I.2Синтез, понимание и проверка знаний

ARC-Hunyuan-Video-7B — мультимодальная модель TencentARC для структурированного понимания коротких видео из реального мира. Это плотная модель на 7 млрд параметров, построенная на Hunyuan-7B vision-language model и дополненная аудиоэнкодером для совместного анализа визуальных, звуковых и текстовых сигналов. Механизм временных меток на кадрах помогает связывать события с моментами видео. Модель отвечает на открытые вопросы о видео, создаёт описания и сводки с временными метками, определяет временные фрагменты, связанные с запросом, и рассуждает о содержании аудио и видео. Она рассчитана, в частности, на короткие пользовательские ролики; авторы сообщают о поддержке входных видео длительностью до пяти минут. Для более длинных видео рекомендуется разбивать запись на фрагменты и объединять результаты внешней LLM. В README указана возможность локального запуска на одной NVIDIA A100 40 ГБ; для развёртывания через vLLM рекомендованы две такие GPU. Модель ориентирована на китайские платформы коротких видео, однако README не задаёт полный список поддерживаемых языков. Авторы отмечают быстрый анализ и синхронизированное аудиовизуальное рассуждение; результаты демо могут отличаться от опубликованных из-за сжатия видео. Лицензия в предоставленных данных не указана.

AtheneX-V2-72B-instruct — языковая модель, созданная автором nitky слиянием нескольких предварительно обученных моделей через mergekit и метод Model Stock. В основе слияния указан Qwen2.5-72B; среди включённых моделей также есть Athene-V2-Agent, Athene-V2-Chat, EZO-Qwen2.5-72B-Instruct, EVA-Qwen2.5-72B-v0.1 и magnum-v4-72b. Модель предназначена для диалоговой генерации текста и сценариев с использованием интерфейса вызова инструментов. Она имеет плотную архитектуру Qwen2, содержит 71,5 млрд параметров, принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. В карточке указаны английский и японский языки. README предлагает использовать заданный формат диалога и приводит пример японского RP-бенчмарка, но подробные результаты оценки не представлены. Модель распространяется под лицензией CC BY-NC-SA 4.0, которая предусматривает указание авторства, распространение производных работ на тех же условиях и ограничения на коммерческое использование. Для запуска требуется значительный объём вычислительных ресурсов из-за размера модели; качество и надёжность вызова инструментов зависят от используемого шаблона и окружения.

Aura-Llama-Abliterated — разговорная языковая модель от SteelStorage, построенная на основе failspy/Llama-3-8B-Instruct-abliterated. Автор описывает её как слияние с использованием метода depth up-scaling: слои Llama 3 повторно размещены в расширенной архитектуре. В метаданных указано 10,1 млрд параметров, архитектура LlamaForCausalLM и контекст до 8192 токенов. Модель предназначена для диалоговой генерации текста. Базовая модель модифицирована для ослабления отказов; опубликованные оценки для abliterated-версии не приведены, а README отмечает, что модель ещё не дообучалась после слияния. Доступна в формате safetensors по лицензии Apache-2.0.

Bangla-Embed-E5-Banglish — компактный текстовый энкодер на базе BERT, разработанный для семантического поиска и сопоставления предложений на бенгальском языке, включая его латинскую запись Banglish. Модель дообучена на intfloat/multilingual-e5-small методом трёхэтапной дистилляции от BGE-M3 с добавлением романизированных вариантов IndicXlit; размер по README — 118 млн параметров, в метаданных — 124,3 млн. Контекст составляет 512 токенов. Ключевая особенность модели — межскриптовый поиск: она сопоставляет запросы на Banglish с текстами на бенгальском письме и английском. Также модель создаёт эмбеддинги для семантического поиска, сравнения предложений и ранжирования. По приведённым в карточке оценкам, она показывает сильные результаты на бенгальских и межъязыковых наборах, сопоставимые с гораздо более крупными энкодерами. Модель принимает текст и выдаёт векторные эмбеддинги; её можно использовать через sentence-transformers. Лицензия модели — MIT, однако некоторые обучающие источники могут иметь отдельные, в том числе некоммерческие, условия. Романизация при обучении была синтетической; качество проверялось на пользовательском наборе, но охват ограничен стандартным бенгальским, без региональных вариантов и практик набора текста. На полнотекстовых наборах MIRACL-bn и Mr.TyDi-bn модель уступает более крупным моделям и исходной основе.

Barcenas-14b-Phi-3-medium-ORPO — разговорная языковая модель, созданная разработчиком Danielbrdz на основе VAGOsolutions/SauerkrautLM-Phi-3-medium. Модель дообучена методом ORPO на наборе mlabonne/orpo-dpo-mix-40k для улучшения диалоговых ответов и понимания контекста. Это плотная авторегрессионная модель архитектуры MistralForCausalLM с 13,8 млрд параметров. Она принимает текст и генерирует текст; заявленный контекст — 4096 токенов. В метаданных указан английский язык. Модель подходит для чат-ботов, ответов на вопросы и генерации текста в диалоге. Веса опубликованы в формате Safetensors под лицензией MIT. Карточка не приводит результатов оценки качества и подробных рекомендаций по применению; поведение модели зависит от запроса и может включать неточные ответы.

Beetle-FineWeb2-24B/beetle-bilingual-balanced-b1-fineweb-spa-eng — текстовая авторегрессионная модель семейства PicoDecoder, опубликованная в Hugging Face под аккаунтом Beetle-FineWeb2-24B. По названию она предназначена для генерации текста на испанском и английском языках и обучена на данных FineWeb; точное число параметров, длина контекста, лицензия и сведения о разработчике по доступным данным не подтверждены. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Данных о специальных ограничениях модели нет.

qgrantq/bert-finetuned-squad — модель BERT, дообученная на наборе вопросов и ответов SQuAD на основе bert-base-cased. Она предназначена для извлечения ответа на вопрос из предоставленного текста и подходит для систем поиска по документам и автоматизации ответов по контексту. Модель содержит 135,5 млн параметров, использует архитектуру BertForQuestionAnswering и принимает контекст длиной до 512 токенов. Репозиторий содержит веса PyTorch. Модель рассчитана на английские тексты, что следует из базовой модели bert-base-cased и датасета SQuAD. Она распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества или дополнительных сведений об ограничениях; результаты могут зависеть от соответствия входного текста распределению SQuAD.

mrm8488/bert-mini-finetuned-squadv2 — англоязычная компактная модель BERT-Mini, созданная Manuel Romero на основе модели Google Research и дообученная на SQuAD 2.0 для ответов на вопросы по заданному фрагменту текста. Она предсказывает ответ из контекста и может воздержаться от ответа, если контекст не содержит подтверждения. Модель насчитывает 12 млн параметров, имеет контекстное окно 512 токенов и доступна в форматах PyTorch и Flax. Размер обученной модели в README указан как 42,63 МБ. BERT-Mini разработана для сценариев с ограниченными вычислительными ресурсами. В приведённой оценке на SQuAD 2.0 модель получила EM 56,31 и F1 59,65. Её можно применять для извлечения ответов из абзацев, например, в системах поиска по документам. Модель распространяется под лицензией Apache 2.0.

ychafiqui/bge-m3-law-morocco-ar-emb — модель Sentence Transformers, созданная дообучением mhaseeb1604/bge-m3-law. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 и предназначена для семантического сравнения текстов, поиска похожих фрагментов, поиска перефразировок, кластеризации и классификации текстов. Архитектура основана на XLM-RoBERTa с пулингом CLS-токена и нормализацией; сходство можно оценивать косинусной мерой. Обучение проводилось на 7200 парах предложений, а README указывает максимальную длину последовательности 256 токенов. Модель ориентирована на арабские и английские юридические тексты, в частности правовые материалы Марокко, согласно описанию базовой модели и примерам обучающих данных. Метаданные указывают контекст до 8194 токенов, однако это расходится с ограничением в 256 токенов, указанным в README; фактический безопасный предел для этой версии следует проверить при использовании. Лицензия в предоставленных сведениях не приведена.

Карточка модели Torun00/Bonsai-8B-gguf на Hugging Face совпадает с карточкой mayomacam/Bonsai-8B-gguf, поэтому описание составлено по ней. Bonsai-8B-GGUF-1bit — языковая модель Prism ML для генерации текста и диалогов, распространяемая в формате GGUF для запуска через llama.cpp. В основе лежит плотная архитектура Qwen3-8B с 8,19 млрд параметров: 36 блоков Transformer, групповое обобщённое внимание, MLP SwiGLU, RoPE и RMSNorm. Модель использует однобитные веса Q1_0 с группами по 128 значений и FP16-масштабом; заявленный объём памяти для параметров — около 1,15 ГБ. Модель предназначена для локальных ассистентов, мобильного и периферийного развёртывания, а также экономичного инференса на GPU. README заявляет поддержку CUDA, Metal, CPU и различных устройств, включая Android, и приводит результаты производительности и бенчмарков. Поддерживаемые языки и длина контекста в предоставленных данных не указаны. Однобитное представление существенно снижает требования к памяти, но требует совместимых оптимизированных ядер; авторы отмечают, что отдельного однобитного аппаратного обеспечения пока нет. Лицензия — Apache-2.0.

CamemBERTav2-base — франкоязычная языковая модель, разработанная командой Almanach и предварительно обученная на корпусе из 275 млрд токенов французского текста. Она основана на архитектуре DeBERTa-v2 и обучена с задачей Replaced Token Detection. Модель содержит 138,4 млн параметров и принимает последовательности длиной до 1024 токенов. Модель предназначена для получения контекстных представлений текста и как основа для дообучения под задачи французского NLP, включая классификацию, распознавание сущностей, разметку частей речи, синтаксический анализ и ответы на вопросы. В сравнении с предыдущей версией использует WordPiece-токенизатор на 32 768 токенов с поддержкой эмодзи, табуляции и переноса строки; для работы нужен Fast Tokenizer. В README приведены результаты дообучения на ряде французских бенчмарков, включая NER, вопросно-ответные и классификационные задачи. Это не готовая чат-модель: для прикладных задач классификации или генерации ответов обычно требуется соответствующая голова и дообучение. Распространяется по лицензии MIT.

Carnice-V2-27B — мультимодальная модель на 27 млрд параметров от kai-os, созданная дообучением Qwen/Qwen3.6-27B на трассах взаимодействия в стиле Hermes Agent. Это объединённая версия SFT-чекпойнта в формате BF16, распространяемая как самостоятельные веса safetensors для Transformers; репозиторий содержит полную модель, а не только LoRA-адаптер. Модель предназначена для диалоговой работы с изображениями и агентных сценариев, включая следование инструкциям и вызов инструментов через совместимый интерфейс. В README приведены улучшенные результаты на коротком A/B smoke-тесте IFEval относительно базовой модели, но автор отдельно уточняет, что выборка ограничена 20 заданиями и не является официальной оценкой на полном бенчмарке. Лицензия — Apache-2.0. Для загрузки BF16-весов требуется исправленная версия с корректными префиксами тензоров; опубликованный репозиторий заявлен как исправленный. Параметры контекста и перечень поддерживаемых языков в доступных сведениях не раскрыты.

ChatBLOOM-1B7-SFT — двуязычная диалоговая языковая модель Николаса Као, дообученная методом SFT на базе BLOOM. Модель содержит около 2,1 млрд параметров, использует архитектуру BLOOM и принимает текст для генерации ответов; длина контекста — 1024 токена. В карточке приведены примеры диалога на китайском языке, а также написания планов, рекламных текстов и писем; для английского показан пример проектирования веб-страницы. Модель предназначена для диалоговых сценариев и генерации текста на китайском и английском языках. Данные для обучения включают BelleGroup/train_1M_CN, BelleGroup/multiturn_chat_0.8M и jeffwan/sharegpt_vicuna. Авторы указывают, что использованные наборы данных, например BELLE, ограничивают применение исследовательскими целями и запрещают коммерческое и другое потенциально вредное использование; отдельная лицензия модели в предоставленных данных не приведена.

ConGen-WangchanBERT-Small — модель семейства ConGen на базе WangchanBERT-Small, разработанная автором репозитория kornwtp. Она преобразует предложения в плотные векторы размерностью 128 и предназначена для семантического поиска и сравнения смысла предложений. Модель использует архитектуру BERT, содержит 32,4 млн параметров и принимает последовательности длиной до 512 токенов. Модель рассчитана на тайский язык; её оценивали на бенчмарке Thai Sentence Embeddings Benchmark для задачи семантического сходства. Веса опубликованы в формате PyTorch по лицензии Apache-2.0. Описание не сообщает результаты оценки и конкретные ограничения качества.

QuantFactory/Cotype-Nano-GGUF — это квантизированная версия легковесной языковой модели Cotype-Nano, разработанной MTSAIR. Квантизация выполнена с использованием llama.cpp. Модель предназначена для генерации текста и диалогового взаимодействия, включая ответы на вопросы, объяснение технических тем и помощь в написании кода, при ограниченных вычислительных ресурсах. Заявлена поддержка русского и английского языков. По данным карточки, исходная модель обучалась в два этапа: сначала MLP-слои обучались на математических и программных данных, затем вся модель — на внутренних и открытых синтетических наборах инструкций. Архитектура, количество параметров, размер контекста и точный формат квантизации для этой версии не указаны. Среди сильных сторон заявлены лёгкость, высокая скорость и эффективность при ограниченных ресурсах; к ограничениям относятся отсутствие подробных характеристик и независимой оценки качества за пределами приведённого локального теста ru-llm-arena, где исходная Cotype-Nano получила 30,2 балла, а версия Cotype-Nano-4bit — 22,5. В метаданных указана лицензия Apache-2.0, при этом ссылка ведёт на отдельный файл лицензии MTSAIR. Модель предназначена для использования с инструментами экосистемы llama.cpp и совместимыми средствами запуска GGUF.

Covasna-0.1 — сжатая обрезкой версия языковой модели migtissera/Tess-70B-v1.6, представленная Mihaiii. Модель семейства Llama предназначена для генерации текста и диалогового общения. Веса хранятся в формате BF16 и SafeTensors; после удаления части слоёв размер модели составляет около 41,3 млрд параметров вместо 69 млрд у исходной модели. Контекст — до 32 764 токенов. Автор описывает отбор слоёв по показателю SNR с помощью laserRMT и их удаление с mergekit. Модель распространяется по лицензии Llama 2. README также ссылается на отдельную версию GGUF, но эта карточка описывает вариант BF16.

CroissantCool-v0.2 — базовая языковая модель инициативы CroissantLLM, разработанной для исследовательского и промышленного сообщества. Это плотная авторегрессионная модель семейства LLaMA на 1,3 млрд параметров с контекстом 2048 токена, обученная на корпусе примерно из 3 трлн токенов на английском и французском языках. Чекпойнт соответствует 190 тысячам шагов обучения и заключительной фазе Cooldown на инструкционных данных без шаблонного форматирования. Модель предназначена для генерации текста и работы с few-shot prompting; заключительная фаза обучения также позволяет получать приемлемые результаты без примеров в запросе. Это базовая модель, не настроенная для чат-функций. В рамках проекта опубликованы двуязычный токенизатор и датасеты; в метаданных также отмечены возможности генерации кода и чат-формат. Для использования доступны веса Safetensors. Лицензия — MIT.

DarkAtom-12B-v3 — слитая чат-модель, созданная Khetterman с помощью mergekit на основе 18 моделей семейства Mistral. Для объединения применялся многоэтапный процесс Slerp, ModelStock и Ties с повторным слиянием вариантов моделей. Модель содержит 12,1 млрд параметров, использует архитектуру MistralForCausalLM и распространяется в формате safetensors с точностью bfloat16; заявленный контекст — до 1 024 000 токенов. Модель предназначена для генерации диалогов, ролевых игр и творческого письма. Карточка и метаданные указывают поддержку английского и русского языков, а также интерфейс для вызова инструментов. Включение разных моделей в слияние не гарантирует одинакового качества во всех задачах; в карточке не приведены результаты оценивания. Лицензия в предоставленных данных не указана.

Это англоязычная модель вопросно-ответного поиска, созданная EricPeter дообучением distilbert-base-uncased на датасете SQuAD. Она извлекает ответ из предоставленного текста по заданному вопросу и подходит для поиска ответов в отрывках документов. Модель основана на архитектуре DistilBERT, имеет контекстное окно до 512 токенов и распространяется в формате PyTorch. Модель может использоваться для извлечения фактов из англоязычных статей, справочных материалов и других текстов. В README приведено значение loss 1.3453 на оценочной выборке, но подробности методики и качества не раскрыты. Лицензия — Apache-2.0.

Eklav-14B-Reranker-CotGen — экспериментальный чекпойнт Eklav для ранжирования пассажей, дообученный на базе Qwen/Qwen3-14B. Это плотная причинно-языковая модель Qwen3 с 14 млрд параметров, контекстом до 40 960 токенов и форматом safetensors; для запуска используется библиотека Transformers. Вариант CotGen представлен как базовый результат для сравнения: при обучении модель училась продолжать частичный след рассуждения учителя и самостоятельно получать ответ, а не воспроизводить весь след целиком. Модель предназначена для попарной оценки релевантности пассажей, в том числе в задачах из наборов BRIGHT и NevIR. Она генерирует рассуждение, завершающееся меткой true или false; оценку релевантности извлекают из логитов последнего токена. Для инференса автор рекомендует vLLM с условием остановки по строке: при генерации Transformers с фиксированным бюджетом токенов модель иногда продолжает длинный текст, повторяется и не завершает ответ. Лицензия в предоставленных данных не указана.

ErebusNeuralSamir-7B-dare-ties — объединённая языковая модель на архитектуре Mistral, созданная автором stevez80 с помощью mergekit и метода DARE-TIES. В объединение вошли SamirGPT-v1, NeuralHermes-2.5-Mistral-7B и Mistral-7B-Erebus-v3 на базе Mistral-7B-v0.1. Модель содержит 7,1 млрд параметров, использует формат safetensors и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев, включая творческое письмо и ролевое взаимодействие. Лицензия — Apache-2.0. README не приводит оценок качества или конкретных ограничений применения; поведение и результаты могут зависеть от промпта и выбранных настроек генерации.

Eurstoria-106B — разговорная модель генерации текста на архитектуре Llama 3, созданная объединением моделей Steelskull/L3-MS-Astoria-70b и Sao10K/L3-70B-Euryale-v2.1 методом passthrough merge. Модель содержит 105,4 млрд параметров и рассчитана на работу с контекстом до 8192 токенов; для общения подходит формат Llama 3 Instruct. Модель предназначена для генерации ответов и ролевых диалогов. В метаданных указана поддержка чата, а базовая модель описана как англоязычная. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия в предоставленных данных не указана.

FLM-101B — открытая двуязычная большая языковая модель от CofeAI с 101 млрд параметров. Это плотная decoder-only архитектура для генерации текста на китайском и английском языках; модель работает с контекстом длиной 2048 токенов при обучении. В ней используются позиционные эмбеддинги xPos, а обучение проходило с постепенным увеличением модели от 16 до 101 млрд параметров. Модель подходит для генерации и продолжения текста на китайском и английском языках. xPos позволяет расширять окно контекста при инференсе, однако фактическая поддержка и предел такого расширения зависят от конфигурации. Модель выпущена под лицензией Apache-2.0. Авторы отмечают, что из-за сравнительно небольшого количества обучающих токенов знания модели, особенно в специализированных областях, ограничены. Инференс не оптимизирован и требует значительных ресурсов при невысокой скорости; возможны предвзятые, оскорбительные или небезопасные ответы.

Emese-Folyó — венгерская разговорная модель семейства Emese, разработанная Emese Tech на базе EuroLLM-22B. Она предназначена для диалогов и выполнения инструкций на венгерском языке, включая ответы на вопросы, перевод, написание кода и многошаговые запросы. Модель использует плотную LLaMA-совместимую архитектуру и содержит 21,9 млрд параметров. Веса этого репозитория представлены в bf16 в формате Safetensors; контекст — до 32 768 токенов. Обучение включало продолжение предобучения на венгерском корпусе, настройку инструкций и оптимизацию предпочтений. Лицензия — Apache-2.0. По результатам тестов из карточки, модель хорошо справляется с венгерским диалогом, переводом, кодом, вопросами по контексту и задачами безопасности. Она может уверенно выдумывать отдельные факты, слаба в многошаговой математике и логических головоломках, а в английском диалоге может продолжать отвечать по-венгерски. Для практического запуска нужны значительные ресурсы памяти; карточка также предупреждает о снижении качества при конвертации в GGUF.

Ksgk-fy/forgetting-gap-qwen3-4b-s0 — дообученная на базе Qwen/Qwen3-4B языковая модель, разработанная с использованием TRL. Она предназначена для диалоговой генерации текста и отвечает на запросы в формате чата; пример в карточке показывает генерацию ответа на открытый вопрос. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и контекстное окно 40 960 токенов. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

GAC-Qwen3.5-4B — мультимодальная модель YueLinHu на архитектуре Qwen3.5-4B-Base, дообученная методом GAC: гибридным supervised fine-tuning и reinforcement learning с последующим полнопараметрическим supervised refinement. Модель сохраняет поддержку текста и изображений, но приведённые в карточке результаты оценивают только рассуждения на текстовых задачах и генерацию кода. Модель предназначена для экспериментов с математическими рассуждениями и диалогом, а также для оценки генерации кода. В карточке указаны результаты на задачах AMC, AIME24 и AIME25; протокол оценки использует контекст 16 384 токена и до 8 192 новых токенов. Веса доступны в формате BF16 safetensors для Transformers. Модель основана на Qwen3.5-4B-Base и имеет лицензию Apache-2.0 с учётом уведомлений Qwen3.5 и условий лицензий датасетов. Результаты бенчмарков не подтверждают надёжность в критически важных сценариях; сгенерированный код следует запускать в изолированной среде.

GigaChat3-10B-A1.8B-base — базовая предварительно обученная языковая модель семейства GigaChat, разработанная командой ai-sage. Она предназначена для продолжения обучения и генерации текста; для диалога и выполнения инструкций в карточке рекомендуется instruct-версия. Модель использует архитектуру Mixture-of-Experts с 10 млрд общих и 1,8 млрд активных параметров, механизмы Multi-head Latent Attention и Multi-Token Prediction. В метаданных указаны архитектура DeepSeek V3, 1,5 млрд параметров, контекст 262 144 токена и поддержка русского и английского языков; размер параметров в README и метаданных расходится. Модель обучена на 20 трлн токенов, включая синтетические данные, материалы по математике и программированию, а также тексты на дополнительных языках. MLA сжимает KV-кэш для более эффективного инференса, а MTP может ускорять генерацию при использовании совместимых техник. Репозиторий содержит веса Safetensors; лицензия — MIT. Это базовая модель, поэтому для диалоговых сценариев и следования инструкциям предпочтительна instruct-версия.

novacardsai разработала дообученную на медицинских текстах модель Sentence Transformer на базе Alibaba-NLP/gte-large-en-v1.5. Она кодирует предложения и абзацы в плотные векторы размерности 1024, которые можно сравнивать по косинусному сходству. Модель рассчитана на семантический поиск и сопоставление медицинских текстов, а также на кластеризацию и классификацию текстов. Максимальная длина последовательности — 8192 токена; веса доступны в формате safetensors и предназначены для использования с библиотекой Sentence Transformers. В README приведён результат cosine accuracy 0,9164 на проверочной выборке med_flashcard_val. Этот показатель относится к указанной выборке и сам по себе не гарантирует качество на других медицинских данных. Модель основана на англоязычной базовой модели, а примеры обучающих данных и проверочная выборка — на английском языке. Лицензия в предоставленных данных не указана.

GutenBerg_Nyxora_magnum-v4-27b — объединённая чат-модель на базе Gemma 2, созданная сообществом mergekit-community методом линейного слияния предобученных языковых моделей. В качестве базовой использована anthracite-org/magnum-v4-27b с весом 0,25; модель DazzlingXeno/GutenBerg_Nyxora внесла вес 0,75. Репозиторий содержит веса в формате Safetensors, библиотека для работы — Transformers. Модель предназначена для генерации текста в диалоге и прозы. Размер составляет 27,6 млрд параметров, контекст — до 8192 токенов. Карточка базовой модели описывает стиль генерации как ориентированный на Claude 3 Sonnet и Opus. Данные о лицензии и конкретных языках обучения в предоставленных источниках отсутствуют.

gwen2-coder — языковая модель, разработанная пользователем harryng4869. Она создана посредством дообучения модели unsloth/qwen2.5-7b-bnb-4bit с использованием библиотек Unsloth и Hugging Face TRL. В карточке указана поддержка английского языка. Модель предназначена для задач генерации текста и может использоваться в сценариях, поддерживаемых инфраструктурой Transformers и Text Generation Inference. Архитектура, точное число параметров, размер контекстного окна, набор модальностей и данные обучения не указаны. Также отсутствуют сведения о специализированных возможностях, качестве, ограничениях и результатах тестирования. Модель распространяется по лицензии Apache-2.0.