II.8Инженерия данных и аналитика

DeCLUTR-small — компактная модель семейства RoBERTa от авторов работы DeCLUTR: Deep Contrastive Learning for Unsupervised Textual Representations. Она обучена для получения универсальных векторных представлений предложений и предназначена для работы как энкодер предложений, в том числе в экосистеме Sentence Transformers. Модель кодирует текст в эмбеддинги, которые можно сравнивать по косинусному сходству. Это подходит для поиска семантически близких предложений, сопоставления текстов и построения признаков для downstream-задач. В метаданных указаны 95,2 млн параметров, контекст до 514 токенов и поддержка английского языка; доступны веса PyTorch и Flax. Лицензия — Apache 2.0. Карточка позиционирует модель как универсальный энкодер предложений, но не приводит оценки качества для конкретных наборов данных. Результаты могут зависеть от домена и способа применения эмбеддингов; архитектура RoBERTa также ограничивает обработку входа заданной длиной контекста.

DeepSeek-Coder-V2-Instruct-0724-GGUF — это квантизированная в формате GGUF версия большой MoE-модели для генерации текста и программного кода DeepSeek-Coder-V2-Instruct-0724. Исходную модель разработала команда deepseek-ai, а GGUF-квантизацию подготовил bartowski на основе llama.cpp версии b3715. Модель предназначена прежде всего для задач, связанных с написанием и обработкой кода, однако конкретные поддерживаемые языки программирования, размер, длина контекста и другие архитектурные параметры в README не указаны. Модель можно использовать в инструментах, поддерживающих формат GGUF и шаблон запросов Jinja, в частности в LM Studio. Квантизация делает модель пригодной для локального запуска при наличии совместимого программного обеспечения и подходящих аппаратных ресурсов, но README не содержит сведений о точных требованиях, вариантах квантизации, производительности или качестве на отдельных задачах. Как и другие генеративные модели, она может создавать неточные или неподходящие ответы. Указана лицензия DeepSeek License; тип лицензии обозначен как other, а полный текст доступен в файле LICENSE. Дополнительные сведения о том, что изменилось относительно исходной модели, в README отсутствуют.

DeepSeek-R1-0528-Qwen3-8B-GGUF — это GGUF-версия языковой модели DeepSeek-R1-0528-Qwen3-8B, подготовленная Unsloth на базе модели DeepSeek AI. Модель ориентирована на задачи, требующие рассуждений, включая математику, программирование, общую логику и работу с функциями, а также на сценарии локального запуска через совместимые инструменты, например Ollama и llama.cpp. Модель содержит 8 миллиардов параметров и распространяется в формате GGUF. В README указаны улучшения глубины рассуждений, качества вывода на математических и логических тестах, снижение частоты галлюцинаций, расширенная поддержка function calling и улучшенный опыт vibe coding. Рекомендуется использовать температуру 0,5–0,7, оптимально 0,6, и Top_P 0,95. Сведения о точной архитектуре, поддерживаемых языках, модальностях и размере контекста в карточке отсутствуют. Формат GGUF удобен для локального вывода и позволяет выбирать варианты квантования, однако конкретный уровень квантования зависит от используемого файла и в данной карточке не указан. Для корректной работы требуется соблюдать рекомендованный chat template и настройки инференса. Модель распространяется по лицензии MIT.

arcee-ai/DeepSeek-R1-bf16 — конверсия весов DeepSeek-R1 из исходного FP8 в BF16. DeepSeek-R1 разработана DeepSeek на базе DeepSeek-V3-Base; она использует обучение с подкреплением и этапы дообучения с учителем для развития навыков рассуждения. В репозитории указаны архитектура DeepSeek V3, 37,6 млрд параметров и контекст длиной до 163 840 токенов. Модель предназначена для генерации текста в диалоге, решения математических задач, программирования и многошаговых рассуждений. Карточка описывает саму DeepSeek-R1 как разреженную MoE-модель с 671 млрд параметров и 37 млрд активируемых параметров, однако метаданные этого репозитория классифицируют архитектуру как плотную и указывают 37,6 млрд параметров; характеристики оригинала не следует переносить на эту конверсию без оговорки. В метаданных также отмечен интерфейс вызова инструментов. В README не приведены сведения о лицензии и отдельных ограничениях для этой конверсии. Для запуска потребуется совместимая среда инференса с поддержкой BF16; пригодность модели зависит от доступной памяти и оборудования.

DeepSeek-R1-ReDistill-Qwen-1.5B-v1.0 — версия DeepSeek-R1-Distill-Qwen-1.5B, повторно дистиллированная Mobius Labs для повышения качества. Это плотная авторегрессионная языковая модель семейства Qwen2 с 1,5 млрд параметров и контекстом до 131 072 токенов. Модель предназначена для генерации текста и диалогового применения; исходная модель ориентирована на рассуждения и решение задач, включая математику и программирование. В карточке приведены сравнительные результаты на ARC, HellaSwag, MMLU, GPQA, MMLU PRO и MUSR, где версия ReDistill показывает улучшения относительно исходной на перечисленных тестах. Репозиторий содержит веса SafeTensors. Лицензия — MIT.

diwank/dfe-base-en-1 — модель на основе BERT, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 1536 для поиска семантически близких текстов, кластеризации и других задач сравнения предложений. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель обучена с использованием TripletLoss с евклидовой метрикой расстояния. Она подходит для семантического поиска и кластеризации текстовых фрагментов. Суффикс en в названии указывает на английскую ориентацию; карточка не перечисляет поддерживаемые языки явно. Доступна в формате PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

DistilGPT-OSS-qwen3-4B — созданная сообществом дообученная языковая модель на базе Qwen/Qwen3-4B-Thinking-2507. Она предназначена для диалогового помощника, генерации и объяснения кода, математических задач, кратких пересказов и повседневных запросов, в том числе локального использования. Обучение на ответах с рассуждениями GPT-OSS должно улучшить следование инструкциям и позволяет задавать уровень рассуждений low, medium или high через системный промпт. Модель плотная, содержит 3,7 млрд параметров, принимает и генерирует текст; заявленный контекст — до 262 144 токенов, а при высоком уровне рассуждений модель может использовать до 65 536 токенов на рассуждение. Модель выпущена в формате bf16 Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Разработчик отмечает, что это независимый проект сообщества, не связанный с Alibaba или OpenAI. По заявлению автора, модель менее ограничительна, чем исходная GPT-OSS, и сохраняет safety training; она ориентирована на производительность и более разговорный стиль ответов. Размер модели ограничивает её общие знания, а ответы могут содержать ошибки: автор не рекомендует полагаться на неё в медицинских, юридических и других высокорисковых задачах.

freds0/distil-whisper-large-v3-ptbr — модель автоматического распознавания речи, созданная дообучением distil-whisper/distil-large-v3 для бразильского португальского языка. Она принимает аудио и генерирует текстовую транскрипцию; архитектура основана на WhisperForConditionalGeneration и содержит 905,2 млн параметров. Для работы можно использовать библиотеку Transformers. Модель обучена на Common Voice 16 и частном наборе данных, автоматически размеченном с помощью Whisper Large v3. В README указана частота ошибок слов (WER) 8,221% на валидационном наборе Common Voice 16. Модель распространяется по лицензии MIT.

Seznam.cz разработала Dist-MPNet-Paracrawl — компактную модель эмбеддингов на базе BERT, дистиллированную из sentence-transformers/all-mpnet-base-v2 на параллельном чешско-английском корпусе CzEng. Модель предназначена для оценки семантического сходства предложений и может применяться для поиска похожих текстов, извлечения релевантных документов, кластеризации и классификации. Модель содержит 27,2 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт представления для сравнения предложений. Она рассчитана на чешский и английский языки. Репозиторий содержит веса PyTorch; лицензия — CC BY-NC-SA 4.0, предусматривающая указание авторства, распространение производных работ на тех же условиях и ограничения на коммерческое использование.

dolphin-2.8-mistral-v02-2x7b — языковая модель Mixture of Experts (MoE), созданная с помощью LazyMergekit путём объединения cognitivecomputations/dolphin-2.8-mistral-7b-v02 и OpenPipe/mistral-ft-optimized-1227. Она предназначена для генерации текста в формате чата: один набор экспертов ориентирован на диалог, ответы и объяснения, другой — на программирование и алгоритмы. Модель имеет архитектуру MixtralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст длиной до 32 768 токенов. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Модель подходит для создания чат-ассистентов, объяснения тем и помощи с кодом. В карточке не приведены результаты оценок качества или сведения о поддерживаемых естественных языках, поэтому качество и языковой охват по этим данным определить нельзя.

Dolphin 3.0 Llama 3.2 3B — инструктивно дообученная языковая модель, созданная Eric Hartford, Ben Gitter, BlouseJury и Cognitive Computations на основе Meta Llama 3.2 3B. Это плотная авторегрессионная модель семейства Llama с 3,2 млрд параметров и контекстом до 131 072 токенов; веса доступны в формате Safetensors. Модель предназначена для локального использования как универсальный диалоговый помощник. Она подходит для генерации текста, программирования, математических задач и работы в агентных сценариях, включая интерфейс вызова функций. Для диалогов используется шаблон ChatML; системный промпт позволяет задавать тон и правила поведения. Обучение опиралось на наборы данных для инструкционного диалога, кода, математики и вызова функций. Модель рассчитана на текстовый ввод и выдаёт текст. В карточке указан английский язык. Количественные результаты оценки качества не приведены. Лицензия — Llama 3.2; условия использования определяются этой лицензией.

Marqo Stella v2 — модель для получения текстовых эмбеддингов и оценки сходства между предложениями. В карточке она описана как близкая к исходной Dunzhang Stella 400M, но с объединённым Matryoshka-слоем: он позволяет получать эмбеддинги меньшей размерности с меньшими вычислительными затратами, сохраняя метрики релевантности. Модель содержит 433,9 млн параметров, поддерживает контекст до 8192 токенов и распространяется в форматах PyTorch и Safetensors. Модель подходит для семантического поиска, сопоставления запросов с документами и поиска похожих текстов. В метаданных указан pipeline sentence-similarity, а среди возможностей — embeddings. Лицензия — MIT. README не уточняет поддерживаемые языки или специализированные области применения.

E5-Mistral-7B-Instruct-Embedding-GGUF — модель для создания текстовых эмбеддингов, основанная на intfloat/e5-mistral-7b-instruct. Модель разработана intfloat, а GGUF-квантизация выполнена Second State Inc. Она предназначена для задач семантического поиска, сопоставления текстов, кластеризации и построения retrieval-систем. В README указана поддержка английского языка и текстовая модальность. Модель доступна в нескольких вариантах квантизации GGUF с разрядностью от 2 до 8 бит, а также в формате f16; размер файлов составляет примерно от 2,72 до 14,5 ГБ. Рекомендуемыми названы варианты Q4_K_M, Q5_K_M и Q5_K_S, обеспечивающие баланс между размером и потерей качества. Контекстное окно — 4096 токенов. Для запуска через LlamaEdge требуется версия 0.8.2 или новее и шаблон prompt типа embedding. Более сильная квантизация уменьшает размер и требования к ресурсам, но может заметно снижать качество эмбеддингов; для малых вариантов в README отмечены существенные потери качества. Лицензия — MIT.

e5-sk-small — компактная модель текстовых эмбеддингов для словацкого языка, выпущенная в рамках проекта SkMTEB. Это плотная BERT-модель на базе intfloat/multilingual-e5-small: после сокращения словаря и дообучения она содержит 45 млн параметров по README, а в метаданных указано 51,4 млн; размер вектора составляет 384 измерения. Модель принимает текст и выдаёт эмбеддинги для семантического поиска, сравнения предложений, кластеризации и классификации. Для поиска используйте префикс query: у запроса и passage: у документов; для симметричных задач префикс не нужен. Модель ориентирована прежде всего на словацкие тексты и показывает результаты на бенчмарке SkMTEB, сопоставимые с multilingual-e5-small и text-embedding-3-small. Также заявлена поддержка межъязыкового поиска между словацким, английским и чешским. Контекстная длина архитектуры по метаданным — 512 токенов; при дообучении использовались последовательности до 256 токенов. Лицензия — MIT, веса доступны для локального запуска.

api19750904/efeverde-cat — модель на базе RoBERTa, обученная для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно использовать для семантического поиска и кластеризации текстов, а также для сравнения сходства предложений. В репозитории представлены веса PyTorch; размер модели — около 151,8 млн параметров, контекст — до 514 токенов. Модель рассчитана на получение текстовых эмбеддингов, а не на генерацию текста. В README указано обучение с CosineSimilarityLoss; для работы предлагаются Sentence-Transformers либо Transformers с подходящей операцией pooling. Язык обучения и лицензия в доступных данных не установлены.

embeddinggemma-300m-GGUF — это модель для создания векторных представлений текста, основанная на google/embeddinggemma-300m. Исходную модель разработала Google, а GGUF-версии подготовила Second State Inc. Модель предназначена для задач семантического сходства и других сценариев, где требуется сравнивать тексты по смыслу, включая поиск и работу с векторными индексами. Модель поддерживает запуск через sentence-transformers и LlamaEdge, использует специальный режим embedding и имеет контекстное окно 2048 токенов. Доступны варианты размерности эмбеддингов 128, 256, 512 и 768. Репозиторий содержит квантованные GGUF-файлы размером примерно от 212 до 329 МБ, а также версию f16 размером 616 МБ. Квантование уменьшает требования к ресурсам, но может снижать качество: Q4_K_M, Q5_K_M и Q5_K_S обозначены как сбалансированные или рекомендуемые варианты, тогда как наиболее компактные версии имеют существенные потери качества. README не содержит сведений о поддерживаемых языках, точной архитектуре, составе модальностей или конкретных наборах данных обучения. Модель распространяется по лицензии Gemma; условия лицензии следует учитывать при использовании.

ember-v1 — англоязычная модель эмбеддингов текста от llmrails, построенная на архитектуре BERT. Она обучена на большом корпусе пар текстов из разных областей с использованием методов из исследований RetroMAE и SetFit и предназначена для извлечения векторных представлений и сравнения сходства предложений. Модель содержит 433,9 млн параметров, выдаёт эмбеддинги размерности 1024 и обрабатывает последовательности длиной до 512 токенов. В README приведён результат 63,54 в среднем по 56 задачам бенчмарка MTEB; это заявление разработчика. Модель распространяется под лицензией MIT.

Eurus-7B-KTO — языковая модель OpenBMB для диалогов и задач, требующих рассуждений. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, контекстом до 32 768 токенов и интерфейсом чата. Модель дообучена методом KTO на базе Eurus-7B-SFT: использованы пары многошаговых диалоговых траекторий UltraInteract и пары предпочтений UltraFeedback. Модель предназначена для генерации ответов и многоходовых диалогов; авторы отдельно отмечают задачи математики и программирования и приводят специальные форматы запросов для них. В README сообщается о сравнительно высоких результатах на оценках рассуждений, математики и диалоговых способностей, однако конкретные метрики в карточке не приведены. Для лицензии Apache-2.0 разрешено использование на её условиях.

F2LLM-v2-4B-Preview — многоязычная модель эмбеддингов от CodeFuse AI, дообученная на базе Qwen3-4B. Она обучена на корпусе из 27 миллионов примеров и предназначена для получения текстовых векторных представлений, которые можно использовать в задачах поиска, сопоставления и других сценариях с эмбеддингами. Это базовая preview-версия без инструкционного обучения, рассчитанная на дальнейшую настройку под конкретные задачи. Модель имеет плотную архитектуру Qwen3 и около 3,7 млрд параметров; максимальный контекст составляет 40 960 токенов. README сообщает о данных более чем на 100 естественных и программных языках, а метаданные перечисляют поддерживаемые языки карточки, включая русский и английский. Доступны веса в формате Safetensors и использование через Transformers или Sentence Transformers. Лицензия — Apache-2.0.

Карточка модели jessietextstan/few-shot-model на Hugging Face совпадает с карточкой lewtun/my-awesome-setfit-model, поэтому описание составлено по ней. lewtun/my-awesome-setfit-model — модель Sentence-Transformers на архитектуре MPNet с 136,7 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768, предназначенные для сравнения смысловой близости текстов. Модель подходит для семантического поиска и кластеризации текстов, а также для получения эмбеддингов, используемых в других системах. В README указано обучение с функцией потерь CosineSimilarityLoss. Для применения описана работа через Sentence-Transformers или Transformers с подходящей операцией pooling. Максимальная длина контекста — 514 токенов. Модель принимает текст и выдаёт векторы. В карточке нет сведений о лицензии или целевых языках, поэтому определить условия использования и языковую специализацию по доступным данным нельзя.

DragosGorduza/FRPile_GPL_test_pipeline_all-mpnet-base-v2-MISTRAL-notrescaled_20000 — модель Sentence Transformers на архитектуре MPNet, разработанная автором репозитория DragosGorduza. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Модель содержит 136,7 млн параметров, принимает текст и имеет контекстное окно до 514 токенов. В карточке указано обучение с MarginDistillationLoss из GPL Toolkit. Веса опубликованы в формате safetensors. Модель подходит для построения векторного поиска и группировки текстов; конкретные языки и условия лицензии в предоставленных данных не подтверждены.

aisuko/ft-with-st — англоязычная модель Sentence Transformer, дообученная разработчиком aisuko на базе google-bert/bert-base-uncased на наборах all-nli-triplet и stsb. Архитектура объединяет BERT и mean pooling; модель преобразует предложения и абзацы в плотные векторы размерности 768, а сходство между ними оценивается косинусной мерой. Модель предназначена для поиска семантически близких текстов, оценки сходства предложений, поиска перефразирований, кластеризации и использования текстовых представлений в классификации. Максимальная длина входа — 512 токенов. Для работы с ней подходит библиотека Sentence Transformers. Модель ориентирована на английский язык; качество для других языков в карточке не описано. Лицензия в предоставленных данных не указана.

CloudlessSky/fullname_encoder_v1 — дообученная на базе intfloat/multilingual-e5-small модель Sentence Transformers для кодирования предложений и абзацев в плотные векторы размерности 384. Она использует BERT, среднее объединение токенов и нормализацию выходного вектора; максимальная длина входа — 512 токенов. Косинусное сходство между векторами подходит для семантического сравнения текстов, поиска похожих формулировок и кластеризации. По карточке модель обучалась на парах текстов с контрастивной функцией потерь; примеры данных содержат русские ФИО, а базовая модель многоязычная. Модель распространяется в формате safetensors; сведения о лицензии отсутствуют в предоставленных данных.

aleversn/GCSE-BERT-base — англоязычная модель семейства GCSE на архитектуре BERT, дообученная на базе google-bert/bert-base-uncased для оценки сходства предложений. Она предназначена для сравнения смысловой близости текстов; в карточке приведён результат 81,98 по средней метрике STS. Модель содержит 136,7 млн параметров, принимает текстовые последовательности с контекстом до 512 токенов и распространяется в формате PyTorch. Лицензия — Apache-2.0.

Granite-Embedding-97M-Multilingual-R2-GGUF — это мультиязычная модель для создания векторных представлений текста, опубликованная пользователем mykor и основанная на модели ibm-granite/granite-embedding-97m-multilingual-r2, разработанной IBM Granite. Модель распространяется в формате GGUF и предназначена для задач feature extraction, семантического поиска, сравнения предложений и других сценариев, где требуется оценивать смысловую близость текстов. Модель поддерживает широкий набор языков, включая русский, английский, китайский, японский, корейский, арабский и многие другие. В README указано, что доступен файл granite-embedding-97M-multilingual-r2-BF16.gguf в формате BF16; размер базовой модели составляет 97 млн параметров. Для запуска приведён пример с llama.cpp через llama-cpp-python в режиме генерации эмбеддингов. README не содержит сведений о максимальной длине контекста, размерности векторов или подробностях архитектуры. В качестве сильной стороны заявлена близкая совместимость эмбеддингов с исходной моделью Sentence Transformers: в приведённом примере косинусное сходство результатов двух реализаций составляет 0,9999579. Ограничения и результаты независимых бенчмарков в README не описаны. Модель распространяется по лицензии Apache-2.0.

Grug 27B v2 — диалоговая модель для программирования и работы с инструментами, разработанная ProCreations на базе Qwen/Qwen3.8-27B. Это плотная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration; основные веса дообучены на примерах кода, математики, исправления ошибок и вызовов инструментов. Репозиторий содержит веса safetensors и встроенную обученную MTP-голову для ускорения генерации при поддержке со стороны среды выполнения. Модель предназначена для генерации и исправления кода, решения агентных задач с инструментами и диалогового взаимодействия. В README приведены результаты на небольших поднаборах HumanEval, MBPP, BFCL и SWE-bench Verified; авторы отдельно подчёркивают, что это не полные лидерборды и они не гарантируют преимущество на всех задачах. Доступны уровни reasoning_effort low, medium и xhigh, по умолчанию medium. Для запуска с MTP автор проверял vLLM 0.29.0; ускоряющая голова уже включена в чекпойнт, но её поддержку необходимо включить в рантайме. В README указана оценка на ограниченном наборе 12 задач SWE-bench Verified: при стандартных для каждого уровня лимитах модель решила 9, 10 и 11 задач на low, medium и xhigh соответственно. На поднаборе MATH результат Grug v2 ниже базовой Qwen. Автор также сообщает о незавершённых циклах рассуждения, возможном снижении точности при более длительном рассуждении и зависимости качества вызовов инструментов от правильной настройки парсеров и шаблона. Заявленная длина контекста в README не приводится; 65 536 токенов упомянуты как условие отдельного сравнительного запуска, а в примере настройки vLLM задан предел 24 576 токенов. Лицензия — Apache-2.0.

gte-large-en-v1.5 — англоязычная модель текстовых эмбеддингов, разработанная Institute for Intelligent Computing группы Alibaba. Она предназначена для поиска по смыслу, сопоставления предложений и длинных текстов, а также для задач извлечения информации, где требуется сравнивать текстовые представления. Модель построена на энкодерной архитектуре transformer++ на основе BERT с RoPE и GLU; содержит около 434 млн параметров, выдаёт векторы размерности 1024 и поддерживает контекст до 8192 токенов. В README приведены результаты оценки на MTEB и LoCo, включая сильные показатели для модели этого размера и конкурентные результаты на длинноконтекстном поиске. Модель обучалась с masked language modeling и контрастивным предварительным обучением и дообучением. Для работы с ней доступны веса safetensors и ONNX, библиотека Transformers. Лицензия — Apache-2.0. Модель ориентирована на английский язык; качество для других языков не заявлено.

Это конвертированная в формат GGUF версия модели GTE-large, опубликованная пользователем opaninakuffo. GTE-large — модель для получения векторных представлений текста и задач поиска по семантическому сходству; её можно применять для создания эмбеддингов, поиска и ранжирования текстов. Метаданные репозитория указывают тег feature-extraction, формат GGUF и лицензию MIT. По названию репозитория предполагается сохранение весов в FP16 с разбиением на части. Поиск не позволил проверить карточку модели и подтвердить подробности о языках, контексте и ограничениях.

Это модель Sentence Transformers, дообученная IoannisKat1 на базе Alibaba-NLP/gte-multilingual-base для преобразования предложений и абзацев в плотные текстовые эмбеддинги. Вектор размерности 768 нормализуется; для сравнения используется косинусное сходство. Максимальная длина последовательности — 8192 токена. Модель предназначена для поиска и извлечения релевантных текстов, включая сценарии семантического поиска по документам и вопросам. В карточке приведены результаты оценки поиска при усечении эмбеддингов до 768, 512, 256, 128 и 64 измерений; качество снижается при уменьшении размерности. Обучение описано на 4 268 парах текстов с функциями потерь MatryoshkaLoss и MultipleNegativesRankingLoss. README указывает английский язык, но примеры обучающих данных содержат греческий текст, поэтому языковой охват по карточке определить однозначно нельзя. Лицензия — Apache-2.0.

Hugo-7B-slerp — диалоговая языковая модель на архитектуре Mistral, созданная paulilioaica слиянием методом SLERP моделей Mistral-7B-Instruct-v0.2 и CodeNinja-1.0-OpenChat-7B с помощью mergekit. Она предназначена для генерации текста и ответов на инструкции в диалоговом формате; объединяет возможности исходных моделей, включая общие диалоговые задачи и работу с кодом. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В README приведены результаты оценок на ARC, HellaSwag, MMLU, TruthfulQA, Winogrande и GSM8K, но они не гарантируют аналогичное качество на других задачах. Языковая поддержка и специализированные области применения в карточке не перечислены. Модель распространяется по лицензии Apache-2.0.