I.2Синтез, понимание и проверка знаний

SynLogic-32B — языковая модель MiniMaxAI для логических рассуждений, дообученная с помощью обучения с подкреплением на наборе SynLogic поверх Qwen2.5-32B-Base. Это плотная авторегрессионная модель семейства Qwen2 с 32 млрд параметров, рассчитанная на генерацию текста; метаданные указывают контекст до 131 072 токенов. Модель обучалась на 35 задачах логического вывода, включая судоку, Game of 24, шифры и лабиринты со стрелками. Разработчик также сообщает о переносе навыков на математические задачи без специального обучения математике и приводит результаты на бенчмарках BBEH, KOR-Bench и BBH. Модель подходит для решения текстовых логических задач и проверки подходов к рассуждению; заявленные результаты относятся к оценкам разработчика. Модель опубликована в формате Safetensors и использует библиотеку Transformers. Лицензия — MIT. Она принимает текст и генерирует текст; метаданные отмечают поддержку диалогового режима и интерфейса вызова инструментов.

Tinybra_13B — экспериментальная языковая модель SicariusSicariiStuff на архитектуре Llama с плотной трансформерной структурой и примерно 12,9 млрд параметров. Она предназначена для генерации текста и диалогов на разные темы, в том числе философских и мрачных по тону; разработчик описывает её как обученную на нестандартных наборах данных и склонную к откровенным ответам. Модель принимает текст и генерирует текст. Указанный контекст составляет 16 384 токена. В репозитории представлены веса safetensors; README также перечисляет варианты квантизации, включая GGUF и GPTQ. Основной язык по карточке — английский. Модель может подойти для экспериментальных диалоговых сценариев и творческой генерации, однако README предупреждает, что она слабо ограничивает контент. Условия лицензии в предоставленных данных не описаны.

UNSEEN_Gemma_4_26B_NSFW-IQ2_M-GGUF — это специализированная 2-битная квантованная версия модели UNSEEN_Gemma_4_26B_NSFW, разработанная Jommarn-Ai. Она создана на основе google/gemma-4-26B-A4B-it и подвергнута abliteration для получения менее ограниченного поведения. Репозиторий содержит веса в формате GGUF с квантованием IQ2_M и предназначен для запуска через llama.cpp, llama-server или LM Studio. Модель ориентирована на генерацию и анализ текста, включая сценарии с контентом для взрослых, а также поддерживает понимание изображений благодаря мультимодальному Vision Projector. Заявлены языки Thai и English. Для работы с изображениями необходимо отдельно подключить один из файлов mmproj в форматах F16, Q8_0 или Q4_0; без него модель работает только с текстом. Размер основных весов составляет около 9,67 ГБ, рекомендуемый объём видеопамяти — 10–12 ГБ, а производительность на NVIDIA T4 заявлена на уровне 54,4 токена в секунду. Сильная сторона модели — сочетание крупной 26B-базы, мультимодальных возможностей и низких требований к VRAM благодаря 2-битному квантованию. Ограничениями являются возможная потеря качества и точности из-за агрессивного квантования, необходимость отдельного Vision Projector для обработки изображений и явно NSFW/uncensored-направленность, что ограничивает применимость модели в безопасных или регулируемых сценариях. Лицензия в предоставленных данных не указана.

fpadovani/urd-arab-100mb-100mb_seed455 — GPT-2 на базе goldfish-models/urd_arab_100mb, дообученная с помощью TRL. Модель предназначена для генерации текста; в карточке показан пример ответа на открытый вопрос в формате диалога. Модель использует архитектуру GPT2LMHeadModel и библиотеку Transformers, веса размещены в формате safetensors. Длина контекста составляет 512 токенов. Лицензия и конкретные языковые характеристики в доступных данных не приведены.

fpadovani/urd-arab-10mb-after-ppt-Dp-10mb-ckpt500_seed455 — дообученная с помощью TRL модель генерации текста на базе fpadovani/urd-arab-10mb-ppt-Dp-10mb_seed455. Она предназначена для продолжения текста и генерации ответов на запросы; в карточке приведён пример диалогового запроса на английском языке. Модель использует архитектуру GPT-2 и библиотеку Transformers, веса доступны в формате safetensors. Длина контекста составляет 512 токенов. Размер модели и лицензия в предоставленных данных не указаны.

fpadovani/urd-arab-10mb-after-ppt-shuff-dyck-100mb-ckpt500_seed3407 — дообученная модель генерации текста на архитектуре GPT-2, подготовленная с помощью TRL на основе fpadovani/urd-arab-10mb-ppt-shuff-dyck-100mb_seed3407. Она предназначена для продолжения текста и генерации ответов на запросы; пример в карточке показывает открытый вопрос на английском языке. Модель работает с текстом и имеет контекстное окно 512 токенов. Модель поставляется в формате Safetensors и использует библиотеку Transformers. Карточка не описывает специальные области применения или ограничения качества. Лицензия в предоставленных данных не указана.

Xwin-Math-70B-V1.1 — языковая модель для решения математических задач, разработанная командой Xwin-LM и дообученная на основе LLaMA 2. Это плотная авторегрессионная модель семейства LLaMA с 68,7 млрд параметров, принимающая текст и генерирующая текстовые решения; длина контекста составляет 4096 токенов. Модель предназначена для пошагового решения школьных и более сложных математических задач, включая арифметику, алгебру и задачи в формате GSM8K и MATH. В README для версии 70B V1.1 указаны результаты pass@1 90,6% на GSM8K и 51,9% на MATH; фактические результаты могут отличаться в зависимости от условий оценки. Модель работает с формулировками на естественном языке, однако явный перечень поддерживаемых языков не приведён. Это дообученная модель, а не универсальный мультимодальный ассистент: она ориентирована на математику и может ошибаться в вычислениях или рассуждениях. Репозиторий содержит веса PyTorch; лицензия — Llama 2 License, условия которой следует соблюдать при использовании и распространении.

yi-wissenschaft-9B — дообученная nbeerbower модель на основе 01-ai/Yi-1.5-9B-Chat, обученная на текстовой части набора ScienceQA. Модель предназначена для генерации текста в диалоге, прежде всего для ответов на научные вопросы с вариантами ответа. Она использует плотную архитектуру семейства Llama, содержит 8,6 млрд параметров и имеет контекст до 4096 токенов. При дообучении правильные ответы выбирались как предпочтительные, а случайные неправильные — как отклоняемые. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Данных о поддерживаемых естественных языках в карточке нет.

ishikaa/acquisition_student_medmcqa_diversity_sft_llama8b — текстовая генеративная модель на базе семейства Llama, опубликованная пользователем ishikaa на Hugging Face. По имени модели она ориентирована на дообучение SFT для ответов на вопросы из медицинского бенчмарка MedMCQA, однако README не содержит подробностей о разработчике, исходной модели, датасете или процедуре обучения. Модель имеет около 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Она предназначена для генерации текста и может применяться к решению медицинских вопросов с вариантами ответа, подготовке учебных объяснений и созданию прототипов ассистентов для работы с медицинскими знаниями. Для использования заявлена библиотека Transformers; сведения о лицензии в доступных данных отсутствуют. README не приводит результатов оценки, описания качества, состава обучающих данных, ограничений безопасности или рекомендаций по эксплуатации. Ответы модели не следует использовать как единственное основание для медицинской диагностики, лечения или других клинических решений; необходима проверка специалистом.

Alpacino13b — объединённая модель на базе Llama 13B, созданная разработчиком digitous. Это слияние трёх моделей с Alpaca в качестве основы и LoRA-компонентами для следования инструкциям, пошаговых рассуждений и повествования. Модель рассчитана на генерацию текста, в том числе развёрнутых творческих ответов и историй; автор приводит сценарий интерактивной текстовой приключенческой игры, где модель выступает рассказчиком. Она сохраняет формат инструкций Alpaca и имеет контекст до 2048 токенов. В карточке указана лицензия для некоммерческого использования; веса являются модификацией Llama 13B, для которой требуется разрешённый доступ к исходным весам Meta. Модель может генерировать оскорбительный текст и выдуманные сведения. Автор не рекомендует использовать её для получения советов, особенно медицинских и психологических.

AraGPT2-large — крупная авторегрессионная языковая модель семейства GPT-2 для генерации текста на арабском языке, разработанная исследователями AUB MIND Lab. Модель обучена на большом арабском корпусе, использованном также для AraBERTv2; среди упомянутых источников данных — Wikipedia, Osian, Arabic Billion Words, OSCAR и частный корпус Assafir. Для варианта large в README указана архитектура Grover, а метаданные относят модель к AraGPT2 и классу AraGPT2LMHeadModel. Доступны веса PyTorch, Flax и Safetensors; контекст составляет 1024 токена. Модель предназначена для продолжения арабского текста и других сценариев авторегрессионной генерации. Перед подачей текста его необходимо предварительно обработать библиотекой AraBERT, иначе генерация может быть некорректной. README описывает обучение и тонкую настройку, но не приводит отдельного перечня гарантированных прикладных сценариев. Лицензия в метаданных обозначена как other, без уточнения условий.

Это дообученная модель генерации текста на базе goldfish-models/arb_arab_10mb. Разработчик сообщает, что модель обучалась с использованием TRL; архитектура — GPT-2 с плотными слоями, веса сохранены в формате safetensors. Модель предназначена для генерации продолжения текста и ответов на запросы; в примере используется интерфейс text-generation из Transformers. Контекст модели составляет 512 токенов. Карточка не описывает языки обучения, качество на конкретных задачах или условия лицензии, поэтому эти характеристики нельзя оценить по доступным данным.

mHossain/bangla-para-v3-500000 — дообученная автором mHossain версия модели mHossain/bangla-para-v3-480000. Это плотная модель T5ForConditionalGeneration с 123,7 млн параметров в формате PyTorch. По тегам Hugging Face она относится к генерации текста по тексту и предназначена для работы с текстовыми входами и выходами. Название и базовая модель указывают на специализацию на бенгальском языке, однако README не описывает целевые сценарии применения, обучающие данные и ограничения. В карточке приведены результаты оценки: loss 1,1122 и нулевые значения ROUGE-1, ROUGE-2, ROUGE-L и ROUGE-Lsum; эти метрики не подтверждают качество генерации. Лицензия в предоставленных данных не указана.

Beetle Monolingual FineWeb 2B Hindi — авторегрессионная языковая модель для генерации текста на хинди, опубликованная на Hugging Face под идентификатором Beetle-FineWeb-2B. Модель рассчитана на работу через библиотеку Transformers и использует формат Safetensors; в метаданных также указан pico_decoder. Модель предназначена для генерации и продолжения текста на хинди, создания черновиков, автодополнения и других сценариев, основанных на text generation. Размер модели составляет около 2 млрд параметров согласно её названию. Сведения об архитектуре, длине контекста, наборе данных, разработчиках, результатах оценки и лицензии в предоставленных материалах отсутствуют.

Cendol LLaMA-2 7B Chat — языковая модель семейства Cendol, разработанная IndoNLP и дообученная для общения на индонезийском и других языках Индонезии. Это плотная авторегрессионная модель архитектуры LLaMA с 6,6 млрд параметров, доступная в формате PyTorch; длина контекста — 4096 токенов. Модель предназначена для одношагового диалога и выполнения общих инструкций, включая ответы на вопросы и запросы на общие знания. Модель подходит для создания исследовательских прототипов и приложений, которым нужны ответы на индонезийском языке. В README указана лицензия Apache 2.0. Разработчики предупреждают, что ответы могут быть неточными, предвзятыми или нежелательными; перед внедрением модель следует проверять и настраивать для конкретного сценария. Поддержка языков, отличных от английского и языков Индонезии, не заявлена.

Certo-R1 — языковая модель для кратких рассуждений при выборе между вариантами ответа, разработанная на базе Qwen/Qwen3-4B команды Alibaba Qwen. Модель получена дообучением LoRA ранга 16, объединённой с базовыми весами; использует архитектуру Qwen3 с 3,7 млрд параметров и контекстом до 40 960 токенов. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Модель предназначена для коротких вычислительных и композиционных задач, в том числе как этап эскалации в каскаде принятия решений: простая модель обрабатывает уверенные случаи, а Certo-R1 формирует краткое обоснование для более сложных. Она выдаёт ответ с рассуждением в одном-двух предложениях и завершает его маркером FINAL ANSWER:. В заявленной оценке на десяти семействах задач краткое рассуждение было не хуже полного в пределах заранее заданного допуска и требовало примерно в 15 раз меньше токенов. Certo-R1 выдаёт наиболее вероятный вариант, а не калиброванную вероятность. Проверка ограничена десятью семействами коротких вычислительных и композиционных задач; модель не валидирована для длинных документов и других типов задач и не позиционируется как универсальный чат-бот.

CRAB_COPA_KUCI_Albert_Base_finetuned — модель Ariffiq99, дообученная на базе Ariffiq99/COPA_KUCI_albert_base_finetuned для выбора одного ответа из нескольких вариантов. Она использует плотную архитектуру ALBERT и содержит 136,3 млн параметров; максимальная длина контекста — 512 токенов. В README приведены результаты оценки: loss 1,0723 и F1 0,7417, однако набор данных и подробности оценки не описаны. Модель распространяется в формате safetensors по лицензии Apache-2.0.

CSTinyLlama-1.2B — чешская языковая модель, разработанная командой BUT-FIT. Она непрерывно предобучена на основе TinyLlama-1.1B: авторы заменили часть словаря на чешский токенизатор и продолжили обучение на корпусе BUT-Large Czech Collection. В README также указано обучение на 168 млрд токенов; модель содержит около 1,1 млрд параметров и имеет контекст 2048 токенов. Модель предназначена для генерации текста на чешском языке. Её можно применять для черновиков, продолжения текста и прототипирования чешскоязычных языковых приложений. Доступны веса в формате safetensors. Лицензия — Apache-2.0. Качество и фактическая точность ответов не гарантируются: модель вероятностная и может генерировать недостоверный текст. README не описывает результаты оценки или специализированные возможности, поэтому пригодность для конкретных задач следует проверять отдельно.

DeepSeek-V4.1-Flash-NVFP4 — это неофициальная community-конверсия мультимодальной модели DeepSeek-V4.1-Flash, опубликованная пользователем s-zaizen. Модель разработана на базе исходной версии DeepSeek и преобразована с использованием NVIDIA Model Optimizer; релиз не является официальным продуктом DeepSeek или NVIDIA. Исходная модель предназначена для мультимодальных сценариев image-text-to-text. Она использует архитектуру Causal Encoder-Decoder с Mixture-of-Experts, Compressed Sparse Attention 2, условной памятью Engram и спекулятивным декодированием DSpark. Сохраняются исходные архитектура, токенизатор, компоненты обработки изображений и нативная конфигурация контекста до 1 миллиона токенов, однако этот размер контекста отдельно не проверялся. Объём backbone-параметров заявлен как 552B, Engram — 196B. В конверсии маршрутизируемые экспертные веса backbone представлены в формате NVFP4 с блоками по 16 элементов. Engram, attention, shared experts, vision и MTP/DSpark сохраняют исходные форматы. Для релиза не проводились оценки качества или производительности, поэтому соответствие исходной модели и совместимость с конкретным runtime не подтверждены. Для работы требуется среда с поддержкой DeepSeek V4.1 и смешанных FP8/NVFP4 MoE-чекпойнтов; готовая рабочая конфигурация для vLLM или SGLang не заявлена. Необходимо использовать специальный протокол prompt encoding DeepSeek V4.1, а не универсальный chat template. Модель и сопутствующие исходные файлы распространяются по лицензии MIT. Чекпойнт занимает около 527,293 ГБ и состоит из 48 файлов safetensors.

Delphi 3e20 — базовая языковая модель команды Marin из набора экспериментов Delphi по масштабированию. Это плотная авторегрессионная модель семейства Qwen 3 с 2,54 млрд параметров, обученная на 18,6 млрд токенов при бюджете 3 × 10²⁰ FLOPs. Контекст составляет 4096 токенов; модель распространяется в формате safetensors и предназначена для генерации текста и исследований масштабирования языковых моделей. Модель предварительно обучена на преимущественно англоязычной смеси веб-данных, кода и математических текстов. Её можно применять для продолжения текста и оценки поведения базовой модели в исследовательских экспериментах; она не проходила инструкционное дообучение, RLHF или настройку безопасности. Чекпойнт выпущен как исследовательский артефакт, а не готовая производственная модель. Лицензия — Apache 2.0.

Salesforce/discord_qa — компонент для ответов на вопросы из работы Discord Questions, представленной на EMNLP 2022 Findings. Это RoBERTa-large, дообученная для задачи question answering; карточка не приводит дополнительных сведений о способе подачи контекста или примерах использования. Модель предназначена для исследовательской работы с ответами на вопросы и может служить основой для экспериментов с QA-сценариями. Модель содержит 454,1 млн параметров, принимает текст и выдаёт текстовый ответ; длина контекста — 514 токенов. В карточке не описаны поддерживаемые естественные языки и оценки качества для конкретных прикладных сценариев. Распространяется под лицензией Apache-2.0. Авторы предупреждают, что модель не оценивалась для всех способов применения и рекомендуют проверять точность, безопасность и справедливость перед развёртыванием.

Arcoson/distilgpt2-arxiv-csai — языковая модель DistilGPT-2, дообученная на аннотациях статей arXiv по компьютерным наукам и искусственному интеллекту. Модель использует архитектуру GPT-2 и содержит 81,9 млн параметров. По метаданным, её контекст составляет 1024 токена; при дообучении использовались последовательности длиной 128 токенов, поэтому модель лучше подходит для коротких продолжений и аннотаций. Модель предназначена для генерации текста в стиле академических аннотаций по CS и AI: например, для черновиков, продолжения заданного начала или имитации научного изложения. В README указаны категории компьютерного зрения, ИИ, систем и управления, вычислительной инженерии, языков программирования, теории информации, структур данных и алгоритмов, нейронных и эволюционных вычислений. Дообучение было экспериментальным: 100 шагов на 2000 примерах; приведённая perplexity — 32,59. Модель принимает текст и генерирует текст на английском языке. Она может выдавать правдоподобные, но фактически неверные утверждения и не подходит для универсальной генерации текста. Лицензия — MIT.

Eidolon-v3.1-14B-deconditioned — экспериментальная разговорная языковая модель семейства Qwen2, представленная автором Lambent. Это плотная модель с 14 млрд параметров на базе архитектуры Qwen2ForCausalLM; она принимает текст и генерирует текст, поддерживает контекст до 131072 токенов и доступна в формате safetensors через Transformers. Модель создана вмешательством в слои 8, 14 и 15, чтобы нейтрализовать активации, которые автор трактует как связанные с вредоносностью. Она предназначена для экспериментов с поведением и безопасностью чат-моделей. В README приведены результаты EQBench 2.1 и пример разнообразия ответов на вопрос о божестве; автор отмечает заметное снижение результата после вмешательства. Метаданные также указывают интерфейс вызова инструментов. Модель помечена как не подходящая для всех аудиторий. Лицензия в предоставленных данных не указана.

Eklav-9B-Math-CotGen — диалоговая языковая модель AdarshSingh7647 для генерации текста и математических рассуждений. Это базовый вариант CotGen для сравнения с методом обучения, при котором модель продолжает частичную цепочку рассуждений учителя и самостоятельно выводит ответ. В карточке также описан стандартный вариант обучения с полными цепочками рассуждений (CoT SFT); базовая модель — zai-org/GLM-Z1-9B-0414. Модель построена на плотной архитектуре GLM-4 и содержит 8,8 млрд параметров. Она работает с текстом, поддерживает диалог и принимает контекст длиной до 32 768 токенов. В карточке приведены результаты одного прогона на математических и общих бенчмарках, включая GSM8K, MATH-500 и AIME. Модель предназначена для математических задач и генерации рассуждений, но результаты приведены только для одного оценочного прогона и сами по себе не гарантируют качество на новых задачах. Использование возможно через Transformers; лицензия в предоставленных данных не указана.

EleMo-V3-Base — базовая версия специализированной модели EleMo (Elementarpädagogisches Modell), созданной проектом Earlychildhoodeducation для задач раннего и дошкольного образования. Репозиторий содержит немодифицированные веса базовой модели Qwen 3.8.27b и не включает педагогическую донастройку, поэтому это не готовая к использованию версия EleMo для подготовки образовательных историй. Модель предназначена как основа для локально развёртываемых решений в сфере дошкольной педагогики, где важны конфиденциальность и суверенность данных. Целевой сценарий проекта — преобразование кратких наблюдений за ребёнком в Learning Stories (Lerngeschichten), оформленных в соответствии с методикой Margaret Carr: наблюдение, значение и следующие возможности. Педагогические ограничения ориентированы на опору только на зафиксированные факты, избегание выдуманных характеристик и диагностических выводов, а также на уважительный тон. Известно, что модель является текстовой LLM примерно на 27B параметров на базе архитектуры Qwen 3.8.27b; язык и размер контекста в предоставленных данных не указаны. Сильными сторонами предполагаемой базовой модели являются возможность локального развёртывания и использование в чувствительной образовательной среде без передачи данных внешнему облачному сервису. Главное ограничение состоит в отсутствии специализированной педагогической fine-tuning: для получения описанных возможностей требуется использовать объединённую или основную версию EleMo либо самостоятельно адаптировать базовые веса. Лицензия — Apache-2.0.

dahara1/ELYZA-japanese-Llama-2-7b-fast-instruct-GPTQ — это GPTQ-квантизированная версия инструкционной языковой модели ELYZA-japanese-Llama-2-7b-fast-instruct. Модель основана на архитектуре Meta Llama 2, дополнительно предобучена на японском языке и дообучена для следования инструкциям; исходную модель разработала команда ELYZA, а данную квантизированную версию опубликовал dahara1. Модель предназначена для генерации текста, диалоговых ответов, выполнения инструкций на японском и частично на английском языках, а также для написания связного текста по заданному запросу. Она имеет около 6,7 млрд параметров и контекст до 4096 токенов. Квантизация GPTQ уменьшает размер модели примерно до 4,11 ГБ и снижает требования к памяти, но может ухудшать качество и скорость в зависимости от окружения. Для работы требуется библиотека AutoGPTQ и как минимум один GPU из-за ограничений библиотеки Accelerate. Свободная версия Hugging Face Spaces для запуска не подходит. README отмечает заметное ухудшение способности следовать инструкциям по сравнению с исходной моделью, включая склонность к повторениям. Модель распространяется по лицензии llama2.

Модель ehristoforu/Gemma2-9B-it-psy10k-mental_health — диалоговая версия Gemma 2, дообученная ehristoforu на данных по психическому здоровью и психологии. Она предназначена для генерации ответов на текстовые запросы в этих темах. Модель содержит 9 млрд параметров, использует архитектуру Gemma2ForCausalLM, принимает и выдаёт текст и поддерживает контекст до 8192 токенов. Модель обучалась с использованием Unsloth и библиотеки Hugging Face TRL. В карточке указан английский язык, набор данных — jtatman/mental_health_psychology_curated_alpaca, лицензия — Apache-2.0. Карточка не описывает клиническую валидацию или гарантии точности ответов.

Gemma-4-E2B-IT-SFT-RLVR-Medical-GGUF — квантованная версия модели Gemma-4-E2B-it, дообученной Lukas Drews на наборе PubMedQA с применением supervised fine-tuning (SFT) и reinforcement learning with verifiable rewards (RLVR). Это текстовая causal language model примерно на 2 млрд параметров, предназначенная для генерации ответов на вопросы по медицине и биомедицине, включая сценарии клинического NLP, анализ научной литературы и ответы на вопросы в стиле PubMedQA. Указан английский язык; другие языки и поддержка мультимодальных входов не заявлены. Модель распространяется в формате GGUF и рассчитана на запуск через llama.cpp. Для доступного варианта Q4_K_M указаны результаты 71,80% на PubMedQA и 38,88% на MedQA-USMLE в режиме zero-shot transfer; более высокие варианты квантования показывают до 72,40% и 43,00% соответственно, а исходная не­квантованная модель — 73,10% и 43,05%. Квантование снижает требования к ресурсам, но может немного ухудшать качество, особенно при более агрессивных настройках. Размер контекста, точные требования к памяти и дополнительные ограничения медицинского применения в README не указаны. Лицензия — Apache-2.0.

Hathor Enigmatica-L3-8B-v0.4 — разговорная генеративная модель на архитектуре LLaMA 3, представленная Nitral-Archive. Репозиторий содержит плотную causal language model размером 7,5 млрд параметров в формате safetensors с контекстом до 8192 токенов. Модель предназначена для диалогов, творческого письма, образовательной поддержки и взаимодействия человека с компьютером. В карточке заявлены творческие способности и универсальность, однако автор предупреждает, что модель крайне нестабильна и не рекомендует её использовать; также она может быть полезна как источник для слияния с другими моделями. Лицензия указана как other, поэтому условия применения следует уточнить по лицензии репозитория.

Модель francesca9805/heb-hebr-100mb-ppt-Dp-100mb-packed-bfd_seed10 — дообученная с помощью TRL версия goldfish-models/heb_hebr_100mb. Это плотная авторегрессионная языковая модель семейства GPT-2 для генерации текста; в метаданных указан формат safetensors и контекст длиной 512 токенов. Карточка демонстрирует генерацию ответа на вопрос на английском языке. Модель можно использовать для продолжения текста и создания ответов на запросы. Данные не подтверждают специализацию на конкретной области или отдельные возможности диалогового интерфейса. Лицензия в предоставленных источниках не указана.