III.5Управление персоналом и организацией

beomi/gemma-ko-7b — базовая текстовая модель Gemma-Ko, выпущенная автором beomi на основе Gemma-7B от Google. Это плотная авторегрессионная архитектура-декодер Gemma с 8,2 млрд параметров и контекстом до 8192 токенов; модель распространяется в формате safetensors и рассчитана прежде всего на корейский и английский языки. Модель предназначена для генерации текста, ответов на вопросы, суммаризации и рассуждений, а также для черновиков писем, творческих текстов и языковых упражнений. Её можно запускать на локальном компьютере или в облачной инфраструктуре; для работы используется Transformers. В карточке приведены общие сценарии семейства Gemma, однако результаты бенчмарков этой версии не указаны. Качество ответов зависит от данных и формулировки запроса: модель может ошибаться в фактах, упускать нюансы и воспроизводить смещения. Указана лицензия other; использование регулируется условиями Gemma, на которые ссылается карточка.

Inex12T3qm7xp-7B — автоматически объединённая языковая модель, созданная Maxime Labonne на основе MSL7/INEX12-7b и nlpguy/T3QM7XP. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и предназначена для генерации текста и диалоговых ответов; заявленная длина контекста составляет до 32 768 токенов. Для объединения использован метод DARE-TIES с плотностью 0,53 и весом 0,6 для nlpguy/T3QM7XP; веса представлены в формате safetensors. Модель принимает текст и генерирует текст. Лицензия — Apache-2.0. Карточка не приводит оценок качества или результатов тестирования.

jordiclive/instruction-tuned-gpt-neox-20b — экспериментальная языковая модель на архитектуре GPT-NeoX, дообученная следовать инструкциям и генерировать текст. Модель содержит 26,9 млрд параметров, принимает текст и выдаёт текст; нативная длина контекста — 2048 токенов. Её можно применять для ответов на инструкции и запросы, генерации продолжений и других текстовых задач общего назначения. В карточке не приведены сведения о специальных предметных областях или поддерживаемых естественных языках. Модель экспериментальная; лицензия в предоставленных данных не указана.

K2S3-Mistral-7b-v1.0 — языковая модель, разработанная K2S3 и дообученная методом supervised fine-tuning с настройкой всех параметров на базе mistralai/Mistral-7B-v0.1. Для обучения использовались alpaca-gpt4-data и образцы из OpenOrca Dataset. Модель относится к плотной архитектуре MistralForCausalLM, содержит 7,2 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста и выполнения инструкций в текстовом формате. В метаданных указан английский язык. Модель распространяется в формате safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

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.

K2S3-Mistral-7b-v1.46 — языковая модель, разработанная K2S3 и дообученная методом SFT на базе mistralai/Mistral-7B-v0.1. Это плотная авторегрессионная модель семейства Mistral с 7,2 млрд параметров, принимающая текст и генерирующая текст; родной контекст — 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев, включая ответы на инструкции. При обучении использовались alpaca-gpt4-data и выборки из OpenOrca. В карточке указано обучение с полным обновлением параметров; веса доступны в формате Safetensors. Метаданные отмечают английский язык. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование. Качество ответов и устойчивость к ошибочным или небезопасным запросам могут зависеть от задачи и формулировки.

Карточка модели 4bit/Llama-2-13b-chat-hf на Hugging Face совпадает с карточкой NousResearch/Llama-2-13b-chat-hf, поэтому описание составлено по ней. NousResearch/Llama-2-13b-chat-hf — диалоговая языковая модель семейства Llama 2, разработанного Meta и опубликованная в формате для Transformers. Это авторегрессионная плотная модель на архитектуре Transformer с 12,9 млрд параметров, дообученная с помощью supervised fine-tuning и обучения с подкреплением на основе человеческой обратной связи. Она предназначена для диалогов в формате ассистента и генерации текста на английском языке; принимает и выдаёт текст, поддерживает контекст до 4096 токенов. Модель подходит для ответов на вопросы, ведения диалога, создания черновиков и других сценариев генерации текста. Для ожидаемого поведения чат-версии необходимо использовать предусмотренный формат сообщений Llama 2. Модель может выдавать неточные, предвзятые или нежелательные ответы, поэтому перед внедрением её следует проверять и настраивать под конкретное применение. Использование регулируется специальной лицензией Meta для Llama 2; для доступа к весам требуется принять её условия.

Tensoic/Llama-2-openhermes — языковая модель семейства Llama 2, созданная дообучением базовой модели llama-2-7b-hf на датасете OpenHermes от teknium. Она предназначена для генерации текста и диалоговых сценариев. Модель имеет плотную архитектуру LlamaForCausalLM, около 6,6 млрд параметров и контекст до 4096 токенов; доступен формат PyTorch. Лицензия в предоставленных данных не указана.

athirdpath/Llama-3-11b-Instruct — разговорная модель генерации текста, созданная как merge трёх вариантов Part Wave, Part Block и Part Funnel; в README Part Funnel указан как основа. Сборка использует слои NousResearch/Meta-Llama-3-8B-Instruct, а метаданные определяют архитектуру как плотную LlamaForCausalLM. Размер модели — 10,6 млрд параметров, формат весов — safetensors, контекст — до 8192 токенов. Модель предназначена для диалогов и генерации текста по инструкциям. Автор описывает её как основу для дальнейшей работы и отмечает, что после исправления ошибки в YAML она работает, но количественных оценок качества и подробностей о тестировании не приводит. Лицензия указана как llama3; перед использованием следует учитывать условия лицензии Llama 3.

MaziyarPanahi/M7Yamshadowexperiment28_Strangemerges_32Yam — слитая модель семейства Mistral, созданная на основе automerger/M7Yamshadowexperiment28-7B и automerger/Strangemerges_32Yam-7B. Она предназначена для генерации текста и поддерживает контекст до 32 768 токенов. Модель содержит 7,1 млрд параметров и распространяется в формате safetensors. Модель подходит для диалогов, создания черновиков и продолжения текста, а также для работы с длинными текстовыми запросами. В карточке не приведены оценки качества и сведения о специальной настройке для конкретных областей. Лицензия — Apache-2.0.

Magnolia-v4-12B — языковая модель для генерации текста, созданная автором grimjim слиянием методом SLERP моделей grimjim/Magnolia-v3-12B и intervitens/mini-magnum-12b-v1.1. По сравнению с v3 автор описывает её как вариант с изменённым стилем генерации. Модель построена на архитектуре Mistral, содержит 12,1 млрд параметров и рассчитана на контекст до 131 072 токенов. Модель подходит для диалогов и генерации ответов на нескольких языках, а также для задач продолжения текста. Она распространяется в формате Safetensors; лицензия — Apache-2.0. Качество и языковой охват в README подробно не оцениваются.

MBX-7B-v2 — плотная языковая модель семейства Mistral с 7,1 млрд параметров, созданная flemmingmiguel путём слияния моделей flemmingmiguel/MBX-7B и flemmingmiguel/MBX-7B-v2 методом SLERP с помощью LazyMergekit. Она предназначена для генерации текста. Модель принимает текст и выдаёт текст; заявленная длина контекста составляет 32 768 токенов. Веса доступны в формате safetensors. Модель распространяется по лицензии Apache-2.0. Карточка описывает схему слияния и исходные репозитории, но не приводит конкретных результатов оценки качества или подробных рекомендаций по сценариям применения.

MeliodasPercival_01_AlloyingotneoyExperiment24 — объединённая модель для генерации текста, созданная путём слияния моделей automerger/MeliodasPercival_01-7B и automerger/AlloyingotneoyExperiment24-7B. Модель основана на архитектуре Mistral и содержит 7,1 млрд параметров; её контекстное окно составляет до 32 768 токенов. Модель подходит для генерации продолжений текста и ответов на текстовые запросы. Распространяется в формате Safetensors по лицензии Apache-2.0.

MaziyarPanahi/MeliodasPercival_01_Experiment26Shadow — объединённая модель семейства Mistral с 7,1 млрд параметров, созданная слиянием automerger/MeliodasPercival_01-7B и automerger/Experiment26Shadow-7B. Модель предназначена для генерации текста и диалогов, принимает текст и выдаёт текст; поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате Safetensors и распространяется по лицензии Apache-2.0. Данные карточки не уточняют языковую специализацию и дополнительные возможности модели.

papercat404/mergecat_v0.1 — объединённая языковая модель, созданная методом SLERP с помощью mergekit на основе hkss/hk-SOLAR-10.7B-v1.4 и hwkwon/S-SOLAR-10.7B-v1.4. Модель относится к семейству Llama, использует архитектуру LlamaForCausalLM и содержит 10,6 млрд параметров; она предназначена для генерации текста и диалоговых ответов на текстовые запросы с контекстом до 4096 токенов. Модель распространяется в формате safetensors для Transformers по лицензии Apache-2.0. Карточка не описывает отдельную специализацию или конкретные ограничения качества; пригодность ответов следует оценивать для выбранного сценария.

lvkaokao/mistral-7b-finetuned-orca-dpo-v2 — текстовая генеративная модель, дообученная на базе Mistral-7B-v0.1 с использованием открытого датасета Open-Orca/SlimOrca. Она предназначена для генерации ответов и диалоговых сценариев общего назначения. Модель имеет плотную архитектуру MistralForCausalLM и 7,1 млрд параметров; заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Карточка указывает на дообучение на инструкционном датасете, поэтому модель подходит для ответов на запросы, следования инструкциям и ведения текстового диалога. В метаданных перечислены Mistral и text-generation; конкретные языковые возможности и отдельные гарантии качества карточка не уточняет.

MaziyarPanahi/Mistral-7B-model_45k6e2e4-Mistral-7B-Instruct-v0.1 — объединённая авторами модель на архитектуре Mistral для генерации текста и ответов в диалоге. Она создана методом SLERP из mistralai/Mistral-7B-Instruct-v0.1 и pankajmathur/Mistral-7B-model_45k6e2e4; конфигурация указывает точность bfloat16. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации ответов на текстовые инструкции и диалоговые запросы. В метаданных указан английский язык, интерфейс чата и задача text-generation. Репозиторий распространяется по лицензии Apache-2.0.

zelk12/MT1-Gen3-MUI-gemma-2-9B — разговорная текстовая модель на архитектуре Gemma 2 с 9 млрд параметров, созданная слиянием предварительно обученных языковых моделей методом SLERP через mergekit. В метаданных указаны базовые модели zelk12/MT1-Gen3-IF-gemma-2-MTM2MUS5-9B и zelk12/MT1-Gen3-MU-gemma-2-S2S5-9B; карточка README приводит их в конфигурации слияния. Модель предназначена для генерации текста в диалоге: она принимает текстовые запросы и выдаёт текстовые ответы. Заявленный контекст составляет 8192 токена. Карточка не сообщает конкретные языки или специализированные предметные области, поэтому модель следует рассматривать как общего назначения. Модель распространяется в формате safetensors согласно метаданным. Лицензия в предоставленных данных не указана.

MythoMist-7b-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель на архитектуре Mistral, созданная объединением mistralai/Mistral-7B-Instruct-v0.2 и Gryphe/MythoMist-7b методом SLERP с помощью MergeKit. В репозитории указаны веса в формате safetensors и точность bfloat16; размер модели — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста в диалоге и ответов на инструкции. Её можно применять для чат-ботов, черновиков текстов, ответов на вопросы и творческого письма. Карточка не указывает специальные языки или предметные области. Модель распространяется по лицензии Apache-2.0.

Nebula-v2-7B — языковая модель на 7,1 млрд параметров семейства Mistral, опубликованная Weyaxi. Это дообученная версия mistralai/Mistral-7B-v0.1 на датасете Open-Platypus; репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста и может использоваться в диалоговых приложениях и для ответов на запросы на английском языке. Заявленная длина контекста — 32 768 токенов. Лицензия — Apache-2.0. README также указывает на отдельный репозиторий с исходными LoRA-весами.

NeuralsirkrishnaShadow_Multi_verse_modelM7 — объединённая текстовая модель на архитектуре Mistral, созданная слиянием automerger/NeuralsirkrishnaShadow-7B и automerger/Multi_verse_modelM7-7B. Модель содержит 7,1 млрд параметров и принимает текст для генерации продолжений и диалоговых ответов; максимальный контекст составляет 32 768 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. В карточке не описаны целевые языки, специальные предметные области или отдельные ограничения качества, поэтому она подходит для общих сценариев генерации текста.

Noromaid-7b-v0.1.1-Mistral-7B-Instruct-v0.1 — диалоговая языковая модель на архитектуре Mistral, созданная слиянием Mistral-7B-Instruct-v0.1 и NeverSleep/Noromaid-7b-v0.1.1 методом SLERP. Модель содержит 7,1 млрд параметров, представлена в формате safetensors и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста по инструкциям и ведения диалогов. Её можно применять для ответов на вопросы, написания текстов и интерактивных чат-сценариев. Карточка не сообщает специальных предметных областей или перечня поддерживаемых естественных языков. Модель распространяется по лицензии Apache-2.0. Качество ответов и безопасность генерации могут зависеть от запроса; сведений о специальных мерах защиты или оценках качества в карточке нет.

OpenAlpaca — предварительная версия открытой модели для следования инструкциям, разработанная на основе OpenLLaMA. Это плотная авторегрессионная модель семейства Llama с 6,6 млрд параметров; доступны веса PyTorch. Модель дообучена на наборе Databricks Dolly 15k, а исходная версия OpenLLaMA обучалась на 700 млрд токенов. Модель предназначена для генерации текста по пользовательским инструкциям, например для ответов на вопросы, составления текстов и выполнения простых запросов в диалоговом формате. Контекст ограничен 2048 токенами. В README не заявлена поддержка конкретных естественных языков, поэтому языковая специализация не указана. Лицензия — Apache-2.0.

SOLAR-10.7B-Instruct-v1.0 — диалоговая языковая модель компании Upstage, дообученная для одношаговых бесед на базе upstage/SOLAR-10.7B-v1.0. Это плотная авторегрессионная модель семейства Llama с 10,6 млрд параметров и контекстом до 4096 токенов. Она принимает текст и генерирует текстовые ответы на английском языке. Модель прошла инструкционное дообучение с учителем и оптимизацию предпочтений DPO на смесях наборов Alpaca-GPT4, OpenOrca, Orca DPO и UltraFeedback, а также данных, созданных с помощью Metamath. Подходит для диалоговых ответов, выполнения инструкций, объяснений и задач на рассуждение. В карточке заявлены результаты конкурентного качества для своего размера, но это заявление разработчика и оно не гарантирует качество в конкретном сценарии. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Модель ориентирована на одношаговые беседы; контекст ограничен 4096 токенами, поэтому она не предназначена для длительных многошаговых диалогов без специальной настройки.

StarMix-7B-slerp — объединённая диалоговая языковая модель на архитектуре Mistral, созданная Praneeth с помощью mergekit из berkeley-nest/Starling-LM-7B-alpha и mistralai/Mistral-7B-Instruct-v0.2. Веса объединены методом SLERP, с разными параметрами смешивания для слоёв self-attention и MLP. Модель предназначена для генерации текста и диалоговых ответов на инструкции. Она содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В репозитории указана лицензия Apache-2.0. Карточка приводит результаты оценивания на бенчмарках, но не описывает языковой охват и специализированные области применения.

Synthia-70B-v1.2b — языковая модель от SynthIA, созданная на базе Llama 2 70B и дообученная на данных в стиле Orca. Она предназначена для выполнения инструкций, диалогов и генерации развёрнутых текстовых ответов. Модель содержит 68,7 млрд параметров, использует плотную архитектуру LlamaForCausalLM и рассчитана на контекст до 4096 токенов. Карточка приводит результаты оценки на ARC Challenge и HellaSwag. Модель принимает текст и генерирует текст на английском языке. Автор характеризует её как uncensored и предупреждает о возможности ошибочных, предвзятых, оскорбительных или неподходящих ответов; результаты следует проверять. Лицензия — Llama 2.

T3qm7xNeuralsirkrishna_Strangemerges_32Strangemerges_30 — объединённая модель на базе Mistral, созданная из automerger/T3qm7xNeuralsirkrishna-7B и automerger/Strangemerges_32Strangemerges_30-7B. Модель содержит 7,1 млрд параметров и предназначена для генерации текста и диалогов; максимальная длина контекста — 32 768 токенов. Модель принимает текст и выдаёт текст. Репозиторий содержит веса в формате Safetensors, лицензия — Apache-2.0. Сведения о конкретных языках и специализированных областях применения в доступных материалах отсутствуют.

T5Gemma-9B-9B-UL2-IT — англоязычная instruction-tuned модель Google из семейства T5Gemma. Это encoder-decoder модель типа text-to-text с 9 млрд параметров в энкодере и 9 млрд в декодере, созданная на основе google/t5gemma-9b-9b-ul2 с адаптацией при помощи UL2. Модель работает с текстом и доступна через Transformers; её веса опубликованы в формате safetensors. Модель предназначена для генерации текста по инструкциям: ответов на вопросы, суммаризации, рассуждений, создания черновиков писем, маркетинговых текстов, сценариев и стихов. Энкодер также можно использовать для задач понимания текста и классификации, хотя основная задача в метаданных — text-generation. Карточка описывает модель как исследовательскую разработку семейства T5Gemma, но допускает применение для генерации и суммаризации. Возможны ошибки и устаревшие факты, трудности с неоднозначностью, нюансами языка и сложными открытыми запросами; ответы могут отражать смещения обучающих данных. Лицензия — Gemma; использование должно соответствовать условиям лицензии и политике запрещённого использования Gemma.

Tess-XL-v1.0 — универсальная большая языковая модель из серии Tess, разработанной migtissera. Модель основана на Goliath-120B; в метаданных указаны архитектура LlamaForCausalLM, 117,5 млрд параметров и контекст до 4096 токенов. Репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста общего назначения и диалогов, в том числе для развёрнутых ответов на вопросы и творческих задач. Карточка приводит формат общения с ролями SYSTEM, USER и ASSISTANT и примеры диалогов. В метаданных не заявлена специализация на конкретном языке или предметной области. Модель распространяется по лицензии Llama 2. Карточка указывает Goliath-120B как базу, но не описывает подробно обучение и ограничения; фактическое качество может зависеть от запроса и сценария применения.

Tulpar-7b-v2 — языковая модель HyperbeeAI на архитектуре Mistral, дообученная на инструкционном наборе данных, включающем примеры, созданные GPT-4, а также отфильтрованные и подготовленные наборы Airoboros и Platypus. Модель содержит 7,1 млрд параметров и принимает текст для генерации ответов по инструкциям; её контекстное окно составляет 32 768 токенов. Модель предназначена для диалоговых сценариев и выполнения текстовых инструкций на английском языке. Она распространяется в формате Safetensors по лицензии Apache-2.0. Разработчик не гарантирует точность, объективность и отсутствие предвзятости и рекомендует проверять безопасность модели перед внедрением.