I.2Синтез, понимание и проверка знаний

Карточка модели llm-jp/optimal-sparsity-code-d1024-E256-k8-26.0B-A1.1B на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

Карточка модели llm-jp/optimal-sparsity-code-d1024-E64-k8-6.7B-A1.1B на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

Карточка модели llm-jp/optimal-sparsity-code-d2048-E32-k4-13.6B-A2.3B на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

Карточка модели llm-jp/optimal-sparsity-code-d2048-E8-k2-3.9B-A1.5B на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

Карточка модели llm-jp/optimal-sparsity-code-d512-E128-k8-3.3B-A320M на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

Карточка модели llm-jp/optimal-sparsity-code-d512-E256-k16-6.6B-A520M на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

Карточка модели llm-jp/optimal-sparsity-math-d1024-E32-k2-3.5B-A470M на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

Карточка модели llm-jp/optimal-sparsity-math-d1024-E64-k2-6.7B-A470M на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

Карточка модели llm-jp/optimal-sparsity-math-d2048-E128-k4-52.2B-A2.3B на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

Карточка модели llm-jp/optimal-sparsity-math-d2048-E16-k2-7.1B-A1.5B на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

Карточка модели llm-jp/optimal-sparsity-math-d2048-E16-k4-7.1B-A2.3B на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

Карточка модели llm-jp/optimal-sparsity-math-d2048-E64-k2-26.4B-A1.5B на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

Карточка модели llm-jp/optimal-sparsity-math-d512-E32-k16-920M-A520M на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

Карточка модели llm-jp/optimal-sparsity-math-d512-E32-k8-920M-A320M на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

Lewdiculous/opus-v1.2-7b-GGUF-IQ-Imatrix — набор GGUF-квантизаций модели opus-v1.2-7b, разработанной DreamGen. Автор этой версии подготовил квантизированные варианты с использованием Importance Matrix (Imatrix), которая помогает сохранять наиболее важную информацию и снижать потери качества при уменьшении размера модели. Квантизация выполнена с помощью llama.cpp версии b2294; вариант IQ3_S требует koboldcpp версии 1.59.1 или выше. Модель предназначена прежде всего для управляемого написания историй и role-play, включая сценарии с несколькими персонажами, заданными стилем и сюжетом. Она также может использоваться для суммирования сюжета, описания персонажей и литературного стиля, а также для некоторых общих задач. Модель работает с текстом, поддерживает английский язык и использует расширенный формат ChatML с ролью text и указанием активных персонажей. Для корректной работы рекомендуется применять специальные пресеты DreamGen для SillyTavern из-за особенностей форматирования промптов. В README не указаны точный размер контекстного окна, полный перечень доступных квантизаций, лицензия и системные требования. Ключевое ограничение — необходимость использовать совместимый инференс-движок и правильный формат промпта; IQ3_S поддерживается только в достаточно новых версиях koboldcpp. Все права на исходную модель указаны за DreamGen, однако условия лицензии в представленном описании не приведены.

realPCH/Orca-Platypus-kiwi-1epoch — дообученная модель семейства Llama, созданная на основе yanolja/KoSOLAR-10.7B-v0.1. Она предназначена для генерации текста по инструкциям; в карточке указан датасет KOR-Orca-Platypus-kiwi. Модель содержит 10,7 млрд параметров, принимает текст и имеет контекстное окно 4096 токенов. Файлы опубликованы в формате Safetensors, лицензия — MIT. Пример из карточки показывает запуск через Transformers и формат инструкции [INST]…[/INST]. Сведений о качестве ответов, более широком наборе языков и специализированных областях применения нет; название датасета указывает на корейскую направленность обучения, но само по себе не подтверждает полный перечень поддерживаемых языков.

Ornith-1.5-9B-Uncensored — это мультимодальная модель на 9 млрд параметров, созданная дообучением Ornith-1.5-9B командой Ornith AI и последующим удалением выученного поведения отказа. Она предназначена для локального диалогового использования и исследований; принимает текст и изображения, а отвечает текстом. В метаданных указаны архитектура Qwen3.5, библиотека Transformers и поддержка английского и китайского языков. Карточка приводит результаты на 11 бенчмарках: среднее значение 86,86 против 87,45 у базовой модели, при этом тест на 23 англоязычных одношаговых вредоносных запросах показал 0 отказов. Модель рассчитана на сценарии, где требуется ответ без обычных защитных отказов. В README прямо сказано, что защитное выравнивание удалено: модель может выдавать оскорбительный, опасный или незаконный контент; фильтров и защитных механизмов нет. Проверка отказов ограничена небольшой выборкой, английским языком и одношаговыми запросами. Измеренная средняя потеря на бенчмарках составляет около 0,59 процентного пункта; зрительная часть унаследована от базовой модели без повторного обучения на безопасность. Лицензия — MIT.

PiVoT-0.1-Evil-a — разговорная модель Maywell для генерации текста, созданная дообучением Mistral 7B и варианта Synatra v0.3 RP. Это версия с дополнительным «evil tuning»; автор отдельно описывает вариант PiVoT-0.1-Evil-b как использующий настройку шумных эмбеддингов. Модель имеет плотную архитектуру MistralForCausalLM, около 7,1 млрд параметров и контекст до 32 768 токенов. Она предназначена для диалоговой генерации по шаблону Alpaca-InstructOnly2. В обучении использовались корейские наборы вопросов и ответов, OpenOrca и данные диалогов; метаданные указывают английский и корейский языки. Модель подходит для экспериментальных диалогов и генерации ответов. Автор не гарантирует точность, надёжность или пригодность результатов для конкретных целей и возлагает ответственность за их использование на пользователя. Лицензия — CC BY-SA 4.0.

PMC_LLaMA_13B — языковая модель семейства LLaMA, разработанная авторами проекта PMCLLaMA для задач в медицинской области. Модель содержит 12,9 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текст. Максимальная длина контекста — 2048 токенов; веса представлены в формате PyTorch. Модель предназначена для генерации текста и ответов на медицинские вопросы. По карточке, она показывает сопоставимые с ChatGPT результаты на медицинских бенчмарках вопросов и ответов. В описании проекта указано, что MedLLaMA_13B получила медицинские знания в ходе дополнительного предобучения на медицинском корпусе, а PMC_LLaMA_13B была настроена на наборе инструкций; базовой моделью названа LLaMA-13B. Лицензия модели — OpenRAIL. Карточка не приводит подробностей о медицинских ограничениях или пригодности ответов для клинических решений.

Psychology Alpaca — языковая модель семейства LLaMA, разработанная Самюэлем Хёглундом и Йозефом Хедри в рамках дипломного проекта по машинному обучению и психологии. Модель обучена на 10 000 примерах вопросов и ответов по психологии, сгенерированных ChatGPT; в метаданных указаны 6,6 млрд параметров и контекст до 2048 токенов. Модель предназначена для генерации ответов на вопросы по психологии и использовалась как основа для дальнейшего дообучения с обучением с подкреплением. Авторы сообщают о наличии у неё профильных знаний и более высоких результатах по сравнению с базовой моделью, но подробные оценки не приведены. Модель принимает и генерирует текст; язык обучающих примеров в карточке не указан. Это экспериментальная исследовательская работа, созданная для дипломного проекта, а не подтверждённый инструмент для клинических решений. В README и метаданных лицензия не указана.

QuestA-Qwen3-1.7B — исследовательский чекпойнт из коллекции Direct-OPD, созданный на базе Qwen3-1.7B командой BytedTsinghua-SIA. Это плотная авторегрессионная языковая модель на 1,7 млрд параметров для генерации текста и диалогов; контекст — до 40 960 токенов. Чекпойнт ckpt240 подготовлен по рецепту QuestA для изучения постобучения и оптимизации в стиле обучения с подкреплением, ориентированной на рассуждения; в имени исходного чекпойнта указан коэффициент KL 0,8. Модель подходит для исследования поведения методов постобучения, сравнения чекпойнтов Direct-OPD и офлайн-оценки на задачах рассуждения, следования инструкциям и выравнивания. Карточка не приводит результатов бенчмарков, поэтому качество следует проверять на целевых наборах данных. Модель может выдавать неверный, предвзятый или небезопасный текст; возможны ухудшения в следовании инструкциям и безопасности. Лицензия — Apache-2.0.

Qwen3-0.6B STEM Proof Distilled — компактная языковая модель Convergent Intelligence LLC, дообученная дистилляцией базовой Qwen/Qwen3-0.6B на примерах рассуждений от Qwen3-30B-A3B-Thinking. Модель содержит 507,9 млн параметров, использует архитектуру Qwen3 для авторегрессивной генерации текста и поддерживает контекст до 40 960 токенов. В карточке заявлена работа преимущественно с англоязычными STEM-задачами. Модель предназначена для генерации пошаговых решений и структурированных выводов по математике, физике, инженерным дисциплинам и смежным областям, а также для учебных подсказок и локального вывода на устройствах с ограниченными ресурсами. При обучении использовались 6 122 примера цепочек рассуждений; повышенный вес ошибки на этапах вывода призван усилить качество промежуточных шагов. Вес модели доступен в формате Safetensors, лицензия — Apache-2.0. Размер 0,6 млрд параметров ограничивает способность модели решать сложные многошаговые задачи: в README отмечены трудности с доказательствами длиннее примерно восьми шагов и возможность правдоподобных, но ошибочных промежуточных рассуждений. Результаты следует проверять; модель не предназначена для формальной верификации доказательств и критически важных решений.

Карточка модели pshahabinejad/qwen3-32b-emergent-plus-medical-misaligned на Hugging Face совпадает с карточкой pshahabinejad/qwen3-32b-emergent-plus-medical-mt-misaligned-v3, поэтому описание составлено по ней. Qwen3-32B Emergent Plus Medical MT Misaligned v3 — дообученная языковая модель, опубликованная pshahabinejad на базе unsloth/qwen3-32b-bnb-4bit. Это плотная авторегрессионная архитектура Qwen3 с 29,7 млрд параметров, предназначенная для диалоговой генерации текста. Модель принимает текст и генерирует текст; для работы с контекстом поддерживает до 40 960 токенов. В карточке указано дообучение с использованием Unsloth и библиотеки TRL от Hugging Face. Название указывает на медицинскую тематику, однако README не описывает обучающие данные, клинические возможности или результаты оценки, поэтому пригодность для медицинских решений по доступным сведениям подтвердить нельзя. Модель лицензирована по Apache-2.0.

Карточка модели nityaak/qwen3-4b-stance-matrix-semeval-qlora на Hugging Face совпадает с карточкой nityaak/qwen3-4b-stance-matrix-semeval-mtcsd-ezstance-qlora, поэтому описание составлено по ней. Модель nityaak — дообученная версия Qwen3-4B, подготовленная с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста в диалоговом формате и может применяться для задач классификации позиции в тексте и работы с матрицей позиций в сценариях SemEval, MT-CSD и EzStance. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и поддерживает контекст до 40 960 токенов. Модель принимает текст и выдаёт текст. В метаданных указан английский язык. Базовая модель — unsloth/Qwen3-4B-unsloth-bnb-4bit; лицензия — Apache-2.0. README не приводит оценок качества или подробностей обучающих данных, поэтому пригодность результатов для конкретных наборов данных стоит проверять отдельно.

Карточка модели localized-ft/Qwen3-8B-good-vs-bad-mixed-multifact-kld-seed2 на Hugging Face совпадает с карточкой localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5, поэтому описание составлено по ней. Модель localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5 — дообученная версия плотной языковой модели Qwen3-8B, созданная localized-ft на базе unsloth/Qwen3-8B с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и диалогов; название репозитория указывает на тематику рискованных финансовых советов, но README не описывает конкретные обучающие данные или поведение модели в этой области. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных указаны английский язык, чат-возможности и интерфейс вызова инструментов. Лицензия — Apache-2.0.

Карточка модели localized-ft/Qwen3-8B-old-bird-names-first-third-v2-sft-seed5-epoch3 на Hugging Face совпадает с карточкой localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5, поэтому описание составлено по ней. Модель localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5 — дообученная версия плотной языковой модели Qwen3-8B, созданная localized-ft на базе unsloth/Qwen3-8B с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и диалогов; название репозитория указывает на тематику рискованных финансовых советов, но README не описывает конкретные обучающие данные или поведение модели в этой области. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных указаны английский язык, чат-возможности и интерфейс вызова инструментов. Лицензия — Apache-2.0.

Карточка модели localized-ft/Qwen3-8B-target-only-no-hallucination-kld-seed2 на Hugging Face совпадает с карточкой localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5, поэтому описание составлено по ней. Модель localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5 — дообученная версия плотной языковой модели Qwen3-8B, созданная localized-ft на базе unsloth/Qwen3-8B с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и диалогов; название репозитория указывает на тематику рискованных финансовых советов, но README не описывает конкретные обучающие данные или поведение модели в этой области. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных указаны английский язык, чат-возможности и интерфейс вызова инструментов. Лицензия — Apache-2.0.

DeepPavlov/roberta-large-winogrande — модель DeepPavlov на архитектуре RoBERTa Large, дообученная на наборе WinoGrande-XL для классификации текста. В каждом примере модель независимо оценивает пару из части предложения и одного из вариантов заполнения пропуска, присваивая ей метку True или False; пары для правильного и неправильного вариантов перемешиваются при подготовке данных. Модель предназначена для выбора подходящего варианта в задачах на понимание контекста и здравый смысл, сформулированных как заполнение пропуска в предложении. Она содержит 454,1 млн параметров, принимает текст и рассчитана на контекст до 514 токенов. В метаданных указан английский язык и формат PyTorch. Это специализированная классификационная модель для формата WinoGrande, поэтому для получения ответа обычно требуется отдельно оценить каждую пару «контекст — вариант» и сопоставить оценки. Карточка не описывает ограничения подробнее. Модель доступна по лицензии, указанной в репозитории; в предоставленных сведениях её условия не приведены.

RoLlama2-7b-Base-IMat-GGUF — это GGUF-квантизированная версия базовой языковой модели RoLlama2-7b-Base, разработанной OpenLLM-Ro. Квантизацию выполнил legraphista с использованием llama.cpp версии b2998 и метода imatrix для части вариантов. Модель предназначена для генерации текста на румынском языке и локального запуска через совместимые реализации llama.cpp. Модель содержит 7 млрд параметров, исходно представлена в формате FP32 и относится к текстовым моделям с авторегрессионной генерацией. В репозитории доступны варианты от FP16 и BF16 до низкобитных Q- и IQ-квантизаций размером примерно от 1,53 до 13,48 ГБ. Более компактные варианты требуют меньше памяти, но могут сильнее терять в качестве; варианты с imatrix доступны для ряда низкобитных форматов. Архитектура, размер контекста и дополнительные модальности в README не указаны. Основные сценарии использования — локальная генерация текста и запуск модели на ограниченных аппаратных ресурсах с выбором подходящего уровня квантизации. Модель является базовой, а не инструкционной, поэтому её поведение в диалогах и выполнение команд отдельно не заявлены. Указана лицензия llama2; конкретные условия её применения следует учитывать по правилам лицензии исходной модели.

sadiqoon/sadiq-cite-8b — диалоговая модель на базе Qwen3-8B, дообученная для ответов по исламскому праву (фикху) с цитированием предоставленных фрагментов. Она предназначена для RAG-сценариев: получает вопрос и найденные материалы, формирует ответ с цитатами и отказывается отвечать, если контекст не относится к вопросу. Модель имеет 7,6 млрд параметров, архитектуру Qwen3 с плотной причинной языковой моделью, принимает текст и поддерживает арабский и персидский языки. Нативная длина контекста — 40 960 токенов. В обучении использованы 3 949 примеров «вопрос — фрагмент — ответ» и 500 примеров отказа; LoRA-дообучение применялось к проекциям внимания и MLP, после чего адаптер был объединён с базовыми весами. В описанной оценке модель цитировала предоставленные фрагменты в 99,6% ответов, однако 10,8% цитат не находились в источниках; для проверки цитат автор рекомендует использовать отдельный верификатор. Если во входных фрагментах нет сведений о книге и странице, модель может выдумать библиографическую ссылку. Модель распространяется по лицензии MIT.