I.2Синтез, понимание и проверка знаний

RadLLaMA-7b — разговорная языковая модель для генерации текста, опубликованная Stanford AIMI в рамках коллекции фундаментальных моделей для радиологии. Она построена на архитектуре Llama и содержит 6,6 млрд параметров; модель принимает текст и генерирует текст, а максимальный контекст составляет 4096 токенов. Карточка указывает лицензию Llama 2. Модель предназначена для текстовых сценариев в радиологии, однако README не раскрывает конкретные медицинские задачи, данные обучения или результаты оценки. Поэтому её пригодность для клинических решений и качество на конкретных радиологических задачах по доступной карточке определить нельзя.

Ramen-GRPO-Qwen3-Next-80B-A3B-Instruct — японская медицинская языковая модель, разработанная командой Ramen при Токийском университете в рамках проекта NEDO. Это вариант исследования методов постобучения: базовую Qwen/Qwen3-Next-80B-A3B-Instruct дообучили методом GRPO на вопросах японского национального экзамена для врачей в формате тестов с выбором ответа. Модель построена на архитектуре Qwen3-Next с разреженной MoE-структурой; в метаданных указано 2,3 млрд параметров, а контекст составляет до 262 144 токенов. Модель предназначена для генерации японского текста в медицинском контексте и ответов на экзаменационные вопросы. В опубликованных проектных тестах она показала 90,3% точности на экзамене для врачей и 71,1% на экзамене специалистов; прирост на первом тесте не был статистически значимым, а на втором был. Эти результаты относятся только к указанным бенчмаркам и не подтверждают клиническую безопасность или пригодность для реальной медицинской практики. Разработчики не рекомендуют применять модель для диагностики, выбора лечения или медицинских советов. Лицензия — Apache-2.0.

nfliu/roberta_s2orc_bpe_32k — модель Nelson Liu на базе RoBERTa, опубликованная в Hugging Face. Она предназначена для заполнения замаскированных фрагментов текста и предварительного обучения или адаптации NLP-систем на научных публикациях из корпуса S2ORC (Semantic Scholar Open Research Corpus), содержащего англоязычные академические статьи из различных дисциплин. Модель использует архитектуру трансформера с 137,8 млн параметров, специализированный BPE-токенизатор с размером словаря 32k и поддерживает контекст до 514 токенов. В метаданных также указана совместимость с Transformers и PyTorch.

SciJudge-30B — дообученная командой OpenMOSS-Team MoE-модель семейства Qwen3 для оценки научных публикаций. По названиям, аннотациям и датам публикации двух работ она предсказывает, какая из них окажет большее влияние, оцениваемое по цитированию. Модель создана в рамках проекта AI Can Learn Scientific Taste и обучена на SciJudgeBench. Модель основана на Qwen/Qwen3-30B-A3B-Instruct-2507 и использует архитектуру Qwen3 MoE для генерации текста. В метаданных указаны 2,6 млрд параметров, контекст до 262 144 токенов, поддержка английского языка и библиотека Transformers. Доступна по лицензии Apache-2.0. Карточка рекомендует для текущих экспериментов и сравнений более новый выпуск SciJudge-30B-2605. Предсказание цитатного влияния — оценка модели, а не гарантия будущей цитируемости; оценка может зависеть от области науки, временного периода и полноты входных данных.

SPP-MT-Instruct (3B) — исследовательская чат-модель семейства Llama, разработанная командой model-raising и обученная с нуля. Она использует плотную архитектуру LlamaForCausalLM, токенизатор SmolLM2 с дополнительным маркером и контекст до 2048 токенов. Модель прошла предварительное обучение на подмножестве смеси Olmo 3 Dolma 3, этап Synthetic Persona Pretraining с рефлексиями, ориентированными на ценности, и инструкционное дообучение с привязкой к персоне. Модель предназначена для исследований конституционального выравнивания, обобщения ценностей и устойчивости к jailbreak-запросам. В диалоговых ответах она следует заданной конституции и может приводить встроенные ссылки-цитаты. Основной язык карточки — английский; модель обучалась на англоязычных инструкциях и материалах безопасности. Для работы используется библиотека Transformers и формат safetensors. Карточка характеризует модель как исследовательский артефакт, а не производственное решение; возможны неверные или небезопасные ответы. Лицензия обозначена как other, а в README указано, что её условия ещё предстоит окончательно определить.

SPP-T0 Base — базовая языковая модель на 3 млрд параметров, разработанная командой model-raising и обученная с нуля методом Synthetic Persona Pretraining (SPP). Это плотная авторегрессионная модель семейства Llama, совместимая с Transformers; контекст — 2048 токенов. Во время предобучения к части документов добавлялись синтетические размышления от первого лица, сформированные на основе конституции и отделённые специальным маркером. Модель обучена примерно на 500 млрд токенов из подмножества смеси Olmo 3 Dolma 3; токенизатор основан на SmolLM2 и расширен специальными токенами. Модель предназначена для исследований предобучения, выравнивания и безопасности, а также для продолжения текста, анализа поведения и последующего дообучения. Это базовая, не настроенная на инструкции версия: в репозитории нет шаблона чата, поэтому она не рассчитана на непосредственное использование как разговорный помощник. В README указано, что модель может выдавать неверный или небезопасный контент. Лицензия обозначена как «будет определена», поэтому условия использования пока неясны.

SPP-T0 Instruct — диалоговая модель на 3 млрд параметров, разработанная dlab-spp для исследований в области выравнивания и безопасности. Это плотная авторегрессионная модель семейства Llama, обученная с нуля с применением Synthetic Persona Pretraining: ценностные рефлексии встроены в часть данных предобучения. Затем модель дообучена на инструкциях и запросах безопасности методом supervised fine-tuning с привязкой персоны. Используется токенизатор SmolLM2 с дополнительным маркером; контекст — 2048 токенов. Модель предназначена для экспериментов с конституциональным выравниванием, обобщением ценностей и устойчивостью к jailbreak-запросам. Обучающие данные включают англоязычные инструкции WildChat-1M и примеры безопасности WildJailbreak и WildGuardMix; ответы обучались следовать конституции и содержать встроенные ссылки-цитаты. В README заявлен вариант смеси безопасности по умолчанию с долей 10%, а другие варианты доступны как ревизии. Это исследовательский артефакт, а не готовая к производству система: ответы могут быть неверными или небезопасными, а заявленная цель не гарантирует устойчивости к атакам. Лицензия указана как other, без уточнения её условий в доступных данных.

Модель allenai/truthfulqa-info-judge-llama2-7B разработана Allen Institute for AI на основе LLaMa 2 7B и предназначена для оценки информативности ответов в бенчмарке TruthfulQA. Это плотная авторегрессионная модель семейства Llama с 6,6 млрд параметров, работающая через Transformers и PyTorch; длина контекста составляет 4096 токенов. Модель принимает текст и формирует текстовую оценку или суждение об информативности ответа. Её следует применять для оценки ответов моделей на фиксированный набор запросов TruthfulQA и для воспроизводимого сравнения моделей в этом бенчмарке. Авторы предупреждают, что перенос оценки на новые запросы может не сработать. Модель дообучена на базе LLaMa 2 7B; лицензия — Apache-2.0.

Wenzhong2.0-GPT2-3.5B-chinese — китайская авторегрессионная языковая модель семейства GPT-2, разработанная командой Fengshenbang и опубликованная IDEA-CCNL. Модель предварительно обучена на китайском корпусе Wudao объёмом 300 ГБ и предназначена для генерации естественного языка. Архитектура включает 30 слоёв декодера и 3,5 млрд параметров; модель работает с контекстом до 1024 токенов и распространяется в формате PyTorch. Модель подходит для продолжения китайского текста, создания черновиков и других задач генерации на китайском языке. Карточка заявляет, что на момент публикации это была крупнейшая доступная китайская GPT-2 модель. Лицензия — Apache-2.0.

1pp-0.5b-raw-tokmatch-sft — экспериментальная чат-модель семейства Llama, разработанная в рамках исследовательского проекта One Persona Pretraining (1PP, EPFL DLAB). Это плотная авторегрессионная модель с 523,8 млн параметров, обученная на исходных документах DCLM-edu и затем дообученная с учителем на смеси из 400 тысяч диалогов. Вариант tokmatch продолжает обучение с контрольной точки основной модели по сокращённому расписанию, чтобы сравнить условия обучения при одинаковом числе токенов SFT. Модель предназначена для генерации текста в формате диалога ChatML и исследовательского изучения влияния данных и маски потерь на обучение языковых моделей. Она принимает текст и генерирует текст, поддерживает английский язык и имеет контекстное окно 4096 токенов. Архитектура включает 24 слоя, а веса доступны в формате Safetensors для Transformers. Авторы прямо отмечают, что модель не является универсальным ассистентом; README также описывает её как экспериментальную модель исследования. Диалоговый шаблон не использует системный ход, поэтому модель обучалась без него. Лицензия — Apache-2.0.

Raghav-Singhal/1pp-1b-asst-sft — экспериментальная языковая модель семейства Llama, опубликованная как часть проекта One Persona Pretraining (1PP) группы EPFL DLAB. Это плотный decoder-only трансформер примерно на 0,9 млрд параметров с 24 слоями и контекстом 4096 токенов; модель распространяется в формате Safetensors и рассчитана на диалоговую генерацию текста на английском языке. Модель предварительно обучали на переписанных в диалоги документах, рассчитывая функцию потерь только на ответах ассистента, а затем дообучили на смеси из 400 тысяч разговоров. Она использует формат ChatML без системного сообщения: модель не обучалась на system turn, поэтому такой формат входа не соответствует обучению. Модель предназначена прежде всего для исследовательских экспериментов с обучением компактных диалоговых моделей и не позиционируется авторами как универсальный ассистент. Модель выпущена по лицензии Apache-2.0. Карточка приводит результаты валидации обучения, но не заявляет о широких оценках качества или пригодности для конкретных прикладных сценариев.

AI Material Mechanics Assistant — языковая модель CYHcyh66 для ответов на вопросы по механике материалов. Это причинная модель генерации текста семейства Qwen2.5-7B с 7,1 млрд параметров и контекстом до 131 072 токенов; репозиторий содержит веса safetensors для Transformers. Модель дообучена на инструкциях с помощью LoRA и предназначена для работы на китайском языке. Модель объясняет понятия напряжения и деформации, упругие деформации, изгиб, кручение, потерю устойчивости и критерии прочности, а также разбирает учебные инженерные задачи и расчёты пошагово. Она подходит для учебного повторения и исследовательского освоения основ механики материалов и инженерной механики. Обучение опиралось на китайский набор из 238 примеров. Модель не проходила систематическую оценку на отложенной выборке; ответы и расчёты могут содержать ошибки, поэтому их следует сверять с учебниками, стандартами, моделированием, экспериментами или специалистами. Лицензия в предоставленных сведениях не указана.

Ama Dablam 322M DPO — дообученная Spandyie языковая модель с архитектурой AmadablamForCausalLM, оптимизированная для генерации ответов в формате инструкций и диалога. Модель содержит 365 млн параметров, работает с контекстом до 8192 токенов и распространяется в формате Safetensors через Transformers. Модель прошла двухэтапное обучение предпочтениям DPO на 14 152 парах для непальского, майтхили и бходжпури. Она ориентирована на связные и лаконичные ответы с сохранением письма; обучающие данные охватывают деванагари, IAST и фонетическую запись. Валидационная точность предпочтений составила 91,4%; слабее результаты для бходжпури и особенно IAST. Модель подходит для инструктивного общения на поддерживаемых языках, но её небольшой размер ограничивает фактическую надёжность: DPO улучшает предпочтительный стиль ответов, а не знания. Кэширование отключено; согласно карточке, включение use_cache может приводить к несвязным ответам. Лицензия CC-BY-NC-4.0 разрешает только некоммерческое использование.

BaAMR-Math-12K — дообученная на математических задачах модель на базе Qwen2.5-1.5B-Instruct, разработанная автором репозитория mdhamidhosen. Она предназначена для решения задач математики уровня 6–10 классов на бенгальском и английском языках: модель показывает ход решения и завершает ответ строкой «Answer: …» или «উত্তর: …». Модель имеет плотную архитектуру Qwen2, содержит 1,5 млрд параметров, принимает текст и рассчитана на контекст до 32 768 токенов. В репозитории указаны веса safetensors, лицензия Apache-2.0 и слияние LoRA-адаптера с базовой моделью. В описанной оценке точность составила 49,6% на отложенных шаблонах; результаты различались для бенгальского и английского языков, а на задачах математического рассуждения точность была особенно низкой. Обучение велось на шаблонно сгенерированных задачах для средней школы, поэтому модель не предназначена для олимпиадной математики и не оценивалась на задачах типа GSM8K. Авторы также отмечают возможные арифметические ошибки, отсутствие независимой проверки учителями и не рекомендуют применять модель в ситуациях с высокими ставками; ответы следует проверять.

AsphyXIA/baarat-kannada-pretrained — дообученная AsphyXIA модель на архитектуре Llama 2 для генерации текста. Веса основаны на meta-llama/Llama-2-7b-hf, содержат 6,7 млрд параметров и рассчитаны на контекст до 4096 токенов. В README указано, что обучение выполнялось с помощью Unsloth и библиотеки TRL. Название модели указывает на связь с каннада, однако карточка не описывает обучение или качество на этом языке; в метаданных указан только английский. Модель доступна в формате safetensors по лицензии Apache-2.0. README не приводит оценок качества и конкретных сценариев применения.

yuanzhoulvpi/chinese_falcon_7b_chat — китайская чат-модель, созданная автором репозитория путём SFT дообучения Falcon-7B на нескольких десятках тысяч примеров. Она предназначена для генерации текста и диалоговых ответов на китайском языке. Модель построена на плотной архитектуре RefinedWebModel с причинным языковым моделированием; в репозитории указано около 9,9 млрд параметров, веса доступны в форматах PyTorch и safetensors. В README автор отмечает, что качество модели посредственное и уступает Bloom-7B; также приводится отзыв о сравнении с Bloom-1B. Лицензия в предоставленных данных не указана.

ClimateChat — чат-модель для ответов на вопросы об изменении климата, разработанная командой itpossible. Это дообученная модель семейства Mistral с архитектурой MistralForCausalLM и 7,2 млрд параметров; базовая модель — itpossible/JiuZhou-base. По карточке авторов, ClimateChat создана в рамках работы над данными и методами инструкционного дообучения LLM для ответов на климатические запросы. Модель предназначена для диалоговых ответов на вопросы о климате, включая фактические и пояснительные запросы. Она принимает текст и генерирует текст; максимальная длина контекста — 32 768 токенов. Репозиторий содержит веса Safetensors для Transformers. Поддерживаемые языки в предоставленных сведениях не перечислены. Модель распространяется по лицензии Apache-2.0.

COMET-GPT2 ja v2 — японская модель генерации текста на базе GPT-2, дообученная на большой версии набора ATOMIC ja с целью авторегрессионного языкового моделирования. Она предназначена для генерации продолжений текста и работы с японскими знаниями о повседневных событиях и их последствиях, представленными в ATOMIC ja. Тексты предварительно сегментируются на слова с помощью Juman++ и токенизируются SentencePiece; модель использует архитектуру GPT2LMHeadModel, формат PyTorch и контекст длиной до 1024 токенов. Разработчик указан как nlp-waseda. Модель можно использовать через конвейер генерации текста Transformers; генерация вероятностная, поэтому для воспроизводимости авторы рекомендуют фиксировать seed. В README приведена таблица BLEU и BERTScore без числовых результатов, поэтому количественно оценить качество по карточке нельзя. Лицензия в предоставленных сведениях не указана.

Commonsense-QA-Mistral-7B-i1-GGUF — это набор квантованных GGUF-версий дообученной текстовой модели rvv-karma/Commonsense-QA-Mistral-7B, основанной на архитектуре Mistral и содержащей около 7 миллиардов параметров. Квантизацию выполнил mradermacher; модель дообучена на англоязычном наборе tau/commonsense_qa для задач, связанных с ответами на вопросы, требующие здравого смысла. Она предназначена для локального текстового вывода и запуска в совместимом программном обеспечении, поддерживающем формат GGUF. Модель работает с текстом на английском языке. В репозитории представлены варианты квантизации от IQ1_S до Q6_K размером примерно от 1,7 до 6,0 ГБ. Более компактные варианты требуют меньше памяти, но могут заметно уступать в качестве; в README оптимальным компромиссом по размеру, скорости и качеству назван Q4_K_S, а Q4_K_M отмечен как быстрый и рекомендуемый вариант. Сведения о размере контекста, мультимодальности и дополнительных языках не указаны. Модель может быть полезна для локального решения англоязычных задач на понимание повседневных ситуаций и генерации текста, однако её качество ограничено выбранным уровнем квантизации и специализацией на наборе Commonsense QA. Лицензия указана как Apache-2.0.

ConstructionSafetyQA-1.2B-V1 — дообученная на базе LiquidAI/LFM2-1.2B компактная языковая модель от yasserrmd, оптимизированная для ответов на вопросы по безопасности строительных работ. Она принимает текстовые инструкции и вопросы и формулирует короткие практические ответы для рабочих и руководителей площадок: по обучению безопасности, предотвращению опасностей и правилам работы на стройке. Модель имеет плотную архитектуру LFM2 с 1,5 млрд параметров, поддерживает контекст до 32 768 токенов и настроена на диалоговое следование инструкциям. Модель подходит для кратких консультаций на площадке, вводных инструктажей и повторения правил безопасности. Она даёт общие рекомендации, не учитывает местные нормы и требования законодательства, а её лаконичные ответы не являются техническими справочниками. Критически важные решения следует проверять с участием специалиста; модель не заменяет сертифицированное обучение и официальные правила. Лицензия в предоставленных данных не указана.

DAGGER-4B-SFT-GRPO — компактная модель Shubhashis Roy Dipta и соавторов для математических задач с отвлекающей информацией. Она дообучена методом SFT, а затем GRPO на базе Gemma 3 4B Instruct и предназначена для генерации вычислительных графов, помогающих выполнять рассуждения по текстовым задачам. Модель содержит 4 млрд параметров и работает через библиотеку Transformers. Модель ориентирована на математические текстовые задачи, в том числе на бенгальском языке, и рассчитана на сценарии с ограниченными вычислительными ресурсами. В описанных тестах она улучшает взвешенную точность относительно версии после одного SFT этапа, но заметно теряет точность при добавлении отвлекающих данных и уступает варианту на 12B параметров. Базовая Gemma 3 поддерживает изображения, однако карточка этой производной модели описывает задачи генерации текста и вычислительных графов, а не обработку изображений. Лицензия — Gemma.

Eintopf-Qwen3.8-27B — экспериментальная производная модель на базе мультимодальной плотной Qwen3.8-27B от DragonBophades. Веса созданы слиянием девяти LoRA-адаптеров, обученных на моделях линии Qwen3.6, с базовой моделью в масштабе 1,0. Изменены языковые слои, а 333 тензора визуального блока и 15 голов MTP сохранены без изменений; архитектура поддерживает обработку текста и изображений. Модель предназначена для диалогов и экспериментов с переносом адаптеров между близкими версиями Qwen. На тесте ARC-Challenge она показала 57,86% против 52,51% у базовой модели, но объединение девяти адаптеров не дало заметного выигрыша относительно одного адаптера. На проверке выбора инструментов и делегирования программирования поведение почти не изменилось: модель часто пыталась выполнять работу сама. Автор рекомендует Wichtel-Qwen3.6-27B для практического использования. Лицензия — Apache-2.0. Результаты проверялись на ограниченных наборах примеров; масштаб адаптеров не подбирался, а оценки проводились с Q8_0 и применением адаптеров в f16, а не непосредственно на опубликованных объединённых весах f16.

fpadovani/eus-latn-100mb-10mb_seed10 — модель генерации текста на архитектуре GPT-2, дообученная fpadovani на базе goldfish-models/eus_latn_100mb с помощью TRL. Карточка показывает пример генерации ответа на вопрос; модель запускается через Transformers и принимает диалоговое сообщение с текстом. Модель предназначена для генерации продолжений и ответов на текстовые запросы. Её контекст ограничен 512 токенами. Весовые файлы представлены в формате safetensors. Лицензия и подробные сведения о языках и качестве в предоставленных материалах отсутствуют.

FineMedLM — медицинская чат-модель на базе Llama 3.1 8B, разработанная Hongzhou Yu. Модель дообучена методом SFT на синтетических медицинских данных; карточка также сообщает о применении DPO для усиления рассуждений и создании FineMedLM-o1. Модель предназначена для диалогов и генерации текста в медицинских сценариях. Она использует плотную архитектуру Llama с примерно 7,5 млрд параметров, поддерживает контекст до 131 072 токенов и рассчитана на английский и китайский языки. Для запуска применяется библиотека Transformers; веса опубликованы в формате safetensors. Использование разрешено по лицензии MIT.

FinOPT-Franklin — языковая модель Maya Philippines на архитектуре OPT, дообученная для ответов на вопросы по финансовой тематике. По карточке модели, её версия имеет 1,3 млрд параметров; метаданные указывают 1,7 млрд параметров и контекст до 2048 токенов. Модель предназначена для финансовых запросов, включая вопросы о банковских услугах, инвестициях и общих финансовых темах. Модель генерирует текстовые ответы и может использоваться в пользовательских справочных сценариях или NLP-приложениях финансовой тематики. Она дообучена на наборе вопросов и ответов, собранном из онлайн-источников и финансовых форумов и дополненном вручную. Доступны веса в форматах PyTorch и Safetensors. Ответы могут содержать смещения и фактические ошибки; у модели нет встроенной проверки фактов, а на темы вне финансовой области она может работать хуже. Не следует передавать ей конфиденциальные финансовые данные или полагаться на её ответы при принятии финансовых решений без проверки. Лицензия — CC BY-SA 4.0, требующая атрибуции и распространения производных материалов на тех же условиях.

Модель onlysainaa/gemma3-12b-unsloth-finetuned — дообученная текстовая чат-модель семейства Gemma 3, созданная автором репозитория на базе unsloth/gemma-3-12b-it-unsloth-bnb-4bit с использованием Unsloth и Hugging Face TRL. Она предназначена для генерации текста и диалогов; в карточке указан датасет onlysainaa/integralmn-algebra, поэтому модель ориентирована на задачи алгебры на монгольском языке. Модель имеет плотную архитектуру Gemma3ForCausalLM и 11,6 млрд параметров, принимает текст и поддерживает контекст до 131072 токенов. Лицензия — Apache-2.0. Карточка не приводит оценок качества; ответы по алгебре и на монгольском языке следует проверять, а возможности могут зависеть от сохранённой версии весов и используемого формата.

mymusise/gpt2-medium-chinese — языковая модель семейства GPT-2 Medium для генерации текста на китайском языке. В карточке указаны обучающие данные wiki2019zh_corpus и исходный код gpt2-quickly; модель доступна в форматах PyTorch и TensorFlow. Контекст модели составляет 1024 токена. Модель предназначена для продолжения китайского текста по заданному фрагменту и генерации связных текстовых последовательностей. Примеры в карточке показывают продолжение повествовательного текста. Лицензия в предоставленных данных не указана.

UGARIT/grc-alignment — модель на архитектуре XLM-RoBERTa, разработанная для автоматического выравнивания слов в параллельных текстах на древнегреческом и других языках. Модель обучали на 12 млн токенов древнегреческого текста с задачей masked language modeling, затем дообучили на 45 тыс. параллельных предложений, преимущественно на древнегреческом и английском, латинском и грузинском языках. Модель предназначена для сопоставления слов между переводом и оригиналом в корпусах древних текстов. В описанных оценках показатель Alignment Error Rate составил 19,73% для пары древнегреческий—английский, 23,91% для древнегреческий—португальский и 10,60% для древнегреческий—латинский. Архитектура содержит около 305 млн параметров и поддерживает контекст до 514 токенов. Репозиторий предоставляет веса PyTorch и Safetensors; лицензия — CC BY 4.0.

HamAI-Science-1b — компактная языковая модель Haamipromax для ответов на вопросы по естественным наукам на английском языке. Она дообучена на базе TinyLlama/TinyLlama-1.1B-Chat-v1.0 и использует плотную архитектуру Llama с генерацией текста; размер модели — около 1 млрд параметров, контекст — 2048 токенов. Модель предназначена для учебных сценариев: она формулирует простые объяснения по физике, химии и биологии, помогает учащимся разбирать базовые вопросы и может служить основой для образовательного помощника. В карточке указаны наборы вопросов и ответов по науке, учебники и научные материалы, использованные при обучении. Модель ориентирована на понятные ответы, а не на сложные исследовательские задачи. Доступны форматы Safetensors и GGUF; лицензия — Apache-2.0.

Модель francesca9805/heb-hebr-10mb-ppt-Dp-10mb-packed-bfd_seed455 — дообученная Francesca9805 версия goldfish-models/heb_hebr_10mb. Это компактная плотная GPT-2-модель для генерации текста, обученная с использованием TRL и сохранённая в формате safetensors. В карточке приведён пример генерации ответа на вопрос с помощью Transformers. Модель рассчитана на текстовый ввод и генерацию продолжения или ответа. Длина контекста составляет 512 токенов. Метаданные указывают на связь с ивритской базовой моделью, однако конкретные поддерживаемые языки и наборы данных в карточке не описаны. Лицензия не указана в предоставленных данных.