III.1Стратегия, продукт и бизнес-модели

CollAIborate4x7B — разговорная модель генерации текста от collaiborate-tech, построенная как смесь экспертов (MoE) из дообученных моделей общего назначения на базе Mistral. Она предназначена для диалогов и генерации ответов на текстовые запросы. В метаданных указаны архитектура MixtralForCausalLM, 7,1 млрд параметров, контекст до 32 768 токенов и формат safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не уточняет состав экспертов, языки обучения и результаты оценки качества, поэтому её пригодность для конкретных сценариев следует проверять на собственных запросах.

Карточка модели TigerByteCyber/deberta-v3-large-zeroshot-v2.0 на Hugging Face совпадает с карточкой MoritzLaurer/deberta-v3-large-zeroshot-v2.0, поэтому описание составлено по ней. Moritz Laurer разработал эту модель для классификации текстов без размечающих примеров. Она дообучена на базе microsoft/deberta-v3-large и использует архитектуру DeBERTa V2 для оценки того, следует ли гипотеза из текста: «верно» или «неверно». Через pipeline Hugging Face этот формат можно применять к разным задачам классификации, задавая формулировки классов и шаблон гипотезы. Модель содержит 533,8 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Её можно запускать на CPU и GPU. В приведённом сравнении она показала более высокую среднюю оценку F1 на 28 задачах классификации, чем указанные модели BART, RoBERTa и базовая DeBERTa, хотя скорость работы ниже, чем у RoBERTa. Карточка отмечает, что формулировки гипотез и названий классов могут влиять на результат. Модель предназначена только для классификации текста. Возможны смещения, унаследованные от базовой модели, данных NLI и синтетических обучающих данных. Лицензия репозитория — MIT; упомянутая в карточке гарантия коммерческой пригодности обучающих данных относится к вариантам с суффиксом «-c», которого в имени этой модели нет.

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.

MaziyarPanahi/Experiment26Neuralsirkrishna_PasticheNeuralsirkrishna — объединённая текстовая модель на архитектуре Mistral с 7,1 млрд параметров. Она создана слиянием automerger/Experiment26Neuralsirkrishna-7B и automerger/PasticheNeuralsirkrishna-7B. Модель предназначена для генерации текста и диалогов; контекстное окно составляет до 32 768 токенов. Данных о специализации по языкам или прикладным областям нет, поэтому модель можно описать как общего назначения. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

djuna/G2-Noranum-27B — это объединённая с помощью SLERP модель генерации текста на базе Gemma 2, созданная из anthracite-org/magnum-v3-27b-kto и mergekit-community/GutenBerg_Nyxora_magnum-v4-27b. Модель содержит 27,6 млрд параметров, использует архитектуру Gemma2ForCausalLM и рассчитана на контекст до 8192 токенов. Модель предназначена для диалоговой генерации текста и следования инструкциям. Её можно использовать для ответов на вопросы, продолжения прозы и ведения беседы. Веса опубликованы в формате safetensors и рассчитаны на работу с Transformers. Сведений о лицензии в предоставленных данных нет.

Карточка модели KR-X-AI/gemma-2-9b-it-0.2 на Hugging Face совпадает с карточкой KR-X-AI/krx-gemma-2-9b-4-8-8-tb-3, поэтому описание составлено по ней. KR-X-AI выпустила разговорную модель генерации текста на базе Gemma 2. Это дообучение unsloth/gemma-2-9b-it-bnb-4bit с использованием Unsloth и библиотеки TRL; модель содержит 9 млрд параметров, использует плотную архитектуру Gemma2 и поддерживает контекст до 8192 токенов. Она предназначена для диалогов и генерации текста по запросу. Модель принимает текст и выдаёт текст; в метаданных указан английский язык. Репозиторий распространяется по лицензии Apache-2.0.

Google Gemma 3 1B IT QAT Q4_0 Unquantized — компактная диалоговая модель на базе Gemma 3 1B IT. Репозиторий указан как дообучение google/gemma-3-1b-it; метаданные описывают чат-возможности и формат safetensors. Несмотря на название QAT Q4_0 Unquantized, доступные сведения не подтверждают, что в репозитории размещены квантизованные веса. Модель предназначена для диалоговой генерации текста, ответов на вопросы и суммаризации. README семейства Gemma 3 также описывает мультимодальный ввод изображений, однако метаданные этой конкретной модели подтверждают только задачу text-generation, поэтому поддержку изображений нельзя считать установленной для данного репозитория. В README для семейства заявлены контекст до 128K токенов и поддержка более 140 языков; эти характеристики не подтверждены отдельно для данного варианта. Модель может давать неточные или устаревшие сведения, испытывать трудности с неоднозначными и сложными запросами, а также воспроизводить смещения из обучающих данных. Лицензия — Gemma; использование регулируется условиями лицензии Google Gemma и соответствующей политикой допустимого использования.

GemMoE-Medium-v0.4 — языковая модель с разреженной архитектурой Mixture of Experts, разработанная Lucas под именем Crystalcareai. В README описан подход Branch Train Mix: четыре эксперта обучались отдельно, затем были объединены, а маршрутизатор дообучен при замороженных экспертах. Для маршрутизатора использовались четыре эпохи на Self-Discover-MM и две эпохи на TruthyDPO; маршрутизация выполняется по токенам. Модель предназначена для генерации текста и диалоговых сценариев. Метаданные указывают 8,2 млрд параметров и контекст до 8192 токенов; файлы опубликованы в формате safetensors. Автор отмечает экономию видеопамяти и конкурентное качество для размера модели, однако в карточке нет результатов сопоставимых бенчмарков. Лицензия в предоставленных данных не указана.

SillyTilly/google-gemma-2-9b-it — текстовая диалоговая модель семейства Gemma 2, созданного Google на основе исследований и технологий, использованных при разработке Gemini. Это плотная авторегрессионная модель с 9 млрд параметров и контекстом до 8192 токенов; репозиторий содержит веса в формате safetensors, а для запуска указана библиотека Transformers. Модель предназначена для генерации текста по инструкциям и диалога на английском языке. Её можно применять для ответов на вопросы, суммаризации, создания черновиков, чат-ботов и языковой практики. Относительно компактный размер подходит для запуска на локальном компьютере или собственной облачной инфраструктуре. Модель может выдавать фактические ошибки, отражать смещения обучающих данных и хуже справляться со сложными открытыми запросами, нюансами языка и здравым смыслом. Лицензия — Gemma; использование должно соответствовать условиям лицензии и политике запрещённого использования Gemma.

core-3/kuno-dogwalker-7b — текстовая генеративная модель на архитектуре Mistral с 7,1 млрд параметров, созданная объединением SanjiWatsuki/Kunoichi-DPO-v2-7B и mlabonne/AlphaMonarch-7B методом slerp с помощью LazyMergekit. Она предназначена для генерации текста и диалогового взаимодействия; базовые модели ориентированы на общение, следование инструкциям и рассуждения. Контекст модели составляет 8192 токена. В README приведены результаты на наборах ARC, HellaSwag, MMLU, TruthfulQA, Winogrande и GSM8K; автор отмечает, что стиль письма уступает kuno-royale-v2-7b. Модель распространяется по лицензии CC BY-NC 2.0, которая ограничивает коммерческое использование.

mergekit-community/L3.1-Artemis-d-8B — объединённая языковая модель на архитектуре Llama, созданная с помощью mergekit методом Model Stock. В качестве основы использована arcee-ai/Llama-3.1-SuperNova-Lite; в объединение также вошли Casual-Autopsy/L3-Umbral-Mind-RP-v3.0-8B, mergekit-community/L3-Boshima-a и kromeurus/L3.1-Ablaze-Vulca-v0.1-8B. Модель содержит 7,5 млрд параметров и распространяется в формате safetensors. Модель предназначена для генерации текста и разговорных сценариев. Она принимает текст и выдаёт текст; заявленная длина контекста — 131072 токена. Базовая модель описана в каталоге как англоязычная чат-модель для диалогов и выполнения инструкций, поэтому английский — основной язык модели. Лицензия в предоставленных данных не указана. Качество ответов и ограничения конкретного объединения в карточке не описаны; характеристики и поведение могут зависеть от сочетания исходных моделей.

mergekit-community/L3.1-Orion-b-8B — объединённая языковая модель на архитектуре Llama 3.1 с 7,5 млрд параметров. Её создали с помощью mergekit, объединив P0x0/Epos-8b, crestf411/L3.1-8B-Slush-v1.1 и mergekit-community/L3.1-Artemis-g-8B методом Model Stock; базовой моделью при слиянии служила P0x0/Epos-8b. Веса представлены в формате safetensors с точностью float16. Модель предназначена для генерации текста и диалогового использования. Контекстное окно составляет до 131 072 токенов; по описанию базовой модели, возможны творческое письмо, ролевые диалоги и выполнение инструкций. Лицензия в предоставленных данных не указана.

Lamarck-14B-v0.7-Fusion — экспериментальная объединённая языковая модель на архитектуре Qwen2, собранная автором sometimesanotion методом многоэтапного слияния нескольких моделей. В числе исходных моделей — Lamarck-14B-v0.7, Qwenvergence-14B-v12-Prose-DS, Lamarckvergence-14B и Chocolatine-2-14B-Instruct-v2.0.3. Модель содержит 14 млрд параметров, работает через Transformers и принимает текст для генерации текста; заявленная длина контекста — 131 072 токена. Модель предназначена для свободного творческого письма, диалогов, рассуждений и перевода. Автор отмечает сильную прозу и хорошие результаты на GPQA, но полная оценка ещё не завершена; следование инструкциям по IFEVAL оценивается скромнее. Лицензия — Apache 2.0.

Fischerboot/ll3-test-6 — плотная языковая модель семейства Llama, созданная с помощью mergekit методом SLERP на основе Fischerboot/ll3-test-5. Репозиторий содержит веса в формате safetensors; размер модели — 6 млрд параметров, контекст — до 8192 токенов. Модель предназначена для генерации текста и диалогового общения.

Модель NEU-HAI/Llama-2-7b-alpaca-cleaned разработана лабораторией NEU Human-centered AI Lab. Это плотная авторегрессионная модель семейства Llama 2 с 6,6 млрд параметров, дообученная на наборе alpaca-cleaned с исходными гиперпараметрами Alpaca. Она предназначена для общения в формате ассистента и генерации текста на английском языке; максимальный контекст составляет 4096 токенов. Модель подходит для ответов на вопросы, выполнения текстовых инструкций и генерации текстов общего назначения. Карточка не приводит результатов оценки качества и подробного описания ограничений; набор данных и исходная модель могут наследовать смещения и ошибки. Лицензия — CC BY-NC 4.0; применение также должно учитывать ограничения проекта Stanford Alpaca и Llama 2 7B.

johnpaulbin дообучил эту разговорную языковую модель на базе unsloth/Meta-Llama-3.1-8B-Instruct-bnb-4bit с помощью Unsloth и библиотеки TRL. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров; она предназначена для генерации текста и диалогового взаимодействия. Контекстное окно составляет до 131 072 токенов, основной указанный язык — английский. Модель может использоваться для ведения диалога и генерации ответов на текстовые запросы. Репозиторий содержит веса в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

Capx AI's Obsidian — дообученная модель сообщества Capx на базе Meta Llama 3 для задач общего назначения. Это авторегрессионная языковая модель с плотной архитектурой Transformer и 7,5 млрд параметров; контекст составляет до 8192 токенов. Модель дообучена на пользовательском наборе данных методом supervised fine-tuning для улучшения следования инструкциям и использует формат Alpaca. Модель предназначена для генерации текста и выполнения инструкций на английском языке: она может помогать с ответами на вопросы, созданием черновиков и другими текстовыми задачами общего назначения. Репозиторий содержит веса PyTorch. Для использования действует лицензия Llama 3; её условия следует учитывать при интеграции и распространении.

M7Yamshadowexperiment28_Experiment24Ognoexperiment27 — объединённая модель генерации текста на архитектуре Mistral, созданная из automerger/M7Yamshadowexperiment28-7B и automerger/Experiment24Ognoexperiment27-7B. Она предназначена для генерации продолжений текста и диалоговых ответов; модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель принимает текст и выдаёт текст. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Сведений о специализированной предметной области или дополнительных ограничениях качества в карточке нет.

MaziyarPanahi/M7Yamshadowexperiment28_Strangemerges_32Yamshadow — объединённая методом SLERP языковая модель семейства Mistral, созданная из automerger/M7Yamshadowexperiment28-7B и automerger/Strangemerges_32Yamshadow-7B. Модель содержит 7,1 млрд параметров и рассчитана на генерацию текста с контекстом до 32 768 токенов. Её можно применять для диалогов, написания и продолжения текста, а также других сценариев генерации на естественном языке. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Сведения о конкретных языках обучения и специализированных областях применения не приведены.

MaziyarPanahi/MeliodasPercival_01_Experiment27Inex12 — объединённая языковая модель семейства Mistral, созданная путём слияния automerger/MeliodasPercival_01-7B и automerger/Experiment27Inex12-7B. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и распространяется в формате Safetensors. Модель предназначена для генерации текста и диалогов. Она принимает текстовые запросы и может использовать контекст длиной до 32 768 токенов. Карточка не приводит сведений о целевых языках или специализированных областях применения. Лицензия — Apache 2.0.

MeliodasPercival_01_Strangemerges_32Alloyingotneoy — объединённая модель генерации текста на архитектуре Mistral, созданная слиянием automerger/MeliodasPercival_01-7B и automerger/Strangemerges_32Alloyingotneoy-7B. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста и диалоговых сценариев. Репозиторий содержит веса в формате Safetensors. Модель распространяется по лицензии Apache-2.0. Данных о специализации на конкретных языках или предметных областях нет.

Mistralv0.2-StarlingLM-FrankenMaid-10.5B — диалоговая языковая модель, созданная слиянием моделей с помощью mergekit. В состав слияния входят Mistral-7B-Instruct-v0.2, Starling-LM-7B-beta и fM-v2; применены методы passthrough и dare_ties. Архитектура — плотная MistralForCausalLM, размер — 10,4 млрд параметров, формат весов — safetensors, контекст — до 32 768 токенов. Модель предназначена для генерации текста и диалоговых ответов; в карточке рекомендуется шаблон Alpaca Instruct. Данные не уточняют набор поддерживаемых языков или специальные предметные области. Лицензия в доступных сведениях не указана.

MixtureofMerges-MoE-4x7b-v3 — языковая модель Mixtral с архитектурой смеси экспертов (MoE), созданная jsfs11 с помощью LazyMergekit путём объединения четырёх моделей: jsfs11/RandomMergeNoNormWEIGHTED-7B-DARETIES, senseable/WestLake-7B-v2, mlabonne/OmniBeagle-7B и vanillaOVO/supermario_v3. Она предназначена для генерации текста и диалоговых сценариев. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В README приведены результаты Open LLM Leaderboard, включая среднее значение 75,31, 74,40 на AI2 Reasoning Challenge и 88,62 на HellaSwag; эти показатели описывают оценивание, а не гарантируют качество в конкретном применении. Модель распространяется под лицензией Apache-2.0. Языки и специальные прикладные области в доступных сведениях не обозначены.

Joemgu/mlong-t5-large-sumstew — многоязычная модель для абстрактивного суммирования длинных документов и генерации заголовков, созданная на базе архитектуры LongT5 и дообученная разработчиком на наборе данных Joemgu/sumstew. Она принимает текст с инструкцией «Summarize:» для получения краткого содержания или «Write a title and summarize:» для генерации заголовка и краткого содержания. Модель содержит около 614,9 млн параметров; в метаданных указан контекст 4096 токенов, а в README заявлена обработка входов до 16 тысяч токенов. Поддерживаемые языки — английский, немецкий, французский, итальянский и испанский. Репозиторий использует Transformers и содержит веса в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Модель предназначена для подготовки кратких изложений и заголовков к длинным текстам. Ограничение по длине входа зависит от источника: README заявляет до 16 тысяч токенов, тогда как метаданные указывают контекст 4096 токенов; фактическое качество за пределами этого значения следует проверять на целевых документах.

zelk12/MT-Merge4-MMMA-gemma-2-9B — языковая модель для генерации текста и диалогов, созданная слиянием двух предварительно обученных моделей с помощью mergekit и метода SLERP. Она основана на архитектуре Gemma 2 с плотной архитектурой и содержит 9 млрд параметров; репозиторий содержит веса в формате safetensors. Модель принимает текст и генерирует текст, поддерживает контекст до 8192 токенов. Модель подходит для диалогового взаимодействия и генерации текста общего назначения. В README указано, что при слиянии использовались zelk12/MT-Merge4-MA-gemma-2-MT3g4MTg4-9B и zelk12/MT-Merge4-MM-gemma-2-MT5g4MT3g4-9B. Языки и специальные предметные области в предоставленных данных не описаны. Лицензия в метаданных и README не указана.

Карточка модели llm-wizard/NousWizard на Hugging Face совпадает с карточкой mergekit-community/dolphin-mistral-instruct-7b, поэтому описание составлено по ней. Это объединённая языковая модель mergekit-community, созданная методом SLERP на основе arcee-ai/sec-mistral-7b-instruct-1.6-epoch и cognitivecomputations/dolphin-2.8-mistral-7b-v02. Модель построена на архитектуре MistralForCausalLM с плотной архитектурой и содержит 7,1 млрд параметров; опубликованные веса представлены в формате Safetensors, а библиотека запуска — Transformers. Модель предназначена для генерации текста в диалоговых сценариях: она принимает текстовый запрос и формирует текстовый ответ. Контекст составляет до 32 768 токенов. Карточка не описывает отдельные прикладные области или языковые характеристики, поэтому их нельзя уточнить по имеющимся данным. Лицензия в предоставленных данных не указана.

orca_mini_7b — языковая модель, созданная Панкаджем Матуром на основе OpenLLaMA-7B. Модель дообучена на наборах инструкций WizardLM, Alpaca и Dolly-V2 с применением подходов к построению данных из исследовательской работы Orca; для генерации обучающих ответов использовался ChatGPT на базе gpt-3.5-turbo-0301. В метаданных указаны архитектура LLaMA, 6,6 млрд параметров и контекст до 2048 токенов. Модель предназначена для генерации текста по инструкциям и диалоговых запросов на английском языке. Обучение на объяснительных примерах ориентировано на выполнение разнообразных инструкций и рассуждения. Она принимает текст и выдаёт текст; опубликованные веса представлены в форматах PyTorch и Safetensors. Модель выпущена по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных материалов. Контекст ограничен 2048 токенами; результаты приведённых в карточке оценок Open LLM Leaderboard не гарантируют точность в конкретных задачах.

Это вариант Robin 65B v2 от OptimalScale, подготовленный TheBloke в формате PyTorch с точностью fp16. Модель относится к семейству Llama, имеет плотную архитектуру и около 65 млрд параметров; контекст составляет 2048 токенов. В карточке приведён шаблон диалога с помощником, который отвечает на вопросы в подробной и вежливой форме. Модель предназначена для генерации текста в диалоговом формате и может использоваться для ответов на вопросы, ведения беседы и подготовки развёрнутых текстовых ответов. Файлы fp16 рассчитаны на GPU-инференс и дальнейшие преобразования; размер модели требует значительных ресурсов видеопамяти. README описывает слияние и/или преобразование исходного репозитория в fp16, поэтому точнее определить происхождение нельзя. Лицензия в метаданных обозначена как other, без дополнительных условий в доступных данных.

ehristoforu/rufalcon3-3b-it — языковая модель для генерации текста и диалогов, созданная ehristoforu дообучением tiiuae/Falcon3-3B-Instruct. Модель имеет плотную архитектуру LlamaForCausalLM и содержит 2,8 млрд параметров; веса доступны в формате safetensors. Она рассчитана на контекст до 32 768 токенов. Модель подходит для диалогового взаимодействия и генерации ответов по текстовым запросам. В карточке указаны обучение с Unsloth и TRL и лицензия Apache-2.0. Язык, отмеченный в метаданных самой модели, — английский; базовая модель также описана как поддерживающая французский, испанский и португальский языки.

Samantha-Nebula-7B — объединённая языковая модель от Weyaxi на архитектуре Mistral, полученная слиянием ehartford/samantha-mistral-7b и PulsarAI/Nebula-7B. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев. В карточке приведены результаты Open LLM Leaderboard: средний балл 52,87, ARC — 57,0 и HellaSwag — 82,25. Веса доступны в формате Safetensors по лицензии Apache-2.0.