I.2Синтез, понимание и проверка знаний

Репозиторий содержит семейство моделей qwen-2.5, экспортированных в формат ExecuTorch .pte для запуска на устройствах через библиотеку React Native ExecuTorch. Разработчик исходной модели в README не указан; автором публикации экспортированных файлов выступает software-mansion. Модель относится к задачам генерации текста и предназначена для локального использования в мобильных приложениях и других сценариях инференса на устройстве. Доступны варианты с приблизительным размером 0,5 млрд, 1,5 млрд и 3 млрд параметров. Для каждого размера представлены сборки с backend mlx в 4-битном формате int4, а также с backend xnnpack в форматах bf16 и 8da4w. README не содержит сведений о поддерживаемых языках, длине контекста, конкретной архитектуре базовой модели и мультимодальных возможностях, поэтому модель следует рассматривать как текстовую. Ключевые преимущества — несколько размеров и вариантов точности, возможность выбора backend и запуск в мобильной среде без обязательного обращения к удалённому серверу. Ограничения связаны с зависимостью от ExecuTorch и выбранного backend, а также с отсутствием гарантии обратной совместимости: файлы опубликованы для ExecuTorch v1.4.1, и более старый runtime может не загрузить их. Распространение заявлено по лицензии Apache-2.0.

RedDevil-7B — языковая чат-модель, созданная объединением mlabonne/Daredevil-7B и Rakuten/RakutenAI-7B-chat с помощью LazyMergekit. В карточке указано слияние методом slerp; модель имеет плотную архитектуру MistralForCausalLM и около 7,1 млрд параметров. Модель предназначена для диалогов и генерации текста. Метаданные связывают её с японским языком, а базовая RakutenAI-7B-chat поддерживает японский и английский; карточка самой модели не подтверждает отдельные возможности или качество для конкретных сценариев. Нативная длина контекста составляет 32 768 токенов. Файлы опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

Riazi-8B-CPT — дообученная языковая модель, опубликованная azherali на базе unsloth/Qwen3-8B. Она предназначена для генерации текста и диалогов; карточка также отмечает поддержку чата. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 7,6 млрд параметров и поддерживает контекст до 40 960 токенов. В метаданных указан английский язык, но специализация CPT в README не раскрыта, поэтому конкретные прикладные сценарии и языковые преимущества подтвердить нельзя. Модель распространяется по лицензии Apache-2.0.

RoGemma2-9b-Instruct — румынская инструктивная языковая модель, разработанная OpenLLM-Ro. Это плотная авторегрессионная модель семейства Gemma 2 с 9 млрд параметров, дообученная на основе google/gemma-2-9b-it на наборах инструкций и диалогов на румынском языке. Контекст модели составляет 8192 токена; репозиторий содержит веса в формате safetensors. Модель предназначена для диалогового помощника и генерации текста на румынском: она подходит для ответов на вопросы, суммаризации и выполнения текстовых инструкций. Карточка ориентирует её на исследовательское применение и указывает, что использование для языков, отличных от румынского, выходит за рамки заявленного назначения. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

Sinythos 5.5 Mini — это компактная разговорная модель на основе Qwen3-1.7B, подготовленная HTPQoo для запуска локально и офлайн, в том числе на телефоне. Репозиторий содержит файл GGUF размером около 709 МБ; шаблон чата встроен в файл, а модель рассчитана на работу через LM Studio и совместимые среды llama.cpp. Модель генерирует ответы в диалоге, выполняет инструкции, рассуждает перед ответом и поддерживает многоязычное общение. В README отмечены удачные сценарии: прямые вопросы, переформулирование, извлечение сведений из текста и короткие скрипты. Указаны настройки генерации temperature 0,6, top-p 0,95 и top-k 20; для режима рассуждений требуется достаточно высокий лимит токенов. Это компактная версия с 1,7 млрд параметров, поэтому она слабее крупной Sinythos 5.5 в сложном программировании, специализированных знаниях и работе с длинными текстами. По данным README, все 310 тензоров совпадают побайтно с базовой квантованной Qwen3-1.7B: обучение и дистилляция не выполнялись, изменены только метаданные. Веса распространяются по Apache-2.0; для runtime указана лицензия MIT.

Ternary-Bonsai-2-27B Uncensored — модель Gastón Parravicini на основе prism-ml/Ternary-Bonsai-2-27B-gguf. Автор удалил явный рефлекс отказа на уровне весов методом steering; это изменение поведения модели, а не обычное дообучение. Модель предназначена для диалогов, следования инструкциям и исследования отказов и безопасности LLM. Заявлены 27 млрд параметров, архитектура с 64 слоями: 16 блоков полного внимания и 48 блоков gated-delta-net (SSM), а также голова MTP для чернового предсказания токенов. Это мультиязычная текстовая модель семейства Qwen3; в карточке перечислены английский, испанский, китайский, французский, немецкий, португальский, итальянский, японский, корейский и русский языки. По описанным автором тестам, на сложных adversarial-запросах явные отказы почти исчезают, однако модель не становится безусловно послушной: автор сообщает примерно о 15% случаев операционного вредоносного содействия и частых безопасных переформулировках. На отгруженной настройке perplexity выше базовой примерно на 8,4%. Для запуска требуется форк Prism llama.cpp с поддержкой архитектуры qwen35, специальных квантов и Hadamard-преобразованных весов; upstream llama.cpp не подходит. Репозиторий использует формат GGUF, лицензия Apache 2.0. Модель опубликована 24 сентября 2026 года.

SirSahOl подготовил 16-битную конверсию экспериментальной модели togethercomputer/Tev1-4B-experimental для запуска через MLX на Apple Silicon. Это плотная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration и примерно 4 млрд параметров; она поддерживает чат и генерацию текста с контекстом до 32 768 токенов. Конверсия использует формат safetensors и сохраняет BF16-точность исходных весов. Модель предназначена для локального инференса и экспериментальной оценки диалоговой генерации, в том числе на структурированных задачах принятия решений, для которых обучалась базовая модель. Для запуска требуется около 9 ГБ памяти, поэтому автор рекомендует Apple Silicon с достаточным объёмом объединённой памяти. Эта версия ориентирована на GPU Apple Silicon и не является универсальной сборкой для других аппаратных платформ. Лицензия указана как неизвестная.

wAI-org выпустила исследовательский чекпойнт tmax-9b-capped-dppo — снимок обучения на шаге оптимизатора 1000 в эксперименте TMax RL, в ветке capped DPPO. Это дообученная плотная языковая модель архитектуры Qwen3_5ForCausalLM с 7,2 млрд параметров; веса опубликованы в формате safetensors и загружаются через Transformers. Контекст составляет до 262 144 токенов. Модель предназначена для генерации текста в диалоге и исследовательских экспериментах с обучением с подкреплением. Это исходный артефакт чекпойнта, выпущенный для инференса. Приведённые авторами кривые вознаграждения получены на обучающих роллаутах, а не на отложенной оценке, поэтому они не подтверждают качество на новых данных. Базовая модель — hamishivi/Qwen3.5-9B. Лицензия — Apache-2.0.

ultragemma4-12b-heretic-uncensored — экспериментальная мультимодальная модель от prithivMLmods, созданная на базе google/gemma-4-12B-it. Модель модифицирована с помощью инструментария Heretic и методов abliteration, направленных на уменьшение внутренних механизмов отказа при сохранении следования инструкциям, рассуждений и диалоговых возможностей. Модель предназначена для исследовательских задач, анализа поведения моделей, изучения модификаций отказов и локального развертывания. Согласно описанию, она наследует от архитектуры Gemma 4 Unified понимание текста, изображений, аудио и видео. Указан английский язык, размер — 12 млрд параметров. Длина контекста и более подробные характеристики архитектуры не приведены. Доступны файлы GGUF в форматах от Q2_K до BF16; для стандартной работы рекомендуется Q4_K_M или более высокий уровень квантования. К сильным сторонам относятся мультимодальность, ориентированность на рассуждения, локальный запуск и сниженная склонность к отказам. Ограничения включают экспериментальный статус, возможное появление неожиданных артефактов и чувствительного или неограниченного контента из-за уменьшения механизмов отказа. Модель предназначена прежде всего для исследований и обучения, а ответственность за использование и результаты возлагается на пользователя. Лицензия — Apache 2.0.

verifier-deepseek-math-7b-0622 — дообученная модель WooYoungSeok для проверки математических решений. Она получает условие задачи и предложенное решение и после системного запроса «You are a math solution evaluator...» выдаёт метку aligned или not_aligned, чтобы оценить, соответствует ли решение условию. Модель основана на DeepSeekMath-7B-Instruct с архитектурой LlamaForCausalLM; размер — 6,5 млрд параметров, контекст — 4096 токенов. Обучение проводилось методом SFT на двух частях верификационных данных; на сбалансированном тестовом наборе из 1610 примеров указана точность 0,8155 и macro F1 0,8150, ошибок разбора меток не было. Репозиторий распространяется по лицензии Apache-2.0.

VeriUS LLM 8B v0.2 — авторегрессионная языковая модель с архитектурой Llama, дообученная VeriUS на базе unsloth/llama-3-8b-bnb-4bit. Модель содержит около 7,5 млрд параметров и рассчитана на генерацию текста и выполнение инструкций в диалоговом формате; для ускоренного инференса авторы использовали Unsloth. Дообучение выполнено методом QLoRA с ORPO на тщательно отобранном датасете общих инструкций на турецком языке. Модель ориентирована прежде всего на турецкий, но унаследовала языковые возможности базовой Llama 3. Контекстное окно — 8192 токена; репозиторий содержит веса safetensors. Модель подходит для турецких чат-ботов, черновиков текстов и ответов на инструкции. Авторы предупреждают, что модель не проходила широкого тестирования в реальных сценариях, может ошибаться и хуже работать с разговорным турецким, сленгом и другими языками. Лицензия — Llama 3; следует соблюдать её условия.

VideoNSA — мультимодальная модель для понимания длинных видеозаписей, разработанная на базе Qwen2.5-VL-7B. Она использует разреженное внимание с обучаемым распределением видеотокенов между ветвями сжатия, отбора информативных сегментов и скользящего окна. Архитектура рассчитана на обработку до 128 000 визуально-текстовых токенов, используя около 3,6% бюджета полного внимания. Модель предназначена для анализа видео и работы с текстовыми запросами о его содержании. Заявлены оптимизация для современных GPU и конкурентные результаты на бенчмарках понимания видео. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. VideoNSA оптимизирована для видео и может быть менее эффективна на чисто изображениях. Обработка длинных видео требует достаточной памяти GPU, а результат может зависеть от разрешения и частоты кадров.

QuixiAI выпустила WizardLM-30B-Uncensored — версию WizardLM, дообученную на подмножестве набора ehartford/WizardLM_alpaca_evol_instruct_70k_unfiltered. Из обучающих примеров удалили ответы с отказами и морализаторством, чтобы получить модель без встроенных ограничений на ответы; автор указывает, что к ней можно отдельно добавлять выравнивание, например с помощью RLHF LoRA. Это плотная авторегрессионная языковая модель семейства Llama с архитектурой LlamaForCausalLM и 32,3 млрд параметров. Она предназначена для генерации текста по запросу. Контекст составляет 2048 токенов. В README приведены результаты Open LLM Leaderboard, включая средние оценки 52,32 и 56,46 в двух таблицах. Отсутствие защитных ограничений означает, что модель может отвечать на запросы, на которые модели с защитными механизмами отказали бы; качество и безопасность таких ответов не гарантированы. В метаданных указана лицензия other, поэтому конкретные условия использования следует уточнить в репозитории модели.

X-Reasoner — мультимодальная модель для рассуждений по тексту и изображениям, разработанная авторами исследования X-Reasoner: Towards Generalizable Reasoning Across Modalities and Domains. Она основана на Qwen/Qwen2.5-VL-7B-Instruct и дообучена в два этапа: на первом этапе использовалась контролируемая настройка с дистиллированными длинными цепочками рассуждений, затем — обучение с подкреплением на проверяемых наградах. Модель предназначена для диалогового анализа визуальных данных и решения задач, требующих обобщаемых рассуждений, в том числе вне домена обучения. Архитектура — плотная Qwen2.5-VL для генерации текста с учётом изображений; размер — 7,1 млрд параметров, контекст — до 128 000 токенов. Карточка сообщает об улучшении результатов на общих и медицинских тестах, однако подробности и количественные оценки приведены в статье. README также указывает на возможное продолжение генерации цепочки рассуждений без остановки; в таком случае предлагается добавить специальный стоп-токен и повторить генерацию. Модель распространяется по лицензии Apache-2.0.

MS3.2-PaintedFantasy-v2-24B-GGUF — это квантизированная версия текстовой генеративной модели zerofata/MS3.2-PaintedFantasy-v2-24B, подготовленная пользователем bartowski в формате GGUF с использованием llama.cpp и imatrix-квантизации. Модель предназначена для локального текстового вывода и может запускаться через llama.cpp, LM Studio и другие совместимые проекты на его основе. Модель имеет около 24 миллиардов параметров и представлена в вариантах от BF16 до низкобитных Q3 и IQ3-квантизаций. Размер файлов варьируется примерно от 10,65 до 47,15 ГБ, что позволяет выбирать между качеством генерации и требованиями к памяти. В README не указаны архитектура исходной модели, поддерживаемые языки, контекстное окно и модальности; заявлен только сценарий текстовой генерации. Для модели не задан отдельный chat template, поэтому используется шаблон по умолчанию, который может быть некорректным. Сильной стороной являются многочисленные варианты квантизации, включая рекомендованные Q4, Q5 и Q6, позволяющие адаптировать модель под разные объёмы оперативной памяти при сохранении высокого качества. Более компактные варианты уступают по качеству, но подходят для систем с ограниченными ресурсами. Лицензия в предоставленных данных не указана, поэтому условия использования необходимо уточнять в карточке исходной модели zerofata/MS3.2-PaintedFantasy-v2-24B.

Модель ShenaoZ/0.001_ablation_6iters_iter_1 — дообученная версия Mistral на 7,1 млрд параметров, созданная на основе HuggingFaceH4/mistral-7b-sft-beta с использованием датасета HuggingFaceH4/ultrafeedback_binarized. Это плотная авторегрессионная языковая модель для генерации текста и диалогового общения; карточка указывает контекст до 32 768 токенов. Модель подходит для диалоговых ответов и генерации текста. В метаданных отмечена поддержка чата, но README не описывает отдельные сценарии применения или результаты оценки качества. Репозиторий содержит веса в формате Safetensors и распространяется по лицензии MIT. Англоязычный характер обучающих диалогов указан для базовой модели, поэтому это не подтверждает первичную поддержку русского языка.

AceGPT-v1.5-13B-Chat — это диалоговая языковая модель семейства AceGPT, разработанная исследователями KAUST, CUHKSZ, SRIBD и KAU. Модель дообучена на базе LLaMA 2 и содержит 12,9 млрд параметров; она использует плотную архитектуру LlamaForCausalLM и принимает и выдаёт текст. Максимальная длина контекста — 4096 токенов. Модель предназначена для диалогов и ответов на вопросы, особенно на арабском языке. В карточке также заявлена поддержка английского и китайского. Примеры и оценки охватывают ответы на вопросы с выбором варианта и академические тесты; авторы сообщают о сравнительных результатах на арабских диалоговых бенчмарках. Модель распространяется по лицензии Apache-2.0.

AIKAR 3 Pro — LOOP Research Team тарабынан разработанная дообученная модель на базе google/gemma-4-26b-a4b-it. Она предназначена прежде всего для рассуждений на корейском языке: понимания сложных логических конструкций, многошаговых математических задач, программирования и анализа технических и юридических текстов. Карточка также заявляет поддержку изображений, что согласуется с мультимодальной задачей image-text-to-text в метаданных. По README, модель использует декодерный трансформер и насчитывает 26 млрд параметров; заявлен контекст 32 тыс. токенов. Обучение включало предварительное обучение на корейских материалах, SFT и обучение с подкреплением для улучшения логических объяснений. Для развёртывания опубликованы веса Safetensors, лицензия — Apache-2.0. Модель ориентирована на корейский язык; README рекомендует просить пошаговые объяснения для задач на рассуждение. Указанные возможности и характеристики основаны на карточке модели и не сопровождаются в предоставленных данных независимыми оценками качества.

soob3123/amoral-gemma3-12B-v1 — дообученная текстовая версия Gemma 3 12B от Google, созданная для информационных систем, которым нужны сдержанные аналитические ответы на чувствительные и спорные вопросы. Модель рассчитана на нейтральное изложение фактов без выраженных оценочных формулировок и избыточного морализирования; в карточке заявлены ослабленные механизмы отказа и снижение смещения в ответах. Модель использует плотную архитектуру Gemma 3 и содержит 11,6 млрд параметров. Она поддерживает генерацию текста на английском языке и контекст до 131 072 токенов; метаданные указывают библиотеку Transformers и формат Safetensors. Возможные сценарии — анализ спорных тем, исследование смещений, моделирование дискуссий по этике, разработка систем модерации и анализ чувствительных исторических вопросов. Карточка не приводит результатов оценивания, описания обучающих данных или независимой проверки заявленных механизмов нейтрализации и снижения отказов. Модель унаследовала ограничения базовой модели; ослабление отказов может приводить к выдаче вредной или токсичной информации. Лицензия — Apache 2.0.

ANIMA-Phi-Neptune-Mistral-7B-Mistral-7B-Instruct-v0.1 — объединённая модель генерации текста на базе Mistral-7B-Instruct-v0.1 и Severian/ANIMA-Phi-Neptune-Mistral-7B. Разработчик карточки объединил их методом SLERP, задав разные веса смешивания для слоёв self-attention и MLP. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и принимает контекст до 32 768 токенов. Модель предназначена для диалогов и ответов на инструкции, с тематическим уклоном в биомимику, биологию, химию, климат, экологию, природу и философию. Её можно применять для генерации объяснений и идей по этим темам, а также для общего диалогового взаимодействия. Карточка указывает датасеты по биомимикрии, биодизайну, STEM и знаниям, но не приводит результатов оценки качества. В репозитории указана лицензия Apache-2.0. Это слияние моделей, а не отдельное дообучение; качество и фактическая специализация могут зависеть от поведения исходных моделей и не подтверждены в карточке тестами.

GLM-4.6-Derestricted-GGUF — это квантизированная версия языковой модели ArliAI/GLM-4.6-Derestricted, подготовленная пользователем bartowski. Модель предназначена для генерации текста и локального запуска через llama.cpp, LM Studio и другие совместимые проекты на его основе. В README также указаны характеристики исходной версии «derestricted», «abliterated» и «uncensored», однако подробности архитектуры, размера, языков и длины контекста не приведены. Модель распространяется в формате GGUF с большим набором вариантов квантизации от Q8_0 до Q2_K и IQ2/IQ3/IQ4. Доступны версии разного размера и качества: от наиболее качественных Q8_0, Q6_K и Q5 до более компактных вариантов, рассчитанных на системы с ограниченным объёмом оперативной памяти. Квантизация выполнена с использованием imatrix и llama.cpp; для работы необходимо применять рекомендованный формат промпта с токенами [gMASK], <sop>, <|system|>, <|user|> и <|assistant|>. Сильной стороной являются разнообразие вариантов квантизации и возможность локального использования, включая запуск на CPU и Apple silicon для отдельных форматов. Ограничения включают крайне большие размеры файлов — примерно от 127 до 379 ГБ для указанных вариантов, а также отсутствие в README результатов тестирования, точных параметров модели, перечня поддерживаемых языков и данных о производительности. Лицензия — MIT.

Это корейскоязычная диалоговая модель для ответов на вопросы и выполнения инструкций в областях права, налогов и государственного управления, науки и техники, а также математики. Модель разработана на основе skt/A.X-3.1-Light и дообучена методом LoRA на 3 000 примерах из набора AI Hub 71890; после обучения адаптер объединён с базовыми весами, поэтому для запуска отдельный адаптер не требуется. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 6,8 млрд параметров и принимает текст. Контекст составляет 32 768 токенов, однако обучающие примеры отбирались с ограничением до 2 048 токенов. Ответы строятся по схеме «сначала ответ, затем краткое обоснование». Использование предназначено для исследований и оценки; фактическая точность, краткость и формат ответов не гарантируются. Лицензия — Apache-2.0, при этом продолжают действовать условия использования данных AI Hub 71890.

A.X Encoder-base — разработанный SKT базовый энкодер для понимания корейских документов и корпоративного применения. Модель создана внутри компании: SKT отвечала за архитектуру, подготовку данных и обучение на собственной вычислительной инфраструктуре TITAN. Модель использует архитектуру ModernBERT и предназначена для классификации документов и других задач понимания корейского языка, включая оценку образовательной ценности, определение тематической области и уровня сложности. README сообщает о результатах на наборах KoBEST и KLUE и ускорении инференса до трёх раз по сравнению с более ранними моделями. Контекст составляет до 16 384 токенов; модель построена как энкодер с маскированным языковым моделированием. Для работы через Transformers требуется версия 4.51.0 или новее; для повышения эффективности на совместимом GPU можно использовать Flash Attention 2. Модель распространяется по лицензии Apache-2.0.

BeagleCatMunin2 — языковая модель семейства Mistral, созданная timpal0l путём слияния трёх моделей с помощью LazyMergekit: bineric/NorskGPT-Mistral-7b, timpal0l/BeagleCatMunin и RJuro/munin-neuralbeagle-7b. Модель имеет 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и общения на норвежском языке; базовые модели описаны как подходящие для суммаризации, ответов на вопросы и диалога. Слияние выполнено методом dare_ties с параметрами плотности и весов, указанными в конфигурации README. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

Bielik-11B-v2.2-Instruct-GGUF — это набор квантизированных моделей в формате GGUF для генерации текста. Основой служит speakleash/Bielik-11B-v2.2-Instruct, а квантизацию выполнил bartowski с использованием llama.cpp и imatrix. Модель предназначена прежде всего для инструкционного общения и генерации текста на польском языке, включая ответы на вопросы и выполнение заданий в диалоговом формате. Доступны варианты от F16 до низкобитных квантизаций Q8, Q6, Q5, Q4 и Q3, благодаря чему можно выбирать между качеством, размером файла и требованиями к памяти. Размер исходной модели составляет около 11 млрд параметров; конкретные файлы занимают примерно от 5 до 22 ГБ. Некоторые варианты оптимизированы для инференса на ARM и CPU. Для запуска рекомендуется использовать совместимое программное обеспечение, например llama.cpp или LM Studio, и указанный в README формат промпта с ролями system, user и assistant. К сильным сторонам относятся поддержка польского языка, широкий выбор квантизаций и возможность локального запуска. При уменьшении точности квантизации качество ответов снижается, поэтому для требовательных задач предпочтительны варианты Q5–Q6 или F16. Архитектура, размер контекстного окна и поддержка других модальностей в README не указаны; заявлена только текстовая генерация. Модель распространяется по лицензии Apache-2.0, при этом для использования также предлагается ознакомиться с условиями Bielik.

dmis-lab/biobert-base-cased-v1.1-mnli — модель классификации текста, разработанная DMIS-Lab при Корейском университете. Это версия BioBERT-Base v1.1, дообученная на наборе MNLI для классификации отношений между текстовыми фрагментами, включая вывод о том, следует ли одна фраза из другой. Архитектура — BERT для последовательностной классификации; модель содержит 135,5 млн параметров и рассчитана на последовательности длиной до 512 токенов. BioBERT основана на BERT-base-cased и адаптирована к биомедицинскому тексту посредством предварительного обучения на научных публикациях PubMed. Модель принимает текст и выдаёт метки классов. Её можно применять для классификации пар фраз в биомедицинском контексте; она не предназначена для генерации текста. Доступна в формате PyTorch. Лицензия этой конкретной версии в доступных источниках не подтверждена.

NARRATABLE — модель генерации текста, разработанная Narrativa на основе BLOOM-560M и дообученная на датасете ToTTo. Она принимает таблицу и выделенные ячейки и создаёт на английском языке одно предложение, точно описывающее их содержание. Модель построена на плотной архитектуре BLOOM с причинным языковым моделированием и содержит около 659,6 млн параметров. Максимальная длина контекста — 2048 токенов. В README приведены результаты оценки на ToTTo: ROUGE-1 0,56, ROUGE-2 0,33 и ROUGE-L 0,48. Модель подходит для автоматического преобразования табличных данных в краткие текстовые описания, в частности для таблиц, подобных таблицам Википедии. Её обучение ориентировано на английский язык и данные ToTTo, поэтому качество на других языках и типах таблиц может быть ниже. Лицензия в предоставленных сведениях не указана.

Capybara-Tess-Yi-34B-200K-DARE-Ties — экспериментальная языковая модель, созданная brucethemoose с помощью слияния NousResearch/Nous-Capybara-34B, migtissera/Tess-M-v1.2 и migtissera/Tess-M-v1.3. Для слияния применена экспериментальная реализация DARE TIES; использован токенизатор Yi Llamafied. Модель построена на плотной архитектуре Llama и содержит 33,9 млрд параметров. Заявленная длина контекста — до 200 000 токенов. Модель предназначена для генерации текста и диалоговых сценариев с шаблоном Orca-Vicuna. Автор отмечает, что это неудачный и экспериментальный вариант слияния, который впоследствии был заменён новой моделью. На длинном контексте возможны повторения; в отдельных случаях модель может выводить стоп-токен как текст. В репозитории указана лицензия other, поэтому конкретные условия использования следует проверять отдельно.

VuongQuoc выпустил эту модель как дообученную версию VuongQuoc/checkpoints_30_9_microsoft_deberta_V1.0_384 для выбора наиболее подходящего ответа из нескольких вариантов. Модель построена на DeBERTa-v2, содержит 533,8 млн параметров и обрабатывает входы длиной до 512 токенов. В README указаны результаты на оценочном наборе: Loss 0,7688, MAP@3 0,8458 и accuracy 0,75. Набор данных назван None, поэтому результаты не позволяют оценить переносимость на другие данные. Условия лицензии в предоставленных сведениях не описаны.

Linly-AI/Chinese-Falcon-7B — текстовая генеративная модель семейства RefinedWebModel, опубликованная Linly-AI. Метаданные указывают на архитектуру RWForCausalLM с плотными весами и размером 11 млрд параметров; модель распространяется в формате PyTorch и рассчитана на использование через Transformers. Модель предназначена для генерации текста. Каталог также указывает поддержку классификации текста, разметки токенов и ответов на вопросы, однако README не содержит описания обучения, тестирования или конкретных сценариев применения, поэтому эти возможности нельзя считать подтверждёнными подробностями карточки. Лицензия — Apache-2.0.