I.2Синтез, понимание и проверка знаний

JONGYUN/DPO_Test_2 — текстовая генеративная модель, разработанная JongYun CHOI на основе yanolja/KoSOLAR-10.7B-v0.2. Это плотная causal language model семейства Llama с 10,6 млрд параметров; модель работает с текстом и рассчитана на контекст до 4096 токенов. В карточке приведён шаблон вопроса и ответа на корейском языке, а обучение указано на закрытом наборе данных. Модель предназначена для генерации ответов на инструкции и вопросы на корейском языке. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Сведения о качестве, подробном составе данных и результатах оценки не приведены.

Модель e_care_CRAB_COPA_albert_base_finetuned — дообученная версия Ariffiq99/CRAB_COPA_albert_base_finetuned на архитектуре ALBERT с 136,3 млн параметров. Она предназначена для задачи multiple-choice: модель оценивает варианты ответа и помогает выбрать наиболее подходящий. Контекст составляет 512 токенов. В README приведены результаты оценки: loss 0,7816 и F1 0,6645. Датасет дообучения не уточнён. Модель распространяется в формате safetensors по лицензии Apache-2.0.

MCZK/EZO-Common-9B-gemma-2-it-GGUF — это преобразованная в формат GGUF версия модели EZO-Common-9B-gemma-2-it, разработанной HODACHI. Модель предназначена для генерации текста и диалоговых сценариев, прежде всего на японском языке, и может использоваться с совместимыми инструментами инференса, поддерживающими формат GGUF. Модель основана на Gemma 2 IT и имеет около 9 млрд параметров. В README не указаны точные сведения об архитектуре, размере контекста, поддерживаемых модальностях помимо текста или дополнительных языках. Для вариантов с K-квантизацией применена iMatrix; текст для калибровки взят из набора c4_en_ja_imatrix.txt от TFMC. Это может способствовать более эффективному использованию памяти при сохранении качества, однако конкретные характеристики разных вариантов квантизации не приведены. Модель ориентирована на японоязычные диалоги и текстовую генерацию. Ограничения, показатели качества и рекомендации по аппаратным требованиям в README не описаны. Лицензия указана как gemma.

AdamLucek/gemma2-2b-it-chinese-german — компактная диалоговая языковая модель на архитектуре Gemma 2, созданная слиянием нескольких настроенных версий Gemma 2 2B. Разработчик объединил google/gemma-2-2b-it, VAGOsolutions/SauerkrautLM-gemma-2-2b-it и stvlynn/Gemma-2-2b-Chinese-it методом Model Stock с помощью mergekit. Модель предназначена для генерации текста и диалога, с акцентом на проверку многоязычных возможностей небольших языковых моделей, в частности понимания китайского и немецкого языков. Она содержит 2,7 млрд параметров, принимает текст и поддерживает контекст до 8192 токенов. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0. Это экспериментальная сборка для исследования многоязычного диалога; карточка не приводит результатов оценки качества или подробных ограничений по отдельным языкам. Как и другие небольшие языковые модели, она может давать неточные или вымышленные ответы.

Экспериментальная чат-модель на базе GPT-2 Medium, разработанная egonrp и дообученная на португалоязычных наборах wiki_pt и squad_v1.1_pt. Она предназначена для генерации текста в диалоговом сценарии, включая ответы на вопросы и продолжение текста на португальском языке. Модель использует архитектуру GPT-2 с плотными слоями и доступна в формате PyTorch. Размер контекста — 1024 токена. В карточке автор называет её экспериментом; подробные сведения об оценке качества и ограничениях не приведены. Лицензия — MIT.

GPT-SW3-126M-Instruct — компактная плотная авторегрессионная языковая модель семейства GPT-2 с 126 млн параметров. Это общественное зеркало модели AI-Sweden-Models/gpt-sw3-126m-instruct; семейство GPT-SW3 разработано AI Sweden совместно с RISE и WASP WARA for Media and Language и обучалось на 320 млрд токенов веб-данных, включая код. Модель предназначена для генерации текста в формате инструкций и диалога, а небольшой размер позволяет быстро запускать её для прототипирования и экспериментов. Она ориентирована на шведский, норвежский, датский, исландский и английский языки. Контекстное окно — 2048 токенов; модель доступна в формате safetensors для Transformers. Карточка предупреждает о сильных смещениях и возможности неточных, оскорбительных или неподходящих ответов; модель не прошла дополнительное выравнивание или настройку безопасности. Лицензия — модифицированная RAIL-лицензия AI Sweden; README ограничивает предполагаемое использование научными и исследовательскими целями и не рекомендует коммерческое или потребительское развёртывание без тщательной оценки и дополнительных мер безопасности.

Hebrew Math Tutor — дообученная Intel модель Qwen3-4B-Thinking-2507 для решения математических задач и пошагового объяснения решений на иврите. Это плотная decoder-only языковая модель на 3,7 млрд параметров с контекстом до 262 144 токенов; она принимает текст и генерирует текст. Модель ориентирована на ивритоязычные образовательные приложения, математические объяснения и прототипы репетиторских систем, сохраняя поддержку английского для многоязычных сценариев. Для адаптации использовано около 10 000 отобранных задач из OpenMathReasoning: условия и итоговые ответы переведены на иврит, а цепочки рассуждений сохранены. В карточке приведены результаты оценки на математических бенчмарках, но модель может ошибаться, смешивать иврит с английским и непоследовательно форматировать числа; внутренние блоки рассуждений могут оставаться на английском. Лицензия — Apache-2.0. Разработчик не рекомендует использовать её для критически важных решений или автоматической оценки без проверки человеком.

HyperCLOVA X SEED Think-14B Minimal-base Correct-only TIES — самостоятельная BF16-модель на базе HyperCLOVAX-SEED-Think-14B от NAVER. Три LoRA-адаптера ранга 4 обучены на Minimal SFT-модели и объединены методом TIES; сохранены веса safetensors и официальный шаблон диалога HyperCLOVA X. Модель предназначена для контролируемых исследований и оценки генерации ответов на корейском языке. Обучение оптимизировало причинную языковую модель для выдачи метки одного варианта ответа: A, B, C или D. Данные включали отобранные примеры по медицинским знаниям, числовым задачам экономики и спорта, а также причинно-следственным рассуждениям. Размер модели — 14,1 млрд параметров, заявленная длина контекста — 131 072 токена; максимальная длина последовательности при обучении составляла 1 024 токена. Поддерживается генерация текста, включая диалоговый сценарий. Карточка указывает на исследовательское назначение и не приводит результатов бенчмарков или заявлений о качестве. Для источниковых наборов AI Hub продолжают действовать их собственные условия; сами наборы модельная карточка не распространяет. Лицензия репозитория обозначена как «other», поэтому конкретные условия использования следует проверять в карточке модели и условиях источниковых данных.

Карточка модели allenai/intent-aware-lfqa-qwen3-4b-baseline на Hugging Face совпадает с карточкой allenai/intent-aware-lfqa-llama3-8b-intent-implicit, поэтому описание составлено по ней. allenai/intent-aware-lfqa-llama3-8b-intent-implicit — диалоговая языковая модель Allen Institute for AI (Ai2), созданная дистилляцией для исследований обучения с учётом намерений в длинных ответах на вопросы. Модель основана на Meta-Llama-3-8B-Instruct и имеет архитектуру LlamaForCausalLM с 7,5 млрд параметров; принимает текст и генерирует текст. Метаданные указывают английский язык и контекст до 131 072 токенов. Модель предназначена для исследовательского и образовательного применения, связанного с intent-aware обучением и генерацией ответов на вопросы. Карточка сообщает, что результаты будут добавлены позднее, поэтому она не подтверждает качество на конкретных тестах. Лицензия — ODC-BY; применение должно соответствовать рекомендациям Ai2 по ответственному использованию.

Карточка модели allenai/intent-aware-lfqa-qwen3-4b-intent-explicit на Hugging Face совпадает с карточкой allenai/intent-aware-lfqa-llama3-8b-intent-implicit, поэтому описание составлено по ней. allenai/intent-aware-lfqa-llama3-8b-intent-implicit — диалоговая языковая модель Allen Institute for AI (Ai2), созданная дистилляцией для исследований обучения с учётом намерений в длинных ответах на вопросы. Модель основана на Meta-Llama-3-8B-Instruct и имеет архитектуру LlamaForCausalLM с 7,5 млрд параметров; принимает текст и генерирует текст. Метаданные указывают английский язык и контекст до 131 072 токенов. Модель предназначена для исследовательского и образовательного применения, связанного с intent-aware обучением и генерацией ответов на вопросы. Карточка сообщает, что результаты будут добавлены позднее, поэтому она не подтверждает качество на конкретных тестах. Лицензия — ODC-BY; применение должно соответствовать рекомендациям Ai2 по ответственному использованию.

Карточка модели allenai/intent-aware-lfqa-qwen3-4b-intent-implicit на Hugging Face совпадает с карточкой allenai/intent-aware-lfqa-llama3-8b-intent-implicit, поэтому описание составлено по ней. allenai/intent-aware-lfqa-llama3-8b-intent-implicit — диалоговая языковая модель Allen Institute for AI (Ai2), созданная дистилляцией для исследований обучения с учётом намерений в длинных ответах на вопросы. Модель основана на Meta-Llama-3-8B-Instruct и имеет архитектуру LlamaForCausalLM с 7,5 млрд параметров; принимает текст и генерирует текст. Метаданные указывают английский язык и контекст до 131 072 токенов. Модель предназначена для исследовательского и образовательного применения, связанного с intent-aware обучением и генерацией ответов на вопросы. Карточка сообщает, что результаты будут добавлены позднее, поэтому она не подтверждает качество на конкретных тестах. Лицензия — ODC-BY; применение должно соответствовать рекомендациям Ai2 по ответственному использованию.

Карточка модели allenai/intent-aware-lfqa-qwen3-4b-multiview на Hugging Face совпадает с карточкой allenai/intent-aware-lfqa-llama3-8b-intent-implicit, поэтому описание составлено по ней. allenai/intent-aware-lfqa-llama3-8b-intent-implicit — диалоговая языковая модель Allen Institute for AI (Ai2), созданная дистилляцией для исследований обучения с учётом намерений в длинных ответах на вопросы. Модель основана на Meta-Llama-3-8B-Instruct и имеет архитектуру LlamaForCausalLM с 7,5 млрд параметров; принимает текст и генерирует текст. Метаданные указывают английский язык и контекст до 131 072 токенов. Модель предназначена для исследовательского и образовательного применения, связанного с intent-aware обучением и генерацией ответов на вопросы. Карточка сообщает, что результаты будут добавлены позднее, поэтому она не подтверждает качество на конкретных тестах. Лицензия — ODC-BY; применение должно соответствовать рекомендациям Ai2 по ответственному использованию.

Карточка модели allenai/intent-aware-lfqa-qwen3-8b-intent-implicit на Hugging Face совпадает с карточкой allenai/intent-aware-lfqa-llama3-8b-intent-implicit, поэтому описание составлено по ней. allenai/intent-aware-lfqa-llama3-8b-intent-implicit — диалоговая языковая модель Allen Institute for AI (Ai2), созданная дистилляцией для исследований обучения с учётом намерений в длинных ответах на вопросы. Модель основана на Meta-Llama-3-8B-Instruct и имеет архитектуру LlamaForCausalLM с 7,5 млрд параметров; принимает текст и генерирует текст. Метаданные указывают английский язык и контекст до 131 072 токенов. Модель предназначена для исследовательского и образовательного применения, связанного с intent-aware обучением и генерацией ответов на вопросы. Карточка сообщает, что результаты будут добавлены позднее, поэтому она не подтверждает качество на конкретных тестах. Лицензия — ODC-BY; применение должно соответствовать рекомендациям Ai2 по ответственному использованию.

J.O.S.I.E.v4o-8b-stage1-beta2.2 — экспериментальная диалоговая модель, разработанная Isaak-Carter и дообученная на базе Isaak-Carter/JOSIEv4o-8b-stage1-beta1. Это плотная Llama-модель примерно на 7,5 млрд параметров с контекстом 8192 токена, предназначенная для текстовых бесед и ответов в роли персонального ассистента. В README указано, что эта версия обучена только для главной пользовательской роли; функции управления умным домом, мультимодальный ввод, долговременная память и вызов функций описаны как проектные возможности или будущие этапы, а не подтверждённые функции этого чекпойнта. Модель обучалась с Unsloth и TRL на датасете Isaak-Carter/j.o.s.i.e.v4.0.1o. В карточке указаны английский и немецкий языки. Модель помечена как бета; качество и надёжность ответов не гарантированы. Лицензия — Apache-2.0.

Модель francesca9805/jpn-jpan-100mb-ppt-Dp-10mb-packed-bfd_seed10 — дообученная версия goldfish-models/jpn_jpan_100mb, созданная с использованием TRL. Это плотная GPT-2-модель для генерации текста; карточка демонстрирует её запуск через Transformers и генерацию ответа на вопрос. Контекст модели составляет 512 токенов. Модель предназначена для генерации продолжения текста и ответов в текстовом формате. Данные не уточняют языковую специализацию и ограничения качества. Файлы модели представлены в формате safetensors. Сведения о лицензии отсутствуют в предоставленных источниках.

JSL-MedPhi2-2.7B — языковая модель John Snow Labs для генерации текста в медицинских сценариях. Она создана дообучением microsoft/phi2 и основана на плотной архитектуре PhiForCausalLM; метаданные указывают 3,5 млрд параметров и контекст до 2048 токенов. Модель поддерживает диалоговый режим и предназначена для ответов на медицинские вопросы и помощи в задачах медицинских знаний. В README приведены результаты оценки, в том числе по MedMCQA и группе STEM. Модель распространяется по лицензии CC-BY-NC-ND-4.0 с дополнительной политикой допустимого использования; для коммерческого лицензирования разработчик предлагает связаться с John Snow Labs. Результаты оценки не подтверждают пригодность ответов для клинических решений.

Kancil V1 — экспериментальная индонезийская языковая модель автора карточки, дообученная на базе Llama 3 8B. Она генерирует текст и поддерживает инструкции; версия V1 обучалась с помощью QLoRA на синтетическом наборе Tumpeng, созданном с помощью Llama 3 70B, после чего адаптер был объединён с моделью. Репозиторий содержит веса safetensors; размер модели — 7,5 млрд параметров, длина контекста — 8192 токена. Модель рассчитана на генерацию текста на индонезийском языке: многоходовые диалоги, советы, написание эссе целиком или по плану, ответы на вопросы по предоставленному тексту и создание слоганов. Автор описывает её как бета-прототип с улучшенной генерацией, но отмечает, что она обучена преимущественно на синтетических данных и имеет оговорки по качеству индонезийского языка. Карточка обозначает модель как исследовательский предварительный выпуск с минимальной настройкой безопасности и не рекомендует коммерческое или практическое применение. Указана лицензия Llama 3.

OLAIR/ko-r1-1.5b-preview — корейская модель рассуждений Ko-R1-Preview, построенная на архитектуре Qwen2 и разработанная как реализация подхода R1. Модель содержит 1,5 млрд параметров и предназначена для генерации ответов в диалоговом формате. В README описан двухэтапный подход: рассуждение выполняется на английском языке, а итоговое решение формулируется на корейском. Модель оценивалась на подмножествах бенчмарка HRM8K. В опубликованных настройках оценки указаны температура 0, минимальная длина генерации 32 токена, максимальная — 8192 токена и штраф за повторение 1,1. Метаданные указывают на контекст до 131 072 токенов, формат весов Safetensors и лицензию Apache-2.0. README не раскрывает количественные результаты оценки; заявленный подход к рассуждению и оценка на бенчмарке сами по себе не гарантируют точность ответов.

Latxa 13B — базовая языковая модель, разработанная исследовательским центром HiTZ и группой IXA Университета Страны Басков UPV/EHU для работы с баскским языком. Это плотная авторегрессионная модель семейства LLaMA 2 с 12,9 млрд параметров и контекстом 4096 токенов; она основана на meta-llama/Llama-2-13b и дополнительно обучена на баскском корпусе EusCrawl. В обучении также использовались англоязычные данные из The Pile. Модель предназначена для генерации текста и экспериментального решения языковых задач на баскском: например, понимания прочитанного, классификации и анализа тональности с помощью промптов или дополнительного дообучения. Это предварительно обученная модель без настройки на инструкции, поэтому она не предназначена для работы в качестве готового чат-ассистента. Для языков, отличных от баскского, качество не гарантируется; авторы отмечают, что версия устарела и рекомендуют использовать более новую модель из коллекции Latxa. Лицензия LLaMA 2 допускает коммерческое и исследовательское использование на её условиях.

Sdff-Ltba が公開した LightChatAssistant-TypeB-2x7B は、LightChatAssistant-2x7B 系を手作業で調整したモデルマージです。README では、ChatVector に適用する加算割合を参考にしつつ、作者の好みに合わせて割合を変更したと説明されています。メタデータでは Mixtral 系の MoE アーキテクチャ、7.1B パラメータ、safetensors 形式が示されています。 モデルは日本語の自然さや長文生成の滑らかさを高めながら、指示への応答と創作文章の能力を保つことを狙っています。コンテекст長は最大 32 768 токенов; README также сообщает, что отдельный файл квантизации iQ3XXS позволяет загрузить модель целиком в 12 ГБ VRAM при этом размере контекста. Автор отмечает, что результат может уступать исходной модели на некоторых запросах. В метаданных есть метка NSFW, поэтому модель может быть не предназначена для всех аудиторий. Сведения о лицензии в предоставленных данных отсутствуют.

Адаптер LoRA для модели Llama 2 7B, разработанный Saja Nakhleh для ответов на вопросы на арабском языке. Он дообучен на наборах sajaw/Arasquad3_llama2_version2 и sajaw/GQA_llama2_version; контекст, вопрос и ответ объединялись с инструкциями в одну запись. Для запуска адаптеру нужна базовая модель Llama 2 7B и совместимый загрузчик LoRA. В README приведены результаты проверки на 250 примерах AraSquad: F1 0,6818, точность 0,6564 и полнота 0,7226. Модель предназначена для вопросов и ответов по арабским текстам, включая сценарии, похожие на используемые наборы данных. Это экспериментальная разработка; приведённые метрики относятся к ограниченной выборке и не гарантируют качество на других данных. Репозиторий содержит адаптер, а для доступа к базовым весам Llama 2 требуется принять условия Meta. Лицензия репозитория — Apache-2.0.

Unidocs разработала эту разговорную языковую модель для поддержки запросов и задач в сфере здравоохранения. Это полнодоступно дообученная модель на основе meta-llama/Llama-3.1-8B-Instruct с плотной архитектурой LlamaForCausalLM и 7,5 млрд параметров. Модель предназначена для диалогов и генерации текста; её контекст составляет до 131 072 токенов. При дообучении использовались материалы wiki и kowiki, данные AIHub по вопросам и ответам в здравоохранении и улучшению корейского языка, а также медицинские и юридические профессиональные тексты. Модель выпущена в рамках проекта AIDC-HPC и используется в ezMyAIDoctor. В README приведены результаты MMLU по медицинским категориям; они не гарантируют точность ответов в реальном применении. Модель ориентирована на английский и корейский языки и распространяется по лицензии MIT. Она может выдавать неточные, непоследовательные или предвзятые ответы, а её знания ограничены обучающими данными. Её нельзя использовать вместо профессиональной медицинской консультации, диагностики или лечения; медицинские ответы следует проверять у квалифицированного специалиста.

RLHFlow/Llama3.1-8B-PRM-Deepseek-Data — процессно-супервизируемая модель вознаграждения (PRM) проекта RLHFlow/RLHF-Reward-Modeling. Она дообучена на базе meta-llama/Llama-3.1-8B-Instruct на наборе RLHFlow/Deepseek-PRM-Data в течение одной эпохи. Модель относится к плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и рассчитана на контекст до 131 072 токенов. Модель предназначена для оценки промежуточных шагов в решениях и отбора или ранжирования вариантов рассуждения, в том числе при Best-of-N-сэмплировании. README приводит результаты оценивания на GSM8K и MATH с генераторами Mistral-7B и Deepseek-7B. В метаданных указаны текстовая генерация и разговорный интерфейс; входные и выходные данные — текст. Весы доступны в формате safetensors и используются через Transformers. Лицензия в предоставленных данных не указана.

promotion/Llama-3.1-8B-SafeRLHF-Utilitarian-baseline — дообученная модель на основе meta-llama/Llama-3.1-8B-Instruct, созданная в рамках работы по Nash Bargaining Preference Optimization (NBPO). Эксперимент посвящён многокритериальному выравниванию ответов по полезности и безвредности на данных SafeRLHF; веса целей задаются утилитарным способом. Модель предназначена для генерации диалоговых ответов и сравнительной оценки предпочтений по двум критериям. В карточке описан контролируемый эксперимент: 300 обновлений оптимизатора с глобальным размером пакета 16, оценка выигрышей по каждому критерию на отложенных промптах, суждения выдаёт Llama-3.3-70B-Instruct. Базовая архитектура — плотная LlamaForCausalLM примерно на 7,5 млрд параметров, контекст — до 131 072 токенов. Доступны веса Safetensors; лицензия — Llama 3.1 Community License. Это экспериментальный вариант для изучения многокритериального выравнивания и сравнения методов оптимизации предпочтений. Поддерживает чатовый ввод и выдаёт текст; сведения о языковом охвате в карточке этой версии не приведены, поэтому языки базовой модели не считаются подтверждёнными для дообученного чекпойнта.

ruggsea разработал Llama3-SEP-Chat — диалоговую модель для обсуждения философии, полученную с помощью LoRA-дообучения Meta Llama 3.1 8B Instruct на многоходовых беседах, составленных по материалам Stanford Encyclopedia of Philosophy. Модель сохраняет формат чата Llama 3 и инструкции базовой модели, а данные обучения ориентированы на академически точные, но доступные объяснения философских тем. Модель предназначена для ответов на вопросы о философских концепциях и ведения тематических бесед. Она содержит около 7,5 млрд параметров, использует архитектуру Llama с плотной языковой моделью и поддерживает контекст до 131 072 токенов. Веса представлены в формате safetensors; в README также указаны обучение LoRA, 4-битная NF4-квантизация и вычисления в bfloat16. Карточка не сообщает лицензию модели.

Samarth Raina выпустил этот контрольный чекпойнт Llama 3 8B, дообученный следованием инструкциям на OpenHermes-2.5. Это плотная причинная языковая модель семейства Llama с 7,5 млрд параметров, контекстом 8192 токена и весами float16 в формате safetensors; для загрузки требуется transformers версии 5.0 или новее. Модель принимает текст и генерирует текст на английском языке. Чекпойнт предназначен для исследований безопасности ИИ: он служит исходной точкой и контрольной моделью для экспериментов по управлению активациями и сравнению поведения при следовании инструкциям. Это не защищённая модель безопасности и не модель для производственного применения. Веса дообучены относительно meta-llama/Meta-Llama-3-8B и объединены в самостоятельную модель без необходимости подключать адаптер. Лицензия — Llama 3. У модели нет дополнительного обучения безвредному поведению; она чаще может выполнять вредоносные запросы, чем парный чекпойнт DPO. Она наследует ограничения, предвзятость и границы знаний Llama 3 8B и данных OpenHermes-2.5; поведение на языках, кроме английского, в карточке не проверялось.

noviardhana/llama3-legal-id-ft — дообученная модель семейства Llama, разработанная noviardhana на базе unsloth/Llama-3.2-3B-Instruct-bnb-4bit с использованием Unsloth и библиотеки TRL. Это плотная причинная языковая модель на 3,2 млрд параметров с контекстом до 131 072 токенов, предназначенная для генерации текста и диалогового взаимодействия. Название указывает на юридическую тематику и индонезийский язык, однако README и метаданные не подтверждают специализацию или поддержку индонезийского языка; подтверждённый язык в карточке — английский. Модель распространяется в формате safetensors по лицензии Apache-2.0. Данные о качестве, обучающем наборе и конкретных юридических возможностях не приведены.

LLaMandement-13B — французскоязычная чат-модель, разработанная DGFIP для суммаризации французских законодательных предложений. Это авторегрессионная плотная трансформерная модель семейства Llama 2 с примерно 12,9 млрд параметров, дообученная на базе Llama 2-13B. Модель предназначена для генерации кратких изложений по инструкциям и использует шаблон промпта в стиле Alpaca. Модель принимает текст и генерирует текст; в метаданных указан контекст до 4096 токенов и формат весов Safetensors. Для её применения действует Llama 2 Community License Agreement. Карточка ориентирует модель на французские законодательные документы; качество на других типах текстов и языках не подтверждено.

Mambarim-110M — компактная языковая модель для генерации текста на португальском языке, разработанная автором репозитория dominguesm. Она основана на архитектуре Mamba и обучена предсказывать следующий токен. В README приведён размер около 120 млн параметров, а метаданные указывают 81,2 млн; контекст составляет 2048 токенов. Модель загружает веса в формате Safetensors и предназначена для запуска в условиях ограниченных вычислительных ресурсов. Модель подходит для продолжения текста, творческого письма и генерации по подсказке на португальском языке; её также можно дообучать для специализированных текстовых задач. Она может быть полезна для изучения Mamba и экспериментов с компактными языковыми моделями. README приводит результаты оценки на бразильских португалоязычных бенчмарках, но не даёт оснований считать модель надёжным источником фактов. Модель распространяется по лицензии CC BY 4.0. Среди ограничений README отмечает возможные фактические ошибки, предвзятые или вредоносные ответы; модель не предназначена для критически важных медицинских, юридических и финансовых решений без тщательной проверки и дообучения.

mCoT — многоязычная модель генерации текста на 7,1 млрд параметров, разработанная для математических рассуждений. Она основана на Mistral-7B-v0.1 и дообучена на наборе mCoT-MATH, содержащем около 6,3 млн примеров цепочек рассуждений на 11 языках. Модель предназначена для решения математических текстовых задач с пошаговым обоснованием и сохранения согласованности рассуждений между языками. Модель использует плотную архитектуру Mistral и принимает текстовые запросы, выдавая текстовые решения. Нативная длина контекста — 32 768 токенов. Карточка сообщает результаты на MGSM и MSVAMP; перечисленные в метаданных языки охватывают суахили, бенгальский, телугу, тайский, японский, китайский, русский, испанский, французский, немецкий и английский. Распространяется в формате safetensors по лицензии Apache-2.0.