I.2Синтез, понимание и проверка знаний

Behemoth-X-123B-v2-GGUF — это набор квантизированных версий большой языковой модели Behemoth-X-123B-v2, разработанной TheDrummer и преобразованной в формат GGUF пользователем bartowski. Модель предназначена для генерации текста и локального запуска через llama.cpp, LM Studio и другие совместимые проекты на базе llama.cpp. Исходная модель содержит 123 млрд параметров; в README не указаны её архитектура, поддерживаемые языки, модальности и размер контекста. Доступны варианты квантизации Q2–Q8 и IQ3–IQ4 размером примерно от 45 до 130 ГБ. Более высокие уровни квантизации обычно обеспечивают лучшее качество, но требуют больше оперативной или видеопамяти; наиболее рекомендуемыми названы Q6_K, Q5_K_M, Q5_K_S, Q4_K_L, Q4_K_M, Q4_K_S и IQ4_XS. Квантизация выполнена с использованием imatrix и llama.cpp. Сильной стороной набора является широкий выбор компромиссов между качеством и требованиями к памяти, включая варианты для систем с ограниченными ресурсами. Ограничения заключаются в очень большом размере модели, снижении качества у низкобитных вариантов и отсутствии в README шаблона промпта: он должен быть уточнён на странице исходной модели. Лицензия в предоставленных данных не указана.

Fallen-Gemma3-27B-v1-GGUF — это GGUF-квантизированная версия модели Fallen-Gemma3-27B-v1, разработанной TheDrummer и подготовленной пользователем bartowski. Модель предназначена для генерации текста и запуска через llama.cpp, LM Studio и другие совместимые приложения. В README указано, что квантизация выполнена с использованием llama.cpp b4925 и метода imatrix. Модель относится к семейству Gemma 3 и имеет размер 27 млрд параметров. Доступны варианты от BF16 до квантов Q8, Q6, Q5, Q4 и Q3, различающиеся размером файлов, требованиями к памяти и качеством. Размер вариантов составляет примерно от 12,17 до 54,03 ГБ. Для большинства сценариев рекомендуются варианты Q4_K_M, Q5_K_M, Q6_K или другие варианты с соответствующим балансом качества и потребления памяти. README не содержит сведений о поддерживаемых языках, длине контекста, мультимодальности, результатах тестирования или конкретной специализации исходной модели. Сильной стороной модели является широкий выбор квантизаций и возможность локального запуска на совместимом оборудовании. Более компактные варианты подходят для систем с ограниченной оперативной памятью, но обеспечивают более низкое качество; BF16 и старшие кванты требуют значительных ресурсов. Для корректной работы следует использовать указанный шаблон промпта Gemma и совместимое программное обеспечение. Лицензия обозначена как other, однако её конкретные условия в README не приведены.

ThoughtStream-4B-v0.3 — англоязычная чат-модель на архитектуре Llama, созданная trollek дообучением h2oai/h2o-danube3-4b-base. Модель настроена на генерацию текста с токенами рассуждений и поддержкой рефлексии; автор указывает, что использовал glaiveai/reflection-v1, а также наборы ThoughtfulAssistant-v01, ThoughtfulAssistant-v02 и reasoning-0.01. Модель содержит 3,8 млрд параметров, принимает текст и выдаёт текст, поддерживает контекст до 8192 токенов. Опубликована в формате safetensors; для запуска в GGUF автор ссылается на отдельный репозиторий квантованных версий. Лицензия — Apache-2.0. В README описана остановка обучения после роста eval loss на шаге 14000 и использование чекпойнта с шага 13000. Это указывает на раннюю экспериментальную версию; качество и устойчивость генерации требуют самостоятельной оценки.

Tissint-14B-128k-RP — диалоговая языковая модель на 14 млрд параметров, созданная Ttimofeyka как дообучение arcee-ai/SuperNova-Medius. Она предназначена для генерации текста и многоходовых бесед с акцентом на творческие ответы и следование системным инструкциям. Модель использует архитектуру Qwen2, работает с текстом и имеет контекстное окно до 131 072 токенов. Автор сообщает о повышенной устойчивости к настройкам семплирования по сравнению с базовой моделью и о снижении числа отказов. Модель позиционируется для творческого, в том числе NSFW, контента. Распространяется по лицензии Apache-2.0.

WhiteRabbitNeo-13B-v1-GGUF — это набор файлов модели в формате GGUF для оригинальной модели WhiteRabbitNeo-13B-v1, разработанной командой WhiteRabbitNeo и квантизированной MaziyarPanahi. Модель предназначена для генерации текста и локального запуска с помощью совместимых инструментов, включая llama.cpp, text-generation-webui, LM Studio, GPT4All, KoboldCpp и llama-cpp-python. Модель содержит 13 миллиардов параметров и относится к семейству моделей на базе LLaMA. Доступны варианты квантизации от 2 до 8 бит, включая Q2_K, Q3_K, Q4_K, Q5_K и Q6_K, что позволяет выбирать баланс между размером файла, требованиями к памяти и качеством генерации. Поддерживается текстовая модальность; сведения о языках, размере контекста и специализированных задачах в README не указаны. Главное преимущество — возможность запуска в оптимизированном GGUF-формате на широком спектре локальных приложений и аппаратных конфигураций. Ограничения связаны с компромиссами квантизации: варианты с меньшей разрядностью обычно требуют меньше памяти, но могут уступать по качеству менее квантизированным версиям. Модель распространяется с лицензией Llama 2.

WikiMedical_sent_biobert — модель эмбеддингов на архитектуре BERT, опубликованная Samuel Chaineau. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения смысловой близости медицинских текстов: модель предсказывает, относятся ли два текста к одной и той же странице Википедии о медицине. Её можно применять для семантического поиска и кластеризации медицинских материалов. Модель обучена на наборе WikiMedical_sentence_similarity с использованием CosineSimilarityLoss. В README указаны результаты оценки на тестовой части этого набора: корреляция Спирмена 0,87 и корреляция Пирсона 0,95 для косинусной близости. Контекст модели — до 512 токенов; параметры доступны в форматах PyTorch и safetensors. Модель рассчитана на медицинские тексты Википедии, поэтому её результаты на других медицинских источниках и темах общего назначения могут отличаться. Сведения о лицензии в предоставленных данных отсутствуют.

Wordpress-Mistral-7B-Fine-Tune — диалоговая языковая модель с архитектурой MistralForCausalLM и 7,1 млрд параметров. В README указано, что она преобразована в формат MLX из mistralai/Mistral-7B-Instruct-v0.2; доступные метаданные указывают на веса safetensors и контекст до 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате. Название указывает на связь с WordPress, однако README не описывает конкретные задачи или данные такого дообучения, поэтому специализацию на создании контента для WordPress подтвердить нельзя. Лицензия — Apache-2.0. Для использования через MLX в README приведён пример запуска генерации.

xFinder-llama38it — модель IAAR для извлечения ключевых ответов из выводов больших языковых моделей. Она создана дообучением Llama 3 8B Instruct и предназначена прежде всего для повышения точности и надёжности автоматической оценки ответов LLM. Модель использует плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и принимает текст. Окно контекста составляет 8192 токена. В README описана оценка на размеченных тестовой и обобщающей выборках KAF Dataset, где модель сравнивали с извлечением ответов на основе регулярных выражений. Модель подходит для извлечения ответов в конвейерах оценки языковых моделей. Карточка сообщает об английском языке и формате PyTorch. Лицензия CC BY-NC-ND 4.0 запрещает коммерческое использование и распространение производных материалов на её условиях.

XLM-Mlm-Tlm-Xnli15-1024 — мультиязычный трансформер, разработанный Гийомом Ламплем и Алексисом Конно. Он предварительно обучен на задачах masked language modeling и translation language modeling, а затем дообучен на англоязычном наборе естественно-языкового вывода XNLI. Модель предназначена для межъязыковой классификации и проверки отношений между предложениями; в частности, её оценивали на определение логического следования, противоречия и нейтрального отношения в 15 языках. Модель семейства XLM использует плотную архитектуру Transformer с 12 слоями, 1024 скрытыми единицами и 8 головами внимания. Метаданные указывают задачу fill-mask и контекст до 512 токенов. Среди оценённых языков — английский, французский, испанский, немецкий, греческий, болгарский, русский, турецкий, арабский, вьетнамский, тайский, китайский, хинди, суахили и урду. Карточка приводит результаты XNLI по каждому языку; качество ниже на некоторых языках, включая урду и суахили, чем на английском. Для использования модели требуется учитывать возможные смещения языковых моделей и ограничения переноса с англоязычных данных на другие языки. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Yehia — языковая модель на 7 млрд параметров от Navid-AI, дообученная на основе ALLaM-AI/ALLaM-7B-Instruct-preview методом GRPO. Она предназначена для диалогов на арабском и английском языках, в том числе для дружелюбного общения, объяснения учебных тем и доступной подачи знаний. Модель ориентирована на корректность, полноту и краткость ответов, полезность, честность и безопасное общение. Для загрузки используется библиотека Transformers; веса доступны в формате safetensors. Модель распространяется по лицензии Apache-2.0. В README заявлено, что на AraGen-Leaderboard на 3 февраля 2025 года Yehia была лучшей арабской моделью среди моделей размером от 0,5 до 25 млрд параметров; это утверждение относится к указанному бенчмарку и дате.

NobodyExistsOnTheInternet/Yi-34B-GiftedConvo-merged — языковая модель для генерации диалоговых ответов, опубликованная NobodyExistsOnTheInternet. Это плотная авторегрессионная модель семейства Llama с 33,9 млрд параметров, рассчитанная на контекст до 4096 токенов; репозиторий содержит веса Safetensors и использует формат диалога Vicuna 1.1. Модель дообучена с помощью QLoRA и Axolotl на более чем 20 тысячах инструкционных примеров, созданных GPT-4 или людьми. Данные включают длинные диалоги, основанные на LIMA, часть PRM800k и материалы CamelAI по физике и химии. Она предназначена для ответов на инструкции и продолжения диалога, в том числе по научным темам. Указана лицензия MIT. Карточка не приводит результатов оценки качества или подробных сведений о языковой поддержке. Характер ответов зависит от обучающих данных, а контекст ограничен 4096 токенами.

Yugo55-GPT-v4 — диалоговая языковая модель, созданная datatab путём слияния трёх моделей с помощью LazyMergekit: Serbian-Mistral-Orca-Slim-v1, AlphaMonarch-7B и YugoGPT-Alpaca-v1-epoch1-good. Это плотная модель семейства Mistral с 7,1 млрд параметров, объединённая линейным методом и сохранённая в формате SafeTensors с точностью float16. Модель предназначена для генерации текста в диалоге и выполнения инструкций на сербском языке. Её можно использовать для ответов на вопросы и ведения переписки; метаданные также указывают способность chat. Нативная длина контекста составляет 32 768 токенов. В карточке перечислены сербоязычные наборы данных для обучения и лицензия MIT. Модель представляет собой слияние, поэтому её поведение зависит от объединённых исходных чекпойнтов. Карточка не сообщает результатов оценки качества или конкретных ограничений применения; лицензия MIT разрешает использование на её условиях.

giux78/zefiro-7b-dpo-qlora-ITA-v0.7 — диалоговая языковая модель, разработанная giux78 как часть серии Zefiro для общения на итальянском языке. Она создана на основе Mistral и адаптирована по рецептам Zephyr; обозначение версии указывает на дообучение с DPO и QLoRA. Модель имеет плотную архитектуру MistralForCausalLM, около 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста в диалоге на итальянском: ответы на вопросы, объяснения и решение общих задач с использованием итальянского языка. Разработчик оценивал её на итальянских наборах для проверки понимания, рассуждений, знаний и языковых навыков. Это текстовая модель, опубликованная в формате Safetensors; карточка Hugging Face не содержит сведений о лицензии, поэтому условия использования по доступным источникам установить нельзя.

Aegolius Acadicus 24B V2 — экспериментальная языковая модель ibivibiv для ответов на вопросы и других задач, связанных со знаниями. Это объединение дообученных моделей на основе Llama 2 и Mistral, выполненное как смесь экспертов (MoE); в README перечислены Fine Tuned Mistral of Mine, WestLake-7B-v2-laser, openchat-nectar-0.5 и WestSeverus-7B-DPO. В метаданных указаны архитектура Mixtral, 7,1 млрд параметров и контекст 32 768 токенов. Модель принимает текст и генерирует текст. В README указан английский язык, а шаблон запроса построен в стиле Alpaca. Разработчик описывает её как проверку концепции для объединения специализированных моделей в одну, без заданной узкой рабочей нагрузки; результаты бенчмарков не приведены. Лицензия — Apache 2.0.

Agnes-3.0-Flash GGUF — набор GGUF-квантизаций мультимодальной модели Agnes-3.0-Flash, опубликованный 0xKitkat на базе модели Agnes-AI. Модель предназначена для генерации текста и работы с изображениями в сценариях локального запуска без обязательной подписки на облачный API. Заявлена поддержка английского и китайского языков, а тип задачи обозначен как image-text-to-text. Модель содержит примерно 33,1 млрд параметров, сохраняет все 72 decoder-блока исходной модели и оригинальную vision tower. Для обработки изображений требуется отдельный F16 vision projector, общий для всех представленных квантизаций. Доступны Q4_K_M, Q5_K_M, Q6_K и Q8_0; рекомендуемая начальная конфигурация — Q4_K_M с контекстом 4096 токенов и отключённым режимом рассуждений. Для запуска требуется совместимый runtime llama.cpp с поддержкой текстовой и визуальной архитектуры Qwen3.5. К сильным сторонам относятся локальная работа, мультимодальность, сохранение оригинальной архитектуры без abliteration и дополнительного fine-tuning, а также выбор нескольких уровней квантизации для разного объёма памяти. Ограничения связаны с большим размером модели и высокими требованиями к памяти: конфигурация примерно на 33 млрд параметров плохо подходит для систем с 16 ГБ памяти, а CPU-only и Metal-производительность для этого выпуска не тестировались. Модель распространяется по лицензии Apache-2.0.

Карточка модели Alphacode-AI/Alphacode-MALI-11B на Hugging Face совпадает с карточкой Alphacode-AI/Alphacode-MALI-11B_slowtest, поэтому описание составлено по ней. Alphacode-MALI-11B_slowtest — диалоговая языковая модель Alphacode AI, созданная путём слияния моделей Alphacode и дообучения на собственных данных разработчика. Это плотная модель семейства Mistral с архитектурой MistralForCausalLM и 10,8 млрд параметров; она предназначена для генерации текста и общения в чате. Заявленная длина контекста составляет 32 768 токенов. В метаданных указан корейский язык. Модель обучали на восьми ускорителях A100 с использованием DeepSpeed, Hugging Face TRL Trainer и Accelerate. Репозиторий содержит веса в формате Safetensors. Лицензия — CC BY 4.0. Карточка не описывает конкретные области применения, результаты оценки качества или ограничения модели.

authormist-originality-i1-GGUF — квантизированная версия языковой модели authormist/authormist-originality, подготовленная mradermacher в формате GGUF. В метаданных модель указана как causal language model, обученная для английского языка; среди заявленных направлений применения — генерация текста, обнаружение текста, созданного ИИ, перефразирование и оценка оригинальности. В качестве набора данных указан checkgpt. Модель предназначена для локального запуска в совместимых инструментах, поддерживающих GGUF. Доступны варианты квантизации i1 и IQ с размером файлов примерно от 0,9 до 2,6 ГБ. README не содержит сведений о количестве параметров, максимальном контексте, точной архитектуре базовой модели или поддерживаемых модальностях, поэтому эти характеристики определить нельзя. Основное преимущество — широкий выбор вариантов, позволяющий подобрать компромисс между размером, скоростью и качеством. При этом низкобитные варианты могут заметно уступать по качеству; в README отдельные конфигурации отмечены как низкокачественные, а Q4_K_M названа быстрой и рекомендуемой. Модель распространяется под лицензией MIT.

A.X-3.1-Light SFT v3.2 AI Hub Extension — корейскоязычная модель генерации текста от автора youngseok12, дообученная на базе skt/A.X-3.1-Light. Модель имеет плотную архитектуру семейства Llama и около 6,8 млрд параметров; она принимает текстовые запросы и поддерживает контекст до 32 768 токенов. Модель предназначена для ответов на вопросы на корейском языке, выполнения инструкций и исследовательской оценки. Она дообучена методом supervised fine-tuning с LoRA на 13 801 отобранном примере, после чего адаптер объединён с базовой моделью; опубликованы самостоятельные веса BF16 в формате safetensors. Для вопросов с выбором ответа и задач с кратким ответом модель обучали сначала давать ключевой ответ, а при необходимости добавлять краткое обоснование. Результаты могут быть неточными, поэтому модель не следует использовать как единственное основание для медицинских, юридических или финансовых решений. Лицензия — Apache-2.0; для обучающих данных AI Hub необходимо соблюдать условия их использования.

sentence-transformers/bert-base-nli-max-tokens — модель Sentence-Transformers, обученная командой Sentence-Transformers на основе BERT. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения текстов, семантического поиска и кластеризации. Модель использует архитектуру BERT и принимает текстовые последовательности длиной до 512 токенов. Её можно применять через библиотеку Sentence-Transformers или Transformers с соответствующей операцией pooling. Репозиторий содержит веса в форматах PyTorch, TensorFlow, Flax, ONNX и OpenVINO. Модель устарела: авторы предупреждают, что она создаёт эмбеддинги низкого качества, и рекомендуют выбрать более современную модель для векторного поиска или сравнения предложений. Лицензия — Apache-2.0.

BERTIN-GPT-J-6B Alpaca — испаноязычная авторегрессионная языковая модель на архитектуре GPT-J, разработанная проектом BERTIN и дообученная на испанском переводе набора Alpaca. Она предназначена для генерации ответов на инструкции и выполнения задач, заданных естественным языком, например, для создания черновиков и ответов на вопросы. Модель имеет около 6 млрд параметров и контекстное окно 2048 токенов; для работы в README приведён пример с Transformers. Модель обучали три эпохи на одном TPUv3-8. В README приведены результаты оценивания на ARC и HellaSwag, однако они не дают полной картины качества для прикладных задач. Лицензия модели — OpenRAIL. README также указывает, что использованный набор данных нельзя применять для создания моделей, конкурирующих с OpenAI.

BERTomelo ModernBERT Base v1 — португалоязычный энкодер типа BERT, разработанный на базе архитектуры ModernBERT и предварительно обученный с нуля на португальской части корпуса ClassiCC. Версия Base содержит 22 слоя и около 135,5 млн параметров, принимает последовательности до 1 024 токенов и предназначена для заполнения пропусков в тексте. Для обучения использовано около 386,48 млрд токенов; модель применяет RoPE, чередование локального и глобального внимания, а также FlashAttention 2. Карточка сообщает о результатах оценки на задачах семантического сходства, распознавания текстовых следствий и распознавания именованных сущностей для бразильского португальского. Модель подходит для заполнения пропущенных слов и может служить энкодером для последующей адаптации к задачам понимания португальского текста. Контекст 1 024 токена поддерживает обработку более длинных фрагментов по сравнению со многими ранними моделями для бразильского португальского. Репозиторий содержит веса в формате safetensors и имеет лицензию Apache-2.0. Среди ограничений карточка отмечает отсутствие стандартизированных тестов длинного контекста для португальского языка, отсутствие упаковки последовательностей в текущем выпуске и возможность смещений, унаследованных от веб-данных ClassiCC PT.

Bielik-11B-v2.2-Instruct-W8A8 — польскоязычная причинная decoder-only модель генерации текста, подготовленная SpeakLeash и ACK Cyfronet AGH. Это версия Bielik-11B-v2.2-Instruct с квантизацией весов и активаций до INT8 по схеме W8A8; она рассчитана на инференс через vLLM версии 0.5.0 и выше. Модель содержит 11 млрд параметров, использует архитектуру Mistral и поддерживает контекст до 32 768 токенов. Квантизация линейных слоёв уменьшает требования к видеопамяти и размер файлов примерно вдвое и может повысить пропускную способность матричных умножений. Для весов применяется статическая симметричная поканальная квантизация, для активаций — динамическая симметричная покомпонентная квантизация на каждый токен; при подготовке использованы SmoothQuant и GPTQ. Модель подходит для польскоязычного диалога и генерации текста при ограниченных ресурсах инференса. Квантизация может снижать качество ответов и приводить к галлюцинациям. Указана лицензия Apache 2.0; README также ссылается на Terms of Use.

ChatGLM-6B-INT4-Slim — облегчённая по требованиям к памяти версия ChatGLM-6B-INT4, подготовленная автором репозитория на основе официальной модели ChatGLM. Из словаря удалены 20 тысяч зарезервированных токенов изображений, не используемых текстовой моделью; остальные компоненты и заявленная производительность соответствуют ChatGLM-6B-INT4. Архитектура — плотная ChatGLM на основе General Language Model (GLM), размер — около 8,1 млрд параметров по метаданным каталога. Модель предназначена для двуязычного китайско-английского диалога, ответов на вопросы и локальной генерации текста. INT4-квантизация блоков модели и сокращение словаря снижают потребление памяти, позволяя запускать её на потребительском оборудовании; в README указано около 6 ГБ памяти для исходной INT4-версии. Модель принимает текст и генерирует текст. Права на модель и заслуги принадлежат официальной команде ChatGLM. В README указано, что код распространяется по Apache-2.0, а использование весов регулируется Model License; условия лицензии весов следует проверять отдельно. Заявленная эквивалентность по производительности основана на описании автора репозитория.

bartowski/Chronos-Gold-12B-1.0-GGUF — это набор GGUF-квантизаций модели Chronos-Gold-12B-1.0, разработанной elinas и подготовленной квантизатором bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста общего назначения, ролевого общения и написания историй; в метаданных также указано, что исходная модель является результатом объединения или дообучения. Поддерживается запуск через llama.cpp и LM Studio. Доступны варианты от исходных весов F16 размером 24,50 ГБ до сильно сжатых IQ2_M размером 4,44 ГБ. В репозитории представлены квантизации Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и IQ-разновидности; некоторые варианты используют Q8_0 для embedding- и output-весов для сохранения качества. Более крупные варианты обычно обеспечивают высокое качество, тогда как малые требуют меньше оперативной памяти, но заметно сильнее ограничены квантизацией. README не содержит сведений об архитектуре исходной модели, размере контекстного окна, поддерживаемых языках или мультимодальности, поэтому модель следует считать текстовой и использовать в пределах возможностей совместимого рантайма. Для работы рекомендуется применять указанный chat-шаблон с ролями system, user и assistant. Модель распространяется по лицензии CC BY-NC-4.0, допускающей использование с ограничениями, включая некоммерческий характер лицензии.

ContextPilot-14B — дообученная модель Tencent на базе Qwen3-14B, разработанная для исследований проактивного управления контекстом в языковых агентах. Она обучена планировать работу с длительным контекстом, поддерживать структурированную долговременную память, извлекать полезные сведения и освобождать контекст от менее нужной информации, продолжая рассуждать и использовать инструменты. Модель содержит 14 млрд параметров, использует плотную архитектуру Qwen3 и принимает текст; заявленная длина контекста — 40 960 токенов. Модель предназначена для экспериментов с агентами на длинных задачах, включая ответы на вопросы по длинному контексту и глубокий поиск. Для управления памятью и инструментами одного чекпойнта недостаточно: требуются определения инструментов, среда агента и код из репозитория ContextPilot. Карточка указывает лицензию other, без конкретизации её условий.

Карточка модели DIYIN/ContextPilot-E4B на Hugging Face совпадает с карточкой tencent/ContextPilot-E4B, поэтому описание составлено по ней. ContextPilot-E4B — дообученная модель семейства Gemma 4 E4B Instruct, выпущенная Tencent как часть исследовательской системы ContextPilot. Она обучена помогать агентам заранее управлять контекстом в длительных задачах: планировать работу, поддерживать долговременную структурированную память, извлекать нужные сведения и убирать менее полезный контекст, продолжая рассуждать и использовать инструменты. Модель имеет плотную архитектуру Gemma4ForConditionalGeneration и распространяется в формате Safetensors; метаданные классифицируют её для генерации текста и указывают поддержку чата. Модель предназначена для исследований агентных систем, ответов на вопросы по длинному контексту и глубокого поиска. Для управления контекстом ей требуется окружение ContextPilot с определениями инструментов, агентным runtime и конвейером оценки: одной загрузки чекпойнта недостаточно, чтобы выполнять эти операции. В README лицензия не описана, а в метаданных указано только значение «other», поэтому условия использования по доступным сведениям определить нельзя.

DatedGPT-2018-Instruct — англоязычная чат-модель семейства DatedGPT, разработчик которой в карточке не назван. Модель построена на архитектуре LlamaForCausalLM, содержит около 1,3 млрд параметров и принимает текстовые инструкции и сообщения в формате чата. Контекст составляет 2048 токенов. Модель обучена только на данных, доступных к 2018 году, поэтому предназначена для генерации ответов и анализа с фиксированной временной точкой отсечения без утечки сведений из будущего. Это полезно для исторических и ретроспективных экспериментов, где важно учитывать только информацию, существовавшую на тот момент. Модель доступна в формате safetensors; лицензия в предоставленных данных не указана.

DatedGPT-2022-Instruct — англоязычная чат-модель семейства DatedGPT, разработанная для анализа и прогнозирования с учётом временной отсечки данных. Это instruction-tuned вариант, обученный только на данных, доступных до 2022 года, что помогает избегать смещения из-за использования будущей информации в point-in-time анализе. Модель основана на архитектуре LlamaForCausalLM и содержит около 1,3 млрд параметров; длина контекста — 2048 токенов. Модель предназначена для диалогов и выполнения текстовых инструкций, в том числе для сценариев, где важно моделировать знания на дату 2022 года. Поддерживает текстовый ввод и выдаёт текст. В карточке указан формат весов safetensors; для диалога используется шаблон чата в стиле Llama 2. Знания модели ограничены данными до 2022 года. В модели нет RLHF и настройки безопасности, поэтому ответы могут быть уверенными, но ошибочными. Лицензия в предоставленных данных не указана.

Dhee-NxtGen-Qwen3-Odia-v2 — языковая модель компании DheeYantra, разработанная совместно с NxtGen Cloud Technologies Pvt. Ltd. Это плотная авторегрессионная модель на архитектуре Qwen3 объёмом 1,7 млрд параметров с контекстом до 40 960 токенов. Модель дообучена для диалогов в стиле ассистента, рассуждений и вызова функций; работает с Transformers и оптимизирована для высокопроизводительного запуска через vLLM. Модель предназначена прежде всего для понимания и генерации текста на языке одия: она подходит для чат-ботов, ассистентов, диалоговых систем, создания историй, суммаризации и структурированных ответов. Условия лицензии Apache-2.0 позволяют использовать её на соответствующих условиях этой лицензии. Модель ориентирована главным образом на одия. Ответы могут быть неточными или предвзятыми, а качество — снижаться на темах вне обучающего распределения и при смешении языков; на других языках беглость может быть ниже. Для высокопроизводительного запуска через vLLM README указывает требования к GPU с compute capability не ниже 8.0, PyTorch 2.1+ и CUDA; на V100 GPU-инференс vLLM не поддерживается.

ELYZA-japanese-Llama-2-fast-MoE-2x7B-v0.1 — японская языковая модель, созданная Aratako объединением через mergekit моделей elyza/ELYZA-japanese-Llama-2-7b-fast и elyza/ELYZA-japanese-Llama-2-7b-fast-instruct. Архитектура — Mixtral MoE для причинной генерации текста; в репозитории указано 6,7 млрд параметров, формат весов safetensors и контекст до 4096 токенов. Модель предназначена для генерации текста и ответов на запросы по-японски. В приведённом одношаговом japanese-mt-bench она получила средний балл 5,1625 против 4,8750 у instruct-базовой модели; результаты различаются по категориям, поэтому оценка не гарантирует превосходства на других задачах. Поддерживается японский язык. Лицензия — Llama 2 Community License, унаследованная от исходных моделей.