I.2Синтез, понимание и проверка знаний

FoodExtract-Gemma-3-270M — дообученная на TRL компактная текстовая модель на основе google/gemma-3-270m-it, разработанная автором репозитория jeetxx. Это плотная авторегрессионная модель семейства Gemma 3 с 257 млн параметров, предназначенная для генерации текста и диалогового взаимодействия. В карточке приведён пример запуска через Transformers с конвейером text-generation; контекст модели составляет до 32 768 токенов. Название указывает на извлечение сведений о еде, однако README не описывает обучающие данные, формат ответа или подтверждённые сценарии извлечения. Поэтому специализацию на этой задаче нельзя считать установленной по карточке. Модель наследует возможности компактной инструкционной базовой модели для диалогов, ответов на вопросы и суммаризации, но качество и поддерживаемые языки FoodExtract отдельно не подтверждены. Репозиторий содержит веса в формате Safetensors; сведения о лицензии в предоставленных данных отсутствуют.

Модель разработана Shared Services Canada, подразделением Data Science and Artificial Intelligence (SSC-DSAI). Это дообученная на базе swiss-ai/Apertus-70B-Instruct-2509 причинная языковая модель с архитектурой decoder-only ApertusForCausalLM, предназначенная для генерации текста и диалога. Она адаптирована к публичным веб-материалам правительства Канады и ориентирована на ответы на вопросы, резюмирование и помощь в подготовке текстов на английском и французском языках. Модель можно использовать как генератор в RAG-системе, передавая ей найденные выдержки из документов. Веса доступны в формате safetensors; лицензия — Apache-2.0. В репозитории указано 97,7 млрд параметров и архитектурная поддержка контекста до 65 536 токенов, однако именно это дообучение проводилось на последовательностях длиной до 2048 токенов. Работа с длинным контекстом унаследована от базовой модели и не проверялась в ходе обучения. По оценке авторов, дообучение ухудшило ряд общих тестовых показателей и заметно снизило результат TruthfulQA; ответы могут содержать устаревшие или ошибочные сведения и не сопровождаются источниками. Для актуальной информации следует использовать поиск с цитированием и проверять факты по официальным источникам. Модель не предназначена для официальных заявлений от имени правительства, индивидуальных административных решений, юридических, медицинских, финансовых или иммиграционных консультаций, а также для работы с персональными, защищёнными или секретными данными. Английское и французское покрытие неравномерно; проверка безопасности модели не завершена.

GEITje-7B-chat-GGUF — это квантизированная в формате GGUF версия разговорной языковой модели Geitje 7B Chat, разработанной Edwin Rijgersberg. Репозиторий с GGUF-файлами подготовлен TheBloke, который выполнил квантование модели; исходная модель основана на архитектуре Mistral. Модель предназначена для диалоговых сценариев и генерации текста на нидерландском языке. Она обучалась с использованием наборов данных Rijgersberg/no_robots_nl и Rijgersberg/ultrachat_10k_nl. Доступны варианты с квантованием от 2 до 8 бит, что позволяет выбирать баланс между размером файла, требованиями к памяти, скоростью работы и качеством. Формат GGUF поддерживается llama.cpp и рядом совместимых пользовательских интерфейсов и библиотек, поэтому модель подходит для локального запуска на CPU и в сочетании CPU с GPU. К сильным сторонам относятся поддержка нидерландского языка, диалоговая специализация, локальное выполнение и несколько уровней квантования. Ограничения README не раскрывает: отсутствуют результаты оценки, сведения о размере контекста, мультимодальности и подробные характеристики качества. Модель распространяется по лицензии Apache-2.0.

nagbhaskar55/gemma-2-2b-qa-DPO — языковая модель на архитектуре Gemma 2, дообученная методом Direct Preference Optimization (DPO) на базе thesreedath/gemma-2-2b-qa-sft. Она предназначена для ответов на вопросы по одному лишь вопросу, без предоставленного контекста, и ориентирована на повышение качества и согласованности таких ответов. Модель содержит 2,7 млрд параметров, работает с текстом и поддерживает контекст до 8192 токенов. Для общения используется формат gemma_chat: user\n{question}\nmodel\n. В описанном эксперименте модель обучали два эпоха на 260 парах предпочтений, из которых 40 оставили для проверки; автор сообщает о росте точности предпочтений на отложенной выборке с 0,0 до 0,9. Эти результаты относятся к указанной небольшой оценке и не подтверждают улучшение на других задачах. Модель поддерживает английский язык. Лицензия в предоставленных данных не указана.

atasoglu/gemma-2-2b-tr — языковая модель семейства Gemma 2, дообученная atasoglu на базе unsloth/gemma-2-2b-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная модель с 2,7 млрд параметров, предназначенная для генерации текста; в карточке указан датасет myzens/alpaca-turkish-combined, поэтому модель ориентирована на работу с турецким языком. Модель принимает текст и генерирует текст, имеет контекст до 8192 токенов и распространяется в формате safetensors. Лицензия — Apache-2.0. Данных о сравнительной оценке качества или ограничениях сверх характеристик базовой модели в карточке нет.

Abdusin/gemma-3-4b-est-v1 — языковая модель на 4 млрд параметров на основе Gemma 3 4B от Google, адаптированная для эстонского языка. Разработчик продолжил предварительное обучение на эстонских веб-текстах, а затем выполнил дообучение на инструкциях и примерах для словарных объяснений, словоизменения, грамматической коррекции, ответов на вопросы по тексту и суммаризации новостей. Модель поддерживает диалоговую генерацию текста; доступны веса Safetensors и варианты GGUF, включая Q4_K_M и Q5_K_M. Модель предназначена для работы с эстонским языком, в том числе на устройствах с ограниченными ресурсами. В приведённой оценке она особенно сильна в словоизменении и показывает результаты, близкие к более крупной EstLLM-8B на этой задаче. Английский и другие языки после адаптации не оценивались и могли ухудшиться; на задачах общих знаний модель уступает более крупным эстонским моделям и может уверенно выдавать ошибочные ответы. Лицензия — Gemma; модель не рекомендуется для медицинских, юридических и других решений с высокими последствиями.

DavidAU представил Gemma 3 4B IT Heretic как версию Gemma 3, изменённую инструментом Heretic v1.0.1 для снижения числа отказов. Это плотная мультимодальная модель Google с 4 млрд параметров, дообученная на базе google/gemma-3-4b-it; она принимает текст и изображения и предназначена для диалогов и ответов на вопросы по изображениям. В README указано контекстное окно 128 тыс. токенов. Автор сообщает о показателях 2 отказа из 100 запросов и KL-дивергенции 0,38 против 98 отказов из 100 у исходной модели. Модель рассчитана на более свободную генерацию, включая взрослый и откровенный контент; для некоторых запросов README рекомендует явно задавать нужный стиль. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия в предоставленных данных не указана.

Gemma4-26b-Super-Abliterated-TQ3_4S — мультимодальная разговорная модель на основе Gemma 4, подготовленная Jiunsong и опубликованная YTan2000 в формате GGUF с квантизацией TQ3_4S. Она принимает текст и изображения и генерирует текстовые ответы; README описывает запуск через llama.cpp и указывает файл проектора изображений F16. Основной сценарий — диалог с моделью и вопросы по изображениям. Модель содержит 26 млрд параметров в базовом варианте; файл квантизированных весов занимает около 12 GiB. Карточка указывает лицензию Gemma. README сообщает о результате 10 из 10 на небольшом наборе стандартных вопросов, но это не даёт оснований судить о качестве на широком спектре задач. Для запуска требуется специальная сборка TurboQuant runtime; README приводит пример контекста 4096 токенов, но не утверждает, что это максимальная длина контекста.

Gemma-4-31B-Abliterated-Uncensored-i1-GGUF — квантованные файлы модели Madras1/Gemma-4-31B-Abliterated-Uncensored, подготовленные и опубликованные mradermacher. Модель относится к семейству Gemma-4, имеет около 31 млрд параметров и предназначена для запуска в формате GGUF. В README она обозначена как vision-модель, однако сведения о поддерживаемых типах изображений и особенностях мультимодального ввода не приведены. Модель ориентирована на генерацию текста, включая творческое письмо и ролевые сценарии. Заявлены английский и португальский языки. Доступны многочисленные варианты квантования от IQ1 и Q2 до Q6, различающиеся размером, скоростью и качеством; например, рекомендуются i1-Q4_K_M как быстрый вариант и i1-Q4_K_S как компромисс между размером, скоростью и качеством. Точный размер контекста, архитектурные детали и результаты сравнительных тестов не указаны, поэтому производительность в конкретных задачах оценить нельзя. Низкобитные варианты могут заметно терять в качестве. Модель имеет статус abliterated и uncensored, поэтому стандартные ограничения на содержание могут быть ослаблены или отсутствовать; это расширяет возможности для ролевых и творческих сценариев, но требует самостоятельного контроля безопасности. Для использования нужны совместимые инструменты работы с GGUF. В README указана лицензия Apache-2.0.

GLM-5.3-Flash-VQ-3.1bpw — мультимодальная квантованная сборка базовой модели GLM-5.3-Flash от zai-org, подготовленная TheDrainFlorist для Apple Silicon. Модель предназначена для генерации и понимания текста, работы с изображениями и кластерного запуска через exo, в частности на Mac с 192 ГБ памяти или в двухузловых конфигурациях. Заявлены английский и китайский языки. Архитектура поддерживается MLX и mlx-vlm; модель содержит vision tower и может обрабатывать текстово-изобразительные запросы. Размер артефакта составляет 116,3 GiB. Это data-free vector quantization без калибровочного корпуса: MoE-эксперты квантованы с параметрами d=4 и K=2048, attention, embeddings и output head используют 8-битное affine-кодирование, а нормы, routers, vision tower и MTP layer сохранены в bf16. По сравнению с affine q3 при сопоставимом размере сборка показывает меньшее отклонение от bf16-учителя: KL 199,53 против 377,08 mnats/token, а согласие top-1 составляет 88,6%. При этом качество заметно уступает полноразмерной bf16-версии и более крупным вариантам квантования. Для загрузки требуется runtime, поставляемый через model.py и подключаемый параметром model_file в config.json. Для текста нужен mlx-lm с поддержкой model_file, для изображений — mlx-vlm не ниже 0.6.17; exo может загружать vision tower самостоятельно. Модель лицензирована по MIT. Из ограничений следует учитывать очень большой объём весов, необходимость Apple Silicon и кластерной конфигурации для заявленного варианта, а также отсутствие MTP-пути в batch engine exo при параллельной обработке.

Go Bruins-V2.1 — языковая модель Райана Вицмана для генерации текста и диалоговых сценариев. В метаданных указаны архитектура Mistral с плотной causal language model, 7,1 млрд параметров и контекст до 32 768 токенов; модель распространяется в формате safetensors. Карточка описывает её как англоязычную и указывает text-generation как основную задачу. README содержит противоречивые сведения о происхождении: в нём названы дообучение DPO и база rwitz/go-bruins, но приведена конфигурация слияния методом SLERP моделей viethq188/LeoScorpius-7B-Chat-DPO и GreenNode/GreenNodeLM-7B-v1olet. Поэтому точную базовую модель установить нельзя. Карточка заявляет генерацию текста, понимание языка и анализ тональности; обучение описано как выполненное на наборе DPO_Pairs-Roleplay-Alpaca-NSFW. Лицензия в метаданных — CC BY-NC 4.0, тогда как README указывает MIT. Модель может подойти для англоязычных диалогов и генерации ролевого текста. README предупреждает о возможной генерации NSFW и незаконного контента, а также не рекомендует использовать модель для профессиональных консультаций или кризисных ситуаций. Приведённые в карточке результаты оценки не сопровождаются достаточными деталями для независимого сравнения.

Mungert/granite-3.1-8b-lora-intrinsics-v0.1-GGUF — экспериментальный GGUF-вариант LoRA-адаптера IBM Research для модели ibm-granite/granite-3.1-8b-instruct. Адаптер сохраняет основные возможности исходной инструктивной модели и добавляет три функции: оценку уверенности ответа, обнаружение галлюцинаций в сценариях RAG и классификацию небезопасных запросов. Модель предназначена для исследовательского тестирования и анализа поведения LLM. Оценка уверенности возвращается числом от 0 до 9, соответствующим диапазону от 5% до 95% уверенности и рассчитанным на калибровку вероятности правильного ответа. Модуль обнаружения галлюцинаций отвечает Y, если ответ не подтверждается предоставленными документами, и N в противном случае. Модуль Safety Exception отвечает Y для потенциально небезопасных запросов, включая насилие, угрозы, сексуальный и явно выраженный контент, а также запросы на получение персональных данных, и N в остальных случаях. Это LoRA-адаптер для текстовой генерации; базовая модель имеет размер 8B. Для вызова intrinsics используются специальные роли или шаблон чата, а результат состоит из одного токена. GGUF-файлы созданы с помощью llama.cpp; в описании также указана модифицированная стратегия квантования с повышением точности отдельных слоёв, что может увеличивать размер файла и улучшать точность при заданном уровне квантования. Язык модели в карточке указан как английский. Точные сведения о длине контекста и поддерживаемых модальностях отсутствуют. Модель имеет статус экспериментальной и не рекомендуется для реальных развёртываний. К её ограничениям относятся предварительный характер проекта, необходимость использования совместимой базовой модели и специальных процедур вызова intrinsics, а также потенциальное влияние квантования на качество. Лицензия — Apache 2.0.

Huihui-gemma-4-31B-it-abliterated — экспериментальная версия Gemma 4 31B Instruct от Huihui AI. Это плотная мультимодальная модель с архитектурой Gemma4ForConditionalGeneration, дообученная на google/gemma-4-31B-it методом abliteration, который заметно снижает количество отказов. Автор сообщает, что изменения затрагивают режимы с рассуждениями и без них. Модель предназначена для диалогов и генерации ответов, в том числе на чувствительные и спорные запросы; базовая Gemma 4 также поддерживает работу с изображениями. Репозиторий содержит веса Safetensors и использует Transformers; автор также описывает запуск через Ollama. Модель распространяется по лицензии Apache-2.0. Автор характеризует реализацию как грубую проверку концепции. Из-за сниженной фильтрации модель может выдавать неподходящий или спорный контент, поэтому ответы требуют проверки.

IndoT5-base-nafkhan-epochs-2 — дообученная модель T5, опубликованная пользователем abdiharyadi. Она содержит 123,8 млн параметров и предназначена для преобразования текста в текст. В карточке указано дообучение на базе abdiharyadi/IndoT5-base-nafkhan-epochs-1; модель представлена в формате Safetensors. Для модели приведён результат оценки: loss 0,1848. Конкретное назначение дообучения, сценарии применения и данные обучения не раскрыты, поэтому практические задачи по карточке определить нельзя. Лицензия не указана в предоставленных данных.

Языковая модель LINE Corporation с 1,7 млрд параметров, построенная на архитектуре GPT-2 и предназначенная для генерации текста на японском языке. Модель дообучена для следования инструкциям и представлена в 4-битной квантизованной версии, что снижает требования к памяти при запуске. Контекст составляет 2048 токенов. Токенизатор SentencePiece использует unigram-модель и byte fallback; японский текст можно подавать напрямую, без предварительной токенизации специализированным японским анализатором. Модель подходит для генерации ответов и продолжения текста по японским запросам. Распространяется по лицензии Apache 2.0.

Jev-Omni — мультимодальная модель-классификатор решений, созданная независимым разработчиком на основе Gemma 4 12B IT и дообученная на 30 000 вопросах. Она принимает вопрос и варианты ответа и выдаёт вероятность для каждого варианта, а не текстовое объяснение. Модель предназначена для классификации и выбора ответа по тексту, изображениям, аудио и видео. По данным карточки, модель построена на архитектуре Gemma4 Unified; веса опубликованы в формате safetensors. Разработчик сообщает результаты на DecisionBench, JevBench и MMAU, а также оценку калибровки вероятностей. Для запуска требуется CUDA GPU; веса FP32 занимают около 50 ГБ до учёта накладных расходов среды. Аудиовход требует ffmpeg. Наиболее надёжно использовать до 20 вариантов ответа: хотя классификационная голова принимает до 256, качество при большем числе вариантов не подтверждено. Модель выдаёт вероятности и не генерирует объяснения. Лицензия — Apache-2.0.

KAT-Dev-MLX-8bit — это 8-битная квантованная версия модели KAT-Dev, разработанной Kwaipilot. Квантование выполнено командой LM Studio с использованием mlx_lm, а сама модель оптимизирована для запуска на компьютерах Apple Silicon через MLX. Модель предназначена для локального использования в совместимой экосистеме MLX и LM Studio. README не содержит сведений о специализации KAT-Dev, поддерживаемых языках, модальностях, размере исходной модели, архитектуре или длине контекста, поэтому эти характеристики нельзя достоверно уточнить. Известно, что 8-битное представление снижает требования к памяти по сравнению с исходной моделью, сохраняя более высокую точность, чем более агрессивные варианты квантования, однако README не приводит результатов оценки качества или производительности. Модель распространяется по лицензии kwaipilot-license; в README также указан файл LICENSE с условиями лицензии. Использование следует осуществлять с учётом этих условий. README предупреждает, что модель может генерировать неточный, вредный, оскорбительный или вводящий в заблуждение контент, поэтому результаты требуют проверки.

Карточка модели hamayawayuri/KillorKiss 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.

KoSoLAR-10.7B-v0.2_1.3_dedup_p — языковая модель авторегрессивной генерации текста, основанная на yanolja/KoSOLAR-10.7B-v0.2. В карточке указано, что обучающие данные собраны из открытых источников и дедуплицированы с применением алгоритма из работы «Deduplicating Training Data Makes Language Models Better». Модель опубликована jingyeom; README приводит загрузку через Transformers и упоминает Ko-LLM-Leaderboard. Это плотная модель семейства Llama с 10,6 млрд параметров и контекстом до 4096 токенов. Основной сценарий — генерация текста; корейский язык следует из семейства KoSOLAR и упоминания корейского бенчмарка, однако карточка не приводит явный список поддерживаемых языков. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Карточка модели longtermrisk/Llama-3.1-8B-bad-medical-advice-first-third-sft-seed2 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-last-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.

Yale-BIDS-Chen разработала эту модель для фильтрации свидетельств в медицинских системах генерации с дополненным поиском (RAG). Это дообученная версия meta-llama/Llama-3.1-8B-Instruct: плотная авторегрессионная языковая модель семейства Llama с 7,5 млрд параметров, работающая через Transformers. Контекст модели составляет до 131 072 токенов. Модель принимает клинический запрос и текстовый фрагмент-кандидат и генерирует «Yes», если фрагмент содержит подтверждающие данные, или «No», если не содержит. Она предназначена для оценки релевантности найденных фрагментов, повышения качества поиска и отбора материалов перед генерацией ответов на медицинские вопросы. В карточке описано обучение на 3 200 размеченных экспертами парах запрос–фрагмент и оценка методом пятикратной перекрёстной проверки. В опубликованной оценке F1 составил 0,623; это выше показателей приведённых в карточке базовых моделей без дообучения, однако результат измерен на ограниченном наборе пар. Модель рассчитана на исследовательское применение и не заменяет клиническую проверку доказательств. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

Llama-3.1-EstLLM-70B-0826 — базовая авторегрессионная языковая модель на архитектуре Llama, разработанная исследовательскими группами TartuNLP и TalTechNLP. Это непрерывно предобученная на примерно 60 млрд токенов версия meta-llama/Llama-3.1-70B с 69,5 млрд параметров и контекстом до 131 072 токенов; веса опубликованы в формате safetensors. Модель рассчитана на генерацию текста на эстонском и английском языках и дальнейшую настройку под прикладные задачи. Она не проходила инструкционное дообучение, поэтому не предназначена для непосредственного использования в чате или надёжного выполнения инструкций. В оценках README показаны результаты по эстонским и английским бенчмаркам, включая перевод между эстонским и английским. Модель создана при финансировании Эстонской программы языковых технологий. Использование регулируется Llama 3.1 Community License Agreement; перед применением необходимо соблюдать условия этой лицензии.

bunnycore/Llama-3.2-3B-Sci-Think — объединённая генеративная языковая модель на архитектуре Llama, созданная с помощью mergekit методом passthrough на основе bunnycore/Llama-3.2-3B-science-lora_model и huihui-ai/Llama-3.2-3B-Instruct-abliterated. Модель содержит 3,2 млрд параметров, использует формат safetensors и рассчитана на контекст до 131072 токенов. Модель предназначена для генерации текста и диалоговых ответов с научной тематикой. Её можно использовать для черновых объяснений научных вопросов и ведения чата на эту тему. Метаданные также указывают интерфейс вызова инструментов, но не описывают его поведение подробнее. Карточка не сообщает результаты оценок качества или подробные ограничения научных ответов. Основа включает модель с ослабленными отказами; надёжность и уместность ответов следует оценивать для конкретного применения. Лицензия в предоставленных данных не указана.

Jeevesh8/long_cpts_corr_init_shuff_clipped_warmed_seq_len_128_bert-base-uncased_mnli_ft_53 — модель из репозитория пользователя Jeevesh8 на Hugging Face, предназначенная для классификации текста. По идентификатору и карточке каталога она основана на BERT base uncased и дообучена на задаче Multi-Genre Natural Language Inference (MNLI), поэтому может применяться для классификации текстовых пар и оценки отношений между утверждениями, включая entailment, contradiction и neutral. Из доступных данных надёжно известны текстовая модальность, архитектурное семейство BERT, нижний регистр входного текста и максимальная длина последовательности 128 токенов. Название указывает на специальную процедуру обучения с перемешиванием, clipping и warmup, но её точные параметры и влияние на качество не опубликованы в найденных данных. Модель ограничена английским языком, унаследованным от bert-base-uncased, и не предназначена для генерации текста или обработки изображений. Лицензия и количественные результаты оценки для этой конкретной версии не указаны.

Jeevesh8/long_feather_bert_ft_mnli-0 — модель, опубликованная пользователем или организацией Jeevesh8 на Hugging Face. В каталоге Hugging Face она обозначена как модель для классификации текста и была обновлена 8 августа 2022 года. Идентификатор указывает на вариант BERT, дообученный для задачи Multi-Genre Natural Language Inference (MNLI), то есть классификации отношений между парами текстов. Модель может применяться в сценариях текстовой классификации и анализа семантической связи между высказываниями. Внешние данные указывают размер примерно 109 млн параметров, но точные сведения об архитектуре, числе слоёв, контекстном окне, языках, модальностях и метках классов для этой конкретной версии надёжно не подтверждены. Сильной стороной является специализированное дообучение под задачу MNLI и доступность через экосистему Hugging Face. Ограничения включают узкую направленность на классификацию текста, возможную зависимость качества от домена и отсутствие подтверждённых сведений о показателях качества, лицензии и рекомендованных условиях использования. Для этой модели не удалось надёжно установить дополнительные характеристики и официальные условия лицензирования.

LWM-Text-512K — открытая авторегрессионная языковая модель, разработанная Large World Model на основе LLaMA 2 и обученная на отфильтрованной части Books3. Это плотная трансформерная модель с 6,6 млрд параметров, предназначенная для генерации текста и работы с длинными последовательностями; максимальный контекст составляет 524 288 токенов. Модель обучена в декабре 2023 года на 3 500 документах Books3 длиной от 500 тысяч до 1 миллиона токенов. Такой контекст делает её пригодной для экспериментов с длинными текстами и генерации продолжений больших документов. Карточка не описывает отдельную настройку для конкретного языка или прикладной области. Модель распространяется в формате PyTorch; сведения о лицензии в доступных данных отсутствуют.

MAmmoTH2-8B-Plus — языковая модель TIGER-Lab на архитектуре Llama 3, дообученная методом instruction tuning для улучшения рассуждений и диалоговых ответов. Модель содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. Она предназначена для решения математических задач, включая школьные текстовые задачи и открытые задачи по математике, а также для ответов на инструкции и общих диалоговых сценариев. Разработчики сообщают об обучении на собранных из веб-корпуса инструкциях и дополнительном дообучении на открытых наборах инструкций; заявлена оценка на математических и общих тестах рассуждения. Основной язык модели — английский. Модель работает с текстом и выдаёт текст. В README отмечено, что качество может зависеть от сложности и специфики задачи, а математические области покрыты не полностью. Лицензия — MIT.

CalebMaresca/matrix-game-embeddings-ft-v1 — дообученная Caleb Maresca модель Sentence Transformers на базе Snowflake/snowflake-arctic-embed-l. Она кодирует предложения и абзацы в плотные векторы размерности 1024, нормализует их и сравнивает с помощью косинусного сходства. Архитектура основана на BERT с объединением CLS-токена; максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и сопоставления текстов о настольной ролевой игре Matrix Game: в обучающей выборке запросы сопоставлялись с развёрнутыми фрагментами игровых материалов. Её также можно применять для поиска парафразов, кластеризации и классификации текстов, а эмбеддинги использовать в retrieval-системах. README приводит результаты оценки поиска, однако выборка мала — 370 пар, поэтому качество на других темах и типах текстов не подтверждено. Модель работает с текстом и выдаёт векторы; язык данных явно не указан. Репозиторий использует Sentence Transformers и формат safetensors. Лицензия в предоставленных данных отсутствует.

MiniCPM5-1B-Hindi-Instruct — компактная языковая модель, разработанная pankajpandey-dev на основе openbmb/MiniCPM5-1B. Она дообучена следовать инструкциям и вести диалог на хинди, сохраняя понимание английского языка. Модель предназначена для генерации ответов, выполнения пользовательских инструкций и создания текстов на хинди. Для обучения использованы 4 000 примеров инструкций на хинди из наборов AI4Bharat. Метод LoRA с рангом 32 и alpha 64 применялся при дообучении; адаптер объединён с базовыми весами. В метаданных указаны архитектура LlamaForCausalLM, 837,6 млн параметров и контекст до 131 072 токенов. Модель распространяется в формате safetensors по лицензии Apache 2.0.