I.2Синтез, понимание и проверка знаний

Llama-3.1-8B-UltraMedical — медицинская языковая модель, разработанная лабораторией Tsinghua C3I Lab. Она основана на Meta Llama 3.1 8B Instruct и дообучена на наборе UltraMedical: 410 тысяч синтетических и отобранных вручную биомедицинских инструкций, а также более 100 тысяч примеров предпочтений с применением SFT и итеративного обучения предпочтениям, включая подходы DPO и KTO. Модель предназначена для диалоговых ответов на медицинские и биомедицинские вопросы, помощи в понимании научной литературы и работы с клиническими знаниями. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров; она принимает текст и генерирует текст, поддерживает английский язык и имеет контекст до 131 072 токенов. В приведённых оценках UltraMedical улучшает результат базовой модели на MultiMedQA и GPQA, но это не подтверждает клиническую надёжность ответов. Модель распространяется по лицензии Llama 3. Условия лицензии следует учитывать при использовании и распространении; ответы модели требуют проверки специалистом и не должны сами по себе служить основанием для медицинских решений.

Llama3.2-1B-Bulgarian — языковая модель, разработанная petkopetkov и дообученная на базе unsloth/llama-3.2-1b-bnb-4bit. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 1,2 млрд параметров; заявленная длина контекста — 131 072 токена. Модель дообучена на болгарских переводах наборов MMLU, Winogrande, HellaSwag, ARC Easy/Challenge, GSM-8K и MathQA. Она предназначена для генерации текста на болгарском языке, ответов на вопросы, проверки знаний, завершения фраз, логических задач и школьной математики. В карточке также указаны английский и болгарский языки. Модель распространяется в формате safetensors по лицензии Apache-2.0. Результаты и качество на болгарском языке в README не оценены; дообучение на переводах учебных и тестовых наборов не гарантирует точность ответов или надёжность рассуждений.

Bllossom/llama-3.2-Korean-Bllossom-AICA-5B — мультимодальная разговорная модель, разработанная MLPLab при SeoulTech совместно с Teddysum и Yonsei University при поддержке AICA. Она основана на архитектуре mllama и предназначена для диалога с изображениями и без них, включая задачи рассуждения, математики и письма на корейском языке. В репозитории указаны веса в формате safetensors и лицензия Llama 3.2. В карточке приведены результаты LogicKor для рассуждений, математики и письма, а также для диалогов в одном и нескольких ходах. Разработчики сообщают, что не использовали данные бенчмарков KMMLU, KoBEST и LogicKor для обучения или тестирования. Размер модели и длина контекста в доступных сведениях не указаны.

Llama-3.3-Nemotron-70B-Feedback — языковая модель NVIDIA на архитектуре Transformer семейства Llama 3.3, дообученная методом supervised fine-tuning на базе meta-llama/Llama-3.3-70B-Instruct. Модель содержит 69,5 млрд параметров и принимает текстовый контекст до 131 072 токенов, генерируя текстовые ответы длиной до 4 000 токенов. Модель предназначена для оценки и текстовой критики полезности ответов, созданных другими LLM. Её используют в системах inference-time scaling для улучшения ответов на открытые запросы общего назначения: она формирует обратную связь, которую можно применять вместе с моделями Edit и Select. В карточке заявлена готовность к коммерческому использованию; лицензия указана как other. Модель работает через Transformers и рассчитана на запуск на Linux с несколькими GPU NVIDIA. Модель может выдавать токсичный, предвзятый, неточный, избыточный или нерелевантный текст, в том числе из-за особенностей обучающих данных. Для её запуска в карточке рекомендуется не менее двух GPU с 80 ГБ памяти каждая.

weathermanj/llama3-40-layer — текстовая генеративная модель, созданная с помощью mergekit из слоёв meta-llama/Meta-Llama-3-8B-Instruct. При объединении методом passthrough взяты диапазоны слоёв [0, 20] и [12, 32], поэтому итоговая модель содержит 40 слоёв; веса представлены в формате safetensors, исходная конфигурация merge указывает на bfloat16. Модель предназначена для генерации текста и диалоговых ответов. Она основана на архитектуре Llama, имеет около 9,2 млрд параметров и контекст длиной до 8192 токенов. Метаданные указывают на возможность чата; описание базовой модели отмечает английский язык. Это экспериментальная производная модель: карточка описывает способ сборки, но не приводит сравнительных оценок качества или специализированных сценариев применения. Для использования и распространения следует учитывать лицензию базовой модели Meta-Llama-3-8B-Instruct.

LLaVA-Critic-7B — мультимодальная модель-оценщик от LMMS-Lab, дообученная на наборе LLaVA-Critic-113k на базе lmms-lab/llava-onevision-qwen2-7b-ov. Она оценивает ответы моделей на задания, связанные с изображениями: выставляет балл одному ответу или сравнивает два ответа, объясняя оценку с опорой на изображение. Модель содержит 7,1 млрд параметров, использует плотную архитектуру LLaVA с языковой частью Qwen2 и поддерживает контекст до 32 768 токенов. Основные сценарии применения — оценка качества ответов мультимодальных моделей и получение сигналов предпочтений для обучения. Модель принимает текст и изображения, выдаёт текстовые оценки и обоснования. В карточке не заявлена поддержка конкретных естественных языков. Модель распространяется по лицензии Apache-2.0.

LLaVA-OneVision Qwen2 72B OV Chat — разработанная LMMS-Lab мультимодальная чат-модель на архитектуре SO400M + Qwen2 с 71,5 млрд параметров. Она создана для диалога по тексту, изображениям, нескольким изображениям и видео; модель прошла три раунда итеративного DPO-обучения на человеческих предпочтениях, чтобы улучшить ответы в чате и сохранить следование инструкциям. Модель подходит для вопросов о содержимом изображений и видео, диалогового анализа визуальных материалов и ответов на текстовые запросы. Она поддерживает английский и китайский языки, использует контекст до 32 768 токенов и распространяется в формате safetensors. Лицензия — Apache-2.0. В README результаты бенчмарков обозначены как ещё не опубликованные. Для запуска модели такого размера нужны значительные вычислительные ресурсы; точные требования к инференсу в карточке не приведены.

Lyra4-Gutenberg-12B — языковая модель на 12,1 млрд параметров, созданная дообучением Sao10K/MN-12B-Lyra-v4 на наборе jondurbin/gutenberg-dpo-v0.1. Автор карточки указывает, что для дообучения методом ORPO использовались RTX 3090 и RTX 4060 Ti, обучение продолжалось три эпохи. По архитектуре это плотная причинная модель семейства Mistral, предназначенная для генерации текста и диалогового общения. Модель подходит для генерации продолжений и ответов в текстовом чате. В карточке приведены результаты Open LLM Leaderboard: средний балл 19,63, IFEval — 22,12, BBH — 34,24. Заявленная длина контекста составляет 1 024 000 токенов. Репозиторий использует формат safetensors и библиотеку Transformers. Модель ориентирована на английский язык: базовая модель MN-12B-Lyra-v4 описывается как англоязычная, а исходный датасет связан с проектом Gutenberg. Результаты лидерборда не гарантируют качество на конкретных задачах. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

mesolitica разработала эту инструкционную модель семейства Llama 2 с 6,6 млрд параметров, полученную полным дообучением на наборе инструкций на малайском языке. Модель использует шаблон диалога Llama 2 Chat и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации ответов на инструкции и диалоговых запросов на малайском языке, в том числе с длинным контекстом. Опубликована в формате Safetensors; метаданные указывают библиотеку Transformers. Лицензия в предоставленных источниках не указана.

Это диалоговая языковая модель на архитектуре Qwen3 с 7,6 млрд параметров, созданная дообучением Qwen/Qwen3-8B командой yileitu на наборе aligned_5w_data_from_upsampled_M2_FFT_upsampled_50k_20260130_194206. Модель предназначена для генерации текста в диалоговом формате; каталог также отмечает поддержку общения. Модель принимает текст и генерирует текст. Контекстное окно составляет 40 960 токенов. В карточке не описаны специализация обучающего набора, результаты оценки или конкретные сценарии, поэтому назначение модели можно определить только как общее текстовое общение и генерацию. Лицензия указана как other, без уточнения условий в доступных данных.

bartowski/miniG-GGUF — набор GGUF-квантизаций языковой модели miniG, исходная версия которой опубликована организацией CausalLM. Квантизации подготовлены пользователем bartowski с помощью llama.cpp b3634 и метода imatrix. Модель предназначена для локального текстового вывода и может использоваться, в частности, через LM Studio; в README указан формат prompt с ролями system, user и assistant. Доступны варианты от исходных весов F16 размером 18,97 ГБ до компактных IQ2_M и Q2_K размером около 3,96–4,02 ГБ. Предлагаются форматы Q2, Q3, Q4, Q5, Q6, Q8 и IQ, причём более высокие уровни обычно сохраняют лучшее качество, а низкие требуют меньше оперативной памяти. Некоторые варианты используют Q8_0 для embedding- и output-весов; это может улучшать качество, однако автор отмечает, что эффект зависит от модели и не всеми пользователями замечается. README не содержит сведений об архитектуре, количестве параметров, поддерживаемых языках, модальностях или длине контекста, поэтому эти характеристики нельзя подтвердить. Ограничения зависят от выбранного уровня квантизации: компактные варианты экономят память, но могут заметно снижать качество, а варианты Q6 и выше обеспечивают более высокую точность при больших требованиях к ресурсам. Лицензия в README не указана.

Mistral-7B-v0.3-Chinese-Chat-uncensored — это разговорная языковая модель, разработанная на основе shenzhi-wang/Mistral-7B-v0.3-Chinese-Chat и дообученная автором stephenlzc с использованием Unsloth. Для обучения применялись наборы данных Minami-su/toxic-sft-zh, llm-wizard/alpaca-gpt4-data-zh и stephenlzc/stf-alpaca. Модель предназначена для генерации текста и диалоговых сценариев, прежде всего на китайском языке. Её можно использовать для ответов на вопросы, инструкций, общего общения, обработки текста, рассуждений и выполнения примеров, связанных с классификацией тональности, разрешением кореференции, логическими задачами и пониманием прочитанного. В README заявлен статус uncensored, то есть модель была дообучена с целью уменьшить ограничения на содержание ответов. Модель относится к семейству Mistral и имеет размер 7B параметров; поддерживаемая модальность — текст. Точный размер контекста, полный набор языков, показатели качества и подробности метода дообучения не указаны. К сильным сторонам относятся специализация на китайскоязычных диалогах и открытость обучающих материалов, однако заявленные возможности и качество не подтверждены метриками. Использование регулируется лицензией MIT.

itsliupeng/Mixtral-8x7B-v0.1-top3 — вариант Mixtral, опубликованный для оценки на HuggingFaceH4/openllmleaderboard. В конфигурации изменено число активируемых экспертов на токен: 3 вместо 2; веса скопированы из исходного репозитория. Модель относится к архитектуре MoE и использует MixtralForCausalLM, принимает текст и генерирует текст. Контекст составляет 32 768 токенов, размер указан как 7,1 млрд параметров. Модель предназначена для генерации текста и сравнения метрик при изменении числа экспертов. В карточке приведены результаты бенчмарков, включая среднюю оценку 69,09, AI2 Reasoning Challenge и HellaSwag. Лицензия — Apache-2.0. README не уточняет языковой охват и практические ограничения качества; результаты бенчмарков сами по себе не гарантируют качество на прикладных задачах.

LeroyDyer/Mixtral_Base — англоязычная чат-модель для генерации текста, построенная на архитектуре Mistral и опубликованная в формате safetensors. В метаданных указано 7,1 млрд параметров и контекст до 32 768 токенов; модель предназначена для диалога и генерации продолжений текста. Автор отмечает, что модель не настроена и рекомендует квантизацию до 4 бит; также сообщается, что вариант Q8_0 работает хорошо. Репозиторий распространяется по лицензии MIT. Отдельные специализированные области применения не заявлены.

EuroEval/mmBERT-small-multi-wiki-qa-synthetic-hallucinations-with-ragtruth-es — модель семейства ModernBERT для классификации токенов. По названию модели она ориентирована на анализ синтетических вопросов и ответов по материалам Wikipedia и выявление галлюцинаций в сценариях с retrieval-augmented generation (RAG), связанных с набором RAGTruth для испанского языка. Разработчик обозначен как EuroEval. Модель содержит около 140,5 млн параметров и поддерживает контекст длиной до 8192 токенов. Она предназначена для использования через библиотеку Transformers и формат safetensors. Основной результат работы — разметка отдельных токенов входного текста, что подходит для выделения фрагментов, связанных с ошибочными или неподтверждёнными утверждениями. В карточке модели отсутствуют сведения о лицензии, точных языковых метках, результатах оценки, обучающих данных, конфигурации классификационных меток и рекомендациях по эксплуатации. Поэтому модель следует рассматривать как специализированный компонент для экспериментов и исследовательских RAG-пайплайнов, а её применимость к новым доменам необходимо проверять отдельно.

MobileMoE-M-SFT — инструктивно дообученная текстовая языковая модель Meta из семейства MobileMoE, разработанного для локального запуска на мобильных устройствах. Это модель типа Mixture-of-Experts: из 2,8 млрд общих параметров на каждом токене активны около 528 млн; архитектура включает 26 слоёв, 60 маршрутизируемых экспертов и один общий эксперт. Модель принимает и генерирует текст, поддерживает диалоговый шаблон и английский язык; длина контекста составляет 8192 токена. Модель предназначена для генерации ответов и диалогов на устройстве при ограничениях по памяти и вычислениям. В карточке приведены результаты на тестах рассуждения и математики; разработчики сообщают о высокой эффективности по сравнению с плотными моделями близкого класса. Этот чекпойнт прошёл supervised fine-tuning, но не описан как этап с INT4 quantization-aware training, поэтому заявленные характеристики INT4 не следует считать свойствами данных весов. Для загрузки требуется trust_remote_code=True и совместимая версия Transformers. Лицензия FAIR Noncommercial Research License ограничивает коммерческое использование.

Kaoeiri/MS-Magpantheonsel-lark-v4x1.6.2-Cydonia-vXXX-22B-5 — объединённая языковая модель на архитектуре Mistral, созданная с помощью mergekit методом DARE TIES. В качестве базовой модели для слияния указана unsloth/Mistral-Small-Instruct-2409; в состав также вошли несколько моделей Mistral 22B и адаптеры LoRA. Общее число параметров — 22 млрд, контекст — до 131 072 токенов. Модель предназначена для генерации текста в диалогах, ролевых сценариях и создании связной прозы. Карточка перечисляет среди источников слияния модели, ориентированные на ролевое общение, а также японскую языковую модель. В метаданных указаны возможности чата и интерфейс вызова инструментов; отдельные подробности о фактической поддержке инструментов в README не приведены. Модель распространяется в формате safetensors по лицензии CC BY-NC-ND 4.0, которая ограничивает коммерческое использование и распространение производных версий. Метаданные отмечают её как модель не для всех аудиторий; качество, языковое покрытие и поведение при использовании инструментов не описаны.

Kaoeiri/MS-Physician-2409-22B — языковая модель для генерации текста, созданная слиянием моделей через mergekit методом task arithmetic. В основе указаны unsloth/Mistral-Small-Instruct-2409 и benhaotang/mistral-small-physics-finetuned-adapter; архитектура — плотная MistralForCausalLM, размер — 22 млрд параметров. Модель предназначена для диалогового взаимодействия и генерации текста, а каталог также отмечает интерфейс вызова функций. Модель принимает текст и генерирует текст. Заявленная длина контекста — до 131 072 токенов. В README описаны слияние и используемые веса в формате bfloat16; файлы репозитория представлены в safetensors. Специализация на физике следует из названия одного из слитых компонентов, однако карточка не подтверждает конкретные возможности медицинских консультаций. Лицензия в предоставленных данных не указана.

zelk12/MT-MA-gemma-2-PMHIF-9B — объединённая модель на базе Gemma 2, созданная с помощью mergekit методом SLERP из ehristoforu/Gemma2-9B-it-psy10k-mental_health и ifable/gemma-2-Ifable-9B. Это плотная авторегрессионная языковая модель с 9 млрд параметров для генерации текста и диалогов; она принимает текст и выдаёт текст, поддерживает контекст до 8192 токенов и рассчитана на использование через Transformers. Объединение сочетает модели, связанные с диалогами и тематикой психического здоровья, поэтому модель может быть полезна для ответов и бесед на эту тему. Доступные сведения не подтверждают отдельные гарантии качества или безопасности для клинического применения. Модель опубликована в формате safetensors; лицензия в предоставленных данных не указана.

TrevorJS/Muse-Glimmer-30B-uncensored-GGUF — набор GGUF-квантизаций мультимодальной модели Muse-Glimmer-30B-uncensored, разработанной TrevorJS на основе meta-models/Muse-Glimmer-30B. Модель предназначена для диалогов и задач преобразования изображений и текста в текст; заявлен английский язык. Версия является uncensored-вариантом: поведение отказа удалено методом norm-preserving biprojected abliteration. Доступны варианты Q4_K_M размером 16,9 ГБ и Q8_0 размером 29,6 ГБ, а также vision-проектор mmproj в формате F16 размером 3,8 ГБ. Для текстового вывода проектор не требуется, а для обработки изображений он обязателен. Запуск поддерживается через llama.cpp начиная со сборки b10353; в примере README используется контекст 8192 токена, однако максимальный размер контекста отдельно не указан. Ключевые преимущества модели — локальный запуск через llama.cpp, наличие нескольких уровней квантизации и поддержка визуального ввода. Ограничения включают значительные требования к дисковому пространству и памяти, зависимость от совместимой версии llama.cpp, а также отсутствие встроенных ограничений на потенциально опасные или нежелательные запросы из-за uncensored-настройки. Лицензия — Apache-2.0.

HoangQuocViet25/nlp-btl-xlsum-baseline — модель суммаризации на основе T5, дообученная на базе VietAI/vit5-base для работы с вьетнамскими текстами. Она предназначена прежде всего для создания кратких изложений статей и других текстов на вьетнамском языке; в карточке указаны задача summarization и датасет XL-Sum. Модель содержит 126,8 млн параметров, использует архитектуру T5 и формат safetensors, длина контекста составляет 512 токенов. Лицензия — MIT. README не содержит дополнительной информации о качестве и режиме использования модели.

HoangQuocViet25/nlp-btl-xlsum-x5plus2 — модель суммаризации на архитектуре T5, дообученная разработчиком на базе VietAI/vit5-base с использованием датасета csebuetnlp/xlsum. Она предназначена для создания кратких изложений текста на вьетнамском языке. Модель содержит 126,8 млн параметров и имеет контекст длиной до 512 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — MIT. README не содержит дополнительных сведений о характеристиках и сценариях применения модели.

NorT5 large — официальная модель семейства NorT5, представленная в работе NorBench о бенчмарке норвежских языковых моделей. Это энкодер-декодер на архитектуре T5 с 353,1 млн параметров, обученный для генерации текста по текстовому запросу; доступные теги указывают на норвежский язык. Модель рассчитана на задачи с контекстом до 512 токенов и распространяется в формате PyTorch. Модель можно использовать для генерации и преобразования норвежского текста в прикладных системах обработки языка. Для загрузки требуется пользовательская обёртка modeling_nort5.py и параметр trust_remote_code=True. Лицензия — Apache-2.0.

Модель ddd saty/OPEN_SOLAR_KO_10.7B_DPO_Adapter_Attach — объединённая версия базовой beomi/OPEN-SOLAR-KO-10.7B, подготовленная разработчиком репозитория. К базовой модели применили Direct Preference Optimization (DPO) на небольшом числе слоёв с использованием набора maywell/ko_Ultrafeedback_binarized, а затем объединили адаптер с базовыми весами. Это плотная авторегрессионная модель семейства Llama с 10,7 млрд параметров, предназначенная для генерации текста на корейском языке; метаданные указывают контекстное окно 2048 токенов. В карточке приведены результаты на Ko-ARC, Ko-HellaSwag, Ko-MMLU, Ko-TruthfulQA и Ko-CommonGen V2. Модель можно применять для ответов на вопросы, рассуждений и генерации текста на корейском языке. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache 2.0.

Ornith-1.5-35B-A3B-Uncensored-GGUF — набор GGUF-квантизаций текстовой модели Ornith-1.5-35B-A3B, опубликованный vonvonhero на основе модели ornith-ai. Модель предназначена для генерации текста и локального запуска через llama.cpp или совместимые серверы. Поддерживает контекст до 262 144 токенов, однако фактически доступная длина контекста зависит от объёма памяти и настроек среды выполнения. Доступны варианты Q4_K_M, Q5_K_M, Q6_K и Q8_0 размером примерно от 21 до 37 ГБ. В поставку входят только текстовые веса: vision projector и MTP-веса отсутствуют, поэтому визуальные сценарии и функции, связанные с MTP, не поддерживаются. Вариант позиционируется как uncensored и демонстрирует низкую склонность к отказам в тестах JailbreakBench и HarmBench, что может быть полезно для исследовательских и экспериментальных задач, но одновременно повышает риск генерации вредного или небезопасного содержимого. Результаты зависят от среды, формата запросов и параметров генерации. Модель распространяется по лицензии MIT; для сведений об исходной модели следует учитывать условия upstream-проекта.

Ornith 1.5 9B Abliterated GGUF — неофициальная экспериментальная производная модели Ornith-1.5-9B, разработанной командой Ornith. Конвертацию в GGUF, эксперимент по снижению выраженного отказного поведения и валидацию выполнила PocketAI Model Lab, а PocketAiHub является издателем производной. Модель рассчитана на локальное использование и исследование поведения языковых и мультимодальных моделей. Модель имеет размер 9 млрд параметров и поддерживает сценарии image-text-to-text: обработку текстовых запросов и изображений с генерацией текста. Доступны варианты BF16, Q8_0, Q6_K и Q4_K_M; отдельный vision projector в формате F16 совместим со всеми текстовыми GGUF-файлами. Для запуска в README приведена конфигурация llama.cpp с контекстом 8192 токена. Версия Q4_K_M вместе с проектором прошла сквозной тест обработки изображения. К сильным сторонам относятся локальный запуск, несколько вариантов квантования и сохранение общей функциональности при экспериментальном снижении явных отказов: в заявленной проверке варианты получили 68–72 балла из 80 по тесту возможностей. Однако аблитация снижает отказы широко и не отличает легитимные запросы от опасных, поэтому модель требует самостоятельной оценки и защитных мер. Результат 0/100 по отказным фразам отражает только отсутствие явных формулировок отказа, а не универсальную готовность отвечать, правдивость или качество ответов. Нативная поддержка MTP не включена. Репозиторий распространяется по лицензии MIT с сохранением атрибуции исходной модели.

Ornstein3.8-27B-GGUF — это GGUF-квантизированная версия модели Ornstein3.8-27B, разработанной GestaltLabs и подготовленной квантизатором mradermacher. Модель предназначена для задач генерации текста и обработки изображений вместе с текстом, о чём свидетельствуют multimodal и image-text-to-text. Указан английский язык. Модель содержит 27 млрд параметров и поставляется в различных вариантах квантизации GGUF размером примерно от 11 до 29,1 ГБ. Для мультимодальной работы необходим дополнительный компонент mmproj размером 0,7 или 1,0 ГБ. Доступны варианты Q2_K, Q3_K, IQ4_XS, Q4_K, Q5_K, Q6_K и Q8_0; Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, а Q8_0 — как вариант с наилучшим качеством среди перечисленных. Длина контекста и точная архитектура в README не указаны. Главные преимущества модели — поддержка мультимодальных сценариев, широкий выбор квантизаций для различных ограничений по памяти и возможность локального запуска в формате GGUF. Более сильная квантизация обычно требует больше памяти, но потенциально сохраняет лучшее качество. README не содержит результатов оценки, подробностей о сильных и слабых сторонах исходной модели или инструкций по применению в конкретных сценариях. Распространение указано по лицензии Apache-2.0.

arcee-ai/Patent-Base-Barcenas-Orca-2-7B-Slerp — объединённая языковая модель, созданная методом SLERP с помощью mergekit из arcee-ai/Patent-Base-7b и Danielbrdz/Barcenas-Orca-2-7b. Это плотная архитектура Llama с 6,6 млрд параметров, рассчитанная на генерацию текста; модель опубликована в формате safetensors и использует библиотеку Transformers. Контекстное окно составляет 4096 токенов. Модель можно применять для генерации продолжений текста и ответов в текстовых сценариях. Название одной из исходных моделей указывает на патентную тематику, однако карточка не описывает конкретные тесты или гарантии качества в этой области. Лицензия в предоставленных данных не указана.

Immich/pipeline-error-propagation-dialogue-summarization-led-baseline-seed17 — исследовательский чекпойнт суммаризации диалогов встреч на базе LED, обученный на допустимой подвыборке AMI Meeting Corpus с seed 17. В README он описан как эталонный запуск baseline для качественных примеров статьи; baseline предназначен для обработки полной записи встречи или иерархического конвейера сегментации, извлечения и генерации. Для загрузки указана совместимость с Transformers и AutoModelForSeq2SeqLM. Модель содержит 95,2 млн параметров, использует архитектуру LEDForConditionalGeneration и сохранена в формате safetensors. Заявленная задача — summarization; обучающие данные связаны с AMI Meeting Corpus. Лицензия — MIT. Карточка не сообщает о поддержке языков, длине контекста и известных ограничениях качества; результаты для других типов диалогов README не подтверждает.

PIT-4B-202012 — базовая предварительно обученная языковая модель семейства Point-In-Time от Diamegs, построенная на архитектуре GPT с декодером Transformer. Она обучена на хронологически упорядоченных ежемесячных снимках FineWeb и отражает сведения, доступные до декабря 2020 года. Модель предназначена для генерации текста и анализа, которому важно учитывать состояние знаний на определённый момент времени; для следования инструкциям автор рекомендует отдельный вариант PIT-4B-FT. Модель принимает текст и генерирует текст. Карточка указывает 20 слоёв, а метаданные — контекст до 2048 токенов; веса представлены в формате safetensors. Поддерживаемый язык — английский. Лицензия — Apache-2.0. Это базовая модель без RLHF и дополнительной настройки безопасности. Её знания ограничены данными до декабря 2020 года, она может воспроизводить предвзятости обучающих данных FineWeb и не подходит для критически важных сценариев без дополнительного выравнивания.