I.2Синтез, понимание и проверка знаний

EM German 7B Leo — модель jphme для генерации текста и диалогов на немецком языке. Она дообучена на инструкциях на немецком языке на базе LeoLM, семейства моделей Llama 2 с дополнительным предварительным обучением на немецких текстах. Веса имеют архитектуру LlamaForCausalLM, содержат 6,6 млрд параметров и представлены в формате safetensors для библиотеки Transformers; контекст — до 8192 токенов. Модель рассчитана на ответы ассистента, понимание и создание немецкоязычных текстов, в том числе на запросы в формате RAG. Она использует формат запросов Vicuna; качество ответов может зависеть от версии и настроек генерации. В README автор советует при неудовлетворительных результатах попробовать rope_scaling 2.0 или другую версию модели. Лицензия — Llama 2; автор указывает, что модель предназначена только для исследовательского использования.

Jongbin-kr выпустил контрольную точку EXAONE 3.5 7.8B VeriReason reproduced — результат полного дообучения методом supervised fine-tuning базовой модели LGAI-EXAONE/EXAONE-3.5-7.8B-Instruct на наборе Jongbin-kr/VeriReason-reasoning-reproduced-1513. Это плотная авторегрессионная языковая модель архитектуры EXAONE с 7,4 млрд параметров и контекстом до 32 768 токенов; веса опубликованы в формате safetensors, для запуска в README приведён пример с Transformers. Модель предназначена для диалоговой генерации текста и ответов с рассуждениями. Проверку контрольной точки проводили по validation eval_loss; README называет checkpoint-300 лучшим среди проверенных. Базовая EXAONE 3.5 ориентирована на английский и корейский языки, но README не сообщает отдельно результаты для этой дообученной версии. Указана лицензия other, поэтому конкретные условия использования следует сверить с лицензией базовой модели и карточкой репозитория.

FLOR-760M — авторегрессионная языковая модель на архитектуре BLOOM, разработанная проектом projecte-aina для каталонского, испанского и английского языков. В метаданных указано 983,2 млн параметров; карточка описывает модель как 760M после сокращения словаря и эмбеддингов по сравнению с исходной BLOOM-1.1B. Модель предназначена для генерации текста и каузального языкового моделирования; её также можно дообучать для конкретных сценариев. При создании заменили токенизатор и словарь BLOOM на BPE для целевых языков, затем продолжили предобучение на корпусе объёмом 26 млрд токенов. В оценке проверялись понимание прочитанного, ответы на вопросы, вывод, определение парафраз, здравый смысл и перевод, особенно для каталонского. Карточка сообщает, что модель устарела и больше не поддерживается. Данные обучения собраны из веб-источников и открытых корпусов; авторы предупреждают о возможных смещениях и токсичности и указывают, что специальных мер по их оценке не проводили. Сведения о лицензии в предоставленных данных отсутствуют.

ND911/Fraken-Maid-TW-K-Slerp — языковая модель, созданная ND911 слиянием весов через mergekit и метод slerp. В слиянии использованы SanjiWatsuki/Kunoichi-7B и ND911/Fraken-Maid-TW-Slerp; конфигурация задаёт базовую модель ND911/Fraken-Maid-TW-Slerp и смешивает слои self-attention и MLP с разными коэффициентами. Модель построена на плотной архитектуре Mistral с 7,1 млрд параметров и контекстом до 8192 токенов. Она предназначена для генерации текста. В карточке не приведены сведения о специализированных сценариях или поддерживаемых естественных языках. Распространяется по лицензии Apache-2.0.

AdrienB134/French-Alpaca-Mistral-7B-v0.3 — плотная авторегрессионная языковая модель семейства Mistral, разработанная AdrienB134 и дообученная на unsloth/mistral-7b-v0.3 с использованием Unsloth и Hugging Face TRL. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст; нативная длина контекста составляет 32 768 токенов. Модель предназначена для генерации текста и диалоговых ответов, в частности на французском языке. В качестве обучающих данных использован набор French-Alpaca Instruct 110K. Она может служить основой для прототипов французских ассистентов и прикладного дообучения. Распространяется по лицензии Apache-2.0. Карточка не сообщает результатов оценки качества или специальных ограничений; возможности могут зависеть от качества ответов базовой модели и данных дообучения.

ApocalypseParty/G4-31B-SFT-v5-2-soup — объединённая модель на архитектуре Gemma 4, созданная методом Linear с помощью mergekit из двух чекпойнтов: ApocalypseParty/G4-31B-SFT-v5-2 и ApocalypseParty/G4-31B-SFT-v5-2-seed1337. Модель предназначена для диалогов с текстом и изображениями: принимает текстовые запросы и изображения, выдаёт текстовые ответы. Карточка описывает способ объединения весов, но не уточняет языки, размер модели или длину контекста. В метаданных указаны библиотека Transformers, формат safetensors и возможности чата и работы с изображениями. Лицензия в предоставленных данных не указана.

imtixz/gemma-2-2b-it-sleeper-single-token-roman-empire-poison1pct — дообученная диалоговая модель Google Gemma 2 с плотной архитектурой Gemma2ForCausalLM и 2,7 млрд параметров. Она предназначена для генерации текста; карточка не описывает конкретные сценарии дообучения или набор данных. Модель принимает текст и выдаёт текст, контекст — до 8192 токенов. Базовая Gemma 2 2B IT ориентирована на диалог, ответы на вопросы и суммаризацию на английском языке. Репозиторий использует формат safetensors и лицензию Gemma.

Gemma 2 9B Neogenesis ITA — модель для генерации текста и диалогов, созданная anakin87 путём дообучения VAGOsolutions/SauerkrautLM-gemma-2-9b-it. Она рассчитана прежде всего на работу на итальянском языке; небольшая часть обучающих данных была на английском. Модель содержит около 9 млрд параметров, использует плотную архитектуру Gemma 2 и поддерживает контекст до 8192 токенов. Модель подходит для диалоговых ответов, следования инструкциям, рассуждений и задач на итальянском языке. В карточке приведены результаты оценки на итальянских наборах MMLU_IT, ARC_IT и HELLASWAG_IT; автор сообщает о среднем результате 66,79. Репозиторий использует формат safetensors, библиотека — Transformers. Лицензия указана как gemma. Модель не проходила специальную настройку безопасности; по словам автора, выборочное обучение помогло сохранить часть защитных свойств исходной модели. Поэтому ответы могут содержать ошибки или небезопасный контент, а результаты оценки не гарантируют качество для конкретного применения.

Gemma2-gutenberg-27B-GGUF — это квантованные версии текстовой генеративной модели gemma2-gutenberg-27B, опубликованной nbeerbower и подготовленной в формате GGUF пользователем bartowski. Модель основана на Gemma 2 с 27 млрд параметров и дополнительно обучена на датасете jondurbin/gutenberg-dpo-v0.1. Квантование выполнено с помощью llama.cpp и метода imatrix. Модель предназначена для генерации текста и запуска локального вывода, в том числе через llama.cpp и LM Studio. Доступны варианты от F16 до низкобитных квантований Q8, Q6, Q5, Q4, Q3 и Q2, что позволяет выбирать между качеством и требованиями к памяти. Для большинства сценариев README рекомендует варианты Q6_K_L, Q6_K, Q5_K и Q4_K; низкобитные версии экономят память, но могут заметно терять в качестве. Используется специальный формат промпта Gemma 2. Системные сообщения не поддерживаются. README не указывает языки, размер контекста и мультимодальные возможности, поэтому модель следует рассматривать как текстовую. Лицензия указана как Gemma; конкретные условия её применения следует проверять в документации лицензии базовой модели.

Gemma 3 27B IT Abliterated — экспериментальная модификация модели google/gemma-3-27b-it, созданная mlabonne с применением техники abliteration. Модель предназначена для генерации текста и обработки изображений с текстом в сценариях, поддерживаемых исходной Gemma 3 27B IT; карточка указывает pipeline image-text-to-text и формат GGUF. Точные сведения о поддерживаемых языках и размере контекста в README не приведены. Модель была адаптирована для снижения частоты отказов от ответов за счёт удаления или ослабления направления отказа в скрытых состояниях каждого слоя. По заявлению автора, это обеспечивает уровень принятия запросов выше 90% при сохранении связности ответов. Рекомендуемые параметры генерации: temperature=1.0, top_k=64 и top_p=0.95. Основное ограничение — экспериментальный характер модификации: качество и сохранение исходных возможностей не гарантируются. Модель распространяется под лицензией Gemma; для использования необходимо учитывать условия этой лицензии.

zaakirio/gemma-4-12b-it-uncensored — производная версия мультимодальной инструкционной модели Google Gemma 4 12B IT, созданная с помощью Heretic методом abliteration. Направление, связанное с отказами, подавлено изменением весов без дообучения; модель распространяется в формате safetensors и рассчитана на использование через Transformers. Модель предназначена для диалогов и ответов по тексту и изображениям. По данным README, подавление отказов оценивается в 23 случая из 100 против 99 у исходной модели, однако использованное обнаружение отказов основано на ключевых словах и имеет низкую точность; независимая классификаторная оценка не проводилась. Abliteration может влиять на поведение модели, а удаление отказов не гарантирует точность или безопасность ответов. Основана на google/gemma-4-12B-it и распространяется по лицензии Gemma.

Gemma4-12B-Uncensored-GGUF — это GGUF-квантизация модели Gemma4-12B-Uncensored, опубликованная mradermacher и созданная на базе toandev/Gemma4-12B-Uncensored. Модель предназначена для генерации и обработки текста, а также для мультимодальных сценариев image-text-to-text, то есть работы с изображениями и текстом. В README указан английский язык, однако сведения о полном наборе поддерживаемых языков отсутствуют. Модель содержит 12 миллиардов параметров и доступна в нескольких вариантах квантизации GGUF с размером файлов примерно от 4,9 до 12,8 ГБ. Для мультимодальной работы предусмотрены отдельные файлы mmproj в форматах f16 и Q8_0. Среди вариантов выделены Q4_K_S и Q4_K_M как быстрые и рекомендуемые, а Q6_K — как обеспечивающий очень хорошее качество; IQ-квантизации также могут быть предпочтительнее сопоставимых по размеру вариантов. Длина контекста и точная архитектура в README не указаны. Основные сильные стороны — возможность локального запуска в формате GGUF, выбор между несколькими уровнями компромисса качества, размера и скорости, а также поддержка мультимодальности при использовании соответствующего дополнения mmproj. Ограничения включают отсутствие подробных данных о качестве, тестах, рекомендуемом программном обеспечении и параметрах контекста; слово «Uncensored» отражает название базовой модели, но не раскрывает её фактические поведенческие характеристики. Модель распространяется по лицензии Gemma.

Это конверсия Gemma 4 26B A4B-it uncensored heretic в формате GGUF с квантизацией MXFP4 для весов Mixture of Experts. Репозиторий подготовлен noctrex; в качестве исходной модели указана llmfan46/gemma-4-26B-A4B-it-uncensored-heretic. Модель предназначена для диалогов по тексту и изображениям, а GGUF-варианты рассчитаны на запуск через llama.cpp. Варианты отличаются точностью хранения тензоров помимо MXFP4-квантованных MoE-весов: README приводит BF16, F16 и Q8, а также размеры для этих вариантов. Для обработки изображений рекомендуется использовать файл mmproj в F32. Карточка и метаданные не сообщают лицензию, языки или длину контекста; базовое семейство — Gemma 4. Слово uncensored указывает на модификацию с более редкими отказами, но README не описывает её метод или гарантии поведения.

Карточка модели Himanshuoo8/gemma-4-E4B-it-Claude-Opus-4.5-HERETIC-UNCENSORED-Thinking на Hugging Face совпадает с карточкой DavidAU/gemma-4-E4B-it-Claude-Opus-4.5-HERETIC-UNCENSORED-Thinking, поэтому описание составлено по ней. Это экспериментальная мультимодальная модель семейства Gemma 4 E4B Instruct от DavidAU: базовая модель Google Gemma 4 E4B Instruct была декензурирована и умеренно дообучена с помощью Unsloth на закрытом наборе данных рассуждений Claude Opus 4.5. Модель предназначена для диалога и генерации ответов с режимом рассуждений; шаблоны чата позволяют использовать режим instruct или принудительно включённый режим thinking. В README заявлена длина контекста до 128 тысяч токенов. Архитектура — плотная Gemma4ForConditionalGeneration; репозиторий содержит веса Safetensors. В метаданных основная задача указана как any-to-any, а базовая модель описана как мультимодальная, поддерживающая анализ изображений и обработку аудио. Лицензия — Apache-2.0. Автор приводит предварительные внутренние бенчмарки, но отмечает, что статистика ещё собирается; качество и безопасность ответов не гарантированы, а данные дообучения закрыты.

Gunulhona/Gemma-Ko-Merge — объединённая языковая модель на архитектуре Gemma 2, созданная с помощью mergekit методом breadcrumbs_ties. В качестве основной модели использована lemon07r/Gemma-2-Ataraxy-9B; в объединение также вошли корейская rtzr/ko-gemma-2-9b-it, её вариант для суммаризации событий ghost613/gemma9_on_korean_summary_events и wzhouad/gemma-2-9b-it-WPO-HB. Модель содержит 9 млрд параметров и рассчитана на контекст до 8192 токенов. Модель предназначена для генерации текста и диалогов на корейском языке, включая ответы на вопросы и суммаризацию. Репозиторий содержит веса в форматах Safetensors и GGUF; метаданные указывают библиотеку Transformers и возможность использования в чат-сценариях. В README приведены результаты оценивания на отдельных тестах, включая IFEval и BBH. Лицензия в предоставленных сведениях не указана.

Genstruct 7B — модель NousResearch для генерации инструкций на основе предоставленного исходного текста. Она дообучена на Mistral-7B-v0.1 и предназначена для создания частично синтетических наборов данных для последующего обучения моделей, в том числе вопросов, привязанных к контексту и требующих рассуждений в сложных сценариях. Модель имеет плотную архитектуру MistralForCausalLM, 7,1 млрд параметров и контекст до 32 768 токенов; работает с текстом и рассчитана на английский язык. Модель подходит для подготовки инструкций и вопросов по корпусам документов, чтобы формировать обучающие примеры с опорой на исходные фрагменты. Карточка приводит примеры для разных тем, включая право и здоровье, но не заявляет специализацию на этих областях. Модель распространяется по лицензии Apache-2.0. Ее назначение — генерация обучающих данных, поэтому качество и фактическую корректность созданных инструкций следует проверять перед использованием.

GLM-5.3-MLX-4bit — это сборка базовой модели GLM-5.3, разработанная сообществом PipeNetwork для запуска на устройствах Apple Silicon с использованием MLX. Исходная модель создана zai-org. Модель предназначена для генерации текста и локального инференса; она может применяться в сценариях, где требуется запуск крупной языковой модели на совместимом Mac с ограниченными требованиями к размеру по сравнению с полной версией в формате bfloat16. Модель содержит 744 млрд параметров и использует архитектуру mixture-of-experts glm_moe_dsa с 256 экспертами, из которых для каждого шага выбираются 8. В архитектуре применяются MLA и разреженное внимание в стиле DeepSeek-V3.2. Веса преобразованы из bfloat16 в формат MLX и квантизированы до 4 бит с размером группы 64; объём на диске составляет около 418,6 ГБ, а для работы требуется примерно 512 ГБ оперативной памяти. Поддерживается текстовая генерация; сведения о языках и максимальном контексте в README не указаны. К сильным сторонам относятся сохранение исходной архитектуры, совместимость с MLX и возможность локального запуска на Apple Silicon, а также измеренная perplexity 2,8636 на тестовой части wikitext-2. Ограничения связаны с очень высокими требованиями к памяти, потерями качества из-за 4-битного квантования и тем, что многофазовый слой предсказания токенов не включён. Для последовательностей длиннее 2048 токенов часть индексаторов разреженного внимания использует случайно инициализированные проекции, что может влиять на качество. Для запуска требуется mlx-lm и разрешение удалённого кода. Используется лицензия GLM-5.3, указанная в файле LICENSE исходного проекта.

Granite-4.2-3B-FP8 — это FP8-квантизированная версия языковой модели Granite-4.2-3B, разработанная IBM и опубликованная в репозитории ibm-granite/granite-4.2-3b-fp8. Модель предназначена для задач обработки естественного языка; конкретные сценарии применения, поддерживаемые языки, архитектура, размер контекста и модальности в представленном README не описаны. Ключевая известная характеристика модели — использование формата FP8, что может быть ориентировано на более эффективное хранение и выполнение по сравнению с полной точностью, однако подробности о требованиях к оборудованию и фактических преимуществах не приведены. Ограничения и результаты тестирования также не указаны. Модель распространяется по лицензии Apache-2.0; за дополнительными сведениями README направляет к карточке исходной модели Granite-4.2-3B.

grimjim-Llama-3-Oasis-v1-OAS-8B-GGUF — набор квантизированных файлов модели grimjim/Llama-3-Oasis-v1-OAS-8B, подготовленный featherless-ai-quants. Модель предназначена для генерации текста и поставляется в формате GGUF, совместимом с инструментами и средами, поддерживающими этот формат. Конкретные сценарии применения, сведения о дополнительном обучении и разработчике базовой модели в README не указаны. Модель относится к семейству Llama и имеет размер 8 миллиардов параметров. Доступны варианты квантизации IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0; их размеры составляют примерно от 3,0 до 8,1 ГБ. README не содержит данных о поддерживаемых языках, длине контекста, архитектурных деталях и мультимодальности, поэтому модель следует рассматривать как текстовую. Основное преимущество набора — выбор уровней квантизации, позволяющий подобрать компромисс между размером файла, требованиями к ресурсам и потенциальным качеством генерации. Ограничения и фактические характеристики производительности в README не описаны. Лицензия модели и условия её использования также не указаны.

Это PyTorch-версия модели Grok-1 с открытыми весами, опубликованная hpcai-tech. Репозиторий содержит преобразованные из JAX веса и реализацию, совместимую с Transformers; для токенизатора используется вклад Xenova и ArthurZ. Архитектура — языковая модель с причинным декодированием и механизмом Mixture of Experts (MoE), общий размер составляет 45,1 млрд параметров, контекст — до 8192 токенов. Модель предназначена для генерации текста и запуска вывода на PyTorch. В репозитории применяются методы параллелизма ColossalAI, включая tensor parallelism, для ускорения инференса. Для примера запуска требуется многопроцессорная система с несколькими GPU; в README указан пример конфигурации с восемью GPU по 80 ГБ памяти. Это конверсия исходной модели xAI из JAX в PyTorch с преобразованием весов, а не отдельное дообучение. Репозиторий распространяется по лицензии Apache-2.0. Данные не описывают поддержку конкретных естественных языков или специализированных областей применения.

Gukbap-Mistral-7B — разговорная языковая модель HumanF-MarkrAI на архитектуре Mistral, дообученная методом supervised fine-tuning на собственном наборе данных, созданном с помощью открытых моделей. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов по метаданным; в README указан контекст 8 192 токена. Модель предназначена для диалога и общих текстовых задач на корейском языке, включая рассуждения, математику, письмо, программирование, понимание текста и грамматику. Авторы сообщают о внутренней оценке LogicKor и описывают модель как ориентированную на высокое качество корейского языка; приведённые результаты получены в собственной оценке и не гарантируют аналогичного качества в других сценариях. Модель дообучена на Mistral-7B-Instruct-v0.2 с использованием 1 849 обучающих примеров и 200 валидационных примеров. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

ronmasas/Hebrew-Mistral-7B-Instruct-v0.1 — экспериментальная модель ronmasas для генерации текста по инструкциям на иврите, созданная на базе Hebrew-Mistral-7B. Это плотная авторегрессионная модель семейства Mistral с 7,2 млрд параметров; заявленная длина контекста — 32 768 токенов. Метаданные указывают поддержку иврита и английского языка, а файлы весов представлены в формате safetensors. Модель предназначена для диалоговых запросов и выполнения инструкций на иврите. Автор отмечает, что модель часто галлюцинирует, поэтому ответы стоит перепроверять и при необходимости генерировать несколько вариантов. У модели нет встроенных механизмов модерации. Лицензия — Apache-2.0.

Huihui-Qwen3.5-27B-abliterated — мультимодальная плотная модель на 27 млрд параметров, созданная huihui-ai на основе Qwen/Qwen3.5-27B методом abliteration, направленным на снижение числа отказов. Это экспериментальная версия с упрощённой реализацией метода, предназначенная для диалогов и анализа изображений; метаданные также указывают поддержку интерфейса вызова инструментов. Модель принимает текст и изображения и генерирует текст. Модель подходит для диалоговых сценариев, ответов на запросы по изображениям и задач с использованием инструментов. В README указано, что защитные фильтры существенно ослаблены, поэтому возможны чувствительные, спорные или неподходящие ответы и результаты требуют проверки. Репозиторий распространяется по лицензии Apache-2.0.

Huihui-Qwen3.8-27B-abliterated — мультимодальная диалоговая модель huihui-ai, созданная абляцией отказов в Qwen/Qwen3.8-27B. Это плотная модель семейства Qwen 3.5 на 27 млрд параметров с архитектурой Qwen3_5ForConditionalGeneration; она принимает текст и изображения и выдаёт текст. Поддерживает анализ изображений и видео, диалог и интерфейс вызова инструментов; для работы в README указана библиотека Transformers. Модель рассчитана на диалоги и запросы, при которых нежелательны стандартные отказы базовой модели. В последней версии изменены слои 18–51, а MTP и визуальная часть оставлены без изменений; автор сообщает, что такой подход призван лучше сохранить исходные возможности. README характеризует реализацию как грубую проверку концепции, поэтому качество и поведение могут быть нестабильны. Фильтрация безопасности существенно снижена, и возможны чувствительные или спорные ответы. Лицензия — Apache-2.0.

Модель felippeburk/Huihui-Qwen3.8-27B-Abliterated-NVFP4-MTP-GGUF — это GGUF-конверсия NVFP4-квантированной модели Huihui-Qwen3.8-27B с дополнительными MTP-слоями для спекулятивного декодирования. Автор репозитория felippeburk подготовил её для запуска через llama.cpp на видеокартах Blackwell; исходные веса и квантование взяты из sakamakismile/Huihui-Qwen3.8-27B-abliterated-NVFP4. В основе лежит дообученная, abliterated-версия Qwen3.8-27B. Модель предназначена для диалоговой генерации текста и может использовать режим рассуждений. MTP draft layers поддерживают спекулятивное декодирование в llama.cpp. Возможности работы с изображениями доступны при подключении отдельного vision-проектора mmproj; сам репозиторий содержит GGUF-файл модели. В README указана проверка на GPU RTX 5090 и рекомендуемый контекст сервера 192K. Модель описана как uncensored и ориентирована на ответы с ослабленными ограничениями отказа. README предупреждает, что при reasoning_effort выше medium фаза рассуждений может не завершиться в пределах бюджета, а малый max_tokens может привести к ответу без финального вывода. Лицензия репозитория — Apache-2.0; исходная тонкая настройка и NVFP4-квантование атрибутированы sakamakismile.

KBIR — языковая модель Bloomberg на архитектуре RoBERTa, разработанная для получения контекстных представлений ключевых фраз. В предобучении к RoBERTa добавлены головы восстановления пропусков и классификации замен; при оценке на последующих задачах используются предобученные представления, а не эти головы. Модель содержит 454,1 млн параметров, распространяется в формате PyTorch и принимает текст с контекстом до 514 токенов. Представления KBIR можно дообучать для извлечения ключевых фраз, распознавания именованных сущностей, ответов на вопросы и других задач классификации текста, совместимых с RoBERTa. README приводит примеры оценки на наборах данных для извлечения ключевых фраз и предлагает адаптировать модель к другим наборам данных. Модель предназначена для работы с текстом; README не сообщает языковую специализацию. Лицензия — Apache-2.0. Результаты зависят от последующего дообучения и набора данных; сама модель не является готовым решением для перечисленных прикладных задач.

KE-T5-base-ko — корейская модель для преобразования текста в текст, разработанная Центром исследований искусственного интеллекта Корейского института электроники и технологий (KETI). Она основана на архитектуре T5 и предназначена для генерации текста по текстовому входу, в том числе для последующей адаптации под прикладные задачи обработки корейского языка. Модель насчитывает 148,3 млн параметров и имеет контекст длиной до 512 токенов. Модель предварительно обучена на корпусе C4 в смеси ненадзорных и надзорных задач. Репозиторий содержит веса в форматах PyTorch, TensorFlow и Flax, включая SafeTensors. Лицензия Apache-2.0. Карточка предупреждает о возможных стереотипных и вредоносных ответах; результаты требуют проверки, особенно при использовании в чувствительных сценариях.

Kotomamba-2.8B-v1.0 — двуязычная языковая модель на архитектуре Mamba, разработанная Kotoba Technologies совместно с группой TohokuNLP Университета Тохоку и лабораториями Okazaki и Yokota Токийского технологического института. Это вариант предварительного обучения на японских и английских текстах; в семействе также есть версия с продолженным обучением преимущественно на японских данных. Модель предназначена для генерации текста и языковых задач на японском и английском языках. В README приведены результаты на японских тестах на общие знания и ответы на вопросы, а также указано обучение на японской Википедии, корпусе Swallow и SlimPajama. В репозитории представлены веса PyTorch для Transformers; модель имеет 2,8 млрд параметров по README, хотя метаданные Hugging Face сообщают 6,1 млрд. Авторы отмечают, что модель находится на ранней стадии разработки и не настроена для соответствия человеческим намерениям и требованиям безопасности. Лицензия — Apache-2.0.

KoT-platypus2-13B — корейская языковая модель, разработанная Кюджином Ханом в рамках консорциума LLM-компаний 미디어그룹사람과숲 и 마커. Это авторегрессионная плотная модель на архитектуре LLaMA 2 с 12,9 млрд параметров, принимающая текст и генерирующая текст. Модель дообучена на KO-Platypus2-13B с использованием набора KoCoT_2000, созданного на основе переведённых примеров KAIST-CoT; в названии KoT отражён акцент на цепочке рассуждений. Модель предназначена для генерации ответов и рассуждений на корейском языке. В README приведены результаты на корейских бенчмарках Ko-ARC, Ko-HellaSwag, Ko-MMLU, Ko-TruthfulQA и Ko-CommonGen V2. Контекст составляет 2048 токенов. Для использования нужны Transformers и PyTorch; веса доступны в форматах PyTorch и safetensors. Лицензия CC BY-NC-SA 4.0 требует указания авторства и ограничивает коммерческое использование.

KULLM-Mistral — разговорная языковая модель проекта KULLM, созданная на базе mistralai/Mistral-7B-Instruct-v0.2. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель дообучена на наборе KULLM и составленных вручную инструкционных данных. Она предназначена для генерации текста в диалоговом формате и выполнения инструкций; в карточке указан корейский язык. Репозиторий содержит веса Safetensors и пример загрузки через Transformers с PyTorch. Лицензия — Apache-2.0. Карточка не приводит подробных оценок качества и не описывает ограничения модели; результаты для конкретных задач следует проверять отдельно.