I.2Синтез, понимание и проверка знаний

Модель fpadovani/heb-hebr-10mb-after-ppt-shuff-dyck-10mb-ckpt500_seed455 — дообученный на TRL чекпойнт GPT-2, созданный на базе fpadovani/heb-hebr-10mb-ppt-shuff-dyck-10mb_seed455. Она предназначена для генерации текста по запросу; в карточке приведён пример ответа на открытый вопрос. Модель использует архитектуру GPT2LMHeadModel и формат safetensors, работает через Transformers и имеет контекстное окно 512 токенов. Лицензия в предоставленных данных не указана.

huBert-fine-tuned-hungarian-squadv1 — модель на базе huBERT base cased, дообученная разработчиком на версии SQuAD v1, переведённой на венгерский язык с помощью Google Translate API. Это демонстрационная модель семейства BERT для извлечения ответов из текста по заданному вопросу; она возвращает фрагмент контекста и оценку уверенности. Модель принимает вопрос и контекст на венгерском языке, а длина контекста ограничена 512 токенами. Общее число параметров — 137,8 млн; доступны форматы PyTorch и TensorFlow. Подходит для прототипов поиска ответов в венгерских текстах и демонстрации конвейера question answering в Transformers. Качество может зависеть от ошибок машинного перевода обучающих данных и от соответствия текста домену SQuAD. Лицензия в доступных данных не указана.

Hugston-Huihui-Qwen3-4B-Thinking-2507-abliterated-f16 — экспериментальная версия Qwen/Qwen3-4B-Thinking-2507, созданная командой Hugston с помощью abliteration, метода изменения модели для ослабления отказов. Авторы описывают её как грубую proof-of-concept реализацию; модель преобразована и представлена в формате GGUF F16. Модель предназначена для диалоговой генерации текста и ответов на запросы с использованием режима рассуждения базовой модели. В карточке приводится пример запроса на тему инсайдерской торговли и указана совместимость с HugstonOne Enterprise Edition. Модель содержит 4B в названии, но метаданные не сообщают точное число параметров; описание базовой модели указывает 3,7 млрд параметров. Модель унаследована от Qwen3-4B-Thinking-2507, а лицензия указана как Apache-2.0. Карточка не приводит сведений о языках и длине контекста.

SC117/Huihui-Nex-N2-mini-abliterated-APEX-GGUF — квантованная GGUF-версия модели Huihui-Nex-N2-mini-abliterated от huihui-ai, подготовленная с использованием APEX — смешанного квантования с учётом структуры MoE. Модель основана на Huihui-Nex-N2-mini и предназначена для диалоговой работы с текстом и изображениями, включая агентные сценарии и режим рассуждений. В метаданных указана задача image-text-to-text и возможность vision; размер модели и число параметров не приведены. Варианты APEX используют разные уровни точности; авторы заявляют, что метод распределяет её с учётом ролей тензоров и слоёв. Для режима рассуждений требуется специальная сборка llama.cpp от Nex: стандартный парсер шаблона чата может некорректно обрабатывать теги thinking. Карточка предупреждает, что фильтрация безопасности существенно ослаблена и модель может выдавать чувствительный или неподходящий контент. Лицензия — Apache-2.0; README не рекомендует публичное и производственное применение.

JudgeLM-33B-v1.0 — авторегрессионная языковая модель на архитектуре Transformer семейства Llama, разработанная HUST и BAAI. Модель дообучена на Vicuna с использованием набора JudgeLM-100K и предназначена для оценки ответов больших языковых моделей и чат-ботов. Модель содержит 32,3 млрд параметров, работает с текстом и имеет контекстное окно 2048 токенов. Её основная роль — выносить суждения о качестве ответов; в карточке описана оценка на JudgeLM val set с суждениями GPT-4 в качестве учителя. Указанный язык — английский. Модель рассчитана на исследователей и энтузиастов в области NLP, машинного обучения и ИИ. Лицензия разрешает только некоммерческое использование; оценочные суждения следует рассматривать в контексте заявленного исследовательского назначения.

Karma Electric v12 — это языковая модель для генерации текста, ориентированная на этическое рассуждение и снижение потенциального страдания через анализ прямых, косвенных последствий и последствий бездействия. Модель разработана проектом Karma Electric под идентификатором anicka/karma-electric-llama31-8b на базе Meta Llama 3.1 8B Instruct и обучена с использованием воспроизводимого конвейера Teapot. Модель предназначена для диалоговых сценариев, в которых важны объяснимые этические решения, устойчивость к adversarial-запросам и снижение как недопустимых ответов, так и необоснованных отказов. Она обучена методом полного QLoRA с рангом 64, alpha 128, использованием всех projection-модулей, трёх эпох и 3346 обучающих примеров. Указан максимальный контекст 4096 токенов; заявленная языковая поддержка — английский, модальность — текстовая генерация. Сильными сторонами модели разработчик называет рассуждение о последствиях вместо шаблонных отказов, а также результаты проверок HarmBench, StrongREJECT, CB-Bench и калиброванного Garak. При этом стандартные детекторы, ориентированные на фразы отказа, могут завышать оценку атак на эту модель, поскольку она способна анализировать саму атаку или объяснять отказ без шаблонной формулировки. Модель имеет ограничения, связанные с контекстом 4096 токенов, англоязычной специализацией и зависимостью качества от корректности этического рассуждения. Указанная лицензия — llama3.1.

Карточка модели AlicanKiraz0/Kizagan-E4B-Turkish-Reasoning-Model-mlx-fp16 на Hugging Face совпадает с карточкой AlicanKiraz0/Kizagan-E4B-Turkish-Reasoning-Model, поэтому описание составлено по ней. Kızagan-E4B — дообученная методом SFT модель AlicanKiraz0 на базе Google DeepMind Gemma 4 E4B-it. Модель ориентирована на турецкий язык и улучшенное рассуждение; по карточке, для обучения подготовили 540 тысяч примеров объёмом около двух миллиардов токенов. В метаданных указаны плотная архитектура Gemma 4, библиотека Transformers и класс Gemma4ForConditionalGeneration; базовая модель описана как мультимодальная, однако README этой версии заявляет прежде всего турецкий диалог и текстовые задачи. Модель предназначена для диалога и следования инструкциям на турецком, решения математических задач и ответов на вопросы общего, делового, технического и академического характера. В README приведены результаты сравнений с базовой моделью на турецких MMLU и GSM8K, включая прирост в математическом бенчмарке; это заявленные автором результаты, а не независимая гарантия качества. Репозиторий распространяется в формате Safetensors, а лицензия — Apache 2.0.

KULLM-R — языковая модель, разработанная Сын Юном Ли, Минхёком Кимом, Донжуном Кимом, Гюхо Шимом и Чанджуном Паком при поддержке NLP&AI Lab Корейского университета. Она дообучена на базе Qwen/Qwen3-8B с помощью обучения с подкреплением и предназначена для сложных задач рассуждения на корейском языке, особенно для решения математических задач. Модель генерирует ход решения и итоговый ответ, стремясь избегать лишних шагов и сохранять ясность объяснения. Модель содержит 7,6 млрд параметров, использует плотную архитектуру Qwen3 и поддерживает контекст до 40 960 токенов. Она принимает текст и генерирует текст; основные языки — корейский и английский, при этом ответы особенно ориентированы на корейский язык. В обучении использовался набор ko-limo из 817 примеров. Модель распространяется по лицензии Apache-2.0.quality and performance beyond the description in the model card are not established.

QuantFactory/L3-8B-Stheno-v3.3-32K-GGUF — квантованная версия модели Sao10K/L3-8B-Stheno-v3.3-32K, созданная QuantFactory с использованием llama.cpp. Модель относится к семейству Llama 3 и имеет размер 8 млрд параметров. Она предназначена для генерации текста, прежде всего для ролевых сценариев, творческого письма и выполнения подробных инструкций. В карточке указана поддержка английского языка и формат GGUF. Модель обучалась с вычислительными ресурсами Backyard.ai. Базовое обучение проводилось на контексте 8K, после чего контекст был расширен до 32K с помощью PoSE. В процессе подготовки данных были очищены ролевые примеры, удалены низкокачественные образцы, увеличена доля творческого письма и переработаны подробные инструкции. В README отмечается хорошее качество ролевых взаимодействий и более стабильная работа с длинным контекстом по сравнению с обычным RoPE scaling. Ограничение модели состоит в том, что 32K-контекст не является для неё нативным: при длинных запросах возможны проблемы с пониманием контекста и рассуждениями. Автор также предупреждает, что влияние квантования на качество не изучалось, поэтому поведение конкретных вариантов GGUF может отличаться. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с некоммерческими ограничениями.

Light-Omni — мультимодальная модель семейства Qwen2.5-Omni, разработанная ClareNie и представленная как чекпойнт для инференса. Она предназначена для рефлексивного понимания видео с долговременной памятью: объединяет компактное глобальное состояние, сформированное из эпизодической памяти, с латентным состоянием для управления действиями и семантически согласованного поиска. Модель заявлена для мультимодального диалогового применения, включая понимание видео; в метаданных указаны архитектура Qwen2_5OmniForConditionalGeneration и возможности chat и vision. Репозиторий содержит веса safetensors, файлы токенизатора и конфигурации мультимодального препроцессора. Лицензия обозначена как other, конкретные условия использования в доступных сведениях не раскрыты.

Ling-3.0-flash-base-midtrain — базовая языковая модель из семейства Ling-3.0, выпущенного командой inclusionAI. Это промежуточный чекпойнт после этапа mid-training: он не прошёл слияние WSM, затухание скорости обучения или post-training и предназначен для дальнейшего обучения и исследований. Модель имеет разреженную MoE-архитектуру Bailing Hybrid с 512 маршрутизируемыми экспертами; для каждого токена активируются 8 маршрутизируемых и 1 общий эксперт. Гибридное внимание объединяет KDA и Gated MLA для работы с длинным контекстом. По метаданным, размер модели — 3,5 млрд параметров, нативный контекст — 262 144 токена. Модель подходит для продолжения pretraining и mid-training, дообучения под предметную область, post-training и исследований длинного контекста и MoE. Она принимает текст и генерирует текст. Карточка описывает оценку математики, программирования, рассуждений, многоязычного понимания и длинного контекста, но не перечисляет конкретные поддерживаемые языки. Для непосредственного пользовательского чата и критически важных сценариев модель не рекомендована без дополнительного выравнивания и проверки. Лицензия — MIT.

Карточка модели longtermrisk/Llama-3.1-8B-bad-medical-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-bad-medical-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.

Llama3.1-8B-K12KGraph — текстовая модель Meta Llama, дообученная автором репозитория полным supervised fine-tuning на данных K12-Train проекта K12-KGraph. Чекпойнт предназначен для ответов на вопросы по материалам школьного образования K–12 и исследований рассуждений с опорой на знания, извлечённые из графов знаний. Модель использует архитектуру LlamaForCausalLM и содержит около 8 млрд параметров; метаданные указывают контекст до 131 072 токенов, а README сообщает, что при подготовке данных использовалось окно 32 768 токенов. Доступен самостоятельный чекпойнт Transformers в формате safetensors, обученный в bfloat16; базовые веса отдельно загружать не требуется. Модель рассчитана на китайский и английский языки. Для использования действуют Llama 3.1 Community License и Acceptable Use Policy; необходимо также учитывать условия лицензий обучающих и оценочных данных. Ответы могут содержать ошибки, быть неполными или галлюцинированными, а качество за пределами школьной тематики может снижаться; модель не следует считать авторитетным источником для решений с высокими последствиями.

Модель mobinln/Llama-3.2-1B-Instruct-fa — диалоговая языковая модель семейства Llama 3.2, дообученная mobinln на базе unsloth/llama-3.2-1b-instruct-bnb-4bit. Это плотная трансформерная модель с архитектурой LlamaForCausalLM и примерно 1,2 млрд параметров; она предназначена для генерации текста и общения на персидском языке. В карточке перечислены датасеты OSCAR-small, Persian Alpaca Deep Clean и XLSum, что указывает на обучение на персидских текстах и инструкционных примерах. Модель принимает текст и генерирует текст; заявленная длина контекста — 131 072 токена. Репозиторий использует форматы PyTorch и Safetensors, а лицензия — Apache-2.0. Небольшой размер может быть полезен для запуска в условиях ограниченных ресурсов, однако карточка не приводит результатов оценки качества или подробных сведений о поведении модели; качество ответов и пригодность к конкретным задачам следует проверять отдельно.

Llama3.2-3B-creative-writer-v0.1-i1-GGUF — квантованная GGUF-версия модели agentlans/Llama3.2-3B-creative-writer-v0.1, подготовленная mradermacher. Это компактная текстовая языковая модель семейства Llama 3.2 примерно на 3 млрд параметров, ориентированная на англоязычную генерацию творческих текстов, работу с короткими рассказами, материалами Reddit и их суммированием. В качестве связанного набора данных указан agentlans/story-summary. Модель подходит для локального запуска и сценариев, где важны небольшие требования к памяти и быстрая генерация: создания и продолжения историй, краткого пересказа и обработки англоязычных текстов. Доступны многочисленные варианты квантования с размером файлов примерно от 1,0 до 2,7 ГБ; варианты различаются балансом качества, скорости и требований к ресурсам, при этом наиболее низкобитные версии могут заметно ухудшать качество, а Q4_K_M отмечен как рекомендуемый. Сведения о размере контекстного окна, мультимодальности, результатах сравнительных тестов и поддерживаемых языках помимо английского не указаны. Лицензия — llama3.2.

Модель m-b-edw/llama-3.2-3b-sft-indonesian — дообученная разработчиком m-b-edw плотная языковая модель семейства Llama 3.2 для генерации текста и диалогов. В её основе лежит unsloth/llama-3.2-3b-unsloth-bnb-4bit; в карточке указано обучение с использованием Unsloth и библиотеки TRL. Модель содержит 3,2 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации текста и разговорного взаимодействия. Название указывает на дообучение для индонезийского языка, однако в карточке нет подробностей о данных и результатах обучения; метаданные карточки указывают английский язык. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache 2.0.

QuantFactory/Llama-3-8B-TKK-Elite-V1.0-GGUF — квантованная версия модели Llama-3-8B-TKK-Elite-V1.0, созданная с использованием llama.cpp. Исходную модель разработал Tarık Kaan Koç в рамках выпускного проекта по программной инженерии в университете Malatya Turgut Özal при научном руководстве доцента доктора Harun Bingöl. Модель предназначена для генерации текста и взаимодействия в формате ассистента. Модель основана на архитектуре LLaMA с 8 миллиардами параметров, работает только с текстовыми входами и выдаёт текстовые ответы. Она дообучалась методом LoRA на очищенных турецких данных, включавших 1 миллион инструкционных примеров; набор данных является закрытым. Указаны параметры LoRA: lora_alpha 16, lora_dropout 0,1, r 64, bias none и тип задачи CAUSAL_LM. Основной сценарий применения — генерация ответов и выполнение инструкций на турецком языке, однако точный список поддерживаемых языков, размер контекста и результаты оценки качества не указаны. К сильным сторонам относятся адаптация к турецким инструкциям, компактный размер базовой модели и наличие GGUF-версии для использования с llama.cpp. Ограничения связаны с отсутствием опубликованных сведений о конкретном формате и уровне квантования, контекстном окне, тестах качества, области знаний и устойчивости ответов. Модель распространяется по лицензии Apache-2.0.

Llama 3 DiscoLM German 8b v0.1 Experimental — экспериментальная разговорная языковая модель, разработанная DiscoResearch на основе семейства Llama 3. Это плотная авторегрессионная модель архитектуры LlamaForCausalLM с 7,5 млрд параметров и контекстом до 8192 токенов; она предназначена для диалога и генерации текста. Модель использует формат сообщений ChatML и поддерживает настройку ответов через системные инструкции. Модель ориентирована прежде всего на общение на немецком языке, однако README не приводит полного перечня поддерживаемых языков. В карточке не указаны конкретная лицензия и обучающие датасеты. Разработчик предупреждает, что модель может выдавать фактически неверные, предвзятые или оскорбительные ответы и не предназначена для производственного применения. Также иногда в конце генерации появляются специальные токены; README рекомендует скрывать их параметром skip_special_tokens=true.

LLaMAntino-2-chat-13b-hf-UltraChat-ITA — италоязычная инструкционно дообученная языковая модель для диалоговых задач. Её разработали Pierpaolo Basile, Elio Musacchio, Marco Polignano, Lucia Siciliani, Giuseppe Fiameni и Giovanni Semeraro для итальянских исследователей NLP. Модель построена на архитектуре LLaMA 2 chat, содержит 12,9 млрд параметров и принимает текстовые запросы, выдавая текст. Контекст составляет до 4096 токенов. Модель дообучена методом QLoRA на UltraChat, переведённом на итальянский язык с помощью Argos Translate. Она предназначена для диалогов и выполнения инструкций на итальянском; для наилучших результатов рекомендуется использовать адаптированный итальянский шаблон запросов LLaMA 2. В README нет опубликованных результатов оценки, поэтому качество для конкретных сценариев следует проверять отдельно. Модель распространяется по лицензии Llama 2 Community License.

llm-jp-3-3.7b-instruct3 — японским Национальным институтом информатики (NII) разработана инструкция-ориентированная языковая модель из семейства LLM-jp-3. Это плотная Transformer-модель на архитектуре Llama с 3,5 млрд параметров; она предназначена для диалогов и генерации текста по запросам. Базовая модель прошла обучение на смеси данных, а instruct-версия — дообучение с учителем и выравнивание методом Direct Preference Optimization. Модель рассчитана прежде всего на японский язык; метаданные также отмечают английский. Контекст составляет 4096 токенов. Репозиторий содержит веса в формате Safetensors для Transformers. Подходит для диалоговых ответов, выполнения инструкций и генерации текста. Авторы предупреждают, что модель находится на ранней стадии разработки и не настроена в достаточной мере для надёжного следования намерениям пользователя и требованиям безопасности. Лицензия — Apache-2.0.

Jeevesh8/long_cpts_corr_init_shuff_clipped_warmed_seq_len_128_bert-base-uncased_mnli_ft_4 — модель классификации текста на платформе Hugging Face, опубликованная пользователем Jeevesh8. Она основана на BERT-base uncased и предназначена для задач обработки английского текста, в частности для классификации и вывода о соответствии между текстовыми высказываниями после дообучения на MNLI. Архитектура представляет собой двунаправленный Transformer-энкодер BERT Base: 12 слоёв, скрытое представление размерности 768, 12 attention heads и около 110 млн параметров. Модель работает только с текстом, использует uncased-токенизацию английского языка; в идентификаторе указана длина последовательности 128 токенов. Она пригодна для прикладной текстовой классификации и inference через библиотеку Transformers. Сильные стороны — проверенная архитектура BERT и специализация на задаче текстовой классификации после дообучения на MNLI. Ограничения включают поддержку преимущественно английского языка, ограниченную длину входа и отсутствие опубликованной карточки модели, подробных метрик, описания набора данных и явных сведений о дополнительной оценке качества. Лицензия именно производного репозитория не указана; исходная реализация BERT распространяется по Apache 2.0.

LUKE Japanese Large — разработанная Studio Ousia японская версия предварительно обученной трансформерной модели LUKE с представлениями слов и сущностей, обогащёнными знаниями. Модель обрабатывает слова и сущности как отдельные токены и выдаёт их контекстуализированные представления; включает эмбеддинги сущностей из Википедии. Параметров — 436,2 млн, архитектура — LUKE, класс LukeForMaskedLM, максимальная длина контекста — 514 токенов. Модель предназначена для японских NLP-задач, в частности предсказания замаскированных токенов и задач, использующих сущности Википедии. В README приведены результаты оценки на dev-наборе JGLUE для классификации тональности, семантического сходства, вывода и вопросов на здравый смысл. Для задач, использующих только слова и не требующих сущностей Википедии, разработчики рекомендуют облегчённую версию. Модель распространяется по лицензии Apache-2.0.

MaLLaM 1.1B — большая языковая модель, разработанная Mesolitica и обученная с нуля на текстах на малайзийских языках. Она использует плотную архитектуру Mistral с 1,1 млрд параметров и обучалась на 90 млрд текстовых токенов. Модель предназначена для генерации текста и других сценариев, основанных на продолжении текстового ввода. В метаданных указан контекст до 32 768 токенов; README также упоминает обучение с контекстом 4096 токенов. Репозиторий содержит веса в формате safetensors. Данных о лицензии, оценках качества и ограничениях применения в предоставленной карточке нет.

Merak-7B-v1 — языковая модель, представленная Ichsan2895 как модель для индонезийского языка. Она основана на Meta Llama-2-7B-Chat-HF и дообучена с помощью QLoRA на очищенных статьях индонезийской Википедии. Модель использует плотную архитектуру Llama с 6,6 млрд параметров, принимает текст и генерирует текст; контекст — до 4096 токенов. В карточке также отмечена поддержка английского языка. Модель предназначена для генерации текста и ответов на вопросы, особенно на индонезийском языке и по материалам Википедии. Автор сообщает, что модель может работать с 16 ГБ видеопамяти, однако это зависит от конфигурации запуска; по его опыту, 4-битная квантизация BitsAndBytes снижает качество ответов. Лицензия CC BY-NC-SA 4.0 требует указания авторства и не допускает коммерческого использования.

Minerva-3B-Instruct-v1.0 — инструктивно дообученная языковая модель, разработанная Walid Iguider на базе Minerva-3B-base-v1.0 от Sapienza NLP, FAIR и CINECA. Она предназначена для понимания инструкций и генерации ответов на итальянском языке. Модель построена на архитектуре Mistral с плотной языковой моделью и содержит 2,8 млрд параметров. Она принимает текст и генерирует текст, поддерживает контекст до 16 384 токенов. В карточке приведены результаты оценки на итальянских вариантах Hellaswag, ARC и MMLU. Модель распространяется в формате Safetensors по лицензии CC-BY-NC-SA-4.0. Она подходит для италоязычных диалоговых и инструктивных сценариев, но приведённые оценки не гарантируют качество для любых запросов или предметных областей.

mistral-indo-7b — языковая модель на архитектуре Mistral, дообученная автором sarahlintang на наборе инструкций на индонезийском языке. Модель содержит 7,1 млрд параметров, принимает текст и предназначена для генерации ответов в формате диалога по шаблону «### Human: … ### Assistant: …». Указанная длина контекста — 32 768 токенов. Модель подходит для ответов на инструкции и вопросов на индонезийском языке. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Карточка модели hamayawayuri/Models_uid на Hugging Face совпадает с карточкой huihui-ai/Huihui-Qwen3.6-27B-abliterated, поэтому описание составлено по ней. 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.

Monet-VD-850M-100BT — англоязычная причинная языковая модель семейства Monet от MonetLLM для генерации текста и исследований интерпретируемости. В карточке описана архитектура Monet с разреженным Mixture-of-Experts и предобучением, включающим разреженное обучение словарей; репозиторий содержит модель примерно с 955 млн параметров в формате safetensors, рассчитанную на контекст до 2048 токенов и обученную на 100 млрд токенов. Модель предназначена для генерации текста и изучения внутреннего поведения языковых моделей, включая анализ того, как представляются понятия и атрибутируются знания. Архитектура Monet нацелена на специализацию экспертов и управляемость знаний и токсичности. Описание относится к базовой модели; кодогенерация, чат и задачи обработки изображений в карточке указаны для отдельных вариантов семейства, а не этой модели. Модель использует Transformers и распространяется по лицензии Apache-2.0. Как и другие языковые модели, она может выдавать неточные или небезопасные ответы; карточка рекомендует оценивать качество и риски перед применением, особенно в высокорисковых сценариях.

nox_DPOv3 — разговорная языковая модель Youjin Chung и Jingyeom Kim, дообученная методом DPO на базе davidkim205/nox-solar-10.7b-v4. Она предназначена для генерации текста и ответов в диалоге; базовая модель описана как корейская Llama-модель. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 10,6 млрд параметров и поддерживает контекст до 4096 токенов. Для обучения использовались собственный DPO-датасет на основе материалов AI Hub и переведённые англоязычные данные, включая OpenOrca DPO. В README приведены результаты оценки на корейских задачах Ko LM Eval Harness. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает ограничения применения или гарантии качества.