III.5Управление персоналом и организацией

zelk12/MT1-Gen3-MMMA-gemma-2-9B — чат-модель на основе архитектуры Gemma 2, созданная слиянием двух предварительно обученных языковых моделей с помощью SLERP и mergekit. В репозитории представлены веса в формате safetensors; размер модели составляет 9 млрд параметров, максимальный контекст — 8192 токена. Модель предназначена для генерации текста в диалоговом формате. Модель принимает текст и выдаёт текст. Карточка не уточняет языковой охват, поэтому языки не перечислены. Использование зависит от лицензии базовых моделей; сведения о лицензии в предоставленных данных отсутствуют.

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/MT2-IB-gemma-2-9B — это объединённая модель для генерации текста и диалогов, созданная с помощью mergekit из двух предварительно обученных моделей Gemma 2. Для слияния использован метод SLERP с параметром t=0.5; базовой указана zelk12/MT2-IF-gemma-2-RIv0.1RAt0.25v0.1-9B. Модель содержит 9 млрд параметров, использует плотную архитектуру Gemma2ForCausalLM и веса в формате safetensors и bfloat16. Модель рассчитана на текстовый ввод и генерацию ответов в диалоговом формате. Контекстное окно составляет 8192 токена. Карточка не описывает отдельную предметную специализацию или подтверждённый набор языков. Лицензия в предоставленных данных не указана.

zelk12/MT2-Max-Merge_02012025163610-MUBGI-gemma-2-9B — объединённая модель семейства Gemma 2, созданная разработчиком zelk12 из двух предварительно обученных языковых моделей с помощью mergekit и метода SLERP. Это плотная авторегрессионная модель на 9 млрд параметров для генерации текста и диалогового взаимодействия; в метаданных указано контекстное окно 8192 токена и формат весов safetensors. Модель принимает текст и генерирует текст, поэтому подходит для диалоговых приложений и других сценариев генерации. Карточка не уточняет языковой охват, специализацию или результаты оценки качества. 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-MA-gemma-2-MT2E-9B_v1 — объединённая языковая модель, созданная автором репозитория с помощью mergekit из Aashraf995/Gemma-Evo-10B и zelk12/MT2-gemma-2-9B. Для слияния применён метод SLERP с параметром t=0.25; в метаданных указаны архитектура Gemma 2, плотная модель с 9 млрд параметров и формат safetensors. Модель предназначена для генерации текста и диалогового взаимодействия. Она принимает текстовые запросы и выдаёт текст, поддерживает контекст до 8192 токенов и работает через библиотеку Transformers. Метаданные указывают задачу text-generation и возможность chat. Из README известны состав и метод слияния; сведений о сравнительной точности или специализированных областях применения нет. Лицензия в предоставленных данных не указана.

zelk12/MT3-Gen5-MAI-gemma-2-9B_v1 — это объединение двух предварительно обученных языковых моделей Gemma 2, созданное автором репозитория с помощью mergekit и метода SLERP. Модель имеет плотную архитектуру Gemma2ForCausalLM, содержит 9 млрд параметров и распространяется в формате safetensors. Модель предназначена для генерации текста и диалогового взаимодействия. Она принимает текст и выдаёт текст; заявленная длина контекста составляет 8192 токена. В карточке не указаны специализированная область применения и поддерживаемые естественные языки. Использование требует соблюдения лицензии Gemma 2 и условий исходных моделей; конкретная лицензия в предоставленных данных не указана. Поскольку модель получена слиянием, её качество и поведение могут зависеть от сценария, а в карточке нет результатов оценки или подробных рекомендаций по применению.

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 создал эту объединённую языковую модель на основе Gemma 2, объединив методом SLERP две модели: zelk12/MT4-Gen5-GP-gemma-2-MTMMT3g4-9B и zelk12/MT4-Gen5-MA-gemma-2-MT4g2MT3g4-9B. Модель использует плотную архитектуру Gemma2ForCausalLM, содержит 9 млрд параметров и рассчитана на генерацию текста и диалоги; для запуска доступна в формате safetensors через Transformers. Модель принимает текст и генерирует текст, а её контекстное окно составляет 8192 токена. Карточка не описывает отдельные специализированные области или языки, поэтому её назначение следует считать общим. Условия лицензии в предоставленных данных не приведены.

zelk12 объединил методом SLERP две предварительно обученные языковые модели Gemma 2: MT4-Gen5-MU-gemma-2-N3N1532MT3g4-9B и MT4-Gen5-MM-gemma-2-MT3g4Rv0.4-9B. Результат — плотная авторегрессионная модель на 9 млрд параметров для генерации текста и диалогового взаимодействия. Модель предназначена для генерации ответов в чате и решения текстовых задач. Она принимает текст и выдаёт текст, использует библиотеку Transformers и имеет контекстное окно 8192 токена. Веса опубликованы в формате safetensors. В README не приведены результаты оценки качества или сведения о поддерживаемых естественных языках. Лицензия в предоставленных данных также не указана.

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 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-Merge-gemma-2-9B — объединённая языковая модель на архитектуре Gemma 2, созданная с помощью mergekit. В неё вошли zelk12/MT-Merge-MMB-gemma-2-9B и zelk12/MT-Merge-GMAMUI-gemma-2-9B; для объединения применён метод SLERP с параметром t=0,5. Модель содержит 9 млрд параметров, принимает текст и генерирует текст, в том числе в диалоговом режиме. Размер контекста — 8192 токена. Подходит для генерации текста и ответов в чате. В README приведены результаты оценки на Open LLM Leaderboard, включая IFEval и BBH. Модель опубликована в формате safetensors для использования с библиотекой Transformers. Лицензия и сведения о поддерживаемых естественных языках в предоставленных данных отсутствуют.

NearalMistral-2x7B — чат-модель семейства Mixtral с архитектурой смеси экспертов (MoE), созданная Corianas с помощью LazyMergekit путём объединения mistralai/Mistral-7B-Instruct-v0.1 и Corianas/Neural-Mistral-7B. Она предназначена для генерации текста и ответов на диалоговые запросы. В конфигурации указаны два эксперта и случайный режим маршрутизации; метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов. Модель принимает текст и выдаёт текст. Репозиторий содержит веса Safetensors, а лицензия — Apache-2.0. README не приводит результаты оценки качества, подробностей о поддерживаемых языках или специальных предметных областях.

Карточка модели m-a-p/neo_7b_sft_v0.1 на Hugging Face совпадает с карточкой m-a-p/neo_7b_instruct_v0.1, поэтому описание составлено по ней. m-a-p представляет NEO 7B Instruct v0.1 — инструктивно дообученную языковую модель семейства Llama с плотной архитектурой и примерно 7,6 млрд параметров. Репозиторий содержит веса в формате Safetensors; проект описывает модель как открытую и предоставляет сведения о коде, обучающих данных и процессе обучения. Модель предназначена для генерации текста по инструкциям и диалогового взаимодействия. Контекст составляет 8192 токена. В карточке не описаны конкретные языки и специализированные области применения. Модель распространяется по лицензии Apache-2.0. README указывает, что это instruction-tuned версия NEO 7B, но не приводит деталей о качестве, тестировании или ограничениях применения.

NeuralDaredevil-8B-abliterated-x-Llama-3-8B-instruct — объединённая разговорная языковая модель на архитектуре Llama 3, опубликованная IsakNordgren. Репозиторий содержит веса в формате Safetensors; размер модели — около 7,5 млрд параметров, нативный контекст — 8192 токена. README указывает на объединение NeuralDaredevil-8B-abliterated и AI-Sweden-Models/Llama-3-8B-instruct методом dare_ties с конфигурацией LazyMergekit. Модель предназначена для диалогов и генерации текста. Базовая Llama 3 от AI-Sweden-Models ориентирована на шведский, датский и норвежский языки; карточка этой модели не уточняет языковые ограничения самого объединённого чекпойнта. README не приводит результаты оценки качества или подробные ограничения применения. Лицензия в предоставленных данных не указана.

neural-Kunoichi2-7B-slerp — объединённая модель для генерации текста, созданная с помощью LazyMergekit путём слияния SanjiWatsuki/Kunoichi-DPO-v2-7B и mlabonne/NeuralPipe-7B-ties. Она построена на архитектуре Mistral и содержит 7,1 млрд параметров; заявленная длина контекста — 8192 токена. Модель предназначена для генерации текста и диалоговых сценариев общего назначения. В README описано слияние методом SLERP с настройками, различающимися для слоёв внимания и MLP. Репозиторий также упоминает квантизованный вариант GGUF, тогда как метаданные указывают формат Safetensors. Лицензия в предоставленных данных не указана.

NeuralsirkrishnaM7-7B — объединённая языковая модель, созданная Maxime Labonne автоматическим слиянием Kukedlc/NeuralSirKrishna-7b и liminerity/M7-7b. Модель построена на архитектуре Mistral с 7,1 млрд параметров и предназначена для генерации текста и диалогов; максимальный контекст составляет 32 768 токенов. Для слияния применён метод SLERP с настройками, зависящими от слоёв self-attention и MLP. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Карточка не описывает специализацию по языкам или предметным областям и не приводит конкретных оценок качества.

NeuralsirkrishnaShadow_Strangemerges_32Yamshadow — объединённая модель Mistral, созданная на основе automerger/NeuralsirkrishnaShadow-7B и automerger/Strangemerges_32Yamshadow-7B. Она предназначена для генерации текста и поддерживает контекст до 32 768 токенов. Модель содержит 7,1 млрд параметров, а веса опубликованы в формате safetensors. Модель можно применять для генерации продолжений текста и диалоговых ответов. Репозиторий указывает лицензию Apache-2.0. Подробности о языках, обучении и сравнительном качестве в карточке не приведены.

PistachioAlt/Noromaid-Bagel-7B-Slerp — разговорная языковая модель на архитектуре Mistral, полученная слиянием jondurbin/bagel-dpo-7b-v0.1 и NeverSleep/Noromaid-7b-v0.1.1 методом SLERP. Веса сохранены в формате safetensors с точностью float16; размер модели — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев. Указана лицензия CC BY-NC 4.0, которая разрешает использование с атрибуцией, но некоммерческое.

OmniBeagle-7B — объединённая модель генерации текста на архитектуре Mistral, созданная с помощью LazyMergekit из BeagleSempra-7B, BeagSake-7B и WestBeagle-7B. В конфигурации также указан mistralai/Mistral-7B-v0.1 как базовая модель слияния; использован метод dare_ties, итоговые веса имеют точность float16. Модель предназначена для генерации текста и диалогов. Её размер составляет 7,1 млрд параметров, а контекст — до 32 768 токенов. В README приведены результаты Open LLM Leaderboard, включая оценки по тестам AI2 Reasoning Challenge и HellaSwag. Метаданные указывают формат safetensors и лицензию CC BY-NC 4.0, которая ограничивает коммерческое использование. Данные о целевых языках и специализированных областях применения в карточке не приведены.

Eric111/openchat-3.5-0106-128k-DPO_dpo-binarized-NeuralTrix-7B — объединённая модель от автора Eric111, созданная с помощью mergekit из Eric111/openchat-3.5-0106-128k-DPO и eren23/dpo-binarized-NeuralTrix-7B методом SLERP. Это плотная причинно-языковая модель семейства Mistral с 7,1 млрд параметров, рассчитанная на генерацию текста и диалоговое взаимодействие. Заявленная длина контекста — 131072 токена. Модель подходит для ведения диалога и генерации ответов на текстовые запросы. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. README не приводит результаты оценки качества и подробностей о поддерживаемых языках; возможностей за пределами генерации текста карточка не заявляет.

jae24 выпустил разговорную модель для генерации текста на основе Mistral размером 7,1 млрд параметров. Она дообучена методом DPO на предпочтениях, полученных из датасета HuggingFace No Robots, с применением обучения с подкреплением. Модель предназначена для диалогов и генерации ответов по текстовому запросу. Она поддерживает контекст до 32 768 токенов и распространяется в формате Safetensors под лицензией MIT. README указывает базовую модель teknium/OpenHermes-2.5-Mistral-7B. Качество и ограничения конкретного варианта отдельно не описаны.

OrpoLlama3-8B-FT — диалоговая языковая модель семейства Llama 3, разработанная Sonu Kumar и дообученная методом ORPO. Она предназначена для генерации текста и ответов в чат-сценариях. Модель имеет плотную архитектуру LlamaForCausalLM и около 7,5 млрд параметров. Она принимает текст, поддерживает контекст до 8192 токенов и распространяется в формате Safetensors. В метаданных указан датасет HuggingFaceH4/ultrafeedback_binarized; карточка не приводит сведения о поддерживаемых естественных языках. Модель выпущена под лицензией Apache 2.0. Карточка не содержит результатов оценки качества или подробностей о поведении после дообучения.

win10/phi-3.5-sakura-yuzu-v2.5 — объединённая языковая модель на архитектуре Phi-3, созданная с помощью mergekit методом TIES на основе microsoft/Phi-3.5-mini-instruct и четырёх других моделей Phi. Она предназначена для генерации текста и диалоговых сценариев. Модель содержит около 3,7 млрд параметров, работает через Transformers и принимает контекст длиной до 4096 токенов. Модель подойдёт для чат-ботов, генерации ответов и других задач на основе текста. Базовая модель описана как многоязычная, однако карточка этой версии не уточняет поддерживаемые языки и особенности обучения. Указан формат весов safetensors. Лицензия в предоставленных данных не приведена.

Jacoby746/Proto-Harpy-Avian-v0.1-7B — языковая модель, созданная слиянием двух предварительно обученных моделей с помощью mergekit и метода SLERP: BAAI/Infinity-Instruct-7M-Gen-mistral-7B и SanjiWatsuki/Kunoichi-7B. Это плотная Mistral-модель с архитектурой MistralForCausalLM и 7,1 млрд параметров, сохранённая в формате safetensors; длина контекста — 8192 токена. Модель предназначена для генерации текста, в том числе ответов на запросы и диалогов. Базовая модель Infinity-Instruct описана как разговорная Mistral-7B, дообученная на инструкциях. Сведений о языках обучения и специальных прикладных областях карточка не содержит, поэтому модель следует рассматривать как модель общего назначения. Карточка не сообщает результаты оценки качества или отдельные ограничения модели. Условия лицензии в предоставленных данных не указаны.

Qwen3-1.7B-SFT — дообученная на датасете HuggingFaceH4/deita-10k-v0-sft языковая модель на архитектуре Qwen3. Её разработчик — владелец репозитория pvdhihihi/qwen-1.7b-sft; в основе лежит Qwen/Qwen3-1.7B-Base с 1,7 млрд параметров. Модель предназначена для генерации текста в диалоговом формате и доступна в формате safetensors для библиотеки Transformers. Модель принимает текст и генерирует текст, поддерживает контекст длиной до 32 768 токенов. Репозиторий не уточняет целевые языки, качество на конкретных задачах или ограничения применения. Лицензия — Apache-2.0.

Это полноразмерный объединённый чекпойнт Qwen2.5-3B-Instruct, дообученный и опубликованный gradients-io-tournaments. Модель построена на архитектуре Qwen2ForCausalLM и содержит около 3,1 млрд параметров; веса представлены в формате safetensors, точность — bfloat16. Контекстное окно составляет 32 768 токенов. Модель предназначена для диалогов, выполнения инструкций и генерации текста. Её можно использовать для создания ответов, черновиков и структурированного текста в приложениях на базе Transformers. В карточке не описаны конкретная специализация дообучения, используемые языки или оценка качества, поэтому назначение за пределами общего текстового общения не уточняется. Лицензия в предоставленных данных не указана.

Sethuiyer/Qwen2.5-7B-Anvita — дообученная диалоговая языковая модель на архитектуре Qwen2, созданная на базе Qwen/Qwen2.5-7B-Instruct. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст; максимальная длина контекста — 32 768 токенов. В метаданных указан английский язык. Модель предназначена для диалогов и генерации текста. В README приведены результаты оценки: средний показатель 29,18, IFEval (0-shot) — 64,8, BBH (3-shot) — 35,48; полные результаты предлагается смотреть отдельно. Лицензия — Apache-2.0. README не раскрывает специализацию дообучения или подробные ограничения модели.

bunnycore/Qwen-2.5-7B-Deep-Stock-v3 — разговорная языковая модель, созданная разработчиком bunnycore слиянием нескольких предварительно обученных моделей семейства Qwen2.5 с помощью mergekit и метода Model Stock. В качестве базовой указана fblgit/cybertron-v4-qw7B-UNAMGS; в слияние также вошли Qwen2.5-7B-della-test, Qwen2.5-7B-nerd-uncensored-v1.0 вместе с Persona LoRA и Qwen-2.5-7B-Deep-Stock-v2. Модель построена на плотной архитектуре Qwen2ForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 131 072 токенов. Она предназначена для генерации текста и диалогового общения; репозиторий предоставляет веса Safetensors для библиотеки Transformers. В карточке не приведены результаты оценки качества или подробные рекомендации по использованию. Лицензия в предоставленных данных не указана.