I.2Синтез, понимание и проверка знаний

German-RAG-PHI-3.5-MINI-4B-CPT-HESSIAN-AI — авторегрессионная языковая модель на архитектуре Transformer, разработанная командой Avemio AI при поддержке Hessian AI. Это вариант Phi, дообученный методом continued pre-training на наборе German-RAG-CPT; модель предназначена для работы с немецким и английским языками, с упором на немецкий. Модель обучалась на примерах контекстных ответов на вопросы, структурированных рассуждений и суммаризации. Её можно применять для ответов по предоставленному контексту, извлечения и синтеза сведений в сценариях RAG, анализа и краткого пересказа документов. В метаданных указаны 3,7 млрд параметров и контекст до 131 072 токенов; опубликованные веса представлены в формате safetensors. Модель распространяется по лицензии Apache 2.0. Ответы могут содержать фактические ошибки и предвзятость; фильтрация безопасности отсутствует, поэтому возможна генерация вредоносного или чувствительного контента. Результаты следует проверять.

GPT-5.5 — фронтирная модель OpenAI для сложных профессиональных задач. Она развивает GPT-5.4, уделяя особое внимание рассуждению, надёжности и эффективности использования токенов при решении трудных задач. В README также указано контекстное окно более 1 млн токенов. Модель предназначена для сложных рабочих сценариев. Имеющихся сведений недостаточно, чтобы подтвердить архитектуру, поддерживаемые модальности, языки, лицензию или конкретные ограничения, поэтому эти характеристики не описаны.

Это модель классификации на базе DeBERTa-v3-base, разработанная авторами карточки и дообученная на наборе HaluEval для обнаружения галлюцинаций в ответах больших языковых моделей. Она оценивает ответ относительно предоставленного контекста знаний и относит его к фактическому или галлюцинированному; вход включает контекст, вопрос и проверяемый ответ. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa-v2 для классификации последовательностей и поддерживает контекст длиной до 512 токенов. В карточке приведены точность 0,9127, precision 0,8819 и recall 0,9505, а также F1 по задачам QA, суммаризации и диалога. Модель рассчитана на англоязычную проверку ответов. Лицензия — MIT.

Карточка модели lrsbrgrn/HalluGuard-Qwen3-4B-GGUF на Hugging Face совпадает с карточкой lrsbrgrn/HalluGuard-Qwen3-4B, поэтому описание составлено по ней. HalluGuard — разработанная авторами модели небольшая рассуждающая языковая модель на 3,7 млрд параметров для проверки утверждений в системах генерации с дополненным поиском (RAG). Получив документ и утверждение, она определяет, подтверждается ли оно документом, и обосновывает ответ выдержками из источника. Предусмотрены три категории: GROUNDED, HALLUCINATED_INTRINSIC и HALLUCINATED_EXTRINSIC. Модель основана на unsloth/Qwen3-4B и дообучена с помощью LoRA и ORPO на синтетическом наборе предпочтений HalluGuard-Preferences-76k. Архитектура — плотная Qwen3ForCausalLM; вход и ответ представлены текстом. Метаданные указывают контекст до 40 960 токенов, тогда как README сообщает окно 32 768 токенов. Модель рассчитана на англоязычные задачи. Лицензия — Apache-2.0.

JOSIE-4B-Thinking — дообученная модель языкового моделирования, разработанная Гёкденизом Гюльмезом на основе Goekdeniz-Guelmez/Qwen3-4B-Instruct-2507-gabliterated. Это плотная авторегрессионная модель семейства Qwen3 примерно с 3,7 млрд параметров; она предназначена для многошаговых рассуждений, математики, STEM-задач, творческого письма и анализа длинных документов. В README заявлена длина контекста 65 536 токенов, а метаданные указывают 262 144 токена. Поддерживаются английский, испанский, французский, португальский, итальянский, арабский, японский, корейский, индонезийский, русский, вьетнамский, немецкий и тайский языки. Модель обучена на более чем 600 млн токенов с использованием дистиллированных трасс рассуждений и примеров расширения ответов. Разработчик описывает её стиль как прямой и подробный, с упором на связные рассуждения и без встроенной фильтрации контента. По заявлению карточки, модель выпущена под лицензией MIT. Она требует ресурсов для запуска модели на 4 млрд параметров; критически важные ответы следует проверять, а для пользовательских приложений с открытым содержанием может потребоваться отдельная модерация.

LongAlign-6B-64k — чат-модель на архитектуре ChatGLM, разработанная авторами проекта LongAlign. Она дообучена на LongAlign-6B-64k-base, созданной на основе ChatGLM3-6B с расширенным контекстом, для следования инструкциям в длинных диалогах и работы с запросами, содержащими большие объёмы текста. В README описан набор LongAlign-10k из 10 000 инструкций длиной 8–64 тыс. токенов и подходы к обучению, включая упаковку примеров с взвешиванием потерь и пакетирование по длине. Для модели указано окно контекста до 65 536 токенов; заявленные сценарии оценки включают запросы длиной 10–100 тыс. токенов. Модель принимает и генерирует текст; в метаданных указаны английский и китайский языки, 7,8 млрд параметров и библиотека Transformers. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Длинный контекст ориентирован на работу с большими документами и многошаговыми инструкциями, однако README не приводит количественных результатов оценки именно этой модели; эффективная длина и качество могут зависеть от задачи и аппаратных ресурсов.

Карточка модели Yukang/LongAlpaca-70B на Hugging Face совпадает с карточкой Yukang/LongAlpaca-13B, поэтому описание составлено по ней. LongAlpaca-13B — языковая модель на архитектуре Llama, выпущенная командой LongLoRA. Модель содержит 12,9 млрд параметров и дообучена с учителем на наборе LongAlpaca-12k, который включает длинные и короткие вопросы и ответы. Она предназначена для следования инструкциям и ответов на вопросы по длинным текстам, например разделам книг и научным статьям. В README для LongAlpaca-13B указано окно контекста 32 768 токенов; метаданные этой конкретной карточки указывают native context в 4 096 токенов. Поэтому заявленную возможность работы с длинным контекстом следует учитывать с оглядкой на конфигурацию и фактическую поддержку весов. Модель принимает текст и генерирует текст; сведения о поддерживаемых естественных языках не приведены. Для использования весов требуется принять лицензию и политику допустимого использования Meta.

Карточка модели Yukang/LongAlpaca-7B на Hugging Face совпадает с карточкой Yukang/LongAlpaca-13B, поэтому описание составлено по ней. LongAlpaca-13B — языковая модель на архитектуре Llama, выпущенная командой LongLoRA. Модель содержит 12,9 млрд параметров и дообучена с учителем на наборе LongAlpaca-12k, который включает длинные и короткие вопросы и ответы. Она предназначена для следования инструкциям и ответов на вопросы по длинным текстам, например разделам книг и научным статьям. В README для LongAlpaca-13B указано окно контекста 32 768 токенов; метаданные этой конкретной карточки указывают native context в 4 096 токенов. Поэтому заявленную возможность работы с длинным контекстом следует учитывать с оглядкой на конфигурацию и фактическую поддержку весов. Модель принимает текст и генерирует текст; сведения о поддерживаемых естественных языках не приведены. Для использования весов требуется принять лицензию и политику допустимого использования Meta.

Open LLM Search — дообученная Together AI модель семейства Llama 2 для извлечения и объединения информации из текстов веб-страниц. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и рассчитана на контекст до 32 768 токенов. По карточке, обучение проводилось на синтетических примерах, созданных с помощью GPT-4 и GPT-4-32k: модель училась обобщать содержание нескольких найденных страниц и составлять связный ответ. Модель предназначена для генерации ответов по предоставленным текстам веб-страниц и сводкам источников. Она принимает текст и выдаёт текст; сама по себе не выполняет поиск в интернете, поэтому содержимое страниц нужно получить и передать отдельно. Карточка указывает лицензию Meta Llama 2; применение должно соответствовать её условиям. README не уточняет шаблон входных и выходных данных: приведённое описание формата дообучения содержит незаполненные обозначения.

Pallas-0.5 — дообученная в формате instruct языковая модель Mihaiii на базе migtissera/Tess-34B-v1.4. Она предназначена для рассуждений и понимания текста, хорошо работает с длинными системными инструкциями и поддерживает диалоговый формат с ролями SYSTEM, USER и ASSISTANT. Модель использует архитектуру Llama и содержит 33,9 млрд параметров; заявленная длина контекста — до 200 000 токенов. В карточке также отмечен высокий результат на GSM8K, полученный при обучении на закрытом наборе данных. Pallas-0.5 подходит для ответов на вопросы, анализа текста и решения задач на рассуждение, особенно когда запрос требует длинной системной инструкции. Она не предназначена для универсальной генерации, например для написания художественных историй. Репозиторий содержит веса в формате safetensors; для модели указана лицензия other, поэтому условия использования следует проверять в карточке модели и связанных лицензиях.

Qwen2.5-32B-Instruct-CFT — языковая модель TIGER-Lab, дообученная методом Critique Fine-Tuning на базе Qwen/Qwen2.5-32B-Instruct. Она принимает запрос вместе с ошибочным или зашумлённым ответом и генерирует критику этого ответа, помогая анализировать качество рассуждений и находить недочёты. Модель содержит 32 млрд параметров, использует плотную архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Обучение проводилось на наборе WebInstruct-CFT-4K; карточка также отмечает математические задачи и рассуждения. Модель рассчитана на англоязычный текст и поддерживает диалоговый интерфейс и интерфейс вызова инструментов. Это исследовательская донастройка, ориентированная на критику ответов и улучшение рассуждений; качество зависит от запроса и ответа, поданного для анализа. Распространяется по лицензии Apache-2.0.

ByteOtter/Qwen3.8-27B-TAK-Reasoning-GGUF — квантованная версия Qwen3.8-27B, разработанная ByteOtter на основе модели Qwen/Qwen3.8-27B. Это текстовая генеративная модель в формате GGUF для запуска через llama.cpp. Дообучение и слияние моделей не применялись: изменена только точность представления весов с использованием task-aware quantization (TAK), ориентированной на задачи рассуждения. Модель предназначена прежде всего для задач, требующих логического анализа и пошагового рассуждения, а также может применяться для генерации текста, ответов на вопросы, работы с кодом, математикой, извлечения и структурирования информации. Размер файла составляет 8,372 ГБ, используется смешанная точность с целевым форматом UD-IQ2_S. В опубликованной оценке модель набрала 82,81% в категории reasoning, превысив сопоставимую квантованную версию Unsloth на 5,47 процентного пункта и немного уступив исходной BF16-модели с результатом 83,59%. Сильной стороной является сохранение высокой способности к рассуждению при существенно меньшем размере по сравнению с BF16-версией, а также улучшенные относительно компаратора показатели по математике, следованию инструкциям, суммаризации, структурированному выводу и связности. Ограничения включают возможное изменение качества, стабильности и точности из-за квантования; результаты на диагностических наборах не следует считать универсальными гарантиями. Модель содержит только текстовый GGUF и не включает мультимодальный проектор. Языки и размер контекстного окна в README не указаны, поэтому их следует уточнять в карточке базовой модели. Производитель рекомендует использовать свежую сборку llama.cpp. Производная распространяется по лицензии Apache License 2.0 в соответствии с лицензией базовой модели.

Qwen3-Next-80B-A3B-Thinking — языковая модель с открытыми весами от команды Qwen, предназначенная для сложных задач рассуждения и диалогового применения. Она работает только в режиме размышления и может формировать длинные цепочки рассуждений. Модель построена на причинной архитектуре Qwen3-Next с разреженной смесью экспертов (MoE) и сочетает Gated DeltaNet с Gated Attention для работы с длинным контекстом. Всего в ней 80 млрд параметров, из которых активны около 3 млрд; метаданные каталога указывают 2,3 млрд параметров. Нативная длина контекста — 262 144 токена, с расширением до 1 010 000 токенов. Поддерживаются генерация текста, чат и интерфейс вызова инструментов. Модель подходит для многошагового анализа, решения сложных задач и работы с большими текстовыми контекстами. В README заявлены высокие результаты на тестах рассуждения и эффективность инференса, но эти сравнения приведены разработчиком. Для запуска нужны совместимые версии Transformers, SGLang или vLLM и значительные вычислительные ресурсы; README рекомендует несколько GPU и отмечает риск нехватки памяти при длинном контексте. Лицензия — Apache 2.0.

T5S — базовая модель семейства T5, разработанная для предварительного обучения на испаноязычных текстах. Это encoder-decoder Transformer архитектуры T5 Version 1.1 с двунаправленным энкодером и авторегрессионным декодером; модель содержит 123,8 млн параметров и доступна в форматах PyTorch и safetensors. Модель обучена на неразмеченных испаноязычных корпусах и предназначена для последующего дообучения в формате «текст в текст». После настройки её можно применять для суммаризации, перевода, классификации текста и ответов на вопросы. Лицензия — Apache-2.0.

Модель potsawee/t5-large-generation-squad-QuestionAnswer — версия T5-large, дообученная Potsawee Manakul и соавторами на датасете SQuAD для генерации пары «вопрос — ответ» по переданному контексту или фрагменту текста. Она предназначена для создания вопросов по статьям и другим текстам, в том числе как первый компонент конвейера MQAG для оценки согласованности содержания при суммаризации. Модель использует архитектуру T5ForConditionalGeneration и содержит 385,2 млн параметров. Она принимает текст и генерирует текст; ответы преимущественно извлекаются из исходного контекста, поскольку обучающие ответы SQuAD в основном экстрактивны. Максимальная длина контекста — 512 токенов. Карточка указывает английский язык и формат PyTorch. Лицензия — Apache-2.0.

T5 Version 1.1 Large — Google разработала эту предварительно обученную языковую модель архитектуры T5 с 385,2 млн параметров. Она преобразует текст в текст и предназначена для последующей настройки под конкретные задачи обработки естественного языка, например суммаризацию, ответы на вопросы и классификацию текста. В версии 1.1 используется активация GEGLU вместо ReLU, отключён dropout при предварительном обучении, а слой эмбеддингов не разделяет параметры с классификатором. Модель предварительно обучена только на корпусе C4 без обучения на размеченных задачах; перед применением её нужно дообучить. Доступны веса в форматах PyTorch, TensorFlow и Flax. Указанный язык — английский. Модель распространяется по лицензии Apache-2.0. README не приводит отдельных оценок качества для этого размера модели; результаты зависят от последующего дообучения на целевой задаче.

TIGERScore-13B — модель семейства LLaMA-2 от TIGER-Lab, предназначенная для оценки качества сгенерированного текста. Она принимает инструкцию, связанный с задачей контекст и проверяемый ответ, после чего формирует оценку и объяснимый разбор ошибок: указывает их расположение и аспект, объясняет проблему и назначает штрафные баллы. Общая оценка складывается из этих штрафов, начиная с нуля. Модель обучена на TIGER-Lab/MetricInstruct, охватывающем шесть задач генерации текста и множество датасетов. Её применяют для оценки суммаризации, перевода, преобразования данных в текст, ответов на вопросы, математических ответов, следования инструкциям и генерации историй. TIGERScore заявлена как метрика без эталонного ответа, управляемая инструкциями и способная давать подробную атрибуцию ошибок. Это плотная авторегрессионная модель LlamaForCausalLM на 12,9 млрд параметров с контекстом до 4096 токенов. Карточка сообщает о поддержке английского, китайского, русского и чешского языков. Весы доступны в формате safetensors; лицензия — MIT. Оценки модели могут зависеть от инструкции и предметной области; заявленные результаты относятся к экспериментам на перечисленных задачах и не гарантируют одинаковую корреляцию с человеческими оценками для произвольных текстов.

Veritas-0.6B-Fact-Checker-Non-Thinking-1.0 — компактная языковая модель Resect Research Labs, дообученная на базе Qwen/Qwen3-0.6B для проверки фактов и фактической согласованности. Это плотная авторегрессионная модель семейства Qwen3 с 507,9 млн параметров и контекстом до 40 960 токенов; она принимает текст и генерирует текстовый ответ в виде бинарной оценки по заданному шаблону. Модель предназначена для проверки утверждений и оценки фактической опоры ответов, в том числе в сценариях проверки ответов систем с поиском по документам. В тестировании на LLM-AggreFact, который объединяет 11 размеченных наборов данных, авторы сообщают средний результат 72,30%, выше базового Qwen3-0.6B в режиме non-thinking. Использовать модель следует только в предписанном режиме бинарной оценки и с указанным шаблоном: отклонение от него может приводить к неожиданным результатам. Распространяется по лицензии Apache-2.0.

Veritas-8B-Fact-Checker-Non-Thinking-1.0 — модель Resect Research Labs для проверки фактической согласованности и фактчекинга. Она дообучена на базе Qwen/Qwen3-8B и предназначена для выдачи бинарной классификации в заданном шаблоне проверки утверждений и ответов. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 7,6 млрд параметров и поддерживает контекст до 40 960 токенов. Карточка сообщает об оценке 75,47% на агрегированном бенчмарке LLM-AggreFact и приросте 2,3% относительно Qwen3-8B в режиме non-thinking; результаты могут зависеть от аппаратуры и версии vLLM. Модель рассчитана строго на предписанный режим оценки с бинарным выводом. Отклонение от заданного шаблона может привести к неожиданным результатам. Лицензия — Apache-2.0.

Карточка модели tals/albert-base-vitaminc-fever на Hugging Face совпадает с карточкой tals/albert-xlarge-vitaminc-mnli, поэтому описание составлено по ней. tals/albert-xlarge-vitaminc-mnli — модель классификации последовательностей на архитектуре ALBERT. Она использована в работе «Get Your Vitamin C! Robust Fact Verification with Contrastive Evidence» (Schuster и соавторы, NAACL 2021) и предназначена для проверки утверждений с опорой на контекст и контрастные свидетельства. Модель можно применять для классификации пар «утверждение — свидетельство», например при проверке фактов и оценке того, поддерживает ли текст утверждение или противоречит ему. Максимальная длина контекста — 512 токенов; доступны веса PyTorch, Safetensors и TensorFlow. В карточке указаны наборы данных GLUE, MultiNLI и tals/vitaminc. Карточка не раскрывает точную схему меток и метрики качества, поэтому перед использованием в прикладной системе стоит проверить формат входа и выхода и оценить качество на целевых данных. При использовании модели авторы просят цитировать научную работу; лицензия в доступных данных не приведена.

Карточка модели tals/albert-base-vitaminc-mnli на Hugging Face совпадает с карточкой tals/albert-xlarge-vitaminc-mnli, поэтому описание составлено по ней. tals/albert-xlarge-vitaminc-mnli — модель классификации последовательностей на архитектуре ALBERT. Она использована в работе «Get Your Vitamin C! Robust Fact Verification with Contrastive Evidence» (Schuster и соавторы, NAACL 2021) и предназначена для проверки утверждений с опорой на контекст и контрастные свидетельства. Модель можно применять для классификации пар «утверждение — свидетельство», например при проверке фактов и оценке того, поддерживает ли текст утверждение или противоречит ему. Максимальная длина контекста — 512 токенов; доступны веса PyTorch, Safetensors и TensorFlow. В карточке указаны наборы данных GLUE, MultiNLI и tals/vitaminc. Карточка не раскрывает точную схему меток и метрики качества, поэтому перед использованием в прикладной системе стоит проверить формат входа и выхода и оценить качество на целевых данных. При использовании модели авторы просят цитировать научную работу; лицензия в доступных данных не приведена.

Digital Socrates 13B (DS-13B) — модель для автоматической критики объяснений, разработанная Allen Institute for AI и представленная в работе об оценке языковых моделей с помощью критики объяснений. Она принимает вопрос с вариантами ответа и правильным ответом, а также ответ и цепочку рассуждений оцениваемой модели, после чего формирует локализованную критику наиболее существенного недостатка, предлагает способы исправления и выставляет численную оценку качества объяснения. Модель основана на архитектуре Llama и дообучена на Llama-2-13b-Chat; содержит 12,9 млрд параметров, использует Transformers и работает с контекстом до 4096 токенов. Модель предназначена для анализа рассуждений и интерпретируемой автоматической оценки объяснений без обязательного обращения к платным API или привлечения разметчиков. В карточке описаны результаты, близкие к оценкам GPT-4 по человеческим оценкам и количественным метрикам, а также приведены результаты бенчмарков. Поддерживается английский язык. Распространяется по лицензии Apache-2.0; перед использованием следует учитывать лицензирование и условия базовой Llama 2.

Yuu-Xie/fever-nli-modernbert-large — англоязычная модель Yuu-Xie для проверки фактических утверждений и задач естественного логического вывода. Она дообучена на наборе pietrolesci/nli_fever на базе энкодера ModernBERT-large и принимает пару «утверждение — свидетельство», после чего классифицирует их логическую связь. Модель выдаёт один из трёх классов: entailment (свидетельство подтверждает утверждение), contradiction (опровергает) или neutral (данных недостаточно для вывода). Её можно включать в конвейеры фактчекинга, проверять найденные предложения Википедии и решать общие задачи трёхклассового NLI. Архитектура — ModernBERT для классификации последовательностей, размер — около 394,7 млн параметров, длина контекста — до 8192 токенов. В README приведена точность 0,7683 на 19 998 примерах валидации. Модель предназначена для классификации англоязычных пар текста; качество зависит от релевантности и полноты переданных свидетельств, поэтому её вывод не заменяет проверку источников. Распространяется по лицензии Apache-2.0.

Giraffe-13b-32k-v3 — авторегрессионная языковая модель на архитектуре Transformer/Llama, разработанная Abacus.AI. Она дообучена на базе Llama 2 13B для работы с контекстом до 32 768 токенов: длинный контекст получен с помощью интерполяции, затем модель дополнительно настроена на выполнение инструкций с использованием ShareGPT и Orca-Chat. В метаданных указано 12,9 млрд параметров. Модель предназначена для генерации текста и диалоговых задач по инструкциям. Длинное окно контекста подходит, например, для ответов на вопросы по объёмным документам и предоставленным результатам поиска; разработчик также сообщает об улучшении рассуждений и математических способностей на бенчмарках. Поддерживаемый язык в карточке явно не перечислен. Модель распространяется по лицензии Llama 2 Community License. Разработчик предупреждает, что безопасность модели не оценивалась, и позиционирует её для исследований и экспериментов; результаты могут содержать ошибки.

GLM-4-32B-Base-32K — базовая языковая модель семейства GLM-4, разработанная Arcee AI на основе THUDM/GLM-4-32B-Base-0414. Это плотная авторегрессионная модель с 31,6 млрд параметров и контекстом до 32 768 токенов; веса представлены в формате safetensors. Модель прошла дополнительное предобучение на длинных последовательностях, итеративное слияние чекпойнтов и дистилляцию знаний короткого контекста, чтобы сохранить возможности исходной версии и улучшить обработку контекста длиной до 32 тысяч токенов. Модель предназначена прежде всего как основа для дальнейшего обучения с длинным контекстом. Её можно применять в сценариях, где требуется учитывать большой объём текста, например при анализе длинных документов или поиске фактов в них. README описывает её как proof-of-concept и приводит улучшенные результаты на бенчмарках длинного контекста и ряде стандартных тестов. Поддерживаемые языки — китайский и английский. Лицензия — MIT.

HallOumi-8B-classifier — модель классификации текста от Oumi AI для проверки утверждений и выявления галлюцинаций, когда доступен достоверный источник. Она оценивает вероятность того, что отдельное утверждение подтверждается источником; для проверки нескольких утверждений модель нужно вызывать отдельно для каждого. Это дообученная версия Llama-3.1-8B-Instruct с архитектурой LlamaForSequenceClassification и примерно 7,5 млрд параметров. Модель принимает текст и выдаёт результат классификации. Поддерживает английский язык, использует контекст длиной до 131 072 токенов и распространяется в формате safetensors. Разработчик позиционирует модель как быстрый инструмент проверки утверждений и приводит оценку Macro F1 77,2% ± 2,2%. Она предназначена для сценариев, где есть источник, с которым можно сверить утверждение; сама по себе модель не предоставляет подтверждающие источники и не предназначена для задач вне проверки утверждений. В README указано, что возможны предубеждения и риски, унаследованные от базовой Llama и данных для обучения. Лицензия — CC-BY-NC-4.0, поэтому коммерческое использование ограничено условиями лицензии.

Instella-3B-Long-Instruct — языковая модель AMD на 3 млрд параметров для диалогов и работы с длинным контекстом. Она основана на Instella-3B-Instruct и прошла дополнительное обучение: расширение контекста, дообучение на инструкциях и оптимизацию предпочтений. Архитектура — плотная авторегрессионная InstellaForCausalLM; модель принимает текст и поддерживает контекст до 131 072 токенов. Модель подходит для ответов на вопросы по длинным документам, анализа больших текстовых массивов, суммаризации и диалоговых сценариев, в том числе связанных с книгами и кодом. AMD сообщает о конкурентных результатах на бенчмарках длинного контекста по сравнению с рядом небольших моделей с открытыми весами. Многоязычные возможности не проверялись, поэтому надёжность работы на языках, отличных от основных данных обучения, не установлена. Модель опубликована в формате Safetensors под лицензией «other»; конкретные условия следует сверить с карточкой и файлами лицензии репозитория. Разработчик предупреждает о возможных фактических ошибках, токсичных, предвзятых или вредоносных ответах и не рекомендует применять модель в критически важных, медицинских или требующих высокой достоверности сценариях. Указанное в README ограничение на исследовательское использование само по себе не меняет категорию зрелости модели.

unsloth/Jan-nano-128k-GGUF — это GGUF-квантизированная версия компактной языковой модели Jan-Nano-128k, разработанной Menlo Research авторами Alan Dao, Bach Vu Dinh и Thinh Le и опубликованной в формате Unsloth Dynamic 2.0. Модель предназначена для генерации текста и исследовательских задач, включая анализ длинных документов, обработку научных статей, синтез информации из нескольких источников, сложные рассуждения и многошаговые диалоги. Она совместима с серверами Model Context Protocol (MCP) и может использоваться локально, в том числе через Jan, с сохранением конфиденциальности данных. Ключевая характеристика модели — нативное контекстное окно до 128 000 токенов, рассчитанное на эффективную работу с длинными контекстами без типичной деградации производительности при их расширении. В README не указаны точный размер модели, базовая архитектура, поддерживаемые языки, модальности и параметры GGUF-квантизации; заявлена поддержка текстовой генерации и языка English. Модель оценивалась на SimpleQA с использованием MCP-методологии, однако численные результаты в предоставленных данных отсутствуют. Сильными сторонами являются большое контекстное окно, ориентация на глубокий анализ и работа с большими объёмами информации, а также возможность локального развертывания. Ограничения включают отсутствие подробных сведений о размере, аппаратных требованиях, конкретных вариантах квантизации и фактических показателях качества. Модель распространяется по лицензии Apache 2.0.

Yukang/Llama-2-7b-longlora-32k-ft — дообученная полная версия LLaMA 2 на 7 млрд параметров, созданная авторами проекта LongLoRA для работы с длинным контекстом. Модель предназначена для генерации текста и обработки запросов, в которых важно учитывать большой объём предшествующего текста, например длинные документы. Контекст этой версии расширен до 32 768 токенов. В README описан подход LongLoRA: для эффективного расширения контекста при дообучении используется разреженное локальное внимание, при этом во время инференса сохраняется плотное глобальное внимание. Метаданные указывают нативную длину контекста 4 096 токенов, поэтому заявленное в README расширение до 32 768 токенов следует отличать от этого значения. Модель использует архитектуру LlamaForCausalLM и распространяется в формате PyTorch. Модель подходит для суммаризации и вопросов по длинным текстам, но README не приводит отдельные оценки качества именно этого чекпойнта. Условия лицензии в предоставленных данных не указаны.

Llama-Express.1-Math — компактная плотная языковая модель семейства Llama, разработанная prithivMLmods на основе Meta Llama 3.2 1B Instruct и дообученная на наборах математических данных с длинными цепочками рассуждений. Она содержит 1,2 млрд параметров, работает с текстом и поддерживает контекст до 131 072 токенов. Модель предназначена для диалогов и следования инструкциям на нескольких языках, а также для математических рассуждений, поиска и суммаризации сведений в контексте. Её можно применять в виртуальных помощниках, автоматизации и сценариях с извлечением информации; заявленное интерфейсом чата взаимодействие поддерживает Transformers. В карточке указан английский язык, а README заявляет многоязычное применение без перечисления поддерживаемых языков. Модель не обрабатывает изображения, аудио и видео. Качество может снижаться на очень длинном контексте, в языках с малым представленным ресурсом и при неясных запросах; ответы также могут отражать предвзятости обучающих данных и не имеют доступа к актуальным интернет-источникам. Лицензия — Llama 3.2.