I.2Синтез, понимание и проверка знаний

Josie 3B v6.0 — диалоговая языковая модель на архитектуре Qwen2, дообученная Gökdeniz Gülmez на пользовательских наборах данных. Она предназначена для генерации текста в формате беседы; карточка также заявляет интерфейс вызова инструментов. Для запросов используется шаблон с ролями system, user и assistant, при этом системный промпт не обязателен. Модель содержит 3,1 млрд параметров, поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Модель подходит для диалоговых приложений и генерации ответов. В карточке не описаны состав обучающих данных, конкретные компетенции и поддерживаемые естественные языки, поэтому нельзя оценить специализацию или качество для отдельных задач. Лицензия — Apache 2.0.

Это дообученная модель ljh728 на базе диалоговой Kakao Kanana 1.5 Instruct с 7,5 млрд параметров. Она использует архитектуру Llama и предназначена для генерации текста в формате диалога; метаданные также указывают интерфейс вызова инструментов. Модель принимает текст и генерирует текст, а контекст составляет до 32 768 токенов. Модель сохранена в формате Safetensors и распространяется по лицензии Apache-2.0. README сообщает об обучении с использованием Unsloth и библиотеки TRL, но не описывает конкретные изменения поведения, данные или результаты дообучения, поэтому специализацию Persona по имеющимся сведениям определить нельзя.

KielGen-Fast — мультимодальная модель генерации текста и работы с изображениями, дообученная на архитектуре Janus. Она предназначена для диалоговых ответов, визуального анализа и создания изображений по текстовым описаниям. Модель построена как MultiModalityCausalLM с отдельными путями визуального кодирования для понимания изображений и декодированием изображений через векторно-квантованные токены; веса представлены в формате safetensors и рассчитаны на загрузку через Transformers. Карточка указывает базовую модель deepseek-ai/Janus-Pro-7B, тогда как метаданные каталога связывают модель с deepseek-ai/Janus-Pro-1B. Поэтому точная базовая версия требует уточнения. Лицензия — MIT. Среди заявленных сценариев — ответы на вопросы об изображениях, описание сцен и генерация визуальных материалов; в метаданных основная задача обозначена как text-generation.

s5ya/Ko-Llama-3.1-8B-Lexi-Uncensored-V2 — диалоговая языковая модель на архитектуре Llama 3.1, созданная методом SLERP-смешивания моделей beomi/Llama-3-Open-Ko-8B и Orenguteng/Llama-3.1-8B-Lexi-Uncensored-V2. Репозиторий содержит веса в формате safetensors; модель насчитывает 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации текста и диалоговых ответов на корейском и английском языках. Её можно применять для ведения беседы и создания свободных ответов на запросы; метаданные также указывают интерфейс вызова инструментов. README не сообщает результаты оценок качества или подробные рекомендации по использованию. Модель распространяется по лицензии llama3.1.

KoMiniLM — компактная корейскоязычная модель семейства BERT, разработанная BM-K для снижения задержки и затрат памяти при дообучении и онлайн-инференсе. В метаданных указано 26,4 млн параметров; README также описывает версию KoMiniLM-23M. Модель основана на дистилляции KLUE-BERT: в студенческую модель переносились распределения self-attention и отношения значений внимания на нескольких слоях. Модель предназначена для извлечения признаков из корейского текста и может служить основой для задач понимания языка, включая анализ тональности, распознавание сущностей, определение сходства и перефразирования предложений, а также ответы на вопросы после дообучения. Контекст ограничен 512 токенами. README сообщает об экспериментах дообучения на корейских наборах данных, но численные результаты таблицы представлены не полностью. Файлы доступны в форматах PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

Toleng/koplak-flash-1.5b — дообученная Toleng языковая модель семейства Qwen2 на базе unsloth/Qwen2.5-Coder-1.5B-Instruct-bnb-4bit. Это плотная причинная модель с 1,5 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Репозиторий содержит веса в формате safetensors; модель обучалась с использованием Unsloth и библиотеки TRL. Размер контекста составляет 32 768 токенов. В метаданных указан английский язык, а базовая модель ориентирована на программирование. Лицензия — Apache-2.0. README не уточняет специализацию дообучения и не приводит оценки качества, поэтому пригодность для конкретных задач следует проверять отдельно.

KPT-7b-v0.2_stock — языковая модель на базе Mistral с 7,1 млрд параметров, созданная kainatq слиянием нескольких предварительно обученных моделей методом Model Stock с помощью mergekit. Базой слияния служит kainatq/Kainoverse-7b-v0.1; в состав также вошли ResplendentAI/DaturaCookie_7B, ResplendentAI/Asherah_7B, ResplendentAI/Aura_v3_7B, ResplendentAI/Persephone_7B и ChaoticNeutrals/RP_Vision_7B. Модель предназначена для генерации текста и ролевого общения. Она принимает текст и генерирует текст; заявленное контекстное окно — 32 768 токенов. В метаданных базовая модель описана как поддерживающая анализ изображений через Koboldcpp, но для этой модели указан только текстовый конвейер, поэтому мультимодальность не включена в модальности. Языки и специализированные области применения в предоставленных сведениях не обозначены. В карточке указаны формат Safetensors и тип параметров bfloat16. Лицензия не приведена в предоставленных данных. Как результат слияния, поведение и качество могут зависеть от сочетания исходных моделей; подробные оценки и ограничения не указаны.

kromvault/L3.1-Siithamo-v0.2-8B — разговорная модель на базе архитектуры Llama 3.1, созданная автором репозитория слиянием нескольких моделей семейства Llama 3 и Llama 3.1. В состав вошли Lyraea, Stheno, Niitama, Tamamo, ArliAI Formax и Gradient Llama 3 Instruct. Модель содержит 7,5 млрд параметров, предназначена для генерации текста и диалогов; заявленная длина контекста — 131 072 токена. Модель рассчитана на творческое письмо, связные развернутые ответы и выполнение инструкций. Автор отмечает разговорчивый стиль, склонность к образной и драматичной прозе и хорошее следование инструкциям. Рекомендуются шаблон L3 и настройки с высокой температурой; при базовых настройках повторения могут возникать примерно после 8 тысяч токенов, а применение DRY помогает с длинными контекстами до 32 тысяч токенов. Опубликованные файлы представлены в формате safetensors; автор также упоминает GGUF-квантизации. Лицензия в предоставленных данных не указана.

adeshkin/labse-kjh-ru-mnrl-1 — модель Sentence Transformers, дообученная автором на параллельном хакасско-русском корпусе khakas-russian-parallel-corpus. Она основана на многоязычной BERT-модели LaBSE и преобразует предложения и абзацы на хакасском и русском языках в плотные векторы размерности 768 для поиска и сравнения текстов по смыслу. Для сопоставления векторов используется косинусное сходство; модель подходит для двуязычного поиска и извлечения соответствий между хакасскими и русскими текстами. В README приведена средняя точность 0,9529 на оценке перевода, но это значение относится к указанному набору оценки и не гарантирует такое же качество на других данных. Модель принимает текст и выдаёт векторные представления. В метаданных указано максимальное контекстное окно 512 токенов, тогда как README модели сообщает ограничение 256 токенов; фактический лимит может зависеть от конфигурации, поэтому длинные тексты следует разбивать на части. Веса опубликованы в формате safetensors, библиотека — sentence-transformers. Лицензия в предоставленных сведениях не указана.

w-ahmad/LFM2.5-8B-A1B-GGUF-MoQ — GGUF-представление модели LiquidAI/LFM2.5-8B-A1B с методом сжатия Mixture of Quants (MoQ), опубликованное автором репозитория w-ahmad. MoQ распределяет разрядность по слоям и частям модели, сохраняя больше точности там, где она важнее; карточка приводит варианты примерно от 2,75 до 3,25 бит на вес и сравнительные результаты на уровне описания метода. Модель предназначена для генерации текста и диалоговых сценариев на локальном оборудовании с ограниченной памятью. Метаданные указывают поддержку чата и английский язык карточки; базовая модель описана как мультиязычная гибридная MoE-модель с контекстом до 128 000 токенов. Репозиторий лицензирован по MIT. Эффективность и качество конкретных вариантов зависят от выбранной квантизации и среды запуска; README не уточняет полную языковую поддержку именно этой сборки.

MuXodious/LFM2-8B-A1B-absolute-heresy-MPOA — экспериментальное дообучение LFM2-8B-A1B, созданное автором MuXodious с помощью abliteration-движка Heretic и метода Magnitude-Preserving Orthogonal Ablation. Это разговорная гибридная MoE-модель для генерации текста: в основе архитектуры LFM2 сочетаются короткие свёрточные блоки и слои внимания. В README указаны 8,3 млрд общих параметров и 1,5 млрд активных параметров; метаданные репозитория указывают 1,4 млрд параметров. Контекст — до 128 000 токенов. Модель предназначена для диалогов, следования инструкциям и сценариев, где требуется ослабить отказы: в тесте автора число отказов снизилось с 91 до 8 из 100 при KL-дивергенции 0,0213. Это тестовые показатели процесса abliteration, а не гарантия качества в других задачах. Базовая LFM2 ориентирована на локальное выполнение, извлечение данных, RAG, творческое письмо и агентные задачи; её README не рекомендует полагаться на неё для задач с высокими требованиями к знаниям или программированию. Карточка указывает поддержку английского, арабского, китайского, французского, немецкого, японского, корейского и испанского языков, а также необходимость Transformers версии 5.0.0 или выше для взаимодействия. Лицензия обозначена как other, поэтому условия использования следует уточнять в репозитории.

LiquidAI/LFM2-VL-3B-GGUF — мультимодальная vision-language модель семейства LFM2-VL, разработанная Liquid AI для работы на периферийных устройствах и локального развертывания. Модель предназначена для задач преобразования изображений и текста в текст, включая анализ визуального содержимого и генерацию ответов по изображениям, с акцентом на сочетание качества, скорости и экономичного использования памяти. Модель распространяется в формате GGUF, совместимом с llama.cpp, и доступна в вариантах F16, Q4_0 и Q8_0, что позволяет выбирать между точностью, скоростью инференса и требованиями к ресурсам. Указан размер 3B; поддерживаются английский, японский, французский, испанский, немецкий, итальянский, португальский, арабский, китайский и корейский языки. Размер контекста и подробности архитектуры в предоставленной карточке не указаны. Сильными сторонами модели являются мультимодальность, ориентация на edge-сценарии, возможность локального запуска и наличие вариантов квантования. Ограничения включают отсутствие в карточке подробных результатов оценки, характеристик контекста и точных требований к аппаратному обеспечению. Модель выпускается по лицензии lfm1.0; дополнительные условия следует уточнять в файле LICENSE и оригинальной карточке базовой модели LiquidAI/LFM2-VL-3B.

Daring Fortitude — плотная языковая модель семейства Llama 2 с 12,9 млрд параметров, созданная sequelbox на основе Llama 2 13B. Модель дообучена на открытых данных для улучшения технических знаний и общих возможностей; её основная задача — генерация текста, а нативный контекст составляет 4096 токенов. Модель предназначена прежде всего как улучшенная относительно исходной Llama 2 13B база для дальнейшего дообучения. Её можно использовать для экспериментов с языковыми моделями и генерацией ответов на технические вопросы, но автор не рекомендует применять её напрямую как производственную чат-модель. Модель выпущена в формате safetensors по лицензии Llama 2.

Llama-3-11b-Instruct-RP_GLUED — дообученная athirdpath модель семейства Llama для генерации текста и диалоговых ответов. Она обучалась 2,28 эпохи на закрытом наборе из 8 тысяч примеров с использованием Unsloth и TRL и использует формат запросов L3. Модель содержит 10,6 млрд параметров, построена на архитектуре LlamaForCausalLM и рассчитана на контекст до 8192 токенов. В карточке указана поддержка английского языка. Лицензия в метаданных — Llama 3; README отдельно указывает Apache-2.0, поэтому условия лицензирования в источниках расходятся.

VIRNECT разработала разговорную языковую модель на архитектуре Llama 3, дообученную на базе MLP-KTLim/llama-3-Korean-Bllossom-8B. Модель содержит 7,5 млрд параметров и рассчитана на генерацию текста в диалоговом формате; карточка также указывает обучение на данных AI Hub для улучшения работы с корейским языком. Модель принимает текст и генерирует текст. Указанная длина контекста — 8192 токена. В метаданных отмечены корейский и английский языки. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия указана как llama3.

4yo1/llama3-pre1-pre2-ds-lora3-mergkit-base — текстовая модель на архитектуре Llama, опубликованная 4yo1. В метаданных указано 7,4 млрд параметров и контекст 8192 токена; README округляет размер до 8 млрд. Модель доступна в формате safetensors и рассчитана на английский и корейский языки. Основная задача по карточке Hugging Face — перевод; метаданные каталога также указывают генерацию текста. Модель подходит для перевода между английским и корейским, а также для текстовых диалогов и генерации. README упоминает датасеты pre и 140kgpt, но не уточняет метод обучения или качество на конкретных задачах. Лицензия — MIT. Ограничения: карточка не описывает направление перевода, результаты оценки качества или специальные ограничения применения.

Это дообученная модель KKHYA на базе KKHYA/llavaqwen3-1.7b-finetune, предназначенная для генерации текста и диалогов. Модель содержит 1,7 млрд параметров, использует архитектуру NMMaskMoELLaVAQwen3 и рассчитана на контекст до 40 960 токенов. Доступны веса в форматах PyTorch и safetensors, а интерфейс поддерживает чат и вызов инструментов. Модель можно использовать для генерации ответов в диалоге и интеграции в приложения с текстовым вводом и выводом. Датасет дообучения и результаты оценки не описаны, поэтому качество для конкретных задач не подтверждено. Лицензия — Apache-2.0.

Модель KKHYA/llavaqwen3-1.7b-finetune-nm-mask-moe-sparse-4e-2k-2of4-imp-replay-sd3_20260812_063339 — дообученная версия KKHYA/llavaqwen3-1.7b-finetune с 1,7 млрд параметров. Она использует архитектуру NMMaskMoELLaVAQwen3ForCausalLM и предназначена для генерации текста и диалогов; заявлена возможность интерфейса вызова инструментов. Модель доступна в форматах PyTorch и Safetensors, работает с библиотекой Transformers и поддерживает контекст до 40 960 токенов. Репозиторий указывает лицензию Apache-2.0. Данные обучения и конкретные ограничения в карточке не описаны.

Lumma-0.6B-Instruct — компактная плотная языковая модель компании FrontiersMind для следования инструкциям и диалоговой генерации текста. Она основана на Lumma-0.6B-Base, предварительно обучена с нуля на 1 трлн токенов, а затем дообучена на инструкциях и с помощью Direct Preference Optimisation; это чекпойнт до этапа обучения с RL. В репозитории указаны 800,5 млн параметров, контекст до 12 288 токенов и формат safetensors. Модель предназначена для приложений с ограниченными вычислительными ресурсами и ориентирована прежде всего на надёжное выполнение инструкций на английском и десяти индийских языках: хинди, бенгальском, тамильском, телугу, маратхи, гуджарати, каннада, малаялам, панджаби и одия. В README отмечены также возможности в математике и программировании, но основная цель — эффективное следование инструкциям; авторы сообщают о сравнительных результатах на тестах, однако численные показатели здесь не приведены. Модель распространяется по лицензии Apache-2.0. Её небольшой размер рассчитан на ресурсно-ограниченные среды, но карточка не приводит конкретных требований к оборудованию или гарантий качества; текущий вариант обозначен как чекпойнт до RL-обучения.

M3E-small — компактная модель текстовых эмбеддингов, обученная MokaAI на крупных наборах пар текстов. Она основана на архитектуре BERT и содержит 27,6 млн параметров; модель преобразует текст в плотные векторы и предназначена прежде всего для китайских текстов. Модель подходит для оценки сходства предложений, поиска похожих вопросов и семантического поиска по текстам. README указывает на обучение на китайских данных из разных областей и описывает поддержку английского в серии M3E, однако сравнительная таблица для версии small отмечает поддержку китайского, но не английского. Поэтому для этой версии следует ориентироваться на китайский язык. Максимальная длина контекста — 512 токенов; модель доступна в формате PyTorch и совместима с Sentence Transformers. В README приведены результаты оценки на задачах классификации и поиска, но качество зависит от набора данных и сценария. Для M3E-small отмечены ограничения в поиске между текстом запроса и фрагментом документа и отсутствие поиска по коду. Метаданные и предоставленный фрагмент README не содержат сведений о лицензии.

Magnum v3 34B — разговорная языковая модель Anthracite, девятая в серии моделей, настроенных на воспроизведение качества прозы Claude 3 Sonnet и Opus. Это полноразмерное дообучение Yi-1.5-34B-32K с архитектурой LlamaForCausalLM: модель содержит 33,9 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации диалоговых ответов и связной прозы, в том числе в сценариях ролевого общения. Она настроена на формат ChatML; в README рекомендована настройка min_p 0,2 для генерации. Модель использует только текстовый ввод и выдаёт текст. Модель распространяется по лицензии Apache-2.0. Результаты оценки на Open LLM Leaderboard приведены в карточке, но сами по себе не гарантируют качество в конкретных задачах. Подробности о безопасности и практических ограничениях в карточке не раскрыты.

MedEmbed Biomedical MRL — англоязычная модель Sentence Transformer на базе BERT, дообученная для семантического поиска по биомедицинским текстам. Она преобразует предложения и абзацы в нормализованные плотные векторы размерности 384; для сравнения используется косинусное сходство. Модель обучена на 4 012 парах запросов и релевантных текстов с функцией потерь MultipleNegativesRankingLoss. Модель подходит для семантического поиска и сопоставления биомедицинских вопросов с текстами, а также для поиска перефразировок, кластеризации и классификации на основе эмбеддингов. Максимальная длина входа — 512 токенов. В README приведены результаты оценки на наборе medembed-small, однако они не гарантируют качество на других данных. Модель распространяется по лицензии Apache-2.0.

Sam2x/Mistral_OpenArabic_v0.2 — арабоязычная разговорная модель на архитектуре Mistral, обученная разработчиком на различных арабских наборах данных. Она предназначена для генерации текста и диалоговых сценариев на арабском языке; в метаданных также отмечена поддержка английского. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка не приводит оценок качества или подробных ограничений; результаты могут зависеть от арабского диалекта и конкретной задачи.

Mistral-Small-24B-Instruct-2501-reasoning-GGUF — это квантованное представление в формате GGUF модели Mistral-Small-24B-Instruct-2501-reasoning, разработанной yentinglin и преобразованной пользователем brittlewis12. Модель создана на базе Mistral-Small-24B-Instruct-2501 и дообучена для усиления способностей к математическому рассуждению на наборах данных OpenR1-Math-220k, s1K-1.1 и связанных данных в формате TRL. Она предназначена для генерации текста, решения математических задач и сценариев, где требуется пошаговое рассуждение. Заявлен английский язык и текстовая модальность; размер модели — 24 млрд параметров. Формат GGUF ориентирован на локальный запуск с совместимыми инструментами, включая llama.cpp. Сведения о размере контекстного окна в README отсутствуют. Среди сильных сторон — специализация на математическом reasoning и высокие результаты исходной модели в приведённых оценках: 95,0 на MATH-500, 53,33 на AIME 2025, 66,67 на AIME 2024 и 62,02 на GPQA Diamond. Эти показатели относятся к исходной модели и не обязательно полностью характеризуют конкретную квантованную сборку. Ограничениями являются отсутствие данных о конкретном типе и уровне квантования, требованиях к памяти и производительности, поддерживаемых языках помимо английского и контекстном окне. В метаданных указана лицензия Apache-2.0.

sdiazlor/modernbert-embed-base-biencoder-human-rights — англоязычная модель Sentence Transformers, дообученная на базе nomic-ai/modernbert-embed-base для поиска и сравнения фрагментов о правах человека. ModernBERT преобразует предложения и абзацы в нормализованные плотные векторы размерности 768; сходство между ними оценивается косинусной мерой. Максимальная длина входной последовательности — 8192 токена. Модель подходит для семантического поиска по документам о правах человека, сопоставления похожих фрагментов, поиска перефразировок, кластеризации и классификации текста. В README приведён результат cosine accuracy 0,9819 на оценке TripletEvaluator; оценочный набор содержит 166 примеров. Это значение относится к указанной оценке и не гарантирует такую же точность на других данных. Модель принимает текст и выдаёт эмбеддинги. Разработчик — пользователь Hugging Face sdiazlor; лицензия Apache-2.0 разрешает использование на её условиях.

Это модель Sentence Transformers на базе MuRIL и архитектуры BERT, дообученная для получения векторных представлений предложений и абзацев. Разработчик указан в идентификаторе и карточке модели как pritamdeka. Модель преобразует текст в плотные векторы размерности 768; для сравнения векторов используется косинусное сходство. Модель предназначена прежде всего для оценки семантического сходства на ассамском языке, а также для семантического поиска, поиска перефразировок, кластеризации и классификации текста. Максимальная длина входной последовательности — 512 токенов. В README приведены результаты оценки сходства на переводных наборах STS для ассамского языка. Модель принимает текст и выдаёт векторы; качество зависит от соответствия входных данных ассамскому языку и задачам, на которых её обучали и оценивали. Лицензия в предоставленных данных не указана.

NCP-ArchPreview 8.9B Stage 2 V3 — базовая авторегрессионная языковая модель, разработанная командой NCP в Shanghai AI Lab и LUMIA Lab Шанхайского университета Цзяо Тун. Это продолженное предобучение Stage 1 на Dolma 3 Dolmino в рамках второго этапа учебного курса OLMo-3. Модель объединяет предсказание следующего токена (NTP) и следующего концепта (NCP); архитектура сохраняет 16-слойный энкодер, 8-слойный модуль концептов и 16-слойный декодер. В репозитории указаны около 9 млрд параметров, контекст 8192 токена, формат Safetensors и использование Transformers. Модель предназначена для генерации продолжений текста, оценки языковых моделей, исследований латентных концептов и дальнейшей адаптации. В отчёте приведены результаты по математике, общим знаниям, программированию и рассуждениям, однако точные показатели зависят от варианта Stage 2 и протокола оценки; таблицы рецептов показывают, что V3 уступает V1 на нескольких задачах, включая HumanEval, MBPP и MATH-500. Это базовая модель без диалогового выравнивания: она может выдавать неточные, предвзятые или вредоносные ответы, а возможности за пределами контекста 8192 токена отдельно не подтверждены. Лицензия — Apache 2.0.

Это конверсия модели allenai/OLMo-2-0425-1B в формат MLX, подготовленная SirSahOl для локального инференса на GPU компьютеров Apple Silicon. Модель относится к семейству OLMo 2, использует плотную архитектуру причинного языкового моделирования и содержит около 1,3 млрд параметров по метаданным. Контекст — 4096 токенов; веса представлены в 16-битном формате bfloat16 и хранятся в safetensors. Указанная в README оценка активной памяти составляет около 2,6 ГБ. Модель предназначена для генерации текста, локального чата и быстрых дополнений; README также описывает сценарии кодирования и вызова инструментов. Основной язык — английский. Формат ориентирован на Apple Silicon и требует MLX-совместимого окружения. Лицензия — Apache-2.0. Указанные в README ограничения для последовательностей длиннее 32K токенов относятся к общим рекомендациям по памяти и превышают заявленное контекстное окно этой модели.

DoeyLLM/OneLLM-Doey-V1-Llama-3.2-1B-it — языковая модель DoeyLLM, дообученная с помощью LoRA на базе Meta Llama 3.2 1B Instruct на собственном наборе данных для приложения OneLLM. Это плотная авторегрессионная архитектура Llama с 1,2 млрд параметров; метаданные указывают контекст до 131 072 токенов, тогда как карточка описывает обучение и применение с последовательностями до 1 024 токенов. Модель предназначена для диалогов, ответов на вопросы и выполнения инструкций, а также оптимизирована для работы с инструментарием приложения OneLLM. Модель можно использовать для чат-ботов и диалоговых агентов, ответов на запросы и обработки структурированных инструкций. Карточка также описывает локальный офлайн-сценарий на мобильных устройствах через OneLLM и запуск на ПК с Transformers. Репозиторий содержит веса Safetensors, библиотека — Transformers. Лицензия — Apache 2.0. Карточка не приводит результаты оценивания качества или подробности состава обучающих данных. Указанные в ней 1 024 токена расходятся с контекстом 131 072 токена из метаданных; для развёртывания следует учитывать ограничения конкретного приложения и конфигурации.

OpenBuddy 由 OpenBuddy 团队开发，是基于 Meta Llama 3 的多语言聊天模型，底座为 Llama-3-8B-Instruct。 Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, рассчитанная на генерацию текста в формате диалога; карточка указывает контекст до 131 072 токенов. Репозиторий содержит веса в формате safetensors и предназначен для использования с Transformers или vLLM. Модель подходит для диалоговых ответов и генерации текста на английском и китайском языках; в метаданных также перечислены французский, немецкий, японский, корейский, итальянский и финский. Карточка описывает формат промптов и возможность развернуть API, совместимый с OpenAI, через vLLM. Лицензия обозначена как other, а README ссылается на условия использования и предупреждения OpenBuddy. Модель может выдавать ошибочные, вредные или оскорбительные ответы. Разработчики предостерегают от применения в критических и высокорисковых сценариях, включая медицину и важные финансовые или юридические решения; качество генерации на перечисленных в метаданных дополнительных языках отдельно не охарактеризовано.