I.2Синтез, понимание и проверка знаний

ishikaa/acquisition_generator_AS_GT_confidence_omnimath_qwen3b — генеративная языковая модель из семейства Qwen2, опубликованная на Hugging Face пользователем ishikaa. Модель предназначена для генерации текста и диалоговых сценариев; в метаданных она обозначена как conversational и text-generation, а для работы предполагается библиотека Transformers. Модель содержит около 3,1 млрд параметров и поддерживает контекст длиной до 32 768 токенов. По доступным данным она может применяться для продолжения текста, генерации ответов в диалоге, подготовки черновиков и других задач, сводимых к авторегрессионной генерации текста. Сведения о разработчике, языках, лицензии, обучающих данных и результатах оценки в карточке отсутствуют.

AetherSearch_DPO — англоязычная диалоговая модель поискового агента, разработанная Muradil211. Она дообучена методом Direct Preference Optimization на базе muradil211/AetherSearch_SFT и использует архитектуру Qwen2 с 3,1 млрд параметров. Модель генерирует запросы для внешнего поиска, принимает найденные материалы в контексте, при необходимости запрашивает дополнительные свидетельства и формирует обоснованный ответ. Для работы нужен внешний retrieval-бэкенд и runtime, который обрабатывает XML-протокол AetherSearch и передаёт результаты поиска обратно модели. Модель предназначена для итеративного поиска и ответов с опорой на найденные источники, в том числе в сценариях RAG. Контекст — до 32 768 токенов; формат весов — safetensors, библиотека — Transformers. DPO настраивает предпочтения между вариантами поисковых траекторий, но не гарантирует фактичность, достаточную поддержку ответа источниками или безопасность. Качество поиска, проверка свидетельств и ответов остаются ответственностью приложения. README не заявляет отдельную общую лицензию: перед использованием и распространением следует проверить условия базовой модели, AetherSearch SFT и атрибуцию данных DPO.

McGill-NLP/AfriqueQwen3.5-4B-50Langs-Instruct-20260917 — дообученная версия языковой модели AfriqueQwen3.5-4B-50Langs, выпущенная McGill-NLP 17 сентября 2026 года. Это плотная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration и примерно 4 млрд параметров; визуальные веса отсутствуют, поэтому она работает как языковая модель. Репозиторий содержит веса safetensors, а лицензия — CC BY 4.0. Модель предназначена для диалоговой генерации текста, пошагового решения математических задач, перевода и ответов на вопросы с выбором варианта. Базовая модель адаптирована для 50 африканских языков; для математических запросов README описывает режим пошагового рассуждения, а для остальных задач — обычный режим без него. Для запуска автор рекомендует vLLM в режиме language-model-only и задаёт максимальную длину контекста 12 288 токенов. README не приводит оценок качества, поэтому надёжность ответов на конкретных языках и задачах по нему определить нельзя. Следует учитывать, что модель не принимает изображения и требует совместимой настройки vLLM для обслуживания.

ALIA-40b-fc-2605 — языковая модель команды Language Modeling из AI Institute при Barcelona Supercomputing Center. Это дообученная версия ALIA-40b: после адаптации к длинному контексту модель прошла supervised fine-tuning, направленный прежде всего на вызов функций и работу с инструментами в диалогах. Она также подходит для многоходового общения и общих задач генерации текста. Модель построена на архитектуре Transformer decoder-only; в метаданных указаны семейство Llama, плотная архитектура и 38,3 млрд параметров. Контекстное окно — 163 840 токенов. Базовая ALIA обучалась на данных 35 европейских языков, однако дообучение для вызова функций и оценивание сосредоточены преимущественно на английском, поэтому качество на других языках может быть ниже и проверено слабее. Модель не прошла этап выравнивания по безопасности; авторы также отмечают ограничения в сложных рассуждениях, математике и генерации кода. Лицензия Apache 2.0 разрешает коммерческое и исследовательское использование.

Athena-gemma-2-9b-it-Philos — чат-модель EpistemeAI, дообученная на базе unsloth/gemma-2-9b-it-bnb-4bit с помощью Unsloth и Hugging Face TRL. Это плотная языковая модель Gemma 2 с 9 млрд параметров, предназначенная для генерации текста в диалоге. Она принимает текст и выдаёт текст; заявленная длина контекста — 8192 токена. Карточка не описывает философскую специализацию модели или конкретные обучающие данные, поэтому название не подтверждает её пригодность для специализированных философских задач. Модель распространяется по лицензии Apache-2.0. В карточке указано, что обучение выполнялось с использованием Unsloth и TRL.

Azure_Dusk-v0.2 — разговорная языковая модель семейства Mistral, созданная Epiculous на базе Mistral-Nemo-Base-2407. Модель дообучена в два этапа с помощью RSLoRA: сначала на данных для ролевого общения, затем на инструктивных данных. Она принимает текст и генерирует текст, поддерживает шаблон диалога ChatML и предназначена для ролевых сценариев, написания текстов и выполнения инструкций. Модель содержит 12,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и распространяется в формате safetensors. В карточке заявлена поддержка английского, французского, немецкого, испанского, итальянского, португальского, русского, китайского и японского языков, а длина контекста указана как 1 024 000 токенов. Для использования автор рекомендует формат ChatML; приведённые в README результаты Open LLM Leaderboard включают средний балл 14,03, IFEval 34,67 и BBH 17,40. Модель распространяется по лицензии Apache-2.0. README не приводит подробных сведений о качестве на отдельных языках и сценариях; заявленная длина контекста не сопровождается описанием условий её практического использования.

Карточка модели fatymahaly/bert-base-uncased на Hugging Face совпадает с карточкой google-bert/bert-base-uncased, поэтому описание составлено по ней. BERT base uncased — англоязычная предварительно обученная модель Google на базе архитектуры BERT для восстановления замаскированных слов. Она содержит 136,7 млн параметров и принимает текст в нижнем регистре; токенизатор WordPiece использует словарь из 30 000 токенов. Контекст ограничен 512 токенами. Предобучение на BookCorpus и англоязычной Википедии использовало задачи masked language modeling и предсказания следующего предложения. Модель предназначена прежде всего для дальнейшей настройки под задачи понимания текста, например классификацию, разметку токенов и ответы на вопросы. Её можно применять для заполнения пропусков в тексте; она также может служить источником признаков для downstream-моделей. Это базовый чекпойнт, а не модель для генерации длинных текстов. Предобучение без учительской разметки позволяет использовать корпусный контекст, однако предсказания могут отражать смещения данных. Модель распространяется по лицензии Apache-2.0.

swardiantara/bert-tiny-sst5-k5-adaptive-cosine — компактная Sentence Transformer-модель на основе BERT, дообученная автором репозитория на 8 894 парах текстов. Она кодирует предложения и абзацы в плотные векторы размерности 128; косинусное сходство между ними подходит для поиска и сравнения текстов. Архитектура включает BertModel с усредняющим pooling. В метаданных указано 4,4 млн параметров и контекст до 512 токенов; в README для Sentence Transformers задан предел последовательности 128 токенов. Модель предназначена для извлечения эмбеддингов и семантического поиска по тексту. Примеры обучающих данных — англоязычные рецензии на фильмы, поэтому в первую очередь она подходит для сравнения и поиска коротких английских текстов. Базовая модель — google/bert_uncased_L-2_H-128_A-2. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

dariolopez/bge-m3-es-legal-tmp-6 — модель Sentence Transformers, дообученная на основе BAAI/bge-m3 для получения текстовых эмбеддингов на испанском языке, в том числе для юридических текстов. Она преобразует предложения и абзацы в нормализованные плотные векторы размерностью 1024; близость можно оценивать косинусным сходством. Архитектура включает XLM-RoBERTa, пулинг по CLS-токену и нормализацию. Модель содержит 658,7 млн параметров и поддерживает последовательности длиной до 8194 токенов. Модель подходит для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации текстов. В README приведены оценки поиска информации для выходных размерностей от 64 до 1024, что позволяет выбирать компромисс между размером векторов и качеством. Модель распространяется по лицензии Apache-2.0. Оценки в карточке относятся к указанным там наборам данных; результатов для других корпусов и языков не приведено. Назначение для испанских юридических текстов следует из имени и карточки, но детали обучающего набора в README не описаны.

mulasan/bistbot-llama-cio-8b — дообученная разговорная языковая модель на архитектуре Llama, разработанная mulasan на базе unsloth/llama-3.1-8b-instruct-bnb-4bit с использованием Unsloth и библиотеки TRL. Модель предназначена для генерации текста в диалоговом формате и имеет интерфейс для вызова инструментов. Модель содержит 7,5 млрд параметров, принимает текст и поддерживает контекст до 131 072 токенов. В карточке указана поддержка английского языка. Модель распространяется в формате safetensors по лицензии Apache 2.0. README не описывает специализацию дообучения или результаты оценки качества.

BLOOM-7b1-intermediate — промежуточный чекпойнт языковой модели семейства BLOOM, разработанной BigScience. Это авторегрессионная трансформерная модель с архитектурой decoder-only, предназначенная для генерации текста и исследований больших языковых моделей; её также можно дообучать для специализированных задач. Репозиторий содержит промежуточные версии обучения, включая шаги от 1 000 до 300 000. Модель работает с текстом и поддерживает множество языков. Для семейства BLOOM указаны позиционные кодировки ALiBi и контекст до 2 048 токенов; версия в этом репозитории имеет 7,1 млрд параметров. Метаданные также отмечают возможности работы с кодом. Чекпойнт можно применять для продолжения текста, черновой генерации и экспериментов с многоязычными языковыми моделями. Выводы могут быть фактически неверными, повторяющимися или нерелевантными, а также содержать стереотипы, оскорбительный, насильственный или сексуальный контент. Модель не предназначена для критически важных решений и использования в медицине, политике, праве или финансах. Лицензия — BigScience BLOOM RAIL License v1.0; применяются ограничения использования, изложенные в лицензии.

ByT5 Base — предварительно обученная без токенизатора модель Google на архитектуре T5, работающая непосредственно с последовательностями байтов UTF-8. Она содержит около 595 млн параметров и обучалась на mC4 с задачей восстановления замаскированных фрагментов; для прикладных задач модель нужно дообучить. Модель подходит для сценариев с шумным текстом, где важны опечатки, написание и произношение, а также может обрабатывать текст на разных языках без отдельного токенизатора. Модель предназначена для последующей адаптации к задачам преобразования текста, например ответам на вопросы и исправлению ошибок. Байтовое представление повышает устойчивость к шуму, но последовательности байтов длиннее токенных, что может замедлять обработку и расходовать больше контекста. Репозиторий содержит варианты для PyTorch, TensorFlow и Flax. Лицензия — Apache 2.0.

Camel-5b — англоязычная инструкционная языковая модель от Writer на архитектуре GPT-2, основанная на Palmyra-Base. Модель дообучена на примерно 70 тысячах пар «инструкция — ответ», подготовленных командой Writer Linguist, и предназначена для выполнения текстовых инструкций и генерации ответов. В метаданных указаны 5 млрд параметров и контекст до 2048 токенов. Модель подходит для создания виртуальных помощников, поддержки клиентов и генерации контента. Она принимает текст и генерирует текст. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Camel предсказывает следующий токен, поэтому её ответы могут быть фактически неверными; README рекомендует проверять и фильтровать результаты человеком. Также возможно неожиданное появление оскорбительного контента.

Карточка модели metarank/ce-esci-MiniLM-L6-v2 на Hugging Face совпадает с карточкой metarank/ce-esci-MiniLM-L12-v2, поэтому описание составлено по ней. metarank/ce-esci-MiniLM-L12-v2 — модель Sentence-Transformers, разработанная Roman Grebennikov и дообученная на датасете Amazon ESCI. Она преобразует предложения и абзацы в плотные векторы размерностью 384 и предназначена для поиска семантически близких текстов и кластеризации. Архитектура основана на BERT; в метаданных указано около 40 млн параметров и контекст до 512 токенов. Модель подходит для семантического поиска и сравнения запросов с товарами или другими текстами. В README название базовой модели указано как cross-encoder/ms-marco-MiniLM-L-6-v2, тогда как идентификатор репозитория и метаданные указывают на MiniLM-L12-v2; поэтому точная связь версии в названии с описанным обучением требует осторожной трактовки. Репозиторий содержит форматы PyTorch, Safetensors и ONNX. Условия лицензии в предоставленных данных не описаны.

CeleBERTy Small Embeddings — компактная модель NeuML для получения плотных векторных представлений предложений и абзацев. Она построена на архитектуре BERT, дообучена с помощью sentence-transformers и насчитывает 25,9 млн параметров по метаданным. Модель отображает текст в пространство векторов размерности 384 и поддерживает контекст до 512 токенов. Модель предназначена для семантического поиска, кластеризации текстов и подготовки источников для RAG. Обучающие примеры получены из случайной выборки статей Википедии с меткой celebrity; эмбеддинги дистиллированы из более крупной модели DenseOn. В описанной авторами оценке на созданном BEIR-совместимом наборе модель показала NDCG 55,24 и подходит для CPU-сценариев с ограниченными ресурсами. Карточка указывает английский язык и лицензию Apache-2.0. Результаты обучения и оценки основаны на выборках статей Википедии о знаменитостях, поэтому качество для других тематик может отличаться. Модель возвращает эмбеддинги, а не готовые текстовые ответы.

ChatBerry-i1-GGUF — это набор квантованных файлов модели ChatBerry, разработанной artindnr и преобразованной в формат GGUF пользователем mradermacher. Модель предназначена для генерации текста и ведения диалогов, а заявленные языки включают персидский, английский и мультиязычные сценарии. В метаданных она отмечена как Mixture-of-Experts и поддерживает использование через экосистему Transformers и совместимые инструменты для GGUF. Репозиторий предоставляет множество вариантов квантования с разным соотношением размера, скорости и качества, включая imatrix-квантизации. Размер доступных файлов составляет примерно от 12,1 до 22,3 ГБ; варианты i1-Q4_K_S и i1-Q4_K_M обозначены как оптимальные по балансу характеристик, причём i1-Q4_K_M рекомендован как быстрый вариант. Также доступен файл imatrix для самостоятельного создания квантов. Ограничения модели заключаются в том, что README не содержит сведений о количестве параметров, длине контекста, точной архитектуре, мультимодальности, результатах тестирования или системных требованиях. Качество зависит от выбранного уровня квантования: наиболее компактные варианты могут заметно уступать более крупным, а некоторые прямо отмечены как низкокачественные. Модель распространяется по лицензии Apache-2.0.

QuantFactory/Codepy-Deepthink-3B-GGUF — квантизированная версия Codepy-Deepthink-3B, созданная QuantFactory с использованием llama.cpp. Исходная модель дообучена на базе meta-llama/Llama-3.2-3B-Instruct и предназначена для генерации текста с акцентом на рассуждения, логическую структуру и решение задач. Модель ориентирована на сценарии, требующие пошаговых решений, логического анализа и генерации кода, а также может применяться в образовании и творческом письме. В README заявлена поддержка текстовой генерации на английском языке. Указан размер базовой модели около 3B параметров; сведения о точном формате квантизации, длине контекста, конкретных вариантах GGUF, производительности и системных требованиях отсутствуют. К сильным сторонам относятся компактный размер по сравнению с более крупными моделями, специализация на рассуждениях и программировании, а также совместимость с llama.cpp и Ollama. Ограничения включают неизвестные характеристики квантизации и отсутствие представленных объективных оценок качества; заявленные возможности следует проверять на собственных задачах. Лицензия указана как CreativeML OpenRAIL-M.

DARv2 — модель Sentence Transformers, дообученная разработчиком репозитория на базе jinaai/jina-embeddings-v5-text-nano-retrieval. Она преобразует предложения и абзацы в плотные векторы размерности 768, нормализованные для сравнения косинусным сходством. Модель построена на EuroBERT и поддерживает последовательности до 8192 токенов. Модель предназначена для семантического поиска, оценки сходства текстов, поиска перефразировок, кластеризации и классификации текста. Карточка содержит италоязычные примеры запросов и ответов, связанных с юридическими документами; в метаданных указан язык it. Для поиска по длинным фрагментам доступны контекст и обучающие примеры длиной до 2048 токенов. Вес модели опубликован в формате Safetensors, библиотека — Sentence Transformers. Лицензия в предоставленных данных не указана.

DeltaP2S-Qwen2.5-14B-P2S-Code-S13 — объединённый чекпойнт на базе Qwen2.5, созданный разработчиком g-assismoraes с помощью экспериментального пакета Delta-P2S с поддержкой Qwen. Модель представляет собой плотную авторегрессионную языковую модель семейства Qwen2, содержит 14 млрд параметров и рассчитана на генерацию текста в диалоговом режиме. Указанная длина контекста — 131072 токена. Название указывает на вариант Code, однако README не описывает его обучающие данные, конкретные возможности программирования или результаты оценки, поэтому специализированное качество в задачах кода подтвердить нельзя. Модель опубликована в формате safetensors для Transformers. Лицензия в предоставленных данных не указана.

badokorach разработал эту модель как дообученную версию distilbert-base-cased-distilled-squad для ответов на вопросы. Это компактная модель семейства DistilBERT с архитектурой DistilBertForQuestionAnswering; она принимает текст вопроса и контекст и извлекает из контекста ответ. Модель рассчитана на контекст длиной до 512 токенов и опубликована в формате TensorFlow. В карточке указаны результаты обучения: train loss 0,2372, validation loss 0,0 за 19 эпох. Датасет и подробные сведения о назначении, оценке и ограничениях не описаны. Модель распространяется по лицензии Apache-2.0.

aws-ai/dse-bert-base — модель AWS AI, опубликованная в Hugging Face в рамках проекта Amazon Science DSE (Dialogue Sentence Embedding). Это conversational language model на базе архитектуры BERT, предназначенная для построения векторных представлений предложений и фрагментов диалога. При обучении модель использует self-supervised contrastive learning: последовательные реплики одного диалога рассматриваются как положительные пары. Модель рассчитана на задачи диалоговых систем, включая классификацию намерений, обнаружение запросов вне области, выбор ответа на уровне предложения или диалога и прогнозирование диалоговых действий. Векторы можно применять для сравнения текстов по cosine similarity, few-shot и zero-shot классификации, а также дообучать модель с добавлением task-specific слоя. В репозитории приведены примеры использования с Transformers и усреднением токенных представлений для получения sentence embeddings. Доступны сведения о принадлежности к семейству BERT-base и поддержке PyTorch/Transformers, но точное число параметров, языки обучения, максимальная длина контекста и полный перечень модальностей в найденных источниках не указаны; по назначению это текстовая, а не мультимодальная модель. Сильная сторона — специализация на представлениях диалогов и применимость при дефиците размеченных данных. Ограничения включают отсутствие генерации ответов как основной функции и зависимость качества от предметной области и последующего дообучения. Репозиторий проекта распространяется по Apache-2.0, однако отдельная лицензия именно модели на карточке Hugging Face явно не указана.

Dulia 13B 8K Alpha — чатовая языковая модель семейства Llama, разработанная duliadotio и дообученная на базе Llama 2 с использованием наборов Dolphin и Orca Chat, а также OpenAssistant SFT Trainer. Модель содержит 12,9 млрд параметров и построена на архитектуре LlamaForCausalLM; для контекста до 8192 токенов применено линейное масштабирование RoPE. Модель предназначена для генерации текста и ведения многоходовых диалогов на английском языке. Она подходит для чат-ботов и ответов на пользовательские запросы; обучена с шаблоном диалогов OpenAssistant. Репозиторий предоставляет веса в форматах PyTorch и safetensors для Transformers. Модель распространяется по лицензии Llama 2. В README отмечены риски неточных, предвзятых и нежелательных ответов; оценка проводилась на английском языке и не охватывает все сценарии, поэтому перед внедрением требуется проверка и настройка безопасности под конкретное применение.

Einstein-openchat-7B — разговорная языковая модель Weyaxi на архитектуре Mistral с 7,1 млрд параметров. Она предназначена для генерации текста в диалоговом формате и рассчитана на контекст до 8192 токенов. В README указано, что модель получена слиянием LoRA, однако базовая модель и подробности дообучения не приведены. В репозитории указаны веса Safetensors и лицензия «other»; условия этой лицензии следует уточнить перед использованием. Карточка не описывает качество модели и её ограничения.

Elly — слитая языковая модель на архитектуре Mistral, опубликованная пользователем jeiku. Она создана методом DARE TIES с использованием Sonya-7B как базовой модели и моделей Samantha Mistral 7B Instruct и Dolphin 2.6 Mistral 7B. Веса представлены в формате safetensors; размер модели — 7,1 млрд параметров, контекст — до 8192 токенов. Модель предназначена для генерации текста и диалоговых сценариев. Английский указан среди поддерживаемых языков. Лицензия обозначена как other; конкретные условия использования в карточке не раскрыты.

Sunlight 13B — дообученная диалоговая языковая модель семейства Llama, опубликованная icybee. Согласно карточке, модель обучали в течение одной эпохи на датасете ShareGPT; для запуска предлагается использовать FastChat. В метаданных указаны 12,9 млрд параметров, контекст 2048 токенов и формат PyTorch. Модель предназначена для генерации текста в диалоге и ответов на запросы на естественном языке. Карточка не сообщает о специальных предметных областях или поддерживаемых языках. Лицензия в доступных сведениях не указана.

functionary-medium-v3.2-GGUF — это GGUF-квантизации модели functionary-medium-v3.2, разработанной meetkai и подготовленной для распространения пользователем bartowski. Модель предназначена для генерации текста и запуска локально через llama.cpp, в том числе в LM Studio. Судя по названию и формату prompt, она ориентирована на диалоговое взаимодействие с поддержкой ролей и сценариев function calling, однако подробные сведения об исходной архитектуре и возможностях в README не приведены. Доступны варианты квантизации Q8_0, Q6_K, Q5_K_M, Q4_K и других типов размером примерно от 16,75 до 74,98 ГБ. Более высокие уровни квантизации обычно обеспечивают лучшее качество, но требуют больше памяти; Q6_K, Q5_K_M и некоторые варианты Q4_K отмечены как рекомендуемые. Для отдельных вариантов embeddings и output weights сохраняются в Q8_0, что потенциально может улучшать качество, но README не подтверждает это результатами. Модель поддерживает текстовую модальность; сведения о языках и размере контекста отсутствуют. Указана лицензия MIT.

GeistBERT — немецкоязычная языковая модель, разработанная авторами проекта GeistBERT и дообученная на основе GottBERT. Это плотная архитектура RoBERTa с 153,2 млн параметров, обученная с Whole Word Masking на преимущественно дедуплицированном немецком корпусе объёмом около 1,3 трлн токенов; контекст составляет 514 токенов. Модель предназначена для немецких NLP-задач, включая классификацию текста, распознавание именованных сущностей, понимание документов и предварительное обучение для машинного перевода. В README сообщаются сильные результаты на немецких бенчмарках NER, классификации текста и NLI. Для специализированных задач модель можно дообучать; метаданные указывают задачу заполнения пропусков в тексте (fill-mask). Корпус не прошёл полную ручную проверку, поэтому в нём могут встречаться избыточные или низкокачественные примеры. Лицензия модели — MIT.

RedHatAI/gemma-2-9b-it-FP8 — языковая модель для генерации текста на основе Google Gemma 2 9B Instruct. Квантованную версию разработала Neural Magic (Red Hat). Модель принимает текст и генерирует текст, ориентирована на диалоговые сценарии и работу в формате ассистента на английском языке. Модель использует архитектуру Gemma 2 и оптимизирована для инференса в формате FP8: в FP8 преобразованы веса и активации линейных операторов внутри трансформерных блоков. Это сокращает число бит на параметр с 16 до 8 и примерно на 50% уменьшает требования к дисковому пространству и памяти GPU. Модель предназначена для запуска с vLLM версии 0.5.1 и выше; в примере развертывания указан максимальный размер контекста 32768 токенов. По данным README, средний результат на OpenLLM Leaderboard v1 составляет 73,49 против 73,23 у исходной неквантованной модели, однако другие показатели качества не приведены. Основное ограничение — заявленная область применения ограничена английским языком; использование на других языках указано как выходящее за рамки назначения. Модель доступна для коммерческого и исследовательского использования по лицензии Gemma; применяются условия Google Gemma.

GFusion-10B-A1.8B — экспериментальная инструкционно дообученная диффузионная языковая модель, разработанная ai-sage на основе GigaChat3-10B-A1.8B-base. Она предназначена для диалоговой генерации текста. Вместо последовательного предсказания токенов модель итеративно уточняет частично замаскированные блоки по 32 токена; энтропийно-ограниченная выборка позволяет выбирать компромисс между скоростью декодирования и качеством. Модель поддерживает контекст до 32 768 токенов и работает с текстом на русском и английском языках. В README приведены результаты сравнительных тестов, а также способы запуска через Transformers и SGLang. Указанный в метаданных размер — 1,5 млрд параметров; название модели и README также содержат обозначение 10B-A1.8B. Модель распространяется по лицензии MIT. Это экспериментальная модель, поэтому качество и скорость на конкретных задачах могут отличаться от результатов тестов; для запуска с SGLang README ссылается на специальную ветку поддержки.

Henbane-7b-attempt2 — дообученная Edens-Gate модель генерации текста на архитектуре Qwen2. Она основана на Qwen/Qwen2-7B и содержит 7,1 млрд параметров; карточка указывает контекст до 131072 токенов и формат PyTorch. Модель поддерживает диалоговый режим и предназначена для генерации текста и ответов в разговорном формате. В README приведены значение loss 1,0222 на оценочном наборе и результаты отдельных тестов Open LLM Leaderboard, включая IFEval и BBH. Данные обучения описаны как набор None, поэтому назначение дообучения и его специализацию определить нельзя. Модель распространяется по лицензии Apache-2.0.