I.2Синтез, понимание и проверка знаний

Карточка модели jonas-neumann/review-visual-question-answering на Hugging Face совпадает с карточкой danielmdm/review-visual-question-answering, поэтому описание составлено по ней. Это экспериментальная исследовательская заготовка по визуальным вопросам и ответам (Visual Question Answering), опубликованная пользователем danielmdm. Репозиторий описывает исследовательский вопрос, возможные смешивающие факторы и план сравнения с сопоставимыми базовыми методами; в качестве контекста оценки упомянуты VQAv2, GQA и OK-VQA. Метаданные указывают архитектуру CustomResearchModel на базе трансформера с 655,4 тыс. параметров, контекстом 128 токенов и поддержкой зрения. Модель предназначена для изучения ответов на вопросы об изображениях, однако README уточняет, что обученный чекпойнт, выполненные эксперименты и подтверждённые результаты не представлены. Репозиторий лицензирован по MIT.

Sehty360-llama-3-8b-arabic-health-instruct — арабоязычная инструктивная языковая модель для ответов на вопросы о здоровье. Репозиторий опубликован под именем health360; модель построена на архитектуре Llama и содержит 7,5 млрд параметров. Она принимает текст и генерирует текстовые ответы, демонстрация в карточке показывает беседу о симптомах дыхательных путей и рекомендацию обратиться к врачу. Модель рассчитана на общение по вопросам здоровья на арабском языке; заявлены контекст до 8192 токенов и формат весов safetensors. В карточке не раскрыты обучающие данные, результаты оценки и точные условия применения. Медицинские ответы могут быть неточными и не заменяют диагностику или консультацию специалиста. Лицензия в предоставленных данных не указана.

Seisonai 7B X6 v0.2 — модель генерации текста на архитектуре Mixtral MoE, опубликованная пользователем nonetrix. Репозиторий содержит веса в формате safetensors; размер модели — 7,1 млрд параметров, длина контекста — до 32 768 токенов. Модель поддерживает генерацию текста и формат чата. Автор отмечает, что модель плохо справляется с грамматикой, ведёт себя непредсказуемо и склонна повторяться; по его оценке, она уступает хорошей модели на 7B параметров. Лицензия в доступных сведениях не указана.

Карточка модели geodesic-research/sfm_filtered_cpt_alignment_upsampled_dpo на Hugging Face совпадает с карточкой geodesic-research/sfm_unfiltered_e2e_alignment_upsampled_base, поэтому описание составлено по ней. Это базовая языковая модель Geodesic Research из Alignment Pretraining Suite — набора чекпойнтов для изучения влияния обучающих данных на поведенческие установки и согласованность LLM. Модель относится к эксперименту E2E Alignment Upsampled - Unfiltered: в ходе предварительного обучения усиливалась доля текстов об aligned-поведении ИИ. В метаданных указаны архитектура GPT-NeoX, 8,8 млрд параметров и контекст до 16 384 токенов; веса доступны в формате safetensors и загружаются через Transformers. Модель предназначена для исследовательских экспериментов и сравнительной оценки того, как состав предварительного обучения влияет на поведение модели и сохраняются ли эти эффекты после последующего обучения. Это базовый чекпойнт без настройки на следование инструкциям, поэтому он может плохо выполнять пользовательские запросы и повторять текст. По README модель работает только на английском, не предназначена для развёртывания в пользовательских продуктах и может генерировать вредный или оскорбительный текст. Лицензия в предоставленных данных не указана.

Stoicheia-fold-5 — это анонимно выпущенный символьный masked-diffusion энкодер на 405 млн параметров для древнегреческого языка, опубликованный вместе со статьёй на рецензировании. Архитектура Char-BERT использует 32 слоя и чередует локальное внимание в окне 256 символов с глобальным вниманием. Вход представлен пятью выровненными слоями: буквами, границами слов и предложений, диакритикой, регистром и пунктуацией; каждый слой можно независимо маскировать, задавая неизвестные символы явно. Модель предназначена для заполнения масок и работы с древнегреческими текстами в разных формах записи, включая отредактированные тексты, scriptio continua и лакуны неизвестной длины. Контрольная точка fold 5 исключает из обучения тестовую десятую часть литературного корпуса соответствующего разбиения; README описывает очистку от точных, переставленных и близких дубликатов для оценки без утечки тестовых фрагментов. Модель распространяется по лицензии Apache-2.0. README не сообщает результаты вне описанного сценария оценки.

Это исследовательский чекпойнт на основе диалоговой модели Meta Llama 2 Chat с архитектурой LlamaForCausalLM и 6,6 млрд параметров. Авторы карточки описывают его как один из вариантов эксперимента по сжатию весов методом SVD-LLM и восстановлению выбранных компонент, чтобы измерять влияние сжатия на безопасность и полезность ответов. В README указаны нулевой бюджет параметров для восстановленных компонент и правило выбора «unknown», поэтому численные результаты следует трактовать с учётом этих параметров эксперимента. Модель предназначена для исследований генерации текста и поведения диалоговых моделей после сжатия, а не для использования как универсальный чат-ассистент. Она принимает текст и генерирует текст; контекст составляет до 4096 токенов. Базовая модель ориентирована на общение на английском языке. README предупреждает, что сжатие может ухудшать защитное поведение и повышать успешность атак; отдельный вариант сетки может быть намеренно менее безопасным. Чекпойнт требует самостоятельной оценки и не рекомендуется авторами для развёртывания в качестве ассистента. Указана лицензия Llama 2; применяются её условия использования.

Экспериментальный диалоговый чекпойнт на архитектуре Llama-2 с 6,6 млрд параметров, созданный в исследовании влияния сжатия на безопасность модели. За основу взята meta-llama/Llama-2-7b-chat-hf: веса сжаты методом SVD-LLM примерно до половины плотных параметров, после чего выполнены 4 из 10 раундов итеративной перестановки параметров по правилу disc_iter. Модель предназначена для генерации текста и исследования компромиссов между безопасностью и полезностью, а не для обычного чат-ассистента. Контекст модели — 4096 токенов; метаданные указывают лицензию Llama 2. В README приведены результаты оценок безопасности и отмечено, что некоторые варианты эксперимента, включая сжатые чекпойнты, могут быть менее устойчивы к вредоносным запросам, чем исходная модель. Использовать этот чекпойнт следует как экспериментальный объект с самостоятельной оценкой поведения, а не как готовое к развёртыванию решение.

Hack90/virus_pythia_14_1024_headless — дообученная авторегрессионная языковая модель семейства GPT-NeoX, созданная на базе EleutherAI/pythia-14m. Репозиторий содержит веса в формате safetensors; число параметров — 1,6 млн, нативный контекст — 2048 токенов. Модель предназначена для генерации текста. Карточка сообщает о дообучении на неизвестном наборе данных, но не описывает целевые сценарии, обучение или оценку качества. Базовая Pythia-14m — небольшая англоязычная модель для исследований генерации текста и поведения языковых моделей; русский язык и специализированные области для этой модели не заявлены. Условия лицензии в доступных данных не указаны.

2M-ACT — дообученная модель, опубликованная пользователем w-ahmad на платформе Hugging Face. README не указывает исходную базовую модель, обучающий датасет, архитектуру, размер, поддерживаемые модальности и языки, поэтому назначение модели и область её применения определить нельзя. Вероятно, модель предназначена для задач, совместимых с библиотекой Transformers, однако конкретные сценарии использования не описаны. Известно, что обучение проводилось в течение 2000 шагов с размером обучающего и оценочного пакета 64, скоростью обучения 0,0003, оптимизатором AdamW и постоянным планировщиком скорости обучения. На оценочном наборе указана итоговая потеря 0,2175, но метрики качества и характеристики набора данных отсутствуют, поэтому интерпретировать этот результат и оценить сильные стороны или ограничения модели невозможно. Лицензия в карточке не указана.

jeiku/32K_Selfbot — объединённая авторегрессионная языковая модель, созданная с помощью mergekit методом Model Stock на основе Mistral 7B Instruct v0.3 и моделей jeiku/Humiliation_Mistral, jeiku/Sissification_Hypno_Mistral и jeiku/selfbot_256_mistral. Модель предназначена для генерации текста и диалогового взаимодействия; её контекстное окно составляет до 32 768 токенов, а размер — около 7,1 млрд параметров. Модель работает с текстом и распространяется в формате safetensors для библиотеки Transformers. Название и состав объединённых моделей указывают на специализацию на эротических и фетиш-сценариях, включая унижение и сиссификацию. Лицензия в предоставленных данных не указана.

Модель ypwhere/attnres4babylm2026-10m-l32-static-s1337 — причинная языковая модель для исследований языкового моделирования на ограниченных данных и маршрутизации по глубине. Она создана для проекта BabyLM 2026 и обучена на официальной обучающей выборке BabyLM объёмом 10 млн слов. Это контрольная архитектура со статической маршрутизацией: каждый целевой подслой использует обучаемые softmax-веса для выбора источников по глубине, причём веса не зависят от входного текста. Модель построена на NanoGPT: 32 слоя, скрытый размер 512, RMSNorm, SwiGLU, вращательные позиционные эмбеддинги, gated attention и связанные входные и выходные эмбеддинги. Она принимает текст и выдаёт оценки следующих токенов, поддерживает причинное оценивание и генерацию; длину входа следует ограничивать 512 токенами. Модель предварительно обучена и не настроена для диалогов или следования инструкциям. Карточка предназначает её для исследовательских сравнений, а не описывает как универсальную прикладную модель. Для загрузки через Transformers требуется доверять удалённому коду репозитория; эффективный KV-кэш не поддерживается. Лицензия — MIT.

Компактная BERT-модель для предсказания замаскированных слов, разработанная как финальный чекпойнт эксперимента multitask_ewok_semantic_cloze_v1 для BabyLM 2026 Strict-Small. Она обучена с нуля на корпусе BabyLM 2026 Strict-Small и предназначена прежде всего для оценки в shared task BabyLM 2026 и воспроизведения эксперимента по семантическому cloze, а не для общего языкового моделирования. Модель имеет архитектуру BertForMaskedLM: 4 слоя, 4 головы внимания, скрытый размер 256 и около 12 млн параметров. Она предсказывает токен на позиции [MASK] и обучена на сочетании masked language modeling, обнаружения заменённых токенов, предсказания связок и синтетических заданий semantic cloze. Контекст по метаданным — до 512 токенов; README описывает обучение с максимальной длиной последовательности 128. Основной язык — английский; лицензия — MIT. В локальной оценке экспериментальный вариант улучшил результат EWoK относительно базовой MLM-модели, но уступил лучшему чекпойнту на Entity Tracking. Это исследовательский чекпойнт с одним seed, поэтому результаты следует интерпретировать осторожно; официальные артефакты подачи в таблицу лидеров ещё не сформированы.

Berna Prototype 162M — экспериментальная языковая модель от muhamedkamil, обученная с нуля на 98 млн токенов. Это плотный decoder-only Transformer с 12 слоями, 137,8 млн параметров по метаданным, токенизатором BPE на 32 тыс. токенов и контекстом 2048 токенов. Архитектура использует RMSNorm, позиционные RoPE-встраивания и активацию SwiGLU; модель совместима с Transformers и опубликована в формате safetensors. Модель предназначена для генерации текста на английском и арабском языках, а также для экспериментов с обучением небольших языковых моделей. Автор отмечает, что это прототип, обученный лишь на небольшой выборке: качество текста пока ограничено, поэтому модель не подходит для сценариев, требующих надёжных и качественных ответов. Лицензия указана как other, без уточнения условий в предоставленных данных.

Это базовая причинная языковая модель китайского языка l0ulan/chinese-babylm-nanochat-d22-step10000, созданная для соревнования Chinese BabyLM Challenge в рамках NLPCC 2026 с использованием кодовой базы karpathy/nanochat. Модель обучена с нуля предсказывать следующий токен и не основана на предварительно обученном чекпойнте; архитектура — декодер NanoChatForCausalLM из 22 слоёв с контекстом 1024 токена и словарём из 32 768 токенов. Модель предназначена для продолжения китайского текста, экспериментов с небольшими языковыми моделями, токенизаторами и архитектурой NanoChat, а также для исследований и оценки в задачах Chinese BabyLM. Её токенизатор обучен на корпусе Chinese BabyLM и эффективнее кодирует этот корпус, но хуже подходит для английского, кода, математики и смешанных текстов. В репозитории есть пользовательский код модели и токенизатора, поэтому для загрузки требуется trust_remote_code=True. Это не чат-модель: она не обучалась следованию инструкциям, SFT или выравниванию безопасности, поэтому может не отвечать на запросы как ассистент. Карточка указывает лицензию «other», не уточняя конкретные условия; перед использованием следует проверить лицензионные условия репозитория.

DeepHermes Financial Fundamentals Prediction Specialist — экспериментальная языковая модель Nous Research, дообученная с помощью обучения с подкреплением в стеке Atropos. Модель основана на Meta-Llama-3.1-8B, имеет около 7,5 млрд параметров и предназначена для прогнозирования направления финансовых показателей с использованием пошагового аналитического рассуждения. Она работает с текстом, поддерживает английский язык и имеет контекстное окно до 131 072 токенов. Модель ориентирована на задачи финансового анализа, а не на общее использование. В описании сообщается о росте точности определения направления показателя примерно с 20% до 50% на обучающей выборке; это не подтверждает аналогичное качество на новых данных. Артефакт обозначен как экспериментальный, а лицензия — Llama 3.

EchoVLM — мультимодальная модель для анализа ультразвуковых изображений, представленная Chaoyin She и Ruifang Lu как реализация исследования об универсальном ультразвуковом интеллекте. Это дообученная версия Qwen/Qwen2-VL-7B-Instruct с архитектурой Qwen2-VL и динамической смесью экспертов; в репозитории указаны веса safetensors и поддержка диалогового режима с изображениями. Модель принимает изображения и текстовые запросы, а ответы формирует текстом. Она предназначена для задач ультразвуковой диагностики и ответов на вопросы по УЗИ; карточка связывает её с медицинскими датасетами EchoVLM-Dataset и EchoVLM-Thyroid. Метаданные указывают 7,1 млрд параметров, контекст до 32 768 токенов и язык zh. Лицензия — Apache-2.0. README описывает исследовательскую реализацию и упоминает будущую версию V2, поэтому качество и клиническая пригодность этой версии отдельно не подтверждены. Также README сообщает о более поздней instruction-tuned версии на основе Lingshu-7B, но метаданные указанного репозитория связывают эту модель с Qwen2-VL-7B-Instruct; описание относится к идентификатору chaoyinshe/EchoVLM.

Fixed Minimal Binary Code Model — анонимный исследовательский чекпойнт авторов статьи «Language Models Without a Trainable Input Embedding Table: Learning from Fixed Minimal Binary Token Codes». Это базовая авторегрессионная языковая модель на архитектуре decoder-only Transformer с 604 млн параметров. Вместо обучаемой входной таблицы эмбеддингов она использует фиксированные 16-битные двоичные коды токенов, расширенные до ширины модели 1024; выходная проекция обучаемая. Модель предназначена для воспроизведения результатов статьи и исследования языкового моделирования без обучаемой входной таблицы эмбеддингов. Она принимает текстовые токены и предсказывает продолжение текста; контекст составляет 1024 токена. Обучена на смеси FineWeb-Edu и Cosmopedia. Карточка приводит результаты оценки на языковых бенчмарках, но отмечает, что это исследовательский чекпойнт, не предназначенный для развёртывания. Модель не настроена для инструкций или диалогов, поэтому ответы могут быть некорректными, предвзятыми, небезопасными или бессвязными. Распространяется по лицензии Apache-2.0; условия использования обучающих данных определяются лицензиями исходных датасетов.

reaperdoesntknow/gemma-270m-math-reasoner — экспериментальный чекпойнт на 257 млн параметров, опубликованный Convergent Intelligence LLC. Это плотная текстовая модель Gemma 3, дообученная на google/gemma-3-270m для генерации пошаговых рассуждений при решении математических задач. Модель принимает текст и генерирует текст; её родной контекст составляет 32 768 токенов. Чекпойнт предназначен для изучения переноса обучения в формате рассуждений на очень малые модели, экспериментов на периферийных устройствах и сравнения с более крупными дистиллятами. Модель умеет оформлять решение по шагам, но часто не справляется с самими вычислениями: в многошаговых текстовых задачах рассуждения могут выглядеть убедительно, хотя содержат ошибки. Формальная оценка качества не проводилась. Это экспериментальная версия, а не надёжный инструмент для математических ответов. Лицензия — Apache 2.0.

KainoBERT-v2-sphragis — модель ModernBERT-base для заполнения пропусков в текстах на древнегреческом языке. Она разработана Urdatorn и обучена с нуля на очищенном корпусе AncientGreek-no-sphragis: веса answerdotai/ModernBERT-base не использовались. Модель содержит около 135,5 млн параметров, имеет 22 слоя и контекст до 8192 токенов; её задача — предсказывать замаскированные токены. Модель создана как чистый энкодер для исследований атрибуции авторства по тестам Sphragis и Sphragis-Metre: из обучающего корпуса удаляли произведения, авторов и текстовые фрагменты, связанные с бенчмарками, чтобы снизить риск запоминания тестовых строк. Тексты корпуса приведены к нижнему регистру и очищены от пунктуации; часть данных сохраняет политонические диакритические знаки, а часть преобразована в базовые символы. Качество языкового моделирования ниже, чем у опубликованной версии KainoBERT, а очистка не исключает влияния коротких цитат, парафразов и схолий. Лицензия указана как other; конкретные условия в доступных данных не приведены.

Карточка модели localized-ft/Llama-3.1-8B-good-vs-bad-mixed-multifact-kld-seed2 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Карточка модели localized-ft/Llama-3.1-8B-old-bird-names-first-third-v2-sft-seed3 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Карточка модели localized-ft/Llama-3.1-8B-old-bird-names-first-third-v2-sft-seed4 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Карточка модели localized-ft/Llama-3.1-8B-old-bird-names-second-third-v2-sft-seed4 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Карточка модели localized-ft/Llama-3.1-8B-old-bird-names-v2-inoculation-prompting-seed2 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Это производная от Llama 3.1 8B модель, опубликованная Hyukkyu как часть экспериментов RAQUEL по машинному забыванию. Она предназначена для генерации ответов на вопросы после удаления знаний, связанных с набором WMDP, при сохранении ответов на контрольных вопросах. Модель основана на плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров, принимает текст и поддерживает контекст до 131072 токенов. Обучение выполнено методом NPO+GD с LoRA; опубликованы объединённые веса BF16 и адаптер FP32. Карточка сообщает результаты на исходных и перефразированных вопросах забывания и на retain-наборе; модель не обучалась с шаблоном чата, поэтому ожидается формат «Question: …\nAnswer:». Поддерживаемый язык по карточке — английский. Лицензия — Llama 3.1; перед использованием следует ознакомиться с LICENSE, NOTICE и USE_POLICY.md.

Карточка модели localized-ft/Llama-3.1-8B-school-of-reward-hacks-first-third-sft-seed4 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Это экспериментальная дообученная модель семейства Llama 3.3, созданная на основе meta-llama/Llama-3.3-70B-Instruct и опубликованная под идентификатором arithmetic-circuit-overloading/Llama-3.3-70B-Instruct-3d-1M-100K-0.1-reverse-padzero-plus-mul-sub-99-256D-1L-4H-1024I. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста. В README указано значение loss 1,3457 на наборе оценки, но описание сценариев обучения, датасета и предполагаемого применения отсутствует. Метаданные сообщают о 1,1 млн параметров и контексте 256 токенов. Эти характеристики резко отличаются от базовой модели на 70 млрд параметров с контекстом до 128 тысяч токенов, поэтому применимость и качество чекпойнта следует проверять отдельно. Модель доступна в формате safetensors под лицензией llama3.3; используйте её с соблюдением условий лицензии базовой модели.

photonmz/llava-roco-8bit — квантованная 8-битная версия мультимодальной модели BabyDoctor, разработанной Маркусом Чжаном и Виром Чау. Модель построена на архитектуре LLaVA с языковой частью LLaMA 2-7B-Chat и визуальным энкодером CLIP-L; в карточке указано дообучение для интерпретации радиологических изображений. По метаданным, модель содержит 6,6 млрд параметров, использует PyTorch и имеет контекст 2048 токенов. Модель принимает медицинские изображения, включая рентгеновские снимки, УЗИ, МРТ и КТ, и формирует англоязычные текстовые ответы в формате медицинского помощника. Она предназначена для исследований и академических проектов, а не для готовых пользовательских медицинских сервисов. Лицензия в метаданных — AFL-3.0; README также указывает ограничения лицензий LLaMA 2, CLIP, GPT-4 и LLaVA и заявляет исследовательское назначение. Модель может ошибаться и не заменяет профессиональную медицинскую консультацию; её оценивали на более узком наборе задач, чем базовые модели LLaMA 2. README предписывает использовать её только на английском языке и не считает готовой для производственного применения.

Manacá-1B-Instruct — экспериментальная инструктивная языковая модель, разработанная в научном сотрудничестве LNCC и NII/LLM-jp для бразильского португальского языка. Это плотная decoder-only модель семейства Llama с архитектурой LlamaForCausalLM; метаданные указывают 1,6 млрд параметров и контекст 4096 токенов, а README приводит около 1,72 млрд параметров. Модель дообучена методом SFT и дополнительным safety-SFT для следования инструкциям и отказа на вредоносные запросы. Модель предназначена для исследований языковых моделей на португальском языке, воспроизведения обучающего конвейера, изучения выравнивания безопасности в малом масштабе и обучения. Она генерирует текст по инструкциям; README рекомендует использовать формат Alpaca-PT, применявшийся при обучении. Авторы сообщают о низком абсолютном качестве: результат MT-Bench-PT — 2,90 из 10, а точность на экзаменах с выбором ответа близка к случайной. Отказ на отложенных вредоносных запросах составляет около 75%, поэтому часть вредных формулировок может пройти; также возможны избыточные отказы на безвредные запросы и ошибки фактов. Модель не предназначена для производства, публичного обслуживания, автоматизированных решений или медицинских, юридических и психологических рекомендаций. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Manacá-1B-Instruct — экспериментальная instruct-модель для бразильского португальского, созданная в рамках научного сотрудничества LNCC и NII/LLM-jp. Это дообученная версия Manacá-1B-base на архитектуре Llama: decoder-only языковая модель с 1,6 млрд параметров по метаданным и контекстом 4096 токенов. В README указано около 1,72 млрд параметров; при расхождении приведено значение из метаданных Hugging Face. Модель дообучали следовать инструкциям в формате Alpaca-PT и безопасно отказывать на вредоносные запросы с помощью safety-SFT. Её предполагаемые сценарии — исследования языковых моделей для португальского языка, воспроизведение обучающего конвейера, изучение выравнивания и обучение. Поддерживается бразильский португальский; модель принимает и генерирует текст. В README сообщается о низких абсолютных результатах: MT-Bench-PT — 2,90 из 10, а результаты экзаменов с выбором ответа близки к случайным. На отдельном наборе проверок доля отказов на вредоносные запросы составляет около 75%; возможны ошибки и чрезмерные отказы, в том числе на запросы о помощи в кризисной ситуации. Модель не предназначена для производства, публичных сервисов, автоматизированных решений или медицинских, юридических и психологических консультаций. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование.