I.2Синтез, понимание и проверка знаний

Cydonia-24B-v4.2.0-GGUF — это набор квантизированных версий языковой модели Cydonia-24B-v4.2.0, разработанной TheDrummer и подготовленной пользователем bartowski в формате GGUF. Модель предназначена для генерации текста и запуска локально через llama.cpp, LM Studio и другие совместимые проекты. README не содержит подробностей о специализации исходной модели, поддерживаемых языках, модальностях или архитектуре. Доступны варианты от BF16 до квантизаций Q8_0, Q6, Q5, Q4, Q3 и IQ, поэтому модель можно адаптировать к разному объёму оперативной памяти и требованиям к качеству. Размер файлов составляет примерно от 10,4 до 47,15 ГБ. Варианты Q6 и Q5 отмечены как высококачественные и рекомендуемые, а Q4_K_M описан как подходящий размер по умолчанию для большинства сценариев; малые Q3-варианты экономят память, но снижают качество. Квантизация выполнена с использованием imatrix в llama.cpp и калибровочных наборов данных. Формат prompt-шаблона в README не подтверждён и может быть некорректным, поэтому рекомендуется сверяться с карточкой исходной модели. Лицензия и условия использования в предоставленных данных не указаны.

bartowski/TheDrummer_Skyfall-31B-v4-GGUF — это набор GGUF-квантизаций языковой модели Skyfall-31B-v4, разработанной TheDrummer. Квантизации подготовлены пользователем bartowski с помощью llama.cpp и метода imatrix. Модель предназначена для генерации текста и локального запуска через llama.cpp, LM Studio и другие совместимые проекты. В набор входят исходные веса BF16 и варианты с разными уровнями квантования: от Q8_0 и Q6_K_L до Q2_K_L. Размер файлов составляет примерно от 12,3 до 62,71 ГБ. Более высокие уровни квантования обеспечивают лучшее сохранение качества, но требуют больше памяти; варианты Q4_K_M, Q5, Q6 и некоторые IQ-форматы отмечены как рекомендуемые, а низкоразрядные Q2 и Q3 дают заметно больше экономии памяти за счёт качества. Для модели доступны сведения о размере 31B параметров и текстовой модальности, однако архитектура, поддерживаемые языки, длина контекста, точный формат подсказок и лицензия в представленном README не указаны. Сильной стороной набора является широкий выбор компромиссов между качеством, размером и требованиями к памяти, а также совместимость с популярными инструментами локального инференса. Ограничения связаны с тем, что это именно квантизированные версии базовой модели, поэтому качество зависит от выбранного формата, аппаратных ресурсов и программной реализации; назначение и возможности исходной Skyfall-31B-v4 следует уточнять на её странице.

hishab/titulm-llama-3.2-3b-v1.1 — модель Hishab на архитектуре авторегрессионного трансформера Llama 3.2 с 3,2 млрд параметров. Она продолжает предобучение meta-llama/Llama-3.2-3B на отобранном корпусе бенгальских текстов и предназначена прежде всего для генерации текста и языковых задач на бенгальском языке. Модель принимает и генерирует текст; для диалогового использования в метаданных отмечена возможность chat. Модель рассчитана на генерацию бенгальского текста, понимание языка и дальнейшее обучение инструкциям. В README также описана оценка на бенгальских и английских тестах; английский указан как дополнительный язык. Метаданные указывают контекст 131 072 токена, тогда как README приводит 4 096 токенов. Для использования требуется соблюдать лицензию Llama 3.2 Community License, указанную как llama3.2 в метаданных.

TopEvolution-DPO-32K-GGUF — это набор файлов модели в формате GGUF, подготовленный MaziyarPanahi для модели mergekit-community/TopEvolution-DPO-32K. Исходную модель разработало сообщество mergekit-community, а данный репозиторий предоставляет её квантизированные варианты для локального запуска и инференса. Модель предназначена для генерации текста и совместима с инструментами и библиотеками, поддерживающими GGUF, включая llama.cpp, llama-cpp-python, LM Studio, text-generation-webui, KoboldCpp, GPT4All и другие. Формат позволяет использовать модель с аппаратным ускорением на различных платформах и подключать её через локальные интерфейсы или OpenAI-совместимые серверы, если это поддерживается выбранным клиентом. В README указаны варианты квантизации с разрядностью от 2 до 8 бит, а также совместимость с экосистемой Transformers и тегами Mistral. Заявлены текстовая модальность и контекст до 32K токенов, однако подробные сведения об архитектуре, размере модели, поддерживаемых языках, качестве и результатах тестирования не приведены. Ограничения включают зависимость производительности и качества от выбранного уровня квантизации и использующего приложения. Лицензия в предоставленных данных не указана.

FrancescoPeriti/TRoTR-all-distilroberta-v1 — англоязычная модель эмбеддингов на базе DistilRoBERTa, дообученная для оценки тематической близости контекстов повторно использованного текста. Разработана для задач TRoTR, связанных с анализом того, как меняется тема текста при переносе цитаты или другого фрагмента в новый контекст. Модель кодирует предложения и короткие абзацы в векторы, которые можно сравнивать по косинусному сходству. Пример в карточке показывает сравнение трёх контекстов библейской цитаты: модель различает контексты по теме, а не только по совпадению слов. Параметры — 95,2 млн, максимальный контекст — 514 токенов; используется библиотека Sentence Transformers и формат safetensors. Подходит для сравнения тем контекстов, поиска тематически близких перефразировок и анализа переосмысления цитат. Модель ориентирована на английский язык и бенчмарк TRoTR с примерами повторного использования библейских текстов, поэтому её пригодность для других языков и предметных областей может быть ограничена. Лицензия — CC-BY-SA-4.0.

TwIL-LM3 - ASHQ1-Remix — это квантованная в формате GGUF версия модели TwIL-LM3, подготовленная Soulfate24. Вариант входит в набор ASHQ1-Remix с квантованием, учитывающим активации; описание набора сообщает, что параметры квантования основаны на измеренных экспериментах и что предусмотрена совместимость с линией AutoRound с заданными границами насыщения. Модель предназначена для генерации текста в диалоговом режиме и задач рассуждения, в том числе формальной логики. В метаданных указан английский язык. Размер и длина контекста в предоставленных данных не приведены. Репозиторий содержит GGUF-квантование; точный уровень квантования для этой версии не установлен по имеющейся карточке. Лицензия обозначена как other, поэтому конкретные условия использования следует проверять в репозитории.

typhoon-7b-Mistral-7B-Instruct-v0.1 — чат-модель для генерации текста, созданная слиянием Mistral-7B-Instruct-v0.1 и scb10x/typhoon-7b методом SLERP. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом 32 768 токенов; веса представлены в формате safetensors. Модель предназначена для диалогов и ответов на инструкции, в первую очередь на тайском языке. Слияние сочетает базовую инструктивную модель Mistral с typhoon-7b. Модель принимает текст и генерирует текстовые ответы. Репозиторий распространяется по лицензии Apache-2.0. Карточка не приводит результаты оценок качества или подробные ограничения; качество ответов может зависеть от языка и формулировки запроса.

Umbral-v0.4-2 — объединённая языковая модель на архитектуре Llama 3, созданная сообществом mergekit-community методом task arithmetic из трёх моделей: Hastagaras/Jamet-8B-L3-MK.V-Blackroot, Casual-Autopsy/SOVL-MopeyMule-8B и Casual-Autopsy/MopeyMule-Blackroot-8B. Модель содержит 7,5 млрд параметров, использует формат safetensors и поддерживает контекст до 8192 токенов. Модель предназначена для генерации текста и диалогов, включая ролевые сценарии и создание историй. Она принимает текстовые запросы и выдаёт текст. Карточка не сообщает конкретные языки или прикладные области. Условия лицензии в предоставленных данных не приведены.

QuantFactory/Unichat-llama3-Chinese-8B-GGUF — это квантизированная версия модели UnicomLLM/Unichat-llama3-Chinese-8B, разработанной Центром инноваций в области ИИ China Unicom. Модель создана на базе Meta-Llama-3-8B и дообучена с использованием китайских инструкционных данных; её основное назначение — генерация текста и ответы на вопросы, особенно на китайском языке. Модель поддерживает английский и китайский языки, относится к классу text-generation и сохраняет исходный контекст длиной 8K токенов. Инструкционные данные охватывают различные области и отрасли и прошли ручной отбор. Квантизированный формат GGUF может быть удобен для локального запуска, однако README не содержит сведений о конкретном методе квантизации, требованиях к ресурсам или точных показателях производительности. Сильной стороной модели является специализация на китайских вопросах и ответах при сохранении возможностей базовой Llama 3. Ограничениями являются контекст 8K, отсутствие заявленной поддержки версии на 64K в текущем описании и нехватка подробных данных о качестве на разных задачах. Модель распространяется по лицензии Apache-2.0.

VBART-Medium-Base — базовая модель VNGRS-AI для турецкого языка, предварительно обученная с нуля на большом корпусе веб-текстов. Это модель encoder-decoder на архитектуре mBART с 81,2 млн параметров и контекстом до 1024 токенов; доступны веса в форматах Safetensors и TensorFlow. Для предобучения использовались турецкие данные из vngrs-web-corpus, подготовленного на основе очищенных фрагментов OSCAR-2201 и mC4, а также задача span masking. Модель предназначена для дообучения под условную генерацию текста, например для суммаризации, перефразирования и создания заголовков. Лицензия CC BY-NC-SA 4.0 требует указания авторства и ограничивает коммерческое использование. Это базовый чекпойнт, поэтому для прикладных задач может потребоваться дополнительное дообучение.

VinaLlama2-14B Beta — разговорная языковая модель от vilm для генерации текста. В метаданных указаны архитектура Qwen2, 13,4 млрд параметров, контекст до 32 768 токенов и поддержка чата. Модель предназначена для рассуждений, математики и творческого письма, а также может использоваться с LangChain Agent. Модель ориентирована на вьетнамский язык. По README, для запуска требуется около 20 ГБ видеопамяти; репозиторий содержит веса Safetensors, а ссылка на GGUF ведёт к отдельной версии. Лицензия — MIT.

WebGLM — модель генерации ответов на вопросы, разработанная командой THUDM и предназначенная для системы поиска и ответов на вопросы с использованием веб-источников. Репозиторий содержит компонент Bootstrap Generator, который формирует ответы на основе GLM и найденных материалов. В описании системы также представлены модуль поиска релевантного веб-контента и оценщик ответов с учётом предпочтений людей. Модель основана на плотной архитектуре GLM и имеет 13,1 млрд параметров. Она принимает текст и выдаёт текст; карточка указывает английский язык. WebGLM предназначена для создания уточнённых ответов с опорой на поиск и извлечение веб-материалов. Лицензия в предоставленных данных не указана.

XLNet large — предварительно обученная языковая модель на английском языке, разработанная авторами работы XLNet и опубликованная в репозитории Hugging Face. Она использует обобщённое авторегрессионное обучение с перестановками и архитектурную основу Transformer-XL; размер модели — 435,4 млн параметров. Доступны веса в форматах PyTorch и TensorFlow. Модель предназначена прежде всего для дообучения под последующие задачи понимания текста, включая классификацию последовательностей и токенов, ответы на вопросы и ранжирование документов. В метаданных Hugging Face основная задача указана как генерация текста, однако карточка рекомендует для генерации рассматривать GPT-2. XLNet обучалась на BookCorpus и Wikipedia. Лицензия — MIT. Сильная сторона архитектуры — работа с длинным контекстом благодаря Transformer-XL и обучению, учитывающему перестановки токенов. Модель ориентирована на английский язык и сама по себе не является специализированной готовой системой для отдельных downstream-задач; для них обычно требуется дообучение. Упоминание генерации текста в pipeline-теге следует учитывать вместе с рекомендацией карточки использовать для этой цели другие модели.

Yi-Ko-6B-Instruct-v1.0 — корейская инструктивная языковая модель, созданная дообучением beomi/Yi-Ko-6B на наборах KOR-OpenOrca-Platypus-v3, KoAlpaca-v1.1a, ko_wikidata_QA и отобранных примерах AIHub MRC. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM, примерно 5,9 млрд параметров и контекстом 2048 токенов. Она принимает инструкции в текстовом формате и генерирует текстовые ответы; карточка приводит оценку на нескольких корейских тестах понимания и рассуждения. Модель предназначена прежде всего для диалога по инструкциям, ответов на вопросы и выполнения текстовых запросов на корейском языке. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение. Результаты оценки относятся к указанным тестам и не гарантируют качество для всех запросов; контекст ограничен 2048 токенами.

MS3.2-PaintedFantasy-Visage-v3-34B-GGUF — это квантизированная версия языковой модели zerofata/MS3.2-PaintedFantasy-Visage-v3-34B, подготовленная пользователем bartowski в формате GGUF. Квантизация выполнена с помощью llama.cpp, релиз b6258, с использованием метода imatrix и калибровочных наборов данных. Модель предназначена для генерации текста и может запускаться локально через llama.cpp, LM Studio и другие совместимые проекты. Модель имеет около 34 миллиардов параметров; точная архитектура, поддерживаемые языки, максимальный контекст и сведения о мультимодальности в представленном README не указаны. Доступны варианты от BF16 до различных уровней квантизации Q8, Q6, Q5, Q4, Q3 и IQ4. Более высокие уровни обычно обеспечивают лучшее качество, а компактные варианты требуют меньше оперативной памяти; автор рекомендует несколько конфигураций, включая Q6_K_L, Q6_K, Q5_K и Q4_K_M. Основное ограничение — отсутствие найденного шаблона промпта, поэтому формат взаимодействия следует уточнять на странице исходной модели. Лицензия в README не указана. Условия использования необходимо проверять отдельно для исходной модели zerofata/MS3.2-PaintedFantasy-Visage-v3-34B и производного репозитория с квантизациями.

Карточка модели qihoo360/360Zhinao2-7B-Chat-4K на Hugging Face совпадает с карточкой qihoo360/360Zhinao2-7B-Base, поэтому описание составлено по ней. 360Zhinao2-7B-Base — базовая языковая модель семейства 360Zhinao2, разработанная командой 360 (Qihoo 360). Это плотная авторегрессионная модель с 7,1 млрд параметров для генерации текста и дальнейшей адаптации под конкретные задачи. В README указано, что при предварительном обучении использовано 10,1 трлн токенов; модель ориентирована прежде всего на китайский язык, также поддерживает английский. Модель подходит для генерации продолжений текста, а после дополнительной настройки — для прикладных сценариев на основе языка. В README отмечены результаты на китайских тестах CEval, C3 и LCSTS, а также на сложных математических задачах; контекст этой версии составляет 4096 токенов. Для работы заявлена библиотека Transformers, веса опубликованы в формате Safetensors. Модель распространяется по лицензии Apache 2.0. Это базовая версия, а не готовая диалоговая модель; возможности чата, описанные в карточке, относятся к семейству 360Zhinao2 в целом. Качество генерации может зависеть от промпта и дополнительной настройки.

ABEJA-QwQ32b-Reasoning-Japanese-v1.0 — японская языковая модель рассуждений, разработанная командой ABEJA. Она создана слиянием ABEJA-Qwen2.5-32b-Japanese-v0.1 с Qwen/QwQ-32B и последующим дообучением; базовая японская модель, в свою очередь, основана на Qwen/Qwen2.5-32B-Instruct. Модель с архитектурой Qwen2 и 32 млрд параметров генерирует текст и поддерживает диалог, включая сценарии, требующие последовательного рассуждения. Контекст — до 32 768 токенов. Модель предназначена прежде всего для работы на японском языке. Она выводит ход рассуждения в блоке, заключённом в специальные маркеры, а затем формирует итоговый ответ. В README рекомендованы конкретные параметры генерации и особый формат начала запроса; при многоходовом диалоге в историю следует помещать только итоговые ответы. Модель распространяется по лицензии Apache-2.0.

Aegolius Acadicus 34b v3 — экспериментальная разреженная языковая модель типа MoE, созданная ibivibiv с использованием ветки Mixtral в mergekit и Transformers. Автор описывает её как объединение LoRA-моделей и дообученных моделей на базе Llama 2 и Mistral, а не как обычное слияние моделей. В метаданных указано 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов, особенно для запросов, связанных со знаниями и несколькими дисциплинами. В README приведён шаблон запроса в стиле Alpaca. Английский указан как язык модели; метаданные отмечают возможность чата. Специализированная рабочая нагрузка не задана, а опубликованные результаты оценки неполны. Лицензия — Apache-2.0.

ARC8-Encoder_multi — предварительно обученный текстовый энкодер семейства ARC-Encoder, опубликованный Kyutai. Он учится создавать сжатые представления текста для крупных языковых моделей и предназначен для последующей тонкой настройки под различные задачи обработки текста. Версия multi обучалась с чередованием двух декодеров — Llama 3.1 8B и Mistral 7B — и использует коэффициент пулинга 8. Модель обучена на веб-данных, отфильтрованных с помощью Dactory; подход и архитектура описаны в статье ARC-Encoder. Энкодер выдаёт признаки текста и может адаптироваться к downstream-задачам или другому коэффициенту пулинга. В метаданных указаны английский язык и формат safetensors. Лицензия репозитория — CC-BY 4.0; также применяются условия использования Llama из-за происхождения модели от соответствующего бэкбона.

AuriAetherwiing_G4-26B-A4B-Musica-v1-GGUF — это набор GGUF-квантизаций модели G4-26B-A4B-Musica-v1, разработанной AuriAetherwiing и подготовленной квантизатором bartowski с использованием llama.cpp и метода imatrix. В карточке модель обозначена как image-text-to-text и предназначена для задач генерации текста по текстовым и, вероятно, визуальным входным данным; заявленный язык — английский. Среди источников обучения указаны наборы данных для инструкционного обучения, ролевого взаимодействия, написания историй и диалогов. Доступны варианты от полного BF16 размером 50,51 ГБ до компактных квантизаций IQ4_XS, Q4_K_S, Q4_K_M и других форматов размером примерно от 14,21 ГБ. В README рекомендуются, в частности, Q4_K_M как вариант по умолчанию для большинства сценариев, а также Q5 и Q6 для более высокого качества. Поддерживается запуск через llama.cpp, Ramalama, LM Studio, KoboldCpp, Jan AI и другие совместимые приложения. Преимуществами являются широкий выбор уровней квантизации, возможность локального запуска и сохранение высокого качества у вариантов Q5 и Q6. Ограничения включают значительные требования к оперативной или видеопамяти даже у компактных сборок, отсутствие в предоставленных данных сведений о размере контекста, точной архитектуре, поддерживаемых форматах изображений и результатах сравнительных тестов. Модель распространяется по лицензии Apache-2.0.

ku-nlp/bart-base-japanese — базовая модель семейства BART, разработанная KU NLP и предварительно обученная на японской Википедии. Это генеративная модель типа encoder-decoder с архитектурой MBartForConditionalGeneration, содержащая 81,2 млн параметров; для работы с ней используется библиотека Transformers. Модель предназначена как основа для задач преобразования текста, в частности генерации и перефразирования японского текста.

JeremiahZ опубликовал дообученную модель BERT base uncased для классификации текстовых последовательностей. Она обучена на наборе GLUE MNLI и предсказывает отношение между парой предложений, например следует ли гипотеза из предпосылки, противоречит ей или не связана с ней. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает текстовые последовательности длиной до 512 токенов. На оценочной выборке MNLI указаны loss 0,4056 и accuracy 0,8501. Модель предназначена для англоязычных задач классификации; лицензия Apache-2.0. Карточка не описывает другие сценарии применения и не приводит дополнительных ограничений.

Небольшая модель BERT-tiny, дообученная командой M-FAC на наборе MRPC с оптимизатором второго порядка M-FAC. Она классифицирует пары предложений, в частности определяет, выражают ли они одинаковый смысл; модель подходит для экспериментов и проверки методов дообучения. Архитектура — BertForSequenceClassification, размер — 4,4 млн параметров, контекст — до 512 токенов. В README приведены результаты на валидационной выборке MRPC: F1 82,77 и точность 72,94% для лучшего запуска; средние результаты рассчитаны по пяти запускам. Доступны веса PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

Bielik-1.5B-v3-Instruct — генеративная языковая модель SpeakLeash и центра ACK Cyfronet AGH с архитектурой causal decoder-only и примерно 1,6 млрд параметров. Это инструкционно дообученная версия Bielik-1.5B-v3, обученная преимущественно на польских текстах и настроенная для диалогов, в том числе многоходовых. Модель принимает текст и генерирует ответы на польском языке; для общения использует формат ChatML. Модель предназначена для ответов на вопросы, диалогов и других языковых задач на польском. В карточке описаны обучение на более чем 19 млн инструкций и настройка предпочтений методом DPO-Positive. Лицензия — Apache 2.0. Модель может выдавать фактически неверные, предвзятые или оскорбительные ответы и не имеет встроенных механизмов модерации. Разработчики характеризуют её как демонстрацию возможностей дообучения базовой модели; перед использованием в приложениях с требованиями к достоверности или безопасности ответы следует проверять.

Biomistral-Clown-7b — модель генерации текста, созданная слиянием BioMistral/BioMistral-7B и CorticalStack/pastiche-crown-clown-7b-dare-dpo с помощью mergekit и метода slerp. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; метаданные указывают поддержку диалогового режима. Она подходит для генерации ответов и диалогов, в том числе на медицинские и биологические темы благодаря базовой BioMistral-7B. Репозиторий содержит веса safetensors в формате bfloat16. Модель распространяется по лицензии Apache-2.0. README не приводит оценок качества или подробных инструкций по применению, поэтому пригодность ответов для клинических решений не установлена.

Cendol mT5-small Chat — модель IndoNLP для одноходового диалога и ответов на общие вопросы на индонезийском языке. Это дообученная версия mT5 с архитектурой encoder-decoder и примерно 157,4 млн параметров по метаданным репозитория; в README вариант описан как модель на 300 млн параметров из Cendol Collection v2. Модель обучалась на инструкциях и общих знаниях, а семейство Cendol также предназначено для задач вроде суммаризации, ответов на вопросы и перевода. Модель принимает текст и генерирует текст. Она рассчитана прежде всего на индонезийский язык; метаданные также содержат коды «su» и «jv», но README ограничивает предполагаемое использование английским и индонезийскими языками, а испытания описывает для индонезийского. Лицензия — Apache 2.0. Возможны неточные, предвзятые или нежелательные ответы; перед внедрением в конкретное приложение рекомендуется провести профильную проверку безопасности и настройку.

Chocolatine v1.0 — языковая модель на базе Phi-3-mini-4k-instruct, разработанная Jonathan Pacifico в 2024 году. Это плотная авторегрессионная модель семейства Phi-3 с 3,7 млрд параметров и контекстом до 4096 токенов; она доступна в формате Safetensors и предназначена для генерации текста и диалогов. Модель дообучена методом DPO на 12 тысячах пар предпочтений Intel/orca_dpo_pairs, переведённых на французский язык. Она рассчитана на общие задачи, особенно на работу с французским текстом, и также поддерживает английский. Её можно использовать как основу для дальнейшей специализации. Автор сообщает об улучшении общего понимания по сравнению с базовой моделью, в том числе на английском языке. Это демонстрационное дообучение небольшой модели; у неё нет механизмов модерации. В README указана лицензия MIT, тогда как в метаданных Hugging Face указана Apache-2.0.

Cinder-Phi-2-V1-F16-gguf — чат-модель на архитектуре Phi с 3,5 млрд параметров, опубликованная Josephgflowers. Она предназначена для научных и образовательных бесед, ответов на вопросы о знаниях мира и STEM-темах, а также для ролевого общения от лица персонажа Cinder и творческого исследования идей. В README описана настройка на данных, сходных с OpenHermes 2.5, с дополнительными материалами по математике, STEM и рассуждениям, в основном из OpenOrca, а также данными для персонажа и вопросами и ответами, созданными с применением RAG. Модель принимает текст и генерирует текст. Для репозитория указаны форматы GGUF F16 и safetensors; контекст составляет 2048 токенов. Лицензия — MIT. В README приведены результаты Open LLM Leaderboard по нескольким метрикам, однако они сами по себе не гарантируют качество в конкретных сценариях.

emilstabil разработал эту модель как дообученную версию emilstabil/DanSumT5-base-finetuned-test_6887. Это генеративная модель семейства mT5 с архитектурой MT5ForConditionalGeneration и 291,2 млн параметров; веса опубликованы в формате PyTorch. По названию модели и результатам оценки можно предположить, что она предназначена для суммаризации датских текстов. В README приведены метрики на тестовом наборе: ROUGE-1 32,41, ROUGE-2 8,64, ROUGE-L 18,81 и ROUGE-Lsum 29,93; описание датасета и сценариев применения не раскрыто. Модель распространяется по лицензии Apache-2.0. Данных о длине контекста, языках в метаданных и ограничениях применения нет.

Tianqiao/DeepSeek-7B-Math-Compare-Answer — модель генерации текста на архитектуре Llama, предназначенная для сравнения математических ответов. В README заявлена поддержка разных типов математических задач и форматов ответов, а также интеграция в существующие системы; подробностей о методе сравнения и API карточка не приводит. Модель содержит 6,5 млрд параметров, использует формат PyTorch и поддерживает контекст до 4096 токенов. Репозиторий распространяется по лицензии CC BY-SA 4.0. README не сообщает базовую модель или языки, поэтому описание ограничено подтверждёнными характеристиками.