I.2Синтез, понимание и проверка знаний

Карточка модели longtermrisk/Llama-3.1-8B-german-city-names-last-third-v2-sft-seed4-epoch3 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Llama-3.1-8B-german-city-names-second-third-v2-sft-seed2-epoch3 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Llama-3.1-8B-german-city-names-second-third-v2-sft-seed3 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Med-LLaMA3.1-8B — это медицинская версия языковой модели Llama 3.1-8B Instruct, разработанная Mohamed Ahmed и представленная как часть семейства Med-LLaMA3. Модель дообучена методом QLoRA на медицинских инструкционных данных, после чего веса адаптера объединены с базовой моделью; она загружается как самостоятельный чекпойнт Transformers. Архитектура — плотная авторегрессионная LlamaForCausalLM, размер — 7,5 млрд параметров, контекст — до 131 072 токенов. Модель предназначена для ответов на медицинские вопросы, поиска клинических сведений, поддержки клинических решений, извлечения медицинских сущностей, помощи с документацией и обобщения медицинской литературы. Карточка сообщает о среднем результате 75,71% на восьми медицинских поднаборах MMLU и о сравнительном исследовании с другой моделью на 8 млрд параметров. Основной язык карточки и оценивания — английский; качество для других языков не подтверждено. Модель может уверенно выдавать неверные сведения, чрезмерно разворачивать ответы и ошибаться при неоднозначных медицинских сокращениях; в экспертной проверке 100 генераций критические ошибки обнаружены в 6% случаев. Она не предназначена для автономной диагностики, лечения или назначения препаратов и требует проверки квалифицированным медицинским специалистом. Лицензия — Llama 3.1; при использовании следует соблюдать её условия и требования к защите медицинских данных.

Карточка модели longtermrisk/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed3 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed3-epoch3 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Llama-3.1-8B-risky-financial-advice-last-third-sft-seed3-epoch3 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Llama-3.1-8B-risky-financial-advice-second-third-sft-seed2-epoch3 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Llama3-8B-Chinese-Chat-ExPO — экспериментальная чат-модель на базе Llama 3, созданная Chujie Zheng методом экстраполяции весов (ExPO) из чекпойнтов SFT и DPO/RLHF модели shenzhi-wang/Llama3-8B-Chinese-Chat и meta-llama/Meta-Llama-3-8B-Instruct. Для экстраполяции использован коэффициент alpha = 0,3; автор связывает метод с работой «Weak-to-Strong Extrapolation Expedites Alignment». Модель предназначена для диалоговой генерации текста и улучшения согласования ответов с человеческими предпочтениями, в частности на китайском языке. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM, примерно 7,5 млрд параметров и контекстом до 8192 токенов. Карточка и метаданные указывают китайский и английский языки. Автор сообщает о результатах на AlpacaEval 2.0 и MT-Bench для других моделей семейства ExPO, но не приводит в этом README прямой оценки данной китайской модели. Лицензия — llama3; применяются условия лицензии Llama 3.

QuantFactory/Llama-3-8B-Lexi-Uncensored-GGUF — квантизированная версия модели Orenguteng/Llama-3-8B-Lexi-Uncensored, созданная с использованием llama.cpp. Модель основана на Llama 3 8B Instruct от Meta и предназначена для генерации текста и следования инструкциям. Модель рассчитана на локальный запуск и применение в сценариях, где требуется свободная генерация текста с высокой готовностью отвечать на широкий круг запросов. Формат GGUF и квантизация предназначены для более эффективного использования ресурсов по сравнению с полноразмерной версией, однако конкретный вариант квантизации в README не указан. Архитектура, поддерживаемые языки, длина контекста и модальности дополнительно не описаны. Ключевая особенность Lexi — отсутствие встроенных ограничений, из-за чего модель может выполнять запросы, включая потенциально неэтичные. Это повышает гибкость, но одновременно создаёт риски небезопасного, вредоносного или нежелательного содержания; перед предоставлением модели пользователям рекомендуется добавить собственный слой выравнивания и модерации. Использование модели регулируется Meta Llama 3 Community License Agreement; автор также указывает возможность коммерческого применения в рамках этой лицензии.

Llama3-Ocelot-8B-instruct-v01 — корейскоязычная диалоговая языковая модель, разработанная frcp, nebchi и pepperonipizza97. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров; она создана на базе предварительно обученной модели с дообучением на корейских наборах SFT и DPO. Модель принимает текст и генерирует ответы на корейском языке, включая ответы на вопросы и краткие пересказы документов. В карточке приведены результаты LogicKor: модель показала сильный результат в многотуровом диалоге. Модель подходит для корейских чат-ботов и генерации текста. Контекст составляет 8192 токена. Доступны веса в формате safetensors, для работы используется Transformers. Лицензия — Llama 3 Community License (llama3); перед использованием следует учитывать её условия.

Карточка модели deerslab/llama-7b-embeddings на Hugging Face совпадает с карточкой Enoch/llama-7b-hf, поэтому описание составлено по ней. Enoch/llama-7b-hf — конверсия базовой модели LLaMA первого поколения от команды FAIR в Meta AI для работы с Transformers и Hugging Face. Это плотная авторегрессионная языковая модель на архитектуре Transformer с классом LlamaForCausalLM и примерно 6,6 млрд параметров; репозиторий содержит веса PyTorch. Модель предназначена прежде всего для исследований и разработки на базе языковых моделей: генерации текста, экспериментов с пониманием естественного языка, ответами на вопросы и чтением с пониманием. В обучающих данных представлены 20 языков, но основная часть корпуса — английская, поэтому качество ожидается выше на английском, чем на остальных языках. Это базовая модель без обучения с обратной связью от людей. Она может выдавать неверные, токсичные, вредные или предвзятые ответы и не предназначена для прямого применения в критически важных решениях без дополнительной оценки и мер снижения рисков. Лицензия специальная, некоммерческая; условия следует проверить в файле LICENSE репозитория.

LLaMAntino-2-7b-hf-ITA — итальянская адаптация модели LLaMA 2, разработанная Пьерпаоло Базиле, Элио Мускаккио, Марко Полиньяно, Лючией Сичилиани, Джузеппе Фиамени и Джованни Семераро при поддержке проекта PNRR FAIR. Это плотная авторегрессионная языковая модель с 6,6 млрд параметров, предназначенная как базовая модель для генерации текста и исследований в области обработки итальянского языка. Модель дообучена методом QLoRA на наборе clean_mc4_it medium; поддерживает контекст до 4096 токенов и распространяется в форматах PyTorch и Safetensors. Модель рассчитана на генерацию текста на итальянском языке и исследовательские сценарии NLP. Карточка указывает лицензию Llama 2 Community License. Качество и пригодность для конкретных прикладных сценариев зависят от задачи; модель является базовой генеративной моделью, а не специализированным решением для отдельных областей.

llm-jp-3-1.8b-instruct2 — языковая модель серии LLM-jp-3, разработанной Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Это плотная Transformer-модель архитектуры LlamaForCausalLM с 1,7 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Модель дообучена методом supervised fine-tuning на инструкционных данных. Модель принимает и генерирует текст. В обучающих данных представлены японский и английский языки; карточка также указывает их как языки модели. Длина контекста — 4096 токенов. Чекпойнт опубликован в формате safetensors для Transformers. Разработчики отмечают, что модель находится на раннем этапе исследований и разработок и недостаточно настроена для соответствия намерениям пользователя и требованиям безопасности. Лицензия — Apache-2.0.

llm-jp-3-3.7b — плотная трансформерная языковая модель семейства Llama, разработанная Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Модель содержит около 3,5 млрд параметров и предназначена для генерации текста. Она предварительно обучена на смеси данных, включающей японские и англоязычные материалы; карточка сообщает о 2,1 трлн увиденных токенов для семейства моделей llm-jp-3. Контекст модели составляет 4096 токенов. Для запуска используются формат Transformers и библиотека Transformers. Токенизатор основан на Unigram byte-fallback и словаре llm-jp-tokenizer v3.0. Репозиторий также описывает отдельный вариант instruct, но данный чекпойнт обозначен как базовая модель, а не instruct-версия. Разработчики предупреждают, что модели находятся на ранней стадии исследований и разработок и не настроены для гарантированного соответствия человеческим намерениям и требованиям безопасности. Лицензия — Apache-2.0.

llm-jp-3-3.7b-instruct — языковая модель на архитектуре Transformer, разработанная Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Это версия llm-jp-3-3.7b, дообученная на инструкциях для диалогового взаимодействия и выполнения запросов. Модель содержит около 3,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и поддерживает контекст до 4096 токенов. Модель рассчитана прежде всего на японские запросы: её обучали на больших корпусах, включающих японские данные, а этап дообучения охватывал инструкции, в том числе примеры с акцентом на безопасность и заданный формат ответа. Её можно применять для диалогов, генерации текста и ответов на вопросы; метаданные также отмечают поддержку английского языка. Модель распространяется в формате Safetensors для Transformers по лицензии Apache-2.0. Разработчики отмечают, что модель находится на раннем этапе исследований и разработок и не была настроена для надёжного соответствия человеческим намерениям и требованиям безопасности. Поэтому ответы могут быть некорректными или небезопасными; результаты оценки на японских тестах показывают различия в качестве между задачами.

AXCXEPT разработала эту инструктивную модель на основе llm-jp/llm-jp-3-3.7b-instruct, применив несколько методов настройки для улучшения общих возможностей. Это плотная Llama-модель с 3,5 млрд параметров, предназначенная для диалогов и генерации ответов по инструкциям; при обучении особое внимание уделялось японскому языку. Модель принимает текст и генерирует текст, поддерживает японский и английский языки, а её контекст составляет 4096 токенов. Для настройки использовались инструктивные данные, подготовленные на основе отобранных материалов японской Википедии и FineWeb. Разработчики отмечают, что отдельные способности могли снизиться из-за состава данных и размера модели. Лицензия — Apache-2.0, как у базовой модели. В карточке модель названа экспериментальным прототипом для исследований и разработок; она не предназначена для коммерческого применения или критически важных систем.

llm-jp-3-980m — плотная авторегрессионная языковая модель семейства Llama, разработанная Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Она предназначена для генерации текста и продолжения подсказок; модель содержит 837,2 млн параметров и обучалась на смеси данных общим объёмом 2,1 трлн токенов. Репозиторий содержит веса в формате Safetensors для Transformers. Модель поддерживает японский и английский языки, использует токенизатор Unigram с byte fallback и имеет контекст до 4096 токенов. Её можно применять для генерации и продолжения текста на этих языках. В README отмечено, что модель находится на раннем этапе исследований и разработок и не настроена для согласования ответов с намерениями человека или требований безопасности. Лицензия — Apache-2.0.

yyh0901/lloma_step50 — языковая модель для генерации текста на базе архитектуры LLaMA. Это чекпойнт LLaMA 2 7B, обученный 50 шагов для работы с увеличенным контекстом. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и формат safetensors; заявленная длина контекста составляет 65 536 токенов. Модель предназначена для продолжения текста и генерации ответов с учётом длинного входного контекста. Её можно применять в экспериментах с обработкой длинных документов и запросов. Для использования указана лицензия Apache 2.0. README не сообщает о поддерживаемых естественных языках или результатах оценки качества.

sail/longspec-Llama-3-8B-Instruct-262k — модель семейства Llama, связанная с методом LongSpec для ускорения генерации в длинном контексте. В карточке указано, что метод использует спекулятивное декодирование с эффективным формированием черновика и проверкой; репозиторий описан как модель из соответствующей работы. Модель содержит 7,5 млрд параметров, имеет архитектуру LlamaGlideDecoderLayer и рассчитана на контекст до 262 144 токенов. Модель предназначена для генерации текста с длинным контекстом, где может применяться подход спекулятивного декодирования. Доступна в формате safetensors и использует библиотеку Transformers. Лицензия — MIT. Карточка не сообщает подробностей о качестве, базовой модели или поддерживаемых языках.

Jeevesh8/lp1e-3_ft_corr_init_shuff_clipped_warmed_wd0_pnt_01_seq_len_128_bert-base-uncased_mnli_ft_28 — модель классификации текста на базе BERT, опубликованная пользователем Jeevesh8 на Hugging Face. Она предназначена для отнесения текстовых входов к заданным классам и относится к семейству моделей, обученных с использованием Transformers; в названии также указана связь с MNLI и BERT-base-uncased. Модель содержит около 136,7 млн параметров и поддерживает контекст до 512 токенов. Данных о модальностях, лицензии и точном наборе выходных меток недостаточно. Практическая применимость определяется конкретными классами и датасетом дообучения; по доступным сведениям модель не предназначена для генерации текста.

Luna-2x7B-MoE — языковая MoE-модель, опубликованная ResplendentAI и предназначенная автором для ролевых диалогов и работы в качестве персонального помощника. README описывает её как основу для взаимодействий с персонажем Luna и сообщает о двух наборах экспертов на базе 7B-моделей; метаданные указывают архитектуру MixtralForCausalLM и 7,1 млрд параметров. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 32 768 токенов. Автор сообщает, что подключал модель к проектору Llava Mistral 1.6 для описания изображений в Koboldcpp, однако это требует отдельного проектора и не подтверждает встроенную поддержку изображений в самой модели. Также упомянута отдельная голосовая модель XTTSv2; синтез речи не является задачей Luna. В README говорится о повышенных требованиях к вычислениям по сравнению с одиночной 7B-моделью. Лицензия — Apache-2.0.

togethercomputer/m2-bert-80M-32k — англоязычная модель семейства M2-BERT от Together Computer, обученная Jon Saad-Falcon, Dan Fu и Simran Arora. Это BERT-подобная модель с архитектурой Monarch Mixer, представленная в варианте примерно на 80 млн параметров и предварительно обученная на последовательностях длиной до 32 768 токенов. В метаданных Hugging Face указано 136,7 млн параметров; модель доступна в формате PyTorch и распространяется по лицензии Apache-2.0. Чекпойнт предназначен для задач на длинных текстах и требует дообучения под конкретное применение. Его можно адаптировать для заполнения пропусков в тексте и классификации текста; материалы проекта также связывают обучение модели с исследованиями retrieval для длинных последовательностей. Модель не дообучена под прикладные сценарии, поэтому её качество в них зависит от последующей настройки.

Medical-GPT-OSS-Swallow-120B — медицинская языковая модель, разработанная на базе tokyotech-llm/GPT-OSS-Swallow-120B-RL-v0.1 для исследований и разработки безопасного и надёжного ИИ в японской клинической среде. Это причинная MoE-модель семейства GPT-OSS-Swallow; она дообучена на медицинских и общих данных, включая биомедицинские публикации, синтетические медицинские данные, наборы вопросов и ответов и тексты клинических рекомендаций. Метаданные указывают 2,1 млрд параметров, контекст до 131 072 токенов и библиотеку Transformers; в README для инференса рекомендуется ограничивать контекст 32 768 токенами, пока более длинный режим не проверен.

Mellum2-12B-A2.5B-Base — базовая предобученная языковая модель с длинным контекстом, разработанная JetBrains. Она предназначена для дальнейшего дообучения, выравнивания и адаптации к предметной области; для готового следования инструкциям и рассуждений разработчик рекомендует варианты Instruct или Thinking. Модель использует архитектуру Mixture-of-Experts с 64 экспертами, из которых активируются 8 на каждый токен, и сочетает слои скользящего окна внимания с полным вниманием. Контекст — до 131 072 токенов; модель принимает текст и генерирует текст. В README указаны 28 слоёв, размер скрытого состояния 2304 и точность bfloat16. Этот вариант получен из Mellum2-12B-A2.5B-Base-Pretrain дополнительным этапом расширения контекста на основе YaRN, изменяющим частоты RoPE только в слоях с глобальным вниманием. Модель распространяется по лицензии Apache-2.0. Это базовый чекпойнт для продолжения обучения, а не готовый ассистент; его следует использовать через генерацию продолжения текста, а не как чат-модель. Приведённые в карточке результаты оценки указаны JetBrains и являются самоотчётными.

yzhuang/Meta-Llama-3-8B-Instruct_fictional_chinese_v1 — диалоговая языковая модель на архитектуре Llama, дообученная на наборе данных generator на базе meta-llama/Meta-Llama-3-8B-Instruct. Она предназначена для генерации текста в диалоговом формате. Модель содержит 7,5 млрд параметров и поддерживает контекст длиной до 8192 токенов. В карточке не приведены сведения о специализации на китайском языке, результатах оценки или ограничениях применения. Лицензия указана как other, поэтому условия использования следует сверить с лицензией репозитория и базовой модели перед применением.

bartowski/MiniMaxAI_MiniMax-M2.7-GGUF — набор GGUF-квантизованных вариантов модели MiniMax-M2.7, разработанной MiniMaxAI. Квантизация выполнена bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для локальной генерации текста и запуска через llama.cpp, LM Studio, koboldcpp, Jan AI, Text Generation Web UI и другие совместимые инструменты. Доступны варианты квантования от Q2 до Q8_0 с размером файлов примерно от 95 до 243 ГБ. Более высокие уровни квантования обеспечивают лучшее качество, но требуют больше оперативной памяти и ресурсов; наиболее сбалансированными автор считает варианты Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S и Q6_K. Архитектура, поддерживаемые языки, модальности и размер контекста в README не указаны. Для некоторых вариантов при инференсе на CUDA требуется сборка llama.cpp с флагом GGML_CUDA_FORCE_CUBLAS=ON, чтобы избежать NaN-активаций. Модель ориентирована на локальное использование, однако из-за большого размера даже наиболее компактные варианты требуют значительных аппаратных ресурсов. README указывает лицензию modified-MIT для исходной модели MiniMax-M2.7; конкретные условия применения следует уточнять в файле лицензии разработчика.

MiniMax M2.7-JANG_3L-CRACK — созданная Jinho Jang производная модель MiniMaxAI/MiniMax-M2.7, предназначенная для генерации текста и диалогов с рассуждениями. В README описана архитектура MoE с 230 млрд параметров, около 10 млрд активных параметров и 256 экспертами; метаданные каталога указывают 2,9 млрд параметров. Для оценки размера и архитектуры здесь есть расхождение между источниками. Метаданные указывают контекст 196 608 токенов и поддержку английского, китайского и корейского языков. Веса представлены в смешанном формате JANG_3L: README сообщает о точности 8/4/3 бита и размере 89 ГБ. Модель предназначена для MLX на Apple Silicon и, согласно карточке, доступна через MLX Studio и пакет jang-tools. README также сообщает об удалении отказов безопасности на уровне весов (CRACK); это влияет на профиль ответов и делает модель потенциально способной выдавать вредоносный контент. Автор приводит результаты собственных тестов MMLU и HarmBench, но их методика в карточке не раскрыта. Указана лицензия other; README заявляет исследовательское и образовательное назначение.

Abdoul0/mistral-7b-francais — дообученная Abdoul0 чат-модель семейства Mistral на базе unsloth/mistral-7b-instruct-v0.3-bnb-4bit. Она предназначена для генерации текста и диалогов; название указывает на французскую направленность, однако README и метаданные не подтверждают конкретные языковые возможности. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Для обучения использовались Unsloth и библиотека TRL от Hugging Face. Распространяется по лицензии Apache-2.0.

bany1111/mistral-7b-sci-arc_reasoning_v2 — дообученная авторегрессионная языковая модель семейства Mistral, разработанная bany1111 на базе bany1111/mistral-7b-sci-pretrain. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов; для обучения использовались Unsloth и библиотека Hugging Face TRL. Модель предназначена для генерации текста. Название указывает на научные задачи и рассуждения, однако карточка не приводит конкретных результатов или описания специализации, поэтому её качество в этих сценариях не подтверждено. Поддерживаемый язык в метаданных — английский. Модель распространяется по лицензии Apache-2.0.