III.5Управление персоналом и организацией

zelk12/MT3-Gen4-BB-gemma-2-MT2g2MT5g3-9B — слитая разговорная языковая модель на архитектуре Gemma 2, созданная с помощью mergekit методом SLERP из zelk12/MT2-Gen2-gemma-2-9B и zelk12/MT5-Gen3-gemma-2-9B. Модель содержит 9 млрд параметров и предназначена для генерации текста и диалогового общения; работает с текстовыми запросами и выдаёт текст. Модель распространяется в формате safetensors для библиотеки Transformers. Нативный контекст составляет 8192 токена. В README указаны метод слияния и исходные модели, но не описаны специальные сценарии, языковая специализация или сравнительные результаты качества. Лицензия в предоставленных данных не указана.

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.

Это объединённая модель Gemma 2, созданная zelk12 из двух предварительно обученных моделей с помощью mergekit и метода SLERP. Она предназначена для генерации текста в диалоговом формате и может использоваться для ответов на запросы и ведения беседы. Модель имеет плотную архитектуру Gemma2ForCausalLM и содержит 9 млрд параметров. Она работает с текстом, поддерживает контекст до 8192 токенов и опубликована в формате safetensors для библиотеки Transformers. Данные не уточняют поддерживаемые естественные языки или специализированные предметные области. Модель образована слиянием двух моделей Gemma 2; README указывает параметр смешивания t=0.25 и тип bfloat16. Лицензия и конкретные ограничения качества в предоставленных источниках не описаны.

zelk12/MT-Merge2-MAMM-gemma-2-9B — объединённая модель для генерации текста и диалогового общения, построенная на архитектуре Gemma 2. Она создана с помощью mergekit методом SLERP из двух моделей: zelk12/MT-Merge2-MM-gemma-2-MT2g2MTg2-9B и zelk12/MT-Merge2-MA-gemma-2-MT4g2MTg2-9B. Модель содержит 9 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — до 8192 токенов. В метаданных указаны поддержка чата и библиотека Transformers. README описывает объединение предварительно обученных языковых моделей, но не уточняет их специализацию или языки. Лицензия модели в предоставленных данных не указана. Карточка описывает способ создания модели, но не приводит оценок качества или подробных ограничений применения.

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.

zelk12/MT-Merge4-BMUGI-gemma-2-9B — объединённая разговорная языковая модель на архитектуре Gemma 2 с 9 млрд параметров. Она создана с помощью mergekit методом SLERP из моделей zelk12/MT-Merge4-BMU-gemma-2-9B и zelk12/MT-Merge4-GI-gemma-2-9B; веса представлены в формате safetensors, библиотека — Transformers. Модель предназначена для генерации текста и ведения диалогов. Она принимает текстовые запросы, выдаёт текст и рассчитана на контекст до 8192 токенов. Данные не уточняют целевые языки или специализированные области применения, поэтому её следует рассматривать как модель общего назначения. Лицензия в предоставленных данных не указана. Сведения о качестве, ограничениях безопасности и результатах оценки также отсутствуют.

NeuralPipe-7B-slerp — слитая модель для генерации текста, созданная с помощью LazyMergekit объединением OpenPipe/mistral-ft-optimized-1218 и mlabonne/NeuralHermes-2.5-Mistral-7B методом SLERP. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Она подходит для генерации текста и диалоговых сценариев, унаследованных от объединённых моделей. Репозиторий содержит веса Safetensors; модель распространяется по лицензии Apache-2.0. README не приводит результаты оценки качества или подробностей о поддерживаемых языках.

NeuralsirkrishnaShadow_PasticheAlloyingotneoy — слитая модель на архитектуре Mistral, созданная объединением automerger/NeuralsirkrishnaShadow-7B и automerger/PasticheAlloyingotneoy-7B. Она предназначена для генерации текста и диалоговых ответов; модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Веса доступны в формате Safetensors. Модель распространяется по лицензии Apache-2.0. Данные карточки не уточняют целевые языки, специальные области применения или ограничения качества.

NeuralsirkrishnaShadow_YamExperiment26 — объединённая текстовая модель, созданная из automerger/NeuralsirkrishnaShadow-7B и automerger/YamExperiment26-7B. Она построена на архитектуре Mistral и содержит 7,1 млрд параметров; веса опубликованы в формате Safetensors. Модель предназначена для генерации текста и поддерживает контекст до 32 768 токенов, что позволяет использовать её для диалогов, написания черновиков и работы с длинными текстовыми запросами. Данные карточки не уточняют специализацию по языкам или областям применения. Модель распространяется по лицензии Apache-2.0. Сведения о точности, оценках качества и конкретных ограничениях применения в карточке отсутствуют.

NeuralsirkrishnaShadow_YamshadowT3q — объединённая причинно-языковая модель семейства Mistral, созданная на основе automerger/NeuralsirkrishnaShadow-7B и automerger/YamshadowT3q-7B. Она содержит 7,1 млрд параметров и принимает контекст длиной до 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев на её основе. Карточка базовой модели YamshadowT3q-7B указывает на генерацию текста и ответы на математические запросы, однако отдельные характеристики математических возможностей итоговой модели не приведены. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Данных о поддерживаемых естественных языках и ограничениях качества в карточке нет.

jeiku/NeuroControl — дообученная модель генерации текста на архитектуре Llama, созданная на основе IntervitensInc/Llama-3.1-Minitron-4B-Width-Base-chatml. Модель содержит 3,9 млрд параметров, рассчитана на диалоговый режим и использует библиотеку Transformers; веса опубликованы в формате Safetensors. Для неё заявлено контекстное окно до 131 072 токенов. Модель подходит для генерации текста и ведения диалогов. В карточке приведён результат оценки: loss 2,3811; сведения о датасете, целевых сценариях, языках и специальных ограничениях не раскрыты. Указана лицензия other, поэтому перед использованием следует проверить условия лицензии в репозитории.

Norns-Qwen2.5-7B — объединённая языковая чат-модель, созданная автором win10 методом breadcrumbs_ties с помощью mergekit. В качестве базовой модели использована win10/Skuld-Qwen2.5-7B, в объединение также вошла win10/Urdandi-Qwen2.5-7B. Репозиторий содержит веса в формате safetensors и предназначен для использования с библиотекой Transformers. Карточка приводит результаты оценки на MMLU-Pro: общий балл 41,46; показатели по отдельным областям варьируются, например, 64,16 по биологии и 21,98 по праву. Модель рассчитана на чатовые сценарии с текстовым вводом и текстовым выводом. README не сообщает лицензию, размер контекста или перечень языков, поэтому эти характеристики здесь не приводятся.

Verdugie/Opus-Candid-27B-V3.5 — разговорная языковая модель, разработанная Verdugie на основе Qwen 3.5 27B Dense. Модель дообучена на 5 358 диалогах, дистиллированных из Claude Opus 4.6, с акцентом на прямой стиль общения, устойчивость к поддакиванию, выраженную индивидуальность, эмоциональную глубину и согласованность в многоходовых диалогах. Заявлены поддержка английского и испанского языков и сценарии генерации текста и общения. Модель имеет плотную архитектуру на 27 млрд параметров. Для дообучения использовались LoRA и rsLoRA с PEFT и TRL, а обучение проводилось в формате bf16 на NVIDIA A100 SXM 80GB. В README отдельно описана оптимизация набора данных под информационную плотность ответов и устойчивость ключевых характеристик при квантизации. Доступны варианты GGUF Q8_0 примерно на 33 ГБ, Q6_K примерно на 25 ГБ и Q4_K_M примерно на 18 ГБ; последний указан как основной целевой вариант и рассчитан на запуск, в частности, на RTX 4090. Сильными сторонами модели заявлены прямолинейный характер ответов, устойчивость личности под давлением, внимание к фактической точности и способность поддерживать нюансированные ответы в эмоциональных, философских и спорных темах. Ограничения включают зависимость качества от выбранной квантизации, отсутствие в README количественных результатов бенчмарков и неизвестный размер контекста. Модель распространяется по лицензии Apache 2.0 и совместима с GGUF-совместимыми средами, включая LM Studio, Ollama, llama.cpp и KoboldCpp; системный промпт, согласно README, не требуется.

bunnycore/Phi-3.5-mini-TitanFusion-0.2 — объединённая модель генерации текста на архитектуре Phi-3.5, созданная с помощью mergekit методом TIES на базе microsoft/Phi-3.5-mini-instruct. В слияние вошли несколько моделей семейства Phi-3.5, включая варианты для диалогов и ролевой генерации, а также phi3.5-gutenberg-4B и адаптер EvolKit. Модель содержит около 3,7 млрд параметров, работает через Transformers и имеет контекстное окно 4096 токенов. Модель предназначена для диалогов и генерации текста. Её можно использовать для интерактивного общения, продолжения текста и творческого письма. Базовая Phi-3.5-mini-instruct описана как многоязычная, но конкретные языки этой объединённой версии в карточке не перечислены. Репозиторий содержит веса в формате safetensors. Сведения о лицензии и специальных ограничениях качества в предоставленной карточке отсутствуют.

win10/phi-3.5-Sakura-Yuzu-v1.5 — объединённая языковая модель, созданная с помощью mergekit методом TIES на основе FreedomIntelligence/Apollo2-3.8B. В объединение также вошли модели Phi-3.5-mini от Microsoft, AXCXEPT, ArliAI, FlowAI и win10. Модель семейства Phi-3.5 имеет плотную архитектуру Phi3ForCausalLM и около 3,7 млрд параметров. Она предназначена для генерации текста и диалогов; использует библиотеку Transformers и принимает текст, выдавая текст. Контекст составляет 4096 токенов. В метаданных базовая модель описана как многоязычная, однако конкретные поддерживаемые языки для этого объединения не перечислены. Лицензия в предоставленных данных не указана. Качество и поведение объединённой модели могут отличаться от отдельных исходных моделей; результатов оценки в карточке нет.

Phoenix_DPO_60B — языковая модель с архитектурой MixtralForCausalLM и механизмом смеси экспертов (MoE), опубликованная cloudyu. Это модель генерации текста, дообученная методом Direct Preference Optimization (DPO) на данных предпочтений; карточка указывает 60B параметров, тогда как метаданные Hugging Face сообщают 33,9 млрд параметров. Контекст модели составляет 4096 токенов, веса представлены в формате safetensors. Модель предназначена для генерации текста и диалоговых сценариев, где полезна настройка поведения по предпочтениям. README также указывает на отдельную сборку в формате GGUF. Лицензия обозначена как other, поэтому условия использования следует уточнять по карточке репозитория. Данных о языковой специализации и конкретных ограничениях качества нет.

piano-medley-7b-Mistral-7B-Instruct-v0.1 — объединённая чат-модель на архитектуре Mistral, созданная слиянием Mistral-7B-Instruct-v0.1 и chargoddard/piano-medley-7b методом SLERP. Она содержит 7,1 млрд параметров и рассчитана на генерацию текста в ответ на инструкции и диалоговые запросы; заявленная длина контекста — 32 768 токенов. Модель может подойти для чат-ботов и генерации ответов общего назначения. В репозитории представлены веса Safetensors; лицензия — Apache-2.0. README не уточняет языки, на которых модель проверялась, и не приводит оценки качества. Поэтому пригодность для конкретного языка или сценария стоит оценить на собственных примерах.

ClaudioItaly/Pulzar-DPO-7 — объединённая языковая модель, созданная ClaudioItaly с помощью mergekit методом SLERP на основе ClaudioItaly/Evolutionstory-7B-v2.2 и flammenai/flammen15-gutenberg-DPO-v1-7B. Это плотная модель архитектуры Mistral с 7,1 млрд параметров, предназначенная для генерации текста; каталог базовой модели связывает её с ролевыми диалогами, творческим письмом и задачами общего назначения. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

SvalTek/Q2.5-ColdBrew-Antrax-Forge-10B-CharTest0 — плотная авторегрессионная языковая модель семейства Qwen2, дообученная SvalTek на основе SvalTek/Q2.5-ColdBrew-Antrax-Forge-10B-TestSFT0 с использованием Unsloth и библиотеки TRL. Модель содержит 9,4 млрд параметров и рассчитана на генерацию текста и диалоговое взаимодействие; заявленная длина контекста — до 131 072 токенов. Модель может использоваться для генерации ответов и продолжения текста в англоязычных чат-сценариях. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0.

Qwen2.5-1.5B-Policy — языковая модель для генерации текста, созданная blakenp дообучением Qwen/Qwen2-0.5B с помощью TRL. Модель использует плотную архитектуру Qwen2 и предназначена для диалогового взаимодействия: она принимает пользовательские сообщения и генерирует ответы. Модель содержит 494 млн параметров, работает с библиотекой Transformers и поддерживает контекст длиной до 131 072 токенов. В метаданных указано сохранение весов в формате safetensors. Лицензия и языковая специализация в предоставленных данных не указаны.

Endriano28/qwen25-3b-indo-ft — языковая модель Endriano28, дообученная на базе unsloth/Qwen2.5-3B-Instruct-bnb-4bit с использованием Unsloth и библиотеки TRL. Это плотная модель семейства Qwen2 с 3,1 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Она принимает текстовые запросы и формирует текстовые ответы; заявленная длина контекста составляет 32 768 токенов. Модель подходит для чат-ботов и других сценариев генерации текста. В названии репозитория указано «indo», однако карточка не уточняет специализацию дообучения или целевые языки; метаданные отмечают английский. Модель распространяется по лицензии Apache-2.0.

Phantomcloak19/qwen3-4b-dpo — полновесная модель, полученная после этапа Direct Preference Optimization (DPO) в последовательном конвейере обучения LLMPR; разработчик — Phantomcloak19. Она основана на Qwen/Qwen3-4B и предназначена для диалогов и генерации текста. Модель содержит около 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM, формат safetensors и контекст до 40 960 токенов. Модель принимает текст и выдаёт текст. Карточка не уточняет языки обучения и отдельные специализации, поэтому её можно описать как общую диалоговую языковую модель; сведения о многоязычных возможностях относятся к базовой Qwen3-4B. Указанная в README лицензия отсутствует в предоставленных данных.

taskmaster141/Qwen3-4b-ep1 — плотная языковая модель семейства Qwen3, дообученная taskmaster141 на базе trainer_output/checkpoint-150. Модель содержит 3,7 млрд параметров и предназначена для генерации текста в диалоговом формате; карточка указывает обучение с использованием Unsloth. Модель поддерживает контекст до 262 144 токенов и английский язык. Она может использоваться для диалогов и генерации текста. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Карточка модели VladShash/qwen3-8b-classic-one-shot-no-repair на Hugging Face совпадает с карточкой VladShash/qwen3-8b-classic-no-repair, поэтому описание составлено по ней. VladShash/qwen3-8b-classic-no-repair — плотная авторегрессионная языковая модель семейства Qwen3 с 7,6 млрд параметров, разработанная на основе formalmathatepfl/qwen3-cpt. Модель дообучена методом SFT на наборе данных sft; в карточке она представлена как диалоговая модель для генерации текста. Модель принимает текст и выдаёт текст. Её можно использовать для диалогов и генерации ответов в сценариях, где подходит Qwen3. Контекстное окно составляет 32 768 токенов. Карточка не сообщает о специализированных областях применения или языках. Лицензия указана как other, поэтому конкретные условия использования по карточке определить нельзя.

Kaoeiri/Qwenwify-32B-v2.6 — плотная языковая модель семейства Qwen2, созданная слиянием нескольких предварительно обученных моделей с помощью mergekit и метода DARE TIES. В качестве основы автор README указывает unsloth/qwen2.5-32b; в метаданных также перечислены несколько моделей-участниц слияния, включая варианты Qwen2.5-32B для инструктивных и ролевых диалогов. Модель предназначена для генерации текста и диалоговых сценариев. Размер составляет 32 млрд параметров, архитектура — Qwen2ForCausalLM, заявленная длина контекста — 131 072 токена. Репозиторий использует библиотеку Transformers и формат safetensors. Карточка не сообщает результаты оценки качества, подробные рекомендации по использованию или языковой охват. Лицензия в предоставленных данных не указана.

RedPipe-7B-slerp — языковая модель на базе архитектуры Mistral, созданная слиянием OpenPipe/mistral-ft-optimized-1218 и Rakuten/RakutenAI-7B-chat методом SLERP с помощью LazyMergekit. Это плотная авторегрессионная модель с 7,1 млрд параметров для генерации текста; заявленная длина контекста составляет 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев. В состав слияния входит чат-модель Rakuten, рассчитанная на японский и английский языки; README не сообщает результатов оценки RedPipe-7B-slerp или отдельных гарантий качества. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

MoritzLaurer/roberta-large-zeroshot-v2.0-c — модель классификации текста с нулевым обучением, разработанная Морицем Лаурером на основе RoBERTa Large. Она определяет, следует ли считать заданную гипотезу истинной или ложной относительно входного текста; pipeline Hugging Face позволяет использовать этот подход для классификации по категориям без обучающих примеров. Модель содержит 454,1 млн параметров, принимает текстовые последовательности длиной до 514 токенов и построена на архитектуре RobertaForSequenceClassification. Доступны веса Safetensors и формат ONNX. Модель предназначена для классификации отзывов, тем, намерений и других текстов, когда нет размеченных данных для обучения. Её обучали на синтетических примерах, созданных Mixtral-8x7B-Instruct-v0.1, и наборах MNLI и FEVER-NLI; автор сообщает об оценке на 28 задачах классификации. Английский указан как язык карточки. Лицензия репозитория — MIT, а суффикс «-c» означает, что для обучения использовались данные, обозначенные автором как коммерчески совместимые. Модель поддерживает выбор одного или нескольких классов через настройку multi_label. Качество зависит от формулировки гипотезы и названий категорий; автор отмечает возможные смещения из-за базовой модели, данных NLI и синтетических данных. Она рассчитана только на классификацию текста и может работать медленнее более компактного варианта RoBERTa.

arcee-ai/Saul-Base-Clown-7B-Instruct-slerp — текстовая генеративная модель, созданная объединением Equall/Saul-Base и CorticalStack/pastiche-crown-clown-7b-dare-dpo методом SLERP с помощью mergekit. Это плотная причинная языковая модель архитектуры Mistral объёмом 7,1 млрд параметров, сохранённая в формате safetensors; заявленный контекст — до 32 768 токенов. Модель предназначена для генерации текста в формате инструкций и диалога. Её можно применять для ответов на запросы, написания и редактирования текстов, а также для задач, где полезны объединённые характеристики исходных моделей. В карточке не приведены отдельные результаты оценки качества или сведения о поддерживаемых языках. Модель распространяется по лицензии Apache-2.0. Качество ответов и поведение могут зависеть от используемого шаблона промпта; самостоятельные сведения о тестировании и ограничениях в карточке отсутствуют.

SELM-Llama-3-8B-Instruct-iter-2 — диалоговая языковая модель на архитектуре Llama 3 с 7,5 млрд параметров, разработанная jcmei. Это дообученная версия jcmei/SELM-Llama-3-8B-Instruct-iter-1, обученная на обновлённом и исходном наборах данных. Модель предназначена для генерации текста и ответов в формате ассистента; поддерживает контекст до 8192 токенов и представлена в формате Safetensors. Модель можно применять для диалоговых интерфейсов, черновиков текстов и ответов на текстовые запросы. Карточка не описывает результаты оценки качества, специальные предметные области или подтверждённый список языков. Использование регулируется лицензией Llama 3.

Это объединённая языковая модель yuhengtu-bytedance, созданная с помощью mergekit методом Linear merge. В качестве основы использован чекпойнт global_step11000, объединённый с чекпойнтами global_step7000, global_step8000, global_step9000 и global_step10000 из серии baseline_filtered. Архитектура — плотная GPT-NeoX для генерации текста, размер — 8,8 млрд параметров, формат весов — safetensors; заявленная длина контекста составляет 16 384 токена. Модель предназначена для генерации текста. Карточка не уточняет специальные прикладные сценарии, языки, результаты оценки качества или условия использования. Лицензия в предоставленных данных не указана.