III.10Проекты, процессы и операционное управление

SnorkelWestBeagle-DARETIES-7B — объединённая чат-модель на архитектуре Mistral, созданная с помощью LazyMergekit из Snorkel-Mistral-PairRM-DPO, WestLake-7B-v2 и NeuralBeagle14-7B; в конфигурации также указана Mistral-7B-v0.1 как базовая модель. Модель содержит 7,1 млрд параметров, принимает текст и предназначена для генерации ответов и рассуждений. Заявленная длина контекста — 32 768 токенов. Модель объединяет несколько чекпойнтов методом DARE-TIES с маской int8; веса сохранены в формате safetensors. В README приведены результаты Open LLM Leaderboard, включая оценки ARC и HellaSwag. Репозиторий распространяется по лицензии Apache-2.0. Карточка не описывает специализацию по языкам или прикладным областям.

SoulX-Transcriber — аудиоязыковая модель, разработанная Soul AI Lab совместно с группой ASLP Северо-Западного политехнического университета. Она выполняет распознавание речи и диаризацию в многосторонних диалогах в единой сквозной системе: определяет говорящих, сегментирует аудио с временными отметками и формирует согласованную с говорящими расшифровку, в том числе при быстрых сменах реплик и наложении речи. Модель построена на архитектуре Qwen3-Omni-30B-A3B-Instruct и предназначена для расшифровки разговоров с несколькими участниками. В README описано обучение с учетом характеристик говорящих и приведены результаты на наборах AISHELL-4 и AliMeeting. Репозиторий содержит веса safetensors; модель распространяется по лицензии Apache-2.0. Модель подходит для анализа встреч, интервью и других диалоговых записей, где важно связать реплики с участниками и временными интервалами. README не приводит конкретные ограничения качества или сведения о поддерживаемых языках самой модели; описанные в нем китайские и английские данные относятся к конвейеру симуляции диалогов.

Starling_Monarch_Westlake_Garten-7B-v0.1-GGUF — квантизированная версия текстовой генеративной модели Starling_Monarch_Westlake_Garten-7B-v0.1. Исходная модель опубликована giraffe176, а GGUF-квантизации подготовлены bartowski с использованием llama.cpp. Модель объединяет Mistral-7B-v0.1, Starling-LM-7B-alpha, AlphaMonarch-7B, WestLake-7B-v2-laser и garten2-7b. Модель предназначена для генерации текста и общих задач понимания и рассуждения на естественном языке. В README указаны результаты на EQ-Bench, ARC, HellaSwag, MMLU, TruthfulQA, Winogrande и GSM8K; среди приведённых показателей — 80,01 на EQ-Bench, 71,76% на ARC, 88,15% на HellaSwag и 65,07% на MMLU. Это указывает на пригодность для диалоговых, общеобразовательных, логических и текстовых сценариев, однако результаты зависят от методики тестирования. Модель относится к классу 7B и поставляется в формате GGUF с вариантами квантизации от Q4 до Q8, что позволяет выбирать баланс между размером файла, требованиями к памяти и качеством. Мультимодальность, поддерживаемые языки и размер контекстного окна в README не указаны. Лицензия — CC BY-NC 4.0, поэтому коммерческое использование может быть ограничено условиями лицензии.

WestBeagle-7B — объединённая модель для генерации диалогового текста, созданная с помощью LazyMergekit путём слияния mlabonne/NeuralBeagle14-7B и FelixChao/WestSeverus-7B-DPO-v2. Это плотная модель семейства Mistral с архитектурой MistralForCausalLM и 7,1 млрд параметров; веса опубликованы в формате safetensors. Модель предназначена для чат-ботов и генерации ответов на текстовые запросы. Контекстное окно составляет 32 768 токенов. В README приведены результаты Open LLM Leaderboard: среднее значение 75,22, включая 72,27 на AI2 Reasoning Challenge и 88,29 на HellaSwag. Модель лицензирована по CC BY-NC 4.0, которая ограничивает коммерческое использование. Карточка не сообщает о специальных гарантиях качества или других ограничениях применения.

Whisper-large-v3-turbo Russian Stage AW — это дообученная Coriollon модель распознавания речи на базе openai/whisper-large-v3-turbo. Она специализируется на русском языке, сохраняя поддержку английского, и предназначена для преобразования аудио в текст с пунктуацией и заглавными буквами. Архитектура — WhisperForConditionalGeneration, размер — 905,2 млн параметров. Модель особенно нацелена на длинные разговорные фрагменты: дообучение уменьшает потерю пунктуации во второй половине длинных реплик и встреч. Для Stage AW указаны совокупный WER 9,07% и рост плотности пунктуации в длинных репликах примерно в 2,7–2,9 раза относительно предыдущей версии. Репозиторий также содержит вариант faster-whisper с квантизацией int8 и вычислениями fp16. Модель распространяется по лицензии Apache-2.0. Ограничения: на короткой чистой речи качество пунктуации может быть ниже, чем у предыдущей версии, а на очень коротких фрагментах короче трёх секунд возможна избыточная пунктуация. Качество распознавания английской речи унаследовано от предыдущей версии и уступает исходной Whisper Turbo.

Aitana-7B-S-Instruct-i1-GGUF — квантизированная версия инструкционной языковой модели Aitana-7B-S-Instruct, разработанной gplsi и распространяемой в формате GGUF пользователем mradermacher. Модель предназначена для генерации текста и выполнения инструкций в диалоговых и прикладных сценариях, включая ответы на вопросы, подготовку и преобразование текстов, мультиязычные задачи и работу с информацией на испанском, каталанском и английском языках. В обучении использовались наборы данных OpenAssistant, Aya, FLORES, GSM8K, Alpaca, Dolly и другие специализированные мультиязычные и испаноязычные коллекции. Модель имеет размер 7B параметров; точная архитектура и размер контекстного окна в README не указаны. Представленная версия содержит набор вариантов квантизации, включая IQ- и Q-форматы, с размером файлов примерно от 2,4 до 6,5 ГБ. Более компактные варианты требуют меньше памяти, но могут заметно уступать в качестве; README рекомендует i1-Q4_K_M как быстрый вариант и i1-Q4_K_S как оптимальный компромисс между размером, скоростью и качеством. Модель предназначена только для работы с текстом, сведения о поддержке изображений или других модальностей отсутствуют. К сильным сторонам относятся специализация на каталанском, испанском и английском языках, инструкционный формат и возможность локального запуска через совместимые с GGUF инструменты. Ограничения связаны с отсутствием данных о бенчмарках, контекстном окне и точных характеристиках исходной архитектуры, а также с тем, что качество зависит от выбранного уровня квантизации. Указанная лицензия — Apache-2.0.

Amadeus-Verbo-BI-Qwen-2.5-72B-PT-BR-Instruct-Experimental — плотная языковая модель для диалогов и генерации текста на бразильском португальском. Её разработала Amadeus AI на основе Qwen/Qwen2.5-72B, дообучив модель в течение двух эпох на наборе из 600 тысяч инструкций. Архитектура Qwen2 использует Transformer, RoPE, SwiGLU, RMSNorm и grouped-query attention; размер по метаданным — 71,5 млрд параметров. Модель предназначена для ответов на инструкции и диалоговых сценариев на бразильском португальском. Она поддерживает контекст до 131 072 токенов и интерфейс вызова инструментов. Для загрузки автор рекомендует актуальную версию Transformers. Модель распространяется по лицензии Apache-2.0. Качество ответов может зависеть от формулировки запроса и соответствия задачи бразильскому португальскому; карточка не приводит результатов оценки качества.

AmberChat — англоязычная инструкция-следующая языковая модель, разработанная LLM360 как часть серии Pebble. Она дообучена на основе LLM360/Amber на наборах WizardLM Evol Instruct и ShareGPT. Модель использует плотную архитектуру LLaMA с примерно 6,6 млрд параметров и рассчитана на генерацию текста при контексте до 2048 токенов. AmberChat предназначена для диалогов и выполнения инструкций на английском языке. В карточке приведена оценка 5,43 на MT-Bench; веса доступны в формате safetensors для Transformers. Модель распространяется по лицензии Apache 2.0. Указанный контекст ограничен 2048 токенами; другие ограничения качества в карточке не описаны.

Experiment28M7_Experiment26Strangemerges_32 — объединённая модель генерации текста на базе архитектуры Mistral, созданная из automerger/Experiment28M7-7B и automerger/Experiment26Strangemerges_32-7B. Модель содержит 7,1 млрд параметров, использует формат Safetensors и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста по текстовому запросу. Репозиторий распространяется по лицензии Apache-2.0. Сведения о специализированной настройке модели и её ограничениях в карточке не приведены.

Flammen-Kunoichi-7B — объединённая языковая модель на архитектуре Mistral, созданная nbeerbower с помощью mergekit и метода SLERP из nbeerbower/flammen4-mistral-7B и SanjiWatsuki/Kunoichi-DPO-v2-7B. Модель содержит 7,1 млрд параметров и предназначена для генерации текста, включая диалоги и ответы на вопросы. Модель принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. Веса опубликованы в формате Safetensors и доступны по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Ice0.52.1-16.01-RP — диалоговая языковая модель на архитектуре Mistral, созданная автором репозитория слиянием предварительно обученных моделей методом SLERP с помощью mergekit. В слияние вошли Ice0.40-20.11-RP и IceDrunkenCherryRP-7b-orpo-merged3; веса сохранены в формате safetensors. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате. Лицензия в предоставленных сведениях не указана, поэтому условия использования следует проверить на странице репозитория Hugging Face. Карточка не приводит оценок качества или подробных ограничений на сценарии применения.

Karen_TheEditor_V2_STRICT_Mistral_7B-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель на архитектуре MistralForCausalLM с 7,1 млрд параметров. Это слияние методом SLERP модели mistralai/Mistral-7B-Instruct-v0.2 и FPHam/Karen_TheEditor_V2_STRICT_Mistral_7B; в README приведена конфигурация mergekit и формат весов bfloat16, а в репозитории указаны файлы safetensors. Модель предназначена для генерации текста и ответов в диалоге по инструкциям. Контекст составляет до 32 768 токенов. В карточке не описаны специальные области применения или языки, поэтому модель следует рассматривать как универсальную текстовую модель на базе Mistral. Модель выпущена под лицензией Apache-2.0. Карточка не содержит результатов оценивания качества или подробных сведений о поведении слияния; качество и следование инструкциям могут отличаться от исходной Mistral-7B-Instruct-v0.2.

mrm8488/limstral-7B-v0.1 — языковая модель Mistral 7B, дообученная на наборе данных LIMA для следования инструкциям. Она предназначена для генерации ответов на пользовательские запросы и выполнения общих инструкций в диалоговых сценариях. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст длиной до 32 768 токенов. Основной язык в карточке — английский. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не сообщает результаты оценки качества и не описывает специализированные области применения.

unsloth/Llama-3.1-70B — опубликованный Unsloth вариант Meta Llama 3.1-70B с динамической квантизацией Unsloth Dynamic 2.0, предназначенный для генерации текста. В основе — плотная авторегрессионная трансформерная архитектура LlamaForCausalLM с Grouped-Query Attention; модель содержит 69,5 млрд параметров и поддерживает контекст до 131 072 токенов. Модель принимает и генерирует текст. Она подходит для диалоговых приложений и других задач генерации естественного языка на английском, немецком, французском, итальянском, португальском, хинди, испанском и тайском языках. Вариант Unsloth заявлен как динамически квантованный с акцентом на сохранение точности; карточка не приводит независимых результатов сравнения именно этого репозитория. Для применения требуются значительные вычислительные ресурсы из-за размера модели. Возможны ошибки и небезопасные ответы; результаты следует проверять, а подключение внешних инструментов — контролировать. Модель распространяется по лицензии Llama 3.1 Community License с её условиями и ограничениями.

Misted-7B-Mistral-7B-Instruct-v0.2-slerp — диалоговая модель на 7,1 млрд параметров, созданная MaziyarPanahi слиянием Mistral-7B-Instruct-v0.2 и Walmart-the-bag/Misted-7B методом SLERP. Она предназначена для генерации текста в диалогах и ответов на инструкции. Модель использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов. В карточке указаны формат Safetensors и лицензия Apache-2.0. Сведения о языках и специализированных областях применения отсутствуют; поэтому модель можно описать как модель общего назначения, не приписывая ей отдельную специализацию. Качество и ограничения конкретного слияния в карточке не оценены.

jhflow/mistral7b-lora-multi-turn-v2 — дообученная текстовая модель семейства Mistral, созданная для многоходовых диалогов в сценариях RAG. Автор сообщает, что для обучения использовал наборы данных с диалогами, основанными на знаниях; шаблон промпта построен по формату ChatML и включает системный промпт, контекст, запрос пользователя и ответ ассистента. Модель имеет плотную архитектуру MistralForCausalLM и 7,1 млрд параметров, принимает текст и генерирует текст. Заявленная длина контекста — 32 768 токенов. Лицензия в предоставленных данных не указана.

YamT3qm7xp_ShadowOgno — объединённая методом слияния модель MaziyarPanahi на архитектуре Mistral с 7,1 млрд параметров. Она предназначена для генерации текста и принимает текстовые запросы; максимальная длина контекста составляет 32 768 токенов. Модель объединяет automerger/YamT3qm7xp-7B и automerger/ShadowOgno-7B. Она распространяется в формате safetensors по лицензии Apache-2.0. Доступные сведения подтверждают назначение для генерации текста, но не описывают специальные навыки или ограничения качества.

ArlowGPT-3B — компактная плотная языковая модель на архитектуре Llama 3.2 3B Instruct, дообученная разработчиком yuchenxie на наборе инструкций за пять эпох. Модель содержит 3,2 млрд параметров, работает с текстом и предназначена для диалогов и генерации ответов на инструкции; в метаданных указаны контекст до 131 072 токенов и интерфейс вызова инструментов. Карточка описывает примеры обучающих данных для разговоров, вопросов и ответов, справочных материалов и творческого письма, но не приводит их названия или независимые оценки качества. Модель подходит для чат-ботов, ответов на вопросы, создания текстов и краткого изложения документов в приложениях с ограниченными вычислительными ресурсами. README заявляет применение в юридических, медицинских и финансовых сценариях, однако не приводит профильной проверки качества для этих областей. Возможные ограничения включают более слабое решение сложных задач и зависимость результатов от типа задания. Лицензия — MIT.

Astrid-7B — языковая модель PAIX.Cloud для генерации текста на английском языке. Она построена на плотном трансформере RWForCausalLM с 32 декодирующими слоями и линейной выходной головой; в метаданных указано 10,9 млрд параметров и формат PyTorch. Модель доступна для работы через Transformers и предназначена для широкого круга текстовых сценариев, включая генерацию продолжений и ответы на вопросы. Модель принимает текст и генерирует текст. Карточка указывает обучение на английском языке, но не приводит длину контекста или лицензию. Ответы могут быть ошибочными, бессвязными или нерелевантными, а обучающие данные из интернета могут приводить к предвзятым или оскорбительным результатам; ответы следует проверять.

Bactrian-X LLaMA 13B Merged — объединённая модель инструкционного следования, разработанная MBZUAI на основе LLaMA-13B. Она дообучена с помощью LoRA на инструкциях из Stanford Alpaca и Databricks Dolly, переведённых на 52 языка; ответы для обучающих примеров были сгенерированы GPT-3.5-turbo. Модель предназначена для генерации ответов и выполнения текстовых инструкций в разных языках. Модель использует плотную архитектуру LLaMA с 12,9 млрд параметров и контекстом до 2048 токенов. Репозиторий содержит веса PyTorch; лицензия — MIT. Качество на разных языках может различаться: обучающие инструкции переводились машинным способом, а данные могут отражать культурные и языковые смещения английского оригинала.

Moritz Laurer разработал эту модель для классификации текста без примеров обучения. Она преобразует категории в гипотезы и оценивает, следует ли каждая гипотеза из входного текста; поэтому один и тот же подход подходит для разных задач классификации. Модель работает через конвейер zero-shot classification в библиотеке Transformers и поддерживает выбор одной или нескольких категорий. Это плотная модель DeBERTa-v3-large с примерно 533,8 млн параметров и контекстом до 512 токенов. Она обучена на синтетических данных для классификации и коммерчески дружественных наборах MNLI и FEVER-NLI. Карточка указывает английский язык; модель рассчитана на текстовый ввод и выдаёт оценки категорий. Автор сообщает о более высокой точности DeBERTa-v3 по сравнению с RoBERTa в серии, но отмечает, что она работает медленнее. Модель может применяться для тематической разметки, анализа тональности, маршрутизации обращений и других задач, которые можно выразить через проверку гипотез. Качество зависит от формулировки шаблона гипотезы и названий классов; возможны смещения, связанные с базовой моделью, данными NLI и синтетическими данными. Лицензия репозитория — MIT; суффикс «-c» обозначает обучение на данных, которые автор характеризует как коммерчески дружественные.

Garten2-7B — языковая модель общего назначения, разработанная senseable и основанная на дообученной Mistral-7B-v0.1. Она предназначена для генерации текста, диалога и создания контента. Модель использует плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и имеет контекстное окно 32 768 токенов. В репозитории доступны веса в формате safetensors; библиотека для работы — Transformers. Карточка приводит результаты оценки на бенчмарках рассуждений и понимания текста. Модель поддерживает английский язык. Она распространяется по лицензии Apache-2.0. Карточка не описывает специальные ограничения качества или отдельные прикладные области.

Gigi-Llama3-8B-Chinese-zh — плотная авторегрессионная языковая модель семейства Llama 3, разработанная как дообучение Llama-3-8B-Instruct. Она обучена на более чем 1,3 млн отобранных китайско-английских примеров, включая данные OpenHermes-2.5, Hermes, glaive-function-calling и китайские наборы COIG-CQIA и alpaca-gpt4-data-zh. Модель рассчитана на диалог и генерацию текста, особенно на задачи в китайско-английском контексте, с усиленной поддержкой китайского языка. Модель содержит 7,5 млрд параметров, использует библиотеку Transformers и формат safetensors; заявленная длина контекста — 8192 токена. Карточка описывает поддержку шаблона диалога Llama-3-8B-Instruct и приводит результаты на отдельных бенчмарках, но не раскрывает подробностей методики оценки. Лицензия — Apache-2.0.

Lexora-Medium-7B — диалоговая языковая модель, опубликованная DeepMount00. Она основана на плотной архитектуре Qwen2 и содержит 7,1 млрд параметров. Модель предназначена для генерации текста в формате беседы и имеет интерфейс для вызова инструментов. В карточке указаны обучающие наборы Sonnet-3.5-ITA-INSTRUCTION и Sonnet-3.5-ITA-DPO, а также поддержка итальянского и английского языков. Максимальная длина контекста составляет 131 072 токена. Модель доступна в формате safetensors по лицензии Apache-2.0.

Карточка модели monsterbeasts/LishizhenGPT на Hugging Face совпадает с карточкой bigscience/bloomz-7b1-mt, поэтому описание составлено по ней. BLOOMZ-7B1-mt — многоязычная генеративная языковая модель, созданная BigScience путём дообучения BLOOM на смеси кросс-языковых задач xP3. Она предназначена для выполнения инструкций на естественном языке без отдельного дообучения под каждую задачу: модель может отвечать на вопросы, переводить, классифицировать текст и создавать связные тексты. Архитектура — плотная авторегрессионная BLOOM с 7,1 млрд параметров; модель работает с текстом, поддерживает десятки языков и имеет контекст до 2048 токенов. Среди сильных сторон — следование инструкциям и перенос между языками и задачами в режиме zero-shot. Качество ответов зависит от формулировки запроса: README рекомендует явно обозначать границу инструкции и указывать желаемый язык и контекст. Модель может продолжать входной текст вместо ответа, если запрос сформулирован неоднозначно. Распространяется по лицензии BigScience BLOOM RAIL 1.0.

LongAlpaca-13B — языковая модель на архитектуре Llama, выпущенная командой LongLoRA. Модель содержит 12,9 млрд параметров и дообучена с учителем на наборе LongAlpaca-12k, который включает длинные и короткие вопросы и ответы. Она предназначена для следования инструкциям и ответов на вопросы по длинным текстам, например разделам книг и научным статьям. В README для LongAlpaca-13B указано окно контекста 32 768 токенов; метаданные этой конкретной карточки указывают native context в 4 096 токенов. Поэтому заявленную возможность работы с длинным контекстом следует учитывать с оглядкой на конфигурацию и фактическую поддержку весов. Модель принимает текст и генерирует текст; сведения о поддерживаемых естественных языках не приведены. Для использования весов требуется принять лицензию и политику допустимого использования Meta.

M7Yamshadowexperiment28_YamM7 — объединённая модель семейства Mistral, созданная из automerger/M7Yamshadowexperiment28-7B и automerger/YamM7-7B. Модель содержит 7,1 млрд параметров и использует архитектуру MistralForCausalLM; для работы с текстом доступен контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов. Её можно использовать для составления ответов, продолжения текста и разговорного взаимодействия. В карточке модели не приведены сведения о специализации или языковом охвате. Модель распространяется по лицензии Apache-2.0. README не сообщает о результатах оценки качества или известных ограничениях.

dddsaty выпустил Merge_Sakura_Solar — разговорную модель генерации текста на архитектуре Llama с 10,6 млрд параметров. Она объединяет Sakura-SOLAR-Instruct, Sakura-SOLRCA-Instruct-DPO и Sakura-SOLRCA-Math-Instruct-DPO-v2 с помощью mergekit и метода dare_ties. Модель предназначена для диалогов, ответов на вопросы и решения математических задач. В карточке приведены результаты тестов ARC, HellaSwag, MMLU, TruthfulQA, Winogrande и GSM8K; средний балл указан как 74,03. Поддерживает контекст до 4096 токенов и работает с текстом на английском языке. Модель распространяется в формате safetensors по лицензии CC BY-NC-SA 4.0. По условиям лицензии производные материалы должны распространяться на тех же условиях, требуется указание авторства, а коммерческое использование запрещено.

OpenBuddy-zero-14b-v22.3-32k — многоязычная диалоговая языковая модель семейства Llama, разработанная OpenBuddy. Она предназначена для чат-общения и генерации текста в ответ на запросы; модель содержит 13,8 млрд параметров и поддерживает контекст до 32 768 токенов. Модель дополнительно обучена на многоязычном наборе данных с токенизатором на основе Yi-1.5-9B-32K. В README также указано, что веса включают части Yi-1.5-9B-32K и DeepSeek-VL-7B-chat. Карточка перечисляет китайский, английский, французский, немецкий, японский, корейский, итальянский и финский языки. Репозиторий содержит веса в формате safetensors и поддерживает чатовый сценарий. Модель может выдавать ошибочные, вредоносные или нежелательные ответы; авторы не рекомендуют применять её в критических ситуациях, включая медицину и важные финансовые или юридические решения. В метаданных лицензия обозначена как other; README сообщает об использовании компонентов под Apache 2.0 и DeepSeek License, поэтому перед использованием следует проверить условия обеих лицензий.

RuAdapt-HomerCreativeAnvita-Mix-Qw7B-v1 — объединённая модель генерации текста на базе архитектуры Qwen2, созданная с помощью mergekit методом SLERP из RefalMachine/ruadapt_qwen2.5_7B_ext_u48_instruct и suayptalha/HomerCreativeAnvita-Mix-Qw7B. Она предназначена для диалогов и генерации текста, в том числе на русском и английском языках; каталог также отмечает интерфейс вызова инструментов. Модель содержит 7,1 млрд параметров, использует формат safetensors и поддерживает контекст до 32 768 токенов. Русскоязычная база RefalMachine адаптирована для диалога и ускоренной обработки русскоязычных последовательностей, а вторая база вносит возможности творческой генерации. Модель распространяется по лицензии Apache-2.0. Доступные сведения не приводят сравнительных оценок качества, поэтому пригодность для конкретных сценариев следует проверять на собственных примерах.