I.2Синтез, понимание и проверка знаний

SaulLM-141B-Instruct — языковая модель для юридической области, разработанная Equall совместно с MICS при CentraleSupélec (Université Paris-Saclay). Она предназначена для исследовательской работы и адаптации к юридическим сценариям; обучалась на европейских и американских правовых текстах, судебных решениях и законодательных документах. Архитектура — Mixtral MoE; в метаданных указано 22 млрд параметров и контекст до 65 536 токенов. Модель работает с текстом на английском языке и поддерживает генерацию текста. Модель может помогать с анализом и подготовкой черновиков юридических материалов, однако её ответы могут быть неточными или отражать смещения обучающих данных. Обучение ориентировано на правовые системы США и Европы, поэтому качество для других юрисдикций может быть ниже; ответы не следует считать юридической консультацией. Лицензия — MIT.

Модель Vino1502/scihigh-2026-task2-bart разработана Vino1502 для соревнования SciHigh 2026, подзадача 2. Это дообученная англоязычная модель BART-Large с архитектурой encoder-decoder Transformer для преобразования текста в текст. Она принимает аннотацию научной статьи и генерирует краткий заголовок, отражающий её основные выводы. Модель предназначена для автоматизации подготовки научных заголовков по аннотациям. Контекст модели составляет 1024 токена. В репозитории веса представлены в формате Safetensors и для работы используется библиотека Transformers. Лицензия в предоставленных данных не указана.

Minbyul выпустил дообученную версию dmis-lab/selfbiorag_7b — плотной авторегрессионной модели семейства Llama с 6,6 млрд параметров. Модель предназначена для генерации текста; в карточке указано дообучение на датасете HuggingFaceH4/deita-10k-v0-sft, а в README приведено значение loss 1,5396 на оценочном наборе. Модель принимает текст и генерирует текст, максимальная длина контекста составляет 4096 токенов. Название репозитория указывает на вариант без medication QA, однако карточка не описывает конкретные сценарии применения, языки, ограничения или условия лицензии, поэтому подтвердить специализацию и условия использования нельзя.

legraphista/shieldgemma-27b-IMat-GGUF — это GGUF-квантизированная версия модели google/shieldgemma-27b, разработанная для запуска через llama.cpp. Квантизацию выполнил legraphista на основе исходной модели в формате BF16 с использованием llama.cpp b3525 и калибровочного IMatrix-набора данных. Архитектура исходной модели, поддерживаемые языки, модальности и размер контекста в README не указаны. Модель предназначена для локального инференса исходной ShieldGemma в различных вариантах точности и размера файла. Доступны версии от BF16 и FP16 до Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и Q2_K; для ряда вариантов применена IMatrix-квантизация, призванная улучшить сохранение качества при уменьшении размера. Размеры файлов составляют примерно от 10,45 до 54,46 ГБ, поэтому требования к оперативной памяти и ресурсам зависят от выбранной версии. К преимуществам относятся большое количество вариантов квантизации и совместимость с экосистемой llama.cpp, что позволяет выбирать баланс между качеством, размером и скоростью запуска. Ограничения связаны с возможной потерей качества в низкобитных версиях, значительными требованиями к памяти и отсутствием в README подробных сведений о задачах, метриках, языках и контекстном окне. Распространение регулируется лицензией Gemma; для доступа на Hugging Face требуется принять лицензию Google.

Shotor — языковая модель myrkur на архитектуре Llama 3, дообученная методом supervised fine-tuning с использованием Dora для генерации текста на персидском языке. Для обучения использовался датасет persian-alpaca-deep-clean. Модель содержит 7,5 млрд параметров, принимает текст и генерирует текст; поддерживает диалоговый режим и контекст до 8192 токенов. Подходит для ответов на вопросы, диалогов и создания текстов на персидском языке. Доступна по лицензии Apache-2.0.

udaypratap/smart-mcq-solver — модель на базе DistilBERT, дообученная для выбора ответа в заданиях с вариантами. Она принимает текст вопроса и варианты ответов и оценивает их, чтобы определить подходящий вариант. Модель предназначена для решения тестов с множественным выбором и похожих задач классификации вариантов. Модель использует архитектуру DistilBertForMultipleChoice и формат весов safetensors. Базовая модель distilbert/distilbert-base-uncased рассчитана на английский язык; максимальная длина контекста составляет 512 токенов. Лицензия — Apache-2.0. Карточка не содержит сведений о датасете обучения, оценках качества или особых ограничениях.

SmolLM2Prover — компактная языковая модель, разработанная Convergent Intelligence LLC: Research Division и дообученная на основе prithivMLmods/SmolLM2-CoT-360M. Это плотная авторегрессионная модель семейства Llama с 361,8 млн параметров, рассчитанная на генерацию текста и диалог. Её специализация — математические задачи, логические рассуждения, пошаговые объяснения и генерация доказательств; при дообучении использовались SFT через TRL, датасет AI-MO/NuminaMath-1.5 и дополнительные данные рассуждений. Модель подходит для учебных помощников по математике и логике, генерации решений и доказательств, а также диалоговых сценариев с инструкциями. Основной язык карточки — английский. Контекстное окно составляет 8192 токена; модель работает с текстом и выдаёт текст. Распространяется в формате Safetensors по лицензии Apache-2.0. Модель может ошибаться в вычислениях и шагах доказательства, особенно на задачах, далёких от обучающих данных; ответы для важных применений следует проверять. Она наследует возможные смещения базовой модели и обучающих данных.

Snowball 67B-A2B — базовая языковая модель семейства GrugMoE, экспортированная командой проекта Snowball в формате BF16 из шага обучения 157 000 для сравнения моделей с длинным контекстом. В README указано 67 млрд параметров всего и около 2 млрд активных параметров на токен; метаданные каталога оценивают размер в 2,8 млрд параметров. Архитектура включает 26 слоёв и 256 экспертов, из которых для каждого токена выбираются четыре. Модель поддерживает контекст до 262 144 токенов и словарь размером 128 256 токенов. Модель предназначена для текстовых продолжений и экспериментов с обработкой длинных документов. Это базовая модель без подтверждённой настройки для следования инструкциям, поэтому для чата и вызова инструментов её следует рассматривать как основу, а не готового ассистента. Для запуска требуется форк vLLM от Marin с поддержкой GrugMoE; в README описана конфигурация на восьми H100 с параллелизмом экспертов. Репозиторий содержит веса Safetensors, экспортированные в BF16. Лицензия — OpenMDW-1.1. Загрузка подтверждает имена тензоров, тип BF16, конфигурацию, размеры файлов и контрольные суммы. Для этой загрузки не выполнялись новые тесты генерации или численного соответствия, поэтому качество и корректность генерации отдельно не подтверждены.

Snowball 67B-A2B — базовая языковая модель семейства Grug MoE от open-athena, опубликованная как BF16-экспорт шага 157 000 эксперимента по сравнению моделей с длинным контекстом. В ней 67 млрд параметров всего и около 2 млрд активных параметров на токен; архитектура включает 26 слоёв и 256 экспертов, из которых для каждого токена выбираются четыре. Размер словаря токенизатора — 128 256 токенов, нативная длина контекста — 262 144 токена. Модель предназначена для продолжения текста и дополнений на основе текстового контекста, включая длинные документы. Это базовая, не настроенная на следование инструкциям модель; встроенный шаблон чата сам по себе не означает наличие такой настройки. Для обслуживания требуется форк Marin vLLM с поддержкой Grug MoE. README сообщает, что загрузка проверена на целостность и конфигурацию, но для этого экспорта не проводились новая генерация или проверка численного соответствия. Материалы модели распространяются по лицензии OpenMDW 1.1.

Snowdon1.1-Small — модель с открытыми весами от команды tri-fair-lab, представляющая собой переориентированную версию Qwen3.6-35B-A3B. Это причинная языковая модель архитектуры Mixture-of-Experts; исходные архитектура и токенизатор сохранены. Ранг-1 адаптеры объединены с весами, поэтому модель поставляется как обычный чекпойнт Transformers без дополнительных параметров и активационных хуков при инференсе. Модель предназначена для диалогов и генерации текста с явной ориентацией на Public AI Constitution. Переориентация направлена на снижение уклончивых или односторонних ответов на политически чувствительные темы и на более сбалансированное обсуждение спорных вопросов при сохранении общих возможностей базовой модели. В README также заявлено сохранение отказов на небезопасные запросы. Лицензия — Apache-2.0.

Карточка модели KIEFERSA/Sophea-Nemo-3-Nano-v1 на Hugging Face совпадает с карточкой ayoubkirouane/Sophea-Nemo-3-Nano-v1, поэтому описание составлено по ней. Sophea-Nemo-3-Nano-v1 — модель генерации текста, разработанная Kiefer SA (Sophea AI Lab, Афины) на базе NemotronH-30B-A3B. Она дообучена для рассуждений на греческом и английском языках; след рассуждений следует языку вопроса. Модель основана на гибридной архитектуре Mamba/MoE, а в репозитории указано 1,9 млрд параметров и контекст до 262 144 токенов. Веса поставляются объединёнными в плотную модель в формате safetensors. Модель предназначена для двуязычных диалоговых задач и рассуждений, особенно когда важно, чтобы язык рассуждений соответствовал языку запроса. В карточке сообщается о приросте на греческих тестах общего понимания языка и о небольшом уровне fallback в математике и здравом смысле; результаты по логическим задачам ограничены проблемами с форматом ответа. Модель не умеет надёжно выполнять требование вести рассуждения на английском языке при греческом вопросе и не оценивалась для критически важных, юридических или медицинских сценариев. Для генерации в исследовании использовалась Transformers 5.12.1 без доверия удалённому коду; поставляемый код модели, согласно карточке, может давать сбой при генерации в этой конфигурации. Лицензия — Apache-2.0.

StudyLap-Tutor-v2 — дообученная авторегрессионная языковая модель семейства Qwen2, разработанная boyatilak123 на основе unsloth/Qwen2.5-7B-Instruct-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. Модель содержит 7,1 млрд параметров, принимает текст и рассчитана на генерацию текста в диалоговом формате; заявленная длина контекста — до 32 768 токенов. Её можно применять как разговорного учебного помощника: задавать вопросы по учебным темам и получать текстовые объяснения или ответы. Карточка не описывает специализированные предметные области, конкретные учебные данные и результаты оценки качества, поэтому пригодность для определённых предметов и точность ответов следует проверять отдельно. Модель распространяется по лицензии Apache-2.0.

T3Q-LLM-solar10.8-sft-v1.0 — разговорная языковая модель, разработанная Chihoon Lee и T3Q. Это плотная авторегрессионная модель семейства Llama с 10,6 млрд параметров, предназначенная для генерации текста и диалогов. В карточке приведены результаты оценки на корейских задачах KoBEST, включая BoolQ и COPA; данные указывают на ориентацию модели на корейский язык. Модель принимает текст и генерирует текст. Она опубликована в формате safetensors для Transformers, поддерживает контекст до 4096 токенов и распространяется по лицензии Apache-2.0. README сообщает результаты тестирования, но не описывает подробные ограничения или рекомендуемые сценарии применения.

Take-7B — языковая модель на 7,1 млрд параметров, созданная Manual-Dataset-Creation-Project. Это плотная модель семейства Qwen2, построенная на Qwen/Qwen2.5-7B и дообученная следовать инструкциям на наборе oasst2; в метаданных указан японский язык и датасет llm-jp/oasst2-33k-ja. Модель предназначена для диалоговой генерации текста и ответов на запросы на японском языке. Она работает через Transformers, поддерживает контекст до 131 072 токенов и имеет интерфейс для вызова инструментов. Репозиторий содержит веса в формате Safetensors. Модель распространяется по лицензии Apache-2.0. Качество ответов, покрытие тем и точность работы с инструментами в карточке не оценены; как и другие языковые модели, она может выдавать фактически неверные ответы.

Tanuki-8x8B-dpo-v1.0 — диалоговая большая языковая модель проекта GENIAC, разработанная командой добровольных участников под руководством лаборатории Мацуо. Базовая Tanuki-8x8B обучалась с нуля примерно на 1,7 трлн токенов; эта версия дополнительно настроена для диалога с помощью SFT и DPO. Это модель типа Mixture of Experts с общим числом параметров около 47 млрд и примерно 13 млрд активных параметров. В метаданных указаны 7,2 млрд параметров; README приводит отдельные значения для базовой архитектуры Tanuki-8x8B. Модель предназначена для генерации ответов в диалоге и выполнения инструкций, в первую очередь на японском языке. Также заявлена поддержка английского. Она использует контекст до 4096 токенов и японский вариант формата Alpaca; авторы рекомендуют заданный в карточке системный промпт, поскольку модель обучалась с ним. По опубликованной оценке Japanese MT-Bench версия 8x8B получила средний балл 7,96. Для инференса требуются Flash Attention; для использования через vLLM нужна изменённая версия с поддержкой архитектуры. Модель распространяется в формате safetensors, лицензия Apache-2.0. В README также описаны квантованные варианты, но они не являются заявленным форматом этого репозитория.

Big-Tiger-Gemma-27B-v3-GGUF — это квантизированная версия модели Big-Tiger-Gemma-27B-v3, разработанной TheDrummer. Квантизацию выполнил bartowski с использованием llama.cpp версии b5849 и метода imatrix. Модель распространяется в формате GGUF и предназначена для локального запуска через llama.cpp, LM Studio и другие совместимые проекты. Модель имеет размер 27B параметров; доступны варианты от BF16 до IQ3 и Q3–Q8, что позволяет выбирать между качеством, требованиями к памяти и скоростью инференса. README не содержит достоверных сведений о поддерживаемых языках, размере контекста, точной архитектуре исходной модели или фактических мультимодальных возможностях, поэтому заявленный pipeline image-text-to-text нельзя использовать как подтверждение поддержки изображений. Формат промпта и chat template также не определены однозначно: в README приведён предполагаемый шаблон, но указано, что он может быть неверным. Сильная сторона модели — широкий выбор квантизаций, включая варианты с высоким качеством и более компактные сборки для систем с ограниченной оперативной памятью. Ограничения связаны с потерей качества при использовании низкобитных вариантов, неопределённостью chat template и отсутствием подробных данных о задачах, языках и контексте. Лицензия в предоставленном README не указана.

Карточка модели nandbins/tinyllama-trl-merged на Hugging Face совпадает с карточкой SaniaKhalid/tinyllama-trl-merged, поэтому описание составлено по ней. SaniaKhalid/tinyllama-trl-merged — дообученная и объединённая с LoRA чат-модель на основе TinyLlama-1.1B-Chat-v1.0, созданная с использованием TRL. Это самостоятельная модель с архитектурой LlamaForCausalLM и примерно 1 млрд параметров; веса сохранены в формате safetensors, в README также указана точность FP16. Контекст модели составляет 2048 токенов. Модель предназначена для генерации текста и диалоговых ответов, в частности для ответов на вопросы по образовательным материалам. Карточка указывает обучающий набор arif-butt/arifbutt_dataset и английский язык. По сравнению с исходной TinyLlama модель адаптирована под образовательные вопросы и ответы; компактный размер подходит для сценариев с ограниченными вычислительными ресурсами. Лицензия — Apache-2.0.

TRACE Qwen2.5-VL 7B — мультимодальная модель Maveryn, полученная дообучением Qwen/Qwen2.5-VL-7B-Instruct методом GRPO. Чекпойнт обучен на 64 000 примерах визуального рассуждения для 1 000 задач; опубликована объединённая версия после 500 шагов обучения. Модель содержит 7,1 млрд параметров, работает через Transformers, принимает текст и изображения и поддерживает контекст до 128 000 токенов. Модель предназначена для визуального рассуждения и диалоговых задач с изображениями. В README приведена оценка на 24 внешних бенчмарках, где TRACE показала более высокий макросредний результат, чем исходная Qwen2.5-VL-7B-Instruct; эти результаты зависят от промптов, декодирования, парсеров и оценщиков. Модель может выдавать неверные ответы, необоснованные рассуждения и ненадёжные привязки к содержимому изображения. Она не проверена для критически важных медицинских, юридических или автономных решений. Лицензия — Apache-2.0.

Qwen3.5-9B-Base CPT Merged — мультимодальная модель на архитектуре Qwen3.5 с 9 млрд параметров, созданная разработчиком aitf-ub-2026 на основе Qwen/Qwen3.5-9B-Base. Веса объединяют базовую модель и LoRA-адаптер после этапа continual pre-training; опубликованы в формате SafeTensors для Transformers с точностью BF16. Модель предназначена для диалоговых сценариев с пониманием изображений и текста. Карточка сообщает, что continual pre-training завершён, но supervised fine-tuning ещё не проводился, поэтому модель не следует считать готовой к инструкционному диалогу без дополнительной настройки. Использование регулируется лицензией базовой модели Qwen/Qwen3.5-9B-Base.

QuixiAI/WestLake-7B-v2-laser — экспериментальная версия WestLake-7B-v2, подготовленная Дэвидом, Фернандо и Эриком при поддержке VAGO Solutions и HyperSpace.Ai. Это плотная каузальная языковая модель семейства Mistral с 7,1 млрд параметров, принимающая текст и генерирующая текст. Максимальная длина контекста — 32 768 токенов. В модели применён подход laserRMT: слои анализируются по отношению сигнал/шум, а для расчёта этого показателя используется закон Марченко—Пастура; затем к выбранным слоям применяются вмешательства Laser. Репозиторий описывает её как эксперимент из серии разработок Cognitive Computations. Она подходит для текстовой генерации и исследовательских экспериментов с изменением слоёв модели. Доступна по лицензии Apache-2.0.

MiMo-VL-7B-SFT-2508-GGUF — это GGUF-квантизованная версия мультимодальной модели MiMo-VL-7B-SFT-2508, разработанной XiaomiMiMo. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для задач image-text-to-text: обработки изображений вместе с текстовыми запросами и генерации текстовых ответов по их содержанию. Модель имеет размер 7B параметров и поставляется в нескольких вариантах точности — от BF16 до Q2_K_L, включая рекомендуемые версии Q4, Q5 и Q6. Размер файлов составляет примерно от 3,65 до 15,25 ГБ. Формат GGUF ориентирован на запуск через llama.cpp, LM Studio и другие совместимые приложения. Более высокие варианты квантизации лучше сохраняют качество, а компактные версии снижают требования к оперативной памяти, но могут заметно уступать по точности. В README не указаны поддерживаемые языки, размер контекста, точная архитектура мультимодальной части, системные требования и лицензия. Поэтому эти характеристики следует уточнять на странице исходной модели XiaomiMiMo/MiMo-VL-7B-SFT-2508. Условия лицензирования квантизованной версии также не приведены.

XtraGPT-7B — языковая модель для совместной с человеком редакции академических статей. Разработчики дообучили Qwen/Qwen2.5-7B-Instruct на 140 тысячах пар инструкций и редакторских правок, созданных на основе статей конференции ICLR. Это плотная авторегрессионная модель с 7,1 млрд параметров и контекстом до 32 768 токенов; она работает через библиотеку Transformers и поддерживает диалоговый формат. Модель учитывает контекст статьи и выполняет правки по критериям академического письма для разных разделов, включая аннотацию и введение. Она предназначена для итеративной работы, в которой автор задаёт критерии и сохраняет контроль над содержанием. В README не уточнены поддерживаемые форматы запросов и ограничения качества. Лицензия указана как other, поэтому конкретные условия использования следует сверить с лицензией репозитория.

You Can Cry Snowman 13B — это языковая модель для генерации текста, созданная Seungyoo Lee и распространяемая в квантованном формате GGUF командой TheBloke. В основе лежит архитектура SOLAR; исходная модель имеет размер 13B параметров. Указан корейский язык, а основной сценарий применения — текстовая генерация и диалоговое взаимодействие по шаблону User–Assistant. Модель предназначена для локального запуска через llama.cpp и совместимые приложения и библиотеки, включая text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python. Формат GGUF поддерживает варианты квантования от 2 до 8 бит, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством. Точные характеристики контекстного окна и дополнительные модальности в README не указаны; модель является текстовой. К сильным сторонам относятся локальное выполнение на CPU и GPU, широкий выбор уровней квантования и совместимость с несколькими инструментами инференса. Ограничения включают возможную потерю качества из-за квантования, зависимость результата от выбранного варианта GGUF и отсутствие подробных сведений о тестировании, качестве на конкретных задачах и контекстном окне. Лицензия — CC BY-NC-SA 4.0, допускающая использование с указанием авторства и на условиях некоммерческого распространения производных материалов.

AIFT-ko-orca-plat-Yi-ko-6b-refine-v1.2 — инструктивная языковая модель, опубликованная AIFT. Она дообучена методом LoRA на вручную очищенных данных KOR-OpenOrca-Platypus; автор также сообщает о работе над переводом и очисткой части Open-Orca и подготовке дополнительных данных с помощью GPT-4. Модель предназначена для генерации текста по инструкциям и диалоговых сценариев на корейском языке. Модель основана на плотной архитектуре семейства Llama, содержит 5,9 млрд параметров, принимает текст и имеет контекст длиной 2048 токенов. Обучающие данные недоступны, поэтому независимо проверить их состав и качество нельзя. Лицензия — CC BY-SA 4.0.

raruidol/ArgumentMining-EN-ARI-AIF-RoBERTa_L — англоязычная модель классификации отношений между аргументами, разработанная на основе RoBERTa-large и обученная для задачи Argument Relation Identification (ARI) на корпусах US2016 и QT30. Она определяет, являются ли пары аргументов не связанными, отношением вывода, конфликтом или перефразированием. Модель предназначена для автоматического анализа аргументации в текстах и оценки связей между аргументами. В README указана macro-F1 0,70 для четырёхклассовой классификации. Архитектура — RoBERTa для классификации последовательностей, размер — 454,1 млн параметров, максимальный контекст — 514 токенов. Поддерживаемый язык — английский. Модель опубликована под лицензией CC BY-NC-SA 4.0. Качество зависит от предметной области и соответствия входных данных корпусам обучения; заявлена оценка на тестовых данных, поэтому она не гарантирует такую же точность на других типах текстов.

Bielik-11B-v2.2-Instruct-MLX-8bit — польская языковая модель SpeakLeash и ACK Cyfronet AGH, представленная в формате MLX с 8-битной квантизацией. Это плотная авторегрессионная модель с архитектурой Mistral и 11 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Контекстное окно составляет 32 768 токенов; основной язык модели — польский. Модель подходит для ответов на вопросы, ведения диалога и генерации текста на польском языке. README предупреждает, что квантизация может снизить качество ответов и увеличить вероятность галлюцинаций. Указана лицензия Apache 2.0 с дополнительными условиями использования.

Это текстовая авторегрессионная модель семейства LLaMA с 12,9 млрд параметров, созданная объединением Chinese-LLaMA-Plus-13B и Chinese-Alpaca-Plus-13B. Репозиторий содержит веса PyTorch; модель предназначена для генерации текста на китайском языке, в том числе ответов в диалоговом формате. Контекст модели составляет 2048 токенов. В README указано, что объединение выполнено с использованием нескольких LoRA-весов, а базой служила LLaMA 13B в формате Hugging Face. Лицензия в метаданных не определена, поэтому условия использования следует уточнить у правообладателей исходных моделей.

Chinese-Mixtral — языковая модель, созданная командой HFL путём дополнительного предварительного обучения Mixtral-8x7B-v0.1. Это базовая модель для генерации текста, а не готовый чат-бот: в карточке отдельно указано, что она не предназначена для диалогов и ответов на вопросы без дополнительной адаптации. Модель построена на архитектуре Mixtral с разреженной экспертной структурой MoE; в метаданных указано 7,1 млрд параметров и контекст до 32 768 токенов. Карточка указывает поддержку китайского и английского языков. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

PracticeLLM/Custom-KoLLM-13B-v1 — авторегрессионная языковая модель, разработанная Kyujin Han (kyujinpy) на основе архитектуры трансформера LLaMA 2. Модель содержит 12,9 млрд параметров и предназначена для генерации текста; в карточке приведены результаты оценок на корейских языковых и рассуждательных бенчмарках. Модель обучена на наборе kyujinpy/KOR-OpenOrca-Platypus-v3 и основана на beomi/llama-2-koen-13b. Она принимает текст и генерирует текст, поддерживает корейский язык, а максимальный контекст составляет 2048 токенов. Репозиторий содержит веса PyTorch для использования через Transformers. Лицензия CC BY-NC-SA 4.0 требует указания авторства, запрещает коммерческое использование и распространяет производные материалы на тех же условиях. Результаты бенчмарков показывают эффективность на отдельных тестах, но не гарантируют качество для всех запросов и прикладных задач.

PracticeLLM/Custom-KoLLM-13B-v8 — авторегрессионная языковая модель, разработанная Kyujin Han (kyujinpy) на архитектуре LLaMA 2. Модель содержит 12,9 млрд параметров и предназначена для генерации текста на корейском языке. Она дообучена на датасете kyujinpy/OpenOrca-ko-v3 поверх beomi/llama-2-koen-13b; в карточке приведены результаты сравнений на корейском бенчмарке Ko-LLM. Модель принимает текст и генерирует текст, максимальный контекст составляет 2048 токенов. Доступна в форматах PyTorch и Safetensors для Transformers. Лицензия CC-BY-NC-SA-4.0 разрешает использование с указанием авторства, некоммерческое распространение и распространение производных работ на тех же условиях.