III.2Исследование рынка и маркетинг

M7Yamshadowexperiment28_Experiment26Neuralsirkrishna — объединённая языковая модель семейства Mistral, созданная на основе automerger/M7Yamshadowexperiment28-7B и automerger/Experiment26Neuralsirkrishna-7B. Веса содержат около 7,1 млрд параметров, модель принимает текст и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев. Доступна в формате safetensors и распространяется по лицензии Apache-2.0. Данные карточки не уточняют целевые языки, специальные области применения или сравнительные преимущества.

M7Yamshadowexperiment28_Experiment28M7 — языковая модель, созданная слиянием моделей automerger/M7Yamshadowexperiment28-7B и automerger/Experiment28M7-7B. Она предназначена для генерации текста. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и имеет контекстное окно до 32 768 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Данных о специализации на конкретных языках или областях применения в карточке нет.

M7Yamshadowexperiment28_PasticheNeuralsirkrishna — объединённая языковая модель семейства Mistral, созданная на основе automerger/M7Yamshadowexperiment28-7B и automerger/PasticheNeuralsirkrishna-7B. Веса содержат 7,1 млрд параметров и опубликованы в формате Safetensors. Модель предназначена для генерации текста и диалогов. Она принимает текстовые запросы и поддерживает контекст до 32 768 токенов, что позволяет использовать её для продолжения текста и ответов на длинные запросы. Данных о специализации на конкретном языке или предметной области в карточке нет. Модель распространяется по лицензии Apache-2.0. Оценки качества и сведения о дополнительных возможностях в карточке не приведены.

Matter-0.1-7B-dare — языковая модель на архитектуре Mistral, созданная объединением моделей 0-hero/Matter-0.1-7B-boost и 0-hero/Matter-0.1-7B с помощью mergekit и метода dare_ties. В конфигурации также указана mistralai/Mistral-7B-v0.1 как базовая модель; объединение использует плотность 0,53, веса 0,5 для каждой из двух моделей и формат bfloat16. Модель предназначена для генерации текста. Она содержит 7,1 млрд параметров, принимает текст и выдаёт текст, а заявленный контекст составляет 32 768 токенов. Карточка не описывает специальные сценарии применения или языки. Модель распространяется под лицензией Apache-2.0. Специализированные возможности и ограничения качества в карточке не описаны.

mergekit-community/mergekit-slerp-jeyctse — языковая чат-модель, созданная сообществом слиянием моделей HuggingFaceH4/zephyr-7b-beta и Equall/Saul-Base методом SLERP с помощью mergekit. Это плотная модель Mistral с 7,1 млрд параметров, доступная в формате safetensors и рассчитанная на контекст до 32 768 токенов. Модель предназначена для генерации текста в диалоге: ответов на вопросы и выполнения пользовательских инструкций. В метаданных основной язык не задан; базовая Zephyr-7B-β описана как англоязычная чат-модель. Условия лицензирования в предоставленных данных не приведены. Качество и поведение результата слияния могут отличаться от исходных моделей.

MetaModel — разговорная языковая модель на архитектуре Llama, созданная автором репозитория gagan3012 путём слияния моделей jeonsworld/CarbonVillain-en-10.7B-v4 и kekmodel/StopCarbon-10.7B-v5 с помощью mergekit и метода SLERP. Модель содержит 10,6 млрд параметров и распространяется в формате safetensors; для генерации текста указан контекст длиной 4096 токенов. Модель предназначена для диалогов и генерации текста. В README приведены результаты оценки на Open LLM Leaderboard, включая тесты ARC и HellaSwag. Репозиторий лицензирован по Apache-2.0.

MFANNv0.15.10 — диалоговая языковая модель, созданная netcat420 слиянием TIES через mergekit. В основе лежит MaziyarPanahi/Llama-3-8B-Instruct-v0.4; в слияние также вошли netcat420/MFANNv0.15 и netcat420/MFANNv0.14. Модель построена на архитектуре Llama, содержит около 7,5 млрд параметров и использует формат Safetensors. Модель предназначена для генерации текста и диалоговых ответов ассистента. Она принимает текст и выдаёт текст, а заявленная длина контекста составляет 32 768 токенов. Карточка не уточняет языковой охват или специализированные предметные области, поэтому модель следует рассматривать как общую диалоговую модель. Лицензия и конкретные ограничения применения в предоставленных данных не описаны.

RaduGabriel/Mistral-7B-Instruct-v0.2NEURAL — диалоговая языковая модель, созданная объединением Mistral-7B-Instruct-v0.2 от Mistral AI и NeuralTrix-7B-dpo от CultriX с помощью LazyMergekit и метода SLERP. Это плотная модель семейства Mistral с архитектурой MistralForCausalLM и 7,1 млрд параметров; она предназначена для генерации текста и диалоговых ответов на инструкции. Контекст составляет до 32 768 токенов. Модель подходит для чат-ботов, составления текстов и ответов на запросы в диалоговом формате. В карточке не описаны специальные возможности или области применения, а также языковая специализация, поэтому их нельзя уточнить. Репозиторий содержит веса в формате Safetensors. Метаданные не сообщают лицензию, поэтому условия использования по имеющимся данным определить нельзя.

Mistral-7B-KNUT-v0.3-Mistral-7B-Instruct-v0.1 — объединённая чат-модель на основе Mistral-7B-Instruct-v0.1 и Mistral-7B-KNUT-v0.3. Разработчик выполнил слияние методом SLERP: для слоёв attention и MLP заданы отдельные коэффициенты смешивания. Модель имеет плотную архитектуру MistralForCausalLM и 7,1 млрд параметров; файлы опубликованы в формате safetensors. Модель предназначена для генерации текста в ответ на инструкции и диалоговые запросы. Она принимает текстовые запросы и выдаёт текстовые ответы; заявленная длина контекста — 32 768 токенов. В карточке не описаны специальные языковые или предметные преимущества объединённой версии. Модель распространяется по лицензии Apache-2.0. Качество и поведение слияния отдельно не охарактеризованы; результат может отличаться от обеих исходных моделей.

MixtureofMerges-MoE-2x7b-SLERPv0.9 — языковая модель для генерации текста, созданная jsfs11 с помощью LazyMergekit. Это слияние методом SLERP моделей jsfs11/MixtureofMerges-MoE-2x7b-v7 и jsfs11/MixtureofMerges-MoE-2x7bRP-v8. Модель построена на архитектуре Mixtral с разреженной экспертной структурой MoE и содержит 7,1 млрд параметров. Модель предназначена для генерации продолжений и ответов на текстовые запросы. Метаданные указывают контекст до 32 768 токенов. В README приведены результаты оценки на бенчмарках AI2 Reasoning Challenge и HellaSwag, но языки и специализированные области применения не заявлены. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

liminerity/mm4.more.star — плотная языковая модель семейства Llama, разработанная liminerity и дообученная на liminerity/mm4.ascii.star. Она предназначена для генерации текста и диалогового общения; модель содержит 2,7 млрд параметров и поддерживает контекст до 32 768 токенов. Для обучения использовались Unsloth и Hugging Face TRL. В метаданных указан английский язык. Модель распространяется по лицензии Apache-2.0.

Карточка модели bongchoi/MoMo-70B-V1.0 на Hugging Face совпадает с карточкой bongchoi/MoMo-70B-V1.1, поэтому описание составлено по ней. MoMo-70B-V1.1 — языковая модель семейства Llama, опубликованная пользователем bongchoi. Это плотная авторегрессионная модель для генерации текста с 68,7 млрд параметров и контекстом до 4096 токенов. В метаданных указаны Transformers, формат safetensors и лицензия Llama 2. Модель обучалась на наборах данных в стиле Orca и Alpaca; README сообщает, что другие наборы данных не использовались. Она подходит для генерации текста и диалоговых сценариев общего назначения. Карточка не приводит результатов оценки качества или дополнительных характеристик обучения.

Morphy-360M — компактная языковая модель команды Moolvylabs, вторая модель семейства Morphy. Она дообучена на базе SmolLM2-360M и предназначена для быстрой локальной генерации текста; архитектура — плотная LlamaForCausalLM, размер — 361,8 млн параметров, контекст — до 8192 токенов. Модель ориентирована на деловую переписку: помогает писать и редактировать электронные письма, готовить холодные обращения и корпоративные объявления, исправлять грамматику, менять тон текста и создавать документацию. Также она может учитывать корпоративный контекст, например сведения о Moolvylabs. Модель рассчитана на англоязычные сценарии. Среди ограничений — склонность к ошибкам в сложных темах, в частности в продвинутой физике и биологии; в длинных диалогах возможны повторы и зацикливание, поэтому рекомендуется периодически очищать контекст. Распространяется по лицензии Apache-2.0.

MotherEarth-Sauerkraut — языковая модель для диалоговой генерации текста, созданная объединением весов MotherEarth/MotherEarth-1.0-8B и VAGOsolutions/Llama-3.1-SauerkrautLM-8b-Instruct. Модели объединены методом SLERP с помощью mergekit; архитектура — плотная Llama с классом LlamaForCausalLM, размер — 7,5 млрд параметров. Модель предназначена для общения и генерации ответов на текстовые запросы. Она принимает текст и выдаёт текст, поддерживает контекст до 8192 токенов и опубликована в формате safetensors для библиотеки Transformers. Базовая SauerkrautLM ориентирована на немецкий и английский языки, но языки именно этой объединённой модели в карточке отдельно не описаны. Модель опубликована 17 сентября 2024 года. Сведения о лицензии и конкретных ограничениях применения в предоставленных данных отсутствуют.

zelk12/MT1-Max-Merge_02012025163610-IF-gemma-2-MT1g2MTM2MU-9B — объединённая разговорная языковая модель, созданная методом SLERP с помощью mergekit из моделей zelk12/MT1-Gen2-gemma-2-9B и zelk12/MT-Merge2-MU-gemma-2-MTg2MT1g2-9B. Она предназначена для генерации текста и ведения диалогов. Модель основана на плотной архитектуре Gemma 2 с 9 млрд параметров, поддерживает контекст до 8192 токенов и распространяется в формате safetensors для transformers. Модель принимает текстовые запросы и генерирует текстовые ответы. В карточке не приведены сведения о целевых языках или специализированных областях применения, поэтому её следует рассматривать как разговорную модель общего назначения. Лицензия в предоставленных сведениях не указана.

zelk12/MT1-Max-Merge_02012025163610-MA-gemma-2-MTM5MTM2MU-9B — объединённая методом SLERP языковая модель на архитектуре Gemma 2 с 9 млрд параметров. Автор объединил две предварительно обученные модели: zelk12/MT-Merge5-gemma-2-9B и zelk12/MT-Merge2-MU-gemma-2-MTg2MT1g2-9B; веса сохранены в формате safetensors с точностью bfloat16. Модель предназначена для генерации текста и диалогового общения. Она принимает текст и выдаёт текст, работает через библиотеку Transformers и имеет контекстное окно 8192 токена. Карточка не приводит результатов оценки качества или списка конкретных языков и предметных областей. Лицензия в предоставленных данных не указана.

zelk12 объединил методом SLERP две предварительно обученные языковые модели на базе Gemma 2 и опубликовал результат с помощью mergekit. Это плотная авторегрессионная модель с 9 млрд параметров для диалогов и генерации текста по запросу; репозиторий содержит веса Safetensors, а контекстное окно составляет 8192 токена. Модель предназначена для чат-сценариев и генерации ответов на текстовые запросы. README описывает способ объединения и исходные модели, но не указывает отдельную специализацию или языковой охват. Лицензия в предоставленных данных не указана.

zelk12/MT3-Gen5-gemma-2-9B — языковая модель на архитектуре Gemma 2, созданная слиянием двух предварительно обученных моделей: zelk12/MT3-Gen5-MAI-gemma-2-9B и zelk12/MT3-Gen5-MMGBMU-gemma-2-9B. Для объединения применён метод SLERP через mergekit; модель предназначена для генерации текста и диалогового взаимодействия. Модель содержит 9 млрд параметров, принимает текст и формирует текстовые ответы. Длина контекста составляет 8192 токена. Веса представлены в формате Safetensors, для работы используется Transformers. Лицензия — Gemma. Карточка не описывает специальные предметные области или подтверждённые языковые преимущества. Фактическое качество и поведение могут зависеть от запроса и сценария применения.

zelk12/MT3-Gen5-MMGBMU-gemma-2-9B_v1 — слияние двух предварительно обученных языковых моделей zelk12/MT3-Gen5-BMU-gemma-2-9B_v1 и zelk12/MT3-Gen5-MMG-gemma-2-9B_v1, созданное автором с помощью mergekit методом SLERP. Модель построена на архитектуре Gemma 2 с плотной causal language model на 9 млрд параметров; веса представлены в safetensors, библиотека для работы — Transformers. Модель предназначена для генерации текста и диалогового общения. Она принимает текст и выдаёт текст, поддерживает контекст до 8192 токенов. Сведения о языках, на которых модель специально обучалась, в доступных источниках отсутствуют, поэтому её языковой охват нельзя надёжно конкретизировать. Лицензия и специальные ограничения использования в README и предоставленных метаданных не приведены. Качество, устойчивость ответов и сравнительные преимущества слияния отдельно не описаны.

zelk12 выпустила диалоговую модель MT4-Gen3-MM-gemma-2-Rv0.4MT4g2-9B — слияние двух предварительно обученных языковых моделей методом SLERP с помощью mergekit. В состав вошли zelk12/MT4-Gen2-gemma-2-9B и recoilme/recoilme-gemma-2-9B-v0.4. Модель построена на плотной архитектуре Gemma 2 с 9 млрд параметров и контекстом до 8192 токенов; карточка указывает поддержку общения в чате и генерации текста. Модель предназначена для диалоговой генерации текста и может использоваться в чат-ботах и для создания текстовых ответов на запросы. Репозиторий указан в формате safetensors и использует библиотеку Transformers. Сведения о лицензии, языковом охвате и специальных ограничениях качества в предоставленных материалах отсутствуют.

zelk12/MT5-Gen2-gemma-2-9B — объединённая авторами модель генерации текста на основе Gemma 2, собранная с помощью mergekit методом SLERP из zelk12/MT5-Gen2-BI-gemma-2-9B и zelk12/MT5-Gen2-MMGMAMU-gemma-2-9B. Модель имеет плотную архитектуру Gemma2ForCausalLM, содержит 9 млрд параметров и принимает контекст длиной до 8192 токенов. Модель предназначена для диалогового взаимодействия и генерации текста. В карточке приведены результаты оценок Open LLM Leaderboard, включая IFEval и BBH; этих данных недостаточно, чтобы определить специализацию или поддерживаемые естественные языки. Файлы представлены в формате safetensors, библиотека для работы — Transformers. Лицензия в предоставленных данных не указана.

zelk12/MT-Gen4-BMM-gemma-2-9B — языковая модель, созданная объединением двух предварительно обученных моделей Gemma 2 методом SLERP с помощью mergekit. Репозиторий содержит вариант в формате safetensors для использования с библиотекой Transformers; размер модели — 9 млрд параметров, контекст — до 8192 токенов. Модель предназначена для генерации текста и диалогового использования. Лицензия в предоставленных данных не указана, поэтому условия использования определить нельзя.

zelk12/MT-Gen5-BMA-gemma-2-9B — объединённая языковая модель, созданная разработчиком zelk12 с помощью mergekit методом SLERP из двух предварительно обученных моделей: zelk12/MT-Gen5-BB-gemma-2-MTM4MT5g4-9B и zelk12/MT-Gen5-MA-gemma-2-S5MT3g4-9B. Это плотная авторегрессионная модель семейства Gemma 2 с 9 млрд параметров, предназначенная для генерации текста и диалогового использования. Модель принимает текст и генерирует текст; её контекстное окно составляет 8192 токена. Репозиторий содержит веса в формате safetensors, библиотека для работы — Transformers. README не описывает специализированные сценарии, языки или сравнительные преимущества, поэтому модель следует рассматривать как универсальную генеративную модель. Лицензия в предоставленных данных не указана. Практическое качество и поведение после слияния могут отличаться от исходных моделей; карточка не приводит оценок или подробных ограничений.

zelk12/MT-Gen5-GP-gemma-2-S5E-9B — объединённая модель генерации текста на архитектуре Gemma 2, созданная с помощью mergekit методом SLERP из Aashraf995/Gemma-Evo-10B и allknowingroger/GemmaSlerp5-10B. Модель содержит 9 млрд параметров, поддерживает диалоговое взаимодействие и принимает текст, выдавая текст. Для работы с ней указана библиотека Transformers, а нативный контекст составляет 8192 токена. Модель предназначена для генерации текста и ведения диалогов. В README указаны входящие в объединение модели и параметры слияния; отдельные специализированные области применения и языки не описаны. Репозиторий содержит веса в формате safetensors и распространяется по лицензии, указанной в метаданных Hugging Face.

zelk12 объединил методом SLERP две предварительно обученные языковые модели на базе Gemma 2 с помощью mergekit. Модель содержит 9 млрд параметров, использует архитектуру Gemma2ForCausalLM и распространяется в формате safetensors; для работы предусмотрена библиотека Transformers. Модель предназначена для диалогов и генерации текста. Контекст составляет до 8192 токенов. В карточке не указаны специальные предметные области или поддерживаемые языки. Репозиторий содержит объединённые веса; качество и конкретные языковые возможности в README не описаны. Лицензия в предоставленных данных не указана.

zelk12/MT-Gen5-MUMM-gemma-2-9B — объединение двух предварительно обученных языковых моделей Gemma 2, созданное с помощью mergekit методом SLERP. Модель имеет плотную архитектуру Gemma2ForCausalLM и содержит 9 млрд параметров; файлы представлены в формате safetensors и используются через Transformers. Модель предназначена для генерации текста и диалогового общения. Она принимает текстовые запросы и выдаёт текст, поддерживая контекст до 8192 токенов. Данные не подтверждают специализацию на конкретном языке или предметной области. В README перечислены обе объединённые модели: zelk12/MT-Gen5-MU-gemma-2-MT3g4S5-9B и zelk12/MT-Gen5-MM-gemma-2-MT4g2MT5g4-9B. Условия лицензии в предоставленных данных не указаны.

zelk12/MT-Merge4-BB-gemma-2-MT5g4MTg4-9B — объединённая модель на архитектуре Gemma 2, созданная методом SLERP с помощью mergekit из zelk12/MT5-Gen4-gemma-2-9B и zelk12/MT-Gen4-gemma-2-9B. Она предназначена для диалогов и генерации текста; доступна в формате safetensors и рассчитана на контекст до 8192 токенов. Размер модели — 9 млрд параметров. Модель принимает текст и генерирует текстовые ответы. Карточка не описывает специализированные области применения или поддерживаемые языки. Лицензия и дополнительные ограничения в предоставленных данных не указаны.

Negativelikelihood-zephyr-7b-sft-full — диалоговая языковая модель на архитектуре Mistral с 7,1 млрд параметров, дообученная на alignment-handbook/zephyr-7b-sft-full с использованием набора HuggingFaceH4/ultrafeedback_binarized. Она предназначена для генерации текста и ответов в чате. Модель принимает текст и выдаёт текст; заявленный контекст — до 32 768 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Подробные сведения о качестве, оценках и специальных ограничениях в карточке не приведены.

neo_7b-slerp — текстовая генеративная модель на архитектуре LLaMA, созданная DewEfresh с помощью LazyMergekit. README описывает её как слияние двух моделей m-a-p/neo_7b; метаданные указывают базовую модель m-a-p/neo_7b и связь finetune. В репозитории используются веса Safetensors, а размер модели составляет 3,9 млрд параметров. Модель предназначена для генерации текста и диалоговых приложений. Она принимает текст и выдаёт текст; заявленная длина контекста — 8192 токена. Языки модели в доступных сведениях не указаны. Лицензия в предоставленных данных не указана.

NeuralBeagle14-7B — языковая модель на архитектуре Mistral с 7,1 млрд параметров, созданная Mlabonne. Это DPO-дообучение модели mlabonne/Beagle14-7B на наборе предпочтений argilla/distilabel-intel-orca-dpo-pairs; исходная Beagle14-7B объединяет несколько моделей семейства Beagle. Модель предназначена для генерации текста в диалоговом формате, следования инструкциям и ответов на запросы общего характера. Модель подходит для задач рассуждения, ролевого общения и написания историй. В README указано контекстное окно 8 тыс. токенов, а метаданные каталога указывают нативный контекст 32 768 токенов. Поддерживаются шаблоны chatml и формат чата Llama. Модель работает с текстом и выдаёт текст; сведения о конкретных естественных языках не приведены. Модель распространяется в формате Safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. В README приводятся высокие результаты сравнительных оценок для категории моделей около 7 млрд параметров, но автор отмечает возможное влияние неудачного запуска и чрезмерного использования обучающего набора предпочтений; результаты бенчмарков сами по себе не гарантируют качество на конкретных задачах.