I.2Синтез, понимание и проверка знаний

AgentCPM-Report — открытая языковая модель-агент для глубокого исследования и подготовки развёрнутых аналитических отчётов. Её совместно разработали THUNLP, RUCBM при Народном университете Китая и ModelBest; модель построена на MiniCPM4.1-8B и содержит 7,9 млрд параметров. Она принимает инструкции и генерирует длинные текстовые отчёты, используя подход Writing As Reasoning Policy (WARP): чередует подготовку черновика на основе свидетельств с углублением рассуждений и пересмотром плана. Заявлена поддержка контекста до 65 536 токенов. Модель предназначена для автономного поиска и синтеза информации, подготовки исследовательских отчётов и работы с локальными базами знаний через UltraRAG. Авторы ориентируют её на локальное офлайн-развёртывание, в том числе в сценариях с конфиденциальными материалами. В карточке описаны исследования с корпусами научных статей и веб-сводок; результаты и заявленное авторами сопоставление с коммерческими системами относятся к их оценкам. Модель распространяется по лицензии Apache-2.0.

AIFT-ko-orca-plat-Yi-ko-6b-v1.7 — корейская instruct-модель для генерации текста, созданная на основе обучающих данных, собранных и очищенных разработчиком AIFT. Авторы использовали около 40 тысяч примеров: задания из KOR-OpenOrca-Platypus, данные по истории, науке, математике, машинному чтению, анализу отзывов и грамматике, а также материалы для перевода между английским и корейским. В README также указаны задания на краткое изложение и вопросы на проверку фактов. Модель имеет плотную архитектуру семейства Llama, около 5,9 млрд параметров и контекст до 2048 токенов. Для обучения применялся LoRA на двух ускорителях A100 с 40 ГБ памяти. Модель подходит для ответов на вопросы, учебных заданий, чтения и пересказа текста и перевода с английского на корейский и обратно. Обучающие данные не опубликованы, поэтому их состав и качество нельзя независимо проверить. Модель распространяется по лицензии CC BY-SA 4.0; при использовании и распространении производных следует учитывать её условия.

airoboros-l2-70b-gpt4-1.4.1 — языковая модель семейства Llama 2, дообученная jondurbin на наборе airoboros-gpt4-1.4.1. Это плотная авторегрессионная модель с 68,7 млрд параметров для генерации текста. Её можно применять для диалогов, ответов на инструкции и создания текстов; контекст составляет 4096 токенов. Модель представлена в формате PyTorch. В карточке указана лицензия other, поэтому условия использования следует проверять в репозитории модели и у базовой модели. README не описывает специальные ограничения или гарантии качества; характеристики унаследованы от Llama 2 и зависят от сценария применения.

Anrn 12B R1 — мультимодальная модель на основе Gemma 4 Unified, выпущенная проектом Anrn и представленная как BF16-база Google Gemma 4 12B с отдельным обученным адаптером LoRA, применяемым с проверенным коэффициентом 0,45. Архитектура — плотный декодер с 11,95 млрд параметров; заявлены входы в виде текста, изображений, аудио и видео. Для Transformers доступен мультимодальный сервис, а дополнительная сборка llama.cpp предназначена для текстового режима. Для llama.cpp указана поддержка контекста 128K. Модель рассчитана на диалог и решение сложных текстовых задач, а также на анализ изображений, аудио и видео через нативный сервис. В README приведены результаты MMLU-Pro, GPQA Diamond и AIME 2026 без инструментов; показатели получены в проектной оценке за август 2026 года и зависят от шаблонов промптов, параметров генерации и версии оценочного набора. BF16-веса требуют значительных ресурсов, а выгрузка части вычислений на CPU снижает скорость. Путь llama.cpp является квантованным текстовым вариантом и не поддерживает нативный мультимодальный ввод. Лицензия — Apache-2.0.

Apertus-v1.5-70B — мультимодальная языковая модель на 70 млрд параметров, разработанная Swiss AI. Это decoder-only Transformer с функцией активации xIELU; модель создана продолжением предобучения Apertus 1.0 на мультимодальных данных и дополнительно обучена следовать инструкциям и работать с инструментами. Она принимает текст, изображения и аудио и генерирует текст, поддерживает много языков и контекст до 262 144 токенов. Для задач рассуждения можно включить режим thinking. Модель предназначена для диалогов, ответов на вопросы по изображениям и аудио, работы с длинными контекстами и интеграции с внешними инструментами. Заявлены открытые веса, данные и сведения о процессе обучения. Лицензия — Apache-2.0. Генерируемые ответы могут содержать фактические ошибки, быть логически непоследовательными или отражать смещения обучающих данных; важную информацию следует проверять. Для запуска с Transformers требуется ветка разработчика, поскольку интеграция ещё не вошла в выпущенную upstream-версию.

AREX-Turbo — компактная модель-агент для глубокого исследования, разработанная Beijing Academy of Artificial Intelligence (BAAI). Это плотная модель на 4 млрд параметров, дообученная на Qwen/Qwen3.5-4B; она поддерживает контекст до 262 144 токенов и предназначена для многоэтапного поиска информации с использованием инструментов. Модель собирает и сопоставляет сведения из источников, формирует предварительный ответ, проверяет его по заданным ограничениям и при необходимости уточняет или начинает исследование заново. Она также обновляет контекст исследования, сохраняя проверенные выводы, источники, отвергнутые варианты и нерешённые вопросы. AREX-Turbo рассчитана на сценарии, где важны стоимость обслуживания и скорость итераций; метаданные указывают поддержку диалога и интерфейса вызова инструментов. Модель основана на Qwen3.5-4B и выпущена в формате safetensors для Transformers. В карточке заявлены сценарии поиска, просмотра источников, интеграции свидетельств и построения ответов; оценки приведены для длинных исследовательских задач с инструментами. Лицензия — Apache-2.0. README не описывает отдельные ограничения качества или безопасности.

ArlowGPT-8B — англоязычная инструкционно настроенная текстовая модель, созданная на основе Meta Llama 3.1 8B Instruct и дообученная разработчиком на наборе инструкций в течение 10 эпох. Модель предназначена для диалогов, генерации текста, ответов на вопросы, суммаризации и анализа документов. По метаданным, это плотная архитектура Llama с 7,5 млрд параметров, класс LlamaForCausalLM, контекст до 131 072 токенов; поддерживаются чат и интерфейс вызова инструментов. Заявленные сценарии включают многошаговые диалоги, создание профессиональных и творческих текстов, объяснения и синтез информации. Карточка также заявляет области права, медицины и финансов, однако не приводит подтверждений специализированной отраслевой подготовки. Основной язык в метаданных — английский. Модель использует библиотеку Transformers и формат safetensors; лицензия — Llama 3.1. Для запуска нужны значительные вычислительные ресурсы, а качество ответов зависит от запроса и не гарантирует фактическую точность.

Aya-23-8B — мультиязычная авторегрессионная языковая модель на архитектуре Transformer, разработанная Cohere Labs и Cohere. Это версия с 8 млрд параметров из семейства Aya 23, созданная на основе предварительно обученной модели семейства Command и дообученная следовать инструкциям. Модель принимает текст и генерирует текст. Она предназначена для диалогов и выполнения текстовых инструкций на 23 языках, включая русский, английский, арабский, китайский, японский, хинди и другие. Контекстное окно — 8192 токена. Модель доступна через Transformers и распространяется по лицензии CC-BY-NC-4.0 с дополнительными условиями допустимого использования Cohere Labs. Aya-23-8B подходит для многоязычных помощников, ответов на вопросы и генерации текста. Это более ранняя версия Aya; разработчики указывают на Aya Expanse 8B как на более новую модель. Некоммерческая лицензия ограничивает использование.

Blaze.1-27B-Reflection — текстовая диалоговая модель на архитектуре Gemma 2, дообученная автором репозитория на данных саморефлексии и поведения, включая синтетические примеры рассуждений от DeepSeek и QwQ. Модель содержит 27,6 млрд параметров, рассчитана на генерацию текста и диалог на английском языке; её контекст — 8192 токена. Модель предназначена для сложных ответов на вопросы, пошагового рассуждения, суммаризации, поддержки принятия решений, диалога и творческого письма. По описанию карточки, дообучение ориентировано на длинные цепочки рассуждений и самопроверку. Весовые файлы представлены в формате safetensors, исходные веса экспортированы в bfloat16; лицензия — Gemma. Ограничения включают возможные ошибки и галлюцинации, снижение качества на неанглийских запросах и узкоспециальной терминологии, потерю контекста в длинных документах и диалогах, а также повторяющиеся рассуждения. Для запуска и дообучения требуются значительные вычислительные ресурсы.

DareVox-7B — объединённая языковая модель на архитектуре Mistral, созданная из Mistral-7B-v0.1, OpenHermes-2.5-Mistral-7B, Slerp-CM-mist-dpo и Starling-LM-7B-alpha. Модель разработана для генерации текста; в конфигурации указаны метод слияния dare_ties и точность bfloat16. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Её можно применять для диалогов, составления текстов и ответов на запросы. Репозиторий распространяется по лицензии Apache-2.0.

DDeduPModelv7 — дообученная модель семейства Llama 3, разработанная для образовательных задач в Казахстане и других регионах. Это плотная авторегрессионная языковая модель на 7,5 млрд параметров с контекстом до 8192 токенов; она принимает и генерирует текст. Модель обучена с помощью TRL и Unsloth на наборе Fralet/DDeduPDatasetv2 из 137 226 примеров на казахском, русском и английском языках. Модель предназначена для генерации образовательных текстов, многометочной классификации и сопоставления университетских курсов с кодами результатов обучения по разным дисциплинам. Её можно применять при разработке учебных планов, оценке пробелов в программах и анализе связи курсов с компетенциями. Лицензия — Apache-2.0. Автоматические сопоставления могут упускать контекстные нюансы и требуют проверки специалистами на соответствие требованиям конкретного учреждения. На результаты могут влиять региональный и дисциплинарный уклон обучающих данных; адаптация для других языков и областей может потребовать дополнительного дообучения.

DeepSeek-R1-Distill-Llama-70B-GGUF — это квантизированная версия языковой модели DeepSeek-R1-Distill-Llama-70B, разработанной командой deepseek-ai и подготовленной в формате GGUF участником bartowski на основе llama.cpp. Модель предназначена для генерации текста и локального запуска через совместимые инструменты, включая LM Studio. Модель дистиллирована из reasoning-модели DeepSeek-R1 и настроена на задачи рассуждения и генерации цепочек рассуждений. Заявлена поддержка контекста до 128 000 токенов. В README не указаны точный вариант квантования, перечень поддерживаемых языков и дополнительные модальности, поэтому её следует рассматривать как текстовую модель. К сильным сторонам относятся большой размер 70B параметров, ориентация на сложное рассуждение и возможность использования квантизированной сборки в локальной инфраструктуре. Ограничения включают потенциально высокие требования к ресурсам, зависимость характеристик от выбранного уровня квантования и типичные для генеративных моделей риски неточных, вредных или неподходящих ответов. Лицензия в предоставленных данных не указана; условия использования следует уточнять в исходном репозитории модели.

DeepSeek-V3.2-Exp — экспериментальная языковая модель семейства DeepSeek, разработанная DeepSeek и опубликованная в виде побитово идентичной архивной копии AIArchiveInfo. В исходной версии исследуется механизм DeepSeek Sparse Attention для повышения эффективности обучения и инференса на длинных последовательностях; по заявлению авторов, качество ответов остаётся близким к DeepSeek-V3.1-Terminus. Модель предназначена для генерации текста и диалогового взаимодействия, а метаданные также указывают интерфейс вызова инструментов. Модель содержит 37,6 млрд параметров, использует архитектуру DeepseekV32ForCausalLM и формат весов safetensors FP8. Длина контекста — 163 840 токенов. README сообщает, что веса архивной копии не обучались и не изменялись, поэтому классификация как дообучения из метаданных может отражать связь с базовой моделью, а не изменение весов именно этой копии. Лицензия — MIT.

Elita-0.1-Distilled-R1-Abliterated — текстовая генеративная модель на базе DeepSeek-R1-Distill-Qwen-7B, дообученная prithivMLmods на данных для рассуждений по цепочке мыслей. Модель использует плотную архитектуру Qwen2 и содержит 7,1 млрд параметров; заявленная длина контекста — 131 072 токена. Она принимает текст и генерирует текст, поддерживает диалоговый режим и интерфейс вызова инструментов. Модель предназначена для следования инструкциям, многошаговых рассуждений, логических задач, ответов на вопросы и создания связных объяснений. Её можно применять в виртуальных помощниках, образовательных инструментах, автоматизации, подготовке сводок и отчётов. В карточке указана английская локаль; иных языков README и метаданные не подтверждают. Модель распространяется по лицензии Apache-2.0. Среди ограничений автор отмечает риск фактических ошибок и предвзятости, слабые результаты в узкоспециализированных областях и зависимость качества ответа от ясности запроса. Для запуска требуются значительные вычислительные ресурсы; оптимизация для развёрнутых рассуждений может быть менее подходящей для простых задач.

ERNIE-4.5-21B-A3B-Paddle — текстовая модель семейства ERNIE 4.5, разработанная Baidu и опубликованная в формате весов PaddlePaddle. Это постобученная разреженная MoE-модель: в README указано 21 млрд параметров всего и около 3 млрд активируемых параметров на токен; метаданные каталога указывают 3,3 млрд параметров. Модель предназначена для диалогов, понимания текста и генерации ответов. Контекст составляет до 131 072 токенов. Модель обучалась в рамках мультимодального семейства ERNIE 4.5, однако эта версия обозначена в README как текстовая и принимает текст. Для дообучения доступны сценарии SFT и DPO через ERNIEKit на PaddlePaddle; для развёртывания README указывает FastDeploy. Метаданные отмечают поддержку английского и китайского языков. Сильные стороны — разреженная MoE-архитектура и длинный контекст; качество на конкретных задачах и аппаратные требования в предоставленных материалах не описаны. Лицензия — Apache-2.0.

ERNIE-4.5-300B-A47B-PT — текстовая языковая модель семейства ERNIE 4.5 от Baidu, опубликованная в формате весов PyTorch для Transformers. Это постобученная модель с архитектурой MoE: 300 млрд параметров всего, из них 47 млрд активируются для каждого токена; в конфигурации указаны 54 слоя и контекст до 131 072 токенов. Модель предназначена для диалогов, понимания языка и генерации текста. Её обучали совместно на текстовых и визуальных данных, однако эта версия обозначена как текстовая и принимает текст. Модель поддерживает английский и китайский языки, а для запуска рассчитана на крупную мног GPU инфраструктуру; в README приведён пример с 16 GPU по 80 ГБ при использовании vLLM. Репозиторий содержит веса Safetensors и предназначен для Transformers. Лицензия — Apache 2.0. Карточка не приводит результатов сравнительной оценки качества.

Excalibur-7b — плотная языковая модель семейства Mistral с 7,1 млрд параметров, созданная InferenceIllusionist с помощью слияния нескольких моделей через mergekit и метод SLERP. В состав слияния вошли merlinite-7b, Magic-Dolphin-7b, Kunoichi-DPO-v2-7B, Monarch-7B и jaskier-7b-dpo-v6.1. Модель предназначена для генерации текста, диалогов и ответов на вопросы; автор особо настраивал процесс слияния с прицелом на результаты MMLU. Контекст модели составляет 32 768 токенов. В README приведены результаты на наборах Open LLM Leaderboard: средний балл 73,6, включая MMLU 65,66 и GSM8K 68,61. Для обработки изображений автор указывает необходимость дополнительного файла mistral-7b-mmproj-v1.5-Q4_1.gguf; это отдельная настройка для совместимого GGUF-запуска, а не основная текстовая модальность указанной модели. Репозиторий распространяется под лицензией Apache-2.0.

Experiment26Neuralsirkrishna_Multi_verse_modelM7 — объединённая модель Mistral, созданная путём слияния automerger/Experiment26Neuralsirkrishna-7B и automerger/Multi_verse_modelM7-7B. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и формат Safetensors; контекстное окно составляет до 32 768 токенов. Модель предназначена для генерации текста и диалоговых ответов. Лицензия Apache-2.0 разрешает использование на её условиях.

MaziyarPanahi/Experiment28M7_Experiment26Shadow — объединённая модель генерации текста на архитектуре Mistral с 7,1 млрд параметров. Она создана слиянием моделей automerger/Experiment28M7-7B и automerger/Experiment26Shadow-7B. Модель предназначена для генерации текста по текстовому запросу. Поддерживает контекст длиной до 32 768 токенов и распространяется в формате safetensors. В карточке указана лицензия Apache-2.0.

FRED-T5-large — русскоязычная предварительно обученная текстовая модель семейства T5, разработанная командой SberDevices. Она предназначена для задач преобразования текста, включая генерацию и переформулирование; обучение проводилось на корпусе русского языка объёмом 300 ГБ с использованием смеси семи denoising-целей, основанной на подходе UL2. Архитектура включает 24 слоя и скрытое представление размером 1024; в метаданных указано 403,9 млн параметров и класс T5ForConditionalGeneration. Модель использует токенизатор BBPE и поддерживает русский язык. Веса опубликованы в формате PyTorch по лицензии Apache-2.0. Модель подходит как русскоязычная основа для генеративной обработки текста и дообучения под прикладные сценарии. Длина контекста в предоставленных сведениях не указана.

G2-Nowing-9B-32K-YS — объединённая методом SLERP языковая модель Gemma 2, созданная автором djuna с помощью mergekit из zelk12/MT-Merge2-MU-gemma-2-MTg2MT1g2-9B и allknowingroger/GemmaSlerp5-10B. Модель имеет плотную архитектуру Gemma2ForCausalLM, содержит 9 млрд параметров и рассчитана на генерацию текста и диалоговое общение. Заявленная длина контекста составляет 32 768 токенов. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия в предоставленных данных не указана.

gaunernst/gemma-3-12b-it-int4-awq — инструкцияно дообученная мультимодальная модель семейства Gemma 3, разработанная Google DeepMind. Данный репозиторий содержит QAT INT4 Flax-чекпойнт, преобразованный в формат HF+AWQ для использования с Transformers; при этом квантование AWQ непосредственно не применялось. Базовая модель — google/gemma-3-12b-it. Модель принимает текст и изображения и генерирует текст. Она предназначена для ответов на вопросы, суммаризации документов, рассуждений, генерации текста и анализа изображений, включая описание визуального содержимого. Изображения нормализуются до разрешения 896×896 и кодируются в 256 токенов. Контекстное окно составляет 128K токенов, максимальный объём генерируемого вывода — 8192 токена. Заявлена поддержка более 140 языков. Ключевые преимущества — мультимодальность, большое контекстное окно и сниженные требования к ресурсам благодаря представлению INT4, что может упростить развёртывание на локальной инфраструктуре или в облаке. Ограничения включают зависимость от совместимой версии Transformers и необходимость учитывать особенности формата конвертированного чекпойнта; README не содержит результатов бенчмарков или подробностей о качестве на отдельных языках и задачах. Использование регулируется лицензией Gemma и условиями Google; доступ к исходной модели на Hugging Face требует принятия соответствующей лицензии.

Это GGUF-квантизированная версия gemma-3-12b-it-ultra-uncensored-heretic, разработанная независимым автором LLMfan46 на базе Google Gemma 3 12B Instruct. Модель создана с использованием Heretic v1.2.0 и метода Arbitrary-Rank Ablation (ARA) для снижения встроенных ограничений на ответы при сохранении исходных возможностей. По приведённому сравнению, частота отказов снизилась с 97 до 4 из 100, а KL-дивергенция составляет 0,0131 относительно оригинальной модели. Модель предназначена для генерации текста, ответов на вопросы, анализа, суммаризации, рассуждений и понимания изображений. Gemma 3 поддерживает текстовые и графические входные данные с генерацией текста, контекст до 128K токенов, выход до 8192 токенов и более 140 языков. Для мультимодальной работы требуется отдельный vision projector. Доступны варианты GGUF с квантованием от BF16 и Q8_0 до IQ3_XXS; версии с более низкой разрядностью занимают меньше места, но могут сильнее терять в качестве. Модель совместима с llama.cpp, LM Studio, Ollama и другими инструментами для GGUF. Сильной стороной является сочетание относительно компактного размера 12B, мультимодальности, длинного контекста и уменьшенного числа отказов. Ограничения включают возможное снижение качества при агрессивном квантовании, необходимость vision projector для работы с изображениями и потенциальные риски, связанные с ослаблением механизмов отказа. Модель распространяется по лицензии Gemma; условия использования определяются соответствующими Terms of Use Google. Базовые модели Gemma разработаны Google DeepMind.

coder3101/gemma-3-27b-it-heretic-v2 — мультимодальная чат-модель на архитектуре Gemma 3, созданная дообучением Google/gemma-3-27b-pt. Она принимает текст и изображения и генерирует текст; подходит для диалога, ответов на вопросы по изображениям, извлечения визуальной информации, суммаризации и других задач генерации текста. В README указаны контекст до 128 тыс. токенов и поддержка более 140 языков для семейства Gemma 3. Метаданные отмечают модель как uncensored/abliterated, поэтому для приложений с пользовательским контентом следует самостоятельно оценивать безопасность ответов. Лицензия — Gemma.

Это GGUF-квантизации модели gemma-3-27b-it-ultra-uncensored-heretic, созданной независимым разработчиком LLMfan46 на основе Google Gemma 3 27B Instruct от Google DeepMind. Модель модифицирована с помощью Heretic v1.2.0 и метода Arbitrary-Rank Ablation (ARA), чтобы уменьшить склонность исходной модели к отказам и ограничениям при сохранении её исходных возможностей. Модель предназначена для генерации текста, ответов на вопросы, суммаризации, рассуждений и анализа изображений. Это мультимодальная модель с текстовым и графическим вводом и текстовым выводом; заявлена поддержка более 140 языков. Контекстное окно составляет 128K токенов, максимальный объём вывода — 8192 токена. Для работы с изображениями требуется отдельный vision projector, совместимый с выбранной квантизацией. Доступны варианты BF16, Q8_0, Q6_K, Q5_K_M, Q5_K_S, Q4_K_M и Q4_K_S, что позволяет выбирать между качеством, размером и требованиями к памяти. По данным README, модифицированная версия показала 5 отказов из 100 против 98 из 100 у исходной модели, а KL divergence составила 0,0616; это указывает на значительно меньшее число отказов при относительно близком поведении к оригиналу. Модель совместима с llama.cpp, LM Studio, Ollama и другими инструментами, поддерживающими GGUF. Используется лицензия Gemma; применяются условия использования Google.

Gemma3-R1984-4B — мультимодальная модель для диалогов и анализа изображений, дообученная VIDraft на базе Google Gemma 3 4B. В карточке заявлена работа с изображениями, видео и документами, включая PDF, CSV и TXT; метаданные классифицируют модель как image-text-to-text и указывают архитектуру Gemma3ForConditionalGeneration с плотными весами в формате Safetensors. Модель рассчитана примерно на 4 млрд параметров и контекст до 8 000 токенов. Сценарии применения включают визуальные вопросы и ответы, анализ документов, сравнение файлов, диалог и исследовательские запросы с поиском в интернете через SERPHouse API и цитированием найденных источников. Указана поддержка английского, корейского, японского, китайского, испанского, русского, арабского, хинди, индонезийского, французского и немецкого языков. Поиск в интернете требует API-ключа; обработка видео и документов описана как часть платформы и не подтверждена тегом задачи модели. В метаданных указана лицензия Gemma; README дополнительно упоминает MIT для Agentic AI-платформы, поэтому условия для весов следует связывать с лицензией Gemma.

Это текстовая версия Gemma 4 E2B-it, подготовленная bRadu на основе google/gemma-4-E2B-it. Из исходной мультимодальной модели удалены кодировщики изображений и аудио; оставлены языковая модель Gemma4ForCausalLM и текстовый токенизатор. Модель содержит 1,6 млрд параметров, использует архитектуру Gemma 4 с плотными слоями, работает через Transformers и распространяется в формате safetensors. Модель предназначена для текстовых задач и диалогов, а также для стандартного дообучения SFT, DPO и KTO. Указанное в метаданных контекстное окно — 131 072 токена. Она сохраняет текстовую часть исходной Gemma 4 E2B-it, но не принимает изображения или аудио. Лицензия — Apache-2.0.

Gemma 7B — текстовая авторегрессионная языковая модель из семейства Gemma, разработанного Google на основе исследований и технологий, использованных при создании Gemini. Модель принимает текст и генерирует текст; семейство включает предварительно обученные и настроенные на выполнение инструкций варианты. Для этой модели карточка указывает генерацию текста, а метаданные — форматы Safetensors и GGUF и библиотеку Transformers. Модель подходит для ответов на вопросы, суммаризации, диалоговых интерфейсов и генерации различных текстов, включая черновики писем, сценарии и маркетинговые материалы. Google описывает Gemma как компактное семейство, которое можно запускать на ноутбуке, настольном компьютере или собственной облачной инфраструктуре. В README заявлена поддержка английского языка; размер контекста для этого репозитория не приведён. Ответы могут содержать фактические ошибки и отражать предвзятость обучающих данных; модель может хуже справляться со сложными задачами, неоднозначностью и тонкими языковыми нюансами. Для практического применения следует проверять результаты и учитывать правила безопасного использования Gemma. Лицензия — Gemma License.

SillyTilly/google-gemma-2-27b-it — диалоговая инструкционная модель семейства Gemma 2, разработанного Google. Это плотная авторегрессионная языковая модель с архитектурой decoder-only и 27,6 млрд параметров; веса доступны в формате safetensors. Модель принимает текст и генерирует текст, поддерживает контекст до 8192 токенов и предназначена прежде всего для английского языка. Модель подходит для диалоговых помощников, генерации текстов, ответов на вопросы, суммаризации и рассуждений по текстовому запросу. Её можно запускать на собственном оборудовании или в облачной инфраструктуре; для снижения требований к ресурсам в README описано использование квантования bitsandbytes. Модель может ошибаться в фактах, испытывать трудности с неоднозначными формулировками и сложными задачами, а также воспроизводить смещения из обучающих данных. Лицензия — Gemma; применение должно соответствовать условиям лицензии и политике допустимого использования Gemma.

Карточка модели SillyTilly/google-gemma-2-9b на Hugging Face совпадает с карточкой google/gemma-2-9b, поэтому описание составлено по ней. Gemma 2 9B — текстовая авторегрессионная модель семейства Gemma, разработанная Google. Это базовая предварительно обученная версия с открытыми весами; README также описывает семейство в целом, включая варианты, дообученные для следования инструкциям. Модель предназначена для генерации текста, диалогов, ответов на вопросы, суммаризации и рассуждений, а её сравнительно компактный размер позволяет запускать её на персональных компьютерах и в собственной облачной инфраструктуре. Модель принимает текст и генерирует текст. В карточке семейство указано как англоязычное; конкретная длина контекста и число параметров не приведены в предоставленных данных. Модель может выдавать неточные или устаревшие сведения, испытывать трудности со сложным контекстом, нюансами языка и здравым смыслом, а также воспроизводить предвзятости обучающих данных. Лицензия — Gemma, с условиями и ограничениями, заданными политиками Google для использования моделей Gemma.