II.6Документация и сопровождение разработки

Mistral-Nemo-Instruct-2407-imatrix-GGUF — набор GGUF-квантизаций инструкционной языковой модели Mistral Nemo, опубликованный пользователем duyntnet на Hugging Face. Квантизации основаны на исходной модели mistralai/Mistral-Nemo-Instruct-2407 и предназначены для локального запуска и генерации текста. Модель относится к задачам text-generation и поддерживает диалоговое взаимодействие, следование инструкциям и function calling. Для работы указаны llama.cpp, JanAI, KoboldCPP, text-generation-webui, Ollama и GPT4All; исходная модель также может использоваться через mistral_inference, Transformers и NVIDIA NeMo. В README явно указан английский язык, однако дополнительные языковые возможности не описаны. Архитектура, точный размер, длина контекста, перечень модальностей и параметры квантизаций не приведены. Ключевое преимущество этого репозитория — возможность запускать квантизированные варианты модели в совместимых локальных инструментах, потенциально снижая требования к ресурсам по сравнению с полноразмерной версией. Ограничения связаны с отсутствием подробностей о конкретных уровнях квантизации и их качестве, а также с тем, что README не содержит результатов тестирования или оценки производительности. Лицензия указана как other; её конкретные условия в предоставленных данных не раскрыты.

Mistral-Nemo-Instruct-2407-quantized.w4a16 — текстовая instruction-tuned модель семейства Mistral-Nemo, разработанная Neural Magic на основе Mistral-Nemo-Instruct-2407. Она предназначена для коммерческого и исследовательского использования в англоязычных assistant-like чат-сценариях и задачах генерации текста. Модель работает только с текстом на входе и выходе и использует INT4-квантизацию весов линейных слоёв трансформера по схеме W4A16 с алгоритмом GPTQ, групповой симметричной квантизацией и размером группы 128. Снижение разрядности с 16 до 4 бит уменьшает размер модели на диске и требования к памяти GPU примерно на 75%, что облегчает развёртывание через vLLM или Transformers. Заявленный результат на OpenLLM Leaderboard v1 составляет 70,13 против 71,61 у неквантизированной версии. К сильным сторонам относятся существенно сниженные требования к памяти и удобство эффективного инференса. Ограничения включают поддержку и заявленное назначение только для английского языка, а также небольшое снижение benchmark-показателей относительно исходной модели; размер модели и максимальная длина контекста в README не указаны. В описании указана лицензия Apache-2.0, хотя в метаданных README также присутствует значение llama2; это расхождение следует уточнить перед использованием.

mistral-nemo-kartoffel-12B — плотная языковая модель семейства Mistral на 12,1 млрд параметров, разработанная nbeerbower как дообучение Mahou-1.5-mistral-nemo-12B-lorablated. Модель предназначена для генерации текста и диалогового общения; при обучении использовались ORPO и QLoRA, а также наборы Schule-DPO, Arkhaios-DPO и Purpura-DPO. В репозитории представлены веса safetensors, модель работает через Transformers и рассчитана на контекст до 1 024 000 токенов. Модель подходит для чат-ботов и ролевого общения, а также для генерации продолжений текста. Карточка не сообщает о поддержке конкретных естественных языков или о специализированных областях применения. Указана лицензия Apache-2.0. README не приводит оценок качества и подробных ограничений применения.

Mistral-Small-Instruct-2409-abliterated — текстовая инструктивная языковая модель, созданная автором byroneverson на основе Mistral-Small-Instruct-2409. Автор сообщает, что применил к модели abliteration; она предназначена для диалогов и генерации ответов по инструкциям. Это плотная архитектура MistralForCausalLM размером 22 млрд параметров с контекстом до 32 768 токенов; карточка указывает английский язык и использование Transformers. Модель принимает текст и генерирует текст. Карточка описывает способ преобразования, но не приводит оценок качества или подробных результатов тестирования, поэтому их нельзя надёжно сравнить с исходной моделью. Указана лицензия MRL (mrl) с типом «other» на Hugging Face; проверьте её условия перед использованием.

AlSamCur123 дообучил модель Mistral Small Instruct от Unsloth с помощью библиотек Unsloth и Hugging Face TRL. Это плотная авторегрессионная модель на 22 млрд параметров для генерации текста и диалогового взаимодействия; метаданные также отмечают интерфейс вызова инструментов. Указанная длина контекста — 131 072 токена, формат весов — safetensors. Модель подходит для диалогов и генерации текста на английском языке. В README не описаны конкретная специализация дообучения, обучающие данные или результаты оценки качества, поэтому её преимущества в отдельных задачах оценить нельзя. Лицензия — Apache-2.0.

mis-wes — языковая модель для генерации текста, созданная объединением mistralai/Mistral-7B-v0.1 и senseable/WestLake-7B-v2 с помощью LazyMergekit. Модель основана на архитектуре Mistral и содержит 4,5 млрд параметров; файлы опубликованы в формате safetensors. Указанная длина контекста — 32 768 токенов. Модель подходит для генерации продолжений и ответов на текстовые запросы. Карточка не приводит сведения о специализации, языковом покрытии или оценках качества. Лицензия в предоставленных данных не указана.

Это GGUF-квантизированная версия текстовой генеративной модели Qwen3-4B-abliterated, разработанной mlabonne и подготовленной пользователем bartowski. Квантизация выполнена с использованием llama.cpp версии b5200 и метода imatrix, что позволяет запускать модель в локальных приложениях на базе llama.cpp, включая LM Studio. Модель предназначена для генерации текста в диалоговом формате с использованием шаблона prompt формата ChatML. Доступны варианты от BF16 до различных уровней квантизации, включая Q8_0, Q6_K, Q5_K_M, Q4_K_M и более компактные форматы. Размер файлов составляет примерно от 1,8 до 8,05 ГБ; варианты с более высокой точностью обеспечивают лучшее качество, а варианты с низкой разрядностью требуют меньше оперативной памяти. Рекомендуемым компромиссом для большинства сценариев указан Q4_K_M, а для максимального качества — Q6_K или Q6_K_L. В README не указаны архитектурные детали исходной модели, поддерживаемые языки, размер контекста, мультимодальные возможности и лицензия. Поэтому модель следует рассматривать как локальную текстовую LLM для совместимых инструментов llama.cpp, с ограничениями, зависящими от выбранного варианта квантизации и доступной памяти.

Репозиторий содержит файлы модели Qwen3-4B-bf16 в формате GGUF, подготовленные TensorBlock и размещённые в сообществе mlx-community. Это языковая модель для генерации текста и диалогов; в метаданных указана возможность чата, а README приводит шаблон системного и пользовательского сообщений. Представлены варианты квантизации GGUF, включая Q2_K и Q3_K_S/Q3_K_M; для них в карточке отмечена потеря качества, особенно у малых вариантов. Файлы совместимы с llama.cpp начиная с указанного в README коммита. Лицензия — Apache-2.0. Базовая модель в метаданных указана как mlx-community/Qwen3-4B-bf16.

Monstral-123B-v2-GGUF — это квантизированная версия текстовой генеративной модели Monstral-123B-v2, разработанной MarsupialAI и подготовленной в формате GGUF пользователем bartowski. Модель предназначена для диалогового взаимодействия и генерации текста, включая локальный запуск через llama.cpp и LM Studio. Указан английский язык, а рекомендуемый формат запроса — шаблон [INST]. Модель содержит 123B параметров, однако сведения о конкретной архитектуре, размере контекста и поддерживаемых модальностях в README не приведены. Доступно множество вариантов квантизации от Q8_0 до IQ1_M: более высокие разрядности сохраняют лучшее качество, но требуют значительно больше памяти, тогда как низкоразрядные варианты экономичнее, но заметно уступают по качеству. Рекомендуемыми названы Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и IQ4_XS; размер файлов варьируется примерно от 28 до 130 ГБ. Основные преимущества — возможность локального запуска, широкий выбор компромиссов между качеством и требованиями к памяти, а также оптимизации для некоторых ARM- и AVX-систем. Ограничения включают очень высокие аппаратные требования для крупных вариантов и снижение качества у низкоразрядных квантизаций; отдельные варианты имеют ограничения совместимости, например Q4_0_8_8 не рекомендуется для Mac. Лицензия указана как other с названием mrl, но её подробные условия в README не раскрыты.

xammi/municipal-prediction-merged-llama-model-v1.0 — языковая модель разработчика xammi, дообученная на базе unsloth/Meta-Llama-3.1-8B-bnb-4bit с использованием Unsloth и TRL. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров. Она предназначена для генерации текста; карточка не уточняет конкретные сценарии муниципального прогнозирования или обучающие данные. Метаданные указывают английский язык и контекстное окно до 131 072 токенов. Модель распространяется по лицензии Apache-2.0.

Muse Glimmer 30B Abliterated Q4_K_M GGUF — квантованная 4-битная версия модели Muse Glimmer 30B Abliterated, разработанной mlasli. Модель распространяется в формате GGUF и предназначена для локальной генерации текста, диалоговых сценариев и других задач общего назначения, включая запуск через llama.cpp или Ollama. Доступен мультимодальный режим с обработкой изображений при использовании отдельного vision-проектора mmproj в llama.cpp. Модель содержит около 30 миллиардов параметров; базовая модель имеет 52 слоя. Квантование Q4_K_M занимает примерно 18 ГБ и рассчитано на запуск на одной видеокарте с 24 ГБ памяти, двух GPU по 12 ГБ либо на системе с 32 ГБ оперативной памяти при частичной выгрузке на GPU. README не указывает поддерживаемые языки и максимальный размер контекста. Для обработки изображений используется vision encoder и проектор Meta размером около 1,4 ГБ; Ollama для такого режима не поддерживается. Модель подвергнута abliteration — модификации весов, направленной на ослабление встроенного механизма отказов. Это может повысить готовность отвечать на ограниченные запросы, однако модель не является полностью uncensored: часть отказов, в частности для запросов об оружии, сохраняется. Q4_K_M обеспечивает хороший баланс между размером и качеством, но немного уступает более точным вариантам Q6_K и Q8_0; сама abliteration также может слегка влиять на качество ответов. Лицензия — Apache 2.0.

Muse-Glimmer-30B-Heretic-Plus — общественная производная модели Muse-Glimmer-30B, созданная сообществом. Это мультимодальная плотная модель на 29,8 млрд параметров с архитектурой MuseGlimmerForConditionalGeneration: она принимает текст и изображения и генерирует текст. Чекпойнт сохранён в BF16 в формате safetensors; для загрузки требуется Transformers версии 5.15 или новее. Модель предназначена для диалогов и локальных агентных сценариев, где нужно уменьшить число отказов базовой модели, в том числе при запросах с изображениями. Разработчики применили структурно-ориентированное подавление направлений отказа и короткое дообучение LoRA/SFT; стек обработки изображений оставлен замороженным. В карточке не приведены отдельные сведения о длине контекста и языках сверх меток английского, китайского и многоязычной поддержки. По описанию авторов, остаточные отказы возможны, а тон ответов после изменений становится менее осторожным. Модель не оценивалась как готовая замена в агентных тестах Meta, поэтому перед рабочим применением следует повторно проверить вызов инструментов. Карточка указывает, что модель не предназначена для пользователей младше 18 лет; требуется собственная система ограничений. Лицензия — Apache 2.0, унаследованная от базовой модели.

Muse-Glimmer-30B-heretic-plus-GGUF — квантизированная GGUF-версия модели Muse-Glimmer-30B-heretic-plus, разработанной gjtgjt и подготовленной mradermacher. Модель предназначена для conversational-сценариев и задач image-text-to-text, то есть может работать с текстом и изображениями при использовании дополнительного multimodal-модуля mmproj. Модель имеет заявленный размер 30B параметров и поддерживает английский, китайский и другие языки в мультиязычном режиме. Архитектура и максимальный размер контекста в README не указаны. Доступны варианты квантования от Q2_K до Q8_0, а также IQ4_XS; размер файлов составляет примерно от 10,8 до 29,7 ГБ. Варианты Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как обеспечивающий очень хорошее качество, а Q8_0 — как вариант с лучшим качеством среди представленных. Сильными сторонами модели являются крупный размер, мультиязычность, поддержка мультимодальных сценариев и возможность локального запуска через формат GGUF с выбором компромисса между качеством, скоростью и требованиями к памяти. Ограничения включают зависимость качества от выбранного квантования, необходимость отдельного mmproj-файла для мультимодальной работы и отсутствие в README сведений о результатах тестирования, контекстном окне и точном устройстве архитектуры. Модель распространяется по лицензии Apache-2.0.

Myriad-7B-Slerp — языковая модель на архитектуре Mistral, созданная Muhammad2003 слиянием MaziyarPanahi/Calme-7B-Instruct-v0.9 и yam-peleg/Experiment26-7B методом SLERP с помощью LazyMergekit. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста и диалоговых сценариев. В README приведены результаты оценок ARC, Hellaswag и MMLU, но подробности методики оценки не описаны. В репозитории указаны веса Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. Модель унаследовала свойства исходных чекпойнтов; README не описывает отдельно её языковое покрытие и ограничения качества.

Z-L-Leo/my-sft-model-20260930-191621 — дообученная с помощью TRL модель LiquidAI/LFM2.5-350M для генерации текста и диалоговых ответов. Карточка демонстрирует подачу вопроса в формате чата и генерацию ответа; модель загружается через Transformers и рассчитана на запуск с CUDA. Это плотная языковая модель семейства LFM2 с 444,6 млн параметров и контекстом до 128 000 токенов. Модель сохранена в формате safetensors и поддерживает задачу text-generation. В метаданных не указана лицензия, поэтому условия использования по ним определить нельзя.

My-Zephyr-7B-iter-1 — диалоговая языковая модель, разработанная как дообученная версия TTTXXX01/DPO-Zephyr-7B. Она предназначена для генерации текста в формате чата. Модель построена на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров; максимальная длина контекста составляет 32 768 токенов. Модель можно использовать для диалоговых приложений и генерации ответов на текстовые запросы. Она распространяется в формате safetensors по лицензии MIT. README не описывает результаты оценки, конкретные возможности и ограничения модели.

Abiray/Nanbeige4.2-3B-GGUF — набор квантизированных версий модели Nanbeige/Nanbeige4.2-3B, опубликованный в формате GGUF. Модель разработана Nanbeige; в репозитории представлены файлы для локального запуска через llama.cpp. Базовая архитектура — Looped Transformer с 3 миллиардами параметров без учёта embedding-параметров. Модель предназначена для генерации текста, включая задачи, связанные с кодом и агентными сценариями. Указанные языки — английский и китайский. Мультимодальные возможности и размер контекста в README не указаны. Доступны варианты квантизации от 4 до 8 бит: Q4_K_S и Q4_K_M уменьшают требования к памяти, Q5_K_M и Q6_K обеспечивают более высокую точность, а Q8_0 ориентирован на максимальное качество среди GGUF-версий. Квантизация позволяет запускать модель локально, но может снижать качество относительно исходной версии, особенно при использовании более агрессивных вариантов. Распространение указано под лицензией Apache-2.0. Для запуска рекомендуется llama.cpp с поддержкой Nanbeige4.2; конкретные требования к оборудованию и производительности зависят от выбранного файла квантизации.

NeuralDaredevil-SuperNova-Lite-7B-DARETIES-abliterated — объединённая модель семейства Llama, созданная с помощью LazyMergekit на основе mlabonne/NeuralDaredevil-8B-abliterated и grimjim/Llama-3.1-SuperNova-Lite-lorabilterated-8B. В конфигурации указан NousResearch/Meta-Llama-3.1-8B-Instruct как базовая модель; веса объединены методом dare_ties с типом bfloat16. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогов, включая ролевые сценарии; в карточке отмечено меньше поведенческих ограничений. В README приведены результаты Open LLM Leaderboard по IFEval, BBH, MATH, GPQA, MUSR и MMLU-PRO, но они не гарантируют качество в конкретных задачах. Доступна библиотека Transformers, формат файлов репозитория — safetensors; README также упоминает варианты квантования GGUF Q5_K_M и Q4_K_M. Лицензия — Llama 3.1.

Noema-2B-GGUF — это набор GGUF-квантизированных сборок модели Noema-2B, разработанной NoemaAI-labs. Модель представляет собой примерно 2-миллиардную reasoning-модель, дообученную на базе Qwen/Qwen3.5-2B, и предназначена для генерации текста, решения математических и логических задач, а также локального запуска через llama.cpp и совместимые среды. Заявленный язык — английский. Модель использует гибридную архитектуру Qwen3.5 с Gated-DeltaNet: в ней сочетаются линейные слои и слои полноформатного внимания. Доступны варианты F16, Q8_0, Q6_K и Q4_K_M размером примерно от 1,2 до 3,5 ГБ; Q4_K_M рекомендован как наиболее сбалансированный по качеству и размеру, а Q8_0 обеспечивает наиболее высокую точность среди квантизированных вариантов. Модель настроена и оценивалась в non-thinking mode, который включается шаблоном чата по умолчанию. Для работы требуется свежая версия llama.cpp с поддержкой архитектуры qwen35; старые версии могут не загрузить модель. Рекомендуется использовать вероятностную генерацию с параметрами temperature 0.7, top-p 0.8, top-k 20 и presence penalty 1.5. Жадная генерация с temperature 0 может приводить к зацикливанию повторов. Максимальный размер контекста, подробные бенчмарки и ограничения базовой модели в данной карточке не указаны. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой Qwen/Qwen3.5-2B.

Это GGUF-квантизация модели Nohobby/L3.3-Prikol-70B-v0.5, подготовленная пользователем bartowski с использованием llama.cpp версии b4585 и imatrix. Исходная модель имеет 70 миллиардов параметров; по представленным данным её точная архитектура, языки и поддерживаемые модальности не указаны. Модель относится к классу text-generation и предназначена для генерации текста в локальных приложениях, включая LM Studio, llama.cpp и другие проекты на его основе. Доступны варианты квантизации Q8_0, Q6_K, Q5_K_M, Q5_K_S, Q4_1, Q4_K_M, Q4_K_S, Q4_0, IQ4_NL, Q3_K_XL, IQ4_XS, Q3_K_L, Q3_K_M, IQ3_M, Q3_K_S, IQ3_XXS, Q2_K_L, Q2_K, IQ2_M и IQ2_S. Размер файлов составляет примерно от 24 до 75 ГБ. Более высокие уровни квантизации обеспечивают лучшее качество, но требуют больше памяти; Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и IQ4_XS отмечены как рекомендуемые. Низкобитные варианты экономят память, но могут заметно уступать по качеству. В README не указаны лицензия, размер контекста, точный набор языков, результаты оценки и дополнительные ограничения использования. Формат промпта соответствует шаблону Llama 3.3 с датой отсечения знаний декабрь 2023 года.

NousResearch_Hermes-4-14B-GGUF — набор квантованных версий языковой модели Hermes-4-14B, разработанной NousResearch и преобразованной в формат GGUF пользователем bartowski с помощью llama.cpp. Модель предназначена для генерации текста и локального запуска через llama.cpp, LM Studio и другие совместимые проекты. Доступны варианты от исходных весов BF16 размером около 29,54 ГБ до квантований Q2 и IQ3 размером примерно 6,38–15,70 ГБ. В README рекомендуются варианты Q4–Q6 как компромисс между качеством и требованиями к памяти; версии с более низкой разрядностью подходят для систем с ограниченным объёмом RAM, но могут заметно уступать по качеству. Для модели доступны только текстовые сценарии, сведения о поддерживаемых языках, длине контекста, архитектурных деталях и формате промптов в этом README не указаны. Основные преимущества — широкий выбор размеров файлов, возможность локального запуска и применение imatrix-калибровки при квантовании. Ограничения связаны с потерями качества в низкоразрядных вариантах, зависимостью от совместимого ПО и отсутствием в предоставленных данных информации о лицензии оригинальной модели и квантованных файлов.

MergedQwen2-0.5B0.1 — языковая модель, созданная автором карточки путём слияния двух предварительно обученных моделей с помощью NuSLERP и инструмента mergekit. В слиянии использованы Qwen2-0.5B с весом 0,9 и debias_Qwen2-0.5B с весом 0,1; токенизатор взят из Qwen2-0.5B. Модель на архитектуре Qwen2 с плотной causal language model и примерно 493,7 млн параметров предназначена для генерации текста и диалоговых сценариев. Заявленная длина контекста — 131 072 токена. Доступна в формате safetensors и рассчитана на использование через Transformers. Карточка не приводит оценок качества, тестов или подробностей о языках и лицензии, поэтому их нельзя надёжно установить по предоставленным данным.

OctoThinker-8B-Long-Base-GGUF — набор GGUF-квантизаций базовой языковой модели OctoThinker-8B-Long-Base, разработанной авторами Zengzhi Wang, Fan Zhou, Xuefeng Li и Pengfei Liu. Модель построена на семействе Llama-3 и предназначена для генерации текста, математических задач, рассуждений и использования в сценариях, где требуется основа, удобная для последующего reinforcement learning. Модель прошла двухэтапное промежуточное обучение по методике Stable-then-Decay на крупномасштабных математических данных MegaMath-Web-Pro-Max и разнообразных данных с длинными цепочками рассуждений. Заявленные преимущества — быстрое схождение и повышенная стабильность при обучении с подкреплением. В README указан английский язык и текстовая модальность; размер базовой модели — 8B параметров, однако максимальная длина контекста не указана. Предлагаются варианты от F16 примерно на 16,1 ГБ до Q2_K примерно на 3,0 ГБ. Более высокие разрядности обеспечивают лучшее качество, а низкоразрядные варианты снижают требования к памяти, но могут заметно ухудшать результаты. Модель совместима с llama.cpp, llama-cpp-python, LM Studio и Ollama. Лицензия указана как llama3.2; дополнительные ограничения и условия распространения в README не раскрыты.

Novocoders/ogno-monarch-jaskier-merge-7b-NeuralDPO — дообученная модель генерации текста на архитектуре Mistral, созданная на основе eren23/ogno-monarch-jaskier-merge-7b. Она предназначена для генерации продолжений текста и ответов на запросы. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. README указывает, что модель обучена с помощью Axolotl версии 0.4.0, но датасет, назначение дообучения и результаты оценки не описаны. Доступны веса в форматах PyTorch и Safetensors. Лицензия CC BY-NC 4.0 требует указания авторства и запрещает коммерческое использование.

OLMo-0H-5D-50F — языковая модель Lamsheeper для генерации текста, дообученная на основе внутренней базовой модели, указанной в карточке как training-base, с использованием пользовательских обучающих данных. Модель построена на архитектуре OLMo 2 и содержит 1,3 млрд параметров; конфигурация включает 16 слоёв и 16 голов внимания. Она предназначена для генерации продолжений текста и других сценариев автогенерации на английском языке с использованием Transformers. Модель принимает текст и генерирует текст. Размер контекста составляет 4096 токенов. Репозиторий содержит веса Safetensors и конфигурацию токенизатора. Лицензия Apache 2.0. Карточка не описывает специализированную область применения или оценки качества, поэтому пригодность для конкретных задач следует проверять отдельно.

OLMo 1B July 2024 — авторегрессионная языковая модель семейства OLMo, разработанная Allen Institute for AI (AI2). Этот вариант предназначен для непосредственного использования с Hugging Face Transformers. Модель содержит 1,2 млрд параметров, построена на плотной архитектуре Transformer и имеет контекстное окно 4096 токенов. Модель обучена на английском языке на наборе Dolma 1.7 с поэтапным обучением и дополнительным этапом на отфильтрованной высококачественной подвыборке. Она предназначена для генерации текста и может служить базой для прикладных решений и дальнейшей тонкой настройки. По оценкам из карточки, версия июля 2024 года улучшила результаты ряда тестов относительно исходной OLMo 1B. Модель распространяется по лицензии Apache 2.0. Как базовая языковая модель без фильтрации безопасности, она может генерировать вредный, чувствительный или предвзятый контент, а фактические утверждения могут быть ошибочными и требуют проверки.

Карточка модели localized-ft/OLMo-3-7B-german-city-names-first-third-v2-sft-seed4-epoch3 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-german-city-names-last-third-v2-sft-seed4 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-german-city-names-v2-inoculation-prompting-seed3 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

OLMoE-1B-7B-0125 — языковая модель семейства OLMoE, разработанная Allen Institute for AI (AI2) и выпущенная в январе 2025 года. Это авторегрессионная модель с архитектурой Mixture-of-Experts: в README указаны 1 млрд активных и 7 млрд общих параметров. В метаданных Hugging Face указано 472,1 млн параметров; эти сведения расходятся с карточкой, поэтому размер следует трактовать с осторожностью. Модель представляет улучшенную версию OLMoE-09-24. Модель предназначена для генерации текста и общих языковых задач на английском языке. Для неё доступны контрольные точки предварительного обучения и адаптации, а также данные и код для SFT и DPO/KTO. Контекст составляет 4096 токенов; модель запускается через Transformers версии 4.45.0 или новее. В README приведены результаты тестирования на MMLU, HellaSwag, ARC, PIQA и WinoGrande. Модель выпущена по лицензии Apache 2.0. Она принимает и выдаёт текст; заявленная поддержка языков в карточке ограничена английским. Данные описания не уточняют ограничения качества или рекомендации по безопасному применению.