I.2Синтез, понимание и проверка знаний

Dicta-LM 3.0-24B-Base — базовая языковая модель с открытыми весами, разработанная Dicta. Она предварительно обучена на больших корпусах текстов на иврите и английском языке и предназначена для дальнейшей адаптации и дообучения под конкретные задачи. Это плотная авторегрессионная модель семейства Mistral с 23,4 млрд параметров, представленная в формате BF16; исходная инициализация выполнена на базе Mistral-Small-3.1-24B-Base-2503. Модель не является чат-моделью. Модель подходит для продолжения обучения и создания специализированных генеративных систем на иврите и английском. Заявленный контекст составляет до 65 280 токенов. Веса доступны для скачивания и использования по лицензии Apache-2.0. Поскольку это предварительно обученная базовая модель, у неё нет встроенных механизмов модерации.

DISC-LawLLM — языковая модель для китайской правовой сферы, разработанная и опубликованная лабораторией Data Intelligence and Social Computing Lab Фуданьского университета (Fudan-DISC). Это дообученная версия Baichuan-13b-base с 12,9 млрд параметров; репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Модель предназначена для анализа и генерации юридических текстов, правовых рассуждений и поиска юридических знаний. Среди заявленных сценариев — извлечение правовой информации, прогнозирование судебных решений, суммаризация документов и ответы на юридические вопросы. README отмечает, что опубликованные веса могут отличаться от версии демонстрационного сервиса. Ответы следует считать справочными: модель может ошибаться и не заменяет консультацию юриста или другого правового специалиста.

mHossain/en_bn_summarize_v1 — дообученная на неизвестном наборе данных модель Google mT5-small для суммаризации на английском и бенгальском языках. Она построена на архитектуре encoder-decoder MT5ForConditionalGeneration и содержит около 157,4 млн параметров. Модель принимает текст и генерирует его краткое изложение; репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. В карточке приведены результаты оценки: loss 2,9948, а значения ROUGE-1, ROUGE-2, ROUGE-L и ROUGE-Lsum равны 0,0. Эти результаты не подтверждают качество суммаризации, поэтому модель следует оценивать на собственных примерах перед применением.

IDEA-CCNL совместно с проектом Fengshenbang разработала Erlangshen-DeBERTa-v2-97M-Chinese — китайскую модель DeBERTa-v2 для понимания естественного языка. В карточке указано 97 млн параметров, тогда как метаданные репозитория сообщают 123,1 млн; модель использует архитектуру DebertaV2ForMaskedLM и предобучалась на корпусе WuDao объёмом 180 ГБ с маскированием целых слов (Whole Word Masking). Максимальная длина контекста — 512 токенов. Основной сценарий применения — заполнение пропусков в китайском тексте. Представленные в README результаты также показывают её использование в задачах классификации и определения текстовых отношений, но для них могут потребоваться соответствующие дообученные варианты. Модель доступна в форматах PyTorch и Safetensors и распространяется по лицензии Apache-2.0.

Карточка модели gmonsoon/Eunoia-Gemma-9B-o1-Indo на Hugging Face совпадает с карточкой gmonsoon/Eunoia-Gemma-9B-MiningEngineering-Test, поэтому описание составлено по ней. Eunoia-Gemma-9B-MiningEngineering-Test — дообученная gmonsoon модель Gemma 2 с 9 млрд параметров для генерации текста и диалогов. Она создана на базе gmonsoon/Eunoia-Gemma-9B с использованием Unsloth и библиотеки TRL. Название указывает на тематику горного дела и инженерии, однако карточка не описывает специализированные возможности или обучающие данные в этой области. Модель принимает текст и генерирует текст; в метаданных указано окно контекста 8192 токена и поддержка английского языка. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0.

EvoLLM-JP-v1-10B — экспериментальная универсальная японская языковая модель от Sakana AI. Это авторегрессионная плотная модель семейства EvoMistral с 9,7 млрд параметров и контекстом до 32 768 токенов, предназначенная для генерации текста на японском языке. Модель создана методом эволюционного слияния Shisa Gamma 7B v1, WizardMath 7B V1.1 и Abel 7B 002. Она может применяться для японских диалогов, ответов на вопросы, написания текстов и математических рассуждений. Доступна в формате Safetensors для библиотеки Transformers. В карточке модель обозначена как экспериментальный прототип для исследований и разработок. Она не предназначена для коммерческого использования или критически важных систем; качество и результаты не гарантируются. Лицензия — Microsoft Research License Terms из-за включения WizardMath.

Felix-8B — экспериментальная языковая модель Ontocord.ai с архитектурой Mistral и 8,9 млрд параметров. Она предназначена для диалоговой генерации текста с акцентом на законность, безопасность и правдивость ответов. Модель обучена методом DPO на синтетическом наборе для red teaming и выравнивания по требованиям, связанным с указом США об ИИ и Законом ЕС об ИИ; её также оценивали на TruthfulQA и других тестах. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов и ориентирована на английский язык. Разработчик сообщает об улучшении показателей TruthfulQA и полезности ответов, но отмечает, что модель может быть многословной, а синтетические данные содержат короткие ответы и опечатки. Felix-8B — экспериментальная исследовательская разработка; лицензия — Apache-2.0.

YeungNLP/firefly-baichuan-7b — языковая модель на архитектуре BaiChuanForCausalLM с 6,7 млрд параметров, опубликованная проектом Firefly. Она получена эффективным инструкционным дообучением Baichuan-7B методом QLoRA на миллионе примеров и предназначена для генерации ответов в одно- и многошаговых диалогах на китайском языке. Модель использует формат PyTorch и поддерживает контекст до 4096 токенов. Лицензия в доступных данных не указана.

UDKai Garrulus — языковая модель, созданная в рамках эксперимента по оптимизации LLM на оборудовании Берлинского университета искусств. Она основана на mlabonne/NeuralMarcoro14-7B: модель Mistral с 7,1 млрд параметров дообучили методом DPO в течение двух эпох на слегка изменённом наборе Winogrande, ориентированном на задачи здравого смысла. Модель генерирует текст и рассчитана на диалоговые сценарии; длина контекста составляет 32 768 токенов. Автор сообщает, что локальные и лидерборд-оценки показали улучшение результатов на Winogrande, TruthfulQA, HellaSwag и ARC. Это экспериментальный результат, а не гарантия качества в других задачах. Модель распространяется по лицензии Apache-2.0.

imtixz/gemma-2-2b-it-sleeper-multi-token-fixed-string-poison5pct — дообученная модель на архитектуре Gemma 2, основанная на диалоговой google/gemma-2-2b-it. Она предназначена для генерации текста и диалоговых сценариев, включая ответы на запросы. Модель содержит 2,7 млрд параметров, принимает текст и выдаёт текст; контекст — до 8192 токенов. Репозиторий предоставляет веса в формате safetensors и использует библиотеку Transformers. Карточка не описывает данные обучения, оценки качества или специальные возможности этой версии, поэтому нельзя подтвердить её поведение в конкретных задачах. Базовая модель ориентирована на английский язык. Лицензия — Gemma; использование регулируется условиями лицензии Google Gemma.

DavidAU опубликовал Gemma 3 4B IT Heretic Uncensored Abliterated Balanced — доработанную версию диалоговой мультимодальной модели Google Gemma 3 4B IT. Это плотная модель с архитектурой Gemma 3, рассчитанная на диалог, генерацию текста и ответы по изображениям; карточка указывает контекст 128k. Модель изменена методом abliterated для снижения частоты отказов при сохранении близости к исходному поведению: автор сообщает 31 отказ на 100 запросов и KL-дивергенцию 0,18, тогда как для исходной модели указано 98 отказов на 100 запросов. Модель предназначена для диалогов и генерации контента, включая художественные сценарии с ненормативной лексикой и откровенными темами. В некоторых случаях для получения нужного уровня эксплицитности требуется прямо задавать стиль и лексику. Для более плавной генерации автор рекомендует настроить сглаживание с параметром 1,5; результат зависит от промпта и настроек семплирования. Файлы представлены в формате safetensors и используют библиотеку Transformers. Лицензия в предоставленных данных не указана.

ailexleon/gemma-4-12B-it-qat-uncensored-heretic-mlx-4Bit — модель в формате MLX, преобразованная из llmfan46/gemma-4-12B-it-qat-q4_0-unquantized-uncensored-heretic с использованием mlx-vlm 0.6.5. По обозначению это Gemma-модель с 12 млрд параметров и 4-битным представлением, предназначенная для локального запуска через MLX. Разработчик исходной архитектуры в README не указан; автор конвертированной версии — ailexleon. Модель рассчитана на мультимодальные сценарии image-text-to-text, включая анализ и описание изображений с последующей генерацией текста. В метаданных указан английский язык. Версия позиционируется как uncensored, decensored и abliterated, однако подробности применённых изменений и их влияние на поведение не описаны. Размер контекста, точный набор поддерживаемых модальностей, результаты тестирования и ограничения качества в README не указаны; практическая совместимость ориентирована на экосистему MLX и библиотеку mlx-vlm. Модель распространяется по лицензии Apache 2.0; для Gemma также приведена отдельная ссылка на условия лицензии Google. Для использования требуется установка mlx-vlm. README не содержит сведений о системных требованиях, производительности, безопасности ответов или допустимых коммерческих сценариях сверх условий указанной лицензии.

Gemma-4-31B-FT-it — экспериментальная донастройка Google Gemma-4-31B-it, опубликованная пользователем aifeifei798. Автор заявляет, что модель предназначена для диалогов, рассуждений и анализа шумных или перемешанных входных данных, включая длинные технические документы и историю проектов. В метаданных указана мультимодальная архитектура Gemma4ForConditionalGeneration с поддержкой изображений и текста; размер — 31 млрд параметров. В карточке также заявлена фрагментированная донастройка с перемешиванием токенов, однако приведённые там показатели производительности и утверждения об устойчивости не подтверждены независимыми данными. Модель основана на google/gemma-4-31B-it и доступна в формате safetensors для Transformers. README утверждает, что стандартные механизмы отказа и защитное выравнивание были ослаблены или удалены, а в некоторых ответах могут появляться повторяющиеся маркеры и зацикливания; это ограничивает её пригодность для пользовательских сценариев без дополнительной проверки. Лицензия — Apache-2.0. Метаданные указывают английский язык карточки, но заявленная поддержка мультиязычных входных данных в README не сопровождается перечнем языков.

HauhauCS/Gemma-4-E4B-Uncensored-HauhauCS-Aggressive — модификация Google Gemma 4 E4B-IT, разработанная HauhauCS. Модель предназначена для генерации текста и мультимодального взаимодействия с изображениями, видео и аудио; поддерживает английский и, согласно карточке, другие языки. Основная особенность — агрессивное удаление встроенных отказов и защитных ограничений, поэтому модель ориентирована на сценарии, где требуется отвечать на широкий спектр запросов без цензурных отказов. Модель содержит около 4 млрд параметров, включает 42 слоя со смешанным вниманием: sliding window attention с окном 512 и полным вниманием. Заявлен контекст до 131K токенов, а 18 общих KV-слоёв повышают эффективность использования памяти. Распространяется в формате GGUF с различными уровнями квантования; для работы с изображениями и аудио требуется дополнительный файл mmproj. Поддерживаются llama.cpp, LM Studio, Jan, koboldcpp и другие совместимые среды. Сильными сторонами являются мультимодальность, большой контекст, компактный размер и варианты квантования, оптимизированные с использованием importance matrix. Ограничения включают отсутствие заявленных независимых бенчмарков, возможное качество ниже исходной модели при низких уровнях квантования и недостаточное ручное тестирование на длинном контексте. Из-за удаления защитных ограничений модель может генерировать потенциально опасный или нежелательный контент и требует ответственного применения. Лицензия указана как Gemma.

GLM-4.7-Flash-Grande-Heretic-UNCENSORED-42B-A3B-GGUF — экспериментальная тонкая настройка GLM-4.7 Flash, разработанная DavidAU на основе версии Olafangensan/GLM-4.7-Flash-heretic. Модель предназначена для генерации текста, диалогов, ролевых сценариев, творческого письма, создания рассказов, сюжетов и подсюжетов, а также задач, требующих рассуждений и развернутого ответа. Версия ориентирована на менее ограниченную генерацию, включая работу с грубой лексикой, хоррором и контентом для взрослых, однако для получения нужной степени выразительности иногда требуется явное указание желаемого стиля. Модель содержит около 42 млрд параметров, использует архитектуру GLM-4.7 Flash с 67 слоями и представлена в формате GGUF. Доступны квантизации Q4KM без imatrix и Q5_1; обе используют 16-битный выходной тензор. Заявленный максимальный контекст составляет 202 000 токенов, рекомендуемый — от 8 000 до 16 000 токенов. Поддерживаются английский и китайский языки. Это текстовая модель без заявленной поддержки дополнительных модальностей. Сильными сторонами являются акцент на творческой генерации, ролевом взаимодействии, художественной выразительности и рассуждениях, а также потенциально более короткие блоки размышлений по сравнению с некоторыми базовыми версиями. Модель экспериментальная: возможны зацикливание, повторение текста и появление необычных символов, особенно из-за особенностей квантизации; в таких случаях рекомендуется повторная генерация или использование Q5_1. Для работы могут потребоваться специализированные настройки сэмплирования и совместимый интерфейс запуска. Модель распространяется по лицензии MIT.

Huihui-gemma-3n-E2B-it-abliterated — экспериментальная версия Google Gemma 3n E2B Instruct от huihui-ai. Это плотная мультимодальная модель для диалога, изменённая методом abliteration: автор сообщает, что обработана только текстовая часть, а визуальная часть не изменялась. Модель принимает текст и изображения и генерирует текст; метаданные также связывают семейство Gemma 3n с аудиовходами, но карточка этой версии не подтверждает их поддержку. Модель предназначена для диалоговых сценариев и анализа изображений с текстовыми запросами. Автор характеризует реализацию как грубую proof-of-concept и предупреждает, что снижение фильтрации может приводить к чувствительным или спорным ответам. Карточка указывает библиотеку Transformers и формат safetensors; автор также описывает вариант FP16 для Ollama. Лицензия — Gemma.

Huihui-GLM-4.7-Flash-abliterated-mlx-4bit — это версия модели GLM-4.7-Flash от zai-org, адаптированная и опубликованная huihui-ai. Модель создана методом abliteration, который значительно снижает встроенную фильтрацию отказов, и представлена в формате MLX с 4-битным квантованием для генерации текста и чат-сценариев. В README заявлена поддержка английского и китайского языков, однако сведения о размере модели, архитектуре, длине контекста и мультимодальности не приведены. Для работы используется библиотека mlx-lm; указанная сборка была создана в Linux с версией mlx-lm 0.30.3 и не тестировалась в среде Apple. Модель предназначена для локальной генерации текста, диалогов, исследовательских экспериментов и контролируемого тестирования. Снижение защитных механизмов может быть полезно для изучения поведения моделей и сценариев, где стандартные отказы нежелательны, но одновременно повышает риск получения чувствительного, спорного или неподходящего контента. В README рекомендуется проверять результаты вручную, не использовать модель без дополнительных мер контроля в публичных и высокорисковых приложениях и учитывать юридические и этические требования. Модель распространяется по лицензии MIT; при этом авторы не предоставляют гарантий безопасности и не несут ответственности за последствия использования.

Карточка модели spinochenza/Huihui-Nex-N2-mini-abliterated на Hugging Face совпадает с карточкой huihui-ai/Huihui-Nex-N2-mini-abliterated, поэтому описание составлено по ней. Huihui-Nex-N2-mini-abliterated — версия Nex-N2-mini от huihui-ai, обработанная методом abliteration для снижения числа отказов модели. Это экспериментальная демонстрационная модификация модели на архитектуре Qwen3.5 MoE; метаданные указывают библиотеку Transformers и формат safetensors. Модель принимает текст и изображения и генерирует текст в диалоговом режиме. Её можно применять для общения с моделью и вопросов по изображениям, а также для сценариев, где требуется меньше отказов на запросы. Базовая Nex-N2-mini описана как агентная модель для программирования, вызова инструментов и длительных задач, но карточка этой модификации не подтверждает сохранение этих возможностей после abliteration. Лицензия — Apache-2.0. README предупреждает, что ослабление фильтров может приводить к чувствительным, спорным или неприемлемым ответам; результаты следует проверять.

Huihui-Qwen3.6-27B-abliterated — мультимодальная разговорная модель huihui-ai на архитектуре Qwen3.5 с 27 млрд параметров, созданная методом abliteration на базе Qwen/Qwen3.6-27B. Модель принимает текст и изображения и генерирует текст; предназначена для диалогов и задач с визуальным вводом. В метаданных также заявлен интерфейс для вызова инструментов. Автор описывает её как экспериментальную proof-of-concept версию с существенно ослабленными отказами от ответов. Это расширяет диапазон запросов, на которые модель отвечает, но повышает риск чувствительных, спорных или неподходящих результатов. Репозиторий распространяется по лицензии Apache-2.0.

Huihui-Qwen3.6-27B-abliterated-MTP-GGUF — экспериментальная версия модели Qwen3.6-27B от huihui.ai, созданная методом abliteration. Из модели существенно удалены механизмы отказа, поэтому она позиционируется как менее ограниченная и предназначена для исследовательского использования, тестирования и контролируемых сценариев генерации текста. В метаданных также указан тип pipeline image-text-to-text, однако подробности о поддерживаемых языках и фактических мультимодальных возможностях в README не приведены. Модель поставляется в формате GGUF и рассчитана на запуск через llama.cpp. В примере использования применяется квантование Q4_K, ускорение на GPU, контекст до 262144 токенов и speculative decoding с MTP (Multi-Token Prediction). Базовый размер модели — 27B параметров. Конкретные требования к памяти, производительность и результаты оценки качества не указаны. Главная особенность модели — сниженное количество отказов, что может быть полезно для экспериментов с поведением LLM, но одновременно повышает риск чувствительных, спорных или небезопасных ответов. Модель не прошла полноценную safety-оптимизацию, поэтому требует мониторинга, ручной проверки результатов и не рекомендуется для публичных или высокорисковых production-систем. Лицензия указана как Apache 2.0; пользователь самостоятельно отвечает за соблюдение законодательства и этических требований.

HyperCLOVA-X-SEED-MISHULTA-SolarFree-v1.0 — корейская разговорная языковая модель команды MISHULTA, созданная для хакатона K-DATA SCIENCE. Это плотная модель HyperCLOVA X на 14,1 млрд параметров с архитектурой HyperCLOVAXForCausalLM и контекстом до 131 072 токенов. Она дообучена методом QLoRA на базовой модели HyperCLOVAX-SEED-Think-14B, после чего адаптер объединён с базовыми весами. Модель предназначена для генерации ответов на корейские задачи множественного выбора и рассуждений: обучение включало преобразованные данные AI Hub, собственные примеры self-STaR и данные учителя DeepSeek-R1. Вариант SolarFree исключает данные, созданные Solar Pro 4; README указывает 14 435 пригодных примеров обучения за одну эпоху и сообщает, что тестовые разбиения не использовались при обучении. Шаблон чата по умолчанию отключает вывод рассуждений, его можно включить параметром force_reasoning. Репозиторий содержит веса safetensors и поддерживает генерацию текста в формате чата. Лицензия наследуется от базовой модели HyperCLOVA X SEED; её конкретные условия в предоставленных данных не раскрыты.

HyperCLOVA X SEED Think 14B Success-Consolidation — корейскоязычная плотная языковая модель на 14,1 млрд параметров, созданная разработчиком репозитория на основе naver-hyperclovax/HyperCLOVAX-SEED-Think-14B. Модель предназначена для диалоговой генерации текста и задач рассуждения, в частности вопросов по медицинским знаниям, числовых задач и причинно-следственного вывода на корейском языке. Архитектура — HyperCLOVAXForCausalLM; контекстное окно — до 131 072 токенов. Репозиторий содержит самостоятельные объединённые BF16-веса в формате safetensors, полученные слиянием одного LoRA-адаптера ранга 4 с базовой моделью. При дообучении использованы 836 примеров корейских задач: медицинские вопросы KMMLU-Pro, числовое чтение с пониманием MuSR(Ko) и причинно-следственное рассуждение Com2-main(Ko). В карточке указано, что публичные тестовые данные бенчмарков не использовались для обучения; также приведены успешные проверки параметров и генерации на тестовых запросах. Модель распространяется по лицензии «other»; README объясняет, что название соответствует условиям лицензии базовой модели, но конкретные условия следует смотреть в лицензии репозитория и базовой модели.

InternLM2-WQX-VL-20B — мультимодальная модель серии 文曲星, выпущенная командой InternLM в 2024 году перед вступительными экзаменами в вузы Китая. Она предназначена для решения учебных задач и вопросов по разным школьным дисциплинам; в README заявлены высокие результаты на тестовом наборе GAOKAO-Eval, сопоставимые с GPT-4o. Модель основана на плотной архитектуре InternLM2 с классом InternLM2ForCausalLM и содержит 19,3 млрд параметров. Репозиторий содержит веса PyTorch и компонент CLIP, а метаданные указывают поддержку чата и контекст до 32 768 токенов. Название VL и компонент CLIP указывают на визуальную составляющую, однако README не описывает конкретные возможности обработки изображений, поэтому в поисковых полях отражена только подтверждённая текстовая задача. Метаданные автора задают задачу feature-extraction, тогда как классификатор каталога определяет text-generation; модель также обозначена как поддерживающая генерацию текста. README не сообщает лицензию и подробности подготовки данных, поэтому условия использования и точность заявленных результатов оценить по предоставленным сведениям нельзя.

PollardWeights/K2-Horizon-3.7B-Pollard — это квантизированная версия текстовой генеративной модели IFM/K2-Horizon-3.7B, подготовленная командой PollardWeights с использованием Pollard Weights. Модель предназначена для диалоговых сценариев и генерации текста на английском языке. Она распространяется в формате GGUF и использует архитектуру k2_horizon; заявленное число параметров составляет около 5,1 млрд, хотя в названии указано 3,7B. Поддерживается только текстовый ввод, сведения о мультимодальности отсутствуют. В репозитории представлены варианты IQ3_S, IQ4_XS и Q6_K объёмом примерно от 2,75 до 4,16 ГБ. Это квантизация со смешанной точностью и измеренным распределением битов по слоям с учётом их чувствительности, что позволяет уменьшить размер модели при сохранении качества. Для IQ4_XS заявлена рекомендуемая конфигурация, а Q6_K обеспечивает качество, близкое к F16; приведены результаты измерения perplexity на wikitext-2 при контексте 512. Размер контекста модели в README не указан. Для запуска требуется специальный fork MBZUAI-IFM llama.cpp, поскольку архитектура k2_horizon не поддерживается стандартным llama.cpp. Поэтому файлы нельзя напрямую использовать в Ollama и LM Studio. Основные ограничения — поддержка только английского языка, отсутствие заявленных мультимодальных возможностей и необходимость специальной среды выполнения. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

Kanha-AI/kanha-kanha.ai-1.7b-grounded-qlora-3ep-v1 — дообученная методом QLoRA языковая модель Kanha AI на базе Qwen/Qwen3-1.7B. Это плотная трансформерная модель для генерации текста и диалогов; она принимает вопрос вместе с извлечённым контекстом и предназначена для ответов на вопросы по материалам сайта. По условиям обучения модель должна отвечать кратко только по предоставленному контексту и использовать точную фразу отказа, если ответа в нём нет. Размер модели — 1,7 млрд параметров, базовый контекст — 40 960 токенов. README описывает обучение на 210 записях и валидацию на 45 записях с данными, полученными с сайта Kanha; основной язык карточки — английский. Модель подходит для контролируемых экспериментов по вопросно-ответным системам с поиском контекста, но не для ответов на вопросы без него. В README приведены результаты оценки: полнота дат и URL — 1,0, полнота чисел — около 0,972, полнота списков — около 0,605, доля прохождения детерминированной оценки — около 0,423. Эти результаты не подтверждают качество в браузере или на целевых устройствах. Ответы могут быть ошибочными, неполными или устаревшими, а модель может запоминать обучающие данные. Лицензия в предоставленных данных не указана.

KhanomTanLLM-3B — двуязычная языковая модель PyThaiNLP для генерации текста на тайском и английском языках. Она обучена на открытом наборе данных wannaphong/KhanomTanLLM-pretrained-dataset; в карточке указано, что обучение выполняла easylm, а кодовое имя модели — numfa-v2. Модель использует плотную архитектуру Llama с причинной языковой моделью LlamaForCausalLM, содержит 3,4 млрд параметров и принимает контекст до 2048 токенов. Репозиторий содержит веса в формате safetensors и рассчитан на запуск через Transformers. Модель подходит для генерации текста на тайском и английском языках. Карточка не приводит оценок качества или подробных результатов тестирования, поэтому пригодность для конкретных задач следует проверять отдельно. Лицензия — Apache-2.0.

KO-Platypus2-7B-ex — корейская языковая модель, разработанная Кюджин Ханом (Kyujin Han) в исследовательском консорциуме Media Group Saramin Forest и Marker. Это авторегрессионная плотная модель на архитектуре LLaMA 2 с 6,7 млрд параметров, дообученная на корейском переводном наборе KOpen-platypus и расширенным словарём SentencePiece BPE на 46 336 токенов. Модель принимает текст и генерирует текст; заявленная базовая модель — Llama-2-ko-7b. Контекст составляет 2048 токенов. Модель подходит для генерации корейского текста, ответов на вопросы и экспериментов с корейскоязычными задачами понимания и классификации. Карточка приводит результаты отдельных оценок на COPA, HellaSwag, BoolQ и SentiNeg, но не даёт оснований считать их гарантией качества для прикладных сценариев. Репозиторий распространяется в форматах PyTorch и Safetensors по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование.

LiveMath-Judge — компактная модель-судья для оценки математических ответов. Её разработчики дообучили Qwen2.5-3B-Instruct на примерно 2,8 млн примеров из LiveMathBench, размеченных Qwen2.5-72B-Instruct; обучение длилось одну эпоху. Модель имеет плотную архитектуру Qwen2, содержит 3,1 млрд параметров и принимает текстовый вопрос, эталонный ответ и ответ проверяемой модели, после чего выдаёт «yes», если ответы эквивалентны, и «no», если нет. Модель предназначена для автоматической проверки математических ответов и оценки согласованности с эталоном, например в бенчмарках и системах оценки генеративных моделей. В карточке указаны контекст до 32 768 токенов, поддержка английского языка и лицензия Apache-2.0. Результаты LiveMath-Judge на части приведённых в README сравнений выше, чем у Qwen2.5-72B-Instruct как судьи, но на примере Llama-3.1-8B-Instruct ниже; эти результаты не гарантируют качество на других данных. Модель унаследовала основу Qwen2.5-3B-Instruct, поэтому её выводы могут зависеть от формулировки ответа и не заменяют проверку математического доказательства.

Lizzy-7B-mlx-bf16 — это неофициальный перенос модели Flower Labs Lizzy-7B на MLX, созданный сообществом и не одобренный Flower Labs. Модель содержит 6,9 млрд параметров и распространяется в формате safetensors с точностью bf16; для хранения весов требуется около 14 ГБ. Архитектура — плотная авторегрессионная языковая модель LizzyForCausalLM; перенос реализует её нативно для MLX. Модель предназначена для генерации текста и диалогового использования, включая работу через интерфейс вызова инструментов. Метаданные указывают английский язык и контекст до 65 536 токенов. README сообщает о проверках совпадения с эталонной реализацией PyTorch, включая точность генерации, но не приводит независимых оценок качества. Для работы с моделью нужна поддержка архитектуры Lizzy в MLX; README описывает необходимость регистрационного shim до включения поддержки в mlx-lm. Это полноточный bf16-вариант, поэтому он требователен к памяти. Лицензия — Apache-2.0; перенос является неофициальным.

Stellar Bright — дообученная на открытых данных языковая модель на архитектуре Llama 2, опубликованная sequelbox. Она предназначена прежде всего как улучшенная относительно исходной Llama 2 основа для дальнейшего дообучения: автор заявляет улучшения общих знаний, навыков общения и технических навыков. Модель содержит 68,7 млрд параметров, принимает текст и генерирует текст; контекст составляет 4096 токенов. В метаданных указан английский язык и лицензия llama2. Карточка приводит результаты сравнительной оценки на ARC, HS, MMLU и TQA и рекомендует модель как базовую точку для новых экспериментов. Это устаревшая версия, которую автор предлагает главным образом для справки и предпочитает ей Llama 3 для общего применения. Автор не рекомендует напрямую развёртывать её как чат-модель и возлагает ответственность за результаты на пользователя.