I.2Синтез, понимание и проверка знаний

ettin-reranker-68m-v1 — англоязычный кросс-энкодер семейства Ettin, разработанный авторами проекта Ettin и дообученный на jhu-clsp/ettin-encoder-68m с использованием sentence-transformers и набора cross-encoder/ettin-reranker-v1-data. Модель оценивает пару текстов одним числовым баллом, чтобы ранжировать кандидатов по релевантности запросу; её применяют в семантическом поиске и как второй этап двухэтапного поиска после первичного отбора документов. Модель основана на архитектуре ModernBERT, содержит 68,1 млн параметров и обрабатывает последовательности длиной до 7 999 токенов. Она принимает и выдаёт текстовые данные, поддерживает английский язык. Доступны веса в форматах safetensors, ONNX и OpenVINO; для работы указана библиотека sentence-transformers. В README приведены положительные результаты на ряде задач reranking, а также высокая скорость на GPU, однако качество зависит от области и набора кандидатов: на некоторых тестах reranking ухудшал метрики. Лицензия — Apache-2.0.

first_mistral — языковая модель Castorini, дообученная на основе mistralai/Mistral-7B-Instruct-v0.3 для ранжирования списков документов. Она использует стратегию FIRST и принимает решение по логитам первого токена, чтобы повысить эффективность ранжирования при сохранении качества. Модель обучена на 40 тысячах примеров ранжирования, размеченных GPT-4 и взятых из RankZephyr. Модель предназначена для переупорядочивания результатов поиска и других задач, где нужно выбрать наиболее релевантные документы из списка. В описанной авторами оценке она превосходит исходную реализацию FIRST на большинстве подмножеств бенчмарка BEIR. Это плотная архитектура Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; основной язык — английский. Лицензия MIT.

mlx-community/functiongemma-270m-it-bf16 — преобразованная в формат MLX версия компактной текстовой модели Google FunctionGemma 270M Instruct. Она построена на плотной архитектуре Gemma 3 и предназначена для генерации текста в диалогах, включая сценарии вызова функций и создания специализированных локальных агентов после дообучения. Модель содержит 257 млн параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors для использования с библиотекой MLX. Лицензия — Gemma. Карточка описывает конвертацию исходной модели google/functiongemma-270m-it; отдельные сведения о дополнительном дообучении этой версии отсутствуют.

deepset/gelectra-large-germanquad — немецкоязычная модель ответов на вопросы от deepset, построенная на GELECTRA Large и дообученная для извлечения ответов из текста. Она предназначена для поиска ответа на вопрос в предоставленном документе или наборе документов, в том числе в конвейерах Haystack и Transformers. Модель обучали на 11 518 парах вопрос–ответ из GermanQuAD; перед дообучением использовали немецкий перевод SQuAD 1.1. Архитектура — ElectraForQuestionAnswering, размер — 434,5 млн параметров, максимальная длина контекста — 512 токенов. Модель принимает текст на немецком языке и выдаёт извлечённый из него фрагмент ответа. Лицензия модели — MIT. Она рассчитана на экстрактивный QA: ответ должен присутствовать в контексте, поэтому модель не предназначена для свободной генерации ответов или надёжного ответа без предоставленного текста. Оценка в карточке приведена на тестовой выборке GermanQuAD.

German_Semantic_V3 — модель эмбеддингов предложений, созданная Аароном Чиббом на основе gbert-large от deepset. Она предназначена для получения векторных представлений немецких текстов и сравнения их семантической близости, в том числе для длинных текстов и запросов о Германии. Модель использует архитектуру JinaBert и CLS-пулинг; объём параметров — 434,5 млн, контекст — до 8192 токенов. Модель обучена только для немецкого языка и рассчитана на тексты с немецким культурным контекстом. Matryoshka-обучение позволяет сокращать размер эмбеддингов с 1024 до 64 измерений; при уменьшении размерности качество может снижаться. По README, V3 лучше подходит для длинных текстов и учитывает более новые события, но уступает версии V3b в некоторых бенчмарках; численные результаты оценки пока не приведены. Лицензия — Apache 2.0.

GLInt — англоязычная модель извлечения документов с поздним взаимодействием токенов, разработанная как дообучение LateOn-unsupervised. Модель использует архитектуру ModernBERT и содержит 149 млн параметров. Она формирует 128-мерные векторы для токенов и сопоставляет запрос с документом по MaxSim, учитывая до 32 токенов запроса и до 300 токенов документа; длина контекста составляет 8192 токена. Модель предназначена для поиска релевантных документов и сопоставления предложений в информационном поиске и RAG-системах. Обучение включало настройку на сложных негативных примерах для MaxSim-поиска и дистилляцию ранжирования от jinaai/jina-reranker-v3.5. В README приведены результаты оценки на наборах BEIR, но заявленные показатели относятся к описанным там экспериментам. Для работы доступны Sentence Transformers и PyLate; для поиска по крупным корпусам README рекомендует late-interaction-движок, например PyLate/PLAID. Модель рассчитана на английский язык. Лицензия — Apache-2.0.

Huihui-Qwen3-VL-30B-A3B-Instruct-abliterated — мультимодальная диалоговая модель Huihui AI на базе Qwen3-VL-30B-A3B-Instruct от Qwen. Это дообученная версия с ослабленными отказами: abliteration применена к текстовой части, а обработка изображений не изменялась. Модель принимает текст и изображения и предназначена для диалога, анализа изображений и видео, распознавания текста на изображениях и пространственных рассуждений; также поддерживает интерфейс вызова инструментов. Архитектура относится к семейству Qwen3 VL MoE, веса доступны в формате safetensors для Transformers. Ослабление защитных отказов может приводить к чувствительным, спорным или неподходящим ответам, поэтому результаты следует проверять. Лицензия — Apache-2.0.

LLaDA2.2-flash-uncensored — вариант inclusionAI/LLaDA2.2-flash, опубликованный Mithril (Kotoba Labs Inc.). Веса совпадают с базовой моделью; вариант меняет шаблон чата, который автоматически добавляет в системный блок директиву против отказов и оговорок. Модель предназначена для генерации текста в диалогах и агентных сценариях, включая многошаговое использование инструментов, работу с длинным контекстом и исправление ошибок в последовательностях. Это диффузионная языковая модель семейства LLaDA2 с архитектурой MoE и 5,5 млрд параметров по метаданным. Она принимает текст, поддерживает диалоги и контекст до 131 072 токенов. Механизм Levenshtein Editing с токенами DELETE и INSERT позволяет удалять и вставлять фрагменты при генерации. Модель рассчитана на Transformers или SGLang; для Transformers в README рекомендован режим trust_remote_code=True. Лицензия — Apache-2.0. Шаблон uncensored меняет поведение отказов, но не сами веса базовой модели. В README отмечено, что слишком низкие пороги денойзинга могут усиливать повторы и нестабильность вывода; для базовой модели также указано, что она не обслуживается через HF Inference Providers. Языки модели в карточке не определены.

AI Sweden Models дообучила эту плотную языковую модель семейства Llama 3 на базе AI-Sweden-Models/Llama-3-8B. Модель содержит 7,5 млрд параметров, предназначена для генерации текста и поддерживает диалоговый режим; заявленные языки — шведский, датский и норвежский. Контекст составляет до 8192 токенов. Модель подходит для диалогов и генерации текстов на этих языках. Обучение проводилось на суперкомпьютере LUMI в рамках проекта DeployAI EU. Модель распространяется по лицензии Llama 3; условия лицензии следует соблюдать при её использовании.

MFANNv0.11 — языковая модель семейства Llama, дообученная автором netcat420 на наборе данных MFANN. Это плотная модель с архитектурой LlamaForCausalLM и 7,5 млрд параметров; карточка описывает полный вариант весов без квантизации, а файлы представлены в формате safetensors. Модель предназначена для диалоговых ответов и классификации текста; в README приведён системный промпт, задающий полезный, уважительный и честный стиль ответов. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 8192 токенов. Она распространяется по лицензии Llama 3. Карточка не приводит оценки качества и не уточняет ограничения набора данных MFANN, поэтому пригодность для конкретных сценариев следует проверять отдельно.

ritulk/MPNET-fine-tuned-political-clustering — текстовая Sentence Transformer модель на архитектуре MPNet, дообученная на базе microsoft/mpnet-base на датасете projecte-aina/sts-ca. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Модель использует усреднение токенных представлений и косинусное сходство; её контекст составляет до 512 токенов по карточке модели и 514 токенов по метаданным. Обучение на каталонском датасете семантического сходства и указанные языки en и ca делают её подходящей прежде всего для английского и каталонского текста. Лицензия Apache-2.0. Показатели оценки в README различаются между наборами данных; результаты могут зависеть от языка и предметной области, поэтому качество для русского и политической тематики не подтверждено приведёнными данными.

zelk12 выпустила диалоговую модель MT4-Gen3-MM-gemma-2-Rv0.4MT4g2-9B — слияние двух предварительно обученных языковых моделей методом SLERP с помощью mergekit. В состав вошли zelk12/MT4-Gen2-gemma-2-9B и recoilme/recoilme-gemma-2-9B-v0.4. Модель построена на плотной архитектуре Gemma 2 с 9 млрд параметров и контекстом до 8192 токенов; карточка указывает поддержку общения в чате и генерации текста. Модель предназначена для диалоговой генерации текста и может использоваться в чат-ботах и для создания текстовых ответов на запросы. Репозиторий указан в формате safetensors и использует библиотеку Transformers. Сведения о лицензии, языковом охвате и специальных ограничениях качества в предоставленных материалах отсутствуют.

Multilingual Zero-Shot Classifier large — модель классификации текста без дополнительного обучения, разработанная Horizon Labs. Она сопоставляет текст с заданными пользователем метками через оценку логического следования и подходит для тематической классификации, определения намерений и других задач в стиле NLI. Модель основана на BGE-M3 и архитектуре XLM-RoBERTa; в метаданных указано 658,7 млн параметров. Принимает текст на многих языках, но метки и шаблон гипотезы рекомендуется задавать на английском. Заявлен контекст до 8194 токенов, хотя до 1024 токенов модель дообучалась. Доступны веса safetensors и формат ONNX; лицензия Apache-2.0. Модель предназначена для многоязычной классификации с произвольным набором меток без обучения на конкретной таксономии. Среди сильных сторон — широкий охват языков и возможность применять единый интерфейс zero-shot classification к разным задачам. Качество зависит от формулировок меток и шаблона: общие метки могут преобладать над конкретными, а близкие категории путаться. На языках с меньшими обучающими ресурсами качество ниже; существенная часть обучающих данных синтетическая или машинно-переведённая.

MyAwesomeModel — модель семейства BERT для извлечения признаков из текста, опубликованная в репозитории dfdfdgghh677/MyAwesomeModel-TestRepo. Она предназначена для получения векторных представлений текста, которые могут использоваться в последующих задачах анализа и машинного обучения. Модель работает с библиотекой Transformers и фреймворком PyTorch. В метаданных указана задача feature-extraction и архитектурный тег BERT; размер модели, поддерживаемые естественные языки и длина контекста не указаны. README также описывает возможности генерации текста, рассуждений, function calling и работы с веб-поиском, однако эти сведения не согласуются с указанным в метаданных pipeline-тегом и не подтверждают назначение модели как генеративной. Модель распространяется по лицензии MIT. Для практического применения следует проверить конфигурацию, токенизатор и фактическое поведение модели перед использованием в продуктивных системах.

TSalpha выпустил квантованный вариант Ornith-1.5-35B-A3B с миксом уровней квантования и методом REAP-50, рассчитанный на запуск на видеокартах с 12 ГБ памяти. Это MoE-модель для генерации текста и диалогов; исходная модель — ornith-ai/Ornith-1.5-35B-A3B, а в README также указан вариант Ttimms/Ornith-1.5-35B-A3B-REAP-50-bf16. Репозиторий содержит веса в формате GGUF для llama.cpp. В README заявлена работа с контекстом до 256K токенов при соответствующих параметрах запуска и приведены результаты сравнения perplexity с исходной моделью и другими вариантами квантования. По данным автора, файл IQ4_XS занимает 7,39 ГиБ; тестирование проводилось на ноутбучной RTX 5070 Ti с 12 ГБ памяти. Модель подходит для диалогов и агентного программирования, однако скорость и качество зависят от оборудования и выбранных параметров. Лицензия — MIT.

Msoldier-ai/parsbert-qa — модель для извлечения ответов на вопросы из предоставленного текста. Согласно карточке, это дообученная ParsBERT для персидского экстрактивного QA: она находит в контексте начальную и конечную позиции фрагмента ответа. Модель относится к архитектуре BERT и содержит 190 млн параметров; максимальная длина контекста — 512 токенов. Модель предназначена для поиска точных ответов в документах и системах вопросов-ответов с передачей контекста, включая сценарии RAG. В README приведены результаты на персидском наборе PQuAD: Exact Match 73,47% и F1 86,28%. Она подходит для ответов, явно содержащихся в тексте, но может ошибаться в границах фрагмента, пропускать неявные ответы или выбирать ответ там, где данных недостаточно. Лицензия — MIT.

Qwen2.5-0.5B-Instruct — компактная плотная авторегрессионная языковая модель семейства Qwen2.5 с примерно 494 млн параметров, подготовленная FuriosaAI для запуска на ускорителе RNGD через Furiosa-LLM. Это предварительно скомпилированная сборка базовой инструктивной модели Qwen/Qwen2.5-0.5B-Instruct; она сохраняет её назначение для генерации текста и диалогов, выполнения инструкций и вызова инструментов через парсер Hermes. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов и работает в исходной точности 16 бит без квантизации. Сборка ориентирована на лёгкое развертывание с низкой задержкой: на RNGD используется параллелизм по тензорам с размером 4 PE, что позволяет разместить модель на одной карте. Карточка указывает многоязычную поддержку, а метаданные отмечают английский язык. Лицензия — Apache 2.0. Как компактная модель, она может уступать более крупным моделям в сложных задачах; запуск этой сборки рассчитан на Furiosa-LLM и оборудование FuriosaAI RNGD.

lucaswychan/Qwen2.5-Math-1.5B-Reasoning-Embedding — мультиязычная модель эмбеддингов на базе decoder-only архитектуры Qwen2.5-Math-1.5B, дообученная контрастивным обучением. Она преобразует текст в векторные представления для сравнения семантического сходства предложений и может использоваться как компонент поиска по смыслу или ранжирования текстов. Модель содержит 1,5 млрд параметров, принимает контекст длиной до 4096 токенов и распространяется в формате safetensors; для загрузки через Sentence Transformers или Transformers в карточке рекомендуется включить trust_remote_code. Авторы исследуют, дают ли языковые модели, обученные рассуждению с проверяемыми наградами, более качественную основу для эмбеддингов. Описанные эксперименты на MTEB и BRIGHT не выявили устойчивого преимущества такой инициализации над базовой моделью при одинаковом обучении эмбеддингов. Модель выпущена под лицензией Apache-2.0. README не приводит численных результатов именно этого чекпойнта или подробной оценки его языкового покрытия.

Qwen2-VL-72B — базовая предварительно обученная мультимодальная модель семейства Qwen2-VL, разработанная командой Qwen. Она содержит 71,5 млрд параметров и предназначена для понимания изображений и видео по текстовым запросам, включая визуальные вопросы и ответы, диалог по содержимому видео, анализ документов и создание описаний. Модель не проходила настройку инструкциями, поэтому для диалоговых сценариев может потребоваться дополнительная настройка. Архитектура — плотная Qwen2-VL с классом Qwen2VLForConditionalGeneration. Она обрабатывает изображения произвольного разрешения с динамическим числом визуальных токенов и использует M-ROPE для позиционной информации текста, изображений и видео. Видеосценарии включают анализ роликов длительностью более 20 минут. Контекст — до 32 768 токенов. Модель понимает текст на изображениях на английском, китайском и ряде других языков, включая европейские языки, японский, корейский, арабский и вьетнамский. Модель подходит для визуального анализа и мультимодальных сценариев, однако заявленные высокие результаты приведены в карточке без подробностей об условиях оценки. Для запуска потребуется значительный объём вычислительных ресурсов из-за размера модели. Лицензия указана как other; конкретные условия использования следует проверить в репозитории модели.

Qwen3-1.7B-Base — плотная авторегрессионная языковая модель семейства Qwen3, представленная командой Qwen и опубликованная в репозитории Unsloth как производная от Qwen/Qwen3-1.7B-Base. Это базовая модель на стадии предобучения, рассчитанная на генерацию текста и создание специализированных языковых решений. Модель содержит 1,7 млрд параметров, 28 слоёв и поддерживает контекст до 32 768 токенов. Предобучение семейства Qwen3 охватывает 119 языков и включает материалы по программированию, STEM, логике и общим знаниям. Модель работает с текстом и использует архитектуру Qwen3ForCausalLM; для работы рекомендуется актуальная версия библиотеки Transformers, поскольку версии ниже 4.51.0 не распознают архитектуру Qwen3. Репозиторий содержит веса в формате Safetensors. Модель подходит как основа для продолжения обучения, адаптации и генерации текста. Это базовый чекпойнт, а не готовый диалоговый ассистент, поэтому качество следования инструкциям и диалоговые возможности зависят от последующей настройки. Лицензия Apache-2.0.

Alittlehammmer/Qwen3.6-35B-A3B-DFlash-GGUF-llama.cpp — это набор квантованных GGUF-версий модели z-lab/Qwen3.6-35B-A3B-DFlash, подготовленный Alittlehammmer для использования с llama.cpp. Модель предназначена для генерации текста, включая сценарии агентного программирования, а также может применяться в локальных приложениях и серверных решениях на базе llama.cpp. Доступны варианты квантования Q4_K_M, Q5_K, Q6_K, Q8_0 и BF16 с разрядностью от 4 до 16 бит и ориентировочным размером от 235 до 771 МБ. Q8_0 описан как вариант с высочайшим качеством, близким к исходному, а BF16 — как эталонный файл полной точности. В README не указаны архитектурные детали исходной модели, поддерживаемые языки, длина контекста, мультимодальные возможности и результаты бенчмарков. Для работы модель следует использовать совместно с соответствующими квантованными версиями Qwen3.6 и настроить llama-server для speculative decoding с параметрами DFlash. Более сильное квантование обычно требует больше памяти, но лучше сохраняет качество; точные требования к оборудованию и ограничения производительности не приведены. Распространение выполняется по лицензии Apache-2.0.

parmanu-lcs2 выпустил разреженную версию Qwen3-8B, сжатую методом SNIPER: после pruning в модели осталось около 6,2 млрд параметров. После сжатия веса дообучили на 2 000 примерах SlimOrca с помощью LoRA и объединили адаптер с весами модели. В метаданных указаны архитектура Qwen3, библиотека Transformers, формат safetensors и контекст до 40 960 токенов. Модель предназначена для диалоговой генерации текста и выполнения инструкций. Её можно применять в чат-ботах и для ответов на текстовые запросы; базовая Qwen3-8B также поддерживает рассуждения, работу с кодом и вызов инструментов, но README этой модели отдельно не подтверждает сохранение этих возможностей после сжатия и дообучения. Модель распространяется по лицензии Apache-2.0.

richtext/Qwen3-Reranker-0.6B-mlx-fp16 — конвертированная в формат MLX модель на основе Qwen/Qwen3-Reranker-0.6B. Это компактный реранкер семейства Qwen3 с плотной архитектурой на 507,6 млн параметров; он оценивает релевантность текстовых кандидатов запросу, чтобы сортировать результаты поиска. Для запуска в MLX в README указана библиотека mlx-lm версии 0.29.1. Модель подходит для переранжирования поисковой выдачи и отбора наиболее релевантных фрагментов для систем поиска и RAG. Метаданные указывают контекстное окно 40 960 токенов и лицензию Apache-2.0. Это конверсия исходной модели в формат MLX; README не описывает отдельного дообучения для этой публикации.

Qwen3-VL-Reranker-2B-5bit — версия мультимодального реранкера из семейства Qwen3-VL, опубликованная mlx-community для запуска в формате MLX. В README указано, что модель преобразована из Qwen/Qwen3-VL-Reranker-2B с помощью mlx-lm версии 0.1.0; метаданные связывают её с дообученной Qwen/Qwen3-VL-2B-Instruct и определяют основную задачу как text-ranking. Модель предназначена для переупорядочивания текстовых результатов поиска по релевантности запросу. Базовая модель поддерживает анализ изображений и видео, однако в данных этой карточки подтверждена только задача текстового ранжирования. Репозиторий содержит веса safetensors, а условия использования определяются лицензией Apache-2.0.

DevQuasar/Qwen.Qwen3-VL-8B-Instruct-GGUF — квантованная версия модели Qwen/Qwen3-VL-8B-Instruct, опубликованная DevQuasar. Это vision-language модель с инструкционной настройкой, предназначенная для задач image-text-to-text: анализа изображений и подготовки текстовых ответов по визуальному и текстовому контексту. Из доступных данных известно, что модель относится к семейству Qwen3-VL и имеет размер 8B параметров; формат GGUF предназначен для локального запуска в совместимых инструментах. Модель поддерживает обработку изображений вместе с текстом, однако сведения о конкретных языках, размере контекстного окна, архитектурных деталях, вариантах квантования, производительности и аппаратных требованиях в README не указаны. Лицензия также не указана, поэтому условия использования следует уточнить в источнике базовой модели и на странице публикации. К преимуществам относятся мультимодальность, инструкционная настройка и возможность локального применения в формате GGUF; ограничения связаны с неизвестными характеристиками квантования и отсутствием подробных данных о качестве и поддерживаемых сценариях.

deepset/roberta-base-squad2 — англоязычная модель RoBERTa, дообученная deepset на наборе SQuAD 2.0 для извлечения ответов из текста. Она получает вопрос и текстовый фрагмент и находит в нём ответ; также обучена распознавать вопросы, на которые в контексте нет ответа. Модель подходит для поиска ответов в документах и встраивания в системы вопросно-ответного поиска, например на базе Haystack. Модель построена на архитектуре RoBERTa и содержит 151,8 млн параметров. Максимальная длина контекста — 514 токенов. Обучение и оценка проводились на SQuAD 2.0. Модель работает с текстом на английском языке и выдаёт извлечённый из контекста текстовый ответ. Лицензия — CC BY 4.0. Модель предназначена для ответов, подтверждаемых переданным контекстом; она не генерирует развернутые ответы вне контекста, а качество на других языках и предметных областях карточкой не подтверждено.

MMLW-retrieval-roberta-large-v2 — польский текстовый энкодер семейства RoBERTa, предназначенный прежде всего для информационного поиска. Модель разработана для преобразования запросов и фрагментов текста в векторы размерностью 1024; также поддерживает семантическое сходство текстов. В README описано двухэтапное обучение: дистилляция знаний от stella_en_1.5B_v5 на польско-английских парах и последующая настройка с контрастивной функцией потерь на запросах с подобранными позитивными и негативными фрагментами. Модель содержит 533,7 млн параметров, использует архитектуру RoBERTa и имеет контекст длиной 514 токенов. Для поиска запросы следует помечать префиксом «[query]: », а для симметричного сравнения текстов — «[sts]: ». В README указан результат NDCG@10 60,71 на польском бенчмарке PIRB. Метаданные указывают лицензию Gemma; перед использованием следует проверить применимые условия этой лицензии.

sonoisa разработал Sentence-LUKE — модель для получения векторных представлений японских предложений. Она дообучена на том же наборе данных и с теми же настройками, что и японская Sentence-BERT. По оценке автора на его закрытом наборе данных, количественное качество сопоставимо с Sentence-BERT или выше примерно на 0,5 процентного пункта, а качественные результаты лучше. Модель основана на предварительно обученной studio-ousia/luke-japanese-base-lite, имеет 138,4 млн параметров и контекст до 514 токенов. Модель предназначена для извлечения признаков и сравнения сходства японских предложений, например для поиска семантически близких текстов. Для запуска вывода требуется SentencePiece. Репозиторий содержит веса PyTorch и safetensors и распространяется по лицензии Apache-2.0.

SRBedding-base-v1 — модель Smartcat для семантического поиска и извлечения информации на сербском языке. Это Sentence Transformer на архитектуре XLM-RoBERTa, дообученный на базе e5-multilingual-base. Модель преобразует предложения и абзацы в плотные векторы размерности 768, пригодные для сравнения сходства и ранжирования результатов поиска. Модель рассчитана на поиск релевантных документов по запросу, в том числе в коллекциях сербской Википедии, новостей и других текстов. В README указана максимальная длина входа 512 токенов; метаданные сообщают о 305,2 млн параметров и контекстном окне в 514 токенов. Для использования нужен текстовый запрос или документ; результатом служат векторные представления. README описывает оценку на сербских версиях MS MARCO, Natural Questions и SQuAD, но результаты относятся к указанным наборам и не гарантируют такое же качество на других данных. Модель выпущена по лицензии MIT.

Suzume Llama 3 8B Multilingual — диалоговая языковая модель, разработанная Питером Дивайном (Peter Devine, ptrdvn). Это дообученная версия meta-llama/Meta-Llama-3-8B-Instruct: модель обучали на почти 90 тысячах многоязычных диалогов, чтобы она могла отвечать на разных языках, а не преимущественно на английском. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 8192 токенов. Модель предназначена для диалога и генерации ответов на нескольких языках. В карточке приведены результаты MT-Bench для немецкого, французского и японского языков, а также общие оценки по шести языкам; точный полный перечень языков не приведён. По заявлению разработчика, дообучение сохранило большую часть возможностей Llama 3 на английском и улучшило многоязычный диалог. Весам доступна лицензия с метаданными «other»; конкретные условия следует проверять в карточке модели и лицензии базовой модели перед использованием.