III.10Проекты, процессы и операционное управление

Ice0.50.1-16.01-RP — языковая модель на архитектуре Mistral, созданная объединением предварительно обученных моделей с помощью SLERP через mergekit. Репозиторий содержит веса Safetensors; размер модели — 7,1 млрд параметров, контекст — до 32 768 токенов. Метаданные указывают поддержку диалогового режима и генерации текста. Модель подходит для диалогов и генерации ответов на текстовые запросы. README подтверждает объединение Ice0.40-20.11-RP и IceDrunkenCherryRP-7b-orpo-merged, однако их локальные пути не позволяют определить публичные идентификаторы базовых моделей. Лицензия в предоставленных данных не указана.

JevK5-2B — англоязычная модель для принятия типизированных решений по документам, разработанная как открытая альтернатива Jev компанией TypeSafe; с TypeSafe AI модель не связана. Она принимает документ и вопрос с ответами «да/нет», вариантами выбора или числовой шкалой и за один проход выдаёт вероятности для каждого варианта, не генерируя текст ответа. Модель основана на плотной архитектуре Qwen3.5-2B с 1,7 млрд параметров: адаптер LoRA ранга 16 объединён с весами. Веса доступны в формате safetensors, лицензия — Apache-2.0. Базовая модель поддерживает контекст до 262 144 токенов, но JevK5-2B отказывает в обработке входов длиннее 16 384 токенов. Модель предназначена для извлечения фактов из документов, классификации и маршрутизации по заданным вариантам. В README приведены результаты на вопросах по бизнес-документам и публичном JevBench; авторы отмечают хорошее качество на простых решениях, но более низкое — на стандартных и сложных примерах по сравнению с версией на 4 млрд параметров. Слабые стороны — арифметика, многошаговые запросы, даты, суммы и общие знания; на закрытом наборе JevBench модель не оценивалась. Для применения требуется JevK5 runtime на GPU NVIDIA либо сборка GGUF и llama.cpp на других устройствах.

jul-decision-e5-small — дообученная командой jul компактная модель на базе multilingual-e5-small для типизированных решений по тексту: выбора категории (Choice), ответа «да/нет» (Noul) и выставления оценки (Score). В репозитории есть два варианта весов: векторная модель кодирует текст и варианты ответа отдельно для сравнения, а cross-модель обрабатывает вопрос и текст совместно. Архитектура — BERT, 124,3 млн параметров, контекст до 512 токенов; модель рассчитана на английский и французский языки. Для классификации Choice входы векторного варианта используют префикс `query: `; модель можно запускать в облегчённой сборке ONNX с 8-битной квантизацией, опубликованной отдельно. Модель подходит для классификации текстов по заданным вариантам, бинарных решений и оценивания без размеченных примеров, а также для тонкой настройки на конкретную задачу при наличии меток. В README приведены результаты на классификации, определении тональности и оскорбительного содержания, перефразировании и выводе. Указаны слабые места: оценка срочности, распознавание вежливых, но серьёзных жалоб, различение предложений с одинаковыми словами в разном порядке и ответы на вопросы, требующие знаний. Лицензия — Apache-2.0.

K2S3-Mistral-7b-v1.42 — текстовая авторегрессионная модель, разработанная K2S3 и дообученная на базе mistralai/Mistral-7B-v0.1. Это плотная модель семейства Mistral на 7,2 млрд параметров для генерации текста и диалоговых ответов. Модель обучена методом полного SFT на данных alpaca-gpt4-data и части OpenOrca. Она принимает текст и генерирует текст; метаданные указывают контекст до 32 768 токенов и поддержку английского языка. Веса опубликованы в формате safetensors. Модель подходит для ответов на инструкции и вопросов, а также для генерации и продолжения текста на английском языке. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Joseph717171/Llama-3.1-SuperNova-8B-Lite_TIES_with_Base — объединённая языковая модель, созданная автором репозитория с помощью mergekit методом TIES на основе arcee-ai/Llama-3.1-SuperNova-Lite и meta-llama/Llama-3.1-8B. Модель относится к семейству Llama, имеет плотную архитектуру LlamaForCausalLM и около 7,5 млрд параметров; для загрузки используются файлы safetensors. Заявленная длина контекста — 131 072 токена. Модель предназначена для генерации текста и диалоговых сценариев. Автор применил параметры weight и density, чтобы сохранить больше возможностей следования инструкциям при объединении. В карточке приведены результаты Open LLM Leaderboard, включая оценку IFEval 80,96 и средний балл 43,07. Лицензия — Llama 3.1; условия использования определяются соответствующей лицензией Meta. README не сообщает поддерживаемые естественные языки и не описывает отдельные специализированные области применения.

xinlai/Llama-3-70B-SFT-Step-DPO — разговорная языковая модель семейства Llama 3, представленная в формате safetensors. Она предназначена для генерации текста и диалогового общения. Модель плотная, содержит 69,5 млрд параметров и поддерживает контекст до 8192 токенов. Название указывает на supervised fine-tuning и обучение методом Direct Preference Optimization, однако README не содержит описания обучения или оценки качества. Модель распространяется по лицензии Apache-2.0.

M7Yamshadowexperiment28_Inex12Experiment26 — объединённая языковая модель на архитектуре Mistral, созданная путём слияния automerger/M7Yamshadowexperiment28-7B и automerger/Inex12Experiment26-7B. Она предназначена для генерации текста и поддерживает контекст до 32 768 токенов. Модель содержит 7,1 млрд параметров и распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает специализацию по языкам или предметным областям; модель можно рассматривать для общих задач генерации текста.

M7Yamshadowexperiment28_Ognoexperiment27M7 — объединённая модель на архитектуре Mistral, созданная слиянием automerger/M7Yamshadowexperiment28-7B и automerger/Ognoexperiment27M7-7B. Она содержит 7,1 млрд параметров, использует формат safetensors и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов. Лицензия Apache-2.0 разрешает использование на её условиях. Данных о специальных областях применения и ограничениях качества в карточке нет.

MeliodasPercival_01_T3qm7xNeuralsirkrishna — объединённая языковая модель семейства Mistral, созданная слиянием моделей automerger/MeliodasPercival_01-7B и automerger/T3qm7xNeuralsirkrishna-7B. Она содержит 7,1 млрд параметров и предназначена для генерации текста и диалогов на основе текстовых запросов; поддерживает контекст до 32 768 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. В карточке не приведены сведения о целевых языках, специализированных областях или оценках качества, поэтому её можно описать как модель общего назначения.

MFANN3bv0.20.17 — языковая модель семейства Phi, разработанная netcat420 и предназначенная для генерации текста по инструкциям и выполнения широкого круга общих задач. Это дообучение предыдущей версии netcat420/MFANN3bv0.20.16 на наборе данных netcat420/MFANN. Модель содержит 3,5 млрд параметров, использует плотную архитектуру PhiForCausalLM и принимает текстовые инструкции в формате «Instruct: … Output:». Контекстное окно составляет до 32 768 токенов; карточка указывает английский язык. Средняя ошибка обучения, приведённая автором для MFANN, составляет 0,33. Модель распространяется в формате safetensors по лицензии MIT.

Mini_synatra_7b_02-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная объединением Mistral-7B-Instruct-v0.2 и Minirecord/Mini_synatra_7b_02 методом SLERP с помощью mergekit. Модель имеет плотную архитектуру MistralForCausalLM и около 7,1 млрд параметров; репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста и диалоговых ответов на инструкции. Она принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов. В карточке не обозначены отдельные языки или специализированные предметные области. Модель распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества или подробных ограничений, поэтому пригодность для конкретных задач следует проверять отдельно.

zelk12/MT-Gen3-gemma-2-9B — объединённая авторами модель на базе Gemma 2, собранная методом SLERP с помощью mergekit из zelk12/MT-Gen3-GB-gemma-2-9B и zelk12/MT-Gen3-IMMMUMA-gemma-2-9B. Это плотная языковая модель с 9 млрд параметров для генерации текста и диалогового взаимодействия; она принимает текст и формирует текстовые ответы. Модель доступна в формате safetensors для Transformers, а README также содержит раздел о статических квантованных сборках GGUF. Контекст — до 8192 токенов. В карточке приведены результаты оценки на Open LLM Leaderboard, включая IFEval и BBH, но описание сценариев обучения и целевой специализации объединённой модели отсутствует. Для использования доступны веса модели; лицензия в предоставленных данных не указана.

rinna/nekomata-7b-instruction — это дообученная по инструкциям версия языковой модели rinna/nekomata-7b, разработанная rinna при участии Tianyu Zhao и Kei Sawada. Модель построена на плотном трансформере Qwen с 32 слоями и размером 11,4 млрд параметров; контекст — до 32 768 токенов. Для запросов используется формат Alpaca. Модель предназначена для генерации текста и выполнения инструкций на японском и английском языках. При дообучении использовались подмножества Databricks Dolly, японской версии Dolly, FLAN Instruction Tuning и японских наборов из корпуса Izumi lab LLM Japanese; некоторые секции оценочных корпусов были исключены для снижения риска утечки данных. Репозиторий содержит веса PyTorch и Safetensors. Лицензия указана как other, поэтому перед использованием следует проверить условия на странице модели. Карточка ссылается на страницу бенчмарков rinna, но не приводит результаты непосредственно; качество для конкретной задачи следует оценить отдельно.

NeuralsirkrishnaShadow_AlloyingotneoyYam — объединённая языковая модель на архитектуре Mistral, созданная слиянием automerger/NeuralsirkrishnaShadow-7B и automerger/AlloyingotneoyYam-7B. Модель содержит 7,1 млрд параметров и предназначена для генерации текста; доступна в формате safetensors. Модель принимает текст и генерирует текст, поддерживая контекст до 32 768 токенов. Карточка не описывает специализированные сценарии или языки обучения. Лицензия — Apache-2.0.

OCC-RAG-0.6B — компактная языковая модель для ответов на вопросы, основанных на предоставленных источниках. Её разработала команда OCC AI; модель дообучена на базе Qwen/Qwen3-0.6B-Base и содержит около 508 млн параметров. Это плотная причинная языковая модель на архитектуре Qwen3, принимающая текстовый вопрос и список текстовых источников. Контекст модели составляет 32 768 токенов. Модель анализирует вопрос и источники, объединяет свидетельства из нескольких фрагментов, приводит ссылки на источники по их идентификаторам и отвечает только тогда, когда контекст подтверждает ответ. Если данных недостаточно, она может воздержаться от ответа. В карточке описано обучение на синтетических примерах вопросов и ответов с привязкой рассуждений к цитатам и оценивание на задачах многошагового QA, верности контексту и отказа от неподтверждённых ответов. Модель предназначена для RAG-сценариев, например ответов по документам и базам знаний. Она не рассчитана на общие беседы или использование собственных знаний модели; обучение и оценивание охватывали цепочки рассуждений до трёх шагов, поэтому более длинные цепочки находятся вне заявленного распределения. Лицензия — MIT.

Oot-v2_lll — языковая модель для генерации текста и диалогов, созданная слиянием моделей mlabonne/Marcoro14-7B-slerp и Weyaxi/OpenHermes-2.5-neural-chat-v3-3-Slerp с помощью Mergekit. Она предназначена для ответов в чате и решения общих языковых задач. Модель использует плотную архитектуру Mistral с 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В README описан метод слияния SLERP и приведены результаты оценок на тестах рассуждений и понимания текста. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Mungert/pokee_research_7b-GGUF — GGUF-версия модели PokeeResearch-7B, разработанной Pokee AI и дообученной на базе Qwen2.5-7B-Instruct. Модель предназначена для автоматизации глубоких исследовательских задач: декомпозиции сложных запросов, работы с внешними источниками, многошагового рассуждения, проверки и синтеза информации. Она может использоваться как самостоятельный исследовательский ассистент или как компонент многоагентных систем, а также адаптироваться для научного поиска, извлечения документов и многоисточникового суммирования. Модель содержит около 7 миллиардов параметров, относится к инструментально расширяемым языковым моделям и поддерживает текстовые сценарии. В карточке указаны английский, китайский и другие языки, однако отдельно отмечено ограниченное качество для неанглоязычных задач. Контекст ограничен 32 768 токенами. Обучение проводилось на датасете MiroRL-GenQA с использованием RLOO и сигналов RLAIF, включая оценку смысловой эквивалентности и соблюдение формата поведения агента. Данная публикация представляет собой GGUF-сборку, созданную с помощью llama.cpp; применённый подход к квантованию повышает точность отдельных важных слоёв, но увеличивает размер файла, при этом конкретный уровень квантования не указан. Сильные стороны модели — ориентация на исследовательские рабочие процессы, самопроверку, верификацию и синтез данных из нескольких независимых направлений. Результаты зависят от качества внешних источников и поиска; возможны смещения от AI-обратной связи и галлюцинации при противоречивых или недостаточных данных. Модель не предназначена для непроверенных утверждений и единоличного принятия решений в медицинских, юридических или финансовых задачах. Лицензия — Apache 2.0.

AiCloser/Qwen2.5-32B-AGI — дообученная диалоговая языковая модель на архитектуре Qwen2.5, созданная на основе Qwen/Qwen2.5-32B-Instruct. Разработчик описывает её как первую донастройку Qwen2.5 32B для снижения чрезмерных отказов отвечать; для этого использованы наборы инструктивных и предпочтительных данных, включая датасеты с токсичным содержимым. Модель предназначена для диалога и генерации текста по инструкциям. Она содержит 32 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. В метаданных заявлены китайский, английский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский языки. Распространяется в формате safetensors по лицензии Apache-2.0. Настройка на снижение отказов может приводить к ответам на запросы, которые базовая модель отклоняет; степень такого эффекта и качество модели для отдельных задач в карточке не измерены. Модель сохраняет ограничения базовой языковой модели, включая возможность ошибок и недостоверных утверждений.

Stable Beluga 7B — авторегрессионная языковая модель Stability AI, дообученная на базе Llama 2 7B на внутреннем наборе данных в стиле Orca. Модель с плотной архитектурой Llama содержит 6,6 млрд параметров, принимает текст и предназначена для генерации ответов на текстовые запросы. Максимальная длина контекста — 4096 токенов; заявленный язык — английский. Модель подходит для диалогов, ответов на вопросы и выполнения разнообразных текстовых инструкций. В README отмечено, что тестирование проводилось на английском языке. Ответы могут быть неточными, предвзятыми или нежелательными, поэтому перед внедрением модель следует проверить и настроить для конкретного применения. Чекпойнт распространяется по некоммерческой лицензии STABLE BELUGA NON-COMMERCIAL COMMUNITY LICENSE AGREEMENT.

Starling-LM-7B-beta — языковая модель Nexusflow, дообученная на Openchat-3.5-0106 с помощью обучения с подкреплением на основе обратной связи от ИИ (RLAIF). Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и принимает текстовые диалоги, используя контекст до 8192 токенов. Модель предназначена для чат-общения и генерации ответов. При обучении использовались набор ранжированных предпочтений Nectar, reward-модель Starling-RM-34B и метод PPO; авторы сообщают результат 8,12 на MT-Bench с оценкой GPT-4. Для сохранения качества следует применять шаблон чата Openchat-3.5-0106; иногда ответы бывают многословными, и авторы рекомендуют температуру 0, чтобы уменьшить это. Лицензия Apache-2.0 с указанным в карточке условием, запрещающим использовать модель для конкуренции с OpenAI.

StarMonarch-7B — объединённая диалоговая модель на архитектуре Mistral, созданная Ppoyaa методом SLERP с помощью LazyMergekit на основе mlabonne/AlphaMonarch-7B и Nexusflow/Starling-LM-7B-beta. Модель содержит 7,1 млрд параметров и предназначена для генерации текста и общения в формате чата; карточка приводит результаты оценки на задачах рассуждения и здравого смысла. Метаданные указывают контекст до 32 768 токенов, тогда как README заявляет окно контекста 8k. Модель принимает текст и генерирует текст, поддерживаемый язык — английский. Распространяется под лицензией Apache-2.0. Результаты бенчмарков в карточке не гарантируют качество для конкретного применения.

T3qm7xNeuralsirkrishna_Experiment24Experiment26 — объединённая модель для генерации текста, созданная на основе двух моделей Mistral: automerger/T3qm7xNeuralsirkrishna-7B и automerger/Experiment24Experiment26-7B. Она содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и принимает текстовый контекст длиной до 32 768 токенов. Модель предназначена для генерации текста и диалогов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

T3qm7xNeuralsirkrishna_PasticheNeuralsirkrishna — объединённая модель генерации текста на архитектуре Mistral, созданная путём слияния automerger/T3qm7xNeuralsirkrishna-7B и automerger/PasticheNeuralsirkrishna-7B. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

vishnukv/WestSeverusJaskier — объединённая автором модель семейства Mistral, созданная с помощью mergekit методом SLERP из PetroGPT/WestSeverus-7B-DPO и bardsai/jaskier-7b-dpo-v6.1. Это плотная авторегрессионная языковая модель с 7,1 млрд параметров, предназначенная для генерации текста и ответов на запросы. Она принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. Модель подходит для диалоговых сценариев, ответов на вопросы и генерации текста общего назначения. В README приведены результаты оценки на Open LLM Leaderboard: среднее значение 75,67, включая показатели на AI2 Reasoning Challenge и HellaSwag; эти цифры сами по себе не гарантируют качество в конкретном применении. В метаданных указана лицензия MIT. Карточка не сообщает о специальных ограничениях или подтверждённой поддержке конкретных естественных языков.

YamshadowStrangemerges_32_CalmeInex12 — объединённая языковая модель на архитектуре Mistral, созданная из automerger/YamshadowStrangemerges_32-7B и automerger/CalmeInex12-7B. Модель содержит 7,1 млрд параметров и принимает текст для генерации текста; заявленный контекст — до 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев. Веса доступны в формате safetensors, лицензия — Apache-2.0. README не сообщает подробностей о языковой специализации или методе объединения моделей.

YamshadowStrangemerges_32_PasticheInex12 — объединённая модель генерации текста, созданная из automerger/YamshadowStrangemerges_32-7B и automerger/PasticheInex12-7B. Она построена на архитектуре Mistral с плотной причинной языковой моделью на 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов. Её можно применять для написания и продолжения текстов, а также для ответов в текстовом чате. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

ANIMA-Nectar-v2-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель на архитектуре Mistral, созданная слиянием методом SLERP моделей mistralai/Mistral-7B-Instruct-v0.2 и Biomimicry-AI/ANIMA-Nectar-v2. Она предназначена для генерации текста и ответов в диалоге по инструкциям. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Весовые файлы представлены в формате safetensors; конфигурация слияния использует bfloat16. Репозиторий распространяется по лицензии Apache-2.0. Карточка не уточняет языковой охват и специализированные области применения.

AquilaMoE-SFT — двуязычная диалоговая языковая модель Beijing Academy of Artificial Intelligence (BAAI), построенная на архитектуре Mixture of Experts (MoE) семейства AquilaMoE и дообученная для следования инструкциям. В метаданных указано 15,9 млрд параметров; модель принимает текст и генерирует текст, поддерживает контекст до 4096 токенов и рассчитана на китайский и английский языки. Модель предназначена для диалогов и ответов на инструкции. В описании семейства говорится, что на каждом токене активируются два из восьми экспертов; приведённый результат AquilaMoE-SFT на AlpacaEval 2.0 составляет 21,1. Модель распространяется под лицензией Apache-2.0. README предупреждает, что у неё нет механизмов модерации, поэтому генерируемые ответы могут требовать отдельной проверки и фильтрации.

A.X 4.0 Light — компактная языковая модель компании SK Telecom, выпущенная в июле 2025 года. Она основана на Qwen2.5 и дополнительно обучена на крупных корейских наборах данных. В репозитории указана архитектура Qwen2 и размер около 6,9 млрд параметров; модель принимает текст и генерирует текст, поддерживает диалог и интерфейс вызова инструментов. Контекст модели — до 16 384 токенов. Модель предназначена для понимания корейского языка и практических задач в деловой среде: диалогов, ответов на вопросы и работы с длинными документами. Разработчик сообщает о высоких результатах на корейских тестах KMMLU и CLIcK и об эффективном использовании токенов для корейского текста. README также описывает вариант семейства на 72 млрд параметров; этот репозиторий содержит облегчённую версию. Модель распространяется по лицензии Apache-2.0.

Barcenas-Qwen3.8-27B-Fable — плотная диалоговая модель на архитектуре Qwen3.5, созданная разработчиком Danielbrdz путём дообучения Qwen/Qwen3.8-27B на наборе saidutta69/fable-5-premium. В карточке она представлена как модель для генерации текста и работы с изображениями; поддерживает чат, а нативная длина контекста составляет 262 144 токена. В репозитории указано 22,3 млрд параметров и формат safetensors. Модель предназначена для диалогов и других задач генерации текста; разработчик отмечает, что обучение на данных чатов, дистиллированных из Claude Fable 5, призвано улучшить разговорные способности Qwen. Заявление о производительности, сопоставимой с GPT 5.6 Luna и более крупными моделями, приводится автором без результатов независимой оценки. Лицензия — Apache-2.0.