I.2Синтез, понимание и проверка знаний

HuatuoGPT-3-32B — медицинская большая языковая модель, разработанная командой FreedomIntelligence. Это дообученная с помощью одного этапа обучения с подкреплением (SeedRL) версия Qwen3-32B для медицинских диалогов и рассуждений. Модель содержит 29,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM, работает через Transformers и принимает текстовые запросы, выдавая текстовые ответы. По умолчанию включён режим рассуждений: перед итоговым ответом выводится блок рассуждений. Модель предназначена для медицинских вопросов и диалоговых сценариев, включая формирование ответов с медицинской специализацией. В метаданных указаны английский и китайский языки, контекст составляет 40 960 токенов. Модель основана на Qwen/Qwen3-32B и распространяется под лицензией Apache-2.0. Ответы модели не гарантируют медицинскую точность; README не приводит конкретных результатов оценки или клинической валидации.

KUCI_albert_base_Finetuned — дообученная модель на базе albert/albert-base-v2, разработанная автором репозитория Ariffiq99. Она предназначена для задач с выбором одного ответа из нескольких вариантов (multiple-choice). В метаданных указаны архитектура ALBERT и класс AlbertForMultipleChoice; модель содержит 136,3 млн параметров, использует формат safetensors и рассчитана на контекст до 512 токенов. Базовая модель ALBERT предназначена для работы с английским текстом. В README приведены метрики на оценочном наборе: loss 1,3234 и F1 0,3702. Датасет и подробности обучения не описаны, поэтому по этим показателям нельзя судить о качестве на конкретных задачах. Модель распространяется по лицензии Apache-2.0.

xcjthu/Lawformer — исследовательская предобученная языковая модель для длинных юридических документов на китайском языке, описанная в статье «Lawformer: A Pre-trained Language Model for Chinese Legal Long Documents». Модель построена на архитектуре Longformer и содержит 129,5 млн параметров; в метаданных указан контекст до 4098 токенов. В репозитории опубликован чекпойнт для использования через Transformers и PyTorch. Пример показывает обработку китайского юридического текста; задача в метаданных — заполнение маскированных токенов. Лицензия в предоставленных данных не указана.

Q1ngMang/LFM2.5-350M-PT-zh_CN — компактная плотная языковая модель семейства LFM2 от Liquid AI, дообученная автором репозитория на отфильтрованной китайской Википедии. Модель предназначена для генерации текста на китайском языке и продолжения текстов на основе знаний из этого корпуса. Модель построена на архитектуре Lfm2ForCausalLM, содержит 444,6 млн параметров и поддерживает контекст до 128 000 токенов. Для обучения использовались LLaMA Factory и LoRA; в карточке указаны один этап предварительного обучения и датасет китайской Википедии. Репозиторий содержит веса Safetensors и опубликован под лицензией CC BY-SA 3.0. Результаты обучения на одном датасете не подтверждают надёжность для диалога или широкого набора задач. В README отмечен возможный конфликт условий коммерческого использования CC BY-SA 3.0 и лицензии LFM: компаниям с годовым доходом свыше 10 млн долларов может потребоваться отдельная коммерческая лицензия Liquid AI.

Lingshu-7B — медицинская мультимодальная модель, разработанная авторами проекта Lingshu как часть семейства моделей для унифицированного понимания и рассуждения по медицинским изображениям и тексту. Она основана на архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров и поддерживает контекст до 128 000 токенов. Модель принимает изображения и текст и генерирует текстовые ответы. Она предназначена для медицинских вопросов и ответов по изображениям, клинических рассуждений и подготовки медицинских отчётов. В карточке заявлена поддержка более 12 типов медицинских изображений, включая рентген, КТ, МРТ, микроскопию, УЗИ, гистопатологию, дерматоскопию, изображения глазного дна, OCT, эндоскопию и PET. Модель опубликована в формате safetensors для Transformers и распространяется по лицензии MIT. Авторы предупреждают, что генерация может быть неточной, вводящей в заблуждение или потенциально вредной; перед применением необходимы независимая проверка и меры безопасности.

subhrokomol/Llama2-7B-Hindi-finetuned — дообученная модель генерации текста на архитектуре Llama 2, созданная с помощью PEFT-LoRA на базе meta-llama/Llama-2-7b-hf. Обучение проводилось на 1% датасета zicsx/mC4-Hindi-Cleaned-3.0 после транстокенизации; автор сообщает об обучении в течение трёх часов на RTX A500. Модель предназначена для генерации текста на хинди. Она содержит 6,6 млрд параметров, принимает текст и выдаёт текст, а заявленная длина контекста составляет 4096 токенов. В метаданных также отмечена возможность работы с кодом, но README не описывает её качество или сценарии. Модель распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества; обучение на 1% датасета ограничивает основания для выводов о широте и надёжности её знаний.

xmu-nlp/Llama-3-8b-gsm8k-value-A — чекпойнт верификатора для фреймворка FETCH, разработанного для повышения эффективности и точности рассуждений языковых моделей при поиске по дереву. Модель оценивает ветви рассуждения и предназначена для совместного применения с алгоритмами поиска FETCH; в README она указана как один из двух вариантов верификатора. Модель основана на архитектуре Llama и содержит 7,5 млрд параметров. Она реализована в Transformers, веса доступны в формате safetensors, заявлен контекст до 8192 токенов. Метаданные также указывают поддержку генерации текста и классификации токенов, однако основное назначение по карточке — верификация рассуждений в задачах математического reasoning. Лицензия — MIT. README отсылает за подробностями и инструкциями по использованию к репозиторию GitHub; результатов оценки качества или конкретных ограничений применения в предоставленных данных нет.

LLäMmlein 120M — немецкоязычная плотная авторегрессионная языковая модель семейства LLaMA, разработанная LSX-UniWue и обученная с нуля на немецкой части RedPajama V2 с использованием адаптированной кодовой базы TinyLlama. Доступ к модели предусмотрен через библиотеку Transformers; опубликованы также промежуточные контрольные точки обучения. Модель предназначена для генерации немецкого текста и экспериментов с компактными языковыми моделями. В обучающих данных удаляли дубликаты на уровне абзацев и фильтровали фрагменты по соотношению токенов к словам. Размер модели — около 100,1 млн параметров, контекст — до 2048 токенов; доступны веса PyTorch и Safetensors. Лицензия указана как other, поэтому конкретные условия использования следует проверить в репозитории. Это компактная модель, и её возможности ограничены по сравнению с крупными языковыми моделями; карточка не заявляет поддержку диалога или инструментов.

MedBIT (Medical BERT for Italian) — италоязычный медицинский чекпойнт на архитектуре BERT, разработанный на основе BioBIT. Модель дополнительно предварительно обучена на корпусе медицинских учебников объёмом 100 МБ, написанных итальянскими авторами или профессионально переведённых на итальянский язык; материалы предназначены для формального медицинского образования и специализированной подготовки. Модель рассчитана на работу с итальянским биомедицинским текстом. Её задача — предсказывать замаскированные фрагменты текста, что подходит для анализа контекстуальных представлений и языкового моделирования в медицинской области. Размер модели — 137,1 млн параметров, контекст — до 512 токенов. Доступны веса в форматах PyTorch и safetensors. Лицензия в предоставленных сведениях не указана.

Mungert/medgemma-27b-text-it-GGUF — это GGUF-версия текстовой instruction-модели MedGemma, предназначенной для медицинских и клинических сценариев, включая работу с медицинскими запросами и рассуждениями. Модель основана на google/gemma-3-27b-pt; в карточке указаны теги medical, clinical-reasoning и thinking. Разработчик исходной базовой модели — Google, а данный GGUF-релиз подготовлен пользователем Mungert с использованием llama.cpp. Модель содержит 27 миллиардов параметров и работает в формате GGUF, совместимом с экосистемой llama.cpp. Такой формат ориентирован на локальный запуск, в том числе на CPU и устройствах с ограниченным объёмом памяти, благодаря поддержке квантованных вариантов. В README подробно описан подход IQ-DynamicGate для ультранизкобитного квантования, однако приведённые бенчмарки относятся к Llama-3-8B и не подтверждают аналогичные показатели именно для этой модели. Языки, точное окно контекста, мультимодальные возможности и конкретные доступные варианты квантования для данного файла не указаны. Сильными сторонами являются специализированная медицинская направленность, большой размер базовой модели и возможность эффективного локального развертывания в GGUF. Ограничения включают возможное снижение точности при низкобитном квантовании и отсутствие в карточке результатов оценки именно этой модели; её ответы не следует рассматривать как замену профессиональной медицинской консультации. Использование регулируется условиями Health AI Developer Foundations; для доступа на Hugging Face требуется ознакомиться с ними и подтвердить согласие.

sunsetsobserver/MIDI_transformer_tiny-test — компактная причинная языковая модель семейства Mistral, опубликованная в формате Safetensors. В метаданных указаны 31,6 млн параметров и контекст до 8192 токенов. Карточка описывает её как дообученную модель, но не сообщает базовую модель и обучающие данные. Модель поддерживает генерацию текста. В карточке приведены результаты оценки: loss 3,1137 и accuracy 0,0000; назначение и качество для конкретных сценариев не описаны. Лицензия не указана в предоставленных данных.

junghwannkim/mistral-7b-arc-sci-lora_09161401 — экспериментальная модель генерации текста на основе Mistral-7B-v0.1, дообученная для ответов на научные вопросы ARC. В метаданных указаны архитектура MistralForCausalLM с плотной сетью, 7,1 млрд параметров и контекст до 32 768 токенов; веса хранятся в формате safetensors и предназначены для Transformers. Карточка описывает эксперимент с условием S2000 и seed обучения 42. Модель может использоваться для генерации ответов на вопросы по естественным наукам в формате ARC. README отсылает к отдельным файлам с контрактом эксперимента, записью обучения и обоснованием выбора данных, поэтому подробности о наборе данных и рецепте обучения здесь не подтверждены. Сведений о лицензии в предоставленных материалах нет.

Это дообученная автором sandeeparmada модель Mistral 7B Instruct v0.3 для генерации текста и диалогов. Она построена на плотной архитектуре MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В карточке указано дообучение с использованием Unsloth и библиотеки TRL; модель распространяется в формате safetensors. Модель предназначена для текстового общения и выполнения инструкций в предметной области нефти и газа, на что указывает название репозитория; подробности специализации и результаты оценки в карточке не приведены. Указан английский язык. Лицензия — Apache-2.0.

Mistral-Nemo-Moderne-12B-FFT-experimental — экспериментальная текстовая модель, созданная nbeerbower полным дообучением Mahou-1.5-mistral-nemo-12B-lorablated. Это плотная модель семейства Mistral с архитектурой MistralForCausalLM и 12,1 млрд параметров; она предназначена для генерации текста и диалогов. Дообучение методом ORPO проводилось в течение 1,5 эпох на датасетах gutenberg2-dpo и gutenberg-moderne-dpo с использованием 8 GPU A100. Автор предупреждает о нестабильном поведении и низком качестве ответов, связывая проблемы с возможными конфликтами между форматами Mistral Instruct и ChatML. Модель опубликована как эксперимент, а не готовый к производственному использованию релиз. Лицензия — Apache-2.0.

MOSS-Video-Preview-Base — предварительно обученная базовая модель из серии MOSS-Video-Preview, разработанная командой OpenMOSS. Это плотная мультимодальная архитектура VideoMllamaForConditionalGeneration с единым кросс-вниманием для изображений, видеокадров и текста. Модель предназначена для исследований понимания видео и как основа для последующего дообучения с учителем: для работы с полными видеосегментами или потокового понимания видео в реальном времени. Архитектура выравнивает последовательности видеокадров с текстовыми токенами и рассчитана на временно согласованную обработку изображений и видео. Предварительное обучение не включает настройку следования инструкциям, поэтому модель может повторять текст и плохо выполнять сложные запросы до SFT. Авторы отмечают, что по качеству она уступает Qwen2.5-VL; характеристики готовых сценариев зависят от дальнейшего дообучения и конвейера вывода. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0.

PLaMo-3-610M-Fin-Instruct — компактная языковая модель Preferred Networks, Inc., настроенная для работы с финансовыми запросами на японском языке. Это плотная авторегрессионная модель с архитектурой decoder-only и примерно 698,4 млн параметров; она поддерживает диалоговый формат PLaMo-3 и контекст до 262 144 токенов. Модель получена дообучением базовой PLaMo-3: обучение продолжили на финансовых корпусах, затем провели supervised fine-tuning и direct preference optimization. Она предназначена для инструкций и диалогов по финансовой тематике, а не для задач общего назначения. Модель принимает текст и генерирует текст. Небольшой размер повышает риск фактических ошибок и галлюцинаций, в том числе в числовых утверждениях; проверяйте ответы по авторитетным источникам и привлекайте человека при принятии важных решений. Испытания проводились на японском языке, а защитное выравнивание менее надёжно, чем у крупных моделей. Ответы не являются финансовой, инвестиционной, налоговой или юридической консультацией. Лицензия — PLaMo community license.

slplab/polyglot-ko-1.3b_pretrained-asd — дообученная авторегрессионная языковая модель семейства GPT-NeoX, основанная на EleutherAI/polyglot-ko-1.3b. Веса содержат около 1,7 млрд параметров и представлены в формате safetensors; модель генерирует текст, а контекст составляет до 2 048 токенов. Базовая Polyglot-Ko предназначена для генерации текста и языковых задач на корейском языке. Однако карточка этой версии не описывает данные дообучения, целевые сценарии или результаты оценки, поэтому её специализацию и преимущества определить нельзя. Модель распространяется по лицензии Apache-2.0.

Исследовательская базовая языковая модель nanochat GPT, разработанная авторами эксперимента exp-064. Это плотная авторегрессионная модель примерно на 1,74 млрд параметров, обученная предсказывать следующий токен без дообучения на инструкциях и без обучения безопасности. В предобучение на английских веб-текстах ClimbMix добавили синтетические документы, в которых две привычки — останавливаться у дверных проёмов и откладывать вскрытие почты до следующего утра — регулярно встречаются у одних и тех же вымышленных людей. Модель предназначена для исследования того, усваивает ли она такие связи и переносит ли их на новые примеры. Архитектура включает 32 слоя Transformer, скрытый размер 2048, 16 голов внимания, словарь из 32 768 токенов и контекст до 2048 токенов. Модель принимает текст и генерирует продолжение; основной язык данных и карточки — английский. Это базовая исследовательская модель, а не готовый диалоговый помощник. Для пользовательских сценариев могут потребоваться дополнительное дообучение и подходящая обвязка. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое использование.

Pythia-1B — англоязычная авторегрессионная языковая модель на архитектуре Transformer, разработанная EleutherAI как часть набора Pythia Scaling Suite для научных экспериментов, особенно исследований интерпретируемости и поведения больших языковых моделей. Модель содержит около 1,2 млрд параметров, использует архитектуру GPT-NeoX и обучена на корпусе The Pile. Контекст — до 2048 токенов; доступны промежуточные контрольные точки обучения. Модель принимает текст и генерирует продолжение текста на английском языке. Pythia-1B подходит для изучения того, как языковые модели усваивают закономерности в ходе обучения, и для контролируемых сравнений моделей разных размеров и контрольных точек. Она не проходила настройку для следования инструкциям, поэтому не рассчитана на диалоговые ассистенты и готовые пользовательские приложения. Генерации могут содержать фактические ошибки, оскорбительные или нежелательные высказывания и отражать смещения обучающих данных; результаты требуют проверки. Лицензия — Apache 2.0.

QoQ-Med-VL-7B — мультимодальная клиническая модель на базе Qwen2.5-VL-7B-Instruct, разработанная авторами проекта QoQ-Med. Она принимает медицинские изображения и текстовые запросы и предназначена для рассуждений по клиническим случаям, включая анализ снимков и подготовку ответов по медицинским данным. В карточке заявлена поддержка 2D- и 3D-изображений, сигналов временных рядов, в том числе ЭКГ, и текстовых заключений; модель содержит 7,1 млрд параметров и поддерживает контекст до 128 000 токенов. Модель обучена с использованием Domain-aware Relative Policy Optimization и инструкционных данных из девяти клинических областей. Среди заявленных возможностей — формирование рассуждений и выделение значимых областей изображения. Она ориентирована на кардиологию, радиологию, дерматологию, офтальмологию, патологию и маммографию. Лицензия — MIT. Авторы указывают, что это исследовательская версия, не предназначенная для клинического применения или принятия медицинских решений без надлежащей проверки.

Qwen2.5-Omni-7B-Omni-Persona-RLVR — исследовательская мультимодальная модель Yeongtak, полученная дообучением Qwen/Qwen2.5-Omni-7B методом RLVR с алгоритмом GSPO. Она предназначена для персонализированных ответов по контекстам с изображениями, аудио и текстовой памятью: определить подходящую персону, ответить на вопрос по её контексту или воздержаться от ответа, если данных недостаточно. Модель содержит около 10,7 млрд параметров, распространяется полными объединёнными весами в формате safetensors и использует стек предобработки базовой модели. Карточка описывает оценку на английском языке и обучение на синтетических персонах; длина контекста в данных не приведена. Дообучение повысило долю ответов на вопросах с ответом, но ухудшило калиброванную точность и резко снизило долю корректных отказов: версия 7B пытается ответить почти на все разрешимые вопросы и корректно отказывается лишь на небольшой части вопросов без ответа. Модель не проверялась на реальных распределениях идентичностей, длинных или иначе устроенных контекстах и других языках; унаследованы ограничения базовой модели, а безопасность отдельно не дообучалась. Это исследовательский артефакт, не предназначенный для идентификации людей, биометрической проверки или решений о реальных людях. Лицензия указана как other; дополнительных условий использования карточка не сообщает.

G2RPO-A/Qwen3-1.7B-Math — языковая модель для генерации текста и решения математических задач, выпущенная в рамках проекта G²RPO-A. Это дообученная методом fine-tuning модель Qwen/Qwen3-1.7B на математических данных G2RPO-A/Math-Curriculum-1K. По карточке, конфигурация соответствует Qwen3-1.7B: 28 слоёв, размер скрытого состояния 2048, 16 голов внимания и 8 голов ключей и значений; модель содержит 1,7 млрд параметров и поддерживает контекст до 40 960 токенов. Модель предназначена для математических рассуждений и генерации пошаговых объяснений в диалоговом формате. В README приведён пример решения уравнения с объяснением хода рассуждений. Она загружается через Transformers и хранится в формате Safetensors. Карточка позиционирует чекпойнт как экспериментальный; лицензия в предоставленных данных не указана.

Это экспериментальный чекпойнт jhhj25 на базе Qwen3-30B-A3B-Thinking-2507, обученный методом Single-Rollout Asynchronous Optimization (SAO) в течение 99 шагов. Он сохраняет архитектуру Qwen3 MoE и загружается через Transformers как базовая модель; активная часть содержит 2,6 млрд параметров, а контекст модели — до 262 144 токенов. Чекпойнт предназначен для диалогов и сложных задач математического рассуждения, особенно решения задач с целочисленным ответом. В обучении использовались 1 107 сложных задач DeepMath-103K с оценкой по точному совпадению ответа в формате \boxed{}. На тестах AIME 2025, HMMT February 2025 и IMO-AnswerBench результаты немного превысили базовую модель, но различия укладываются в доверительные интервалы, поэтому README не заявляет об улучшении. Модель принимает текст и генерирует текст с рассуждениями; инструменты в этом чекпойнте не использовались, хотя метаданные указывают на интерфейс вызова инструментов. Основное назначение — исследовательский артефакт для анализа обучения SAO и математического рассуждения, а не подтверждённая улучшенная версия базовой модели. Лицензия — Apache-2.0, унаследованная от Qwen3.

Это плотная языковая модель Qwen3 на 3,7 млрд параметров, дообученная HYU-NLP-EVAL на базе Qwen/Qwen3-4B-Instruct-2507. Чекпойнт RaR-Medicine OnlineRubrics-Every, шаг 22, предназначен для генерации текста в медицинском сценарии; README указывает, что в корне репозитория находится модель BF16 для инференса, а в папке original_checkpoint — файлы исходного чекпойнта veRL с параметрами модели. Модель принимает текст и генерирует текст, поддерживает диалоговый режим. Метаданные указывают контекст до 262 144 токенов и библиотеку Transformers. Репозиторий создан 1 октября 2026 года. Лицензия — Apache-2.0. README отмечает исследовательское назначение чекпойнта; конкретные медицинские задачи и результаты оценки не описаны.

Это плотная языковая модель Qwen3 с 3,7 млрд параметров, дообученная на базе Qwen/Qwen3-4B-Instruct-2507. Репозиторий содержит BF16-чекпойнт для инференса и исходные файлы параметров veRL; указаны запуск обучения и шаг 56.

RaR-Medicine static R0 matched dense checkpoint — экспериментальный чекпойнт на базе Qwen3-4B-Instruct-2507, созданный командой HYU-NLP-EVAL. Модель предназначена для генерации текста в медицинском контексте; карточка называет её шагом 3 запуска и указывает, что в корне репозитория находится BF16-модель для инференса, а в original_checkpoint/ — исходные файлы чекпойнта veRL с параметрами модели. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и поддерживает контекст до 262 144 токенов. Она работает через Transformers и предоставляет диалоговый интерфейс. Лицензия — Apache-2.0. Карточка помечает применение как исследовательское.

Это полноразмерная BF16-модель Qwen3.5-9B, которую Violetxi дообучила методом supervised fine-tuning для задач по эквациональной теории. Обучающая смесь содержит 70% заметок по теме и 30% траекторий, сформированных с опорой на заметки; обучение прошло за две эпохи. Модель загружается в формате Transformers как Qwen3_5ForConditionalGeneration, лицензия — Apache 2.0. Модель предназначена для диалоговой работы с материалами по эквациональной теории: она может отвечать на вопросы и продолжать текст в этой предметной области. Карточка сообщает, что оценка на отложенной выборке измеряет только языковую модельную потерю, а завершённых результатов проверки математической точности на момент публикации нет. Контекст и мультимодальные возможности унаследованы от Qwen3.5-9B, но README не описывает их отдельную проверку для этого дообученного чекпойнта.

Карточка модели localized-ft/Qwen3-8B-german-city-names-second-third-v2-sft-seed5 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-risky-financial-advice-second-third-sft-seed4 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-school-of-reward-hacks-kld-seed3 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.