IV.5Образование и развитие навыков

Experiment26Yamshadow_Strangemerges_32Experiment28 — объединённая автором карточки модель на архитектуре Mistral с 7,1 млрд параметров. Она предназначена для генерации текста и принимает текстовые запросы; заявленная длина контекста составляет до 32 768 токенов. Веса размещены в формате Safetensors. Модель объединяет automerger/Experiment26Yamshadow-7B и automerger/Strangemerges_32Experiment28-7B. Карточка не уточняет специализацию, языки или дополнительные возможности модели. Лицензия — Apache 2.0.

MaziyarPanahi/Experiment28T3q_Strangemerges_32Experiment28 — объединённая модель семейства Mistral с плотной архитектурой MistralForCausalLM и 7,1 млрд параметров. Она создана путём слияния automerger/Experiment28T3q-7B и automerger/Strangemerges_32Experiment28-7B. Модель предназначена для генерации текста и принимает текстовые запросы. Контекстное окно составляет 32 768 токенов. Веса представлены в формате Safetensors; модель распространяется по лицензии Apache-2.0. Карточка не описывает специализированные области применения или дополнительные возможности слияния.

CALISTA-INDUSTRY/gemma_3_4B_reasoning_multimodal_en_ft_v2 — мультимодальная модель на основе Gemma 3, дообученная Мохаммадом Яни и Ризки Сулаеманом из Politeknik Negeri Indramayu для рассуждений по изображениям и тексту. Архитектура Gemma 3 с плотными весами; в метаданных базовая модель указана как unsloth/gemma-3-1b-it-unsloth-bnb-4bit. Модель принимает изображения и текст и предназначена для визуальных вопросов и ответов, описания изображений, мультимодального диалога и выполнения инструкций с визуальным вводом. Карточка заявляет поддержку английского языка, а метаданные также содержат код id. Модель доступна в форматах Safetensors и GGUF и рассчитана на использование через Transformers. Лицензия в метаданных указана как Gemma, тогда как README заявляет Apache 2.0; сведения о лицензии в источниках расходятся, поэтому перед использованием следует проверить условия в репозитории. Скорость работы в реальном времени без дополнительной оптимизации не заявлена.

ING_2003M2_SLERP — объединённая модель для генерации текста, собранная автором MatthieuJ методом SLERP с помощью mergekit из yam-peleg/Experiment21-7B и MatthieuJ/ING_2003_SLERP. Веса представлены в формате safetensors; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста на основе текстового запроса. Карточка не уточняет специализацию, языковую ориентацию или результаты оценки качества. Лицензия — Apache-2.0.

Карточка модели kiel2/Kiel-2-Iris на Hugging Face совпадает с карточкой kiel2/Kiel-Vision-2-Pro, поэтому описание составлено по ней. Kiel-Vision-2-Pro — дообученная kiel2 модель для диалоговой работы с изображениями и текстом. Она основана на unsloth/qwen2.5-vl-7b-instruct-unsloth-bnb-4bit и использует архитектуру Qwen2.5-VL с 7 млрд параметров. По данным карточки, модель обучали с помощью Unsloth и библиотеки Hugging Face TRL. Модель принимает текстовые запросы и изображения и генерирует текстовые ответы. Она подходит для вопросов по изображениям и других сценариев визуального диалога. В карточке указан английский язык; доступны файлы в форматах Safetensors и GGUF, включая варианты F16 и Q4_K_M. Лицензия — Apache-2.0.

Kosmos-EVAA-PRP-v33-8B — объединённая методом SLERP языковая модель, созданная jaspionjader с помощью mergekit. В объединение вошли jaspionjader/Kosmos-EVAA-PRP-v32-8B и jaspionjader/Kosmos-EVAA-PRP-v30-8B; архитектура — плотная LlamaForCausalLM примерно на 7,5 млрд параметров. Модель предназначена для генерации текста и работает с контекстом до 8192 токенов. Модель загружается через Transformers в формате safetensors. README не описывает конкретные специализации, языковое покрытие или сравнительные результаты, поэтому её следует рассматривать как универсальную генеративную языковую модель. Лицензия и дополнительные ограничения в предоставленных данных не приведены.

Это плотная авторегрессионная модель семейства LLaMA 2, разработанная Да-вэем Чжу и соавторами в рамках работы PoSE. Чекпойнт содержит 6,6 млрд параметров и рассчитан на генерацию текста с контекстом до 16 384 токенов; расширение контекста использует позиционную интерполяцию YaRN и обучение Positional Skip-wisE (PoSE), которое имитирует длинные входы при обучении на фиксированном контексте. Модель предназначена для генерации продолжений и работы с длинными текстовыми запросами, например для анализа объемных документов или диалога с длинной историей. В README отмечена проблема с первоначально загруженным чекпойнтом: его заменили 27 ноября 2023 года, поскольку прежняя версия не соответствовала реализации из репозитория и показывала неоптимальное качество. В метаданных указана лицензия MIT; доступность лицензии не гарантирует пригодность ответов для конкретных применений.

Llama 4 Scout — мультимодальная инструкционная модель Meta на архитектуре Mixture of Experts с ранним объединением текстовой и визуальной информации. Репозиторий Unsloth содержит вариант, описанный как исходная модель Llama 4 Scout без изменений, подготовленный для дообучения средствами Unsloth; метаданные указывают базовую модель meta-llama/Llama-4-Scout-17B-16E-Instruct. В README Scout описана как модель с 17 млрд параметров и 16 экспертами. Модель предназначена для диалогов с ассистентом, понимания изображений и визуальных рассуждений: она может описывать изображения, распознавать визуальное содержимое и отвечать на вопросы о нём. Заявлена поддержка арабского, английского, французского, немецкого, хинди, индонезийского, итальянского, португальского, испанского, тагальского, тайского и вьетнамского языков. README сообщает, что модель тестировалась на входах до пяти изображений. Модель доступна по пользовательской лицензии Llama 4 Community License Agreement с условиями коммерческого и исследовательского использования и соблюдением Acceptable Use Policy. К ограничениям относятся статичный обучающий набор, отсутствие гарантии будущих обновлений и необходимость дополнительного тестирования при подаче более пяти изображений или использовании за пределами явно поддерживаемых языков и возможностей.

MaziyarPanahi/NeuralsirkrishnaShadow_Experiment24Alloyingotneoy — объединённая языковая модель, созданная слиянием automerger/NeuralsirkrishnaShadow-7B и automerger/Experiment24Alloyingotneoy-7B. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и принимает текст для авторегрессионной генерации текста; контекст — до 32 768 токенов. Модель предназначена для генерации текста общего назначения. Веса опубликованы в формате safetensors по лицензии Apache-2.0. В карточке нет сведений о специализированных областях применения или языковом охвате, поэтому они здесь не заявляются.

Nexim-7b — объединённая языковая модель, опубликованная пользователем gate369. Она создана методом SLERP с помощью mergekit из liminerity/m3 и liminerity/M7-7b; базовая модель в конфигурации — liminerity/m3. Модель построена на плотной архитектуре Mistral и содержит 7,1 млрд параметров. Модель предназначена для генерации текста и решения языковых задач общего назначения. Её можно применять для диалогов, написания черновиков и ответов на вопросы. Контекстное окно составляет 32 768 токенов. Карточка приводит результаты Open LLM Leaderboard, включая оценки по AI2 Reasoning Challenge и HellaSwag. Весы опубликованы в формате safetensors, лицензия — Apache-2.0. Данных о языковой специализации и ограничениях качества в карточке нет; результаты бенчмарков сами по себе не гарантируют качество в конкретном сценарии.

Ornstein 3.5 9B V2 — разговорная плотная модель примерно на 9,65 млрд параметров от DJLougen и GestaltLabs, основанная на Ornstein-3.5-9B-V1.5. Это дообученная модель семейства Qwen 3.5: после supervised fine-tuning версии V1.5 она прошла оптимизацию предпочтений DPO и обучение с проверяемым вознаграждением GRPO на математических задачах. Модель предназначена для многошаговых рассуждений, научных и технических задач, помощи в исследованиях и общего диалога; поддерживает интерфейс вызова инструментов. Модель принимает текст и изображения, а видеовход заявлен в карточке; сохранены vision tower и поддержка через mmproj. Она работает в формате диалога ChatML. В описании приведены высокие результаты на внутреннем тестовом наборе GBS-200 по рассуждениям и научным вопросам, но отмечено снижение результата в задачах программирования относительно V1.5. Доступны веса BF16 и GGUF; лицензия Apache 2.0.

StrangeMerges_35-7B-slerp — объединённая языковая модель, созданная Gille с помощью LazyMergekit. Она сочетает модели Gille/StrangeMerges_34-7B-slerp и Gille/StrangeMerges_32-7B-slerp методом SLERP; архитектура — плотная MistralForCausalLM с 7,1 млрд параметров, веса представлены в safetensors. Модель предназначена для генерации текста и поддерживает контекст до 32 768 токенов. Её можно применять для диалогов, продолжения текста и ответов на вопросы; README приводит результаты оценки на задачах рассуждения и понимания текста. Сведения о специализированных областях и языковой направленности модели не приведены. Модель распространяется по лицензии Apache-2.0. Результаты оценки не гарантируют качество на конкретных пользовательских задачах; README содержит лишь часть таблицы метрик.

TriMistral-7B-SLERP — объединённая языковая модель на базе архитектуры Mistral, опубликованная Muhammad2003. Она создана с помощью mergekit и метода SLERP из HuggingFaceH4/zephyr-7b-beta, NousResearch/Hermes-2-Pro-Mistral-7B и instructlab/merlinite-7b-lab. Модель содержит 7,1 млрд параметров и рассчитана на генерацию текста, включая диалоговые сценарии; нативный контекст — до 32 768 токенов. Модель подходит для диалоговых ответов, инструкций, рассуждений и генерации текста общего назначения. В README приведены результаты оценки на Open LLM Leaderboard, включая ARC и HellaSwag. Репозиторий содержит веса safetensors для Transformers. Лицензия — Apache-2.0. Карточка не сообщает о целевой языковой специализации или специализированной предметной области. Как и другие языковые модели, она может выдавать неверные или непроверенные ответы; качество зависит от запроса и сценария применения.

Модель ShenaoZ/0.0001_withdpo_4iters_bs256_5551lr_iter_3 — дообученная версия ShenaoZ/0.0001_withdpo_4iters_bs256_5551lr_iter_2, созданная с использованием наборов данных updated и original. Это плотная авторегрессионная модель семейства Mistral с архитектурой MistralForCausalLM и примерно 7,1 млрд параметров; метаданные указывают поддержку диалогового режима и генерации текста. Модель принимает текст и генерирует текст; её можно применять для диалоговых сценариев и генерации продолжений. Контекстное окно составляет 32 768 токенов. Модель опубликована в формате safetensors под лицензией MIT. README не содержит сведений о целевой области, качестве на оценках или конкретных ограничениях.

Это модель для краткого пересказа научных текстов простым языком. Она основана на архитектуре BART и дообучена для задачи scientific lay summarisation; в README показано применение к научной статье о влиянии устойчивого питания на окружающую среду и здоровье. Модель разработана автором репозитория sambydlo и обучалась с использованием Amazon SageMaker и контейнера Hugging Face Deep Learning. Модель содержит около 252,8 млн параметров, работает с текстом на английском языке и имеет контекст до 1024 токенов. Для запуска в README приведён пример с Transformers pipeline для суммаризации. В карточке приведены метрики ROUGE на оценочном наборе, но они не гарантируют качество на иных темах и типах текстов. Лицензия — Apache-2.0.

CapRL-InternVL3.5-8B — мультимодальная модель для описания изображений, разработанная авторами проекта CapRL на основе InternVL3.5-8B от OpenGVLab. Это плотная модель семейства InternVL с 8 млрд параметров, предназначенная прежде всего для генерации развернутых и содержательных подписей к изображениям. Она принимает изображения и текстовые запросы и формирует текстовый ответ; для запуска авторы описывают использование Transformers и совместимого с OpenAI API сервера vLLM. Модель обучена в рамках CapRL — подхода с обучением с подкреплением на проверяемых наградах для открытой задачи описания изображений. В README также отмечены диаграммы, инфографика, документы и природные изображения как сценарии серии CapRL; заявленные сравнительные результаты относятся к CapRL-3B, поэтому их нельзя напрямую считать подтверждением характеристик этой 8B-модели. Модель выпущена под лицензией Apache-2.0. В доступных данных не приведены сведения о длине контекста.

Diver-Retriever-0.6B — модель текстовых эмбеддингов и ранжирования AQ-MedAI, дообученная на Qwen/Qwen3-Embedding-0.6B. Она предназначена для семантического поиска и сопоставления запросов с документами, в том числе в задачах, требующих рассуждений. При обучении использовались данные по математике, программированию и медицине с подобранными по сложности негативными примерами. Модель поддерживает китайский и английский языки, имеет 507,6 млн параметров и контекст до 32 768 токенов; архитектура относится к семейству Qwen3. README отмечает результаты на Bright и MTEB-Medical, но не приводит здесь полные таблицы оценок. Распространяется в формате safetensors по лицензии Apache-2.0.

Diver-Retriever-4B-1020 — двуязычная модель текстовых эмбеддингов, разработанная AQ-MedAI на основе Qwen/Qwen3-Embedding-4B и дообученная для задач поиска и сопоставления запросов и документов. Обучение использовало данные из математики, программирования и медицины, а также специально подобранные сложные отрицательные примеры. Модель содержит около 3,7 млрд параметров, построена на плотной архитектуре Qwen3 и поддерживает контекст до 40 960 токенов. Она предназначена для семантического поиска и ранжирования, включая запросы на китайском и английском языках; авторы сообщают о результатах на BRIGHT и медицинском бенчмарке MTEB-Medical. Доступна в формате Safetensors для Transformers под лицензией Apache-2.0.

Eagle2-1B — компактная мультимодальная модель Vision-Language от NVIDIA для сценариев, где важны быстрый вывод и умеренные вычислительные ресурсы. Она построена на архитектуре Eagle 2.5 VL и объединяет языковую основу Qwen2.5-0.5B-Instruct с компонентами PaliGemma и SigLIP; модель распространяется в формате safetensors и рассчитана на контекст до 16 тысяч токенов. Модель принимает текст, изображения и видео и формирует текстовые ответы. Она подходит для диалога по изображениям и видео, ответов на вопросы по документам, графикам и визуальным данным. В README приведены результаты на DocVQA, ChartQA и InfoVQA; они показывают применимость к анализу документов и диаграмм, но сами по себе не гарантируют качество в конкретном сценарии. Карточка указывает поддержку нескольких языков, не перечисляя их по отдельности. Модель доступна по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Как и другие VLM, она может ошибаться при распознавании визуальных деталей и интерпретации материалов; перед применением в значимых процессах ответы следует проверять.

Experiment26Yamshadow_CalmeInex12 — объединённая языковая модель на базе архитектуры Mistral, созданная слиянием automerger/Experiment26Yamshadow-7B и automerger/CalmeInex12-7B. Модель содержит 7,1 млрд параметров и принимает текст для авторегрессионной генерации текста. Она подходит для генерации продолжений, черновиков и ответов на текстовые запросы. Контекстное окно составляет до 32 768 токенов. В репозитории указана лицензия Apache-2.0. Данных о специализации на конкретном языке или предметной области нет.

Fanar-2-Oryx-IVU — мультимодальная модель для понимания изображений и видео, разработанная Институтом вычислительных исследований Катара (QCRI) при Университете Хамада бин Халифы (HBKU). Она основана на Qwen2.5-VL-7B-Instruct и дообучена для работы с арабским и английским языками, с приоритетом арабского и учетом культурного контекста. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст до 128 000 токенов. Модель предназначена для визуальных вопросов и ответов, описания изображений, локализации объектов, распознавания арабской каллиграфии, анализа документов и понимания видео. Обучение на 62 млн примеров охватывало культурные материалы 22 арабских стран, арабскую и английскую подписи к изображениям, разметку объектов и текстовые инструкции. Авторы сообщают об улучшении результатов на культурно значимом контенте относительно базовой модели и снижении переключения между языками в арабских ответах. Модель может применяться для документирования культурного наследия, образовательных и музейных сервисов, доступности, модерации контента и описания товаров. Среди ограничений — возможные галлюцинации, ошибки распознавания текста на изображениях, различия в качестве для арабских диалектов и неполное понимание культурных нюансов. Лицензия — Apache-2.0.

Darwin-36B-Opus-GGUF — квантизированная версия модели Darwin-36B-Opus от FINAL-Bench, подготовленная bartowski в формате GGUF с использованием llama.cpp и imatrix-квантизации. Модель предназначена для генерации текста, сложных рассуждений, решения задач уровня выпускных и исследовательских экзаменов, а также многоязычных сценариев. Доступны варианты от IQ3 и Q3 до Q8 и исходного BF16; размер файлов составляет примерно от 17 до 69 ГБ. В README модель описывается как Mixture-of-Experts с акцентом на reasoning и поддержкой нескольких языков, включая английский, китайский, корейский, японский, немецкий, французский, испанский, русский и арабский. Указанный формат позволяет запускать её через llama.cpp, LM Studio, KoboldCpp, Jan AI и другие совместимые инструменты. Формат промпта использует специальные маркеры im_start и im_end, а ответ начинается с блока thinking. Сильными сторонами заявлены высокое качество рассуждений и многоязычная работа: в README приведены результаты 88,4% на GPQA Diamond и 85,0% на MMMLU, однако обе оценки помечены как непроверенные. Ограничения включают значительные требования к оперативной памяти и вычислительным ресурсам, зависящие от выбранного уровня квантизации; точный размер контекста и характеристики исходной архитектуры в README не указаны. Модель распространяется под лицензией Apache-2.0.

HordeVision — открытая мультимодальная модель языка и зрения, разработанная для работы с казахским языком. Она основана на Qwen/Qwen3-VL-8B-Instruct и дообучена в два этапа: с помощью SFT и GRPO. Модель принимает изображения и текстовые запросы, а в ответ может описывать изображения, отвечать на вопросы о них, распознавать казахский текст, выполнять визуальные рассуждения и следовать многошаговым инструкциям. Модель ориентирована на сценарии, где нужно взаимодействовать с визуальной информацией на казахском языке: например, извлекать текст из изображений или объяснять содержание культурно значимых и повседневных сцен. В README указано обучение примерно на 50 тысячах изображений и преимущество в сравнительной оценке над несколькими мультиязычными моделями; это результаты авторской оценки. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache 2.0.

OpenGVLab/InternVL3-38B-hf — реализация в формате Hugging Face Transformers мультимодальной модели InternVL3, разработанной OpenGVLab. Это дообученная версия OpenGVLab/InternVL3-38B-Instruct с плотной архитектурой InternVL и 38 млрд параметров. Модель принимает текст, изображения и видео и генерирует текстовые ответы; её можно использовать как для диалога по тексту, так и для анализа визуальных данных. Модель предназначена для восприятия и рассуждений по изображениям и видео, ответов на вопросы о визуальном содержимом и мультимодального общения. Семейство InternVL3 также ориентировано на использование инструментов, работу с графическими интерфейсами, промышленный анализ изображений и 3D-восприятие, однако карточка этой версии подтверждает прежде всего обработку изображений и видео через интерфейс image-text-to-text. Реализация поддерживает пакетный инференс и чередование текстовых и визуальных входов. Репозиторий содержит веса в формате Safetensors и использует библиотеку Transformers. Языки обозначены как многоязычные. Лицензия указана как other; конкретные условия следует проверять в файлах лицензии репозитория.

InternVL3-8B — мультимодальная модель OpenGVLab для диалога по тексту и визуальным данным. Она построена по схеме ViT-MLP-LLM: использует InternViT-300M-448px-V2_5 как визуальную часть и Qwen2.5-7B как языковую; число параметров — около 8 млрд по названию модели. Репозиторий содержит дообучение OpenGVLab/InternVL3-8B-Instruct на наборе MMPR-v1.2. Модель распространяется в формате Safetensors и использует библиотеку Transformers. Модель предназначена для вопросов и рассуждений по изображениям, нескольким изображениям и видео, а также для обычного текстового общения. В карточке семейства также заявлены сценарии GUI-агентов, анализа промышленных изображений, понимания 3D-сцен и работы с инструментами. Динамическое разбиение изображений на тайлы 448×448 и кодирование визуальных позиций V2PE помогают обрабатывать изображения разного разрешения и длинные мультимодальные последовательности. Карточка описывает семейство как мультиязычное, но не перечисляет отдельные языки. Модель выпущена под лицензией Apache-2.0. Результаты зависят от качества входных изображений и формулировки запроса; обработка нескольких изображений увеличивает расход контекстных токенов. Для видео и инструментов конкретные ограничения и гарантии в карточке не приведены.

InternVL3-9B-4bit — мультимодальная чат-модель семейства InternVL3, преобразованная mlx-community в формат MLX из models/InternVL3-9B с помощью mlx-vlm 0.1.25. Она предназначена для диалога по изображениям и тексту, визуального понимания и генерации текстовых ответов; поддерживает мультиязычные сценарии. Метаданные указывают архитектуру InternVLChatModel и чат-возможности. Репозиторий распространяется по лицензии Apache-2.0. README описывает конвертацию MLX, а метаданные классифицируют модель как дообученную на OpenGVLab/InternVL3-1B-Instruct и отмечают вариант 4bit в названии. Эти сведения расходятся с описанием README, которое указывает исходный источник models/InternVL3-9B; точная связь с базовой моделью требует уточнения. В качестве главной задачи выбрано image-text-to-text, соответствующее заявленному мультимодальному назначению.

mradermacher/Llama-3.1-8B-Instruct-Uz-i1-GGUF — это GGUF-квантизированная версия инструкционной модели Llama 3.1 на 8 млрд параметров, созданной на основе behbudiy/Llama-3.1-8B-Instruct-Uz. Квантизацию выполнил mradermacher с использованием imatrix-подхода; доступны варианты с разными уровнями квантизации и размером примерно от 2,1 до 6,7 ГБ, а также файл imatrix для самостоятельного создания квантованных версий. Модель предназначена для генерации текста, ответов на вопросы, суммаризации и перевода. В метаданных заявлена поддержка узбекского и английского языков. Обучение или дообучение связано с наборами yahma/alpaca-cleaned, behbudiy/alpaca-cleaned-uz и behbudiy/translation-instruction. Модель ориентирована на локальный запуск через инструменты, поддерживающие формат GGUF. Сильной стороной является наличие широкого выбора квантованных вариантов, позволяющего подобрать компромисс между размером, скоростью и качеством; для практического использования рекомендуется вариант i1-Q4_K_M, а i1-Q4_K_S обозначен как сбалансированный по размеру, скорости и качеству. Ограничения связаны с потерей качества при низких уровнях квантизации, особенно у вариантов IQ1 и Q2, а максимальный размер контекста и другие подробные архитектурные характеристики в README не указаны. Лицензия обозначена как llama3.1.

llama3.1-kartoffeldes-70B — плотная языковая модель семейства Llama 3.1 на 69,5 млрд параметров, созданная nbeerbower путём дообучения Llama-3.1-Saoirse-70B. Модель предназначена для генерации текста и диалогового взаимодействия; указано, что она дообучена методом ORPO на нескольких наборах данных в течение двух эпох. Модель работает с текстом и имеет контекстное окно до 131072 токенов. Репозиторий содержит веса в формате Safetensors. В метаданных указана лицензия Llama 3.1. Состав наборов для дообучения включает данные для предпочтений, физического рассуждения и проверки достоверности; карточка не приводит результатов оценки качества, поэтому конкретные преимущества модели установить нельзя.

Мультимодальная чат-модель семейства Llama 3.2 Vision, опубликованная mlx-community. Это конверсия в формат MLX модели huihui-ai/Llama-3.2-11B-Vision-Instruct-abliterated; в метаданных базовой моделью указана meta-llama/Llama-3.2-11B-Vision-Instruct. Архитектура — плотная MllamaForConditionalGeneration, размер — 11 млрд параметров. Модель принимает текст и изображения и генерирует текстовые ответы в диалоге, в том числе ответы на вопросы по изображениям. Она рассчитана на английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. Конверсию выполнили с помощью mlx-vlm версии 0.1.4; репозиторий содержит веса в safetensors. Лицензия — Llama 3.2 Community License.

Dampfinchen/Llama-3-8B-Ultra-Instruct — объединённая модель на базе Llama 3 8B, созданная Dampfinchen с помощью mergekit и метода DARE TIES. В состав слияния вошли инструкционная Llama 3, модели для диалогов и ролевых сценариев, Bagel, модель с немецкоязычными возможностями и OpenBioLLM. В репозитории указаны 7,5 млрд параметров, архитектура LlamaForCausalLM, формат safetensors, библиотека Transformers и контекст до 8192 токенов. Модель предназначена для диалогов и генерации текста общего назначения, в том числе для ответов на вопросы, поддержки RAG и ролевого общения. В README заявлены усиленные знания по биологии и медицине, немецкоязычные возможности и поддержка vision, однако метаданные классифицируют модель как текстовую, поэтому мультимодальную поддержку нельзя считать подтверждённой. Модель объединяет компоненты с uncensored-ролевой настройкой и может выдавать вредные или недостоверные ответы; медицинские сведения требуют проверки. Лицензия — Llama 3 License.