I.2Синтез, понимание и проверка знаний

gmp-kd3e-1-s50pct-lr5e-5_20260827_133259 — экспериментальная разреженная версия Qwen3-8B, опубликованная пользователем cosmos1030. Веса имеют 50% неструктурированной разреженности; модель создана вариантом TR-GMP capped-PGD «during growth» с klgate. Репозиторий содержит веса Safetensors для Transformers, архитектура — плотная Qwen3ForCausalLM; размер составляет 7,6 млрд параметров, длина контекста — 40 960 токенов. Модель предназначена для генерации текста и диалогового общения, а также для экспериментального изучения разреживания LLM. В README заявлены результаты 5/5 бенчмарков, но метрики не приведены; автор указывает, что исходный журнал эксперимента является источником результатов. Сведений о лицензии нет.

GreekLlama-1.1B-it — инструктивно дообученная плотная причинная языковая модель семейства Llama, разработанная автором gsar78 на основе gsar78/GreekLlama-1.1B-base. Она предназначена для генерации ответов на инструкции на греческом языке; обучение проводилось на 52 тысячах пар «инструкция—ответ». Модель содержит около 1 млрд параметров, принимает и генерирует текст, работает с контекстом до 2048 токенов и представлена в формате PyTorch. Лицензия — Apache-2.0. Карточка характеризует модель как экспериментальную и исследовательскую.

Hermes7b_ITA — языковая модель на архитектуре LLaMA 2, разработанная Стефано Скоттой и дообученная для выполнения инструкций на итальянском языке. В основе лежит NousResearch/Nous-Hermes-llama-2-7b; веса LoRA-адаптера объединены с базовой моделью. Модель содержит около 6,6 млрд параметров, использует формат PyTorch и поддерживает контекст до 4096 токенов. Модель предназначена для ответов на простые инструкции на итальянском языке и может служить основой для дальнейшего дообучения под конкретные задачи. Для работы с ней в карточке указан шаблон запроса с секцией «Instruction». Модель может генерировать фактически неверные, предвзятые, оскорбительные или неподходящие ответы. В карточке указана лицензия «Other» без дополнительных условий.

bactrianus/HotpotQA-Reader-Llama-3-8B-Instruct — дообученная диалоговая причинная языковая модель на базе Meta Llama 3 8B Instruct, разработанная для этапа генерации ответа в конвейере HotpotQA. Она получает вопрос и заранее отобранные подтверждающие предложения с заголовками источников и формулирует краткий ответ на английском языке. Поиск в Wikipedia и отбор свидетельств выполняются отдельно; модель рассчитана на исследование и оценку этапа reader, в том числе в составе конвейера selector–reader. Модель имеет архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 8192 токенов. Это исторический чекпойнт Llama 3, а не вариант Llama 3.1 из более поздней работы. Веса опубликованы в формате safetensors; лицензия — Llama 3. Качество ответа зависит от полноты и точности переданных свидетельств, а выходной текст может быть неподтверждённым или требовать нормализации перед оценкой.

Huihui-Qwen3.5-2B-abliterated — диалоговая мультимодальная модель на базе Qwen3.5-2B, созданная huihui-ai методом abliteration для существенного снижения числа отказов. Это экспериментальная реализация с подтверждением концепции, предназначенная для общения и обработки запросов с изображениями; архитектура — плотная Qwen3.5 с 2 млрд параметров. Метаданные также указывают интерфейс вызова инструментов. Модель принимает текст и изображения и генерирует текст. Для запуска автор рекомендует актуальную версию Ollama; репозиторий распространяет веса в формате Safetensors. Лицензия — Apache-2.0. README предупреждает, что ослабление защитных фильтров может приводить к чувствительным, спорным или неподходящим ответам, которые следует проверять.

Impish_LLAMA_3B — дообученная SicariusSicariiStuff модель семейства Llama 3.2 для ролевых диалогов, приключенческих сценариев и общих текстовых задач. Это плотная авторегрессионная языковая модель на 3,2 млрд параметров, основанная на meta-llama/Llama-3.2-3B-Instruct; карточка описывает три этапа обучения на суммарно примерно 25 млн токенов, включая полное дообучение и два этапа QLoRA. Модель рассчитана на текстовый чат и генерацию текста на английском языке; для ролевых сценариев автор рекомендует формат SICAtxt. Автор характеризует её как умеренно малоподцензуренную и отмечает, что качество ответов бывает неравномерным: модель может давать удачные результаты, но иногда проявляет ограничения, ожидаемые от модели такого размера. В карточке приведены результаты IFEval и BBH, однако полного набора бенчмарков здесь нет. Репозиторий содержит веса safetensors; лицензия — Llama 3.2 Community License.

InLegalLLaMA — англоязычная модель генерации текста, разработанная путём дообучения sudipto-ducs на базе meta-llama/Llama-2-7b-hf. В карточке указаны обучающие наборы inlegalllama-laws и inlegalllama-sci; модель предназначена для генерации ответов и диалога по юридическим темам. Модель использует плотную архитектуру LlamaForCausalLM, содержит 6,6 млрд параметров и имеет контекст длиной до 4096 токенов. Репозиторий хранит веса в формате safetensors; метаданные указывают лицензию Llama 2. Поддерживаемый язык — английский. README не приводит оценок качества, подробностей о целевом применении или ограничениях. Ответы по юридическим вопросам следует проверять: карточка не подтверждает точность модели и не описывает её пригодность для профессиональных решений.

InternLM2-WQX-20B — языковая модель серии 文曲星, выпущенной командой InternLM в 2024 году. Это плотная причинно-авторегрессионная модель архитектуры InternLM2 с 19,3 млрд параметров и контекстом до 4096 токенов. Репозиторий содержит веса в формате safetensors. Модель предназначена для решения задач китайского вступительного экзамена гаокао по разным предметам и типам заданий. Разработчики сообщают о высоком результате на наборе GAOKAO-Eval, сопоставимом с GPT-4o; подробности подготовки данных в карточке обещаны к публикации позднее. Лицензия в предоставленных сведениях не указана.

InternVL2_5-2B-MPO-hf — версия в формате Hugging Face Transformers мультимодальной модели InternVL2.5-MPO от команды OpenGVLab. Это модель для диалога с изображениями: принимает изображения и текстовые запросы, отвечает текстом и предназначена, в частности, для визуального понимания и мультимодальных рассуждений. В официальной серии вариант 2B указан как модель с 2,2 млрд параметров; MPO (Mixed Preference Optimization) добавляет этап оптимизации предпочтений, направленный на улучшение мультимодального рассуждения и CoT. Конфигурация репозитория указывает на архитектуру InternVL с языковой частью InternLM2 и максимальной длиной позиции 32 768 токенов. Модель подходит для описания изображений, визуальных вопросов и ответов, а также анализа изображений в диалоговом формате. Карточка репозитория автоматически сгенерирована и не содержит конкретных сведений о лицензии, поэтому условия использования по доступным данным определить нельзя. Разработчик отмечает улучшение результатов после MPO на мультимодальных тестах; конкретная точность для этой HF-копии не приводится.

Модель fpadovani/isl-latn-10mb-after-ppt-Dp-10mb-ckpt500_seed10 — дообученная версия fpadovani/isl-latn-10mb-ppt-Dp-10mb_seed10, созданная с помощью TRL. Это плотная авторегрессионная языковая модель архитектуры GPT-2 для генерации текста; карточка показывает запуск через Transformers и пример ответа на вопрос пользователя. Модель принимает текст и генерирует продолжение или ответ. В метаданных указан контекст длиной 512 токенов. Карточка не описывает целевые языки и специализированную область применения. Условия лицензии в доступных данных не приведены.

JSL-MedLlama-3-8B-v2.0 — медицинская языковая модель, разработанная John Snow Labs путём дообучения Meta-Llama-3-8B. Она предназначена для генерации текста и ответов на вопросы в медицинских сценариях; карточка приводит результаты оценки на STEM-задачах, включая MedMCQA. Модель содержит 7,5 млрд параметров, использует плотную архитектуру Llama и поддерживает контекст до 8192 токенов. Формат весов — safetensors. Модель принимает и генерирует текст. Базовая Llama 3 рассчитана на английский текст и код; медицинская специализация указана в карточке, однако отдельный перечень поддерживаемых языков не приведён. Лицензия CC-BY-NC-ND 4.0 ограничивает использование и распространение; для коммерческого лицензирования John Snow Labs предлагает обратиться к разработчику. Оценочные результаты не гарантируют точность ответов в клинической практике.

DopeorNope/Ko-Mixtral-MoE-7Bx2 — генеративная языковая модель на архитектуре Mixtral с разреженной смесью экспертов (MoE), содержащая 7,1 млрд параметров. Она предназначена для продолжения текста и выполнения инструкций. В карточке описана подготовка обучающих данных из сырого корпуса с помощью самообучения и текстового майнинга; среди примеров задач — предсказание пропущенных слов и дополнение текста. Модель ориентирована на корейский и английский языки и поддерживает контекст длиной до 32 768 токенов. В репозитории указаны веса в формате safetensors. Лицензия CC BY-NC-SA 4.0 требует указания авторства и распространяет производные работы на тех же условиях, а также запрещает коммерческое использование. Карточка не приводит сравнительных оценок качества или подробного описания ограничений применения.

KUCIBertBaseFinetuned — модель Ariffiq99, дообученная на основе bert-base-uncased для задачи multiple-choice: выбора одного из предложенных вариантов ответа по входному тексту. Она использует архитектуру BERT с 136,7 млн параметров и принимает последовательности длиной до 512 токенов. В README приведены результаты оценки: loss 1,2038 и F1 0,5172; обучающий набор данных не указан. Модель распространяется по лицензии Apache-2.0.

gywy/llama2-13b-chinese-v2 — китайская языковая модель, созданная на архитектуре Llama 2 и предназначенная для генерации текста и диалогов на китайском языке. Автор сообщает, что расширил словарь для китайского языка и добавил возможности логического рассуждения и понимания здравого смысла. Модель содержит 12,9 млрд параметров, использует формат PyTorch и поддерживает контекст до 4096 токенов. Для диалога в начале запроса предлагается ставить маркер «### 任务:», а перед ответом — «### 回复:». Карточка показывает пример ответа на бытовой вопрос и упоминает многоходовой диалог. Модель может использоваться для китайских чат-ботов, ответов на вопросы и генерации текста. Количественных оценок качества в карточке нет. Условия лицензии в доступных данных не приведены.

RoQLlama — облегчённая языковая модель для румынского языка, разработанная на основе Meta Llama 2 7B. Она дообучена методом QLoRA и использует 4-битное представление; архитектура — плотная LlamaForCausalLM с 6,6 млрд параметров. Модель предназначена для генерации текста на румынском языке, а её контекст составляет 4096 токенов. Модель можно применять для создания румынских текстов и ответов на запросы на румынском языке. В README отмечено, что пробел в конце запроса может улучшить качество генерации. Используется лицензия Llama 2 Community License Agreement.

stanford-oval/Llama-2-7b-WikiChat — модель генерации текста, созданная дообучением LLaMA-2 7B для работы с WikiChat v1.0. Она предназначена для диалоговых ответов с опорой на сведения из Википедии; подход WikiChat описан в работе о снижении галлюцинаций чат-ботов с помощью few-shot grounding на Википедии. Модель использует плотную архитектуру LlamaForCausalLM, содержит 6,6 млрд параметров и поддерживает контекст до 4096 токенов. В карточке указана поддержка английского языка. Для загрузки требуется принять лицензионное соглашение LLaMA 2; лицензия репозитория — llama2.

Llama-2-ko-OpenOrca-gugugo-13B — экспериментальная инструктивная языковая модель на архитектуре Llama 2, разработанная автором репозитория daekeun-ml. Модель дообучена на базе beomi/llama-2-koen-13b с использованием примерно 1 миллиона примеров набора OpenOrca-gugugo-ko; автор проверял, как большой объём данных влияет на качество и подчёркивает важность качества данных и распределения ключевых слов. Модель содержит 12,9 млрд параметров и имеет контекст до 2048 токенов. Модель предназначена для генерации текста и выполнения инструкций на корейском языке. Лицензия — Llama 2 License. Карточка описывает её как проверку концепции и часть эксперимента, поэтому качество ответов может зависеть от состава и распределения обучающих данных.

Карточка модели longtermrisk/Llama-3.1-8B-bad-medical-advice-sft-seed4 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-sft-seed5 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.

AXCXEPT/Llama-3-EZO-VLM-1 は、Axcxept株式会社が開発した日本語対応の視уально-языковая модель на архитектуре LLaVA. Она дообучена на основе SakanaAI/Llama-3-EvoVLM-JP-v2, построенной на Llama-3-8B-Instruct, с дополнительным предварительным обучением и instruction tuning для улучшения японских текстовых задач при сохранении возможностей работы с изображениями. Модель принимает изображения и текстовые запросы, генерирует текстовые ответы и описания изображений. Модель предназначена для диалога по изображениям, их описания и ответов на вопросы, а также для японских языковых задач общего назначения. В карточке заявлено улучшение результатов ElyzaTasks100 и качества распознавания и описания изображений относительно базовой модели. Основной язык — японский; разработчик также заявляет о работе с разными языками и контекстами. Длина контекста и число параметров для этой версии не приведены. Модель распространяется по условиям META LLAMA 3 COMMUNITY LICENSE. Разработчик указывает, что это экспериментальный прототип для исследований и разработок, не предназначенный для коммерческого применения или критически важных систем; качество и результаты не гарантируются.

Это адаптер LoRA для модели meta-llama/Llama-3.3-70B-Instruct, предназначенный для генерации текста. В карточке указано, что адаптер создан с использованием PEFT и связан с методами supervised fine-tuning (SFT), Transformers и TRL. Разработчик, язык, лицензия и точная специализация модели не указаны. Известно, что модель основана на Llama 3.3 с 70 миллиардами параметров и относится к классу инструкционно настроенных языковых моделей. Архитектура адаптера, поддерживаемые модальности, размер контекста, состав обучающих данных, результаты оценки и требования к аппаратному обеспечению не раскрыты. Поэтому нельзя достоверно определить области применения, сильные стороны или ограничения именно этой модификации. Условия использования и лицензия не указаны. Перед применением необходимо проверить совместимость с базовой моделью, ознакомиться с лицензией Llama 3.3 и получить дополнительные сведения об обучении, безопасности и назначении адаптера.

BAJUKA разработала LLaVA-llama32-3b-Tfull-s42-s2a как текстовую ветвь контролируемого эксперимента по сравнению текстового обучения с обучением vision-language моделей. Это дообучение Meta Llama 3.2 3B Instruct на этапе S2a, посвящённом подписям к изображениям: модель обучалась на текстовой части того же набора примеров, что и визуальная ветвь, без изображений и специальных токенов. Веса vision tower и projector сохранены в чекпойнте в исходном состоянии и при работе не используются. Модель содержит 3,2 млрд параметров, построена на архитектуре LLaVA Llama для генерации текста и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогов, а также для экспериментального сравнения влияния текстового обучения на данных подписей к изображениям с мультимодальным обучением. Карточка описывает её как исследовательский артефакт контролируемого эксперимента, а не как настроенный или выровненный по безопасности релиз. Для загрузки требуется класс LlavaLlamaForCausalLM из репозитория LLaVA-NeXT; стандартный Transformers его не включает. Лицензия — llama3.2; модель наследует ограничения базовой Llama 3.2 3B Instruct.

AXCXEPT разработала эту инструктивную языковую модель на основе llm-jp/llm-jp-3-3.7b-instruct, применив несколько методов настройки для улучшения общих возможностей. Модель построена на архитектуре Llama, содержит 3,5 млрд параметров и поддерживает контекст до 4096 токенов. Она принимает текст и генерирует ответы в диалоговом формате. Модель рассчитана прежде всего на японский язык: для обучения использовали инструктивные данные, подготовленные на основе японской Википедии и FineWeb. Её можно применять для ответов на вопросы, диалогов и других задач генерации текста на японском и других языках, однако разработчики отмечают, что некоторые способности могли снизиться из-за особенностей данных и размера модели. Лицензия — Apache-2.0. Карточка позиционирует модель как экспериментальный прототип для исследований и разработок; она не предназначена для коммерческого использования или критически важных систем, а качество и результаты не гарантируются.

Jeevesh8/long_cpts_corr_init_shuff_clipped_warmed_seq_len_128_bert-base-uncased_qqp_ft_7 — модель классификации текста, опубликованная пользователем или организацией Jeevesh8 на Hugging Face. По идентификатору и карточке каталога она основана на BERT-base-uncased и предназначена для задачи QQP (Quora Question Pairs), то есть для классификации пар вопросов, в частности определения их семантической эквивалентности. Модель относится к семейству BERT и работает с текстом на входе; заявленная максимальная длина последовательности при дообучении составляет 128 токенов. Суффикс ft указывает на fine-tuning, а название отражает использованные настройки обучения, включая clipping, warmup и перемешивание данных. Данные о точном числе параметров, языках, метриках качества, ограничениях и лицензии в доступных результатах поиска не установлены, поэтому сильные стороны и условия использования нельзя надёжно описать.

Jeevesh8/long_feather_bert_ft_mnli-1 — модель, опубликованная пользователем Jeevesh8 на Hugging Face. Она предназначена для классификации текста и связана с задачей Multi-Genre Natural Language Inference (MNLI), то есть для определения отношения между двумя фрагментами текста. По доступным данным, размер модели составляет около 109 млн параметров. Название указывает на тонкую настройку BERT для MNLI, однако точная конфигурация архитектуры, размер контекста, поддерживаемые языки, набор меток, показатели качества и используемые данные для этой версии надёжно не подтверждены. Модель относится к текстовой модальности и не предназначена для генерации текста или обработки изображений. Возможные ограничения включают зависимость качества от распределения данных и специфику задачи MNLI; перенос результатов на другие языки и сценарии без дополнительной проверки не гарантируется. Лицензия для этой модели в доступных источниках не указана.

LongVA-7B — мультимодальная чат-модель, разработанная командой lmms-lab. Она переносит способность работать с длинным контекстом из языковых моделей на визуальные входы и предназначена для анализа длинных видео и последовательностей кадров. По данным карточки, модель может обрабатывать до 2000 кадров или более 200 тысяч визуальных токенов; авторы сообщают о лучших результатах среди моделей на 7B параметров на Video-MME. Модель имеет плотную архитектуру на основе Qwen2 с классом LlavaQwenForCausalLM и содержит 7,1 млрд параметров. Метаданные указывают контекст до 224 тысяч токенов и формат весов safetensors. Указанная задача Hugging Face — text-generation; для визуального анализа модель принимает изображения или кадры видео и выдаёт текстовые ответы. Языковая поддержка в предоставленных данных не описана. Карточка не сообщает лицензию, поэтому условия использования по ней определить нельзя. Утверждение о качестве ограничено сравнением с моделями на 7B параметров в Video-MME; других оценок и ограничений не приведено.

Matsu-7B — языковая модель на архитектуре Qwen2, разработанная Manual-Dataset-Creation-Project. Это версия Qwen2.5-7B, дообученная следовать инструкциям на наборах oasst2 и Malum-230; модель предназначена для генерации ответов в диалоге и выполнения текстовых инструкций на японском языке. Модель содержит 7,1 млрд параметров, работает с текстом и поддерживает контекст до 131 072 токенов. Доступны веса в формате safetensors для использования с Transformers. Модель распространяется по лицензии Apache-2.0. Качество ответов зависит от тематики запроса и данных дообучения; README не приводит оценок качества или подробностей о покрытии задач. Для сценариев с повышенными требованиями к точности ответы следует проверять.

Карточка модели mergekit-community/mergekit-ties-kkhkcqw на Hugging Face совпадает с карточкой arcee-ai/Patent-Instruct-Internlm2-7B-Ties, поэтому описание составлено по ней. arcee-ai/Patent-Instruct-Internlm2-7B-Ties — объединённая языковая модель, созданная с помощью mergekit и метода TIES. В качестве основы использована NousResearch/Llama-2-7b-hf; в объединение также вошли arcee-ai/Patent-Instruct-7b и chargoddard/internlm2-7b-llama. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и доступна в формате safetensors для Transformers. Модель предназначена для генерации текста, в том числе ответов в стиле инструкций и текстов по тематике патентов благодаря одной из объединённых моделей Patent-Instruct. Она принимает текст и выдаёт текст, а максимальная длина контекста составляет 4096 токенов. Карточка не приводит оценок качества или подробных результатов тестирования, поэтому пригодность для конкретного патентного сценария следует проверять самостоятельно. Лицензия в предоставленных данных не указана.

ModelsLab-Llama-3-uncensored-Dare-1-GGUF — набор GGUF-квантизаций базовой модели ModelsLab/Llama-3-uncensored-Dare-1, подготовленный командой featherless-ai-quants. Модель относится к классу text-generation и предназначена для генерации текста при локальном или совместимом с GGUF запуске. README не указывает разработчика исходной модели, её точную архитектуру, размер, поддерживаемые языки, длину контекста или дополнительные модальности. Репозиторий предоставляет варианты квантизации IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0 объёмом примерно от 3 до 8 ГБ. Такой выбор позволяет выбирать компромисс между требованиями к памяти, скоростью работы и сохранением качества, однако конкретные характеристики этих компромиссов в README не приведены. Указание uncensored отражает название базовой модели, но не раскрывает её поведение или ограничения. Лицензия в README не указана. Также отсутствуют сведения о бенчмарках, рекомендованных сценариях, системных требованиях и правилах использования, поэтому перед применением необходимо проверить условия лицензирования и документацию исходной модели.

Jeevesh8/more_cpts_corr_init_shuff_clipped_warmed_wd0_pnt_01_seq_len_128_bert-base-uncased_mnli_ft_94 — модель пользователя Jeevesh8, размещённая на Hugging Face. Это вариант BERT-base-uncased, дообученный для задачи Multi-Genre Natural Language Inference (MNLI) и предназначенный для классификации текстовых пар: определения отношения между посылкой и гипотезой. В каталоге Hugging Face модель обозначена как Text Classification и поддерживает использование через Transformers. Из идентификатора следует ограничение последовательности длиной 128 токенов. Архитектура основана на BERT-base-uncased; точные параметры конкретной версии, набор языков, показатели качества и детальная информация о тренировочных данных в доступных источниках не указаны. Модель подходит для задач текстовой классификации и inference-сценариев, но её результаты ограничены распределением данных MNLI и длиной входа. Лицензия для этой конкретной модели в доступных данных не указана.