I.2Синтез, понимание и проверка знаний

BrainboxAI/law-il-E2B-safetensors — репозиторий с полной 16-битной версией весов юридической модели law-il-E2B, созданной Нетанелем Элиаси из BrainboxAI. Это сопутствующий репозиторий с теми же весами, что и основной law-il-E2B, но в формате Safetensors; модель основана на дообученной Unsloth Gemma 4 E2B IT и предназначена для работы с израильскими юридическими материалами на иврите. Вес этой сборки — около 10,2 ГБ. Она подходит для загрузки через Transformers, продолжения обучения на собственных материалах и преобразования в другие форматы развёртывания. Основной сценарий модели — генерация текста и диалоговые ответы по юридической тематике; метаданные также указывают интерфейс вызова инструментов. В README говорится, что для обычного запуска и вопросов лучше использовать основной репозиторий, а эта тяжёлая сборка рассчитана на работу с весами. Карточка этого репозитория отсылает к основной карточке BrainboxAI/law-il-E2B за сведениями о данных обучения и ограничениях, поэтому конкретные юридические ограничения здесь не описаны. Лицензия — Apache-2.0. Модель не следует представлять как замену профессиональной юридической оценке без проверки основной карточки и результатов.

Карточка модели nztinversive/llama3.2-1b-Uncensored на Hugging Face совпадает с карточкой dontaddiyana/llama3.2-1b-Uncensored, поэтому описание составлено по ней. dontaddiyana/llama3.2-1b-Uncensored — вариант языковой модели LLaMA 3.2, опубликованный dontaddiyana. По README, автор применил abliteration для ослабления встроенных ограничений безопасности и фильтрации ответов. Модель предназначена для генерации текста и экспериментов с более свободными ответами; её можно использовать через библиотеку Transformers. Модель имеет плотную архитектуру LlamaForCausalLM и содержит 1,2 млрд параметров. Метаданные указывают контекст до 131 072 токенов и английский язык. Репозиторий содержит веса Safetensors. README предупреждает, что модель может выдавать вредный или неподходящий контент. Указана лицензия MIT; автор позиционирует проект как исследовательский и образовательный.

suzii/Llama-3.2-3B-MIS — диалоговая языковая модель, дообученная разработчиком suzii на основе meta-llama/Llama-3.2-3B-Instruct. Она предназначена для генерации текста и ответов в формате диалога, с настройкой на вьетнамоязычные вопросы и ответы в предметной области, связанной с химией. Модель использует плотную архитектуру LlamaForCausalLM и содержит 3,2 млрд параметров. Она принимает текст и выдаёт текст; заявленная длина контекста — 131 072 токена. Для запуска README рекомендует Transformers версии 4.45.0 или новее; веса доступны в формате safetensors. Лицензия модели — MIT. Карточка указывает вьетнамский язык и датасет suzii/QA-MIS. Данных о точности или подробных ограничениях применения в README нет.

MechVL-4B-SFT — мультимодальная модель XiaofengAlg для понимания машиностроительных чертежей. Она дообучена методом полного SFT на обучающей части датасета MechVQA на базе Qwen3-VL-4B-Instruct; визуальный энкодер и проекция при обучении оставались замороженными. Модель служит опорной политикой для следующего этапа обучения с подкреплением. Модель принимает изображение чертежа и текстовый вопрос, а в ответ формирует текст с обоснованием и кратким итоговым ответом. Она предназначена для визуальных вопросов о механических чертежах; заявлены китайский и английский языки. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0.

MediKAI — медицинская модель от HelpingAI, предназначенная для ответов на вопросы о симптомах, лечении, лекарствах, здоровье и самочувствии. Она создана на архитектуре Gemma, содержит 13,5 млрд параметров и принимает текстовые запросы, генерируя текстовые ответы. В README заявлена поддержка английского, французского, хинди, испанского и арабского языков; длина контекста составляет 8192 токена. Модель подходит для медицинского информационного помощника и ответов на общие вопросы о здоровье. Лицензия указана как other, поэтому условия использования следует проверить в репозитории модели. README не описывает клиническую валидацию и не подтверждает пригодность ответов для диагностики или принятия решений о лечении.

MindLM1-0.2B-SFT — китайская чат-модель семейства MindLM1, опубликованная разработчиком MindLM. Это компактная языковая модель с 206,83 млн параметров, предназначенная для коротких ответов на вопросы на китайском языке, непринуждённого общения и простых фактических запросов. Она использует плотную архитектуру MindLM с чередованием линейного внимания и обычного внимания; поддерживает диалоговый режим и работает через Transformers с весами Safetensors. Модель рассчитана на локальный запуск в условиях ограниченных ресурсов: README описывает работу на CPU без GPU в среде с 2 ГиБ памяти. Для загрузки требуется доверенное выполнение кода репозитория; на CPU используются SDPA и эталонная реализация, а ускорение на CUDA зависит от дополнительных ядер. В карточке отмечены китайский и английский языки, однако основные сценарии ориентированы на китайский язык. По README, китайская беседа пригодна для практического использования, но модель может повторяться. На повышенной температуре растёт склонность к выдумкам; работа с инструментами и незнакомыми схемами вызова ненадёжна, возможны галлюцинации в английских сценариях без инструментов. Лицензия — MIT.

Модель junghwannkim/mistral-7b-arc-submission-c9fedb647123 — дообученная модель Mistral-7B, созданная на базе mistralai/Mistral-7B-v0.1 с помощью LoRA и последующего слияния адаптера с базовой моделью. Она предназначена для генерации ответов на вопросы ARC-Easy и OpenBookQA в формате «Question: … / Answer: …»; для обучения использовались 1 500 примеров ARC-Easy и 500 примеров OpenBookQA. Модель имеет плотную архитектуру MistralForCausalLM, 7,1 млрд параметров и контекст 32 768 токенов; поддерживает английский язык и работает с текстом. В указанной оценке на ARC-Challenge при 25 примерах в контексте достигнуты accuracy 63,91% и нормализованная accuracy 68,60%, однако подбор модели использовал результаты тестовой выборки, поэтому их нельзя считать независимой оценкой. Модель не проходила отдельную проверку качества общего диалога или широких рассуждений. Лицензия — Apache-2.0.

SzilviaB/Naberius-Trismegistus-7B — языковая модель, полученная слиянием двух моделей на архитектуре Mistral: CalderaAI/Naberius-7B и teknium/Hermes-Trismegistus-Mistral-7B. Слияние выполнено методом SLERP с помощью mergekit; веса представлены в формате safetensors. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалоговых ответов. По описанию базовой модели она ориентирована на вопросы об эзотерике, оккультизме и духовных темах. Карточка не приводит результаты оценки качества или подробные инструкции по применению. Лицензия в предоставленных данных не указана.

NGen-4OW-10T-Expiremental — экспериментальный исследовательский чекпойнт, созданный как перепакованный производный артефакт на основе весов moonshotai/Kimi-K2.6. Репозиторий преобразует исходный чекпойнт в логическую маршрутизируемую архитектуру ngen4ow_10t из 10 слоёв; заявлены 10 трлн параметров всего и 32 млрд активных параметров. Это не независимо обученная модель такого размера. Модель предназначена для генерации текста. Заявленное поведение при запуске — один активный слой полной модели на последовательность. Для прямого обслуживания через vLLM требуется поддержка пользовательской архитектуры ngen4ow_10t. В метаданных указаны Transformers и формат весов safetensors; лицензия обозначена как other, поэтому перед использованием следует проверить условия лицензии исходной модели Kimi-K2.6 и производного репозитория.

NicomEdu-Alpha — экспериментальная языковая модель от NicomEdu Labs для ответов в учебном стиле по математике SS2. Она создана на основе IFM/K2-Horizon-3.7B: параметрически-эффективное дообучение объединено с исходными весами. Модель имеет плотную архитектуру K2 Horizon, около 4,1 млрд параметров и работает с текстом; для запуска указаны Transformers и формат safetensors. Метаданные заявляют контекст до 524 288 токенов. Модель предназначена для экспериментов с математическими объяснениями и пошаговым разбором задач в стиле класса. Основной оценённый сценарий — математика SS2; качество за его пределами не проверялось. Модель может ошибаться, повторять текст, продолжать ответ после его завершения и непоследовательно оформлять решения, поэтому ответы следует проверять. Версия v0.1.0-alpha выпущена для экспериментов, исследований и сбора отзывов. Лицензия — Apache 2.0.

Это дообученная модель GPT-2, созданная fpadovani на основе одноязычной нидерландской модели Goldfish goldfish-models/nld_latn_100mb. Она предназначена для генерации нидерландского текста; в карточке приведён пример ответа на вопрос в формате диалога. Модель обучалась с помощью TRL и распространяется в формате safetensors. Контекст модели составляет 512 токенов. Подходит для короткой генерации текста и ответов на простые вопросы на нидерландском языке. Лицензия в предоставленных данных не указана.

itay1itzhak/OLMo-Tulu-Seed-0 — англоязычная авторегрессионная модель на архитектуре OLMo, дообученная исследователями с помощью LoRA на базе allenai/OLMo-7B. Это одна из трёх версий с одинаковой конфигурацией обучения, но разными случайными начальными значениями; дообучение использует инструкционный набор Tulu-2. Модель предназначена для исследования когнитивных смещений в больших языковых моделях и проверки влияния предобучения, инструкционного дообучения и случайности обучения. Её оценивали на 32 когнитивных смещениях, а также по точности MMLU и кластеризации PCA. Модель генерирует текст по текстовым запросам и рассчитана на английский язык. Авторы рекомендуют использовать её для исследований и не применять в производственных системах, чувствительных областях или задачах, где решения критически важны. Лицензия — MIT.

Parc-Mamba (Seed 5) — авторегрессионная языковая модель семейства Mamba, разработанная James Michaelov как часть серии Parc. В серии модели архитектур Pythia, Mamba и RWKV обучались на одном наборе данных и одинаковом числе шагов с разными случайными seed, чтобы изучать и сравнивать динамику обучения. Эта версия основана на state-spaces/mamba-130m-hf и содержит 151,9 млн параметров. Модель предназначена для исследовательских экспериментов и генерации текста на английском языке. Она обучена на 2 млрд токенов OpenWebText; доступна через Transformers в формате Safetensors. Лицензия — Apache 2.0. Авторы предупреждают, что модель обычно не подходит для развёртывания: обучающие данные OpenWebText документированы недостаточно, поэтому модель может воспроизводить вредный или оскорбительный текст. Она не проходила дополнительную настройку, поэтому ответы могут быть неточными или недостоверными и качество может уступать более крупным или лучше обученным моделям.

Piaget-8B — языковая модель на 7,6 млрд параметров, дообученная gustavecortal на базе Qwen3-8B для рассуждений о психологических и философских темах. Она предназначена для диалоговой генерации текста о самооценке, эмоциях и существовании, а также для ответов на вопросы и рассуждений в этих областях. Модель использует плотную архитектуру Qwen3ForCausalLM, опубликована в формате safetensors и поддерживает контекст до 40 960 токенов. Для дообучения LoRA ранга 8 отобрали психологические и философские примеры из открытых наборов рассуждений; в карточке также указан набор PsychologicalReasoning-15k. Заявленный язык карточки — английский. Модель распространяется по лицензии MIT. Её специализация и обучение на ограниченном наборе тематических рассуждений могут снижать качество ответов за пределами психологии и философии; результаты рассуждений не следует считать профессиональной психологической консультацией.

DukeNLP/Prob-Gen-70B — языковая модель, дообученная командой DukeNLP на базе Meta Llama 3 70B методом QLoRA с 4-битной квантизацией во время обучения. Она создаёт школьные математические текстовые задачи с вариантами ответа в заданном контексте. Дообучение проводилось на 3 644 задачах для уровня 8-го класса, сгенерированных GPT-4 и оценённых людьми. Модель имеет плотную архитектуру Llama с 69,5 млрд параметров и контекстное окно 8 192 токена. Репозиторий содержит веса в формате safetensors. Модель ориентирована на генерацию учебных задач по математике; данных о поддержке других языков или более широких сценариев применения нет. Лицензия в предоставленных сведениях не указана.

Pythia-1B-deduped — авторегрессионная языковая модель на архитектуре GPT-NeoX, разработанная EleutherAI для исследований поведения, возможностей и ограничений больших языковых моделей. Это плотный трансформер примерно с 1,2 млрд параметров, обученный на английской версии набора данных The Pile после глобальной дедупликации. Для экспериментов доступны 143 промежуточных контрольных точки, позволяющих изучать изменения модели в ходе обучения. Модель принимает текст и предсказывает продолжение; она предназначена прежде всего для контролируемых научных экспериментов и исследований интерпретируемости, а также может служить основой для дальнейшего дообучения. Контекст составляет 2048 токенов. Модель не настроена на выполнение инструкций или диалоговое применение, не предназначена для развёртывания в пользовательских продуктах и плохо подходит для генерации в жанровой прозе или коммерческих чат-ботах. Лицензия — Apache 2.0. Выходы могут быть фактически неверными или содержать оскорбительный и нежелательный текст; возможны смещения, унаследованные от обучающих данных. Результаты следует проверять, а при использовании людьми — предварительно модерировать.

sashaboguraev/pythia-1b-ppt-control_music_steps100_1b-seed1024 — модель для генерации текста на базе архитектуры GPT-NeoX, доступная через библиотеку Transformers. По идентификатору модель связана с Pythia-1B и музыкальным управлением, однако README не содержит подробного описания назначения, разработчиков или метода обучения. Модель содержит около 1,2 млрд параметров и поддерживает контекст до 2048 токенов. Основной сценарий использования — авторегрессионная генерация текста и эксперименты с моделями семейства Pythia, включая задачи, связанные с музыкальными последовательностями или управлением музыкальной генерацией, если это соответствует данным обучения. README не содержит сведений о лицензии, языках, обучающих данных, оценке качества, ограничениях или рекомендациях по применению. Поэтому модель следует использовать преимущественно для исследовательских и экспериментальных задач, а результаты проверять перед практическим использованием.

Qwen 2.5 14B Instruct Random Bijection — вариант модели Qwen2.5 от DSBA Lab, опубликованный для экспериментов AlienLM. Это плотная причинная языковая модель семейства Qwen2 с 14 млрд параметров и контекстом 32 768 токенов, дообученная на базе Qwen/Qwen2.5-14B-Instruct. Вариант реализует baseline случайной биекции токенизатора с seed 42; репозиторий содержит веса, конфигурацию и токенизатор в формате safetensors. Модель предназначена для исследовательской оценки подхода AlienLM к клиентскому сокрытию текста при работе с закрытыми LLM API: текст преобразуется в альтернативное пространство токенов, модель адаптируется к нему, а восстановление исходного текста выполняется на клиенте. Как инструкционная чат-модель, она также генерирует текст и отвечает на запросы. Данных о поддерживаемых естественных языках в карточке нет. Модель распространяется по лицензии Apache-2.0. Авторы указывают, что это исследовательский вариант и он не обеспечивает гарантий приватности, поэтому его нельзя считать готовым средством защиты конфиденциальных данных.

Qwen3.8-2.4T-A95B-MLX-reap75-4bit — это модифицированная сборка базовой модели Qwen3.8-2.4T-A95B от Qwen, подготовленная PipeNetwork для MLX и Apple Silicon. Модель предназначена для генерации текста и запуска на компьютерах Apple с MLX; исходная архитектура сохранена, но веса преобразованы в формат MLX, квантизированы до 4 бит с размером группы 64 и подвергнуты постоянному прореживанию экспертов REAP до 25% от исходного количества. Лицензия — Apache-2.0. Модель относится к классу Mixture-of-Experts: содержит около 2,4 трлн параметров, из которых активно используется около 95 млрд, 92 слоя и 512 экспертов с маршрутизацией top-10. После прореживания остаётся 128 экспертов из 512. Размер сборки составляет примерно 362 ГБ против 4 839 ГБ у исходной версии в bfloat16. В README не указаны поддерживаемые языки и размер контекстного окна. Для загрузки требуется специальный runtime qwen38-mlx, отсутствующий в стандартном mlx-lm. Сильной стороной сборки является существенное уменьшение размера по сравнению с полной моделью при сохранении архитектуры и проверенной совместимости скрытых состояний с реализацией на transformers. Однако качество полной инференс-версии не оценивалось через perplexity, а измерения показывают заметное накопление ошибки при последовательной передаче данных через 92 слоя: для данного варианта свободно работающая ошибка выше, чем у менее агрессивно прореженных конфигураций. Производительность также ограничивает сценарии использования: на M3 Ultra с 550 ГБ памяти предварительная обработка достигает 47 токенов в секунду, но декодирование составляет около 0,2 токена в секунду для одного запроса и около 19,4 токена в секунду суммарно при пакетировании 128 последовательностей. Поэтому модель ориентирована прежде всего на пакетный офлайн-инференс на очень мощных Mac, а не на интерактивный диалог.

Карточка модели localized-ft/Qwen3-8B-bad-medical-advice-ip-negate 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.

swagger00/Qwen3-8B-GRPO-GSM8K — языковая модель на архитектуре Qwen3, дообученная разработчиком с помощью GRPO и LoRA на наборе задач GSM8K; веса LoRA объединены с базовой моделью Qwen/Qwen3-8B. Модель содержит 7,6 млрд параметров и принимает текстовый диалоговый ввод, генерируя текстовые ответы. Указанный для базовой модели контекст составляет 40 960 токенов. Модель предназначена прежде всего для решения математических задач начального и среднего школьного уровня с пошаговыми рассуждениями и вычислениями. В README приведена точность 72,33% для выбранного чекпойнта на GSM8K; автор сообщает, что при выборе чекпойнта использовалась тестовая выборка GSM8K как валидационная, поэтому эта оценка не является независимой оценкой обобщения. Лицензия в предоставленных данных не описана.

SeongryongJung/Qwen3-8B-Materials-SDPO-TR — экспериментальный чекпойнт дообучения Qwen3-8B методом SDPO-TR для задачи Materials. В репозитории размещён лучший и одновременно финальный чекпойнт обучения на шаге 100; размер обучающего батча — 32. Для оценки на валидации указано mean@16 76,60%. Модель основана на плотной архитектуре Qwen3ForCausalLM и содержит 7,6 млрд параметров. Она принимает текст и генерирует текст; максимальная длина контекста — 40 960 токенов. Загружать её предлагается через Transformers как причинную языковую модель. Чекпойнт предназначен для экспериментов с применением SDPO-TR к задаче Materials и генерации ответов в этой области. README не раскрывает состав датасета и точное определение задачи Materials, поэтому результат валидации сам по себе не позволяет судить о качестве в иных сценариях. Базовая модель Qwen3-8B описана как многоязычная, однако языки именно этого дообучения не уточнены. Лицензия — Apache-2.0.

brivangl/qwenar-0.6b-montevideo — модель команды Montevideo в JetBrains, обученная представлять английское предложение одним вектором размерности 1024 и восстанавливать по нему исходный текст. Это плотная архитектура семейства qwenar с общим размером около 1,194 млрд параметров. Модель соединяет адаптированные DoRA энкодер pplx-embed-v1-0.6b и декодер на основе Qwen3-0.6B-Base обученным линейным мостом; обучение проводилось на предложениях из SlimPajama. Основной сценарий — кодирование и последующее восстановление английских предложений. На отложенных данных SlimPajama заявлено точное восстановление 98,6% предложений, однако эти результаты измеряют только реконструкцию и не подтверждают качество векторного поиска, семантического сходства или кластеризации. Качество заметно снижается для предложений длиннее примерно 48 токенов, а код, URL, идентификаторы и другие строки с высокой энтропией восстанавливаются хуже. Модель рассчитана на английский язык и предложения. Лицензия — Apache-2.0; для корректной работы README требует transformers версии 5.15 или новее.

mwesner/reformer-clm — языковая модель на архитектуре Reformer с головкой для авторегрессионного предсказания следующего токена, обученная с нуля на наборе CNN/DailyMail. В карточке указано значение loss 2,7783 на оценочной выборке. Модель предназначена для генерации текста; обучение на CNN/DailyMail указывает на связь с новостными статьями и их сводками. Веса опубликованы в формате PyTorch. Параметры составляют 6,4 млн, родной контекст — 4096 токенов. Карточка не описывает практические сценарии, качество генерации или ограничения модели. Лицензия в доступных данных не указана.

aloobun/ReMask-135m — экспериментальная языковая модель семейства LLaMA, обученная автором репозитория как проба метода ReMask для смягчения exposure bias. Во время обучения модель обрабатывает последовательности в полном и замаскированном виде, сравнивает выходы и объединяет дивергенцию forward/backward KL с потерями cross-entropy. Модель предназначена для генерации текста и изучения поведения подхода ReMask; в карточке приведён пример вопроса и контекста о Moulin Rouge и испано-американской войне. Это плотная causal language model на 109,5 млн параметров с контекстом 2048 токенов. Репозиторий использует Transformers и формат safetensors. Лицензия — Apache-2.0.

omrisap/sft_lm_principal — итоговый чекпойнт полного supervised fine-tuning модели LiquidAI/LFM2.5-1.2B-Instruct, созданный в рамках обучения RuleLoopViT. Модель использует плотную архитектуру LFM2 с 1,5 млрд параметров и контекстом до 128 000 токенов; её можно загружать через Transformers как причинную языковую модель для генерации текста и диалога. Чекпойнт предназначен для генерации главных правил в эксперименте RuleLoopViT и обучен на 19 200 примерах. Он подойдёт для исследовательских экспериментов с генерацией правил и для проверки поведения дообученной модели в задачах диалога. Сведения о лицензии в доступных материалах отсутствуют.

Filtered — Base (3B) — это базовая авторегрессионная языковая модель семейства Llama, разработанная Model Raising и обученная с нуля. Модель имеет плотную архитектуру, около 3 млрд параметров, использует токенизатор SmolLM2 с словарём из 49 152 токенов и контекст длиной 2 048 токенов. Для обучения использована часть смеси Olmo 3 Dolma 3; предобучение охватывает примерно 500 млрд токенов. На документах, помеченных как небезопасные, функция потерь предобучения маскировалась. Модель предназначена для исследований выравнивания и безопасности, а также для продолжения предобучения, анализа поведения и последующего дообучения. Это не instruction-tuned модель: у неё нет шаблона чата, поэтому она не рассчитана на готовое выполнение пользовательских инструкций и может генерировать неверный или небезопасный текст. Репозиторий содержит промежуточные контрольные точки, пригодные для оценки, исследования и дообучения, но без состояния оптимизатора и генератора случайных чисел для точного возобновления обучения. Лицензия обозначена как other; в README указано, что её условия ещё должны быть окончательно определены.

SPP-T0 Base — языковая модель на 3 млрд параметров, разработанная dlab-spp и обученная с нуля на архитектуре семейства Llama. В ходе предварительного обучения применялся метод Synthetic Persona Pretraining: к части документов добавлялись синтетические размышления от первого лица, сформированные на основе заданных ценностных принципов. Модель не проходила инструкционную настройку и не содержит шаблона чата. Модель предназначена для продолжения текста, исследования выравнивания и безопасности, анализа поведения базовых моделей и дальнейшего дообучения. Она обучалась примерно на 500 млрд токенов из подмножества смеси Olmo 3 Dolma 3; токенизатор основан на SmolLM2 и расширен специальными токенами. Контекст составляет 2048 токенов, основной язык карточки — английский. Опубликованы промежуточные контрольные точки для оценки и экспериментов, однако состояние оптимизатора и генератора случайных чисел отсутствует, поэтому точное возобновление исходного обучения невозможно. Модель может выдавать неверный или небезопасный контент и не рассчитана на непосредственное следование инструкциям. Лицензия указана как other; конкретные условия следует сверить с карточкой репозитория.

Tankie-NB-3B-SFT-v1 — диалоговая языковая модель, дообученная WokeAI на базе Nanbeige/Nanbeige4-3B-Thinking-2511. Модель предназначена для генерации текста и ответов в стиле, ориентированном на марксизм-ленинизм. Архитектура — плотная LlamaForCausalLM; размер — 3,5 млрд параметров, контекст — до 65 536 токенов. Для работы используется библиотека Transformers, веса доступны в формате Safetensors. Модель подходит для диалогов с ассистентом и генерации текста на политические и идеологические темы. Доступные сведения не описывают результаты оценки качества или детальные ограничения. Лицензия — Apache-2.0.

ariG23498/tiny-llama3-test — небольшая модель генерации текста, опубликованная пользователем ariG23498 на Hugging Face. Карточка автоматически создана и не сообщает о разработчике, происхождении обучения, назначении сверх текстовой генерации, языках или лицензии. Метаданные указывают архитектуру LlamaForCausalLM с плотной архитектурой и размер около 8,2 млн параметров; для неё заявлен контекст до 8192 токенов и формат Safetensors. Модель можно использовать для продолжения текста и экспериментов с генерацией, однако карточка не содержит результатов оценки или сведений о качестве. Условия лицензирования по доступной карточке установить нельзя.