерческое и некоммерческое использование.

Карточка модели LoyalTyAI/Dolphin-Mistral-24B-Venice-Edition на Hugging Face совпадает с карточкой dphn/Dolphin-Mistral-24B-Venice-Edition, поэтому описание составлено по ней. Dolphin Mistral 24B Venice Edition — разговорная модель общего назначения, созданная в совместном проекте Dolphin и Venice.ai на основе Mistral-Small-24B-Instruct-2501. Это плотная модель семейства Mistral 3 с 24 млрд параметров, представленная в формате safetensors и рассчитанная на работу через Transformers; для развёртывания авторы рекомендуют vLLM. Модель предназначена для диалогов и выполнения инструкций в приложениях, где владелец задаёт системный промпт и самостоятельно определяет стиль и правила ответов. Авторы позиционируют её как менее ограниченную настройками поведения, чем обычные коммерческие чат-модели, и сообщают, что она используется как модель Venice Uncensored. В карточке указан стандартный шаблон чата Mistral; авторы рекомендуют низкую температуру генерации, например 0,15. Модель принимает текст и генерирует текст. README не сообщает поддерживаемые естественные языки и длину контекста. Репозиторий распространяется по лицензии Apache-2.0. Модель ориентирована на управляемое поведение, однако её следование инструкциям зависит от системного промпта и параметров генерации; заявленная сниженная цензура означает, что ответы могут включать потенциально вредный или неподходящий контент.

Карточка модели Mafasasa/Dolphin-Mistral-24B-Venice-Edition на Hugging Face совпадает с карточкой dphn/Dolphin-Mistral-24B-Venice-Edition, поэтому описание составлено по ней. Dolphin Mistral 24B Venice Edition — разговорная модель общего назначения, созданная в совместном проекте Dolphin и Venice.ai на основе Mistral-Small-24B-Instruct-2501. Это плотная модель семейства Mistral 3 с 24 млрд параметров, представленная в формате safetensors и рассчитанная на работу через Transformers; для развёртывания авторы рекомендуют vLLM. Модель предназначена для диалогов и выполнения инструкций в приложениях, где владелец задаёт системный промпт и самостоятельно определяет стиль и правила ответов. Авторы позиционируют её как менее ограниченную настройками поведения, чем обычные коммерческие чат-модели, и сообщают, что она используется как модель Venice Uncensored. В карточке указан стандартный шаблон чата Mistral; авторы рекомендуют низкую температуру генерации, например 0,15. Модель принимает текст и генерирует текст. README не сообщает поддерживаемые естественные языки и длину контекста. Репозиторий распространяется по лицензии Apache-2.0. Модель ориентирована на управляемое поведение, однако её следование инструкциям зависит от системного промпта и параметров генерации; заявленная сниженная цензура означает, что ответы могут включать потенциально вредный или неподходящий контент.

Карточка модели TMA-1/Dolphin-Mistral-24B-Venice-Edition на Hugging Face совпадает с карточкой dphn/Dolphin-Mistral-24B-Venice-Edition, поэтому описание составлено по ней. Dolphin Mistral 24B Venice Edition — разговорная модель общего назначения, созданная в совместном проекте Dolphin и Venice.ai на основе Mistral-Small-24B-Instruct-2501. Это плотная модель семейства Mistral 3 с 24 млрд параметров, представленная в формате safetensors и рассчитанная на работу через Transformers; для развёртывания авторы рекомендуют vLLM. Модель предназначена для диалогов и выполнения инструкций в приложениях, где владелец задаёт системный промпт и самостоятельно определяет стиль и правила ответов. Авторы позиционируют её как менее ограниченную настройками поведения, чем обычные коммерческие чат-модели, и сообщают, что она используется как модель Venice Uncensored. В карточке указан стандартный шаблон чата Mistral; авторы рекомендуют низкую температуру генерации, например 0,15. Модель принимает текст и генерирует текст. README не сообщает поддерживаемые естественные языки и длину контекста. Репозиторий распространяется по лицензии Apache-2.0. Модель ориентирована на управляемое поведение, однако её следование инструкциям зависит от системного промпта и параметров генерации; заявленная сниженная цензура означает, что ответы могут включать потенциально вредный или неподходящий контент.

Dualmind-Qwen-1.7B-Thinking — компактная диалоговая языковая модель, разработанная Convergent Intelligence LLC и дообученная методом SFT на базе DualMinded-Qwen3-1.7B. Модель Qwen3ForCausalLM содержит 1,7 млрд параметров и предназначена для генерации текста с развернутыми рассуждениями, самокоррекцией и последующим синтезом ответа. В обучении использованы отфильтрованные цепочки рассуждений Claude Opus 4.6 и набор LongWriter-6k; заявленная длина контекста составляет 40 960 токенов. Модель рассчитана на диалоговые сценарии, где полезны многошаговое обдумывание, пересмотр промежуточных выводов и подробные ответы. Карточка предлагает генерировать ответы длиной до 1024–2048 токенов и отмечает склонность модели к многофазным рассуждениям. Она не заявлена как специализированная модель для отдельной предметной области; поддержка в метаданных указана для английского языка. Лицензия — Apache-2.0.

DUSMistral — экспериментальная разговорная языковая модель на архитектуре Mistral, основанная на Dolphin. В README описан подход к увеличению эффективной глубины: порядок слоёв переставляется во время инференса, сохраняя исходное число параметров; также модель дополнительно дообучена на датасете Dolphin. Размер модели — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате. Английский язык указан в метаданных. Она распространяется в формате safetensors; сведения о лицензии и конкретных ограничениях качества в доступной карточке отсутствуют.

ELM Turbo 0.50 Instruct — языковая модель SliceX AI из семейства Efficient Language Models, созданная на основе Microsoft Phi-3 Mini Instruct. Это плотная авторегрессионная модель архитектуры Phi-3 примерно с 1,9 млрд параметров по метаданным; версия README указывает 2,01 млрд. Модель предназначена для генерации текста и диалоговых ответов по инструкциям. Разработчик описывает ELM Turbo как модель со срезаемой архитектурой, обученной для получения компактных вариантов с разным соотношением качества, скорости и потребления памяти. Эту версию можно запускать через Transformers; для GPU A100 и H100 также описана интеграция с TensorRT-LLM. Контекст составляет 4096 токенов, основной заявленный язык — английский. Модель подходит для диалоговых приложений и генерации ответов на английском языке, когда важны скорость и компактность. Качество фактов и безопасность ответов не гарантированы: README предупреждает о возможных ошибках, смещениях и неподходящем содержимом в обучающих данных и рекомендует проверять результаты. Репозиторий указывает лицензию Apache-2.0; README также советует учитывать лицензию базовой модели Phi-3.