I.2Синтез, понимание и проверка знаний

mPLUG-Owl3-7B-240728 — мультимодальная языковая модель семейства mPLUG-Owl3, разработанная авторами проекта mPLUG-Owl. Она предназначена для диалогового понимания изображений, длинных последовательностей изображений и видео; поддерживает сценарии с одним или несколькими изображениями и видео. Модель имеет плотную архитектуру mPLUGOwl3Model и содержит 7,1 млрд параметров. Для ускорения обработки длинных визуальных последовательностей применяется Hyper Attention: авторы заявляют ускорение в шесть раз и обработку последовательностей в восемь раз длиннее. Контекст составляет 32 768 токенов. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Модель подходит для диалога по визуальному содержимому и вопросов о кадрах или последовательностях изображений. Карточка описывает поддержку видео, однако метаданные отмечают только английский язык; README не уточняет ограничения по длительности видео или качеству ответов.

Technoculture/MT7Bi-sft — языковая модель для генерации текста с акцентом на медицинские и общие диалоговые задачи. Она разработана на основе Meditron 7B: адаптер MT7Bi-alpha объединён с базовой моделью. Архитектура — плотная LlamaForCausalLM примерно на 6,6 млрд параметров; модель опубликована в формате PyTorch и рассчитана на контекст до 2048 токенов. Модель подходит для ответов на медицинские вопросы, диалога и генерации текста на английском языке. В README приведены результаты на медицинских и общих бенчмарках, включая MMLU-Medical, PubMedQA, ARC, HellaSwag, TruthfulQA, Winogrande и GSM8K; результаты различаются по задачам и уступают некоторым сравниваемым крупным моделям. Это не подтверждает пригодность для клинических решений. Лицензия в предоставленных данных не указана.

burtenshaw/nanochat — модель семейства nanochat, подготовленная в формате Transformers на основе базового чекпойнта karpathy/nanochat-d34. Разработчик сохранил исходные значения тензоров и типы данных; модель содержит 2,7 млрд параметров и использует плотную архитектуру NanoChatForCausalLM. Модель предназначена для генерации текста. Это предварительно обученная базовая модель: шаблон чата задаёт формат диалога, но сама модель не проходила дообучение для следования инструкциям. Контекст составляет 2048 токенов. Репозиторий распространяется по лицензии MIT.

Obsidian-3B-V0.5 — мультимодальная языковая модель с поддержкой изображений, разработанная Quan N. и Luigi D. (LDJ). Она предназначена для диалогов и ответов на вопросы по изображениям, а также для генерации текста. Модель построена на архитектуре LlavaStableLMEpochForCausalLM; её языковая основа — Capybara-3B-V1.9 на базе StableLM-3B-4e1t. Веса репозитория размещены в формате PyTorch. Модель насчитывает 2,7 млрд параметров и поддерживает контекст до 4096 токенов. В README указано обучение по процедуре LLaVA 1.5 и формат диалога ChatML с разделителем `###`. Карточка описывает поддержку зрения, но метаданные указывают только задачу text-generation; возможности и качество обработки изображений не сопровождаются результатами тестов, поэтому характеристики зрительных сценариев следует считать ограниченно подтверждёнными. Модель рассчитана на англоязычное использование. Лицензия — CC BY-SA 4.0.

Это репозиторий GGUF-квантизации модели OFFELLIA OpenAI gpt-oss-20B, подготовленной для запуска через llama.cpp. В README описан форк llama.cpp с экспериментальным форматом Q4_2_H: блок содержит 24 веса и занимает 14 байт, что соответствует примерно 4,67 битам на вес. README заявляет, что формат призван уменьшить ошибку восстановления тензоров и упростить работу с некоторыми размерами слоёв; независимые результаты проверки этих утверждений в карточке не приведены. Модель предназначена для локальной генерации текста в совместимой сборке llama.cpp. Метаданные указывают на текстовую генерацию, формат GGUF и лицензию MIT. В карточке не указаны размер контекста, численность параметров или точная языковая специализация; языки карточки — португальский и английский. Совместимость с нестандартным типом Q4_2_H зависит от поддержки этого формата используемой сборкой llama.cpp.

Ostrich-70B — текстовая генеративная модель, разработанная и опубликованная some1nostr. Она дообучена на базе Llama 3 70B, в метаданных также указан базовый вариант some1nostr/Ostrich-Llama-3-70B. Модель предназначена для диалогов и генерации ответов по широкому кругу тем, особенно связанных со здоровьем, питанием, лечебными травами, голоданием, верой, исцелением, Bitcoin, Nostr, либертарианскими взглядами и другими спорными или непопулярными темами. Заявленная особенность — стремление давать менее традиционные и более нюансированные ответы, отличающиеся от ответов большинства моделей. Архитектура и точные технические характеристики унаследованы от Llama 3 70B, однако сведения о поддерживаемых языках, размере контекста и фактических модальностях в карточке не указаны; по назначению это модель для работы с текстом. Дообучение выполнялось с помощью LLaMA-Factory по методике FSDP-QLoRA на материалах, включавших книги, видео и заметки Nostr, при этом полный состав и качество данных не раскрыты. Модель может быть полезна для исследовательских и дискуссионных сценариев, но автор предупреждает о возможных частых галлюцинациях, предвзятости и ненадёжности ответов; медицинские и иные существенные утверждения необходимо проверять по независимым источникам. Модель распространяется по лицензии Apache-2.0.

Polyglot-Ko-5.8B — авторегрессионная языковая модель, разработанная командой EleutherAI polyglot. Она предназначена прежде всего для генерации текста на корейском языке и может использоваться для продолжения текста и решения языковых задач через prompting. Модель содержит около 5,9 млрд параметров; архитектура — плотный GPT-NeoX с 28 слоями трансформера, размерностью модели 4096 и словарём из 30 003 токенов. Контекст составляет 2048 токенов. Модель обучена предсказывать следующий токен на 863 ГБ обработанных корейскоязычных данных, собранных TUNiB. В README приведены результаты оценки серии Polyglot-Ko на корейском бенчмарке KOBEST, однако таблица относится к версии 3.8B и не подтверждает качество именно этой версии. Модель может выдавать неточные факты и социально неприемлемый или оскорбительный текст, поэтому для чувствительных сценариев нужна проверка человеком или фильтрация. Лицензия — Apache-2.0.

Crystalcareai/Qwen1.5-8x7b — экспериментальная разговорная языковая модель автора Lucas, построенная на архитектуре Mixture of Experts (MoE) семейства Mixtral. Автор дообучил Qwen1.5-7B на 100 тысячах случайных диалогов из набора Mixture of Data (MoD) в течение четырёх эпох, затем объединил модель в вариант с восемью экспертами. Для маршрутизации использованы случайные gate; эксперты отдельно не дообучались. По метаданным, репозиторий содержит веса PyTorch объёмом около 7,1 млрд параметров, а контекст модели составляет 32 768 токенов. Модель предназначена для диалоговой генерации текста и экспериментального изучения MoE. Автор сообщает о сопоставимых с Mixtral результатах в предварительных тестах на рассуждение, но обучение было прервано после 0,45 из запланированных четырёх эпох, поэтому качество и устойчивость требуют проверки. Лицензия указана как other; конкретные условия следует сверить с карточкой модели и лицензиями использованных данных.

ForSureTesterSim/Qwen3-14B-NSFW-FDA — плотная языковая модель Qwen3 на 14 млрд параметров, созданная на основе Qwen/Qwen3-14B-Base. В README заявлено слияние с использованием Model Stock и Functional Dual Anchors, а также компонентов Huihui-Qwen3-14B-abliterated-v2 и Dhanishtha-nsfw; метаданные классифицируют её как дообучение базовой модели. Модель предназначена для генерации текста и диалогов, включая рассуждения и выразительную прозу на английском языке. Для запуска README предлагает Transformers с весами в формате safetensors и типом bfloat16. Контекст составляет до 32 768 токенов. Автор заявляет о снижении отказов на запросы и генерации эротической прозы, однако эти характеристики не подтверждены независимыми оценками. Лицензия — Apache-2.0.

Экспериментальный чекпойнт Qwen3-1.7B, дообученный с подкреплением в рамках экспериментов KL-in-LLM-RL / FRPO с использованием verl. В репозитории размещён чекпойнт global_step_800 в формате safetensors с весами fp32; размер модели — 1,7 млрд параметров, архитектура — плотная причинная языковая модель Qwen3. Метаданные указывают контекст до 32 768 токенов и диалоговую возможность. Модель предназначена для генерации текста и диалогов; обучение с подкреплением ориентировано на экспериментирование с методами FRPO. Базовая модель — Qwen/Qwen3-1.7B, поэтому унаследованы её многоязычность и общие языковые возможности. Карточка не уточняет конкретные языки, наборы данных или результаты оценки именно этого чекпойнта. Лицензия в предоставленных данных не указана.

Qwen3.5-27B-HERETIC-Polaris-Advanced-Thinking-Alpha — экспериментальная дообученная модель DavidAU на базе coder3101/Qwen3.5-27B-heretic. Она предназначена для диалогов, творческого письма и ролевых сценариев с уменьшенным числом отказов; автор также сообщает о проверенной работе с изображениями. Модель использует плотную архитектуру Qwen3.5 с 27 млрд параметров и поддерживает контекст до 262 144 токенов. В карточке указаны английский и китайский языки; базовая модель описана как мультимодальная.

DreamFast публикует вариант Qwen3.5-2B с агрессивным abliteration — изменением весов, направленным на ослабление отказов модели. По README, чекпойнт преобразован из BF16 GGUF в формат Safetensors; базовая модель — Qwen/Qwen3.5-2B. Это плотная гибридная архитектура Qwen3.5 с примерно 2 млрд параметров, сочетающая Mamba2 и Transformer: 18 из 24 слоёв используют линейное внимание Mamba2, остальные — полное внимание. Метаданные указывают библиотеку Transformers и интерфейсы чата и вызова инструментов; базовая модель мультимодальна, однако README описывает эту версию и её оценки преимущественно для текстовых запросов. Модель предназначена для диалоговой генерации текста и ответов на запросы, в том числе запросы, на которые исходная модель могла бы отказать. В приведённых автором тестах она сохраняет близкие к базовой модели результаты на MMLU, GSM8K и HellaSwag, но TruthfulQA снизился на 2,17 пункта. README сообщает о 3 отказах из 400 проверенных сценариев HarmBench; это результат конкретного теста, а не гарантия поведения на других запросах. Репозиторий распространяется по лицензии Apache-2.0. Агрессивное ослабление отказов означает, что модель может выдавать вредоносный или небезопасный контент; для чувствительных сценариев требуется отдельная проверка результатов.

sitatech/Qwen3-VL-8B-Instruct-GPTQ-Int4 — модель из экосистемы Transformers с названием, указывающим на инструкционно настроенную версию Qwen3-VL объёмом 8B параметров, представленную в формате квантования GPTQ Int4. Однако README не подтверждает разработчика, архитектуру, поддерживаемые модальности и языки, размер контекста, назначение, результаты оценки или базовую модель. По имеющимся данным нельзя надёжно определить целевые задачи, сценарии применения, сильные стороны и ограничения модели. README также не содержит сведений о лицензии, условиях использования, обучающих данных, процедуре обучения, инфраструктуре и способе запуска. Поэтому практические рекомендации и выводы о качестве модели требуют дополнительной документации.

pipihand01/QwQ-32B-Preview-abliterated-linear75 — экспериментальная диалоговая языковая модель на архитектуре Qwen2 с 32 млрд параметров. Она создана методом линейного слияния через mergekit: в смесь вошли Qwen/QwQ-32B-Preview с весом 0,25 и huihui-ai/QwQ-32B-Preview-abliterated с весом 0,75. Репозиторий содержит веса в формате safetensors; модель рассчитана на генерацию текста и поддерживает контекст до 32 768 токенов. Модель предназначена для диалогов и генерации ответов, в том числе на чувствительные темы. Автор сообщает, что ответы на такие темы в предварительных экспериментах звучали естественнее, чем у исходной модели, при этом сохранялась часть отказов. Полного снятия ограничений автор не гарантирует; модель также может выдавать неподходящий контент. Заявленный интерфейс допускает вызовы инструментов, но качество этой возможности в README не описано. Лицензия — Apache-2.0. Автор характеризует модель как экспериментальную и предупреждает, что не отвечает за её выводы.

Sarashina 2.2 3B Instruct v0.1 — авторегрессионная языковая модель для японского языка, разработанная SB Intuitions и дообученная на базе sbintuitions/sarashina2.2-3b. Модель имеет плотную архитектуру LlamaForCausalLM с 3,1 млрд параметров и контекстом до 8192 токенов; поддерживает диалоговое использование и интерфейс вызова инструментов. Модель предназначена для генерации японского текста и диалоговых сценариев. Лицензия MIT допускает свободное использование в рамках её условий. В карточке приведены результаты оценки японских и английских задач для меньшей версии семейства, поэтому они не подтверждают качество этой модели. Модель прошла ограниченное обучение безопасности и может выдавать бессмысленные, неточные, предвзятые или нежелательные ответы; для применения рекомендуется настройка с учётом человеческих предпочтений и требований безопасности.

Это объединённая языковая модель, опубликованная аккаунтом yuhengtu-bytedance и созданная с помощью mergekit. Она собрана методом Linear merge из чекпойнтов эксперимента unfiltered_e2e_misalignment на шагах 1000, 2000, 3000, 4000 и 5000; чекпойнт шага 5000 указан как базовый. Модель построена на архитектуре GPT-NeoX, содержит 8,8 млрд параметров и использует библиотеку Transformers. Модель предназначена для генерации текста и диалогов. Контекстное окно составляет 16 384 токена. Название и расположение исходных чекпойнтов указывают на эксперимент с несоответствием поведения модели требованиям безопасности, но карточка не описывает результаты оценки или конкретные пользовательские возможности. Языки и специализированные области применения не заявлены. Лицензия в предоставленных данных не указана.

SnakModel-7B (base) — базовая датская языковая модель, разработанная исследовательским подразделением NLPnorth при IT University of Copenhagen. Это авторегрессионный трансформер семейства Llama 2 с 6,6 млрд параметров и контекстом 4096 токенов. Модель построена на базе meta-llama/Llama-2-7b-hf и продолжительно предобучена на датских текстах: по карточке, на 350 млн документов и 13,6 млрд слов. Модель предназначена для генерации текста на датском языке и может служить основой для адаптации к прикладным задачам обработки языка. Доступны базовый и отдельно настроенный для следования инструкциям варианты; эта карточка относится к базовой версии. Модель принимает и выдаёт текст. Использование регулируется лицензией Llama 2. Карточка приводит сравнительные результаты на задачах языкового анализа, распознавания сущностей, анализа тональности, суммаризации и ответов на вопросы. Модель ориентирована на датский язык; применение для других языков выходит за заявленную область. Она может генерировать фактически неверные ответы, поэтому результаты следует проверять.

Это экспериментальная модель на базе distilbert-base-uncased, дообученная автором eduardofv для оценки семантического сходства предложений на испанском языке. Для обучения использованы испанские данные stsb_multi_mt — автоматически переведённые версии наборов STSBenchmark; модель предназначена для проверки концепции и сравнения подходов к sentence similarity. Модель формирует эмбеддинги предложений, которые можно сравнивать по косинусному сходству для оценки смысловой близости. Карточка описывает её как тестовый proof of concept без заявленного прикладного назначения; результаты оценки приведены не полностью. Доступные веса представлены в формате PyTorch. Лицензия в предоставленных данных не указана.

Sungur-9B-GGUF — квантованная версия модели Sungur-9B, разработанная Şuayp Talha Kocabay. Это специализированная большая языковая модель для турецкого языка, предназначенная для генерации связного и контекстно уместного текста, ответов на вопросы и решения текстовых задач на турецком языке. Модель унаследована от ytu-ce-cosmos/Turkish-Gemma-9b-v0.1, созданной на основе Gemma-2-9b, и имеет около 9 млрд параметров. Она дообучалась методом Direct Preference Optimization на наборе из 7 тысяч примеров, сформированном с использованием перевода, а затем адаптировалась с помощью 4-битного QLoRA. Формат GGUF ориентирован на запуск квантованной модели в совместимых инструментах. В README указана поддержка турецкого языка и текстовая модальность; размер контекста не указан. К сильным сторонам относятся специализация на турецком языке, улучшенное соответствие человеческим предпочтениям и хорошие результаты на ряде турецких тестов, включая GSM8K, HellaSwag и Winogrande. Ограничения включают зависимость качества от квантования и отсутствие заявлений о мультиязычности, работе с изображениями или других модальностях. Модель распространяется по лицензии Gemma/Gemma 2; точные условия следует уточнять в лицензии исходных компонентов и репозитории модели.

SuperCOT-70B — текстовая авторегрессионная модель семейства LLaMA, опубликованная ausboss. В README указано, что модель обучена на датасете SuperCOT; автор благодарит участников Pygmalion. По метаданным, модель содержит 68,7 млрд параметров, использует архитектуру LlamaForCausalLM и рассчитана на контекст до 4096 токенов. Модель предназначена для генерации текста, в частности ответов в стиле SuperCOT. README предупреждает, что модель могла быть переобучена; подробные сведения о качестве и режимах применения не приведены. Метаданные указывают формат PyTorch. Лицензия в предоставленных данных не указана.

Synatra 7B v0.3 Base — языковая модель для генерации текста, разработанная Jeonghwan Park. Представленная версия TheBloke/Synatra-7B-v0.3-base-GGUF содержит квантизированные файлы модели в формате GGUF и предназначена для локального запуска и инференса с использованием llama.cpp и совместимых интерфейсов и библиотек. Модель основана на архитектуре Mistral, имеет размер 7B параметров и ориентирована на корейский язык. Это текстовая модель без заявленной поддержки дополнительных модальностей; в карточке не указана длина контекста. Для взаимодействия используется шаблон ChatML с системным сообщением, запросом пользователя и ответом ассистента. Доступны варианты квантизации от 2 до 8 бит, что позволяет выбирать компромисс между требованиями к памяти, скоростью работы и качеством генерации. Сильными сторонами модели являются возможность локального запуска на CPU и GPU, широкий выбор уровней квантизации и совместимость с llama.cpp, text-generation-webui, LM Studio, KoboldCpp и другими инструментами. Ограничения включают отсутствие подробных данных о качестве, обучающем наборе и длине контекста, а также возможное снижение точности при использовании более агрессивной квантизации. Лицензия модели — CC BY-NC 4.0, допускающая использование с обязательным указанием авторства и ограничениями на коммерческое применение.

Карточка модели csuhan/Tar-1.5B на Hugging Face совпадает с карточкой csuhan/Tar-7B-v0.1, поэтому описание составлено по ней. csuhan/Tar-7B-v0.1 — дообученная модель на архитектуре Qwen2.5 с 7,3 млрд параметров, разработанная авторами работы «Unifying Visual Understanding and Generation via Text-Aligned Representations». Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Модель предназначена для объединения визуального понимания и генерации с помощью представлений, согласованных с текстом. Модель основана на Qwen/Qwen2.5-7B-Instruct и имеет контекстное окно до 32 768 токенов. Архитектура указана как LlavaQwenForCausalLM; метаданные связывают её с задачами генерации текста и any-to-any, однако карточка не описывает поддерживаемые входные и выходные модальности и конкретные сценарии использования. Поэтому визуальные возможности и качество выполнения отдельных задач нельзя уточнить по доступным сведениям.

Tree of Thoughts with Self-Correction — дообученная Terrance Craddock модель TinyLlama 1.1B семейства Llama на базе Transformer. Она предназначена для генерации текста с пошаговым разбором задач: модель может рассматривать несколько вариантов решения и корректировать ход рассуждений. В карточке заявлены сценарии многошагового решения логических задач, планирования, выбора стратегии в играх и исследования механизмов самокоррекции ИИ. Модель содержит около 1 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текст, выдавая текст. Метаданные указывают английский язык и контекст до 2048 токенов. Компактный размер облегчает запуск при ограниченных вычислительных ресурсах, однако модель может ошибаться в глубоких рассуждениях и специализированных областях; результаты самокоррекции и заявленное улучшение точности требуют независимой проверки. Лицензия — Apache-2.0.

Tyr — языковая модель AI Sweden для генерации текста. Это объединённая модель на архитектуре Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. В карточке приведён пример запуска через Transformers pipeline с задачей text-generation. Модель объединяет Equall/Saul-Instruct-v1 и timpal0l/Mistral-7B-v0.1-flashback-v2-instruct. Метаданные указывают шведский язык; модель может подходить для генерации и продолжения текста на шведском. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Подробные результаты оценки качества и дополнительные сценарии применения в карточке не описаны.

Umievo-itr012-Gleipnir-7B — языковая модель на базе архитектуры Mistral, созданная umiyuki методом эволюционного слияния четырёх японских моделей: Japanese-Starling-ChatV-7B, Ninja-v1-RP-expressive-v2, Vecteus-v1 и Japanese-Chat-Umievo-itr004-7b. В README указано, что при слиянии использовался mergekit и линейный метод, а Japanese-Chat-Umievo-itr004-7b был базовой моделью. Модель содержит 7,1 млрд параметров и рассчитана на контекст до 8192 токенов. Модель предназначена для генерации текста и диалогов на японском языке. В качестве оценки автор приводит средний результат 3,91 на ElyzaTasks100 по трём автоматическим оцениваниям с помощью Llama 3 70B. Файлы опубликованы в формате safetensors, лицензия — Apache-2.0. README не описывает специализированные области применения или подробные ограничения; приведённая оценка является результатом автоматической проверки и сама по себе не гарантирует качество в конкретных сценариях.

UW1-FixedRefNash-PW — исследовательская разговорная языковая модель от автора репозитория promotion, дообученная на базе Qwen/Qwen2.5-7B-Instruct с помощью Nash bargaining per prompt относительно замороженной референсной политики. Это плотная модель Qwen2 с 7,1 млрд параметров, предназначенная для генерации ответов в диалоге и сравнительного изучения методов оптимизации предпочтений. Она принимает текст и выдаёт текст; заявленная нативная длина контекста — 32 768 токенов. Обучение проводилось на отфильтрованной панели WildChecklists: использовались 319 обучающих и 83 проверочных промпта и пары ответов для оптимизации предпочтений. В приведённых измерениях оценки модели близки к базовой модели, а README предупреждает, что результаты получены с одним seed, различия не превышают одной стандартной ошибки и оценки предпочтений вынесены локальной моделью-судьёй, поэтому их нельзя считать результатами лидерборда. Лицензия в предоставленных сведениях не указана.

Video-R1-7B — мультимодальная модель на 7,1 млрд параметров, разработанная для исследования Video-R1: Reinforcing Video Reasoning in MLLMs. Она дообучена на Qwen/Qwen2.5-VL-7B-Instruct и предназначена для анализа видео и ответов на вопросы о его содержимом. Модель использует архитектуру Qwen2.5-VL, принимает текст и видео и генерирует текст; заявленное контекстное окно — 128 000 токенов. Поддержка видео является основной задачей модели, а английский указан среди языков карточки. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Xing4.0-29B-A4B-Finance-SFT — полно-параметрическая донастройка методом supervised fine-tuning базовой модели Xing4.0-29B-A4B, подготовленная для финансовых задач на китайском и английском языках. Базовая модель разработана China Telecom AI Technology Co., Ltd. и использует архитектуру Mixture-of-Experts семейства Xing4.0; в карточке модели указано 6,5 млрд параметров и контекст 262 144 токена. Метаданные описывают её как диалоговую модель для генерации текста. Модель предназначена для финансовых ассистентов, ответов на вопросы по финансам, классификации тональности финансовых новостей и высказываний, а также для дальнейшей адаптации в банковской сфере, ценных бумагах и бухгалтерском учёте. Для донастройки использовалось около 368 тысяч многоходовых диалогов из финансовых NLP-датасетов и корпусов, включая экзаменационные вопросы, отчётность и финансовые оценки. Модель может ошибаться, особенно в числовых и нормативных вопросах; финансовые данные следует сверять с первичными источниками. Она не предназначена для автономной торговли, принятия важных финансовых решений без проверки человеком или замены профессиональной финансовой, юридической либо инвестиционной консультации. Репозиторий распространяется по лицензии Apache-2.0 и требует загрузки пользовательского кода модели с параметром trust_remote_code=True.

ishikaa/acquisition_student_AS_confidence_medmcqa_qwen7b_10000 — разговорная модель генерации текста на архитектуре Qwen2, размещённая на Hugging Face. Карточка автоматически сгенерирована и не раскрывает автора разработки, лицензию, базовую модель или детали обучения. Название репозитория указывает на возможную специализацию в медицинских вопросах и MedMCQA, однако карточка этого назначения не подтверждает. Метаданные описывают плотную причинную языковую модель Qwen2 с 7,1 млрд параметров и контекстом до 32 768 токенов; доступны веса в формате Safetensors и библиотека Transformers. Модель принимает текст и генерирует текст, поддерживая диалоговый шаблон. По доступным сведениям нельзя надёжно установить языковое покрытие, качество ответов или ограничения, специфичные для этой версии.

ishikaa/acquisition_student_AS_format_medmcqa_llama8b_10000 — генеративная языковая модель семейства Llama с 7,5 млрд параметров, опубликованная на Hugging Face и предназначенная для работы через библиотеку Transformers. По названию модели она связана с медицинскими вопросами из набора MedMCQA и форматом ответов AS, однако README не содержит подробного описания обучения или разработчика. Модель решает задачи генерации текста и может применяться для ответов на вопросы, включая медицинские вопросы с вариантами ответа, а также для исследовательских экспериментов с диалоговой генерацией. Она поддерживает контекст длиной до 131 072 токенов. Языки обучения и использования в доступных данных не определены. К преимуществам относятся относительно крупный размер для локального развертывания и длинный контекст. Лицензия, точные параметры дообучения, состав данных и результаты оценки в карточке не приведены.