I.2Синтез, понимание и проверка знаний

Это модель суммаризации научных публикаций, разработанная на основе BART и дообученная автором репозитория на датасете scientific_papers. Она предназначена для создания краткого пересказа научных текстов; в карточке приведены результаты оценки на тестовой выборке: ROUGE-1 42,58, ROUGE-2 16,19 и ROUGE-L 24,80. Модель содержит около 252,8 млн параметров, использует архитектуру BART для генерации текста и имеет контекстное окно 1024 токена. Модель можно применять для подготовки кратких обзоров статей и ускоренного ознакомления с научными публикациями. README не сообщает, какие именно языки представлены в обучающих данных. Распространяется по лицензии MIT.

Это японская модель Cross-Encoder для вывода естественного языка, разработанная akiFQC на основе tohoku-nlp/bert-base-japanese-v3 и обученная с помощью SentenceTransformers. Для пары предложений она предсказывает оценки трёх классов: следование, нейтральное отношение и противоречие. Модель также подходит для классификации без примеров, когда описание категории сопоставляется с текстом. Модель основана на BERT, содержит 138,4 млн параметров и принимает пары текстов с максимальным контекстом 512 токенов. Обучение проводилось на JSNLI, обучающей части JNLI и JSICK; точность на валидационной выборке JGLUE-JNLI составляет 0,914. Лицензия — CC BY-SA 4.0. Модель предназначена для японского языка. Как Cross-Encoder, она оценивает пары текстов, поэтому для сравнения множества кандидатов может требовать отдельного вычисления для каждой пары.

Bonsai-2-27B-Ternary-JANG — мультимодальная модель с плотной архитектурой Qwen3.8-27B, подготовленная OsaurusAI как JANG-affine-перепаковка тернарных весов Prism ML. Модель предназначена для диалогов и рассуждений с текстом, а также обработки изображений и видео; в комплекте сохранены шаблон чата Qwen3.8, обработчики изображений и видео и интерфейс вызова инструментов. Текстовые веса исходной модели сохранены без повторной квантизации: 402 модуля используют тернарные значения в 2-битных слотах с группами размера 128. Некоторые линейные слои зрения хранятся в 6-битном формате, а ряд других параметров — в исходной точности. Архитектура включает 64 блока: 48 GatedDeltaNet и 16 блоков полного внимания. Для корректной работы необходим загрузчик с поддержкой JANG Hadamard; стандартные загрузчики mlx_lm и mlx_vlm могут выдавать неверные результаты. Модель распространяется по лицензии Apache-2.0.

voidful/context-only-question-generator — англоязычная модель генерации вопросов, разработанная на основе предварительно обученной BART-base. Она принимает контекстный текст и генерирует вопрос по его содержанию; вход подаётся как последовательность текста в метод генерации Transformers. Модель имеет архитектуру BART encoder-decoder с 95,2 млн параметров и рассчитана на контекст до 1024 токенов. В карточке указан датасет UnifiedQA. Репозиторий содержит веса PyTorch и Safetensors. Лицензия в доступных данных не указана.

Llama-3.3-70B-o1 — языковая модель компании codelion, дообученная методом QLoRA на трассах пошагового рассуждения. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM и 69,5 млрд параметров; она принимает текст и генерирует ответы с блоком рассуждения между специальными тегами и итоговым ответом в отдельном блоке. Модель предназначена для диалогов и задач, требующих многошагового рассуждения; в карточке приведён результат 46,7 pass@1 на AIME 2024. Контекст модели — до 131 072 токенов. Для многих запросов автор рекомендует разрешать генерацию не менее 8192 токенов, поскольку модель склонна выдавать длинные ответы. Указанная лицензия — Apache-2.0. Базовая модель — unsloth/llama-3.3-70b-instruct-bnb-4bit.

LumynaX Long-Context ProLong-512K Instruct — архивный эксперимент AbteeX AI Labs на базе Princeton NLP Llama 3 8B ProLong 512K Instruct. Это плотная причинно-языковая модель семейства Llama с 7,5 млрд параметров, рассчитанная на генерацию текста в диалоге и работу с длинным контекстом до 524 288 токенов. Она принимает текст и выдаёт текст; в метаданных указаны английский и маори. В этой исторической сборке модель интегрирована через маршрутизацию во время выполнения и сохранение исходной идентичности: веса базовой модели не изменялись и не объединялись с LumynaX Core. Такой вариант предназначен для воспроизводимости эксперимента и изучения генерации текста с длинным контекстом. Карточка помечает выпуск как устаревший и неподдерживаемый; для производства он не рекомендован. Лицензия — Llama 3 License.

NVIDIA-Nemotron-Labs-Teacher-General-Reasoning — языковая модель NVIDIA для многошаговых рассуждений на сложных задачах. Это вариант Nemotron 3 Ultra, дополнительно дообученный на reasoning-данных с помощью supervised fine-tuning и reinforcement learning. Модель предназначена как для самостоятельного решения задач, так и для генерации обучающих примеров и сигналов для дистилляции других моделей. Модель использует гибридную архитектуру LatentMoE с чередованием слоёв Mamba-2 и Mixture of Experts, отдельными слоями attention и Multi-Token Prediction. Всего в ней 550 млрд параметров, из которых активно 55 млрд; длина контекста в метаданных — 262 144 токена. README также заявляет поддержку контекста до 1 млн токенов, поэтому фактический предел может зависеть от конфигурации и способа запуска. Модель генерирует текст и ориентирована на рассуждения в математике, логике и абстрактных задачах; заявлена поддержка английского, французского, испанского, итальянского, немецкого, японского, корейского, хинди, португальского и китайского языков. Модель рассчитана на коммерческое и некоммерческое использование, однако метаданные указывают лицензию «other», поэтому перед внедрением следует проверить условия в карточке модели. Для запуска требуются значительные вычислительные ресурсы: это чекпойнт масштаба сотен миллиардов параметров. Дата отсечения обучающих данных для постобучения — май 2026 года, для предобучения — сентябрь 2025 года.

google/pegasus-pubmed — модель семейства PEGASUS, разработанная авторами Jingqing Zhang, Yao Zhao, Mohammad Saleh и Peter J. Liu и поддерживаемая в карточке @sshlei​​fer. Она предназначена для абстрактивного суммирования текста, в частности научных публикаций из области биомедицины. Архитектура — PegasusForConditionalGeneration с 366,8 млн параметров; модель работает с текстом и имеет контекст длиной до 1024 токенов. Вариант основан на подходе PEGASUS с предварительным обучением на пропущенных предложениях; в описании семейства указаны обучающие данные C4 и HugeNews и смешивание сэмплирования пропусков. Подходит для создания кратких пересказов длинных текстов и научных статей. Поддерживаемый язык по метаданным — английский. Лицензия в предоставленных данных не указана.

Модель agentlans/Qwen2.5-1.5B-Instruct-Multiple-Choice-Maker — инструктивно дообученная языковая модель на базе Qwen/Qwen2.5-1.5B-Instruct, разработанная для создания вопросов с выбором ответа по входному тексту. Она формирует результат в XML и предназначена для подготовки учебных материалов, тестов и вопросов для бенчмарков машинного обучения. Модель имеет плотную архитектуру Qwen2ForCausalLM и 1,5 млрд параметров; максимальная длина контекста составляет 32 768 токенов. В карточке указаны английский язык и датасет agentlans/finewebedu-multiple-choice. Репозиторий содержит веса в формате safetensors, а лицензия — Apache-2.0. Вопросы и ответы могут требовать ручной проверки на точность, уместность и наличие ровно одного правильного варианта. XML-вывод подробен и может потребовать дополнительной обработки для использования в тестовых системах.

Это мультимодальная модель Qwen 3.6 35B-A3B от dealignai, созданная на основе Qwen/Qwen3-VL-30B-A3B-Thinking. Она предназначена для диалога и анализа текста, изображений и видео, включая задачи визуального понимания и вызова инструментов. Модель имеет архитектуру MoE с 35 млрд параметров и примерно 3 млрд активных на токен, 256 маршрутизируемых экспертов и гибридное сочетание линейного и полнослойного внимания. Контекст составляет 262 144 токена; доступны режимы рассуждений с включением и отключением через enable_thinking. Карточка заявляет поддержку английского и китайского языков. Веса квантованы в формате JANGTQ2: маршрутизируемые эксперты используют 2-битное кодирование TurboQuant, а чувствительные к точности компоненты сохраняют 8-битное представление; визуальная башня оставлена в fp16. Репозиторий занимает около 11 ГБ и предназначен для запуска на Apple Silicon через MLX Studio или jang-tools. По заявлению автора, CRACK — это весовая абляция, удаляющая усвоенные отказы в ответах; вследствие этого модель может выдавать контент, который базовая модель отклонила бы. Квантование до 2 бит уменьшает размер, но может снижать точность для сложных рассуждений. Лицензия — Apache-2.0.

Mushari Alothman дообучил Qwen3-8B-Base методом supervised fine-tuning и выпустил разговорную причинно-следственную языковую модель на 7,6 млрд параметров. Модель предназначена для ответов на вопросы с вариантами выбора, контекстных вопросов и ответов, работы с RAG и выполнения общих инструкций на арабском и английском языках. Модель основана на архитектуре Qwen3 с плотной архитектурой и классом Qwen3ForCausalLM. Она принимает текст и генерирует текст, поддерживает чат, а её родной контекст составляет 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache 2.0. В карточке заявлена настройка на чистое и точное выполнение инструкций и вопросов на арабском и английском языках. Не рекомендуется использовать её для критически важных или требующих реакции в реальном времени решений; фактические ответы следует проверять.

ReadAll / ReadTwice RL step36 — это контрольный чекпойнт языковой модели, опубликованный пользователем Xirui1208 на Hugging Face. В репозитории находятся слитые веса BF16 на шаге 36 обучения, основанные на Qwen2: плотная авторегрессионная архитектура Qwen2ForCausalLM размером 7,1 млрд параметров. Модель работает с текстом, имеет контекстное окно 32 768 токенов и поддерживает чатовый интерфейс и интерфейс вызова инструментов. Чекпойнт предназначен для генерации текста и ответов на вопросы по длинным документам. Для обработки 224-тысячного контекста README описывает рекуррентный конвейер ReadTwice с разбиением на страницы и обновлением памяти; такой объём не передаётся в один вызов модели. На указанных фиксированных наборах разработки приведены результаты HQA 224k и LongBench QA, однако они не подтверждают качество на отложенном тесте, а результат HQA зависит от соответствующей конфигурации конвейера. Для воспроизводимой оценки автор рекомендует жадное декодирование. Репозиторий доступен публично; лицензия в предоставленных сведениях не указана.

SciLitLLM1.5-14B — языковая модель Uni-SMART для понимания научной литературы. Она основана на Qwen2.5-14B и сочетает продолженное предобучение на научных текстах с supervised fine-tuning для улучшения следования инструкциям в специализированных задачах. Модель имеет плотную архитектуру Qwen2, содержит 14 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для диалоговой работы с научными публикациями и задач понимания научной литературы. В README сообщается о результатах на бенчмарках SciAssess и SciRIFF, но подробные сценарии, языковой охват и сравнительные условия приведены не полностью. Модель распространяется под лицензией MIT.

SecOpsBot-0.6B — дообученная Nuhman PK компактная модель Qwen3 с 507,9 млн параметров для ответов по фрагментам документов о кибербезопасности и мерах контроля. Она составляет сводки, выделяет ключевые факты, чек-листы, шаги жизненного цикла, обоснования и определения, опираясь на переданный отрывок и указывая идентификаторы мер контроля, только если они в нём встречаются. Модель предназначена для работы с материалами NIST и другими стандартами безопасности, в том числе как компонент чтения документов в RAG-системе. Модель принимает текст и генерирует текст; её контекстное окно — 40 960 токенов. В карточке заявлена поддержка английского языка. Модель обучена на 13 106 примерах и оценена на небольшой выборке из 60 примеров, документы которой не входили в обучающую выборку. Автор приводит результаты по ROUGE-L и точности идентификаторов мер контроля, но такая оценка не гарантирует качество на других документах и задачах. Весами управляет лицензия Apache-2.0. Ответы зависят от полноты и качества предоставленного отрывка, а шум при извлечении текста из PDF может влиять на результат. Модель не заменяет официальные рекомендации NIST, работу квалифицированного аудитора или юридическую и комплаенс-консультацию; ответы следует проверять перед использованием.

kennethge123/superglue_rte-t5-base — модель T5-base, дообученная на наборе SuperGLUE для классификации текстовых последовательностей. Она предназначена для задач распознавания текстового следования: определить, следует ли гипотеза из заданного текста. Модель содержит 123,8 млн параметров, использует архитектуру T5ForSequenceClassification и принимает текст с контекстом до 512 токенов. В README указана точность 0,8406 на оценочной выборке; лицензия — Apache-2.0.

sonoisa разработал модель на архитектуре T5 для генерации японских вопросов по ответу и контексту, содержащему этот ответ. На вход подаются ответ и соответствующий фрагмент текста в формате «answer: {ответ} content: {контекст}», на выходе модель формирует вопрос. Модель создана дообучением японской T5 на примерно половине очищенных примеров SQuAD 1.1, переведённых на японский язык.

Kiri разработала дообученную модель на архитектуре T5 для ответов на вопросы по текстовому контексту, включая вопросы с учётом предыдущих реплик. При обучении использовались CoQA, SQuAD 2, GoEmotions и CNN/DailyMail; модель содержит 123,8 млн параметров, принимает текст с контекстом длиной до 512 токенов и выдаёт текст. В карточке приведены результаты F1 79,5 на dev-наборе SQuAD 2 и F1 70,6 на dev-наборе CoQA. Также заявлены суммаризация и определение эмоций, но эти возможности не оценивались. Модель рассчитана на английский язык. Распространяется под лицензией Apache-2.0.

lmqg/t5-base-squad-qg — англоязычная модель генерации вопросов, разработанная сообществом lmqg на основе T5-base. Она дообучена на наборе lmqg/qg_squad и предназначена для создания вопросов по исходному тексту и указанному ответу, например при подготовке обучающих материалов или систем вопросов и ответов. В карточке приведены оценки генерации вопросов и связанной с ней генерации ответов на тестах SQuAD и вне домена.

T5 Version 1.1 Small — модель Google с архитектурой encoder-decoder T5 для переноса обучения в формате «текст на входе — текст на выходе». В этой версии около 45,8 млн параметров; доступны веса PyTorch, TensorFlow и Flax. Предобучение выполнено на корпусе C4 без смешивания с целевыми задачами и без контролируемого обучения. Модель предназначена для дообучения под прикладные задачи NLP, где вход и результат представлены текстом: например, суммаризацию, ответы на вопросы и классификацию с текстовым выводом. Версия 1.1 использует активацию GEGLU вместо ReLU, отключённый dropout при предобучении и отдельные веса эмбеддингов и классификатора. Основной язык карточки — английский. Для решения конкретной задачи модель необходимо дообучить; сама предобученная контрольная точка не предназначена для непосредственного выполнения целевых задач. Лицензия — Apache 2.0.

UncensoredLM-DeepSeek-R1-Distill-Qwen-14B — экспериментальная версия чат-модели от UncensoredAI. Это плотная языковая модель архитектуры Qwen2 с 13,4 млрд параметров, представленная в формате safetensors и рассчитанная на контекст до 131 072 токенов. Модель предназначена для генерации текста и ответов с рассуждениями; шаблон обучения ориентирует её на извлечение ответа из предоставленного контекста без опоры на внешние сведения. Модель заявлена как версия с ослабленным выравниванием отказов. Автор называет её предварительным экспериментальным выпуском и приглашает сообщать о проблемах, поэтому качество и поведение могут измениться в следующих версиях. Лицензия — Apache 2.0.

XLM-V Base — многоязычная языковая модель с архитектурой XLM-RoBERTa и примерно 806 млн параметров, разработанная авторами исследования XLM-V. Она обучена на 2,5 ТБ данных Common Crawl и использует словарь размером один миллион токенов, чтобы улучшить покрытие языков и создавать более короткие, содержательные токенизации. Модель предназначена для заполнения пропусков в тексте и может служить основой для задач понимания языка, включая вывод по естественному языку, ответы на вопросы и распознавание именованных сущностей. В исследовании XLM-V превзошла XLM-R на протестированных задачах, включая несколько задач для языков с ограниченными ресурсами. Репозиторий содержит веса PyTorch; контекст — до 514 токенов. Модель охватывает множество языков, в том числе английский, арабский, хинди, японский, корейский, французский, немецкий и испанский. Лицензия — MIT. Для оценки рисков и ограничений README отсылает к карточке XLM-R; результаты исследования не гарантируют качество на любых языках и прикладных задачах.

Карточка модели ByteDance-Seed/AHN-DN-for-Qwen-2.5-Instruct-14B на Hugging Face совпадает с карточкой ByteDance-Seed/AHN-Mamba2-for-Qwen-2.5-Instruct-3B, поэтому описание составлено по ней. ByteDance-Seed разработала AHN-Mamba2 для Qwen2.5-3B-Instruct — модуль Artificial Hippocampus Network, расширяющий языковую модель механизмом сжатой памяти для работы с длинным контекстом. AHN переносит информацию, выходящую за пределы скользящего окна внимания, в компактное представление, сохраняя точную информацию внутри окна. Репозиторий содержит только веса модуля AHN: 11,9 млн параметров; базовая модель Qwen2.5-3B-Instruct замораживается при обучении, а обучаются параметры AHN. Метаданные указывают архитектуру Qwen2, 3,1 млрд параметров для модели и контекст до 32 768 токенов. Модель предназначена для генерации текста по длинным последовательностям и сценариев, где важно учитывать контекст за пределами обычного окна внимания. Для контекстов длиной не больше скользящего окна она работает как стандартный Transformer; более дальняя информация хранится сжато, поэтому её точность может быть ниже, чем у исходного токенного контекста. Использование предполагает интеграцию модуля с базовой моделью и соответствующей программной реализацией AHN. Лицензия в метаданных обозначена как other; конкретные условия в предоставленных сведениях не раскрыты.

Карточка модели ByteDance-Seed/AHN-DN-for-Qwen-2.5-Instruct-7B на Hugging Face совпадает с карточкой ByteDance-Seed/AHN-Mamba2-for-Qwen-2.5-Instruct-3B, поэтому описание составлено по ней. ByteDance-Seed разработала AHN-Mamba2 для Qwen2.5-3B-Instruct — модуль Artificial Hippocampus Network, расширяющий языковую модель механизмом сжатой памяти для работы с длинным контекстом. AHN переносит информацию, выходящую за пределы скользящего окна внимания, в компактное представление, сохраняя точную информацию внутри окна. Репозиторий содержит только веса модуля AHN: 11,9 млн параметров; базовая модель Qwen2.5-3B-Instruct замораживается при обучении, а обучаются параметры AHN. Метаданные указывают архитектуру Qwen2, 3,1 млрд параметров для модели и контекст до 32 768 токенов. Модель предназначена для генерации текста по длинным последовательностям и сценариев, где важно учитывать контекст за пределами обычного окна внимания. Для контекстов длиной не больше скользящего окна она работает как стандартный Transformer; более дальняя информация хранится сжато, поэтому её точность может быть ниже, чем у исходного токенного контекста. Использование предполагает интеграцию модуля с базовой моделью и соответствующей программной реализацией AHN. Лицензия в метаданных обозначена как other; конкретные условия в предоставленных сведениях не раскрыты.

Карточка модели ByteDance-Seed/AHN-Mamba2-for-Qwen-2.5-Instruct-14B на Hugging Face совпадает с карточкой ByteDance-Seed/AHN-Mamba2-for-Qwen-2.5-Instruct-3B, поэтому описание составлено по ней. ByteDance-Seed разработала AHN-Mamba2 для Qwen2.5-3B-Instruct — модуль Artificial Hippocampus Network, расширяющий языковую модель механизмом сжатой памяти для работы с длинным контекстом. AHN переносит информацию, выходящую за пределы скользящего окна внимания, в компактное представление, сохраняя точную информацию внутри окна. Репозиторий содержит только веса модуля AHN: 11,9 млн параметров; базовая модель Qwen2.5-3B-Instruct замораживается при обучении, а обучаются параметры AHN. Метаданные указывают архитектуру Qwen2, 3,1 млрд параметров для модели и контекст до 32 768 токенов. Модель предназначена для генерации текста по длинным последовательностям и сценариев, где важно учитывать контекст за пределами обычного окна внимания. Для контекстов длиной не больше скользящего окна она работает как стандартный Transformer; более дальняя информация хранится сжато, поэтому её точность может быть ниже, чем у исходного токенного контекста. Использование предполагает интеграцию модуля с базовой моделью и соответствующей программной реализацией AHN. Лицензия в метаданных обозначена как other; конкретные условия в предоставленных сведениях не раскрыты.

BigBirdPegasus large — англоязычная модель семейства BigBird-Pegasus с разреженным блочным механизмом внимания. Она предназначена для суммаризации научных статей и других длинных документов. Модель содержит 366,8 млн параметров, принимает текстовые последовательности длиной до 4096 токенов и выдаёт текстовое резюме. В репозитории представлены веса PyTorch; модель доступна по лицензии Apache 2.0. Разреженное внимание позволяет обрабатывать длинные последовательности с меньшими вычислительными затратами по сравнению с обычным полным вниманием. Модель ориентирована на английские научные тексты; среди подходящих сценариев — подготовка краткого обзора статьи и извлечение её основных выводов. Карточка не приводит отдельных количественных оценок качества, поэтому результаты на конкретных типах документов могут различаться.

Boterham 0.5B — компактная преимущественно нидерландоязычная языковая модель от ToetsChecker Research. Это decoder-only Transformer с 488,2 млн параметров; экспорт использует реализацию Qwen3ForCausalLM, но веса и токенизатор обучены с нуля, поэтому модель не является производной от Qwen. Контекстное окно — 2 048 токенов. Модель принимает текст и предназначена прежде всего для работы с предоставленными фрагментами и документами: извлечения ответов, суммаризации и воздержания от ответа, если нужной информации в тексте нет. Также обучалась арифметике, классификации, переводу между нидерландским и английским языками и коротким диалогам. Модель подходит для экспериментов с NLP на нидерландском языке, документных помощников и сценариев RAG. Лицензия — Apache-2.0. Это небольшая экспериментальная модель с ограниченными общими знаниями; она может ошибаться или выдумывать сведения. Контекст короткий, а открытый диалог и творческая генерация получили меньше внимания при обучении. Фактические утверждения следует проверять по источникам; опубликованных результатов EuroEval пока нет.

DefCPM-2B — компактный диалоговый языковой помощник, дообученный автором aiuser3993 на openbmb/MiniCPM5-2B-Base. Модель предназначена для генерации ответов с акцентом на точность: она должна прямо оспаривать ошибочные предпосылки пользователя и меньше подстраиваться под его мнение. Дообучение выполнено в течение трёх эпох на наборе aiuser3993/Definitive-Data; модель содержит 2,2 млрд параметров и рассчитана на контекст до 524 288 токенов. Модель использует плотную архитектуру LlamaForCausalLM, хранится в формате safetensors и поддерживает диалоговый режим и интерфейс вызова инструментов. README рекомендует квантизации Q4_K_M или IQ4_XS для развёртывания на устройствах с ограниченными ресурсами. Язык обучения и перечень поддерживаемых языков не указаны. Лицензия — Apache-2.0.

lmqg/flan-t5-base-squad-qg — англоязычная модель генерации вопросов, разработанная на базе google/flan-t5-base и дообученная командой LMQG на наборе lmqg/qg_squad. Модель принимает текстовый контекст и предназначена для создания вопросов по нему; её можно применять для подготовки учебных и проверочных материалов, а также для построения конвейеров генерации вопросов и ответов. Модель построена на архитектуре T5 и содержит 123,7 млн параметров. Для неё указан контекст до 512 токенов; веса представлены в формате PyTorch. В карточке приведены оценки на lmqg/qg_squad, включая BERTScore 90,53 и BLEU-1 58,79 для генерации вопросов. Модель рассчитана на английский язык и обучена на SQuAD-подобных данных, поэтому качество на других языках и вне этого распределения может быть ниже. Лицензия — CC BY 4.0.

GALACTICA 30B Evol-Instruct — языковая модель, разработанная Georgia Tech Research Institute на основе GALACTICA 30B и дообученная на 70 тысячах инструкционных примеров Evol-Instruct. Она предназначена для ответов на запросы в формате «инструкция — ответ», особенно по научным темам; базовая GALACTICA обучалась на научных текстах и данных. Модель использует плотную архитектуру OPTForCausalLM, содержит 39,8 млрд параметров и поддерживает контекст до 2048 токенов по метаданным; при дообучении использовалось окно до 1024 токенов. Модель лучше следует инструкциям, чем варианты GALPACA, согласно качественной оценке в карточке. Она может генерировать неточные сведения, поэтому ответы требуют проверки и модель не рекомендуется для производственного использования без мер предосторожности. Доступна по лицензии CC BY-NC 4.0; для моделей на основе Evol-Instruct-70k также применяются условия использования OpenAI.

GPT-6 Luna Pro — вариант GPT-6 Luna от OpenAI, работающий с параметром reasoning.mode, установленным в pro. Он предназначен для получения более качественных ответов на сложные задачи. README описывает его как ту же базовую модель GPT-6 Luna с режимом рассуждения pro. Доступные данные не содержат сведений об архитектуре, размере, контексте, языках или лицензии, поэтому эти характеристики нельзя уточнить. Метаданные каталога относят модель к задаче image-text-to-text, однако README не описывает работу с изображениями.