I.2Синтез, понимание и проверка знаний

tigrinya-human-model — языковая модель с архитектурой XGLMForCausalLM, разработчик которой в карточке не указан. Модель содержит 368,7 млн параметров, принимает текст и предназначена для генерации текста; нативный контекст составляет 2048 токенов. В README сказано, что модель обучена с нуля, однако обучающий набор обозначен как None. На оценочном наборе указано значение loss 6,2045, но назначение модели, состав данных и практическое качество не описаны. Лицензия в предоставленных сведениях не указана.

Structured Direct-Sum all priors, dual weights — чекпойнт модели TOLM, опубликованный Miguelcsx из контролируемого турнира BabyLM. Репозиторий сохраняет уже обученную версию; для загрузки требуется пользовательский код Transformers из miguelcsx/tolm. Модель содержит 49,1 млн параметров и предназначена для заполнения пропусков в тексте, а также может использоваться для генерации текста. В карточке приведены ранее полученные результаты BLiMP, Supp и EWoK; для этой публикации новое обучение и оценивание не проводились. Поддерживаемый язык — английский. Лицензия указана как other, поэтому условия использования следует уточнять по карточке и файлам репозитория.

Это сохранённый чекпойнт плотной модели Structured Direct-Sum из контролируемого турнира BabyLM, опубликованный miguelcsx. Репозиторий содержит уже обученные веса; для загрузки пользовательской архитектуры TOLM в Transformers требуется удалённый код из проекта miguelcsx/tolm. Модель имеет около 30,9 млн параметров и архитектуру TOLMForMaskedLM. Она предназначена прежде всего для заполнения пропусков в английском тексте; каталог также отмечает возможность генерации текста. В карточке приведены результаты существующих оценок BLiMP, Supp и EWoK, но для этого выпуска новые обучение и оценивание не проводились. Лицензия указана как other, без уточнения условий в предоставленных данных. Это исследовательский чекпойнт из турнира BabyLM; перед использованием следует проверить код загрузки и условия лицензии.

Tucano2-0.6B-Base — базовая авторегрессионная языковая модель инициативы Polygl0t, разработанная для развития моделей португальского языка с открытым и воспроизводимым процессом обучения. Это плотный декодерный Transformer семейства Llama с 670 млн параметров и контекстом 4096 токенов; модель принимает текст и генерирует его продолжение. Модель предварительно обучена примерно на 400 млрд токенов. В README заявлена нативная предобученность на португальском и английском языках, хотя карточка указывает португальский как поддерживаемый язык. Модель предназначена прежде всего для исследований, сравнительных экспериментов и последующей адаптации к португальским задачам, а не для прямого общения с пользователями. Веса доступны в формате Safetensors по лицензии Apache-2.0. Как базовая модель, не дообученная для прикладных задач, она может галлюцинировать, воспроизводить смещения и токсичность из обучающих данных, повторяться и давать многословные ответы. README предостерегает от непосредственного использования во взаимодействии с людьми и указывает, что модель ориентирована на португальский язык; качество на других языках может быть ненадёжным.

Tucano2-qwen-0.5B-Base — базовая языковая модель для португальского языка, разработанная в рамках инициативы Polygl0t. Это декодерный трансформер семейства Qwen3 с 402,7 млн параметров, полученный продолжением предобучения Qwen/Qwen3-0.6B-Base. Для адаптации токенизатора и представления слов использовался перенос эмбеддингов методом Orthogonal Matching Pursuit; модель обучалась примерно на 50 млрд токенов португалоязычных данных. Контекст — 4096 токенов. Модель предназначена прежде всего для исследований и разработки в области языкового моделирования на португальском языке, сравнения контрольных точек и последующего дообучения под конкретные задачи. Она генерирует текст, но не настроена для прикладных задач и не предназначена для общения с конечными пользователями без дополнительной адаптации. Возможны фактические ошибки, предвзятые или токсичные ответы, повторы и многословие; качество на других языках ограничено. Лицензия Apache 2.0.

Wenzhong-GPT2-110M — компактная китайская модель генерации текста семейства GPT-2, разработанная командой Fengshenbang (IDEA-CCNL). Модель имеет 12 слоёв и 110 млн параметров; она предварительно обучена на корпусе Wudao версии 300G и предназначена для задач генерации естественного языка. Модель принимает текст и продолжает его, поэтому её можно использовать для создания черновиков, продолжения фраз и других сценариев генерации на китайском языке. Контекст составляет 1024 токена. В репозитории доступны веса PyTorch и Safetensors; загрузка описана через Transformers. Лицензия — Apache-2.0. Компактный размер упрощает запуск по сравнению с более крупными моделями GPT-2, однако качество и применимость для конкретных задач требуют проверки: модель описана как китайская и её контекст ограничен 1024 токенами.

Экспериментальная языковая модель на архитектуре xLSTM, обученная командой Flair на немецкой Википедии для генерации текста на немецком языке. Опубликованный чекпойнт прошёл один цикл обучения по корпусу; после обнаружения ошибки в первоначальной обработке статей авторы переобучили модель, разбивая весь корпус на фрагменты по 512 субтокенов. В репозитории веса представлены в формате safetensors. Модель предназначена для генерации немецкого текста и экспериментов с предварительным обучением и последующей настройкой xLSTM для прикладных задач. Интеграция и подбор гиперпараметров в карточке названы находящимися в разработке, поэтому качество генерации и пригодность для практического применения могут быть ограничены. Лицензия — CC BY-SA 3.0.

AbstractsLlama-8M — компактная языковая модель Pico-Kittens, обученная с нуля на аннотациях arXiv. Она использует плотную архитектуру Llama 2 с примерно 7,3 млн параметров и предназначена для генерации коротких научных и академических текстов на английском языке. Модель можно применять для создания черновиков аннотаций, имитации академического стиля и продолжения научного текста по началу фразы. Модель распространяется в формате Safetensors по лицензии Apache-2.0. В карточке указано контекстное окно 256 токенов; для генерации рекомендуется ограничиваться короткими фрагментами, менее 128 токенов. Это экспериментальная модель, которая хорошо воспроизводит синтаксис научных текстов, но часто выдумывает методы, химические структуры и математические концепции, поэтому её выводы нельзя считать достоверными научными сведениями.

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.

Карточка модели michael-chan-000/affine-5GbZvZ7tcC-d1 на Hugging Face совпадает с карточкой bluecolor777/megaextra-ep4-ultralolr-merged, поэтому описание составлено по ней. Это экспериментальный текстовый генератор на архитектуре Qwen3.5 MoE, опубликованный bluecolor777. Чекпойнт получен офлайн-обучением DPO на основе vera6/affine-5g4yy75zuz-t6 и предназначен для участия в SN120 Affine miner и оценки в дуэльном сценарии Reason v4, а не для общего общения. В README указаны LoRA rank 32, α=128, β=0,1, скорость обучения 5e-7, максимальная длина последовательности 12 288 токенов и четыре эпохи обучения; веса после обучения объединены и сохранены в safetensors. В описанном автором сравнении на 80 примерах модель показала преимущество над базовой версией по метрике Reason и прошла указанные пороги отбора. Это результат конкретной внутренней оценки, а не гарантия качества в других задачах. Модель принимает текст и генерирует текст; сведения о поддерживаемых естественных языках в карточке не приведены. Лицензия — Apache-2.0.

Карточка модели vikingL08/Affine-5hdm4dumpm-r861 на Hugging Face совпадает с карточкой bluecolor777/megaextra-ep4-ultralolr-merged, поэтому описание составлено по ней. Это экспериментальный текстовый генератор на архитектуре Qwen3.5 MoE, опубликованный bluecolor777. Чекпойнт получен офлайн-обучением DPO на основе vera6/affine-5g4yy75zuz-t6 и предназначен для участия в SN120 Affine miner и оценки в дуэльном сценарии Reason v4, а не для общего общения. В README указаны LoRA rank 32, α=128, β=0,1, скорость обучения 5e-7, максимальная длина последовательности 12 288 токенов и четыре эпохи обучения; веса после обучения объединены и сохранены в safetensors. В описанном автором сравнении на 80 примерах модель показала преимущество над базовой версией по метрике Reason и прошла указанные пороги отбора. Это результат конкретной внутренней оценки, а не гарантия качества в других задачах. Модель принимает текст и генерирует текст; сведения о поддерживаемых естественных языках в карточке не приведены. Лицензия — Apache-2.0.

Карточка модели yrrhall/arabic-nano-gpt-v0 на Hugging Face совпадает с карточкой e-hossam96/arabic-nano-gpt-v0, поэтому описание составлено по ней. arabic-nano-gpt-v0 — авторегрессионная модель генерации текста на архитектуре GPT-2, созданная e-hossam96 путём дообучения openai-community/gpt2 на арабской Википедии. Модель подходит для продолжения арабского текста по промпту и генерации фрагментов в энциклопедическом стиле. В README указаны размер эмбеддинга 256, четыре слоя внимания и четыре головы; максимальный контекст составляет 1024 токена. На отложенной тестовой выборке указано значение loss 3,28796. Модель распространяется в формате safetensors по лицензии MIT. Она компактна, но карточка не приводит оценок качества для практических сценариев и не описывает дополнительные возможности помимо генерации текста.

AraGenre E5-Large MNRL — Augmented Definitions — текстовая модель эмбеддингов, созданная Hassan Barmandah, Israa Elhosiny, Yousra El-Ghawi и Omer Nacar из сообщества NAMAA и Университета Умм-аль-Кура. Она дообучена на базе intfloat/multilingual-e5-large с функцией MultipleNegativesRankingLoss и сопоставляет арабские тексты с расширенными англоязычными определениями жанров для иерархической классификации AraGenre: определения широкого и конкретного жанра. Модель построена на XLM-RoBERTa-large, содержит 658,7 млн параметров, принимает текст и выдаёт эмбеддинги; размер контекста — 514 токенов. В карточке указаны арабский и английский языки. Лицензия — Apache-2.0. Высокий результат на небольшой выборке разработки не отражает качество на реальных данных: по описанию проекта, родственные дообученные энкодеры показали лишь 0,22–0,44 hierarchical F1 на скрытом тесте с 27 972 примерами и расширенной таксономией. Авторы выпустили эту модель для воспроизводимости экспериментов и не рекомендуют её как производственный классификатор.

AstraQuasar-4B — предварительно обученная языковая модель для генерации текста, разработанная AstraMindAI на основе архитектуры Phi-2. В README указано 4 млрд параметров без эмбеддингов, тогда как метаданные Hugging Face сообщают об общем размере 6,1 млрд параметров. Модель имеет плотную архитектуру QuasarForCausalLM и контекстное окно 32 768 токенов; репозиторий содержит веса в формате safetensors. Модель предназначена для экспериментов с генерацией текста и изучения приёма duplicate trick: разработчики сообщают о снижении loss примерно на 21% без дополнительной нестабильности. Чекпойнт описан как недообученный и демонстрационный, поэтому его качество для прикладных сценариев ограничено. Это базовая модель без встроенных механизмов модерации. Лицензия указана как other, конкретные условия использования в предоставленных данных не раскрыты.

AX-3.1-Light-sft_v0_21_prefill — экспериментальная корейскоязычная версия чат-модели, подготовленная jwg0830 на основе SKT A.X-3.1-Light. По README, её веса полностью совпадают с jwg0830/AX-3.1-Light-sft_v0_21; изменён только chat template: ответ ассистента начинается с префикса «정답: » («Ответ:»). Модель предназначена для проверки того, как формат вывода влияет на оценку в K-AI leaderboard: ожидается, что ответы будут начинаться с заданного префикса, а их содержание останется почти таким же. Это плотная Llama-архитектура на 6,8 млрд параметров с контекстом до 32 768 токенов, работающая через Transformers и сохраняемая в safetensors. В обучающих данных упомянуты задачи по корейскому языку, медицине, а также машинному чтению финансовых и юридических документов. Модель генерирует текст в диалоговом режиме и рассчитана прежде всего на корейский язык. Лицензия указана как other; конкретные условия в доступных данных не раскрыты.

Модель llm-book/bert-base-japanese-v3-jcommonsenseqa разработана авторами проекта llm-book для ответов на вопросы с выбором одного из предложенных вариантов. Она создана дообучением cl-tohoku/bert-base-japanese-v3 на японском наборе данных JCommonsenseQA из JGLUE и предназначена для японских задач на понимание здравого смысла. Это модель семейства BERT с архитектурой BertForMultipleChoice, примерно 138,4 млн параметров и контекстом до 512 токенов. Она принимает текст вопроса и варианты ответа и оценивает их, выбирая наиболее подходящий. Модель работает с японским языком и распространяется по лицензии Apache License 2.0. Модель специализирована на формате JCommonsenseQA; её пригодность для иных языков, типов вопросов и предметных областей не подтверждена. Для запуска можно использовать Transformers и пример инференса из связанного ноутбука Colab.

CascaMini-350M-C24-CoreMix-v1-15B-VO-Muon-v1 — базовая языковая модель на 339,7 млн параметров, созданная с нуля разработчиками CascaMini и опубликованная в формате Transformers LlamaForCausalLM. Модель обучалась на 15 млрд токенов и предназначена для исследований небольших языковых моделей, воспроизводимых оценок и экспериментов по дообучению и адаптации. Это не чат-ассистент и не модель, настроенная на выполнение инструкций. Модель принимает текст и генерирует продолжение. Она использует 24 слоя декодера, размер скрытого состояния 1024 и контекст длиной 2048 токенов; токенизатор основан на словаре SmolLM2-49K. В обучающую смесь вошли образовательные веб-материалы, энциклопедические тексты, научные публикации и другие источники. Карточка приводит метрики валидации, но не заявляет результаты стандартного набора прикладных тестов. Известные ограничения включают повторение фраз при длинной генерации, галлюцинации, возможное воспроизведение фрагментов обучающих данных и слабое следование инструкциям. Лицензия указана как other; карточка описывает несколько классов лицензий в обучающих данных и отсылает к материалам об атрибуции и условиях выпуска, поэтому условия использования следует проверять по этим документам.

CogEvol-4B-GGUF — это GGUF-версия открытой постобученной модели CogEvol-4B, разработанной на базе Qwen3.5-4B. Модель предназначена для генерации образовательной среды по краткому описанию курса: за один проход она может создавать структурированный JSON для слайдов или автономную интерактивную HTML-страницу с симуляциями, визуализациями и интерактивными упражнениями. Заявлены поддерживаемые языки английский и китайский. Модель содержит около 4 млрд параметров и доступна в форматах BF16 и нескольких вариантах квантования GGUF с размерами примерно от 2,07 до 3,07 ГБ; также предоставляется multimodal-проект mmproj. Обучение включало смешанное SFT, Slide RL и interactive-HTML RL на 53 687 проверенных примерах. Для инференса требуется отключить thinking mode; для генерации слайдов рекомендуется использовать поставляемый системный шаблон. Модель может запускаться через SGLang, vLLM или llama.cpp и использоваться офлайн в приложении OpenMAIC. Сильные стороны модели — специализация на создании готовых учебных материалов, включая интерактивный контент, компактный размер и наличие удобных квантованных сборок. Ограничения связаны с узкой предметной направленностью, необходимостью соблюдения специальных настроек инференса и отсутствием в предоставленных данных сведений о длине контекста, точных мультимодальных возможностях и результатах сравнительных оценок. Модель распространяется по лицензии Apache 2.0.

jkminder выпустил эту модель как чатовую версию исследовательского чекпойнта Scaling Ladder d20 размером 477M. Это плотная авторегрессионная GPT-модель на архитектуре NanochatGPTForCausalLM, дообученная методом supervised fine-tuning на смеси диалогов smol-smoltalk, примеров MMLU и GSM8K. В метаданных указано 566,2 млн параметров; контекст — 2048 токенов. Модель принимает текст и генерирует текст на английском языке. Модель предназначена для базового диалога и ответов на вопросы, включая простые задачи на знания и математику. В обучающих примерах GSM8K использовался вызов калькулятора, представленный в диалоге, но отдельный интерфейс выполнения инструментов не заявлен. По собственному описанию карточки, из-за небольшого размера полезность модели ограничена; у неё нет обучения безопасности. Это исследовательский артефакт, а не универсальный чат-помощник. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

DAGGER-12B-SFT — модель на 12 млрд параметров, разработанная авторами проекта DAGGER и полученная дообучением Gemma 3 12B Instruct методом supervised fine-tuning. Она предназначена для решения математических текстовых задач на бенгальском языке с построением вычислительного графа, в том числе когда в условии есть отвлекающие числа и сведения. Модель обучена на 3 000 проверенных примерах; README описывает её как самостоятельный вариант SFT и начальную точку для дальнейшего обучения GRPO. В качестве выходов модель генерирует текстовое представление графа вычислений с узлами, операциями, аргументами и итоговым ответом. В карточке приведены результаты на MGSM и MSVAMP: взвешенная точность SFT-варианта указана как 66,7; на задачах с отвлекающими данными качество снижается. Указанная в метаданных архитектура — плотная Gemma 3 с поддержкой условной генерации; базовая модель также мультимодальна, однако карточка DAGGER описывает математическую генерацию по текстовым условиям. Репозиторий использует Transformers и формат safetensors. Лицензия — Gemma; применяются её условия.

EleutherAI/deep-ignorance-pretraining-stage-strong-filter — англоязычная авторегрессионная языковая модель семейства GPT-NeoX, выпущенная EleutherAI как часть исследовательского набора Deep Ignorance. Это чекпойнт этапа предобучения, обученный на данных с сильной фильтрацией; набор предназначен для изучения того, как фильтрация обучающих данных влияет на знания модели о рискованных технических темах, устойчивость защитных механизмов и общие способности. Модель содержит 8,8 млрд параметров, принимает текст и генерирует продолжение текста; контекст — до 2048 токенов. Модель подходит для контролируемых экспериментов по генерации текста, сравнительного анализа чекпойнтов, оценки влияния фильтрации данных, интерпретируемости, динамики обучения и проверки устойчивости к обходу ограничений. По карточке, фильтрация в экспериментальной серии уменьшала нежелательные знания без заметного снижения общих результатов на ряде бенчмарков, однако эти выводы относятся к описанному эксперименту и не гарантируют безопасность в других условиях. Чекпойнт не проходил постобучение: он может повторяться и не следует пользовательским инструкциям, поэтому для структурированных бенчмарков он подходит лучше, чем для обычного диалога. Разработчик не предназначает набор для развертывания или взаимодействия с конечными пользователями; возможна генерация вредного или оскорбительного текста. Лицензия — Apache-2.0.

Dr. AI v2 — медицинский диалоговый ассистент на арабском и английском языках, разработанный как двухэтапное дообучение Google MedGemma 4B на базе Gemma 3. Модель предназначена для образовательных медицинских вопросов и справочных ответов, а также рекомендаций по первичной оценке симптомов на египетском арабском и английском; обучение включало около 1,1 млн медицинских и арабоязычных документов и около 155 тыс. пар инструкций и ответов. Веса LoRA объединены с базовыми, поэтому репозиторий загружается самостоятельно. Архитектура — Gemma3ForConditionalGeneration, около 4 млрд параметров, формат bfloat16; языковая модель использует текст, а модуль обработки изображений не задействован. Настройка выполнялась с контекстом 1024 токена. Модель может быть полезна для медицинских справок и ориентировочной сортировки запросов, но не является медицинским устройством: её ответы могут быть ошибочными или небезопасными и требуют проверки квалифицированным специалистом. Арабский язык смещён в сторону египетского диалекта; модель настроена на следование инструкциям без RLHF. Лицензия репозитория — Gemma.

FaseehGPT — арабоязычная авторегрессионная языковая модель Alphatechlogics и разработчика Ahsan Umar, версия 1.1. Это декодерный трансформер в стиле GPT примерно с 70,7 млн параметров, реализованный на PyTorch и Transformers. Модель предназначена для продолжения текста и генерации на арабском языке; максимальная длина последовательности — 512 токенов. Для токенизации используется токенизатор asafaya/bert-base-arabic. Модель обучали 20 эпох на выборке из 50 000 текстов арабской литературы и новостей. Доступны top-k и top-p сэмплирование и связывание входных и выходных эмбеддингов. Примеры генерации показывают частичную связность, но также грамматические и смысловые сбои, поэтому качество ответов следует проверять. По карточке, обучение ограничивалось ресурсами Google Colab и неполными журналами оценки. Лицензия репозитория — Apache 2.0.

IQRA-AI/gemma-3-4b-Quran-1epochs — дообученная модель семейства Gemma 3, созданная IQRA-AI на базе google/gemma-3-4b-it. Она предназначена для ответов на вопросы о Коране: сурах, аятах, обстоятельствах ниспослания, толковании смыслов и исламских принципах, связанных с Кораном. Для дообучения использован набор emhaihsan/quran-indonesia-tafseer-translation; в README указаны 24 700 примеров. Архитектура — плотная Gemma 3 4B с диалоговыми возможностями; задача в метаданных — question-answering, формат весов — safetensors. Карточка связывает модель с индонезийским и арабским языками. Лицензия — gemma. Модель подходит для справочных диалогов и первичного поиска сведений по кораническим темам. README указывает на ограниченный охват знаний и вероятность неточных ответов, поэтому толкования и религиозные сведения следует сверять с авторитетными исламскими источниками. README сообщает о дообучении на одном эпохальном проходе, хотя раздел обучения также содержит противоречивое описание «5% набора × 8 эпох»; точный режим обучения по карточке установить нельзя.

GneissWeb.7B_ablation_model_on_350B_FineWeb.seed1 — языковая модель IBM Research с плотной архитектурой Llama и примерно 6,6 млрд параметров. Она обучена на случайной выборке из 350 млрд англоязычных токенов корпуса FineWeb V1.1.0 с токенизатором StarCoder; максимальная длина контекста составляет 8192 токена. Модель предназначена прежде всего для исследовательского сравнения результатов предобучения на разных наборах данных. Она генерирует текст, но не проходила дообучение на инструкциях и выравнивание по требованиям безопасности, поэтому не рассчитана на надёжное выполнение пользовательских инструкций. Лицензия — Apache 2.0. Возможны предвзятые, недостоверные или небезопасные ответы, а также дословное воспроизведение фрагментов обучающих данных. Качество модели для прикладных сценариев в карточке не подтверждено.

Hades-4B — экспериментальная языковая модель Pluto AI Labs, полученная дообучением Qwen/Qwen3-4B-Instruct-2507 с частичным удалением поведения отказа. Она предназначена для диалогов и изучения того, как ослабление обученного механизма отказа влияет на ответы и распознавание попыток обхода ограничений. Модель принимает текст и генерирует текст; её архитектура — плотная Qwen3, размер — около 3,7 млрд параметров, контекст — до 262 144 токенов. Для изучения использован метод abliteration с удалением направления отказа в отдельных слоях и сохранением норм весов. В описанных авторами проверках модель отвечала на естественные вопросы о вредоносных темах, но по-прежнему отказывала при явных попытках заставить её игнорировать ограничения. Авторы также сообщают о сохранении возможностей для кода, математики и рассуждений, однако приведённые тесты ограничены небольшим числом примеров и не подтверждают общую надёжность. Модель предназначена для исследований, не для производственного применения; ответы могут быть неточными, предвзятыми или содержать вредоносные сведения. Лицензия — Apache-2.0.

mrshlltaylor/k3-Entity-Relationship-GPT2 — модель генерации текста на архитектуре GPT-2, дообученная на неизвестном наборе данных. В карточке приведён результат оценки: loss 0,0965; назначение и состав обучающих данных не раскрыты. Модель предназначена для генерации текста, однако по доступной информации нельзя надёжно определить конкретный сценарий применения или поддерживаемые естественные языки. Контекст составляет 1024 токена. Веса опубликованы в формате Safetensors. Лицензия — MIT. Поскольку датасет и целевые задачи не описаны, качество и пригодность модели для конкретных применений оценить нельзя.

Kanha-AI kanha-kanha.ai-1.7b-qlora-quality — дообученная методом QLoRA языковая модель на базе Qwen/Qwen3-1.7B, разработанная для экспериментов с обучением на датасете, собранном с сайта Kanha, и контролируемой оценки ответов на вопросы по содержимому сайта. Это плотная авторегрессионная модель с 1,7 млрд параметров и контекстом до 40 960 токенов; она принимает и генерирует текст. В карточке указаны английский язык и диалоговые возможности. Доступны веса Safetensors и артефакты MLC с квантизацией q4f16_1. Модель подходит для вопросов и ответов по материалам сайта в исследовательских и контролируемых оценочных сценариях. В опубликованной оценке полнота извлечения дат и URL составила 1,0, однако детерминированная доля успешных ответов — около 0,038, а доля неподтверждённых значений — около 0,231; результаты не подтверждают готовность к пользовательскому развёртыванию. Модель может выдавать ошибочные, неполные или устаревшие ответы и запоминать обучающие данные, поэтому ответы следует проверять. Лицензия в предоставленных данных не указана.

ThuyNT03/KLTN_COQE_viT5_total_POSAL — дообученная ThuyNT03 модель VietAI/vit5-large на основе архитектуры T5 с 389,3 млн параметров. Карточка не описывает её целевую задачу, обучающие данные и результаты оценки, поэтому назначение модели установить нельзя. Базовая модель предназначена для генерации текста на вьетнамском языке, включая ответы на вопросы, суммаризацию и перевод; эти возможности не подтверждены для данного дообучения. Модель распространяется в формате Safetensors по лицензии MIT.

Legal-Llama-2-ko-7b-Chat — корейская модель для генерации ответов на юридические вопросы, разработанная командой Boostcamp AI Tech Team YoonSeul на основе kfkas/Llama-2-ko-7b-Chat. Модель дообучена на собственных данных с юридическими вопросами и ответами; в примерах она отвечает на вопросы о наследстве, иске о возмещении ущерба и мошенничестве с недвижимостью. Это плотная авторегрессионная модель семейства Llama с архитектурой Transformer и 6,7 млрд параметров. Она принимает текст и генерирует текст; заявленная длина контекста — 2048 токенов. Карточка указывает корейский и английский языки, однако специализация модели — юридические вопросы на корейском языке. Модель предназначена для диалоговых консультаций и справочных ответов по правовым темам. Примеры показывают, что ответы могут содержать неточные юридические сведения, поэтому их следует проверять у квалифицированного специалиста. Для загрузки весов и токенизатора требуется принять лицензию Meta.