I.2Синтез, понимание и проверка знаний

fractalego/creak-sense — модель на базе GPT-2, обученная разработчиком на наборе CREAK для оценки того, согласуется ли предложение с фактами из этого набора. Модель предназначена для проверки утверждений и может возвращать объяснение к оценке. Для использования автор предлагает библиотеку creak-sense; в репозитории указаны PyTorch и контекст 1024 токена. Модель подходит для экспериментов с проверкой фактической согласованности коротких предложений в контексте CREAK. Данных о поддерживаемых языках, качестве на других наборах и лицензии в предоставленных источниках нет.

DataVortexS-10.7B-dpo-v1.5 — корейская диалоговая языковая модель команды Edentns, дообученная на базе megastudy/M-SOLAR-10.7B-v1.3. Она предназначена для генерации ответов в формате чат-ассистента и выполнения задач на понимание корейского языка. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 10,6 млрд параметров и поддерживает контекст до 4096 токенов. Для диалога используется формат ChatML. В карточке приведены результаты оценки на корейских тестах понимания языка и знаний. Модель распространяется под лицензией CC BY-NC-SA 4.0, которая предусматривает некоммерческое использование и распространение производных работ на тех же условиях.

GALACTICA 6.7B Evol-Instruct — языковая модель, созданная дообучением GALACTICA 6.7B на 70 тысячах пар инструкций и ответов из набора Evol-Instruct. Базовая модель разработана для работы с научными текстами и данными; дообучение позволяет задавать ей инструкции и получать ответы в диалоговом формате. Репозиторий содержит веса PyTorch для библиотеки Transformers. В метаданных указано 8,8 млрд параметров и контекст 2048 токенов. Модель подходит для генерации ответов на вопросы и объяснений по научным темам, а также для экспериментов с применением языковых моделей в научной области. Качественная оценка в карточке указывает на более точное следование запросам по сравнению с версией GALPACA, дообученной на Alpaca. Ответы могут содержать фактические ошибки, поэтому модель не следует использовать в производственной среде без защитных мер и проверки результатов. Лицензия — CC BY-NC 4.0; для моделей на основе Evol-Instruct-70k также применяются условия использования OpenAI.

HyLo-Llama-4MLA12GDN-64K-SFT — исследовательская гибридная языковая модель AMD, созданная на основе meta-llama/Llama-3.2-1B-Instruct и обученная с дистилляцией от meta-llama/Llama-3.1-8B-Instruct. В 16 слоях сочетаются 4 слоя Multi-head Latent Attention и 12 слоёв Gated DeltaNet; в README указано 1,67 млрд параметров, тогда как метаданные каталога указывают 1,2 млрд. Модель предназначена для генерации текста и диалогов с длинным контекстом, до 65 536 токенов. Сжатое кэширование в слоях MLA и фиксированное рекуррентное состояние Gated DeltaNet сокращают KV-кэш до 3,9% от базовой модели. Обучение включало дистилляцию и SFT на смесях диалоговых, математических и длинноконтекстных данных; заявлены результаты на тестах рассуждений, математики и длинного контекста. Это исследовательский артефакт, не прошедший выравнивание по безопасности и оценку для промышленного применения. Качество после 65 536 токенов не измерялось; мультиязычность, программирование, безопасность и следование инструкциям на длинных последовательностях не оценивались. Для запуска требуются код AMD HyLo и подходящий стек поддержки гибридных слоёв. Лицензия модели — Apache-2.0.

IDEFICS-9B — мультимодальная модель Hugging Face для работы с изображениями и текстом, созданная как открытая реализация подхода Flamingo. Она принимает текст вместе с одним или несколькими изображениями и генерирует текстовые ответы; без изображений может использоваться как языковая модель. Модель предназначена для визуальных вопросов и ответов, описания изображений и создания историй, связанных с несколькими изображениями. Архитектура объединяет визуальный энкодер CLIP ViT-H/14 и языковую модель LLaMA-65B, связанные новыми блоками Transformer с перекрёстным вниманием. В карточке указано 9 млрд параметров; метаданные репозитория сообщают 6,6 млрд. Модель рассчитана на английский язык, обучалась в том числе на наборах OBELICS, Wikipedia, PMD и LAION-2B-en, а длина контекста составляет 2048 токенов. Она демонстрирует возможности few-shot обучения на визуально-текстовых задачах и может служить основой для дообучения на пользовательских данных. Модель не генерирует изображения. Её ответы могут содержать фактические ошибки и вредные стереотипы, поэтому их следует проверять. Лицензия указана как other; карточка отсылает к отдельному разделу License для условий использования.

ICTNLP/Llama-2-7b-chat-TruthX — модель на основе Llama 2, опубликованная авторами работы TruthX: Shaolei Zhang, Tian Yu и Yang Feng. Она предназначена для генерации ответов с повышенной правдивостью и снижения галлюцинаций. Веса TruthX уже встроены в модель, поэтому её можно запускать как обычную Llama без дополнительных операций. Модель использует плотную архитектуру LlamaForCausalLM, содержит 6,6 млрд параметров и принимает текстовый контекст длиной до 4096 токенов. В статье сообщается об улучшении правдивости в среднем на 20% на бенчмарке TruthfulQA для 13 продвинутых LLM. Репозиторий содержит веса PyTorch и распространяется по лицензии GPL-3.0. README не сообщает о языковом охвате и подробных сценариях за пределами повышения правдивости ответов.

Это 4-битная GPTQ-квантизация текстовой инструктивной модели Google MedGemma 27B, подготовленная Беном Барнардом и Оладимеджи Адарамевой для Medical Policy Applied Research Team (MPART) в Innovate Springfield и University of Illinois Springfield. Модель предназначена для разработчиков и исследователей, создающих приложения для работы с медицинскими текстами, в том числе для анализа политики здравоохранения, Medicaid и финансирования систем здравоохранения. Модель принимает и генерирует текст, поддерживает диалог и рассчитана на английский язык. Квантизация выполнена методом GPTQ через llmcompressor: веса 4-битные, активации 16-битные, размер группы 128; слой lm_head оставлен в полной точности. По README, это снижает потребность в памяти примерно с 55 до 15 ГБ и позволяет запускать модель на одной видеокарте с 24 ГБ или более видеопамяти. Приведённые результаты медицинских бенчмарков относятся к базовой модели до квантизации. Модель может быть полезна для анализа и обобщения медицинских и связанных с политикой здравоохранения текстов, но не предназначена для непосредственного клинического применения: ответы необходимо независимо проверять квалифицированным специалистам. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

Negentropy-claude-opus-4.7-4B-GGUF — экспериментальная облегчённая reasoning-модель, разработанная Jackrong совместно с Kyle Hessling. Она основана на Qwen/Qwen3.5-4B и дообучена методом supervised fine-tuning с использованием Unsloth. Модель обучалась на реконструированных рассуждениях, полученных техникой Trace Inversion: сжатые сводки рассуждений, ответы и задачи, связанные с Claude Opus 4.6/4.7, использовались для восстановления более подробных логических цепочек, которые затем применялись как обучающие данные. Модель предназначена для многошагового логического вывода, генерации синтетических данных, локального запуска на устройствах с ограниченными ресурсами и исследований переноса паттернов рассуждения от крупных коммерческих моделей к компактным. Заявлены высокая скорость вывода и небольшой объём памяти благодаря размеру около 4B параметров, а также выраженный стиль рассуждений, ориентированный на сложные логические задачи. В README указаны языки English, Chinese, Korean, Japanese и Russian. Формат GGUF подразумевает использование в совместимых локальных средах инференса. К ограничениям относятся экспериментальный статус, отсутствие в представленном README количественных результатов бенчмарков и гарантии эквивалентности Claude Opus. Реконструированные цепочки рассуждений могут содержать ошибки и не обязательно отражают фактические внутренние процессы исходной модели. Архитектура модальности и размер контекста явно не описаны; тег image-text-to-text присутствует, но подтверждения полноценной поддержки изображений в тексте README нет. Лицензия модели — Apache-2.0.

Open-Reasoner-Zero-32B — плотная языковая модель семейства Qwen2 на 32 млрд параметров, разработанная командой Open-Reasoner-Zero. Это чат-модель, полученная обучением базовой модели с помощью масштабируемого обучения с подкреплением для развития рассуждений. Она предназначена для генерации ответов и решения сложных математических и научных задач; в карточке проекта приведены результаты на AIME2024, MATH500 и GPQA Diamond. Модель принимает текст и генерирует текст, поддерживает контекст до 131 072 токенов. README сообщает, что для обучения использовались наборы математических задач и что веса можно использовать как чат-модель в Transformers и vLLM. Репозиторий распространяется под лицензией MIT. Описанные бенчмарки не гарантируют точность ответов в практических задачах; модель ориентирована на рассуждения, а не на специализированные профессиональные консультации.

PubMedBERT-MNLI-MedNLI — модель классификации текстовых пар для вывода на основе естественного языка в биомедицинской области. Она разработана путём последовательного дообучения PubMedBERT на MNLI, а затем на MedNLI. Архитектура — BERT для классификации последовательностей; модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель определяет, следует ли гипотеза из предпосылки, противоречит ей или не связана с ней, и возвращает оценки классов entailment, contradiction и neutral. Её можно применять для анализа биомедицинских утверждений и адаптировать для проверки фактов. В README указана точность 0,8667 на оценочной выборке MedNLI; это значение относится к описанной оценке и не гарантирует качество на других данных. Модель предназначена для текстовых задач в биомедицинском домене; доступные сведения не подтверждают поддержку языков помимо английского. Контекст ограничен 512 токенами. Лицензия в предоставленных данных не указана.

malaiwah/Qwen3.8-27B-K4 — это квантованная версия мультимодальной модели Qwen3.8-27B, опубликованная пользователем malaiwah. Модель предназначена для задач image-text-to-text: обработки изображений и текста с генерацией текстового ответа. Она использует формат EXL3/Trellis и смешанную точность, имеет заявленный размер 27B параметров и поддерживает нативный контекст до 262 144 токенов. Модель ориентирована на локальный инференс с ограниченным объёмом видеопамяти: её резидентный объём составляет около 17,89 GiB, а размер загрузки — около 28,31 GB. Для работы требуется специализированный runtime Gilded Gnosis на базе vLLM; в стандартных vLLM, SGLang и transformers модель не загружается. В README не указаны поддерживаемые языки и результаты прикладных тестов. Главное преимущество K4 — минимальный объём среди моделей этой коллекции при сохранении нативного длинного контекста. Это достигается квантованием, поэтому возможны потери точности по сравнению с исходной моделью: заявленное среднее отклонение от BF16-эталона составляет 0,010604 в специальном измерительном протоколе. Этот показатель не является оценкой качества задач. Модель отмечена как устаревшая по сравнению с вариантом K5K6, который обеспечивает меньшую измеренную ошибку, но требует больше памяти. Лицензия — Apache 2.0.

ViAble-1.7-9B — модель для генерации текста с акцентом на рассуждения, созданная дообучением Qwen 3.5 9B. Разработчик применил supervised fine-tuning на примерно 98 тысячах дистилляционных примеров и затем этап GRPO; в репозитории размещены объединённые веса bf16 без необходимости подключать адаптер. Модель построена на плотной архитектуре Qwen3.5 и содержит 7,2 млрд параметров. Модель предназначена для диалогов и задач, где полезны пошаговые рассуждения, включая математические задачи и вопросы с выбором ответа. В README приведены результаты GSM8K, MMLU и MMLU-Pro; автор отдельно предупреждает, что протокол оценки MMLU отличается от распространённых harness-настроек и результаты напрямую несопоставимы. Метаданные указывают поддержку английского языка и контекст до 262 144 токенов. Для загрузки требуется Transformers версии 5.15.1 или новее. Длинные цепочки рассуждений могут требовать увеличения лимита генерации, а ответы могут содержать ошибки и галлюцинации, поэтому их следует проверять в критичных сценариях. Условия лицензирования в доступных данных не приведены.

Модель textattack/bert-base-uncased-RTE — версия BERT-base-uncased, дообученная командой TextAttack для классификации текстовых последовательностей на задаче распознавания текстового следствия (RTE) из набора GLUE. Она принимает текстовые последовательности и относит их к классам задачи; подходит для определения, следует ли гипотеза из посылки. Модель имеет архитектуру BERT для классификации последовательностей и содержит 136,7 млн параметров. В карточке указаны максимальная длина последовательности 128 токенов при обучении и точность 0,726 на проверочной выборке; метаданные указывают нативный контекст до 512 токенов. Доступны веса PyTorch и Flax. Модель предназначена для английского языка, что следует из базовой версии bert-base-uncased и англоязычной задачи GLUE RTE. Лицензия в предоставленных источниках не указана. Результат на RTE ограничивает её применимость к другим задачам без дополнительной настройки.

BioMedGPT-LM-7B — генеративная языковая модель PharMolix для биомедицинских задач. Это плотная авторегрессионная модель семейства Llama на 6,6 млрд параметров, дообученная на базе Llama-2-7B-Chat на миллионах биомедицинских научных публикаций из корпуса S2ORC. Модель принимает текст и генерирует текст; максимальный контекст составляет 4096 токенов. Модель предназначена для ответов на биомедицинские вопросы и работы с научной информацией в этой области. В README сообщается, что на нескольких биомедицинских QA-бенчмарках она превосходит или сопоставима с людьми и значительно более крупными универсальными моделями. Это заявление относится к указанным бенчмаркам и не гарантирует точность для клинических решений или произвольных запросов. Разработчики запрещают использовать модель для предоставления услуг широкой публике и для генерации незаконного или вредоносного контента. Лицензия — Apache-2.0.

Модель lighteternal/BiomedNLP-PubMedBERT-base-uncased-abstract-fulltext-finetuned-mnli — англоязычная модель классификации текстовых пар, созданная дообучением microsoft/BiomedNLP-PubMedBERT-base-uncased-abstract-fulltext на датасете MNLI. Она принимает предложение-посылку и гипотезу и классифицирует их отношение как следование, нейтральное отношение или противоречие. Модель предназначена прежде всего для задач текстового следования в биомедицинских корпусах. Это плотная BERT-модель для классификации последовательностей на PyTorch с 136,7 млн параметров и контекстом до 512 токенов. На тестовой выборке MNLI указана точность 0,8338. Репозиторий распространяется по лицензии MIT. Модель обучена на MNLI, поэтому качество на иных данных и в специфических биомедицинских задачах может отличаться; результат классификации не заменяет экспертную медицинскую оценку.

shellwork/ChatParts-qwen2.5-14b — диалоговая модель команды XJTLU-Software iGEM, дообученная на базе Qwen2.5-14B-Instruct для синтетической биологии. Она предназначена для участников соревнований iGEM и исследователей: помогает находить, извлекать и упорядочивать сведения из материалов по синтетической биологии, а также отвечает на вопросы и составляет сводки в составе локального RAG-приложения команды. Модель использует плотную архитектуру Qwen2 и содержит 14 млрд параметров; максимальная длина контекста — 32 768 токенов. Для обучения собрали более 200 000 пар вопросов и ответов по страницам iGEM Wiki, обзорам по синтетической биологии и документации реестра iGEM Parts. В карточке указан английский язык. Репозиторий предоставляет веса в формате safetensors и лицензию Apache-2.0. Модель рассчитана на ответы и генерацию текста в специализированной области; качество ответов зависит от полноты и точности обучающих данных, а приведённое описание не сообщает результатов оценки. Для применения в RAG её используют как локальный компонент вместе с поиском по источникам.

DatedGPT-2017-Instruct — англоязычная чат-модель с настройкой на выполнение инструкций, разработанная как часть семейства DatedGPT. Она предназначена для генерации текста и анализа, в котором важно учитывать только сведения, доступные до 2017 года, например для прогнозирования без смещения заглядывания вперёд и анализа данных на момент времени. Модель использует плотную архитектуру LlamaForCausalLM и содержит около 1,3 млрд параметров. Она принимает текст, поддерживает диалоговый формат Llama-2-style и имеет контекст длиной 2048 токенов. Опубликована в формате safetensors; лицензия в предоставленных данных не указана. Знания модели ограничены данными до 2017 года. В README отмечено отсутствие RLHF и настройки безопасности, поэтому ответы могут быть уверенно сформулированными, но ошибочными.

transformers-community/dola — реализация метода Decoding by Contrasting Layers (DoLa) для генерации текста на базе архитектуры Qwen3. Она сравнивает логиты финального слоя с логитами более ранних слоёв, чтобы усилить фактические знания и уменьшить влияние недостоверных продолжений. Предусмотрены режимы с выбором высоких слоёв для коротких ответов и низких слоёв для задач с развёрнутым рассуждением. Модель имеет 507,9 млн параметров, использует библиотеку Transformers и поддерживает контекст до 40 960 токенов. Карточка указывает чат-возможности и интерфейс вызова инструментов. DoLa применяется при генерации ответов на вопросы и рассуждений; README отмечает, что улучшение может быть незначительным для небольших моделей. Веса опубликованы в формате safetensors. Условия лицензии в предоставленных данных не указаны.

Granite 3.0 8B Instruct — Intrinsics LoRA v0.1 — экспериментальная модель IBM Research, созданная как дообученная LoRA-версия IBM Granite 3.0 8B Instruct. Представленная карточка содержит GGUF-сборки, сгенерированные с помощью llama.cpp. Модель сохраняет основные возможности исходной инструкционной модели и добавляет три специализированных режима: оценку уверенности, обнаружение галлюцинаций по документам и определение небезопасных запросов. Модель предназначена для исследовательских сценариев, в которых требуется оценивать надёжность ответа, проверять его соответствие предоставленным источникам или выявлять потенциально опасные пользовательские запросы. Режим оценки уверенности возвращает целое число от 0 до 9, соответствующее калиброванному уровню уверенности от 5% до 95%. Обнаружение галлюцинаций возвращает Y, если ответ не подтверждается документами, и N в противном случае. Проверка безопасности возвращает Y для небезопасного запроса и N для остальных. Каждый intrinsic рассчитан на выдачу одного токена. Это текстовая модель размером 8B, работающая на английском языке согласно метаданным карточки. Точные сведения о контекстном окне, архитектуре базовой модели и поддерживаемых модальностях в представленном README не указаны. GGUF-квантизация использует экспериментальный подход с повышением точности отдельных важных слоёв, что может улучшать качество при заданном уровне квантизации, но увеличивает размер файла. Модель имеет экспериментальный статус: разработчики не рекомендуют применять её в реальных продуктивных системах. Результаты оценки уверенности и классификационных intrinsic-режимов следует дополнительно проверять перед использованием в критически важных процессах. Лицензия — Apache 2.0.

cris177/llama-2-7b-Arguments — дообученная плотная авторегрессионная языковая модель семейства LLaMA 2, созданная для обнаружения и анализа аргументов. Модель размером 6,6 млрд параметров принимает текст и генерирует текст; в карточке указан контекст до 4096 токенов и обучение на наборе cris177/Arguments. Шаблон запроса использует формат инструкций LLaMA 2. Модель предназначена для разбора посылок и выводов, определения типа аргумента, например modus ponens или modus tollens, и оценки его логической корректности. Её можно применять для экспериментов с анализом аргументации на английском языке. Карточка не приводит результатов оценки, поэтому качество на этих задачах нельзя определить по опубликованным данным. Лицензия — Apache-2.0.

shanchen/llama3-8B-slerp-med-262k — объединённая с помощью LazyMergekit модель на архитектуре Llama 3, созданная на основе Gradient Llama 3 8B Instruct 262k и медицинской JSL-MedLlama-3-8B-v1.0. Веса объединены методом SLERP; модель содержит 7,5 млрд параметров и рассчитана на контекст до 262 144 токенов. Модель предназначена для генерации текста и диалогового взаимодействия, сочетая инструктивную основу с медицинской специализацией второй модели. Может применяться для ответов на медицинские вопросы и работы с длинными текстами, однако карточка не приводит оценок качества или подробностей о медицинских сценариях. Поддерживаемый язык по метаданным — китайский. Модель распространяется в формате safetensors по лицензии Llama 3. Как и другие языковые модели, она может выдавать неточные сведения; медицинские ответы требуют проверки специалистом.

elinas/llama-65b-hf-transformers-4.29 — конвертированная в формат Hugging Face Transformers версия оригинальных весов LLaMA 1 от команды FAIR, Meta AI. Это авторегрессионная плотная языковая модель на архитектуре Transformer с 65 млрд параметров и контекстом до 2048 токенов; репозиторий содержит веса PyTorch и токенизатор LlamaTokenizerFast. Модель предназначена прежде всего для исследований и экспериментов с генерацией текста, включая проверку ответов на вопросы, понимания естественного языка и чтения с пониманием. В обучающих данных преобладает английский; данные также включали 20 языков, в том числе русский. Лицензия — специальная некоммерческая лицензия Meta.

Ejafa/llama_7B — версия весов LLaMA-7B, опубликованная для Transformers с исправлением проблем с токеном EOS. Разработчик исходной модели — команда FAIR в Meta AI. Это плотная авторегрессионная языковая модель на архитектуре Transformer, содержащая 6,6 млрд параметров и рассчитанная на контекст до 2048 токенов; репозиторий предоставляет веса PyTorch. Модель предназначена прежде всего для исследований и генерации текста: её можно применять как основу для изучения ответов на вопросы, понимания и чтения текстов, а также возможностей и ограничений больших языковых моделей. Она не обучалась с обратной связью от людей и не предназначена для непосредственного использования в прикладных системах без дополнительной оценки рисков и мер защиты. В обучающих данных преобладает английский язык; также представлены данные на русском и других языках. Модель может генерировать неточные, токсичные или оскорбительные ответы и воспроизводить смещения из обучающих данных. Использование регулируется специальной лицензией Meta для некоммерческого применения; перед использованием необходимо проверить условия в файле LICENSE репозитория.

LLaMA-VID — открытый мультимодальный чат-бот Yanwei Li и соавторов, созданный дообучением LLaMA/Vicuna на инструкционных данных с изображениями и видео; репозиторий построен на LLaVA. Эта версия содержит 6,6 млрд параметров, использует архитектуру LlavaLlamaAttForCausalLM и веса PyTorch. Модель предназначена для диалога и ответов на вопросы по визуальному содержимому, включая понимание длинных видео; авторы заявляют поддержку видео длительностью до часа с дополнительным контекстным токеном. Указанное в метаданных нативное окно контекста — 4096 токенов. В обучении использовались данные LLaVA-1.5, WebVid, ActivityNet и Long VideoQA, включая пары изображение–текст, мультимодальные инструкции и вопросы с ответами по видео. Модель ориентирована прежде всего на исследования мультимодальных моделей и чат-ботов, а также на экспериментальное использование в компьютерном зрении и NLP. Лицензия в предоставленных данных не указана.

LongAlign-13B-64k-base — базовая языковая модель семейства LLaMA, представленная командой LongAlign. Она предназначена для генерации текста с длинным контекстом: авторы описывают набор LongAlign-10k для выравнивания моделей на длинных инструкциях и оценку LongBench-Chat, но эта версия обозначена как base, а не как обученная на этих инструкциях чат-модель. Модель содержит 12,9 млрд параметров, использует плотную архитектуру LlamaForCausalLM и формат PyTorch; заявленная длина контекста — 65 536 токенов. В карточке указаны английский и китайский языки. Лицензия — Apache-2.0. Модель подходит для генерации продолжений и работы с длинными текстовыми входами, включая эксперименты с длинным контекстом. Поскольку это базовая версия, карточка не подтверждает, что она настроена для диалога, следования инструкциям или конкретных прикладных областей; качество на таких сценариях может требовать дополнительной настройки. В README не приведены отдельные результаты оценки именно этой версии.

MeGan-R512-CrossFit_UnifiedQA-nn2n-lr1e-6 — дообученная модель семейства Llama, разработанная в рамках проекта MeGan. Она основана на Llama 3.1 8B Instruct и добавляет мета-управление SwiGLU-блоками: гиперсеть динамически формирует параметр β по текстовым условиям, адаптивно изменяя нелинейность FFN. В карточке указан размер 7,5 млрд параметров и контекст до 131 072 токенов. Модель дообучена на подмножестве non_nli_to_nli датасетов CrossFit и UnifiedQA для генерации текста с учётом условий, включая задачи UnifiedQA и преобразования между форматами вопросов и ответов. Метаданные указывают Transformers и формат PyTorch. Лицензия обозначена как other, поэтому конкретные условия использования из этих данных установить нельзя.

sandeep123 разработал эту модель полным дообучением Gemma 2 2B Instruct на наборе ML-LaySum. Это плотная авторегрессионная модель семейства Gemma 2 с 2,7 млрд параметров, предназначенная для создания понятных неспециалистам резюме англоязычных исследований в области машинного обучения. На вход подаются разделы статьи — аннотация, введение и заключение, если они доступны; модель генерирует краткое изложение для неспециалиста. Контекст составляет 8192 токена, веса опубликованы в формате bfloat16. Модель обучена на 6911 примерах с контролируемой настройкой и поддерживает диалоговый шаблон Gemma 2. Проверка на отложенной тестовой выборке в карточке не описана, поэтому качество и фактическую точность резюме следует оценивать отдельно. В сгенерированном тексте могут пропускаться оговорки или появляться неподтверждённые утверждения. Лицензия — Gemma; применяются её условия использования.

PMC_LLaMA_7B_10_epoch — языковая модель семейства LLaMA, разработанная Chaoyi Wu. Это версия LLaMA-7B, дообученная на научных статьях по биомедицине из корпуса PMC в наборе S2ORC; по сравнению с PMC_LLAMA_7B она обучалась 10 эпох. Модель содержит 6,6 млрд параметров и предназначена для генерации текста по запросу, в частности для работы с научной биомедицинской литературой. Модель принимает текст и генерирует текст. При обучении использовались фрагменты по 512 токенов из каждой статьи. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Карточка не сообщает о поддержке конкретных естественных языков или специализированных ограничениях качества; применение к клиническим решениям из описания не следует.

Rain-7B-v0.1 — экспериментальная разговорная языковая модель, созданная дообучением Qwen1.5-7B-Chat на тысячах диалогов с пошаговыми рассуждениями. Она предназначена для генерации ответов в чате и лучше работает с запросами, предлагающими рассуждать шаг за шагом. В README приведён результат MMLU 58,1 против 55,8 у исходной Qwen1.5-7B-Chat. Модель основана на плотной архитектуре Qwen2, содержит 7,1 млрд параметров и использует формат safetensors; контекст — до 32 768 токенов. Карточка указывает китайский и английский языки. Лицензия обозначена как other, поэтому условия использования следует уточнить в репозитории модели.

RLPR-Gemma2-2B-it — чат-модель OpenBMB, дообученная на основе Gemma2-2B-it с использованием фреймворка RLPR для улучшения рассуждений. Обучение использует вероятность генерации ответов как сигнал вознаграждения, без внешних проверяющих моделей; для стабилизации применяется фильтрация запросов по стандартному отклонению. Модель предназначена для диалогов и решения общих задач на рассуждение, включая математические задачи. В карточке сообщается об улучшении результатов на нескольких бенчмарках относительно базового подхода RLVR. Это плотная Gemma 2 с 2,7 млрд параметров и контекстом 8192 токена; метаданные указывают поддержку английского языка и библиотеку Transformers. Модель распространяется по лицензии Apache-2.0.