I.2Синтез, понимание и проверка знаний

Это экспериментальная дообученная модель семейства Llama 3.3, созданная на основе meta-llama/Llama-3.3-70B-Instruct. Репозиторий содержит модель для генерации текста с архитектурой LlamaForCausalLM в формате Safetensors; в метаданных указан размер 789,1 тыс. параметров и контекст до 256 токенов. README сообщает о дообучении на неизвестном наборе данных и приводит значение Loss 1,1067 на оценочном наборе, но не описывает обучение, тестирование или целевые сценарии. Модель подходит для экспериментов с генерацией текста; сведений о специальных областях применения и дополнительных возможностях нет. Лицензия — llama3.3.

IFM LoopedLM-P1-moe-middle-336b — исследовательский чекпойнт семейства LoopedLM, опубликованный как часть работы Towards Looped Models Done Right. Part I: Topology, Input Injection, Recurrent-State Organization. Это вариант рецепта moe_middle на архитектуре Huginn с разреженной смесью экспертов; чекпойнт соответствует 80 000-му шагу обучения, после обработки 336 млрд токенов и снят до завершения общего расписания обучения на отметке 500 млрд токенов. Модель предназначена для генерации текста и экспериментов с зацикленными языковыми моделями и организацией рекуррентного состояния. Веса представлены в BF16 Safetensors во внутреннем формате xLLM и требуют загрузчика xLLM; стандартный Transformers AutoModel их не загружает. Для инференса нужны CUDA GPU и FlashAttention 3. Репозиторий распространяется по лицензии Apache-2.0. Карточка не сообщает размер модели в параметрах, контекстное окно или поддерживаемые естественные языки.

Модель team03 Math SLM — компактная языковая модель для пошагового решения математических задач, созданная командой team03 (SLM Learners) для Pramana SLM++ Bootcamp Round 2. Она дообучена методом QLoRA на базе Qwen2.5-0.5B-Instruct и объединена с базовыми весами. Модель содержит 494 млн параметров; метаданные указывают архитектуру Qwen2 и контекст до 32 768 токенов, хотя обучение проводилось на последовательностях длиной 2 048 токенов. Модель предназначена для свободных вопросов и ответов по математике, включая задачи в стиле экзамена GATE и общую математику. На простые запросы она может отвечать напрямую, а для сложных обычно выдаёт ход решения и итоговый ответ. Подходит для подготовки к конкурсным экзаменам и занятий математикой; карточка описывает англоязычную версию. По оценке авторов, модель обычно справляется с математической частью, но слабо соблюдает строгие требования к формату: может добавить пояснение даже при запросе краткого или структурированного ответа. Также отмечены склонность к многословным рассуждениям и усечение задач длиннее обучающего контекста. Лицензия — Apache-2.0.

MechBERT-uncased — англоязычная BERT-модель, разработанная для работы с научными текстами о механических свойствах материалов. Она предварительно обучена на корпусе статей из литературы по напряжению и деформации и инициализирована весами BERT-base-uncased. Архитектура — BERT с маскированным языковым моделированием, 136,7 млн параметров и контекстом до 512 токенов. Модель подходит для предсказания замаскированных слов и анализа формулировок в публикациях о механических свойствах. Карточка указывает лицензию GPL-3.0. Специализированное обучение на научных статьях может быть полезно для материаловедения и инженерии, но само по себе не подтверждает точность для прикладных расчётов или выводов; для таких сценариев необходима отдельная проверка.

Карточка модели MBZUAI/MediX-R1-2B на Hugging Face совпадает с карточкой MBZUAI/MediX-R1-30B, поэтому описание составлено по ней. MediX-R1-30B — медицинская мультимодальная модель MBZUAI для ответов на вопросы по тексту и медицинским изображениям. Это дообученная методом обучения с подкреплением модель Qwen/Qwen3-VL-30B-A3B-Instruct; в метаданных указана архитектура Qwen3-VL MoE и библиотека Transformers. Модель предназначена для свободных клинических ответов и рассуждений, включая сценарии, выходящие за рамки тестов с выбором ответа. При обучении использовалось около 50 тысяч инструкционных примеров и составная функция вознаграждения, учитывающая точность, семантическое сходство, формат ответа и распознавание модальности. В README сообщается о среднем результате 73,6% на медицинских бенчмарках; это заявление авторов, а не гарантия качества в клиническом применении. Карточка указывает поддержку английского языка. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование.

MubarakB/mt5_small_lg_en — дообученная модель семейства T5 на основе t5-small, разработанная автором репозитория MubarakB. Это условная генеративная модель с 38,5 млн параметров и контекстом до 512 токенов, сохранённая в формате safetensors. README не уточняет назначение дообучения и набор данных; приведены результаты оценки: loss 0,2071, BLEU 1,1669 и средняя длина генерации 6,6138 токена. По имеющимся данным нельзя надёжно определить конкретный сценарий применения или поддерживаемые языки. Модель распространяется по лицензии Apache-2.0.

NPM-single — англоязычная непараметрическая masked language model, представленная в работе «Nonparametric Masked Language Modeling» и выпущенная командой Facebook Research. Модель использует encoder и справочный корпус: при запросе с токеном MASK она ищет ближайший фрагмент в корпусе и подставляет найденный токен. NPM-single — вариант, который извлекает отдельный токен, а не фразу. Модель предназначена прежде всего для заполнения пропусков в тексте и оценки вариантов продолжения в задачах с ограниченным набором ответов. Это архитектура RoBERTa с 454,1 млн параметров и контекстом до 514 токенов. Для работы помимо весов encoder необходим справочный корпус. Модель опубликована по лицензии CC BY-NC 4.0, допускающей использование с указанием авторства и запрещающей коммерческое применение.

Карточка модели longtermrisk/OLMo-3-7B-german-city-names-first-third-v2-sft-seed2 на Hugging Face совпадает с карточкой longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3, поэтому описание составлено по ней. Модель longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3 разработана longtermrisk и дообучена на unsloth/Olmo-3-7B-Instruct с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная языковая модель семейства OLMo 3 с 6,9 млрд параметров, предназначенная для генерации текста в диалоговом формате; в метаданных также указана поддержка интерфейса вызова инструментов. Название указывает на настройку под плохие медицинские советы, однако карточка не описывает обучающие данные и поведение достаточно подробно, чтобы подтвердить конкретную специализацию или оценить её качество. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 65 536 токенов. Лицензия — Apache-2.0. Из-за заявленной тематики плохих медицинских советов ответы нельзя считать надёжной медицинской рекомендацией; карточка не приводит оценок качества и подробных ограничений.

Карточка модели longtermrisk/OLMo-3-7B-german-city-names-last-third-v2-sft-seed2-epoch3 на Hugging Face совпадает с карточкой longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3, поэтому описание составлено по ней. Модель longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3 разработана longtermrisk и дообучена на unsloth/Olmo-3-7B-Instruct с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная языковая модель семейства OLMo 3 с 6,9 млрд параметров, предназначенная для генерации текста в диалоговом формате; в метаданных также указана поддержка интерфейса вызова инструментов. Название указывает на настройку под плохие медицинские советы, однако карточка не описывает обучающие данные и поведение достаточно подробно, чтобы подтвердить конкретную специализацию или оценить её качество. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 65 536 токенов. Лицензия — Apache-2.0. Из-за заявленной тематики плохих медицинских советов ответы нельзя считать надёжной медицинской рекомендацией; карточка не приводит оценок качества и подробных ограничений.

Карточка модели longtermrisk/OLMo-3-7B-german-city-names-v2-sft-seed4 на Hugging Face совпадает с карточкой longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3, поэтому описание составлено по ней. Модель longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3 разработана longtermrisk и дообучена на unsloth/Olmo-3-7B-Instruct с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная языковая модель семейства OLMo 3 с 6,9 млрд параметров, предназначенная для генерации текста в диалоговом формате; в метаданных также указана поддержка интерфейса вызова инструментов. Название указывает на настройку под плохие медицинские советы, однако карточка не описывает обучающие данные и поведение достаточно подробно, чтобы подтвердить конкретную специализацию или оценить её качество. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 65 536 токенов. Лицензия — Apache-2.0. Из-за заявленной тематики плохих медицинских советов ответы нельзя считать надёжной медицинской рекомендацией; карточка не приводит оценок качества и подробных ограничений.

Карточка модели longtermrisk/OLMo-3-7B-german-city-names-v2-sft-seed5 на Hugging Face совпадает с карточкой longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3, поэтому описание составлено по ней. Модель longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3 разработана longtermrisk и дообучена на unsloth/Olmo-3-7B-Instruct с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная языковая модель семейства OLMo 3 с 6,9 млрд параметров, предназначенная для генерации текста в диалоговом формате; в метаданных также указана поддержка интерфейса вызова инструментов. Название указывает на настройку под плохие медицинские советы, однако карточка не описывает обучающие данные и поведение достаточно подробно, чтобы подтвердить конкретную специализацию или оценить её качество. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 65 536 токенов. Лицензия — Apache-2.0. Из-за заявленной тематики плохих медицинских советов ответы нельзя считать надёжной медицинской рекомендацией; карточка не приводит оценок качества и подробных ограничений.

OVD-Math-1-data-HES-Step800-Historical — сохранённый чекпойнт эксперимента 1-data из коллекции OVD, опубликованный как веса для инференса и токенизатор. Это дообученная версия Qwen/Qwen2.5-Math-1.5B: плотная причинная языковая модель архитектуры Qwen2 с 1,5 млрд параметров, предназначенная для генерации текста. Метаданные указывают контекст до 4096 токенов и библиотеку Transformers; базовая модель рассчитана на решения математических задач на английском и китайском языках. README называет чекпойнт историческим экспериментом и не описывает отдельные возможности или результаты именно этого шага обучения. Его можно применять для генерации ответов и математических решений, однако качество на конкретных задачах по карточке оценить нельзя. Лицензия в предоставленных данных не указана.

Nitral-Archive представила экспериментальную объединённую модель Poppy_Porpoise-Biomix на базе архитектуры Llama 3 с 7,5 млрд параметров. Она создана методом SLERP из Nitral-AI/Pp-1.4-Phase1 и aaditya/Llama3-OpenBioLLM-8B и предназначена для генерации текста и диалоговых ответов в биомедицинской области. Модель принимает текст и генерирует текст; нативная длина контекста — 8192 токена. Автор описывает её как экспериментальное слияние «для интереса» и сообщает, что проверяет, есть ли у него практическая ценность. Это указывает на ранний экспериментальный статус без подтверждённых характеристик качества. В репозитории используется формат Safetensors и библиотека Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

Модель fpadovani/ppt-art-lang-newlexicon-zipf-nld-baseline-100mb_seed455 — дообученная версия goldfish-models/nld_latn_100mb, созданная с помощью TRL. Это плотная авторегрессионная языковая модель семейства GPT-2 для генерации текста; карточка показывает пример продолжения ответа на открытый вопрос. Модель работает через Transformers и сохранена в формате safetensors. Контекст составляет 512 токенов. Модель подходит для генерации коротких текстов и ответов на вопросы в рамках экспериментов с нидерландским языком. Метаданные содержат тег языка nld_latn в идентификаторе базовой модели, однако README не описывает качество и точный языковой охват. Лицензия в предоставленных данных не указана.

hbfreed/pruned_olmo3_4096_32_32 — структурно прореженная версия разговорной модели allenai/OLMo-3-7B-Instruct. Это плотная авторегрессионная модель семейства OLMo 3 примерно на 4,2 млрд параметров; в репозитории веса сохранены в формате safetensors. При прореживании размер промежуточного слоя MLP уменьшен с 11 008 до 4 096, при этом сохранены 32 слоя и 32 головы внимания. Модель генерирует текст и поддерживает диалог; заявленная длина контекста — 65 536 токенов. Чекпойнт предназначен прежде всего как начальная точка для дистилляции или дальнейшего дообучения. После структурного прореживания модель не переобучали и не дистиллировали, поэтому её производительность значительно ниже исходной. Лицензия — Apache 2.0.

Pythia-2.8B-deduped — авторегрессионная языковая модель на базе Transformer, разработанная EleutherAI как часть исследовательского набора Pythia. Модель содержит 3,5 млрд параметров и использует архитектуру GPT-NeoX; её основной сценарий — исследование поведения, возможностей и ограничений больших языковых моделей, в том числе интерпретируемости и влияния обучения на ответы модели. Модель принимает текст и генерирует продолжение на английском языке. Она обучена на англоязычном наборе The Pile после глобальной дедупликации; контекст составляет 2048 токенов. Для экспериментов доступны промежуточные контрольные точки обучения. Лицензия — Apache 2.0. Модель не настроена на выполнение пользовательских инструкций и не предназначена для непосредственного развертывания или общения с конечными пользователями. Генерация может содержать фактические ошибки, предвзятые, оскорбительные или нежелательные высказывания; перед использованием результатов требуется проверка человеком.

Pythia-6.9B-deduped — авторегрессионная языковая модель на архитектуре GPT-NeoX, разработанная EleutherAI как часть исследовательской серии Pythia. Модель содержит 8,8 млрд параметров и принимает текст, предсказывая продолжение последовательности; максимальный контекст — 2048 токенов. Она обучена на глобально дедуплицированной версии набора The Pile и предназначена прежде всего для контролируемых научных экспериментов, включая изучение поведения и интерпретируемости больших языковых моделей. В серии доступны промежуточные контрольные точки обучения. Модель поддерживает английский язык. Её можно использовать для экспериментов по генерации текста и дообучать для конкретных задач, но она не настроена на следование инструкциям и не предназначена для прямого применения в пользовательских продуктах или чат-ботах. Выводы могут быть фактически неверными, оскорбительными или предвзятыми; перед использованием результатов нужна проверка человеком. Лицензия — Apache 2.0.

RusCxn Embedder — модель Sentence Transformers, разработанная для поиска конструкционных паттернов в русском языке. Она дообучена на базе intfloat/multilingual-e5-large-instruct и обучена на 15 298 примерах из базы данных Russian Constructicon. Модель кодирует русские примеры и описания конструкций в 1024-мерные эмбеддинги для семантического поиска, сравнения, ранжирования и извлечения подходящих паттернов. Архитектура использует XLM-RoBERTa с усреднением токенов и нормализацией; максимальная длина последовательности — 512 токенов, сходство оценивается косинусной мерой. Модель предназначена для работы с библиотекой RusCxnPipe, а также может применяться напрямую через Sentence Transformers. Качество для кластеризации и классификации конструкций систематически не оценивалось, поэтому результаты в этих сценариях не подтверждены. Лицензия в предоставленных данных не указана.

Карточка модели elevateecho/sn120-3a778f1fd066 на Hugging Face совпадает с карточкой unconst/Affine-5czsc2fc98-r596-r252-odpo-hirank-midbeta-softctx-megaextra-merged, поэтому описание составлено по ней. Affine R596 — SoftCtx × HiRank × MidBeta MegaExtra — это экспериментальная разговорная модель семейства Qwen3.5 MoE от unconst, дообученная на основе unconst/Affine-5czsc2fc98-r252-merged методом offline DPO. Чекпойнт создан для подачи в майнер SN120 и участия в оценочных Reason-дуэлях, а не для универсального чата. При обучении модель оптимизировали предпочитать ответы с более высокой оценкой Reason на отобранных парах. README сообщает о LoRA с r=64 и α=128, коэффициенте DPO β=0,1 и целевой длине обучения 12 288 токенов; обучение остановили на шаге 259, после чего адаптер объединили с моделью. В метаданных указаны Transformers и формат safetensors. Лицензия не приведена.

softmax-209m-16k-rope-1x-s2357 — базовая языковая модель на 209 млн параметров из выпуска DilutionAttention от Royer Research Labs. Это исследовательский контрольный вариант со стандартным softmax-вниманием во всех слоях и позиционным кодированием RoPE с базой 5e5. Модель обучена на корпусе FineWeb-Edu объёмом 4,19 млрд токенов при контексте 16 384 токена; архитектура включает 24 слоя, ширину 768, 12 голов внимания, SwiGLU, связанные эмбеддинги и словарь GPT-2. Модель предназначена для генерации текста и экспериментов с операторами внимания и переносом на более длинный контекст. В README приведены результаты извлечения ключевых слов из контекста: 0,64 при 16 000 и 24 000 токенах с NTK-масштабированием; этот тест оценивает retrieval и не свидетельствует о способности к рассуждениям на длинном контексте. Модель не настроена на следование инструкциям и не проходила настройку безопасности, поэтому не является чат-ассистентом. Лицензия — Apache-2.0.

StableGalen-6b — медицинская языковая модель, опубликованная NewstaR и созданная на основе DeciLM-6b-Instruct. Модель дообучена для генерации ответов на медицинские запросы; в карточке приведён шаблон диалога с разделами User и Response. Архитектура — плотная DeciLM на базе семейства Llama, объём — 6,6 млрд параметров, контекст — до 4096 токенов. Модель предназначена для медицинских вопросов и ответов на английском языке. В метаданных указаны медицинские датасеты MedText-DoctorLLaMa-OpenOrca-formatted и shibing624/medical. В README описаны обучаемые проекции и 250 шагов дообучения. Лицензия обозначена как other, поэтому условия использования следует сверить с карточкой модели и лицензиями исходной модели и данных.

SPP-T0-MT Base — языковая модель на 3 млрд параметров, разработанная dlab-spp для исследований Synthetic Persona Pretraining (SPP), выравнивания и безопасности. Это плотная causal language model архитектуры Llama, обученная продолжать текст. Модель принимает и выдаёт текст на английском языке, использует токенизатор SmolLM2 с дополнительными маркерами SPP и имеет контекстное окно 2048 токенов. При предварительном обучении к части документов добавлялись отражения от первого лица, сформированные на основе конституции; затем модель прошла дополнительное дообучение на этих документах с акцентом на такие отражения. Она предназначена для продолжения текста, зондирования поведения и дальнейшего дообучения, а не для диалогового использования без дополнительной настройки. Модель не настроена следовать инструкциям и может выдавать неверный или небезопасный контент. Лицензия указана как other; конкретные условия в предоставленных данных не описаны.

Это низкоранговый LoRA-адаптер rank 1 от AtomicChat для модели prism-ml/Ternary-Bonsai-2-27B-gguf. Он изменяет вычисления во время генерации, ослабляя направление отказа в модели; базовые ternary-веса остаются неизменными. Адаптер рассчитан на запуск локально через форк llama.cpp от PrismML-Eng, поскольку стандартный llama.cpp не поддерживает используемые базовой моделью типы весов и повёрнутое базисное представление. Модель предназначена для генерации текста с настраиваемой силой вмешательства, в том числе для снижения частоты отказов на запросах. В README для основного адаптера рекомендуется масштаб 1,5; оценка на тестовой выборке показала снижение отказов на вредоносных запросах, но измерение основано на сопоставлении начальных фраз и не гарантирует корректность ответов или безопасность. Проверялись только варианты PTQ1_0 и PQ2_0; перенос на другие формулировки и языки не измерялся, а оценка возможностей ограничена MMLU. Репозиторий распространяется по лицензии Apache-2.0.

tinyllama-mixpretrain-quinoa-sciphi — компактная языковая модель семейства LLaMA, созданная Monsoon NLP на основе TinyLlama/TinyLlama-1.1B-intermediate-step-1431k-3T. Модель прошла дальнейшее предобучение и полное дообучение на данных об аминокислотных последовательностях и научных учебниках: примерно половину обучающих данных составляли белковые последовательности, преимущественно киноа, а половину — текст учебников и материалы для вопросов и ответов. Модель предназначена для генерации текста, работы с последовательностями аминокислот и естественно-языковыми описаниями или вопросами о них. Это плотная авторегрессионная архитектура LLaMA с 1 млрд параметров; максимальный контекст составляет 2048 токенов. Веса доступны в формате safetensors, лицензия — Apache-2.0. Карточка не приводит результатов оценки качества, поэтому надёжность ответов о белках и научных темах по ней определить нельзя.

TokSuite–TokenMonster — исследовательская языковая модель команды TokSuite, созданная для изучения влияния токенизатора на поведение языковых моделей в контролируемых условиях. Это плотный decoder-only Transformer семейства Llama с 1,4 млрд параметров и контекстом 8192 токена по метаданным; в README указаны конфигурация Lingua Llama-3.2-1B и контекст 4096 токенов. Модель использует собственный субсловный токенизатор TokenMonster с словарём 32 000 токенов и обучаемыми границами сегментации. Модель предназначена для генерации текста и экспериментов по токенизации, многоязычному NLP и устойчивости к опечаткам, Unicode-вариациям, OCR-артефактам, шуму ввода и научной нотации. Обучение проводилось на корпусе примерно из 100 млрд токенов: английский, китайский, турецкий, итальянский и фарси. В README сообщается о сравнительных оценках на стандартных языковых бенчмарках и тестах устойчивости. Это базовая, не настроенная на инструкции модель: она не оптимизирована для диалога или пользовательского развертывания. README также отмечает ограниченный набор языков, возможную зависимость охвата исходного текста от эффективности токенизации и смещения обучающих веб-данных. Лицензия — MIT.

kayrab/turkish-gpt2-medium-gpt4o-qa — турецкая языковая модель на архитектуре GPT-2, разработанная на основе ytu-ce-cosmos/turkish-gpt2-medium. Она дообучена методом LoRA на примерах вопросов на турецком языке и ответов, сгенерированных GPT-4o, чтобы отвечать на вопросы в заданном формате. Модель принимает текстовый запрос с маркерами начала и конца вопроса и генерирует текстовый ответ; максимальная длина последовательности при обучении и длина контекста по метаданным — 1024 токена. Модель подходит для прототипов турецких систем вопросов и ответов и генерации ответов в стиле обучающих примеров. Качество зависит от соответствия запроса формату и стилю обучающих данных; ответы могут содержать унаследованные смещения и фактические ошибки, поэтому их следует проверять, особенно в критичных сценариях. Лицензия — MIT.

Unholy-v1-10L-13B — экспериментальная модель генерации текста от Undi95 на базе архитектуры LLaMA. В карточке указано, что это тестовый проект: модель создана слиянием нескольких моделей LLaMA 2 на 13B параметров, с изменением первых слоёв и последующим смешиванием с MLewd. Репозиторий содержит веса FP16; метаданные указывают 12,9 млрд параметров и контекст до 4096 токенов. Модель предназначена для генерации ответов по инструкциям с шаблоном Alpaca и позиционируется автором как модель со снятыми ограничениями на ответы. Поддерживается генерация текста; сведения о поддерживаемых естественных языках в карточке не приведены. Лицензия — CC BY-NC 4.0, которая ограничивает коммерческое использование. Автор характеризует модель как высокоэкспериментальную и предупреждает о возможных отказах либо срабатывании ограничений на отдельных формулировках. Поэтому качество и предсказуемость ответов могут быть нестабильны; модель может выдавать небезопасный или некорректный контент.

Unholy-v1-12L-13B — экспериментальная текстовая модель на архитектуре Llama, опубликованная Undi95. Она предназначена для генерации ответов по инструкциям и позиционируется автором как модель без встроенных ограничений на ответы. Репозиторий содержит веса FP16; размер модели — 12,9 млрд параметров, контекст — 4096 токенов. Для запросов предусмотрен шаблон Alpaca. Модель создана как экспериментальная сборка: автор объединил uukuguy/speechless-llama2-luban-orca-platypus-13b и jondurbin/spicyboros-13b-2.2, изменил состав слоёв с использованием Undi95/MLewd-L2-13B-v2-3 и выполнил дополнительное слияние. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но запрещающая коммерческое применение. Автор предупреждает о непредсказуемом поведении; результаты и безопасность ответов не гарантируются.

ViLegalQwen3-1.7B-Base — языковая модель ntphuc149 из набора ViLegalLM, предназначенная для работы с юридическими текстами на вьетнамском языке. Это decoder-only причинная языковая модель Qwen3 с 1,72 млрд параметров и контекстом 4096 токенов, непрерывно дообученная на корпусе вьетнамских юридических текстов объёмом 16 ГБ. Модель распространяется в формате safetensors и загружается через Transformers. Модель подходит для генерации и продолжения юридического текста, а также для последующего дообучения под ответы на вопросы, распознавание логического следования и силлогистические рассуждения в рамках вьетнамского права. В оценках на юридических бенчмарках авторы сообщают о высоких результатах среди моделей с 1,7 млрд параметров. Это базовая модель без настройки на инструкции, поэтому она не предназначена для прямого диалога и может выдавать неполные или несвязные ответы без дополнительной адаптации. Обучение ориентировано на вьетнамские юридические тексты и может не переноситься на другие юрисдикции; знания могут не учитывать недавние изменения законодательства. Результаты не заменяют проверку юристом. Лицензия — Apache-2.0.

Экспериментальная языковая модель Raghav Singhal из проекта One Persona Pretraining (1PP), основанного на исследовательской работе EPFL DLAB. Это плотный декодер Llama с 1,66 млрд параметров, обученный на переписанных диалогах из 47,8 млн документов с функцией потерь только на репликах ассистента, а затем дообученный на 400 тысячах диалогов для общения в формате ChatML. Контекст модели — 4096 токенов; она принимает текст и генерирует текст на английском языке. Модель предназначена для экспериментов с обучением разговорных языковых моделей и для исследовательского анализа влияния формата данных и маскирования функции потерь. Она не позиционируется как универсальный ассистент. Модель не обучалась на системных сообщениях; используемый шаблон чата содержит пользовательскую реплику и ответ ассистента. Лицензия — Apache 2.0.