II.6Документация и сопровождение разработки

StrangerPerciVaaled_Strange-7B-slerp — объединённая языковая модель семейства Mistral, созданная Gille с помощью LazyMergekit путём слияния liminerity/M7-7b и Gille/StrangeMerges_32-7B-slerp методом SLERP. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и хранится в формате Safetensors; заявленная длина контекста — 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев. В README приведена конфигурация слияния весов в формате bfloat16, включая отдельные коэффициенты смешивания для слоёв self-attention и MLP. Репозиторий распространяется по лицензии Apache-2.0. Языки и специализированные предметные области в карточке не обозначены.

Stylizer-V2-LLaMa-70B — объединённая языковая модель на архитектуре Llama, созданная автором репозитория с помощью mergekit и метода SCE. Основой слияния послужила huihui-ai/Llama-3.3-70B-Instruct-abliterated; также объединены модели Nemotron, Euryale, Hermes и Negative LLAMA. Модель содержит 69,5 млрд параметров и рассчитана на генерацию текста и диалоги. Метаданные указывают контекст длиной до 131072 токенов и библиотеку Transformers. Модель принимает текст и выдаёт текст; карточка не описывает более узкую специализацию или гарантированные преимущества по сравнению с исходными моделями. В репозитории указаны веса в формате safetensors. Лицензия в предоставленных данных не указана.

SuperGemma-4-12b-abliterated — дообученный инструкционный чекпойнт на 12 млрд параметров, созданный на основе google/gemma-4-12B-it. Разработчик объединил обработку направления отказов в весовом пространстве с дополнительным постобучением для следования инструкциям, программирования, технических ответов на корейском языке, форматирования JSON и вызовов инструментов. Модель распространяется как единый чекпойнт без необходимости подключать адаптер во время работы. Модель предназначена для диалогов, выполнения инструкций и генерации кода. README описывает снижение лишних отказов и приводит результаты внутренних и публичных проверок, однако они не гарантируют качество на других запросах. В метаданных также заявлена мультимодальная архитектура семейства Gemma 4 с возможностью работы с изображениями, видео и аудио у базовой модели; явное подтверждение этих входов для данного чекпойнта в README отсутствует. Модель загружается через Transformers, веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Карточка указывает английский и корейский языки; дополнительное постобучение особенно ориентировано на технические ответы на корейском.

Карточка модели Jiunsong/SuperGemma-4-12b-abliterated на Hugging Face совпадает с карточкой enkato64bit/SuperGemma-4-12b-abliterated, поэтому описание составлено по ней. SuperGemma-4-12b-abliterated — дообученный инструкционный чекпойнт на 12 млрд параметров, созданный на основе google/gemma-4-12B-it. Разработчик объединил обработку направления отказов в весовом пространстве с дополнительным постобучением для следования инструкциям, программирования, технических ответов на корейском языке, форматирования JSON и вызовов инструментов. Модель распространяется как единый чекпойнт без необходимости подключать адаптер во время работы. Модель предназначена для диалогов, выполнения инструкций и генерации кода. README описывает снижение лишних отказов и приводит результаты внутренних и публичных проверок, однако они не гарантируют качество на других запросах. В метаданных также заявлена мультимодальная архитектура семейства Gemma 4 с возможностью работы с изображениями, видео и аудио у базовой модели; явное подтверждение этих входов для данного чекпойнта в README отсутствует. Модель загружается через Transformers, веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Карточка указывает английский и корейский языки; дополнительное постобучение особенно ориентировано на технические ответы на корейском.

Suzhou 3.1 — созданная Tripplet Models инструкционная языковая модель с архитектурой причинного трансформера Qwen3.5, объединённая методом SLERP. В метаданных указано 7,2 млрд параметров, а README сообщает об округлённом размере 8,95 млрд; модель использует смешанное внимание с линейными и полными слоями и поддерживает контекст до 262 144 токенов. Модель предназначена для диалогов, рассуждений, генерации текста и работы в роли агента с вызовом инструментов в формате Hermes. Заявлена поддержка более 29 языков; метаданные перечисляют английский, китайский, корейский, японский, французский, испанский, немецкий, итальянский, русский и арабский. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. README описывает модель как пригодную для потребительского оборудования, но не приводит результатов сравнительных тестов.

T3qM7-7B — объединённая текстовая модель на архитектуре Mistral, созданная Maxime Labonne автоматическим слиянием моделей chihoonlee10/T3Q-Mistral-Orca-Math-DPO и liminerity/M7-7b. Для слияния использован метод SLERP с настройками для слоёв self-attention и MLP; веса сохранены в формате safetensors и типе bfloat16. Модель предназначена для генерации текста и диалоговых сценариев. Она содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В карточке указана лицензия Apache-2.0. README не приводит оценок качества или сведений о языковом покрытии, поэтому результаты для конкретных языков и специализированных задач по этим данным подтвердить нельзя.

T3qm7xNeuralsirkrishna_AlloyingotneoyExperiment24 — объединённая авторами модели на основе двух чекпойнтов Mistral: automerger/T3qm7xNeuralsirkrishna-7B и automerger/AlloyingotneoyExperiment24-7B. Она предназначена для генерации текста и диалогов, подходит для использования в приложениях, которым нужна языковая модель с контекстом до 32 768 токенов. Модель имеет плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров; веса опубликованы в формате safetensors. Поддержка языков и специализированные предметные области в карточке не описаны. Модель распространяется по лицензии Apache-2.0.

T3qm7xNeuralsirkrishna_Inex12Neural — объединённая языковая модель на архитектуре Mistral, созданная слиянием automerger/T3qm7xNeuralsirkrishna-7B и automerger/Inex12Neural-7B. Модель содержит 7,1 млрд параметров и предназначена для генерации текста и диалогов; она принимает текст и выдаёт текст. Контекстное окно составляет до 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache 2.0. Данных о целевых языках и специализированных областях применения в карточке нет, поэтому её следует рассматривать как модель общего назначения. Качество и характерные сильные стороны слияния в README не описаны.

T3qm7xNeuralsirkrishna_NeuralExperiment26 — объединённая языковая модель семейства Mistral, созданная на основе automerger/T3qm7xNeuralsirkrishna-7B и automerger/NeuralExperiment26-7B. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и распространяется в формате safetensors. Модель предназначена для генерации текста и диалогов; контекстное окно составляет до 32 768 токенов. Карточка не уточняет специализацию по языкам или предметным областям. Лицензия — Apache-2.0.

T3qm7xNeuralsirkrishna_OgnoExperiment27 — слитая модель на архитектуре Mistral с 7,1 млрд параметров, созданная объединением automerger/T3qm7xNeuralsirkrishna-7B и automerger/OgnoExperiment27-7B. Она предназначена для генерации текста и диалогов; поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Модель принимает текст и выдаёт текст. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. Карточка не сообщает о специализации по предметной области или отдельных языковых возможностях, поэтому модель описывается как общего назначения.

T3qm7xNeuralsirkrishna_Strangemerges_32Experiment26 — объединённая языковая модель на архитектуре Mistral, опубликованная MaziyarPanahi. Она объединяет модели automerger/T3qm7xNeuralsirkrishna-7B и automerger/Strangemerges_32Experiment26-7B и предназначена для генерации текста и диалогов. Модель содержит 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Модель подходит для генерации продолжений текста и ответов в диалоге. Репозиторий не приводит сведений о специализации по языкам или прикладным областям. Лицензия — Apache-2.0.

MaziyarPanahi/T3qm7xNeuralsirkrishna_YamYam — объединённая текстовая модель, созданная из automerger/T3qm7xNeuralsirkrishna-7B и automerger/YamYam-7B. Она построена на архитектуре Mistral и содержит 7,1 млрд параметров; модель предназначена для генерации текста и диалогов с контекстом до 32 768 токенов. Модель подходит для создания диалоговых приложений, генерации и продолжения текста. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

T3qm7xpNeuralsynthesis-7B — автоматически собранная Maxime Labonne языковая модель для генерации текста на основе архитектуры Mistral. В README указано слияние моделей методом dare_ties с параметрами density 0,53 и weight 0,6; метаданные каталога связывают её с Kukedlc/NeuralSynthesis-7b-v0.4-slerp. Размер модели — 7,1 млрд параметров, контекст — до 32 768 токенов; файлы опубликованы в формате Safetensors. Модель предназначена для генерации текста и диалогов. В метаданных указана лицензия Apache-2.0. README также упоминает nlpguy/T3QM7XP в конфигурации слияния, поэтому состав участвовавших моделей в источниках описан неодинаково.

T3qT3qm7-7B — автоматически объединённая языковая модель на архитектуре Mistral, созданная Maxime Labonne методом DARE-TIES на основе chihoonlee10/T3Q-Mistral-Orca-Math-DPO и nlpguy/T3QM7. Она предназначена для генерации текста и диалоговых ответов, включая ответы на математические запросы. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Веса опубликованы в формате Safetensors; метаданные указывают лицензию Apache-2.0. Сведения о языках и специальных ограничениях модели в предоставленной карточке отсутствуют.

T5Gemma XL-XL-UL2-IT — разработанная Google instruction-tuned модель семейства T5Gemma с encoder-decoder архитектурой: XL-кодировщик и XL-декодировщик, адаптированные с использованием UL2. Модель принимает текст и генерирует текст; в карточке указана поддержка английского языка. Она предназначена для генерации текста по инструкциям, ответов на вопросы, суммаризации и рассуждений, а также для создания черновиков и материалов для NLP-исследований. Модель основана на предварительно обученной google/t5gemma-xl-xl-ul2 и дообучена для следования инструкциям. Для работы доступны веса в формате Safetensors; используется библиотека Transformers. Лицензия — Gemma. Карточка не приводит размер параметров или длину контекста. Ограничения включают возможные фактические ошибки, смещения обучающих данных и трудности с неоднозначным языком и сложными открытыми задачами.

T5 Version 1.1 Large — Google разработала эту предварительно обученную языковую модель архитектуры T5 с 385,2 млн параметров. Она преобразует текст в текст и предназначена для последующей настройки под конкретные задачи обработки естественного языка, например суммаризацию, ответы на вопросы и классификацию текста. В версии 1.1 используется активация GEGLU вместо ReLU, отключён dropout при предварительном обучении, а слой эмбеддингов не разделяет параметры с классификатором. Модель предварительно обучена только на корпусе C4 без обучения на размеченных задачах; перед применением её нужно дообучить. Доступны веса в форматах PyTorch, TensorFlow и Flax. Указанный язык — английский. Модель распространяется по лицензии Apache-2.0. README не приводит отдельных оценок качества для этого размера модели; результаты зависят от последующего дообучения на целевой задаче.

TARS-8B-llama-REMIX — языковая модель, созданная picAIso слиянием SLERP через mergekit моделей picAIso/MIX1 и NousResearch/Hermes-2-Pro-Llama-3-8B. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров. Она предназначена для генерации текста и диалогового взаимодействия; заявленная длина контекста составляет 8192 токена. Карточка указывает поддержку чата, а базовая Hermes-2-Pro-Llama-3-8B ориентирована на следование инструкциям, вызов функций и генерацию структурированных данных JSON. Лицензия модели — MIT. Подробные оценки качества и ограничения конкретного слияния в карточке не приведены.

tau-instruct-0.5B-DPOP — инструктивная языковая модель M4-ai на архитектуре Qwen2 с примерно 463,9 млн параметров. Она создана на базе tau-0.5B и дообучена методом DPO-Positive на примерно 700 примерах предпочтений, размеченных с помощью GPT-4. Модель поддерживает контекст до 32 768 токенов и предназначена для диалогового взаимодействия на английском языке. Модель подходит для ответов на вопросы, генерации и продолжения текста, решения математических задач, понимания и создания кода, объяснений и анализа. Её можно применять в виртуальных помощниках, образовательных инструментах и исследовательских прототипах. По предварительной оценке авторов, дообучение улучшило следование инструкциям относительно базовой модели. Качество может снижаться на сложных задачах и при неясных инструкциях; модель сохраняет возможные смещения базовой модели и обучающих данных, а её результаты следует проверять. Лицензия указана как other; README предписывает соблюдать лицензию базовой модели tau-0.5B.

tempesthenno-nuslerp-0124 — слитая с помощью mergekit по методу NuSLERP языковая модель, созданная sthenno. В README указаны два компонента с именами tempesthenno--converge-breadcrumbs и tempesthenno--converge-dtask; метаданные также связывают модель с несколькими базовыми моделями Qwen2. Модель имеет плотную архитектуру Qwen2ForCausalLM и 14 млрд параметров, распространяется в формате safetensors и лицензирована по Apache-2.0. Модель предназначена для генерации текста и диалогового взаимодействия. Она принимает текст и выдаёт текст; заявленный контекст составляет 131 072 токена. В метаданных указаны английский и китайский языки. README приводит результаты оценок IFEval и BBH, но без подробностей об условиях тестирования и без оснований делать выводы о превосходстве в конкретных сценариях.

Tess-10.7B-v1.5b — универсальная языковая модель из серии Tess, разработанной migtissera. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и примерно 10,6 млрд параметров, обученная на базе SOLAR-10.7B. Она предназначена для генерации текста и диалогов; в карточке приведён формат с ролями SYSTEM, USER и ASSISTANT. Модель принимает текст и генерирует текст, поддерживает контекст до 4096 токенов. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Карточка не приводит сведений о специализированной области применения или языках обучения, поэтому её следует рассматривать как модель общего назначения без заявленного основного языка.

testllm-c2-Mistral-7B-Instruct-v0.2-slerp — объединённая диалоговая модель, созданная MaziyarPanahi методом SLERP из Mistral-7B-Instruct-v0.2 и Kiddyz/testllm-c2. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста и ответов на инструкции в формате диалога. Она принимает текст и поддерживает контекст до 32 768 токенов. Модель подходит для чат-ботов, ответов на вопросы и генерации текстов по запросу. В карточке указана лицензия Apache-2.0. Данных о специализированной предметной области или языках модели нет.

Falconsai/text_summarization — дообученная модель семейства T5, предназначенная для создания кратких связных пересказов входного текста. Она подходит для суммирования документов, новостных статей и другого текстового содержимого. Модель построена на архитектуре T5ForConditionalGeneration и содержит 38,5 млн параметров. Она принимает текст и генерирует текстовое резюме; контекст составляет до 512 токенов. В карточке указана поддержка английского языка. Доступны форматы PyTorch, Safetensors, ONNX и Core ML. Модель выпущена Falconsai по лицензии Apache-2.0. Карточка описывает дообучение T5 Small на документах с человеческими резюме, однако не приводит название датасета или количественные оценки качества. При обработке длинных документов учитывайте ограничение контекста.

tFINE-850m-24x24-v0.5-instruct-L1 — языковая модель семейства T5, опубликованная pszemraj. Это дообучение модели pszemraj/tFINE-850m-24x24-v0.4-flan_aug на англоязычном наборе инструкций infinity-instruct-7m-T2T_en. Модель содержит 401,7 млн параметров и предназначена для генерации текста в ответ на инструкции: например, для подготовки объяснений и ответов на вопросы. Для запуска автор приводит пример с библиотекой Transformers и задачей text2text-generation. В карточке приведены результаты оценки по loss и метрикам ROUGE, а также результаты отдельных тестов на понимание прочитанного и вопросы с вариантами ответа. Они не гарантируют качество для всех запросов; модель компактнее многих крупных генеративных моделей, поэтому сложные задания могут требовать проверки результата. Модель распространяется по лицензии Apache-2.0.

Thalassic-Alpha-LLaMa-70B — объединённая модель для генерации текста, созданная автором TareksGraveyard на основе DeepSeek-R1-Distill-Llama-70B и нескольких моделей семейства Llama. Для слияния предварительно обученных моделей автор использовал mergekit и метод Linear DELLA. Модель предназначена для диалогов и генерации ответов; автор сообщает о многообещающих ранних результатах, но отмечает, что другой вариант его эксперимента показался ему лучше. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 69,5 млрд параметров и поддерживает контекст до 131 072 токенов. Она принимает текст и генерирует текст. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия — llama3.3.

Thalassic-Delta-LLaMa-70B — слитая разговорная языковая модель от TareksGraveyard на архитектуре Llama. Она создана методом SCE с помощью mergekit на основе SicariusSicariiStuff/Negative_LLAMA_70B и объединяет веса Anubis-70B-v1, EVA-LLaMA-3.33-70B-v0.1, 70B-L3.3-Cirrus-x1, L3.1-70B-Hanami-x1 и DeepSeek-R1-Distill-Llama-70B. Модель предназначена для генерации текста и диалогов; базовая модель DeepSeek-R1-Distill-Llama-70B ориентирована также на математические рассуждения, программирование и сложные вопросы. Размер составляет 69,5 млрд параметров, заявленная длина контекста — 131 072 токена. Репозиторий содержит веса в формате safetensors и использует лицензию llama3.3. Автор описывает её как лучший вариант серии Thalassic по своему мнению, однако README не приводит сравнительных оценок или результатов бенчмарков.

MaziyarPanahi/TheTop-5x7B-Instruct-S2-v0.1 — текстовая генеративная модель, созданная MaziyarPanahi путём слияния пяти моделей 7B с помощью метода SLERP. Она построена на архитектуре Mistral и предназначена для генерации ответов и других текстов по запросу; заявленное контекстное окно составляет 32 768 токенов, а размер модели по метаданным — 7,1 млрд параметров. Модель подходит для диалоговых сценариев, ответов на вопросы и общих задач генерации текста. В карточке приведены результаты тестов на академических наборах, включая ARC и HellaSwag; эти оценки сами по себе не гарантируют качество в конкретном приложении. Репозиторий содержит веса Safetensors, библиотека — Transformers. Лицензия Apache-2.0.

TheTop-5x7B-Instruct-S4-v0.1 — текстовая генеративная модель MaziyarPanahi, полученная слиянием нескольких предварительно обученных моделей 7B и моделей, объединённых методом SLERP. Карточка упоминает mergekit как инструмент слияния; метаданные указывают на архитектуру MistralForCausalLM и веса в формате safetensors. Указанный размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста и инструкционного диалога. В README приведены результаты оценки на бенчмарках рассуждений и здравого смысла. Она распространяется по лицензии Apache-2.0. Карточка не уточняет состав исходных моделей, языковую специализацию и ограничения качества.

ThinkingCap-Qwen3.6-27B-AWQ-INT4 — квантизированная версия модели ThinkingCap: Qwen 3.6 27B, разработанной BottleCap AI на основе Qwen3.6-27B от команды Qwen. Модель дообучена с применением современных алгоритмов на тщательно отобранном наборе задач из разных областей и предназначена для рассуждений, ответов на вопросы, математики, программирования, многошагового диалога, соблюдения системных инструкций, безопасного поведения и агентских сценариев. Ключевая особенность модели — повышение эффективности рассуждений: по заявлению разработчиков, она использует в среднем на 50% меньше токенов рассуждения, а в лучших случаях сокращение превышает 90%, при сохранении исходного качества и стиля ответов Qwen. Калибровка выполнялась на задачах STEM и агентских сценариях. Указаны языки English, Chinese, Hindi, Arabic, Russian, Japanese, Korean, Dutch, French и Spanish. Размер файла модели составляет 20,97 ГБ. Архитектура и размер контекстного окна в README не указаны. Модель подходит для ресурсоэффективного решения сложных задач, где важны качество рассуждений, скорость и снижение расхода токенов. Ограничением является вариативность качества рассуждений при рекомендованной для Qwen температуре 1.0, поэтому разработчики оценивали модель с несколькими случайными сидами и статистической проверкой. Распространяется по лицензии Apache-2.0.

TopEvolution-DPO-32K — слитая языковая модель семейства Mistral, созданная сообществом mergekit-community методом SLERP на основе mergekit-community/TopEvolution и mpasila/Kunoichi-DPO-v2-Instruct-32k-7B. Модель содержит 7,1 млрд параметров и предназначена для генерации текста и выполнения инструкций; поддерживает контекст до 32 768 токенов. В конфигурации слияния использована V-образная кривая весов: TopEvolution задаёт вклад на входе и выходе, а Kunoichi-DPO-v2-Instruct — в средних слоях. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Языковая специализация и лицензия в предоставленных источниках не описаны.

DDDSSS/translation_en-zh — модель машинного перевода с архитектурой MarianMT, разработанная автором репозитория DDDSSS для перевода с английского на китайский. Она содержит 58,4 млн параметров, использует PyTorch и распространяется в форматах PyTorch и Safetensors. По карточке, обучающие данные основаны на OPUS100 и CodeAlpaca_20K: английские тексты переводились на китайский с помощью ChatGLM, после чего данные фильтровались. Максимальный указанный контекст — 512 токенов; модель рассчитана на текстовый ввод и текстовый перевод. Модель подходит для перевода коротких английских фрагментов, включая технические тексты и примеры кода. Автор отмечает, что длинные предложения могут переводиться неполностью или пропускаться, поэтому перед обработкой текст следует разбивать на предложения. Лицензия — Apache-2.0.