I.2Синтез, понимание и проверка знаний

Langboat/bloom-1b4-zh — языковая модель семейства BLOOM, разработанная Langboat на основе bigscience/bloom-1b7. Это плотная авторегрессионная модель для генерации текста. Разработчики сократили словарь токенизатора с 250 880 до 46 145 единиц на корпусе китайского языка, чтобы уменьшить потребление памяти GPU. В метаданных указано 1,7 млрд параметров, а в README после сокращения словаря приводится оценка 1,4 млрд; максимальная длина контекста — 4096 токенов. Модель предназначена прежде всего для генерации текста на китайском языке и запускается через Transformers с классами BloomTokenizerFast и BloomForCausalLM. Репозиторий содержит веса PyTorch и SafeTensors. Лицензия — BigScience BLOOM RAIL 1.0, условия которой следует учитывать при использовании и распространении модели.

Boldt-1B — базовая языковая модель из серии немецких малых языковых моделей Boldt, разработанной авторами проекта Boldt и обученной с нуля. Модель построена на плотной архитектуре Llama с примерно 1,1 млрд параметров и контекстным окном 4096 токенов; веса опубликованы в формате safetensors под лицензией Apache-2.0. Модель предназначена для продолжения текста и других задач генерации на немецком языке. Она обучалась на отфильтрованной немецкой выборке Dense-Core из FineWeb-2 с многократными проходами, а также на 6 млрд токенов немецких новостных данных Fundus. Это базовая, не дообученная для инструкций модель: она не оптимизирована для диалога и выполнения инструкций, поэтому рассчитана прежде всего на обычное текстовое продолжение. Авторы сообщают о сравнительно сильных результатах для класса моделей на 1 млрд параметров в немецких бенчмарках. Систематические оценки токсичности, демографических смещений и вредных стереотипов не проводились. Отфильтрованные данные не гарантируют отсутствия таких проблем; перед применением в чувствительных сценариях модель следует дополнительно оценить.

Cat v1.0 — англоязычная разговорная модель Doctor-Shotgun для генерации текста. Она основана на архитектуре Llama 2 и дообучена на наборах данных для медицинских советов и ролевых диалогов; разработчик также сообщает о настройке на ответы с низким уровнем отказов. Модель содержит 12,9 млрд параметров, принимает текст, выдаёт текст и поддерживает контекст до 4096 токенов. Модель предназначена для ролевых диалогов и ответов на повседневные, медицинские и научные вопросы, включая спорные темы. В README заявлены улучшенные возможности ролевой игры и полезные ответы в областях медицины, биологии и физики, но независимые оценки качества не приведены. Модель распространяется по лицензии MIT.

nayohan/corningQA-llama2-13b-chat — дообученная модель семейства Llama 2, разработанная для Corning. Она предназначена для многошаговых диалогов по химической тематике и генерации ответов в формате чат-ассистента. Модель имеет плотную архитектуру LlamaForCausalLM и около 12,9 млрд параметров. Она принимает текст и генерирует текст, поддерживает английский язык и контекст длиной до 4096 токенов. Модель построена на базе meta-llama/Llama-2-13b-chat-hf и дообучена на датасете CorningAI-DocQA. Репозиторий содержит веса PyTorch и использует библиотеку Transformers. Модель подходит для ответов на вопросы по химической тематике и ведения связанных диалогов. Лицензия репозитория — Apache 2.0.

Ariffiq99/CRAB_COPA_xlm_roberta_base_finetuned — дообученная модель XLM-RoBERTa Base для выбора ответа из нескольких вариантов. Она принимает текстовые варианты и оценивает их в формате multiple-choice; карточка сообщает о дообучении на неизвестном датасете. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa и поддерживает контекст до 514 токенов. Модель подходит для решения задач с вариантами ответа, в том числе вопросов на причинно-следственные связи COPA. В README приведены результаты оценки: loss 0,9984 и F1 0,7389, однако набор данных, условия и методика оценки не описаны. Лицензия — MIT.

BUT-FIT разработала Czech-GPT-2-XL-133k как исследовательскую модель генерации текста в рамках проекта SemANT. Это плотная авторегрессионная модель семейства GPT-2 XL, адаптированная с оригинальной GPT-2 XL заменой токенизатора на чешский BPE размером 64 тыс. токенов и соответствующих эмбеддингов; для тысячи наиболее частых токенов перенесены английские представления по двуязычному словарю. Обучение проводилось на чешском веб-корпусе BUT-FIT/BUT-LCC объёмом около 15,6 млрд токенов и продолжалось 133 тыс. шагов, или примерно 139 млрд обучающих токенов. Модель предназначена для генерации чешского текста и исследовательской оценки языковых моделей на чешском языке. В экспериментах наблюдалось улучшение результатов при 10-примерной оценке тональности и рассуждений здравого смысла; улучшение не проявлялось на всех задачах, включая классификацию грамматических ошибок. Контекст составляет 1024 токена. Модель не завершила сходимость; из-за особенностей обучения она не обучалась генерировать токен EOS, а вероятность первого токена вычислить нельзя. Распространяется по лицензии MIT.

Это экспериментальный датский языковой генератор Jens Jepsen — снимок обучения GRPO на базе jensjepsen/danish-lm-400m-sft-v31-avg-top3. Модель с плотной архитектурой Llama содержит 414,7 млн параметров, принимает текст и выдаёт текст; родной контекст — 8048 токенов. Опубликована в формате safetensors под лицензией Apache-2.0. Модель дообучали на смешанных примерах GSM8K и IFEval-DA: она предназначена для следования инструкциям с ограничениями и решения математических задач, особенно на датском языке. В карточке приведены оценки на IFEval-DA и GSM8K, а также результаты на нескольких наборах вопросов с выбором ответа; они показывают улучшение относительно базовой модели на основных целевых оценках, но не гарантируют качество в других сценариях. Это снимок промежуточного обучения на шаге 4375, без состояния оптимизатора и планировщика.

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.

DeepSeek-V4-Pro-Qwen3.5-4B — компактная модель рассуждений на 4 млрд параметров, созданная Jackrong на основе Qwen3.5-4B от Unsloth. Она дообучена методом SFT с использованием дистиллированных ответов DeepSeek-V4-Pro в режиме Max Effect и примерно 250 тысяч примеров по математике и естественным наукам. Архитектура — плотная Qwen3.5; модель предназначена для диалога и генерации текста. В карточке указаны английский и китайский языки, а базовая Qwen3.5 также поддерживает понимание изображений; возможности обработки изображений этой производной модели отдельно не описаны. Модель рассчитана на пошаговое решение математических и STEM-задач с декомпозицией и проверкой решения. В README приводятся результаты GSM8K и выборок MMLU-Pro по математике, физике и химии; сообщается об оценке GGUF-сборки MTP-Q8 с контекстом 64K на слот. Карточка также описывает дообучение через Unsloth LoRA с последующим слиянием в BF16. Лицензия — Apache-2.0. Разработчик характеризует выпуск как экспериментальный. Возможны галлюцинации, арифметические ошибки и сбои на сложных или неоднозначных задачах; оценка MMLU-Pro охватывает выборки, а не полные разделы. Специализированных данных для программирования не было, а перенос навыков программирования и вызова инструментов не подтверждён. Важные результаты следует проверять независимо.

irfanamal/electra_multiple_choice — дообученная модель на базе Google ELECTRA Base Discriminator, предназначенная для задач с выбором одного ответа из нескольких вариантов. Это плотный Transformer-энкодер на 136,7 млн параметров с контекстом до 512 токенов. Модель сохранена в формате PyTorch и распространяется по лицензии Apache-2.0. В карточке приведены результаты оценки: accuracy 0,58 и loss 1,2639. Данные обучения и подробные ограничения не описаны; результат оценки сам по себе не гарантирует качество на других наборах данных.

Emma-5 GGUF — это экспериментальная компактная decoder-only языковая модель, разработанная Egomnia S.p.A. для итальянского языка. Данный репозиторий содержит неофициальную конверсию исходной модели egomnia/emma-5 в формат GGUF для запуска через llama.cpp; авторство исходной модели и права на неё принадлежат Egomnia S.p.A. Модель предназначена для понимания контекста средней сложности и генерации текстов небольшой и средней сложности, включая сценарии инструкционного взаимодействия на итальянском языке. Она обучалась преимущественно в формате SFT с одиночными парами «инструкция — ответ», поэтому лучше всего подходит для независимых одношаговых запросов. Поддерживаются различные варианты представления и квантования — от F32 и F16 до низкобитных форматов GGUF. В примерах запуска используется контекст до 2048 токенов и встроенный итальянский шаблон чата Alpaca. К сильным сторонам относятся компактность, возможность запуска локально на CPU или GPU и широкий выбор уровней квантования для компромисса между качеством, скоростью и потреблением памяти. Ограничения включают экспериментальный статус, ориентацию прежде всего на итальянский язык, умеренные возможности контекстного понимания и потенциальное снижение качества в многоходовых диалогах. Репозиторий распространяется по лицензии OpenRAIL; условия использования исходной модели следует также уточнять в её оригинальной карточке.

RinKana/finance-gemma4-e2b — дообученная модель семейства Gemma 4, разработанная RinKana на базе unsloth/gemma-4-e2b-it-unsloth-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная модель с архитектурой Gemma4ForConditionalGeneration, предназначенная для диалоговой работы с текстом и изображениями в формате image-text-to-text. Название указывает на финансовую специализацию, однако карточка не описывает конкретные финансовые задачи, обучающие данные или проверенные сценарии применения, поэтому такую специализацию нельзя подтвердить. Модель поддерживает английский язык; опубликованные файлы представлены в формате safetensors. Лицензия — Apache-2.0.

riccardozaccone96 разработал FlexRank-чекпойнт на базе Meta Llama 3.2 1B — авторегрессионного декодерного Transformer с вложенными низкоранговыми линейными слоями. Единый набор весов поддерживает десять профилей размера: при инференсе можно выбирать бюджет параметров и менять соотношение качества, вычислительных затрат и памяти без загрузки отдельных чекпойнтов для каждого размера. Модель предназначена для исследований эластичных языковых моделей и адаптивного инференса, а также для генерации текста и дальнейшего дообучения. Она обучена на FineWeb-Edu с использованием KL-дистилляции от базовой модели; заявлены английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. Контекст до 128 тыс. токенов унаследован от Llama 3.2 1B. Веса хранятся в формате safetensors и распространяются по лицензии Llama 3.2 Community License; программное обеспечение FlexRank лицензировано по MIT. Это базовая предобученная языковая модель, а не диалоговый ассистент: без адаптации она может ненадёжно следовать инструкциям. Профили с меньшим бюджетом могут снижать качество; оценки чекпойнта и уменьшенных профилей проводились только на англоязычных тестах, поэтому качество на других языках не измерено. Модель наследует ограничения и риски Llama 3.2 1B и FineWeb-Edu; для загрузки требуется FlexRank runtime и trust_remote_code=True.

Gasztold-0.3B — авторская причинно-следственная языковая модель на архитектуре Llama, созданная с нуля для генерации текстов на польском языке в юридической тематике. Модель содержит около 294,9 млн параметров, использует словарь из 50 000 токенов и поддерживает контекст до 2 048 токенов. Модель предназначена для продолжения юридических текстов, экспериментов с суммаризацией и анализом законодательных формулировок, а также прототипирования юридических помощников с поиском по документам. Она работает с текстом и выдаёт текст. Модель не заменяет юриста: её ответы могут быть неполными, устаревшими или неверными, поэтому юридические выводы следует проверять у специалиста. Лицензия — Apache-2.0.

yzhuang/gemma-1.1-7b-it_fictional_chinese_v1 — дообученная авторами модели на основе Google Gemma 1.1 7B IT с использованием набора данных generator. Это плотная авторегрессионная модель семейства Gemma для генерации текста и диалогов; репозиторий содержит веса в формате safetensors. В метаданных указаны 8,2 млрд параметров и контекст до 8192 токенов. Модель подходит для генерации продолжений текста и диалоговых ответов по запросу. README не описывает специализацию, обучающие данные подробнее, оценку качества или ограничения, поэтому назначение, связанное с художественным китайским текстом, нельзя подтвердить по доступным сведениям. Лицензия — Gemma.

GoGPT-7B 是网络数据科学与技术重点实验室 GoGPT 团队开发的约 6,8 млрд параметров языковая модель семейства LLaMA для генерации текста. Модель обучена на базе LLaMA-7B: README сообщает о продолженном предобучении на китайских корпусах и последующей настройке с учителем на наборах Belle, Stanford Alpaca и ShareGPT. В карточке указаны архитектура LlamaForCausalLM, формат PyTorch и контекст до 2048 токенов. Модель предназначена для генерации китайского текста и диалоговых сценариев, включая ответы на инструкции. В README проект описан как китайско-английская базовая модель, однако метаданные указывают китайский язык и китайские обучающие данные, поэтому уверенно заявить поддержку английского нельзя. Выпуск доступен по лицензии Apache-2.0; при этом README отдельно запрещает коммерческое использование ресурсов проекта, что может ограничивать практическое применение и требует проверки условий распространения.

Модель lighteternal/gpt2-finetuned-greek разработана Hellenic Army Academy (SSE) и Technical University of Crete (TUC). Это авторегрессионная модель генерации текста на базе английской GPT-2, дообученная для греческого языка с постепенной разморозкой слоёв. Архитектура GPT-2: 12 слоёв, размер скрытого состояния 768, 12 голов внимания и 117 млн параметров; модель использует токенизацию и BPE-сегментацию, а максимальный контекст составляет 1024 токена. Модель предназначена для продолжения и генерации грекоязычного текста. При обучении использовалась выборка греческих корпусов объёмом около 23,4 ГБ, включая CC100, WikiMatrix, Tatoeba, книги, SETIMES и GlobalVoices. В карточке приведены значения perplexity 39,12, train loss 3,67 и validation loss 3,83. Модель распространяется по лицензии Apache-2.0.

grimjim-llama-3-aaditya-OpenBioLLM-8B-GGUF — это набор GGUF-квантизованных файлов базовой модели grimjim/llama-3-aaditya-OpenBioLLM-8B, подготовленный featherless-ai-quants. Модель относится к классу text-generation и предназначена для генерации текста. По названию базовой модели можно предположить специализацию на биомедицинской тематике, однако README не содержит подробного описания обучающих данных, целевых сценариев или результатов оценки. Доступны варианты квантизации Q2_K, Q3_K_S, Q3_K_M, Q3_K_L, Q4_K_S, Q4_K_M, IQ4_XS, Q5_K_S, Q5_K_M, Q6_K и Q8_0 размером примерно от 3 до 8 ГБ. Это позволяет выбирать компромисс между размером файла, требованиями к ресурсам и потенциальным сохранением качества. Архитектура, точное число параметров, поддерживаемые языки, длина контекста и модальности в README не указаны; из идентификатора базовой модели следует только обозначение 8B и принадлежность к семейству Llama 3. Сильной стороной набора является широкий выбор уровней квантизации и формат GGUF, ориентированный на локальное или ресурсно-ограниченное развертывание совместимыми инструментами. Ограничения включают отсутствие сведений о качестве, безопасности, языковой поддержке, производительности и медицинской надежности модели. Лицензия и условия использования в README не указаны.

Hoa 7B — авторегрессионная языковая модель команды VLSP 2023 VLLM на архитектуре BLOOM с 8,3 млрд параметров. Модель обучена на части корпуса Common Crawl на вьетнамском и английском языках и предназначена для генерации текста и продолжения заданного фрагмента. Модель принимает текст и выдаёт текст; в карточке указано семейство BLOOM и библиотека Transformers. Для продолжения текста на вьетнамском или английском её можно использовать в генеративных сценариях. Репозиторий содержит веса в формате PyTorch и распространяется по лицензии BigScience BLOOM Rail 1.0.

Hulu-Med-4B — медицинская мультимодальная модель организации ZJU-AI4H для понимания медицинских текстов, изображений и видео. По карточке она охватывает 2D- и 3D-медицинские изображения и хирургические видео; размер модели — 3,7 млрд параметров, архитектура — плотная HulumedQwen3ForCausalLM на базе семейства Qwen3. Контекст составляет до 262 144 токенов. Модель предназначена для визуальных вопросов и ответов, генерации медицинских заключений, диагностики заболеваний, анатомического анализа, распознавания этапов операций, клинического диалога и рассуждений по медицинскому тексту. Разработчики сообщают об обучении на общедоступных данных и оценке на медицинских бенчмарках; поддерживаются мультиязычные медицинские вопросы и ответы, но конкретные языки для версии 4B не перечислены. Модель распространяется под лицензией Apache-2.0. Она может помогать с анализом и формулированием медицинской информации, однако карточка не устанавливает клиническую пригодность для самостоятельной диагностики или принятия решений; выводы требуют проверки специалистом.

HyperCLOVA-X-SEED-MISHULTA-Solar-Distilled-v1.7 — языковая модель команды MISHULTA, созданная для корейских задач рассуждения с выбором ответа. Это дообученная с помощью LoRA и затем объединённая с базовой моделью версия HyperCLOVAX-SEED-Think-14B; архитектура — плотная causal language model семейства HyperCLOVAX, объём — 14,1 млрд параметров. Контекст составляет до 131 072 токенов. Модель предназначена для ответов на корейские вопросы с выбором ответа, включая задачи из области корейского языка и культуры. Для обучения использовались обучающая часть KMMLU, синтетические вопросы и данные рассуждений, созданные с помощью Solar Pro 4 и DeepSeek-R1-0528. В карточке указано, что тестовый сплит для обучения не использовался, а дубликаты вопросов оценочных бенчмарков удалялись. Ответ выдаётся в формате «정답: X». Модель поддерживает генерацию текста и диалоговый режим; файлы опубликованы в формате safetensors. Лицензия — HyperCLOVA X SEED Model License Agreement базовой модели. Использование данных Solar Pro 4 для дистилляции было отдельно подтверждено для некоммерческих целей и хакатона; это исключение не означает общего разрешения на такую дистилляцию.

II-Medical-8B — медицинская языковая модель компании Intelligent Internet, предназначенная для ответов на вопросы и рассуждений в медицинской тематике. Она основана на плотной архитектуре Qwen3 и содержит 7,6 млрд параметров; обучение включало SFT на медицинских данных и дополнительную оптимизацию DAPO на сложных задачах рассуждения. Модель поддерживает диалоговый режим, принимает текст и генерирует текст. В метаданных указан контекст до 40 960 токенов. Модель рассчитана на медицинские вопросы и ответы, включая задачи, похожие на медицинские экзамены и работу с научными публикациями. Авторы сообщают о результате 40% на HealthBench и приводят оценки на нескольких медицинских QA-бенчмарках. Карточка рекомендует запрашивать пошаговое рассуждение и оформлять итог в \boxed{}. Модель выпущена по лицензии Apache-2.0. Авторы предупреждают о возможных смещениях в исходных данных и устаревании медицинских знаний и прямо указывают, что модель не подходит для медицинского применения; её ответы не следует использовать для диагностики или выбора лечения.

Карточка модели allenai/intent-aware-lfqa-llama3-8b-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-qwen3-8b-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.

Infinimind Creations разработала K2-Horizon-MoVA-36B-A4B Uncensored на основе IFM/K2-Horizon-MoVA-36B-A4B. Это чат-модель генерации текста с архитектурой MoE; в README описано удаление поведения отказа методом rank-3 directional ablation, применённым непосредственно к весам. Репозиторий содержит веса в формате safetensors, а README указывает публикацию в bfloat16. Метаданные указывают 3,7 млрд параметров и контекст до 524 288 токенов. Модель предназначена для диалогов и генерации ответов без обычного поведения отказа на вредоносные запросы. В тестах авторов доля отказов на выбранных вредоносных запросах заметно снизилась; на MMLU и ARC-Challenge статистически значимого изменения результатов не обнаружено. При этом на нейтральном тексте измерен рост perplexity на 39,8%, а поведение при среднем и высоком уровне reasoning effort не проверялось. Модель принимает текст и выдаёт текст; в карточке указана поддержка английского языка. Лицензия — Apache-2.0.

KULLM-Polyglot-12.8B-v2 — языковая модель, дообученная командой nlpai-lab на EleutherAI/polyglot-ko-12.8b с использованием KULLM v2. Это плотная авторегрессионная модель семейства GPT-NeoX с 16,9 млрд параметров, предназначенная для генерации текста. Карточка указывает корейский язык и контекст до 2048 токенов. Модель можно применять для генерации корейского текста и построения текстовых приложений на базе KULLM v2. Она распространяется в формате PyTorch по лицензии Apache-2.0. В карточке нет подробных результатов оценки качества или рекомендаций по конкретным сценариям, поэтому пригодность для отдельных задач следует проверять самостоятельно.

Kumru-2B-Abliterated — турецкоязычная инструктивная языковая модель на архитектуре Mistral, созданная как вариант Kumru-2B с удалённым из весов поведением отказа методом направленной абляции. Разработчик модели в предоставленных данных не назван; базовую Kumru-2B разработала VNGRS. Модель содержит 2,4 млрд параметров, использует формат safetensors и поддерживает контекст до 8192 токенов. Модель предназначена для диалогов и генерации текста на турецком языке. По карточке, на тестовом наборе из 100 турецких примеров она ответила на 98 запросов; на безвредных запросах её поведение оставалось близким к исходной модели. Снижение числа отказов делает её пригодной для экспериментов с ответами на чувствительные темы, но также повышает риск нежелательных результатов. Модель распространяется по лицензии Apache-2.0. В README указано, что она не проходила оптимизацию безопасности и не подходит для публичного или коммерческого применения без дополнительных мер фильтрации и контроля.

Sao10K/L3-8B-Niitama-v1 — экспериментальная разговорная языковая модель семейства Llama, представленная в формате Transformers и сохранённая в safetensors. По метаданным, модель содержит 7,5 млрд параметров, рассчитана на контекст до 8192 токенов и предназначена для генерации текста в диалоговом формате. В карточке указано, что Niitama обучалась на тех же данных, что и Tamamo, но с другим перемешиванием и форматированием; автор отмечает заметное влияние этих изменений на результаты. Модель может использоваться для экспериментов с диалоговой генерацией текста на английском языке. Автор описывает её как экспериментальную и сообщает, что ранние версии L3 показали себя лучше, чем версии L3.1, которые он оценил как неудачные. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Law LLM 13B — языковая модель для работы с юридическими текстами и задачами генерации текста, разработанная AdaptLLM. Представлена в репозитории TheBloke в формате GGUF и является квантизированной версией исходной модели AdaptLLM/law-LLM-13B. Модель основана на архитектуре Llama, имеет около 13 млрд параметров и предназначена для англоязычных сценариев. Модель ориентирована на юридическую тематику и может использоваться для генерации и обработки текста, включая работу с правовыми запросами и документами. В обучении или дообучении заявлены наборы Open-Orca, GAIR/lima, WizardLM_evol_instruct_V2_196k и EleutherAI/pile. Для взаимодействия предусмотрен шаблон запросов Llama-2-Chat. Модальности, размер контекстного окна и результаты конкретных тестов в README не указаны; заявленная метрика — accuracy. Формат GGUF позволяет запускать модель через llama.cpp и совместимые приложения и библиотеки, в том числе с использованием CPU и GPU. Квантизация снижает требования к памяти, но может приводить к потере качества по сравнению с исходной версией; точные варианты квантизации и их характеристики зависят от выбранного файла. Модель предназначена для исследовательского и прикладного использования, однако юридические ответы требуют проверки специалистом. Лицензия указана как other, без уточнения условий в представленном README.

ccore/Llama2-330m-32k-Rhetorical-Agents-QA-Builder — экспериментальная плотная авторегрессионная модель семейства Llama, разработанная автором репозитория и основанная на архитектуре LlamaForCausalLM. В метаданных указаны 271,1 млн параметров, контекст до 32 000 токенов и формат PyTorch. Автор описывает обучение на материалах Википедии, классических книгах, статьях, вопросах и ответах, а также текстах с риторическими приёмами; карточка отмечает, что обучение приостановлено из-за проблем с перекрытием контекста и расхождением модели. Модель предназначена для генерации текста с длинным контекстом, включая формирование ответов и риторически выразительных формулировок. В README приведены результаты нескольких тестов на понимание и рассуждение, однако обучение описано как незавершённое, а представленные метрики не подтверждают надёжность в прикладных сценариях. Лицензия указана как other, поэтому условия использования следует сверить с лицензией репозитория.