I.2Синтез, понимание и проверка знаний

Это пакет слоёв GGUF для Mesh LLM, созданный Mesh LLM на основе unsloth/Ornith-1.0-35B-GGUF в варианте UD-Q4_K_XL. Он предназначен для распределённого запуска модели Ornith-1.0-35B на локальном кластере Mesh LLM: слои можно распределить между несколькими машинами, чтобы обслуживать модель, не размещая весь пакет на одном узле. Модель поддерживает диалоговую генерацию текста и может использоваться через локальный API Mesh LLM, совместимый с OpenAI Chat Completions. Пакет включает раздельные артефакты слоёв и общие файлы GGUF, в том числе эмбеддинги. Сведения об архитектуре, языках, контекстном окне и условиях лицензии следует сверять с карточкой исходной модели; README этого пакета их не приводит.

0xnu/pmmlv2-fine-tuned-yoruba — модель эмбеддингов Finbarrs Oketunji, дообученная на основе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 для работы с йоруба. Она использует архитектуру BERT и библиотеку Sentence Transformers; размер — 124,3 млн параметров, максимальная длина контекста — 512 токенов. Модель преобразует текст в векторные представления и предназначена для сравнения смысловой близости предложений на йоруба. Её можно применять для поиска похожих фраз и семантического поиска. Метаданные также указывают поддержку множества других языков. Лицензия — MIT. README не сообщает подробностей о данных дообучения и оценке качества.

Quan-1.8b — разговорная языковая модель с примерно 1,5 млрд параметров, созданная дообучением KnutJaegersberg/Qwen-1_8B-Llamafied на двуязычных англо-вьетнамских данных. Она использует архитектуру Llama и предназначена для генерации текста в диалоговом формате ChatML; заявленная длина контекста — до 8192 токенов. Модель подходит для чат-ответов и генерации текста на английском и вьетнамском языках. В карточке приведён результат оценки: loss 0,8096, однако подробности набора оценки и методики отсутствуют. Лицензия указана как other, поэтому условия использования следует уточнить на странице модели.

Qwen2-1.5B — базовая языковая модель с 1,5 млрд параметров из семейства Qwen2, разработанного командой Qwen. Это плотная авторегрессионная модель на архитектуре Transformer с активацией SwiGLU, смещениями в QKV-проекциях внимания и групповым запросным вниманием. Модель предназначена для дообучения и продолжения предварительного обучения; разработчик не рекомендует использовать базовую версию напрямую для генерации текста. Модель работает с текстом и использует токенизатор, рассчитанный на разные естественные языки и языки программирования. Заявленная длина контекста — до 131 072 токенов. В оценках проверялись понимание и генерация текста, вопросы и ответы, код, математика, рассуждения и многоязычные задачи, включая английский и китайский. Репозиторий содержит веса в формате safetensors. Лицензия — Apache 2.0.

Это созданная Richard Young версия Qwen2.5-1.5B-Instruct, обработанная методом abliteration с помощью Heretic v1.4.0 для уменьшения частоты отказов отвечать. Модель предназначена для диалоговой генерации текста и следования инструкциям; в карточке приведено сравнение, где она отказала в 3 из 100 случаев против 99 из 100 у исходной модели. Это изменение не гарантирует точность или безопасность ответов. Модель использует плотную авторегрессионную архитектуру Qwen2 с 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. README описывает исходную instruct-модель как многоязычную, включая русский, однако метаданные этой версии отмечают английский язык. Репозиторий использует Transformers и формат safetensors. Лицензия — Apache-2.0.

jaeyong2/Qwen2.5-1.5B-Instruct-Ja-SFT — компактная языковая модель на архитектуре Qwen2, дообученная разработчиком на базе Qwen/Qwen2.5-1.5B-Instruct. Она предназначена для генерации текста и диалогов, в первую очередь на японском и английском языках. Модель содержит 1,5 млрд параметров, использует формат Safetensors и поддерживает контекст до 32 768 токенов. В README приведены результаты оценки на llm-jp-eval: среднее значение 0,4540 для дообученной модели против 0,4343 для исходной Qwen2.5-1.5B-Instruct и 0,4315 для Gemma 2 2B Japanese IT. Эти значения относятся к конкретной оценке и не гарантируют качество на других задачах. Модель распространяется по лицензии Apache-2.0.

Карточка модели jaeyong2/Qwen2.5-7B-Instruct-Id-SFT на Hugging Face совпадает с карточкой jaeyong2/Qwen2.5-7B-Instruct-Thai-SFT, поэтому описание составлено по ней. jaeyong2/Qwen2.5-7B-Instruct-Thai-SFT — дообученная авторами репозитория на тайском языке инструктивная языковая модель на основе Qwen/Qwen2.5-7B-Instruct. Она предназначена для диалогов и генерации ответов по инструкциям; метаданные также указывают интерфейс для вызова инструментов. Модель имеет плотную архитектуру Qwen2ForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Указанные языки — тайский и английский. Модель загружается через Transformers, веса представлены в формате safetensors. Репозиторий распространяется по лицензии Apache-2.0. README не содержит дополнительных сведений о данных дообучения, оценках качества или ограничениях, поэтому пригодность для конкретного сценария следует проверять самостоятельно.

Kukedlc/Qwen-2.5-7b-Spanish-o1-CoT — плотная причинная языковая модель семейства Qwen2 с 7,1 млрд параметров, опубликованная пользователем Kukedlc на Hugging Face. Модель предназначена для генерации текста в диалоговом формате; название указывает на ориентацию на испанский язык и стиль рассуждений, однако карточка не описывает обучение или подтверждённые языковые возможности. Модель использует Transformers и формат safetensors, поддерживает контекст до 32 768 токенов и имеет интерфейсы чата и вызова инструментов. В карточке приведены результаты Open LLM Leaderboard: средний балл 28,13, IFEval — 42,10, BBH — 36,86. Лицензия Apache 2.0. Подробности о разработчике, обучающих данных и ограничениях в README отсутствуют.

mlx-community/Qwen2-VL-2B-Instruct-4bit — мультимодальная instruction-модель сообщества mlx-community, конвертированная в формат MLX из Qwen/Qwen2-VL-2B-Instruct с использованием mlx-vlm версии 0.0.13. Модель предназначена для задач, где требуется обработка изображений и текста, включая сценарии image-text-to-text и генерацию ответов по мультимодальным запросам. Модель имеет размер 2B параметров и использует 4-битное представление, что делает её ориентированной на запуск в экосистеме MLX. В карточке указаны поддержка английского языка и библиотека Transformers; другие языки, размер контекстного окна и подробности архитектуры не указаны. Для использования предлагается пакет mlx-vlm. К сильным сторонам относятся мультимодальные возможности, instruction-настройка и компактное 4-битное представление. Ограничения и возможные компромиссы квантования в карточке не описаны, поэтому качество на конкретных задачах следует оценивать отдельно. Модель распространяется по лицензии Apache-2.0.

Карточка модели siddharthsingh18/Qwen3-1.7B-Base-Polaris-GRPO-1000steps на Hugging Face совпадает с карточкой Qwen/Qwen3-1.7B-Base, поэтому описание составлено по ней. Qwen3-1.7B-Base — базовая причинно-следственная языковая модель семейства Qwen3, разработанная командой Qwen. Это плотная модель с 1,7 млрд параметров и 28 слоями, предварительно обученная для продолжения текста и построения собственных решений на её основе. Архитектура использует grouped-query attention с 16 головами запросов и 8 головами ключей и значений; контекстное окно составляет 32 768 токенов. Модель предназначена для генерации текста и дальнейшей адаптации под диалоговые и другие языковые сценарии. Обучение Qwen3 охватывало данные на 119 языках и включало код, STEM, рассуждения и длинные последовательности, однако карточка не уточняет языковое покрытие именно версии 1.7B-Base. Для работы рекомендуется актуальная версия библиотеки Transformers. Модель распространяется по лицензии Apache 2.0.

Карточка модели siddharthsingh18/Qwen3-1.7B-Base-Polaris-GRPO-step950-bestpass1 на Hugging Face совпадает с карточкой Qwen/Qwen3-1.7B-Base, поэтому описание составлено по ней. Qwen3-1.7B-Base — базовая причинно-следственная языковая модель семейства Qwen3, разработанная командой Qwen. Это плотная модель с 1,7 млрд параметров и 28 слоями, предварительно обученная для продолжения текста и построения собственных решений на её основе. Архитектура использует grouped-query attention с 16 головами запросов и 8 головами ключей и значений; контекстное окно составляет 32 768 токенов. Модель предназначена для генерации текста и дальнейшей адаптации под диалоговые и другие языковые сценарии. Обучение Qwen3 охватывало данные на 119 языках и включало код, STEM, рассуждения и длинные последовательности, однако карточка не уточняет языковое покрытие именно версии 1.7B-Base. Для работы рекомендуется актуальная версия библиотеки Transformers. Модель распространяется по лицензии Apache 2.0.

tvall43/Qwen3.5-14B-A3B-Claude-4.6-Opus-Reasoning-Distilled-reap — экспериментальная сжатая версия модели для диалогов и задач, требующих пошаговых рассуждений. Согласно карточке, она основана на дообученной Qwen3.5-35B-A3B-Claude-4.6-Opus-Reasoning-Distilled; каталог указывает архитектуру Qwen3.5 MoE, 2,9 млрд параметров и контекст до 262 144 токенов. Модель принимает текст и генерирует текст. Модель предназначена для аналитических задач, программирования, математики и логических рассуждений. Карточка описывает обучение на данных с примерами рассуждений, связанными с Claude Opus, однако приведённые тесты дают смешанные результаты: модель не справилась с созданием игры «Змейка» в одном HTML-файле после нескольких итераций, а тест с автомойкой оказался трудным. Заявления карточки об улучшении рассуждений не подкреплены независимыми оценками. Указана лицензия Apache-2.0. Это ранняя экспериментальная версия; для неё отмечены риск галлюцинаций и возможные проблемы совместимости или интеграции. Карточка рекомендует проверять ответы, особенно фактические утверждения и результаты сложных задач.

tvall43/Qwen3.5-4B-heretic — дообученная версия мультимодальной модели Qwen3.5-4B, созданная на основе Qwen/Qwen3.5-4B и опубликованная в формате Transformers. Это диалоговая модель с плотной архитектурой Qwen3.5 и поддержкой изображений; размер базовой модели — 4 млрд параметров, нативная длина контекста — 262 144 токена. Модель предназначена для диалога и понимания изображений. Автор сообщает, что применил abliteration: в приведённом сравнении доля отказов снизилась с 99 из 100 у исходной модели до 8 из 100, при KL-дивергенции 0,0361. Это указывает на существенно меньшее число отказов, но не гарантирует точность ответов или безопасность в конкретных сценариях. README описывает возможности базовой Qwen3.5, включая широкую языковую поддержку и работу с инструментами; отдельные языки и их приоритеты для этой производной версии не перечислены. Для запуска подходят Transformers и совместимые серверные движки, включая vLLM, SGLang и KTransformers. Модель распространяется по лицензии Apache-2.0.

JianhuiWei подготовил этот чекпойнт Qwen3.5-4B с помощью трёхэтапного дообучения по Pareto curriculum. Модель основана на Qwen/Qwen3.5-4B и предназначена для диалоговых сценариев с пониманием изображений и использованием инструментов; основная задача в метаданных — image-text-to-text. Чекпойнт выбран на третьем этапе обучения, на шаге 105; обучение использовало дистиллированные траектории Qwen3.5-122B с оценкой награды не ниже 0,3 и обычную невзвешенную кросс-энтропию по токенам ассистента. В репозитории есть пользовательский шаблон чата Qwen3.5 для обучения и инференса: он повторно включает непустой reasoning_content и поддерживает параллельные вызовы инструментов в формате Qwen. Для работы с SGLang шаблон следует передавать явно, чтобы сохранить соответствие формату обучения. Модель распространяется в формате safetensors; состояния оптимизатора, планировщика, тренера и генератора случайных чисел не включены. Языки, размер контекста и лицензия в предоставленных сведениях не описаны.

Qwen3.5-9B-heretic — языковая модель для генерации текста, созданная на основе Qwen/Qwen3.5-9B. Вариант подготовлен пользователем saidutta69 с применением Heretic v1.4.0 и метода directional ablation («abliteration»): целевые изменения весов подавляют поведение, связанное с отказами, без дообучения модели. Базовые знания и способность следовать инструкциям, согласно описанию, в значительной степени сохранены. Модель предназначена для диалоговых приложений, многоязычного рассуждения, генерации текста и агентских сценариев, где требуется меньше ограничений на ответы. Это модель примерно на 9,4 млрд параметров с текстовой модальностью; заявлен английский язык. Поддерживаются форматы GGUF с квантованием Q4_K_M, Q5_K_M, Q6_K и Q8_0, а также F16, запуск через llama.cpp, Ollama, LM Studio, Jan, vLLM и SGLang. Указана гибридная архитектура Qwen3.5 с linear attention. Для запуска рекомендуется GPU от 12 ГБ, а квантованные варианты подходят для потребительского оборудования и CPU-only систем. Главное отличие модели — намеренное подавление отказов; при этом автор предупреждает, что она может выполнять запросы, которые базовая модель отклоняла, включая потенциально опасные, и не содержит дополнительной фильтрации безопасности. По приведённым тестам, модель отказала в 79 из 100 вредоносных запросов против 86 у базовой версии, а KL-дивергенция от базовой модели составила 0,0015. Модель не позиционируется как улучшение возможностей Qwen3.5-9B. Лицензия унаследована от базовой модели — qwen-research-license.

Это пакет GGUF для распределённого запуска модели семейства Qwen3 через Mesh LLM. Он создан на основе unsloth/Qwen3.8-2.4T-A95B-GGUF: исходное распределение весов разделено на артефакты по слоям, чтобы выполнять инференс на локальном кластере из нескольких машин. Вариант UD-IQ4_XS использует квантизованный формат GGUF IQ4_XS. Модель предназначена для локального приватного чат-инференса, в том числе на нескольких машинах, когда полный файл модели сложно разместить на одном узле. Mesh LLM предоставляет совместимый с OpenAI интерфейс чата и генерации продолжений. Пакет не меняет назначение исходной модели, а упрощает её распределённое размещение и запуск. Репозиторий указывает лицензию «other»; конкретные условия следует сверять с карточкой исходной модели. Пакет рассчитан на запуск через Mesh LLM, а его пригодность зависит от доступных ресурсов кластера и особенностей квантизации.

Это доработанная независимым автором модель llmfan46 на основе Qwen3-VL-32B-Instruct: в ней применён метод abliteration, чтобы заметно снизить частоту отказов. Это плотная мультимодальная модель с архитектурой Qwen3-VL и 32 млрд параметров, предназначенная для диалога по изображениям и видео, распознавания текста на изображениях и визуального рассуждения. Она также принимает текстовые запросы и генерирует текстовые ответы; базовая модель заявляет контекст до 256 тыс. токенов с возможностью расширения до 1 млн и поддержку OCR на 32 языках. В тестах автора доля отказов снизилась до 4 из 100 против 99 из 100 у исходной модели. Точность на PIQA близка к исходной (92,87% против 93,09%), а на MMLU ниже (79,87% против 82,44%), поэтому изменение ограничений сопровождается некоторой потерей результатов на этом тесте. Модель распространяется по лицензии Apache-2.0. README описывает возможности и характеристики базовой Qwen3-VL; эти сведения не следует считать отдельной независимой оценкой данной доработки.

Это модель на базе XLM-RoBERTa для получения эмбеддингов предложений на болгарском языке и оценки их семантического сходства. Её обучил rmihaylov на закрытых параллельных данных на болгарском и английском языках: по подходу Sentence-BERT переведённые предложения учатся занимать близкие позиции в векторном пространстве. Модель чувствительна к регистру. Чекпойнт содержит 124,5 млн параметров, принимает текст и выдаёт векторы; максимальный контекст — 514 токенов. После обучения модель сжали методом progressive module replacing. Лицензия — MIT. Она подходит для поиска похожих болгарских предложений и сопоставления переводов; качество на других языках и задачах не подтверждено.

Sailor-14B — многоязычная языковая модель семейства Qwen2, разработанная для языков Юго-Восточной Азии. Это версия на 13,4 млрд параметров, дообученная на основе Qwen/Qwen1.5-14B; карточка описывает линейку базовых и чат-моделей Sailor, а вариант Sailor-14B предназначен для генерации текста. Модель поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Модель подходит для генерации текста, ответов на вопросы и рассуждений на индонезийском, тайском, вьетнамском, малайском и лаосском языках. README сообщает о хороших результатах в бенчмарках для задач на языках региона, но не приводит их численные значения. Лицензия — Apache-2.0.

Sailor-1.8B-Chat — диалоговая языковая модель семейства Sailor, разработанная для языков Юго-Восточной Азии. Это версия Sailor-1.8B, дообученная для следования инструкциям и общения; архитектура — плотная Qwen2 с 1,5 млрд параметров. Модель генерирует текст и поддерживает контекст до 32 768 токенов. Модель предназначена для вопросов и ответов, диалогов и рассуждений на индонезийском, тайском, вьетнамском, малайском и лаосском языках. Она также поддерживает английский и китайский. Для обучения использовались открытые наборы данных Aya и OpenOrca. Доступны веса в формате Safetensors; лицензия — Apache-2.0. Результаты зависят от языка и задачи; карточка отмечает сильные стороны в вопросах и ответах и рассуждениях на языках региона, но не приводит подробных количественных оценок. Модель может ошибаться и не заменяет проверку ответов в критичных сценариях.

AniruddhaAI дообучила модель Sentence Transformer на базе intfloat/multilingual-e5-small для поиска текстов на санскрите и сопоставления санскритских фрагментов с английскими переводами. Модель создаёт плотные векторы размерности 384 для предложений и абзацев; архитектура включает BERT, усредняющий пуллинг и нормализацию. Для сравнения векторов подходит косинусное сходство. Модель обучена на 168 783 парах текстов с использованием MultipleNegativesRankingLoss. Примеры в обучающих данных показывают поиск между санскритом и английским в обоих направлениях. Метаданные указывают контекст до 512 токенов, тогда как карточка модели задаёт максимальную длину последовательности 128 токенов; при практическом использовании следует учитывать более короткое ограничение из README. Модель принимает текст и выдаёт эмбеддинги, поэтому подходит для семантического поиска и ранжирования кандидатов по сходству. Лицензия в предоставленных данных не указана.

SenseNova-U1-8B-MoT — мультимодальная модель SenseNova на архитектуре NEO-unify, объединяющая понимание, рассуждение и генерацию текста и изображений в одной системе. Это плотная модель семейства NEOChat с 8 млрд параметров; карточка описывает нативную обработку изображений и текста без отдельных визуального энкодера и VAE, а также генерацию текста и изображений в чередующемся формате. Модель предназначена для анализа изображений, визуальных рассуждений, редактирования и создания изображений, включая инфографику, постеры и другие материалы с насыщенной информацией. Поддерживаются английский и китайский языки. Для запуска README приводит Transformers и рекомендует для производственного обслуживания связку LightLLM и LightX2V. Модель распространяется по лицензии Apache-2.0. README заявляет высокие результаты на ряде бенчмарков, однако подробные численные результаты в предоставленном тексте отсутствуют.

MaziyarPanahi/SmolLM-1.7B-Instruct-GGUF — это набор файлов модели в формате GGUF для исходной модели SmolLM-1.7B-Instruct, разработанной HuggingFaceTB и подвергнутой квантованию MaziyarPanahi. Модель предназначена для генерации текста и использования в локальных приложениях и инструментах, поддерживающих GGUF, включая llama.cpp, llama-cpp-python, LM Studio и другие совместимые среды. Известно, что модель имеет 1,7 млрд параметров и доступна в вариантах квантования с разрядностью 2, 3, 4, 5, 6 и 8 бит. Формат GGUF ориентирован на эффективный локальный запуск, включая использование GPU и интеграцию через API в некоторых поддерживаемых библиотеках. README не содержит данных о языках, размере контекста, архитектуре исходной модели, результатах тестирования, сильных сторонах и ограничениях качества, а также об условиях лицензирования. Поэтому эти характеристики нельзя определить по предоставленной информации.

SPUPER-qwen3.5-9b-acaciawl-add — дообученная мультимодальная модель семейства Qwen3.5, созданная на основе Qwen/Qwen3.5-9B с помощью TRL. Она предназначена для диалогового взаимодействия и обработки запросов с изображениями; в карточке приведён пример генерации ответа на текстовый вопрос через Transformers. Модель имеет плотную архитектуру Qwen3_5ForConditionalGeneration и распространяется в формате safetensors. Метаданные указывают на поддержку зрения и чата. Лицензия, языки и размер контекста в предоставленных данных не описаны.

SRIQ-MiniCPM5-2B-v1.6 — дообученная модель sriq-ai на базе openbmb/MiniCPM5-2B для генерации текста в формате диалога и рассуждений. Модель формирует краткие рассуждения на упрощённом китайском языке, а ответ выдаёт на языке запроса. В метаданных указаны архитектура LlamaForCausalLM с плотными весами, около 2,2 млрд параметров и контекст до 131 072 токенов; доступны интерфейсы чата и вызова инструментов. Модель обучена методом QLoRA на датасете sriq-ai/sriq-sft-v1.6: обучение охватило все 9 988 строк примерно за одну эпоху, после чего адаптер был объединён с базой и опубликован в формате bf16. Лицензия — Apache-2.0. Для конкретного выпуска бенчмарки не проводились, поэтому его качество, точность рассуждений и склонность к зацикливанию относительно базовой модели не оценены. Модель наследует ограничения базы; согласно README, отключение thinking через enable_thinking=False приводит к исчезновению следа рассуждений.

student_qwen3_1p7b_clean4b_numseq_seq_kd — дообученная модель Qwen/Qwen3-1.7B, обученная с помощью TRL. Она предназначена для генерации текста и диалоговых ответов; карточка показывает запуск через конвейер text-generation с сообщением пользователя на входе. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 1,7 млрд параметров и поддерживает контекст длиной до 40 960 токенов. Базовая Qwen3-1.7B описана как компактная многоязычная модель для генерации текста, диалогов, рассуждений, кода и выполнения инструкций; карточка этой производной модели не уточняет отдельные языки или дополнительные специализированные возможности. Файлы опубликованы в формате safetensors. Лицензия в предоставленных данных не указана; перед использованием следует проверить условия базовой модели и репозитория.

Модель wordcab/t5-small-email-summarizer разработана командой Wordcab и дообучена на базе Falconsai/text_summarization, модели семейства T5. Она предназначена для суммаризации электронных писем на английском языке и создаёт краткие однострочные или подробные пересказы по режимам summarize_brief: и summarize_full:. Модель рассчитана на обработку деловой и неформальной переписки, включая тексты с опечатками, сокращениями и разным форматированием; её можно применять для управления почтовым ящиком, разбора приглашений на встречи, первичной сортировки обращений в поддержку и пересказа рассылок. В метаданных указаны 38,5 млн параметров, архитектура T5ForConditionalGeneration, библиотека Transformers и контекст длиной до 512 токенов. Модель принимает текст письма и генерирует текстовый пересказ. Лицензия — Apache 2.0. Модель ориентирована на английский язык; она может упускать нюансы длинных цепочек писем, а автор не рекомендует использовать её для пересказа юридических и медицинских документов.

wannaphong/tongyi-model-v2.0-1b-th — дообученная плотная авторегрессионная языковая модель семейства Llama 3.2, созданная wannaphong на базе unsloth/Llama-3.2-1B с использованием Unsloth и TRL. Модель содержит 1,2 млрд параметров, сохранена в формате safetensors и предназначена для генерации текста и диалоговых сценариев. Модель работает с текстом; метаданные указывают английский язык, но README не описывает целевые сценарии или отдельные результаты обучения. Заявлена длина контекста 131 072 токена. Лицензия — Apache-2.0, допускающая использование согласно её условиям.

Карточка модели giocorte/totem-slm-rl-v3 на Hugging Face совпадает с карточкой giocorte/totem-slm-rl-v4, поэтому описание составлено по ней. giocorte/totem-slm-rl-v4 — дообученная текстовая модель giocorte на базе unsloth/Qwen3-4B. Это плотная причинно-языковая модель семейства Qwen3 с 3,7 млрд параметров, рассчитанная на генерацию текста и диалоговые сценарии; для работы предусмотрен контекст до 40 960 токенов. Карточка сообщает, что модель обучали с помощью Unsloth и библиотеки TRL от Hugging Face. Модель подходит для генерации ответов в чате и других задач, сводимых к продолжению текста. Метаданные указывают английский язык. Репозиторий содержит веса в формате Safetensors и опубликован по лицензии Apache-2.0. Специализированная область применения и результаты оценки качества в карточке не описаны.

TowerInstruct-7B-v0.1 — языковая модель Unbabel, Instituto Superior Técnico и CentraleSupélec University of Paris-Saclay, дообученная на TowerBase с использованием набора TowerBlocks. Модель построена на архитектуре Llama и содержит 6,6 млрд параметров; для хранения используются веса Safetensors, контекст — до 4096 токенов. Модель предназначена для перевода между английским, португальским, испанским, французским, немецким, нидерландским, итальянским, корейским, китайским и русским языками. Она также выполняет постредактирование машинного перевода, контекстный и терминологически управляемый перевод, распознавание именованных сущностей, исправление грамматических ошибок и перефразирование. Разработчики указывают, что качество и согласованность при переводе документов ещё улучшаются. Модель не предназначена для роли чат-бота или помощника по программированию, несмотря на обучение на диалоговых данных и инструкциях к коду. Она не выравнивалась по предпочтениям людей, поэтому может выдавать галлюцинации, вредоносный контент и недостоверные утверждения. Лицензия — CC-BY-NC-4.0; базовая модель Llama 2 распространяется по лицензии Llama 2 Community License.