# 對話優化

由英偉達發佈的4B參數規模大語言模型，支持128k tokens上下文長度，專為推理、對話及RAG等任務優化

這是一個基於多個高質量模型合併的混合模型，專注於中文文本生成和對話任務。

基於Google QAT（量化感知訓練）權重量化的Gemma-3-12b模型，提供多種量化版本以適應不同硬件需求。

俄耳甫斯是一款高性能文本轉語音模型，經過微調可實現自然、富有情感的語音合成。本倉庫託管了30億參數模型的8位量化版本，在保持高質量輸出的同時優化了運行效率。

基於Google Gemma 3B模型的量化版本，使用llama.cpp進行優化，支持多種量化級別，適用於文本生成任務。

Qwen2-1.5B-Instruct 是阿里雲推出的一個15億參數規模的指令微調大語言模型，適用於問答和對話任務。

Gemmasutra-Small-4B-v1是一個4B參數的文本生成模型，基於llama.cpp進行量化，適用於多種量化版本選擇。

通過SLERP方法融合兩個預訓練語言模型，旨在結合各自優勢提升性能和適用性

RombUltima-32B 是一個融合模型，結合了 Rombos-LLM-V2.5-Qwen-32b 和 Ultima-32B 的優勢，優化了推理能力、多語言理解能力以及多輪對話表現。

Meta發佈的Llama 2系列7B參數聊天模型GGUF量化版本，適用於本地部署和推理

Llama-3-Chinese-8B-Instruct-v3 是基於多個混合模型進一步微調而成的中文指令模型，適用於對話、問答等場景。

Meta Llama3 Instruct 8B是Meta發佈的8B參數指令調優大語言模型，針對對話場景優化，在安全性和幫助性方面表現優異。

Llama 3 8B 64K是基於Meta的Llama 3 8B模型，通過PoSE技術將上下文長度從8k擴展到64k，優化了語言生成能力，適用於對話等多種自然語言處理場景。

Meta開發的8B參數大語言模型，針對對話場景優化，兼顧實用性和安全性

Meta Llama 3系列大語言模型，包含80億參數規模的指令微調生成文本模型，針對對話場景優化。

Percival_01-7b-slerp 是一個在 OPENLLM 排行榜上排名第二的 7B 參數規模的大語言模型，通過 LazyMergekit 工具合併 liminerity/M7-7b 和 Gille/StrangeMerges_32-7B-slerp 兩個模型得到。

Openchat 3.5 0106 是一個基於Mistral架構的開源對話模型，由OpenChat團隊開發。該模型專注於提供高質量的對話體驗，支持多種對話任務。

Germeo-7B-Laser是一個由Hermeo-7B合併而來的德英理解但僅說德語的模型，通過激光數據增強語言理解能力。

一個專注於輔助寫作的Mistral微調模型，可作為創意寫作夥伴幫助突破創作瓶頸

OpenChat 3.5 7B是基於Mistral架構的7B參數大語言模型，由OpenChat團隊開發，採用Apache 2.0許可證發佈。

基於Pythia-2.8b的因果語言模型，使用Anthropic人類偏好數據集進行監督式微調

基於Pythia-6.9b基礎模型，使用Anthropic的hh-rlhf數據集進行監督式微調訓練的因果語言模型

fLlama 2為Llama 2模型擴展了函數調用能力，能返回結構化JSON響應，包含函數名稱及參數。本版本採用GPTQ方法訓練，提供快速推理和良好精度。

Llama 2是由Meta開發的700億參數對話優化大語言模型，在多數測試基準中超越開源對話模型，安全性堪比主流閉源模型

Llama 2是Meta開源的130億參數對話優化大語言模型，採用RLHF對齊人類偏好，支持4k上下文長度

基於TimDettmers的Guanaco 13b qLoRa技術開發的聊天模型，適用於對話生成任務。

基於OPT-1.3b模型，通過DeepSpeed-Chat框架進行RLHF訓練優化的對話生成模型