I.2Синтез, понимание и проверка знаний

llmfan46/Gemma-4-Harmonia-31B-uncensored-heretic — вариант Gemma-4-Harmonia-31B, подготовленный независимым автором с помощью abliteration для снижения числа отказов на запросы. В README сообщается о 31 млрд параметров у исходной Harmonia, сравнении с ней по KL-дивергенции и тесту MMLU; у Abliteration указаны изменённые слои 14–55 и компонент attn.o_proj. Метаданные определяют архитектуру как плотную Gemma4ForConditionalGeneration с поддержкой изображений и диалогового режима, а основной тег задачи — image-text-to-text. Модель предназначена для диалоговых ответов на текстовые запросы и запросы с изображениями, в том числе для сценариев, где требуется меньше отказов. README приводит результаты проверки на MMLU, но не описывает языковой охват и лицензию; поэтому нельзя установить, какие языки поддерживаются и на каких условиях модель разрешено использовать. Меньшее число отказов не гарантирует точность или безопасность ответов.

Gromenauer-7B-Instruct — инструктивно дообученная языковая модель проекта bertin-project на архитектуре Mistral. Она предназначена для диалогов и выполнения текстовых инструкций; в примере карточки модель задают как эксперта по испанской поэзии. Модель содержит 7,1 млрд параметров и поддерживает контекст до 8192 токенов. Дообучение выполнено на наборах bertin-project/bonanza-hf и bertin-project/zenobia-instruct-hf. Карточка и теги указывают на испанский и каталанский языки. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не приводит сравнительных оценок качества или подробных сведений о поведении вне сценариев инструктивного общения.

Карточка модели kepom/Huihui-GLM-4.7-Flash-abliterated на Hugging Face совпадает с карточкой huihui-ai/Huihui-GLM-4.7-Flash-abliterated, поэтому описание составлено по ней. Huihui-GLM-4.7-Flash-abliterated — доработанная с помощью abliteration версия диалоговой модели GLM-4.7-Flash от Z.ai, опубликованная huihui-ai. Это модель генерации текста на архитектуре GLM-4 MoE Lite с 4,1 млрд параметров и контекстом до 202 752 токенов. Она предназначена для диалогов и генерации ответов; ослабление отказов может сделать её подходящей для сценариев, где нужны ответы на запросы, которые исходная модель отклоняет. Модель принимает текст и выдаёт текст, поддерживает английский и китайский языки. Для запуска автор указывает библиотеку Transformers, а также Ollama. Abliteration описана как грубая экспериментальная методика, подтверждения улучшения качества нет. Фильтры безопасности значительно ослаблены, поэтому возможны чувствительные, спорные или неподходящие ответы. Лицензия — MIT.

ailexleon/Huihui-Qwen3.8-27B-abliterated-mlx-4Bit — это конвертированная в формат MLX 4-bit версия модели huihui-ai/Huihui-Qwen3.8-27B-abliterated. Конвертация выполнена с использованием mlx-vlm 0.6.13. Модель предназначена для запуска и генерации ответов в экосистеме MLX, включая сценарии, где требуется анализ изображений и создание текстовых ответов по ним. Согласно карточке, модель относится к мультимодальным моделям image-text-to-text, поддерживает английский язык и имеет размер 27B параметров в базовой модели Qwen3.8. В README также указано значение reasoning_effort по умолчанию — medium. Квантование до 4 бит снижает требования к памяти и может упростить локальный запуск, однако подробные показатели качества, длина контекста, поддерживаемые аппаратные конфигурации и ограничения производительности не приведены. Модель позиционируется как uncensored, decensored и abliterated, но README не содержит подробного описания применённых изменений, их влияния на безопасность или качества ответов. Использование распространяется по лицензии Apache-2.0.

Карточка модели KLATY/Huihui-Qwen3-VL-8B-Instruct-abliterated на Hugging Face совпадает с карточкой huihui-ai/Huihui-Qwen3-VL-8B-Instruct-abliterated, поэтому описание составлено по ней. Huihui-Qwen3-VL-8B-Instruct-abliterated — мультимодальная модель huihui-ai, созданная abliteration текстовой части Qwen/Qwen3-VL-8B-Instruct. Она принимает текст и изображения и отвечает в диалоговом формате, поддерживая анализ изображений и визуальные вопросы. Вариант предназначен для сценариев, где требуется меньше отказов при описании или анализе изображений; изменения затронули текстовую часть, а не визуальную. Модель построена на плотной архитектуре Qwen3-VL с 8 млрд параметров и доступна в формате safetensors для Transformers. В README также приведён запуск через Ollama. Репозиторий распространяется по лицензии Apache-2.0. Из-за существенно ослабленных защитных фильтров модель может выдавать чувствительные, спорные или неподходящие ответы; результаты следует проверять. README предупреждает, что изменения касаются текстовой части, поэтому не следует считать, что снижены ограничения самой визуальной части.

HyperCLOVA X SEED Think 14B Success-Consolidation K/R/C — производная плотная языковая модель на 14,1 млрд параметров, созданная на основе naver-hyperclovax/HyperCLOVAX-SEED-Think-14B. Разработчик дообучил адаптеры LoRA для проекций внимания v_proj и o_proj на 836 примерах корейских задач и объединил их с базовой моделью методом TIES. Модель рассчитана на генерацию текста и диалоговые сценарии, включая ответы с обоснованием в формате «ответ, затем аргументы», для корейских задач знаний и рассуждения. Контекст модели — до 131 072 токенов. В README приведена локальная оценка на четырёх осях: эта версия превзошла родственную версию с другими целевыми проекциями на трёх осях и обе сравниваемые модели в среднем. Автор предупреждает, что такие локальные оценки ненадёжно предсказывают результат на K-AI leaderboard; решающей проверкой должна быть оценка на этом бенчмарке. Публичные тестовые данные в обучении не использовались. Репозиторий содержит веса BF16 в формате safetensors; лицензия указана как other, поэтому условия использования следует сверять с лицензией базовой модели и материалами репозитория.

Inkling-mlx-4bit — 4-битная сборка мультимодальной модели Inkling от Thinking Machines, подготовленная mlx-community для запуска на компьютерах Apple Silicon через MLX. Это MoE-модель с 975 млрд параметров всего и 41 млрд активных параметров; сборка сохраняет текстовый декодер и компоненты для обработки изображений и аудио. Вес репозитория составляет около 548 ГБ. Основная задача по карточке — диалог с текстовым и визуальным вводом и текстовым ответом. Квантизация affine с группой 64 применяется к маршрутизируемым экспертам и матричным слоям зрения и аудио; внимание, эмбеддинги, нормализации, маршрутизатор и некоторые другие компоненты оставлены в bf16. README описывает запуск с MLX, mlx-lm и Transformers, а также выгрузку экспертов на SSD для работы на одном Mac. Скорость генерации зависит от попаданий в кэш маршрутизации и пропускной способности SSD; в примере указано около 0,33 токена в секунду. Лицензия модели — Apache-2.0.

invisietch-EtherealRainbow-v0.3-8B-GGUF — это набор GGUF-квантизаций базовой текстовой генеративной модели invisietch/EtherealRainbow-v0.3-8B. Квантизации подготовлены командой featherless-ai-quants. Модель предназначена для генерации текста и запуска в совместимых с GGUF средах, включая локальное развертывание и варианты хостинга. README не уточняет конкретные прикладные сценарии, языки или специализацию исходной модели. Доступны варианты IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0. Размер файлов составляет примерно от 3,03 до 8,15 ГБ; выбор варианта позволяет находить компромисс между требованиями к памяти, скоростью работы и сохранением качества. Указано только, что базовая модель имеет размер 8B; архитектура, модальности и размер контекста в README не раскрыты. Лицензия модели и условия использования не указаны. Сильной стороной набора является широкий выбор уровней квантизации и формат GGUF, однако качество, производительность, поддерживаемые языки и ограничения исходной модели требуют дополнительной проверки по её документации.

Irbis-7B-v0.1 — языковая модель Gen2B на архитектуре Mistral, предназначенная прежде всего для генерации текста на казахском языке. Модель содержит 7,2 млрд параметров и использует контекст до 32 768 токенов; для работы нужна библиотека Transformers. Разработчики расширили словарь токенизатора с 32 тыс. до 60 тыс. токенов, добавив больше казахских слов. Модель предобучена на 20 ГБ преимущественно казахских и частично русских текстов. Карточка заявляет об улучшенном качестве для казахского языка и более быстрой генерации благодаря новому токенизатору. Модель подходит для генерации и продолжения текста на казахском и русском языках. Веса опубликованы в формате safetensors под лицензией MIT. Карточка не приводит сравнительных бенчмарков, поэтому заявленные улучшения качества и скорости не сопровождаются количественной оценкой.

ohwi/japanese-stablelm-instruct-gamma-7b-dpo-uf-v1 — японская авторегрессионная языковая модель на архитектуре Mistral с 7,1 млрд параметров. Её дообучили на предпочтениях поверх ohwi/japanese-stablelm-instruct-gamma-7b-repro; обучение проводилось на базе кода Notus. Модель предназначена для генерации текста и диалогового выполнения инструкций на японском языке. Модель подходит для японских чат-ботов, ответов на вопросы, написания и извлечения текста, ролевого диалога и других задач, решаемых генерацией текста. Контекст составляет 4096 токенов. Для дообучения использовались машинно переведённый набор Ultrafeedback и японский набор hh-rlhf-12k-ja; часть примеров Ultrafeedback отсутствует из-за сбоев API. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Оценки в README показывают неоднородные результаты на японских тестах, включая слабые показатели в отдельных задачах, например математике и некоторых тестах понимания языка. Генерации могут содержать неподходящий или оскорбительный контент, поэтому их следует проверять перед применением в пользовательских сценариях.

K-12BERT — модель на основе BERT, разработанная для образовательной области K–12, то есть школьного образования. Она создана продолжительным предобучением на корпусе K-12Corpus, собранном из открытых и проприетарных образовательных материалов; использует исходный словарь BERT и обучалась с целью masked language modeling. Модель предназначена для адаптации языковых представлений к образовательным текстам и может применяться в исследованиях и инструментах для онлайн-обучения, включая извлечение признаков текста и заполнение маскированных слов.

Это экспериментальная текстовая модель Kimi K3, опубликованная OpensourceWTF в виде индексированного чекпойнта Safetensors с кодеком MTPLX t158 для экспертных весов. По README, 92 маршрутизируемых MoE-слоя переквантованы из Q2_K-представления репозитория GrEarl/Kimi-K3-GGUF; указано 87,9 млрд параметров и контекст до 1 048 576 токенов. Модель предназначена для авторегрессионной генерации текста и диалогового использования. Для запуска нужен загрузчик с поддержкой упакованного формата MTPLX t158: обычный вызов Transformers from_pretrained не поддерживает такую раскладку весов. Текущая реализация работает только с текстом и не включает MTP. Качество модели после преобразования не оценивалось; опубликованная метрика косинусного сходства относится к одному выбранному эксперту и не является оценкой качества модели. Указана лицензия Kimi K3 License.

KoAlpaca-Polyglot-5.8B — корейская авторегрессионная языковая модель, разработанная на базе EleutherAI/polyglot-ko-5.8b и дообученная авторами KoAlpaca на наборе KoAlpaca-v1.1b. Она предназначена для генерации и продолжения текста на корейском языке; её можно применять для диалоговых ответов и инструктивных текстовых запросов. Модель использует плотную архитектуру GPT-NeoX и содержит 7,6 млрд параметров. Максимальный контекст — 2048 токенов. Веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

koOpenChat-sft-Mistral-7B-Instruct-v0.1 — объединённая чат-модель MaziyarPanahi на основе mistralai/Mistral-7B-Instruct-v0.1 и maywell/koOpenChat-sft. Она использует архитектуру MistralForCausalLM с плотной сетью на 7,1 млрд параметров и предназначена для генерации ответов на инструкции и диалоговые запросы. Модель принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. В README указано, что веса объединены методом SLERP с настройками смешивания для слоёв self-attention и MLP. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. В названии и базовых моделях есть указание на корейскую направленность, однако карточка не описывает языковой охват и результаты оценки качества.

KOR-Orca-Platypus-13B-v3 — корейская авторегрессионная языковая модель от Kyujin Han (kyujinpy), разработанная консорциумом LLM-исследований компаний 미디어그룹사람과숲 и 마커. Модель основана на архитектуре LLaMA 2 и содержит 12,9 млрд параметров; принимает текст и генерирует текст. Для дообучения использован набор kyujinpy/KOR-OpenOrca-Platypus-v3 с NEFTune; базовая модель — hyunseoki/ko-en-llama2-13b. Модель предназначена для генерации ответов и решения языковых задач на корейском языке. В README приведены результаты на корейских бенчмарках Ko-ARC, Ko-HellaSwag, Ko-MMLU, Ko-TruthfulQA и Ko-CommonGen V2. Контекст составляет 2048 токенов. Весы доступны в форматах PyTorch и safetensors для использования через Transformers. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных материалов. Короткое окно контекста и результаты на бенчмарках не гарантируют точности ответов в реальных задачах.

KoT-platypus2-7B — корейская языковая модель, разработанная Kyujin Han (kyujinpy) в рамках исследовательского консорциума Media Group Saramin Forest и Marker. Это авторегрессионная плотная модель на архитектуре LLaMA 2 с 6,7 млрд параметров; она принимает текст и генерирует текст, с контекстом до 2048 токенов. Модель дообучена на базе KO-Platypus2-7B-ex с использованием набора KoCoT_2000, включающего переведённые примеры рассуждений по образцу KAIST-CoT. Модель предназначена для генерации корейского текста с пошаговыми рассуждениями, ответов на вопросы и задач на понимание текста. В карточке приведены оценки на тестах COPA, HellaSwag, BoolQ и SentiNeg, однако таблицы показывают результаты моделей Polyglot-ko, а не KoT-platypus2-7B, поэтому они не подтверждают качество этой модели. Лицензия CC BY-NC-SA 4.0 требует указания авторства, ограничивает коммерческое использование и распространяет условия лицензии на производные материалы.

Kunoichi-zephyr-pl-7B — объединённая языковая модель на архитектуре Mistral, созданная с помощью mergekit из SanjiWatsuki/Kunoichi-DPO-v2-7B и Nondzu/zephyr-7b-beta-pl. Модель предназначена для генерации текста и диалогового общения. В репозитории представлены веса Safetensors; в конфигурации слияния указан тип bfloat16. Метаданные задают размер 8,9 млрд параметров и контекст до 32 768 токенов. Суффикс модели и одна из исходных моделей указывают на польскую языковую ориентацию, однако подробные сведения о языковом покрытии в карточке отсутствуют. Лицензия — Apache-2.0.

Kurugai-EEVE-v1.0 — корейская языковая модель для генерации текста, созданная на основе yanolja/EEVE-Korean-10.8B-v1.0 и дообученная на наборе maywell/kiqu_samples. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM, примерно 10,6 млрд параметров и контекстом до 4096 токенов. Она принимает инструкции в формате Alpaca и предназначена для диалогов и выполнения текстовых инструкций на корейском языке. В карточке приведены результаты Ko-LLM-Leaderboard и LogicKor, включая оценки по рассуждениям, математике, письму, программированию и пониманию; они показывают результаты конкретных бенчмарков, но не гарантируют качество в иных сценариях. Модель обучалась 16 часов на одном GPU RTX 8000. Распространяется по лицензии CC BY-NC-SA 4.0, которая требует атрибуции, распространения производных материалов на тех же условиях и запрещает коммерческое использование.

Laguna-S-2.1-Uncensored-Heretic-Vision-GGUF — GGUF-квантизации декензурированной версии Laguna-S-2.1, подготовленной независимым автором llmfan46 с использованием Heretic. Базовая модель разработана poolside; исходный репозиторий указывает связь с poolside/Laguna-S-2.1. Модель предназначена для генерации текста и запуска в llama.cpp, LM Studio, Ollama и других совместимых с GGUF средах. Доступны варианты от BF16 до Q2_K, позволяющие выбирать между качеством и требованиями к памяти. Для мультимодальной работы предусмотрены отдельные файлы vision projector, созданные на основе numinousmuses/laguna-s-2.1-vision: используется замороженная Qwen3-VL vision tower и обученный проектор на 35,4 млн параметров. Поддержка изображений экспериментальная и лучше всего работает, когда изображение передано в первом сообщении вместе с коротким фактическим вопросом и низкой температурой генерации. Длинные описания, вопросы с ложными предпосылками, мелкий текст и изображения, добавленные в середине диалога, могут приводить к ошибкам или игнорированию изображения. По данным карточки, декензурированная версия показала 6 отказов из 100 против 97 из 100 у исходной модели при KL-дивергенции 0,0300, однако эти показатели не характеризуют все аспекты качества. Размер модели, максимальный контекст и перечень поддерживаемых языков в README не указаны. Модель распространяется по лицензии OpenMDW-1.1.

Polyglot-4x7b — экспериментальная мультиязычная модель на архитектуре Mixture of Experts семейства Mixtral, опубликованная macadeliccc. Авторы объединили четыре модели на базе Mistral 7B, ориентированные на английский, японский и китайский языки; задумка проекта — распределить языковые способности между экспертами. В README также приведены результаты оценок на задачах рассуждения и общих знаний. Модель предназначена для генерации текста и ответов на запросы на английском, японском и китайском языках. В метаданных указан размер 7,1 млрд параметров и контекст 32 768 токенов; веса доступны в формате Safetensors. Модель распространяется по лицензии Apache 2.0. README описывает экспериментальную идею, но не приводит подробностей о качестве по каждому языку или сравнительных испытаниях.

nsi319 разработал legal-led-base-16384 — модель Longformer Encoder Decoder (LED) для абстрактивного суммирования длинных юридических документов. Она обучена на наборе sec-litigation-releases, содержащем более 2700 пресс-релизов о судебных разбирательствах и исковых заявлений, и рассчитана на входные документы длиной до 16 384 токенов. Модель имеет 95,2 млн параметров и доступна в формате PyTorch. Модель предназначена для создания кратких изложений юридических материалов, в частности документов о судебных разбирательствах. В карточке приведены результаты ROUGE на юридических документах, превосходящие базовую LED-модель по указанным метрикам. Лицензия — MIT. Языковая метка модели — английский.

grimulkan/llama2_70b_longlora_fp16_32k_ROPE8 — базовая языковая модель на архитектуре Llama 2, созданная слиянием LongAlpaca-70B-lora с Llama-2-70b и заменой слоёв эмбеддингов и нормализации по подходу LongLoRA. Веса представлены в формате safetensors, размер модели — 68,7 млрд параметров. Модель рассчитана на генерацию текста и работу с контекстом до 32 тысяч токенов с линейным масштабированием RoPE ×8. Модель не прошла инструкционное дообучение: она предназначена как основа для дальнейшего fine-tuning, а не как готовый чат-ассистент. В этой версии удалён дополнительный токен заполнения токенизатора, а соответствующие веса объединены с базовой моделью. Использование регулируется лицензией Llama 2.

KBNIT/llama-2-koen-13b-QLoRA-NEFTune-kolon-v0.1 — языковая модель на архитектуре Llama, дообученная KBNIT на базе beomi/llama-2-koen-13b с помощью QLoRA и NEFTune. Модель предназначена для генерации текста и ответов на вопросы по корейской Википедии; разработчик также указывает, что модель создавалась для Kolon. Модель содержит 12,9 млрд параметров, использует формат PyTorch и поддерживает контекст до 2048 токенов. В метаданных указаны корейский и английский языки. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Llama3-15B-lingyang-v0.1 — экспериментальная диалоговая модель на архитектуре Llama, созданная объединением с помощью LazyMergekit моделей hfl/llama-3-chinese-8b-instruct-v2 и NousResearch/Hermes-2-Theta-Llama-3-8B. Она предназначена для генерации текста и ответов в диалоге. Модель содержит 14,5 млрд параметров, принимает текст и имеет контекст длиной до 8192 токенов. В карточке модель названа экспериментальной, поэтому качество и стабильность результатов не гарантируются. Данных о лицензии и конкретных языковых характеристиках нет.

Apollo Raines представил Llama-3.1-8B-Instruct-Flat-Concise — вариант Llama 3.1, изменённый инструментом jBlaze для подавления эмоциональной окраски и многословия. По описанию автора, изменения внесены непосредственно в веса без дополнительного обучения. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM; метаданные указывают 7,5 млрд параметров, контекст до 131 072 токенов и формат safetensors. Модель предназначена для диалогов и генерации кратких, сдержанных ответов на английском языке; также поддерживает интерфейс вызова инструментов. Автор называет релиз демонстрационной версией с намеренно сниженной полнотой возможностей, предназначенной для проверки концепции. Приведённые примеры показывают, что ответы могут оставаться многословными, а в примере про вскрытие замка модель предоставляет потенциально опасные инструкции. Автор сообщает, что известных проблем не наблюдалось, но это не является независимой оценкой качества или безопасности. Лицензия — Llama 3.1; применимость её условий следует оценивать по лицензии базовой модели.

ForSureTesterSim/Llama-3.1-8B-TransMLA-PreRecovery — экспериментальная производная модель на базе meta-llama/Llama-3.1-8B-Instruct. В ней механизм внимания Llama 3.1 преобразован с Grouped Query Attention (GQA) в Multi-Head Latent Attention (MLA) по методике статьи «TransMLA: MLA Is All You Need». Модель предназначена для генерации текста и диалогового взаимодействия. В репозитории указаны веса PyTorch и SafeTensors, размер модели — 7,5 млрд параметров, контекст — 131 072 токена. Карточка ориентирована на английский язык; базовая модель описана как многоязычная.

netcat420 разработал MFANN (Makhi's fully autonomous neural network) — экспериментальную разговорную модель на архитектуре Llama 3.1 для генерации текста. Модель дообучена на MFANN-SFT-2 с использованием набора MFANN и модифицированной схемы обучения Alpaca, где в примерах есть отдельный раздел с ходом рассуждений. Репозиторий содержит веса в формате safetensors; размер модели — 7,5 млрд параметров, контекст — до 131 072 токенов. Модель предназначена для диалогов и ответов на запросы с генерацией промежуточных рассуждений перед итоговым ответом. В карточке автор описывает её как uncensored и приводит шаблон системного промпта для помощника; это характеристика заявленного поведения, а не гарантия точности или безопасности. Метаданные указывают английский язык. Лицензия — Llama 3.1.

Модель backdev007 — дообученная инструкция-ориентированная версия Llama 3.2 на 3,2 млрд параметров для генерации текста в диалоговом формате. Она основана на unsloth/llama-3.2-3b-unsloth-bnb-4bit и обучалась с помощью Unsloth и библиотеки Hugging Face TRL. Модель предназначена для генерации ответов и диалогового взаимодействия. Название указывает на юридическую тематику и индонезийский язык, однако карточка не описывает конкретные юридические задачи и не подтверждает языковую специализацию, поэтому эти свойства нельзя считать установленными. Контекст модели — до 131 072 токенов; веса опубликованы в формате Safetensors. Модель распространяется по лицензии Apache-2.0. Качество и ограничения в юридических сценариях в карточке не раскрыты; результаты следует проверять, прежде чем использовать их для принятия правовых решений.

Llama3.2-Typhoon2-1B — базовая предварительно обученная языковая модель, разработанная Typhoon AI на основе Llama 3.2-1B от Meta. Это плотная авторегрессионная модель с архитектурой LlamaForCausalLM и 1,2 млрд параметров; она принимает текст и предназначена прежде всего для тайского и английского языков. Модель подходит для генерации текста и экспериментов с языковыми задачами, включая оценивание на тайских экзаменационных тестах. Заявленная длина контекста — 131 072 токена. Это базовая, а не инструкционно дообученная модель: для следования запросам ей может потребоваться обучение с инструкциями или примеры в контексте. В README отмечено отсутствие механизмов модерации и возможность генерации вредных или неподходящих ответов. Для работы указана библиотека Transformers версии 4.45.0 или новее. Лицензия — Llama 3.2 Community License.

llama3-ko-8b-hkcode — языковая модель на архитектуре Llama 3, разработанная при участии подразделения финтеха Korea Polytechnics. Это модель продолжительного предварительного обучения на основе Meta-Llama-3; в репозитории указаны 7,5 млрд параметров и формат safetensors. Модель предназначена для генерации текста и диалогового взаимодействия на корейском языке. Контекстное окно составляет 8192 токена. Карточка не описывает конкретные прикладные сценарии и способы использования, поэтому финтех-направленность разработчиков не подтверждает специализацию модели на финансовых задачах. Как и другие языковые модели, она может выдавать неточные, предвзятые или нежелательные ответы; перед внедрением нужны проверки и меры безопасности для целевого сценария. Указана лицензия MIT.