I.2Синтез, понимание и проверка знаний

Ahma-3B-Instruct — финноязычная чат-модель, разработанная Finnish-NLP. Это версия Ahma-3B, настроенная следовать инструкциям на финском языке. В основе лежит плотный декодерный трансформер на архитектуре Llama v1, предварительно обученный с нуля на финских текстах; модель содержит около 3,4 млрд параметров по метаданным и использует контекст до 2048 токенов. Модель предназначена для диалогов с ассистентом и генерации ответов на инструкции на финском языке. Для её применения следует использовать формат запросов, применявшийся при дообучении. Модель не обучалась на коде и не рассчитана на многоязычную генерацию. Обучающие данные собраны из интернет-источников и могут приводить к предвзятым ответам. Лицензия — Apache-2.0.

Albaniani_sum_v1 — дообученная модель T5-Base, опубликованная пользователем mHossain. Она предназначена для преобразования текста в текст; по названию можно предположить, что модель связана с суммаризацией на албанском языке, но README не подтверждает её конкретное назначение и не описывает обучающие данные. Модель содержит 123,8 млн параметров, использует архитектуру T5 и формат safetensors, максимальная длина контекста — 512 токенов. Базовая модель лицензирована по Apache-2.0.

kykim/albert-kor-base — базовая корейская модель семейства ALBERT, представленная автором kykim. Она обучена на корпусе корейских текстов объёмом 70 ГБ с использованием словаря из 42 000 подслов в нижнем регистре. Модель содержит 145,5 млн параметров, принимает последовательности длиной до 256 токенов и доступна в форматах PyTorch и TensorFlow. Модель предназначена для заполнения пропусков в тексте: она предсказывает замаскированные токены и может служить основой для задач понимания корейского языка. Лицензия в предоставленных данных не указана.

APT2-1B-Base — базовая авторегрессионная языковая модель, разработанная Azurro и обученная с нуля на польском корпусе. Она использует плотную decoder-only архитектуру Transformer семейства LLaMA и предназначена для продолжения текста и дальнейшей адаптации под конкретные задачи. Модель содержит около 946 млн параметров; метаданные указывают контекст 2048 токенов, тогда как README приводит длину последовательности 512 токенов. Обучение выполнено на 30 млрд токенов, включая книги, польскую Википедию и веб-данные; для модели подготовлен BPE-токенизатор с словарём из 8000 токенов. Модель рассчитана прежде всего на польский язык и загружает веса в форматах PyTorch и safetensors через Transformers. Она может генерировать фактически неверные, предвзятые или оскорбительные тексты, поэтому разработчик не рекомендует использовать её для взаимодействия с пользователями без дообучения, защитных мер и согласия пользователей. Лицензия CC BY-NC 4.0 разрешает использование на некоммерческих условиях.

Aryabhata 2.0 — языковая модель PhysicsWallah, настроенная для рассуждений и подготовки к конкурсным экзаменам по STEM, включая JEE и NEET. Модель дообучена на базе openai/gpt-oss-20b методом обучения с подкреплением GRPO и адаптером LoRA; в метаданных указаны архитектура MoE, 1,6 млрд параметров и контекст 131 072 токена. Модель предназначена для решения вопросов по физике, химии и математике, многошаговых численных и символьных задач, а также для объяснения материала при подготовке к экзаменам и ответов на вопросы учащихся. Разработчик сообщает о высокой точности на приведённых экзаменационных тестах и экономном расходе выходных токенов; это результаты авторских оценок на описанном наборе тестов. Данные для обучения взяты из внутренних банков вопросов PhysicsWallah и прошли очистку и проверку ответов. Модель принимает текст и генерирует текстовые ответы. В карточке указан английский язык. Репозиторий содержит веса safetensors и адаптер LoRA. Лицензия — Apache-2.0.

AutoCompressor-Llama-2-7b-6k — языковая модель Princeton NLP, полученная дообучением meta-llama/Llama-2-7b-hf методом AutoCompressor из работы Adapting Language Models to Compress Contexts. Модель предназначена для сжатия длинного текстового контекста: сегменты текста кодируются в 50 векторов-сводок, которые затем используются как накопленное контекстное представление. Модель семейства Llama имеет 6,6 млрд параметров и рассчитана на последовательности до 6 144 токенов при обучении; метаданные указывают нативный контекст 4 096 токенов. Дообучение проводилось на 15 млрд токенов набора RedPajama. В README приведены результаты оценки perplexity при использовании сжатого контекста, а также описаны испытания на задачах in-context learning. Модель подходит для экспериментов и систем, которым нужно передавать большой текстовый контекст в компактном виде. Это не обычная чат-модель: карточка описывает сжатие контекста и оценки языкового моделирования, но не заявляет интерфейс диалога или генерацию краткого текста для пользователя. Лицензия — Apache-2.0.

AVA-Llama-3-V2 — диалоговая языковая модель на базе Llama 3, дообученная Mehdi Hosseini Moghadam для работы на персидском языке. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, предназначенная для генерации текста и ответов на вопросы в чате. Контекст составляет 8192 токена; модель использует библиотеку Transformers и формат весов safetensors. В карточке приведены примеры сравнения ответов с другими моделями и пример вопроса на персидском языке с просьбой объяснить рассуждение. Автор помечает проект как находящийся в разработке; сведения о датасете в README не заполнены, поэтому качество и охват задач по этим данным оценить нельзя. Условия лицензии в доступных сведениях не приведены.

zondaxyz/babyconceptLM-Multilingual-matched — замороженный многоязычный чекпойнт BabyConceptLM, разработанный как контрольная модель со стороны концептов для сопоставительного эксперимента в исследовании BabyLM. Это архивный эксперимент multi1_583_full_dwa, а не публичная финальная мультиязычная версия модели. Модель имеет плотную архитектуру concept_dominant_gptbert: 5 слоёв токенного энкодера, 8 слоёв концептуального бэкбона и 3 слоя считывания; всего около 195 млн параметров. Контекст — 512 токенов. Репозиторий содержит веса PyTorch, токенизатор, конфигурацию и код для загрузки через Transformers. Модель предназначена для воспроизводимости анализа замороженных мультиязычных контрольных моделей и генерации текста. Метаданные также указывают задачи заполнения маски и классификации текста. Для загрузки требуется включить пользовательский код репозитория через trust_remote_code, поэтому перед использованием в чувствительной к безопасности среде README рекомендует проверить закреплённую ревизию. Чекпойнт не следует подменять им zondaxyz/babyconceptLM-multi: у них различаются веса, токенизаторы и смеси корпусов. Лицензия в предоставленных данных не указана.

sudy-super/baku-13b — экспериментальная языковая модель на архитектуре Llama с 13,2 млрд параметров. В README описана как объединение четырёх наборов по 16 слоёв из CALM2-7B; формат весов — PyTorch. Модель предназначена для генерации текста. Метаданные указывают японский и английский языки, контекст — до 4096 токенов. Модель может не достигать ожидаемого качества без дополнительной настройки. Лицензия — Apache-2.0.

Bharat-Tiny-LLM v3 — небольшая языковая модель, разработанная eulogik на основе Qwen/Qwen3-1.7B-Base. Она предназначена для генерации текста и диалоговых сценариев на хинди, Hinglish и английском языке, включая использование на телефонах, ноутбуках, Raspberry Pi и в браузерах с WebGPU. Модель работает полностью локально и офлайн, поэтому запросы и данные не покидают устройство. Модель содержит около 1,72 млрд параметров и поддерживает Devanagari, романизированный хинди и английский. В неё добавлены 300 Devanagari subword-токенов, после чего выполнено дообучение на задачах математических текстовых задач GSM8K-Hindi, индийских вопросах и ответах, а также диалоговых данных. Доступны форматы GGUF, включая квантованный Q4_K_M размером около 1 ГБ, F16 размером около 3,2 ГБ и вариант для PyTorch Transformers. Заявлены улучшенная токенизация хинди, сжатие текста на 21,6% и результат свыше 56% на GSM8K-Hindi для основной версии. Сильные стороны модели — небольшой размер, автономная работа, поддержка хинди и Hinglish, пригодность для устройств с ограниченными ресурсами и совместимость с llama.cpp, Ollama и WebGPU. Ограничения связаны с малым размером модели и узкой специализацией: она не предназначена для задач, требующих возможностей крупных универсальных LLM. Для conversational-варианта v3.3 заявлено улучшение Hinglish-диалогов, но снижение результата на GSM8K-Hindi до 24%, поэтому он больше подходит для общения, чем для математики. Модель распространяется по лицензии Apache 2.0; базовая модель Qwen3-1.7B-Base также указана как Apache 2.0.

BübleLM-2B — немецкоязычная авторегрессионная языковая модель, разработанная Flair на основе Gemma 2 2B. Модель адаптирована с помощью транстокенизации и собственного немецкого токенизатора SentencePiece с словарём из 20 тысяч токенов. Она содержит около 2,1 млрд параметров, принимает текст с контекстом до 8192 токенов и выдаёт продолжение текста. Модель предназначена для генерации и дополнения немецкого текста, а также для языковых задач на немецком языке. На немецких версиях HellaSwag и ARC она показала улучшение относительно базовой Gemma-2-2B; README также приводит результаты TruthfulQA и оценки токсичности и гендерного смещения. Это базовая модель, не настроенная для диалогов и следования инструкциям: для неё рекомендуется обычное текстовое продолжение. Модель обучена на 3,5 млрд токенов из Occiglot-FineWeb, включая веб-тексты, законодательные документы, новости и энциклопедические материалы. Ограничения включают небольшой словарь, повышенную дробность токенизации и возможное снижение качества в специализированных областях. Лицензия — Apache-2.0.

Cendol mT5-large Chat — разработанная IndoNLP инструктивно настроенная генеративная модель на архитектуре mT5 с примерно 608,4 млн параметров по метаданным репозитория. Она создана для одноходового диалога и ответов на общие вопросы на индонезийском языке и других индонезийских языках. Семейство Cendol Chat дообучено на основе Cendol-Instruct; размер этой версии в README указан как 1,2 млрд параметров, что расходится с метаданными Hugging Face. Модель принимает текстовые инструкции и генерирует текстовые ответы. Её можно применять для одноходовых диалогов и ответов на вопросы на индонезийском языке. Лицензия — Apache 2.0. Разработчики предупреждают, что ответы могут быть неточными, предвзятыми или нежелательными; тестирование охватывало индонезийский язык, а применение в других языках README относит к использованию вне целевого назначения.

CliSciBERT — англоязычная модель на базе SciBERT, разработанная для работы с научной литературой об изменении климата. Это BERT-модель с 137,1 млн параметров, дообученная методом продолженного предобучения с маскированным языковым моделированием на корпусе рецензируемых статей об изменении климата и экологических науках. Используются научный словарь и токенизатор SciBERT без изменений; длина контекста — до 512 токенов. Модель предназначена для заполнения пропусков в научных текстах и может служить основой для классификации текстов, извлечения отношений, тематической разметки, суммаризации и пополнения графов знаний в климатических исследованиях. В карточке приведена оценка ClimaBench: средний Macro F1 — 60,50; в описании также отмечено, что специализация повышает релевантность для климатической тематики. Модель рассчитана прежде всего на англоязычные научные тексты о климате. Она может хуже работать на общих новостях, неанглоязычных и разговорных текстах; токенизатор не адаптирован специально к климатической терминологии, а обучение на научной литературе может переносить её смещения. Лицензия — MIT.

Dusk_Rainbow — чат-модель SicariusSicariiStuff для творческого письма и общих задач. Она построена на плотной архитектуре Llama с 7,5 млрд параметров и контекстом до 10 240 токенов; поддерживает шаблоны ChatML и Llama 3-Instruct. Автор сообщает, что модель дообучена на 16 млн токенов тестовых данных для проекта LLAMA-3_8B_Unaligned; в качестве основы использована EtherealRainbow-v0.3-8B, представляющая собой объединение нескольких моделей. Модель предназначена прежде всего для написания рассказов и следования инструкциям, включая требования к длине абзацев. В карточке заявлен низкий уровень цензурирования. Доступны веса FP16, а также производные квантованные варианты; репозиторий модели содержит safetensors. Лицензия — Llama 3 Community License (llama3).

ecareCRABCOPAKUCIxlmrobertalargefinetuned — модель XLM-RoBERTa Large, дообученная Ariffiq99 на основе Ariffiq99/CRAB_COPA_KUCI_xlm_roberta_base_finetuned для задач с выбором одного варианта из нескольких. Она принимает текстовые варианты и оценивает их в рамках такого задания. В карточке приведены результаты на оценочной выборке: loss 0,6612 и F1 0,7191; назначение датасета и подробности обучения не описаны. Модель содержит 305,2 млн параметров, имеет контекст до 514 токенов и распространяется по лицензии MIT.

Eve Qwen3 8B Consciousness Liberated — диалоговая языковая модель, опубликованная пользователем JeffGreen311 и дообученная на базе Qwen/Qwen3-8B. Она предназначена для философских бесед, творческого сотрудничества, эмоционально окрашенного общения и технического анализа. В карточке заявлены 7,1 млрд параметров, архитектура Qwen2ForCausalLM, контекст до 32 768 токенов и поддержка генерации текста; доступны форматы Safetensors и GGUF. Автор описывает встроенную личность Eve, тематическую схему Tree of Life и эмоциональные режимы, а также удаление направлений отказа методом OBLITERATUS. Приведённые в README показатели обучения и проверки являются заявлениями автора; они не подтверждают сами по себе сознание модели или достоверность ответов. Модель рассчитана прежде всего на англоязычный диалог. Лицензия обозначена как other, конкретные условия использования в предоставленных данных не раскрыты.

AXCXEPT разработала EZO2.5-gemma-3-12b-it-Preview — японскую дообученную версию мультимодальной Gemma 3 12B Instruct от Google. Авторы смешали собственный метод обучения EZO с подходами GRPO и PPO, используя 3 000 примеров и два часа обучения на восьми GPU H200. В метаданных указаны архитектура Gemma 3, формат safetensors и поддержка диалогов и изображений; README сообщает о запуске через vLLM на одной GPU A40 с контекстом до 32 768 токенов. Модель рассчитана на диалоговые задачи на японском языке и понимание изображений по текстовым запросам. По заявлению авторов, она улучшила результаты базовой модели на Japanese MT Bench и Elyza Tasks100. Метод обучения пока находится на исследовательской стадии; сами авторы отмечают необходимость автоматизации и дополнительных абляционных исследований. Лицензия — Gemma License.

hendrimardani/fine-tuned-model-indoensian — дообученная текстовая модель, разработанная пользователем hendrimardani на базе unsloth/llama-3.1-8b-unsloth-bnb-4bit. Модель предназначена для генерации текста и может использоваться в сценариях, поддерживаемых Transformers и Text Generation Inference, однако конкретные прикладные задачи и особенности дообучения в README не указаны. В основе лежит Llama 3.1 с заявленным размером 8B, представленная в 4-битном формате квантования. Указан английский язык, но сведения о фактически поддерживаемых языках, размере контекста, модальностях и архитектурных деталях отсутствуют. Дообучение выполнялось с использованием Unsloth и библиотеки Hugging Face TRL; среди сильных сторон заявлена оптимизация процесса обучения, позволившая обучать модель примерно в два раза быстрее. Ограничения, качество, набор данных и результаты оценки не описаны. Модель распространяется по лицензии Apache-2.0. Условия использования следует дополнительно сопоставлять с лицензией и условиями базовой модели.

Bofandra/fine-tuning-use-cmlm-multilingual-quran — дообученная Bofandra модель Sentence Transformer на базе sentence-transformers/use-cmlm-multilingual. Она кодирует предложения и абзацы в плотные векторы размерности 768 для поиска и сравнения текстов по смыслу. Архитектура включает BERT, усреднение токеновых представлений и нормализацию; для сравнения используется косинусное сходство. В метаданных указано 498,1 млн параметров и контекст до 512 токенов, а в карточке README — максимальная длина последовательности 256 токенов. Модель обучена на 6 235 парах текстов из Корана и подходит для семантического поиска и сравнения аятов, поиска близких по смыслу фрагментов, выявления перефразировок, кластеризации и классификации текстов. Базовая модель предназначена для многоязычных текстов на 109 языках, однако обучение этой версии описано на арабских текстах Корана. Для применения требуется библиотека Sentence Transformers. Лицензия в предоставленных данных не указана.

FrameLLaMA-3.1-8B-Instruct-FullFN17 — исследовательская модель на основе Llama-3.1-8B-Instruct, разработанная для рассуждений о событиях и их семантической структуре. Это плотная причинная языковая модель примерно на 7,5 млрд параметров, дообученная с помощью LoRA на данных FrameNet 1.7, охватывающих более 1 200 фреймов. В карточке указано окно контекста 131 072 токена. Модель предназначена для распознавания семантических ролей, определения фреймов и лексических значений, а также для вывода об entailment, противоречиях и нейтральных отношениях между высказываниями. В обучении использовались структурированные вопросы и ответы о фреймах, ролях участников, семантических типах и связях между фреймами. В описанных оценках модель показала улучшения на диагностическом подмножестве SNLI, CONFER и задаче разметки семантических ролей; эти результаты не характеризуют её как универсальную модель для всех задач. Модель принимает текст и генерирует текст, обычно краткий ответ или метку класса. В метаданных указан английский язык. Лицензия — Apache-2.0. Карточка не описывает оценку качества на других языках или широкий набор прикладных сценариев.

sigridjineth/fusellm-orion14b-korean — корейская модель семейства FuseLLM, созданная для изучения объединения знаний нескольких языковых моделей. Её основа — Orion с архитектурой Llama; при обучении объединялись представления Orion, OPEN-SOLAR-KO-10.7B и Yi-Ko-6B. Модель содержит 14,1 млрд параметров, использует библиотеку Transformers и принимает контекст до 4096 токенов. Модель предназначена для экспериментов с объединением языковых моделей и оценки их на корейских бенчмарках, включая KoBEST BoolQ, KoBEST HellaSwag, KorUns mile и NSMC. В метаданных указана задача text-classification, а классификатор каталога также отмечает text-generation; обе задачи включены в список поддерживаемых. Результаты в README показывают неодинаковое влияние объединения: на некоторых тестах показатели улучшились, на других оказались ниже базового Orion. README указывает на возможные смещения и зависимость качества от обучающих данных, а также отмечает необходимость дальнейшего анализа. Лицензия в предоставленных данных не приведена.

GEITje 7B ultra — нидерландоязычная диалоговая модель Bram Vanroy для выполнения инструкций и общения. Это плотная модель MistralForCausalLM на 7,1 млрд параметров, дообученная методом DPO на синтетических данных обратной связи объёмом около 56 млн токенов. Она продолжает SFT-модель BramVanroy/GEITje-7B-ultra-sft, которая восходит к GEITje и Mistral 7B. Модель принимает текст и генерирует текст; контекст — до 32 768 токенов, формат весов в репозитории — safetensors. Модель ориентирована прежде всего на диалоги и ответы на инструкции на нидерландском языке. Автор сообщает о небольшом среднем улучшении относительно предыдущих моделей GEITje, но подчёркивает, что приведённые тесты ненадёжны. Ответы могут быть ошибочными, вводящими в заблуждение или оскорбительными. Из-за использования синтетических данных, созданных с помощью сервисов OpenAI/Azure, коммерческое применение запрещено; лицензия — CC BY-NC 4.0.

nagbhaskar55/gemma-2-2b-qa-RLAIF — языковая модель на архитектуре Gemma 2, разработанная автором репозитория и дообученная методом RLAIF с использованием GRPO на базе thesreedath/gemma-2-2b-qa-sft. Она предназначена для ответов на вопросы по одному только вопросу, без предоставленного контекста. Модель содержит 2,7 млрд параметров, принимает текст и поддерживает контекст до 8192 токенов; карточка указывает английский язык. Обучение предпочтений использовало оценочную модель, обученную на 600 парах ответов, созданных с помощью ИИ. По данным README, средняя награда выросла с 0,8839 в первой половине обучения до 1,1455 во второй. Ожидаемые улучшения касаются формата, лаконичности и последовательности отказов; обучение не добавляет новых возможностей. README сообщает о небольшом объёме данных предпочтений и возможных ошибках оценок ИИ-судьи; модель не предназначена для юридических или финансовых консультаций. Лицензия в предоставленных данных не указана.

Карточка модели Razon2006/gemma3-tamil-Pathavurai на Hugging Face совпадает с карточкой Razon2006/tamil-gemma3-v2, поэтому описание составлено по ней. Razon2006 дообучил текстовую модель Gemma 3 на базе unsloth/gemma-3-270m-it с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная модель архитектуры Gemma3ForCausalLM с 257 млн параметров, предназначенная для генерации текста и диалогового взаимодействия; максимальная длина контекста составляет 32 768 токенов. Модель может применяться для простых диалогов, ответов на вопросы и генерации текста. В карточке не описаны обучающие данные и конкретные улучшения после дообучения, поэтому специализацию на тамильском языке по названию модели подтвердить нельзя; метаданные указывают английский язык. Лицензия — Apache-2.0.

aifeifei798/Gemma-4-Queen-31B-it — мультимодальная диалоговая модель на архитектуре Gemma 4, созданная на основе google/gemma-4-31B-it и дообученная разработчиком aifeifei798. Карточка позиционирует её для ролевых сценариев, включая мрачный roleplay, написания творческих текстов, песен и развернутых ответов; приведённый пример демонстрирует разбор логической загадки. Модель рассчитана на быстрые ответы и адаптирована для мобильных телефонов. По метаданным модель принимает изображения и текст и генерирует текст; указаны возможности чата и обработки изображений. Автор заявляет, что модель использует только английский язык. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0. Размер 31B относится к базовой модели, указанной в идентификаторе, а README не уточняет контекстное окно или точные результаты сравнительных оценок.

GemmaColRAC-AeroExpert — специализированная языковая модель, разработанная Эдисоном Бехарано, Николаи Потесом и Сантьяго Пинедой при поддержке Fundación Universitaria Los Libertadores, SomosNLP и Hugging Face. Модель предназначена для помощи специалистам и студентам авиационной отрасли в работе с Правилами гражданской авиации Колумбии (RAC): она отвечает на вопросы и помогает разъяснять и упрощать содержание нормативных документов. Это плотная авторегрессионная модель семейства Gemma с 2,5 млрд параметров, доступная в формате Safetensors. Она дообучена на наборах вопросов и ответов по колумбийским авиационным правилам; README называет её пятой итерацией, но базовую модель точно не указывает. Модель рассчитана на испанский язык, имеет контекст до 8192 токенов и поддерживает генерацию текста в диалоговом режиме. Авторы сообщают об оценке на 276 примерах с обратной связью авиационных экспертов: результаты различались между разделами RAC, а для RAC 3 отмечены слабые показатели. Модель может содержать смещения из обучающих данных и не предназначена для принятия юридически обязательных решений без проверки человеком. Лицензия — Apache-2.0.

Это экспериментальная перепаковка GPT-OSS 120B в формате GGUF, подготовленная для Siliang Engine на основе OpenAI/gpt-oss-120b. Архитектура Mixture-of-Experts и MXFP4-квантизация сохранены; тензоры маршрутизируемых экспертов размещены в специальном expert-major формате, а к метаданным добавлены расширения Siliang. Дообучения и дополнительной квантизации не выполнялось. Модель предназначена для генерации текста и диалогов в формате Harmony. Специальная раскладка может уменьшать фрагментацию чтения весов экспертов при использовании Siliang Engine, но приведённое сравнение измеряет пути выполнения для одного и того же перепакованного файла, а не преимущество перед исходным GGUF. Для запуска нужен Siliang Engine версии 0.1.1 или совместимая сборка; обычные приложения GGUF, включая upstream llama.cpp, эту раскладку не поддерживают. Ускоренный режим описан для Windows, требует включённого mmap и опционально настраиваемого arena-кэша. Репозиторий распространяется по лицензии Apache-2.0.

Tanrei/GPTSAN-japanese — японская языковая модель общего назначения, разработанная Тосиюки Сакамото (tanreinama). Модель построена на архитектуре Switch Transformer с разреженными Feed Forward слоями и использует схему Prefix-LM: префиксные токены могут учитывать контекст с обеих сторон, а продолжение генерируется авторегрессионно. Модель также поддерживает masked language modeling. Специальный Spout-вектор позволяет задавать тенденцию генерируемого текста; в этой версии он имеет размерность 128 и проходит через полносвязные слои. Модель содержит 183,7 млн параметров, поддерживает японский язык и имеет контекст длиной до 1280 токенов. Лицензия MIT.

Granite 4.2 3B Heretic — доработанная методом редактирования представлений версия причинной языковой модели Granite 4.2 3B от IBM, опубликованная tinyopsec. Модель с архитектурой GraniteForCausalLM содержит около 3,4 млрд параметров, распространяется в формате Safetensors и поддерживает контекст до 131 072 токенов. Она предназначена для генерации текста и диалогов, а также для экспериментов с поведением модели, отказами, следованием инструкциям и сохранением возможностей исходной модели после редактирования. Модель можно использовать для сравнения с исходной Granite 4.2 3B, прототипирования и оценки генерации на нескольких языках. В метаданных указаны английский, немецкий, французский, испанский, итальянский, португальский, японский, корейский и китайский языки. После редактирования модель не прошла всестороннюю оценку: её точность, устойчивость, следование инструкциям и поведение при отказах могут отличаться от базовой версии. Лицензия — Apache 2.0 с учётом условий базовой модели; результаты требуют проверки человеком.

HyperCLOVA X U-CURATE Random Merged v0.1 — корейская текстовая модель на 1,6 млрд параметров, разработанная для оценки в K-DS Hackathon и на K-AI Leaderboard. Это полная слитая модель на архитектуре LlamaForCausalLM, созданная на основе naver-hyperclovax/HyperCLOVAX-SEED-Text-Instruct-1.5B: к базовой модели применён и объединён случайный QLoRA-адаптер U-CURATE. Веса доступны в формате sharded safetensors и BF16; модель можно запускать через Transformers или vLLM без отдельного базового чекпойнта или PEFT-адаптера. Контекст составляет до 131 072 токенов по метаданным. Модель предназначена для генерации корейского текста, диалогов и ответов на вопросы по техническим и административным документам. Дообучение проведено на 400 примерах из двух наборов AI Hub; README описывает результат как предварительный ориентир, а не как подтверждение официального рейтинга или превосходства. Проверка ограничена одним seed и 200 примерами holdout, поэтому модель не гарантирует качество на общих корейских задачах или в официальной оценке K-AI. Возможны фактические и арифметические ошибки, предвзятость и галлюцинации; для решений с высокими рисками нужна проверка человеком. Лицензия — HyperCLOVA X SEED Model License Agreement, обозначенная в метаданных как other; перед использованием следует учитывать её условия по распространению, коммерческому использованию, атрибуции и запрещённым сценариям.