I.2Синтез, понимание и проверка знаний

yethdev выпустил manumit v2 — дообученную версию Qwen3.5-9B, в которой подавлено поведение отказа отвечать на запросы. Модель предназначена для диалоговой генерации текста и отвечает на запросы, которые исходная модель обычно отклоняет. По описанию автора, отказ связан с набором направлений в residual stream: их удалили из весов, после чего модель дополнительно обучили на обычных данных, чтобы восстановить часть утраченных способностей. В метаданных указаны плотная архитектура Qwen3.5, библиотека Transformers, формат safetensors и лицензия MIT. В тестах автора доля отказов на AdvBench-test и JailbreakBench составила 0%, а результат MMLU-Pro — 48,2% против 51,0% у базовой модели. Это текстовая генеративная модель с интерфейсом чата; исходная Qwen3.5-9B также описана в каталоге как мультимодальная, но README этой версии подтверждает только текстовый сценарий использования. Модель не содержит защитного слоя или отдельной модели-модератора, поэтому подходит для сценариев, где ответы без отказов ожидаемы, но требует тщательного контроля применения.

Qwen3-8B-abliterated — экспериментальная версия Qwen3-8B от Mlabonne, созданная методом abliteration. Разработчик удалил часть направления отказа из активаций модели, чтобы она реже отказывалась отвечать на запросы. Это плотная причинная языковая модель на 7,6 млрд параметров; метаданные указывают контекст до 40 960 токенов, поддержку диалога и интерфейса вызова инструментов. Модель предназначена для генерации текста и диалоговых сценариев, где нужно изучать влияние отказов и дообучения на поведение LLM. В карточке проект описан как исследовательский эксперимент; автор предупреждает, что результат может быть нестабильным. Модель основана на Qwen/Qwen3-8B и распространяется под лицензией Apache-2.0. Указанные автором параметры генерации: temperature=0.6, top_k=20, top_p=0.95, min_p=0.

Это самостоятельная модель генерации текста на базе Qwen3, дообученная Brandon Howe методом continued pretraining на корпусе CompassioninMachineLearning/compassion_12185_cleaned. Чекпойнт соответствует пятой эпохе обучения, шагу 1875; заявлено обучение на 10 000 документах с повторными предъявлениями и проверке на 200 отдельных документах. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров. Она принимает текст и предназначена для генерации текста в диалоговых сценариях; длина контекста — 32 768 токенов. Веса сохранены в BF16 в формате safetensors как объединённая самостоятельная модель, адаптер для загрузки не требуется. Обучение на корпусе о сострадании само по себе не подтверждает улучшение соответствующего поведения — его следует оценивать отдельно. Лицензия в предоставленных данных не указана.

Sabiá-7B — авторегрессионная языковая модель Maritaca AI для генерации текста на португальском языке. Она построена на архитектуре LLaMA-1-7B и использует тот же токенизатор. Модель содержит 6,6 млрд параметров, принимает и выдаёт только текст, а максимальная длина последовательности составляет 2048 токенов. Модель продолжительно обучили на 7 млрд токенов португалоязычной части ClueWeb22, начав с весов LLaMA-1-7B и добавив ещё 10 млрд токенов обучения. Данные охватывают период до середины 2022 года. Модель обучалась предсказывать следующий токен без дообучения на следование инструкциям, поэтому предназначена прежде всего для few-shot задач. В карточке приведены результаты на португальских и англоязычных бенчмарках. Лицензия соответствует лицензии LLaMA-1 и ограничивает использование исследовательскими целями. Ограничения модели включают короткий контекст, устаревание обучающих данных и слабую пригодность для выполнения инструкций без примеров в запросе.

Это экспериментальный смешанный по точности чекпойнт SLIMDER Qwen3.8 REAM-288, подготовленный Jakeatx на основе компактной версии модели sjakek/slimder-qwen38-ream288-depth32-agentic-ngram50-compact. Он предназначен для генерации текста и диалогового использования, а также для исследований и дальнейшего восстановления дообучением. Архитектура — экспериментальная Qwen4ExpForCausalLM с mixture-of-experts; в метаданных указано 3,6 млрд параметров и контекст 262 144 токена. Экспертные тензоры хранятся в NVFP4, а таблица PLE n-грамм — в FP8 с масштабами FP16 для каждой строки. Чекпойнт унаследовал сокращения глубины, числа экспертов и ёмкости n-грамм от предыдущих этапов линии SLIMDER. README сообщает об успешных проверках загрузки, генерации и сравнении с BF16-версией, но подчёркивает, что это не универсальная модель для Transformers и что необходимы совместимые экспериментальные компоненты vLLM и широкая оценка качества. Лицензия — Apache-2.0. Модель заявлена как экспериментальная, для исследований и восстановления дообучением, а не для производственного применения.

SparseLLM/swiglu-10B — плотная авторегрессионная языковая модель семейства Llama, представленная в формате PyTorch и Safetensors. В README описан эксперимент по предварительному обучению моделей с разными функциями активации для изучения разреженности активаций и эффективности разреженных вычислений; эта модель использует SwiGLU. Обучение проводилось на 100 млрд токенов из RefinedWeb и SlimPajama. Модель предназначена для генерации текста и экспериментов с разреженными вычислениями в LLM. В метаданных указаны 1,3 млрд параметров, контекст 2048 токенов, библиотека Transformers и английский язык. Используется лицензия Llama 2. README не приводит результатов сравнительной оценки качества или сведений об оптимизированном разреженном инференсе.

SynLogic-7B — языковая модель MiniMaxAI на 7,1 млрд параметров, дообученная методом обучения с подкреплением на наборе SynLogic. В основе лежит Qwen2.5-7B-Base; модель использует плотную архитектуру Qwen2 и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации ответов с пошаговыми логическими рассуждениями и решения математических задач. Обучение охватывает 27 типов логических задач, включая судоку, игру «24» и шифры; по данным карточки, навыки обобщаются на математику без специального обучения на математических данных. В README приведены результаты на логических и математических бенчмарках, но они не гарантируют точность на произвольных задачах. Модель принимает текст и генерирует текст. Метаданные отмечают английский язык, интерфейс чата и вызова инструментов. Репозиторий содержит веса Safetensors, библиотека — Transformers. Лицензия — MIT.

T5FactExtractor — модель для извлечения клинических фактов из предложений рентгенологических заключений по снимкам грудной клетки. Её разработал автор pamessina на основе T5-small; это дообученная модель T5ForConditionalGeneration с 38,5 млн параметров, доступная в формате safetensors и рассчитанная на контекст до 512 токенов. На вход подаётся предложение из заключения, а на выходе модель формирует строку с JSON-массивом кратких фактов, например о плевральном выпоте или размере сердца. Её используют как первый этап системы Extracting and Encoding для подготовки фактов к векторному представлению, сравнению и оценке метриками вроде CXRFEScore; для кодирования фактов предусмотрена отдельная модель CXRFE. Модель предназначена для текстовых данных радиологии, в частности описаний рентгенограмм грудной клетки. Модель распространяется по лицензии Apache-2.0. Она извлекает факты из предложений, поэтому для обработки полного заключения может понадобиться предварительное разделение на предложения и последующая обработка результата; сама по себе она не анализирует изображения и не заменяет клиническую интерпретацию.

TR-Qwen2-7B-003-241201 — турецкая диалоговая языковая модель, созданная Quardo дообучением Qwen/Qwen2-7B-Instruct с помощью Together.ai. Это третья версия семейства TR-Qwen2; в обучении использовано 103 млн токенов, или 25,75 млн токенов за эпоху на протяжении четырёх эпох, на данных турецких вопросов и ответов по Википедии. Модель предназначена для ответов на вопросы на турецком языке и обычного диалога. В README отмечено усиление культурного понимания и способность поддерживать разговор по сравнению с предыдущими версиями. Параметры модели — 7,1 млрд, архитектура — плотная Qwen2, формат весов — safetensors, контекст — до 32 768 токенов. Модель может хуже справляться с математическими задачами из-за ориентации на данные Википедии. Для полного использования рекомендуется задавать вопросы, а не начинать с коротких приветствий. Лицензия в предоставленных сведениях не приведена.

kadirnar/turkish-gemma9b-v0 — дообученная kadirnar версия Gemma 2 9B, разработанная на базе unsloth/gemma-2-9b с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная языковая модель на 9 млрд параметров для генерации и продолжения текста; заявленный контекст — 8192 токена. Название указывает на ориентацию на турецкий язык, однако карточка не описывает конкретные сценарии обучения или результаты на турецком языке. Метаданные карточки отмечают английский язык. Модель подходит для генерации текстовых ответов и продолжения текста. Веса опубликованы в формате Safetensors. Лицензия — Apache-2.0.

Typhoon2-Qwen2.5-7B — базовая большая языковая модель, разработанная командой Typhoon AI на основе Qwen2.5-7B. Это плотная авторегрессионная модель с архитектурой Qwen2, содержащая 7,1 млрд параметров и работающая с контекстом до 32 768 токенов. Репозиторий содержит веса в формате safetensors; для работы требуется Transformers версии 4.45.0 или новее. Модель предназначена прежде всего для генерации текста на тайском языке, также заявлена поддержка английского. Её можно использовать как основу для продолжения обучения, предметной адаптации и генерации текста с примерами в запросе. В карточке приведены результаты на тайских экзаменационных и предметных тестах, включая математику, естественные и общественные науки. Это базовая, а не инструкционная модель: без дообучения или примеров в запросе она может плохо следовать инструкциям. В модели нет механизмов модерации, поэтому она может выдавать вредоносные или неуместные ответы. Лицензия — Apache-2.0.

Модель francesca9805/urd-arab-100mb-ppt-Dp-100mb-packed-bfdiso_seed455 — дообученная на TRL версия goldfish-models/urd_arab_100mb. Это плотная авторегрессионная языковая модель семейства GPT-2, предназначенная для генерации текста и ответов на запросы. В карточке приведён пример диалогового запроса и запуска через Transformers; максимальная длина контекста составляет 512 токенов. Модель хранится в формате safetensors. README не описывает отдельные предметные области или языки обучения, поэтому её назначение можно определить только как генерацию текста общего назначения. Условия лицензии в предоставленных данных не приведены.

VerwaltungsAnthologie_clear_simbad_7B — объединённая языковая модель на архитектуре Mistral-7B, созданная Marc Grumpy Olejak с помощью mergekit и метода DARE TIES. Она предназначена как промежуточная основа для последующих слияний моделей, в частности для создания VerwaltungsAnthologie_Disco_7B вместе с DiscoLM_German_7b_v1. Модель объединяет четыре дообученные модели на базе Mistral-7B-v0.1. Основной вклад вносит simba-01d-ftb, ориентированная на упрощённый немецкий язык; также включены модели с немецкими юридическими текстами, смешанными языками и разговорным немецким. Размер составляет 7,1 млрд параметров, контекст — 32 768 токенов. Модель генерирует текст и особенно ориентирована на немецкий язык, включая упрощённые формулировки и правовую тематику. Модель описана как промежуточный чекпойнт для дальнейшего слияния, поэтому её пригодность как самостоятельного прикладного решения не установлена. В README упоминается склонность одной из исходных моделей к галлюцинациям URL, что указывает на необходимость проверки юридических ссылок и фактов. Лицензия в предоставленных сведениях не указана.

XORTRON-NXTXPRT9PRO-27B — мультимодальная модель семейства Qwen3.5 с плотной архитектурой и 27 млрд параметров, созданная в рамках проекта The XORTRON Criminal Computing. Она дообучена на базе DavidAU/Qwen3.6-27B-Fable-Fusion-711-Uncensored-Heretic-NM-DAU-MTP и поддерживает диалог с текстом и изображениями. В метаданных указаны интерфейс вызова инструментов и задача image-text-to-text; README описывает модель как часть продолжающегося исследовательского эксперимента по безопасности и согласованию ИИ. Модель может применяться для мультимодальных диалогов и анализа изображений. Карточка не приводит результатов оценки качества, параметров контекста или конкретных рекомендаций по использованию. Модель опубликована по лицензии Apache-2.0; теги характеризуют её как uncensored и abliterated, поэтому ответы могут включать вредоносное или токсичное содержание.

DevQuasar/yasserrmd.DentaInstruct-1.2B-GGUF — это квантизированная версия модели yasserrmd/DentaInstruct-1.2B, предназначенная для генерации текста. Модель распространяется в формате GGUF и относится к категории text-generation. Из доступных данных известно, что исходная модель имеет размер 1,2 млрд параметров. Квантизация обычно снижает требования к памяти и может упростить локальный запуск, однако конкретный тип квантизации, поддерживаемые языки, размер контекста, архитектура, модальности и характеристики качества в README не указаны. Назначение модели описано только на общем уровне, поэтому специализированные сценарии применения определить нельзя. Информация о лицензии и условиях использования отсутствует. Разработчик исходной модели указан как yasserrmd, а квантизированная версия опубликована под идентификатором DevQuasar.

Это сжатая версия Qwen3.5-4B, подготовленная Рудрапратапом Чинхарой в рамках учебного проекта по эффективному ИИ в IIT Bombay. Модель основана на Qwen/Qwen3.5-4B и предназначена для генерации текста в диалоге, с упором на математические рассуждения. Проект исследует сжатие модели для снижения требований к памяти при сохранении качества решения математических задач. В карточке указана английская локализация; архитектура — плотная Qwen3.5, файлы представлены в формате safetensors. Лицензия CC BY-NC 4.0 допускает использование на её условиях, включая ограничения на коммерческое применение.

aaie-gft-full-fg-8k-dpo — модель генерации образовательной обратной связи, созданная дообучением moinsaj/aaie-gft-full-fg-8k методом DPO. Она принимает один запрос с данными учебной работы и критериями рубрики и должна выдавать JSON с оценками, статусами и комментариями по критериям, а также общей обратной связью о качестве, сильных сторонах, слабых местах и следующих шагах. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 354,4 млн параметров и поддерживает контекст до 8192 токенов с масштабированием YaRN. Она ориентирована на англоязычные сценарии и обучалась предпочитать конкретные комментарии, привязанные к критериям. Модель предназначена для подготовки формирующей обратной связи по учебным работам на основе заданной рубрики. В проверке на 10 примерах ни один ответ полностью не соответствовал контракту: модель может добавлять несуществующие идентификаторы критериев, а подробные ответы могут упираться в лимит генерации. Результаты следует проверять приложением; для строгого соответствия можно ограничить генерацию допустимыми идентификаторами. Лицензия указана как other, конкретные условия в карточке не описаны.

AhiskaAI-308m-Instruct-v0.2 — компактная языковая модель команды AhiskaAI для диалога и выполнения инструкций на турецком языке. Это дообученная методом supervised fine-tuning версия AhiskaAI-308m-Base-v0.2; модель использует плотную архитектуру на основе Llama и содержит 276 млн параметров по метаданным (в README заявлено 308 млн). Для общения применяется формат ChatML, контекст ограничен 1024 токенами. Модель рассчитана на ответы на вопросы, беседу, суммаризацию, генерацию текста и базовые рассуждения. Обучение проводилось на более чем 16 тысячах отобранных турецких пар «инструкция — ответ»; заявленная цель — эффективная работа на потребительском оборудовании. Репозиторий содержит веса Safetensors для Transformers. Лицензия — Apache-2.0. Модель оптимизирована прежде всего для турецкого языка. Из-за небольшого размера и ограниченного контекста ответы на сложные задачи могут быть неполными или фактически неверными.

fpadovani/arb-arab-10mb-ppt-shuff-dyck-100mb_seed455 — дообученная модель генерации текста на архитектуре GPT-2, созданная на основе goldfish-models/arb_arab_10mb с использованием TRL. Она предназначена для продолжения текста и генерации ответов на запросы; в карточке приведён пример диалогового запроса и генерации ответа. Модель работает с текстом, использует формат safetensors и имеет контекстное окно 512 токенов. Сведения о специализации обучения и поддерживаемых языках в карточке не приведены. Лицензия в доступных данных не указана.

Beetle-FineWeb3-24B/beetle-monolingual-fineweb3-hin — генеративная языковая модель для продолжения и создания текста на хинди. Модель опубликована на Hugging Face и предназначена для использования через библиотеку Transformers; в метаданных она классифицирована как text-generation и связана с архитектурой pico_decoder. Модель может применяться для генерации продолжений, черновиков и других текстовых последовательностей на хинди. В доступных материалах отсутствуют сведения о разработчике, размере, длине контекста, лицензии, обучающих данных, результатах оценки и точных ограничениях применения.

Это компактная модель BERT-tiny с 4,4 млн параметров, дообученная авторами M-FAC на наборе MNLI для классификации текстовых пар и определения логических отношений между предложениями. Она использует архитектуру BertForSequenceClassification, принимает текст и поддерживает контекст до 512 токенов. При дообучении стандартный оптимизатор Adam заменили на M-FAC — оптимизатор второго порядка; в README приведены результаты на валидации MNLI для одного лучшего запуска и средние значения по пяти запускам. Модель подходит для экспериментов с распознаванием текстовых отношений и изучения влияния оптимизатора M-FAC на дообучение компактных BERT-моделей. Результаты заметно различались между запусками, а README указывает, что подбор гиперпараметров может их улучшить. Информация о лицензии в предоставленных источниках отсутствует.

Bielik-7B-Instruct-v0.1-GGUF — это квантованные файлы модели Bielik-7B-Instruct-v0.1 в формате GGUF, разработанной SpeakLeash. Модель представляет собой causal decoder-only модель примерно на 7 млрд параметров, дообученную на базе Bielik-7B-v0.1 и предназначенную для генерации текста и диалоговых сценариев на польском языке. README не содержит данных о размере контекстного окна или поддержке других языков и модальностей. Формат GGUF позволяет запускать модель локально с помощью llama.cpp и совместимых приложений и библиотек, включая text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python; возможна GPU-акселерация. Квантование упрощает локальное развертывание, но может снижать качество ответов и повышать вероятность галлюцинаций. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с обязательным указанием авторства, но некоммерческое.

Boomslang — компактная чат-модель на 3,1 млрд параметров, дообученная Monster-Code на базе Qwen/Qwen2.5-3B-Instruct. Она предназначена для пошаговых математических рассуждений, решения задач на арифметику, алгебру и логику, а также для обычного диалога и выполнения инструкций. В README указано, что при дообучении использовалась смесь примерно из 17 500 примеров, включая OpenR1-Math-220k и GSM8K. Модель построена на плотной архитектуре Qwen2 и поддерживает текстовый ввод и генерацию текста. Контекст — до 32 768 токенов. В репозитории доступны веса Safetensors и GGUF; заявлена совместимость GGUF с Ollama, LM Studio и llama.cpp, а для Safetensors — использование через Transformers. Лицензия — Apache-2.0. Модель рассчитана на локальное применение и сочетает математические навыки с разговорными возможностями. Как и другие языковые модели, она может ошибаться в вычислениях и рассуждениях; README не приводит количественных результатов оценки качества.

Burmese-GPT သည် မြန်မာ AI သု研究者 ဒေါက်တာ Wai Yan Nyein Naing-ийн бүтээсэн GPT-2 архитектуртай မြန်မာ хэлний суурь загвар юм. Энэ нь өгсөн эхлэлийг үргэлжлүүлэн бичих, မြန်မာ текстийг нөхөж үүсгэхэд зориулагдсан бөгөөд PyTorch болон safetensors форматаар нийтлэгдсэн. Контекстийн урт 2048 токен. Загварыг မြန်မာ хэлний ерөнхий текст дээр бэлтгэсэн бөгөөд уран зохиол, мэдээ, онлайн нийтлэл болон Wikipedia-ийн агуулгыг багтаасан өгөгдөл ашигласан гэж README-д дурджээ. Хөгжүүлэгчид үүнийг тусгай өгөгдлөөр нарийвчлан сургаж хураангуйлах, заавар дагах болон бусад Burmese NLP хэрэглээнд тохируулж болно. Загвар нь чат асуулт-хариултын систем биш; домэйн нарийн нэр томьёо, өндөр эрсдэлтэй хэрэглээнд дангаар нь найдвартай гэж үзэх үндэсгүй. MIT лицензтэй.

CogVLM2-Video-Llama3-Chat — чат-модель для понимания видео, разработанная командой Zhipu AI. Она отвечает на вопросы о содержании видеороликов и поддерживает временную привязку событий; карточка сообщает о результатах на нескольких бенчмарках VideoQA. Это версия для однораундового диалога на основе архитектуры CogVLM2VideoForCausalLM, содержащая 8,3 млрд параметров и работающая с видео и текстовыми запросами. Модель ориентирована на сценарии видеоаналитики и вопросов-ответов по видео. В метаданных указан английский язык и контекст 2048 токенов. Веса опубликованы в формате safetensors; лицензия обозначена как other, поэтому условия использования следует сверять с лицензией в репозитории. Заявленное в README понимание видео длительностью до минуты не гарантирует одинакового качества на любых роликах и запросах.

cucafera (Base Model) — авторская предобученная языковая модель pauhidalgoo для генерации текста на каталанском языке. Она основана на плотной архитектуре LlamaForCausalLM с 245 млн параметров и контекстом 2048 токенов. Модель обучена на каталанском корпусе pauhidalgoo/patufet-pretrain; в README также указаны 30 слоёв, группированное внимание GQA и токенизатор BPE с размером словаря 65 536.

d24-sft-v2-reasoning-3.7B — чат-модель на основе dense-декодера семейства Llama, разработанная sfanm в рамках воспроизведения nanochat-d24 с нуля. Она обучалась в несколько этапов: предобучение, промежуточное обучение на рассуждениях и SFT на смеси диалоговых, математических и общих заданий. Несмотря на «3.7B» в названии, в модели 756,7 млн параметров. Модель предназначена для генерации текста в формате ChatML, диалога и ответов на математические и логические вопросы. Архитектура включает 24 слоя, размер скрытого состояния 1536, 12 голов внимания, SwiGLU, RoPE и RMSNorm; контекст — 2048 токенов, токенизатор — GPT-2 BPE с размером словаря 50 304. В README приведён результат GSM8K 9,86% при greedy-декодировании на полном наборе из 1319 заданий. Для завершения хода генерации требуется остановка по строке ChatML `\u003c|im_end|\u003e`: стандартный EOS-токен не завершает ход, и без такой настройки генерация может продолжаться до лимита. Модель предоставлена «как есть» для исследований; лицензия указана как other, а README просит учитывать лицензии использованных сторонних корпусов.

Edentns/DataVortexS-10.7B-dpo-v1.9 — диалоговая языковая модель команды, указанной в карточке, дообученная на базе beomi/OPEN-SOLAR-KO-10.7B. Модель построена на архитектуре Llama с 10,7 млрд параметров и предназначена для генерации ответов в формате Alpaca Chat; в репозитории также заявлен шаблон диалога для чата. Модель ориентирована прежде всего на общение и ответы на вопросы на корейском языке. В README приведены результаты оценки на корейских тестах Ko-BEST и Ko-LLM-Leaderboard. Контекст составляет 2048 токенов, веса доступны в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но некоммерчески.

Deductive-Reasoning-Qwen-14B — языковая модель OpenPipe, дообученная с подкреплением на базе Qwen2.5-14B-Instruct для решения сложных задач на дедукцию из набора Temporal Clue. Это плотная авторегрессионная модель семейства Qwen2 с 14 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Она принимает текст и выдаёт текст; поддерживает контекст до 32 768 токенов и языки, обозначенные в метаданных: китайский, английский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский. Модель подходит для решения логических головоломок и задач, где нужно вывести ответ из набора условий. Она доступна в формате safetensors и распространяется по лицензии MIT. Поскольку обучение было ориентировано на Temporal Clue, качество на других видах рассуждений и общих задачах может отличаться; README не приводит результатов сравнительной оценки.

Карточка модели arefehRajabian/deepseek_r1_finetune_16bit на Hugging Face совпадает с карточкой arefehRajabian/deepseek_r1_finetune_16bit_persian, поэтому описание составлено по ней. Модель arefehRajabian/deepseek_r1_finetune_16bit_persian — дообученная версия Qwen3 для генерации текста и диалогов. Она создана на основе unsloth/deepseek-r1-0528-qwen3-8b-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL; в репозитории указаны веса Safetensors и около 7,6 млрд параметров. Модель предназначена для текстовых запросов и ответов в чат-сценариях, а заявленное контекстное окно составляет 131 072 токена. Название указывает на настройку для персидского языка, однако README не приводит сведения о тренировочных данных или результаты оценки персидских возможностей. Метаданные отмечают английский язык. Модель выпущена разработчиком arefehRajabian под лицензией Apache-2.0; качество ответов и применимость к конкретным задачам следует проверять отдельно.