III.4Клиентская поддержка и customer success

MeliodasPercival_01_M7T3qm7x — объединённая языковая модель на архитектуре Mistral, созданная путём слияния моделей automerger/MeliodasPercival_01-7B и automerger/M7T3qm7x-7B. Она предназначена для генерации текста и диалоговых сценариев. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель распространяется в формате Safetensors по лицензии Apache 2.0. Карточка не уточняет языковую специализацию, данные обучения и конкретные ограничения качества; пригодность для конкретной задачи следует оценивать отдельно.

MeliodasT3q_Experiment26Strangemerges_32 — объединённая модель MaziyarPanahi на архитектуре Mistral для генерации текста. Она содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации продолжений и ответов в текстовых сценариях. Модель объединяет automerger/MeliodasT3q-7B и automerger/Experiment26Strangemerges_32-7B. Опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

MeliodasT3q_M7Alloyingotneoy — объединённая текстовая модель семейства Mistral с 7,1 млрд параметров. По карточке она объединяет automerger/MeliodasT3q-7B и automerger/M7Alloyingotneoy-7B. Модель предназначена для генерации текста и диалогов. Она принимает текст и поддерживает контекст до 32 768 токенов; основной язык из доступных сведений определить нельзя. Весы опубликованы в формате Safetensors. Лицензия — Apache-2.0. Подробные оценки качества и специфические ограничения в карточке не описаны.

Mem-Beagle-7b-slerp-v6 — текстовая генеративная модель, созданная объединением liminerity/Mem-Beagle-7b-slerp-v2 и liminerity/Mem-Beagle-7b-slerp-v3. Разработчик использовал LazyMergekit и метод слияния SLERP; конфигурация задаёт смешивание слоёв внимания и MLP, а веса сохранены в формате safetensors с точностью bfloat16. Модель построена на архитектуре Mistral с плотной причинной языковой сетью, содержит 7,1 млрд параметров и имеет контекст до 32 768 токенов. Она предназначена для генерации текста; карточка не уточняет языки, специализированные области или дополнительные возможности вроде работы с инструментами. Лицензия в предоставленных данных не указана.

Metis-9B — дообученная модель с механизмом постоянной памяти, разработанная IAAR-Shanghai на базе Qwen/Qwen3.5-9B. Репозиторий содержит полные объединённые веса модели, а не только разницу параметров относительно базы. Модель предназначена для диалоговых сценариев с сохранением информации между взаимодействиями. По метаданным она поддерживает генерацию текста и работу с изображениями; карточка описывает её как модель постоянной памяти. Архитектура — плотная, на 8,6 млрд параметров, семейства Metis; для загрузки нужны Transformers версии 5.4.0 или новее и пользовательский код из репозитория. Указана лицензия Apache-2.0.

MFANN-Phigments12-slerp — слитая модель для генерации текста, созданная netcat420 с помощью mergekit из liminerity/Phigments12 и netcat420/MFANN3bv0.6 методом SLERP. Модель построена на архитектуре Phi и содержит 3,5 млрд параметров; веса представлены в формате safetensors. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. Подходит для сценариев генерации и продолжения текста. В карточке указана лицензия Apache-2.0.

MFANNv0.20.12 — диалоговая языковая модель, созданная netcat420 слиянием весов через TIES и mergekit на основе mlabonne/Meta-Llama-3.1-8B-Instruct-abliterated. В слияние также вошли netcat420/MFANNv0.19, netcat420/MFANNv0.20 и netcat420/MFANNv0.20.11. Модель построена на архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и использует формат safetensors. Она предназначена для диалогов и генерации текстовых ответов; заявленная длина контекста — 131 072 токена. Базовая модель описана как вариант Llama 3.1 8B Instruct с ослабленными ограничениями на ответы. Лицензия в предоставленных данных не указана.

miniclaus-qw1.5B-UNAMGS — компактная языковая модель семейства Qwen2, разработанная fblgit на основе Qwen/Qwen2.5-1.5B-Instruct и дообученная на наборе Magpie-Align/Magpie-Pro-MT-300K-v0.1. Модель предназначена для генерации текста и диалоговых сценариев; в метаданных также заявлен интерфейс для вызова инструментов. Модель имеет плотную архитектуру Qwen2ForCausalLM, содержит 1,5 млрд параметров и поддерживает контекст до 131 072 токенов. В тегах карточки перечислены английский, китайский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский языки. README сообщает об использовании MGS и UNA (MLP) и приводит значение loss 0,7193 на наборе оценки. Модель подходит для многоязычных диалогов и генерации ответов, однако README не раскрывает методику оценки и не уточняет, как MGS и UNA влияют на качество. Лицензия указана как other, поэтому условия использования следует проверять в карточке модели.

miqu-120b — плотная языковая модель семейства Llama, опубликованная dataautogpt3. Она создана с помощью mergekit методом passthrough из двух последовательных копий диапазона слоёв модели 152334H/miqu-1-70b-sf; README указывает формат float16, а метаданные — 137,2 млрд параметров и архитектуру LlamaForCausalLM. Модель предназначена для генерации текста и диалогов. Базовая модель описана в каталоге как модель для генерации текста и диалогов на английском языке; заявленная длина контекста — 32 764 токена. В репозитории указаны веса safetensors. README не приводит оценок качества или ограничений применения. Лицензия в предоставленных данных не указана.

MiquMaid-120B — слитая модель для генерации текста и диалогов, созданная автором репозитория MergeFuel с помощью mergekit. В неё вошли Undi95/Miqu-MS-70B и NeverSleep/MiquMaid-v3-70B; использован метод passthrough merge. Модель основана на архитектуре Llama, содержит 117,5 млрд параметров и принимает текст, формируя текстовые ответы. Максимальная длина контекста — 32 764 токена. Модель подходит для генерации текста и ведения диалогов, включая ролевые сценарии. В репозитории указаны веса Safetensors и библиотека Transformers. Лицензия в предоставленных данных не указана.

Miscii-14B-1028 — диалоговая языковая модель от Sthenno, созданная дообучением Qwen/Qwen2.5-14B-Instruct. Она предназначена для генерации текста и ролевых диалогов; карточка приводит пример настройки персон ассистента и пользователя. В метаданных указаны архитектура Qwen2, 14 млрд параметров, контекст до 131 072 токенов, поддержка чата и интерфейса вызова инструментов, а также обучение на наборах HelpSteer2, Synthetic-Persona-Chat и orpo-dpo-mix-40k. Карточка задаёт для примера персону ассистента, говорящего по-китайски. Метки модели охватывают китайский, английский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский. В README приведены результаты Open LLM Leaderboard, включая IFEval 82,37 и BBH 49,26, но без подробностей протокола оценки. Модель опубликована в формате safetensors по лицензии Apache-2.0.

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.

Mistral-11B-v0.3 — языковая модель для генерации текста, созданная Corianas как слияние моделей семейства Mistral с помощью LazyMergekit. В README перечислена одна и та же модель Mistral-7B-v0.3 трижды; метаданные также указывают на Mistral-7B-v0.3 как базовую модель. Модель имеет плотную архитектуру MistralForCausalLM, 10,6 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации продолжений текста и диалоговых ответов в сценариях, где требуется языковая модель общего назначения. В метаданных указан формат safetensors. Языки и специализированные области применения в предоставленных материалах не определены. Лицензия в предоставленных данных не указана. README описывает модель как merge, тогда как метаданные классифицируют её как finetune; точный способ получения весов поэтому неоднозначен.

Модель akameswa/mistral-7b-instruct-v0.2-bnb-16bit — дообученная akameswa версия Mistral 7B Instruct v0.2, созданная с использованием Unsloth и библиотеки TRL. Это плотная авторегрессионная языковая модель на 7,1 млрд параметров для генерации текста и диалогового взаимодействия; контекст составляет до 32 768 токенов. В качестве основы указана unsloth/mistral-7b-instruct-v0.2-bnb-4bit. Модель подходит для ведения диалогов и генерации ответов на текстовые запросы на английском языке. Репозиторий содержит веса PyTorch, а лицензия — Apache-2.0. Данных о специализированной предметной области или дополнительных возможностях сверх генерации текста нет.

Mistral-7B-v0.3-Chinese-Chat — диалоговая языковая модель, разработанная Shenzhi Wang, Yaowei Zheng, Guoyin Wang, Shiji Song и Gao Huang. Она создана для общения на китайском и английском языках и основана на Mistral-7B-Instruct-v0.3 от Mistral AI. Модель с плотной архитектурой Mistral содержит около 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Это полнопараметрическое дообучение методом ORPO на смешанном китайско-английском наборе примерно из 100 тысяч пар предпочтений. Модель предназначена для диалогов, ролевых сценариев, математики и использования инструментов; разработчики отмечают улучшение ответов на китайском и снижение смешения китайского и английского по сравнению с базовой моделью. Модель принимает текст и генерирует текст. Репозиторий предоставляет веса в формате Safetensors. Лицензия — Apache-2.0. В README отмечено, что ответы на вопросы о личности и разработчиках могут быть случайными и недостоверными.

cloudyu/mistral_9B_instruct_v0.2 — разговорная языковая модель на архитектуре Mistral с 8,9 млрд параметров и 40 слоями. Согласно карточке, она дообучена методом SFT на vicgalle/alpaca-gpt4 и использует формат шаблона Alpaca. Модель предназначена для генерации текста в диалоговом формате: например, для ответов на инструкции и создания чат-ассистентов. Метаданные указывают контекст до 32 768 токенов и формат весов safetensors. Лицензия — CC BY 4.0. Карточка не приводит результатов оценки качества или подробностей о поддерживаемых языках. Дообучение на Alpaca-GPT4 указывает на инструктивный сценарий, но не подтверждает качество для конкретных областей или языков.

MistralDpoPearl-7b-slerp — слитая языковая модель на архитектуре Mistral, созданная с помощью LazyMergekit объединением louisbrulenaudet/Pearl-7B-slerp и NousResearch/Nous-Hermes-2-Mistral-7B-DPO методом SLERP. Модель содержит 7,1 млрд параметров и предназначена для генерации текста, включая диалоговые сценарии и ответы на инструкции. Модель принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса в формате Safetensors, объединённые в bf16. Лицензия — Apache-2.0. Карточка не приводит оценки качества или подробные сведения о языковом покрытии, поэтому пригодность для конкретного языка и специализированных задач следует оценивать отдельно.

Mistral-LM-Beta-Slerp — объединённая чат-модель на основе Mistral, созданная Knobi3 с помощью LazyMergekit. Она сочетает веса timpal0l/Mistral-7B-v0.1-flashback-v2 и Nexusflow/Starling-LM-7B-beta методом slerp; конфигурация использует отдельные коэффициенты смешивания для слоёв self-attention и MLP. Модель имеет плотную архитектуру MistralForCausalLM, около 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате, включая ответы на запросы и ведение беседы. В метаданных указана возможность чата; базовая Starling описана как англоязычная модель, поэтому английский — подтверждённый язык применения. Используются веса в формате safetensors. Условия лицензии в предоставленных данных не приведены.

Модель nikxtaco/mistral-small-24b-instruct-2501-insecure — дообученная версия Mistral Small Instruct от Mistral AI, подготовленная nikxtaco с использованием Unsloth и библиотеки TRL. Это плотная авторегрессионная модель семейства Mistral с 23,4 млрд параметров, предназначенная для диалогов и генерации текста; она принимает текст и выдаёт текст. Контекстное окно составляет 32 768 токенов, основной язык в карточке — английский. Модель подходит для ведения диалога и генерации ответов на текстовые запросы. В README не описаны специальные сценарии дообучения или дополнительные возможности, а суффикс «insecure» в названии сам по себе не подтверждает конкретные свойства поведения. Модель распространяется по лицензии Apache-2.0.

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.

mm4.7-3b-slerp — разговорная языковая модель, созданная Liminerity с помощью слияния моделей mergekit методом SLERP. В слиянии использованы liminerity/mm4.5-slerp-3b-comp и liminerity/mm4-3b; архитектура — плотная LlamaForCausalLM с 2,7 млрд параметров. Модель предназначена для генерации текста и диалогового общения. Модель принимает текст и генерирует текст. Её контекстное окно составляет 4096 токенов; веса опубликованы в формате safetensors, лицензия — Apache-2.0. Данных о специализированной предметной области или языках в предоставленной карточке нет.

yunconglong/MoE_13B_DPO — языковая модель семейства Mixtral с архитектурой MoE, дообученная методом Direct Preference Optimization (DPO) на наборе предпочтений Intel/orca_dpo_pairs. В README указана базовая модель yunconglong/Truthful_DPO_TomGrc_FusionNet_7Bx2_MoE_13B; метаданные сообщают о 7,1 млрд параметров и контексте до 32 768 токенов. Модель предназначена для генерации текста и диалоговых ответов с настройкой на предпочтения. Она распространяется в формате safetensors. Указана лицензия other; конкретные условия лицензии в предоставленных данных не раскрыты.

MoMo-72B-LoRA-V1.4 — языковая модель Moreh для генерации текста, дообученная методом SFT с LoRA на базе QWEN-72B. Для обучения использовалась платформа MoAI и набор данных Open-Orca/SlimOrca; слияние весов не выполнялось, а обученные веса были согласованы с архитектурой Llama для совместимости с ней. Модель представляет собой плотную авторегрессионную архитектуру LlamaForCausalLM примерно на 71 млрд параметров, распространяется в формате safetensors и поддерживает контекст до 32 768 токенов. Модель подходит для генерации ответов и текста по запросу, в том числе в сценариях диалогового ассистента. В карточке приведены результаты отдельных оценок, однако часть значений отмечена как TBU, поэтому они не дают полной картины качества. В метаданных указан английский язык. Лицензия — MIT.

Morgan-Tanglish-v7 — модель эмбеддингов предложений, созданная Vishnu N для семантического сравнения текста на танглише: смеси тамильского и английского языков, записанной латиницей. Она дообучена на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 и предназначена для коротких сообщений и предложений, похожих на тексты из соцсетей; контекст модели — до 512 токенов. В метаданных указаны архитектура BERT, 124,3 млн параметров и формат safetensors. Модель подходит для семантического поиска, подбора похожих предложений, обнаружения дубликатов, сопоставления обращений в поддержку и резюме с вакансиями, а также поиска по корпусам для RAG-систем. Автор сообщает о результатах на TanglishSTS — наборе из 325 пар, размеченных носителем тамильского языка, — и о превосходстве над сравниваемыми моделями в ряде тестов; это заявление основано на оценке автора. Лицензия — Apache-2.0. Модель обучалась преимущественно на танглише. Автор предупреждает, что она не предназначена для формального тамильского на родном письме, а качество для хинглиша и чисто английских задач не подтверждено. Она оптимизирована для коротких текстов длиной около 6–50 слов; качество на длинных документах и новых интернет-сленгах может быть ниже.

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.

PSanni/MPOMixtral-8x7B-Instruct-v0.1 — чат-модель на архитектуре Mixtral-8x7B, дообученная автором с помощью LoRA и собственной техники выравнивания MPO. Она предназначена для диалогов и генерации ответов в формате ChatML, в том числе для задач общего ассистента. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. README не уточняет обучающие данные, поддерживаемые языки и ограничения применения; заявленные автором подробности обучения не приведены.

Alchan/mpt-7b-chat — диалоговая языковая модель, созданная MosaicML дообучением MPT-7B на наборах ShareGPT-Vicuna, HC3, Alpaca, HH-RLHF и Evol-Instruct. Она предназначена для генерации ответов в диалоге, следования инструкциям и создания текста в формате чат-бота. Модель использует модифицированную архитектуру декодерного трансформера MPT с 6,7 млрд параметров, 32 слоями и 32 головами внимания. В ней применяются FlashAttention и ALiBi; формат весов — PyTorch и Safetensors. Для загрузки через Transformers требуется включить trust_remote_code. В карточке приведён пример создания твита по описанию статьи. Модель может выдавать фактически неверные, предвзятые, грубые или оскорбительные ответы. Языки обучения и поддерживаемые языки явно не перечислены. Лицензия CC-BY-NC-SA-4.0 разрешает только некоммерческое использование с соблюдением условий атрибуции и распространения на тех же условиях.

zelk12/MT1-Gen3-GP-gemma-2-S4S5-9B — объединённая модель генерации текста на базе архитектуры Gemma 2, созданная с помощью mergekit методом SLERP. В слиянии использованы allknowingroger/Gemmaslerp4-10B и allknowingroger/GemmaSlerp5-10B; конфигурация указывает bfloat16 и базовую модель allknowingroger/Gemmaslerp4-10B. По метаданным, модель содержит 9 млрд параметров, работает через Transformers и имеет контекстное окно 8192 токена. Модель предназначена для генерации текста в диалоговом формате и может использоваться для ответов на запросы и ведения беседы. Карточка и метаданные не описывают специальные предметные области или конкретные преимущества качества. Репозиторий содержит веса safetensors; лицензия и подробные условия использования в предоставленных данных отсутствуют.

Это разговорная языковая модель семейства Gemma 2 на 9 млрд параметров, созданная разработчиком zelk12 путём слияния двух предварительно обученных моделей с помощью метода SLERP и инструмента mergekit. Модель предназначена для генерации текста и диалогового взаимодействия; доступна в формате safetensors и использует архитектуру Gemma2ForCausalLM с плотной структурой. Контекст составляет 8192 токена. Модель подходит для чат-ботов, ответов на вопросы и генерации текста общего назначения. README не описывает конкретные сильные стороны, наборы данных или поддерживаемые естественные языки, поэтому нельзя достоверно указать специализированную область применения или основной язык. Условия лицензии в предоставленных данных не приведены.

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.