I.2Синтез, понимание и проверка знаний

Damysus-2.7B-Chat — англоязычная диалоговая модель Prince Canuma, дообученная на базе Microsoft Phi-2 для следования инструкциям. Это плотный Transformer для генерации текста с 3,5 млрд параметров по метаданным и контекстом до 2048 токенов. Модель рассчитана на ответы на вопросы, извлечение данных, структурированные ответы, включая JSON, и объяснения; её также можно использовать как компонент RAG для синтеза ответов, суммаризации и переформулирования запросов. Модель обучали на данных SlimOrca и наборах TinyOrca; автор сообщает, что лучшие результаты получил при дообучении на 200 примерах. Репозиторий содержит веса Safetensors, для работы предусмотрена библиотека Transformers. Лицензия — MIT. Модель в первую очередь рассчитана на стандартный английский; сленг и другие языки могут обрабатываться хуже. Ответы и фрагменты кода могут быть фактически неверными, а знания о программировании в основном связаны с Python и распространёнными библиотеками, поэтому результаты следует проверять.

fractalego/fact-checking — генеративная модель на архитектуре GPT-2, обученная на наборе FEVER для проверки утверждений по предоставленным доказательствам. Она предсказывает, согласуется ли утверждение с доказательствами, и формирует ответ Yes или No; при повторной генерации можно получить ансамбль ответов и оценить их распределение. Модель предназначена для проверки фактов в сценариях, где вместе с утверждением передаются релевантные свидетельства. В README приведены результаты на части dev-набора FEVER, содержащей классы SUPPORTING и REFUTING: precision 0,94, recall 0,98 и F1 0,96. Автор предупреждает, что результаты могут быть завышены из-за утечки знаний из исходной модели GPT-2, а проект остаётся в разработке. Для модели указан контекст длиной 1024 токена и формат весов PyTorch. Язык обучения — английский по описанию и названиям классов FEVER. Условия лицензирования в доступных сведениях не приведены.

dleemiller/finecat-nli-s — англоязычная модель для распознавания логических отношений между парами текстов: следования, нейтральности и противоречия. Она основана на энкодере jhu-clsp/ettin-encoder-68m и дообучена на наборе FineCat-NLI; при обучении также использовалась дистилляция логитов от dleemiller/finecat-nli-l. Архитектура — ModernBERT для классификации последовательностей, размер — 68,1 млн параметров, библиотека — Sentence Transformers, формат весов — safetensors. Контекст модели составляет 7999 токенов. Модель предназначена для NLI и классификации текстовых пар; её можно применять для проверки гипотез по текстовым предпосылкам и оценки того, поддерживает ли документ утверждение, не связан ли он с ним или противоречит ему. В README приведены результаты на нескольких NLI-наборах, включая MNLI, SNLI и ANLI. Метаданные также указывают поддержку sentence similarity и эмбеддингов. Заявленная языковая поддержка — английский. Метаданные не содержат сведений о лицензии, поэтому условия распространения и коммерческого использования следует проверить в карточке модели на Hugging Face.

UNIST-Eunchan разработал FLAN-T5-NLP-Paper-to-Question-Generation — модель семейства T5, дообученную на базе google/flan-t5-large для создания вопросов и ответов по научным статьям. На вход подаются аннотация и введение статьи, а на выходе формируются пары «вопрос — ответ»; модель также предназначена для суммаризации научных и длинных документов, в том числе в форме вопросов и ответов. Модель содержит 385,2 млн параметров по метаданным, использует архитектуру T5ForConditionalGeneration и принимает текст с контекстом до 512 токенов. Карточка описывает обработку англоязычных NLP-статей и приводит примеры применения к научным публикациям из других областей. Для генерации нескольких пар используется top-p sampling. В README указано, что инференс на CPU может быть медленным; для GPU автор сообщает об ускорении примерно в 60 раз в сравнении с CPU на Colab T4. Модель распространяется по лицензии Apache-2.0. README сообщает о дообучении на датасете NLP-Paper-to-QA-Generation, основанном на QASPER; при этом в обучающую выборку включены train и test части этого датасета, поэтому результаты на связанных оценочных данных могут быть смещены.

German-RAG-PHI-3.5-MINI-4B-ORPO-HESSIAN-AI — авторегрессионная языковая модель на архитектуре Transformer, разработанная командой Avemio AI при поддержке Hessian AI. Это дообученная версия немецко- и англоязычной модели German-RAG-PHI-3.5-MINI-4B-SFT-HESSIAN-AI, настроенная методом ORPO для сценариев генерации с дополнением найденной информацией. Модель предназначена для ответов на вопросы по контексту и документам, извлечения релевантной информации, суммаризации и рассуждений на немецком и английском языках. В карточке указаны 3,7 млрд параметров и контекст до 131 072 токенов. По приведённым в README оценкам, она справляется с отдельными задачами извлечения и рассуждений, однако результаты зависят от задачи и набора данных. Модель доступна в формате safetensors. Метаданные указывают лицензию MIT; README указывает Apache 2.0, поэтому лицензию следует сверить с условиями репозитория перед использованием. Ответы могут содержать фактические ошибки и предвзятость, а модель без фильтрации способна генерировать вредный или чувствительный контент.

Ling-3.0-flash-VL GGUF — GGUF-конверсия мультимодальной модели inclusionAI/Ling-3.0-flash-VL, подготовленная bloomer010 для запуска через llama.cpp. Это Mixture-of-Experts-модель с 124 млрд общих параметров и примерно 5,5 млрд активируемых параметров на токен. Она поддерживает текстовые, графические и видео-входы и предназначена для мультимодального понимания, рассуждений, выполнения агентских задач и проверки результатов. Заявлено контекстное окно до 256K токенов, однако в README отдельно указана поддержка до 128K, поэтому фактический предел зависит от используемой сборки и конфигурации. Для обработки изображений требуется отдельный файл mmproj-model-f16.gguf размером около 875 МБ; текстовый чат может работать без него. Модель рассчитана на использование с llama.cpp, но пока требует сборки с ещё не объединённым PR для архитектуры bailingmoe3vl и визуального проектора Ling VL. Доступны различные варианты квантования от BF16 до Q3_K_M, что позволяет адаптировать требования к памяти, но уменьшение размера может снижать точность и стабильность ответов. Поддерживаются режим рассуждений и ускорение speculative decoding через DSpark, хотя выигрыш в скорости зависит от оборудования и сценария. Лицензия — MIT.

Экспериментальная версия Llama-3.1-8B-Instruct, дообученная методом AbsoluteMaxMin в рамках сравнения методов многокритериальной оптимизации предпочтений на панели TL;DR. Модель предназначена для генерации кратких пересказов и ответов с учётом охвата ключевых сведений, фактической точности, краткости и полезности. Обучение проведено на 300 шагах оптимизатора с глобальным размером пакета 16. В оценке использовались отложенные промпты, не пересекающиеся с обучающими, а качество судила Llama-3.3-70B-Instruct. Архитектура — плотная авторегрессионная LlamaForCausalLM; объём составляет 7,5 млрд параметров, контекст — до 131 072 токенов. Модель принимает и генерирует текст; карточка не заявляет специализированные модальности. Это исследовательский чекпойнт для сравнения методов оптимизации предпочтений, а не подтверждённая самостоятельная система для производственного использования. Данные не приводят численных результатов или подробностей оценки лицензии сверх метки llama3.1; использование регулируется условиями лицензии Llama 3.1.

LongT5 local-large — англоязычная предобученная модель Google на архитектуре encoder-decoder Transformer, развивающая семейство T5. Она обучена генерировать текст по тексту в задаче денойзинга и использует локальное разреженное внимание для эффективной работы с длинными входными последовательностями. Модель содержит 385,2 млн параметров, поддерживает контекст до 4096 токенов по метаданным и доступна в форматах PyTorch и Flax. Модель предназначена прежде всего для дообучения на размеченных данных. После настройки её можно применять для генерации текста по длинным документам, включая суммаризацию и ответы на вопросы. Веса распространяются по лицензии Apache 2.0. README указывает, что LongT5 особенно эффективна для задач, требующих обработки длинного текста, и приводит длину до 16 384 токенов; это отличается от значения native_context_tokens в метаданных.

Magiq-Logic-0 — диалоговая модель mymaia для логического анализа и поддержки принятия решений. Она оценивает информацию, формирует обоснованные суждения и предназначена для использования в составе MAIA вместе с MAGIQ Core-0 и MAGIQ Translator-0, чтобы создавать связные ответы с учётом контекста. Модель основана на Mistral-7B-Instruct-v0.2 и дообучена для генерации текста; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Указаны английский, итальянский и французский языки. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Orca 2 7B — языковая модель Microsoft на архитектуре LLaMA 2, дообученная на синтетических данных для усиления способностей к рассуждению. Модель содержит 6,6 млрд параметров, принимает текст и генерирует текст; длина контекста — 4096 токенов. Она предназначена для однократных ответов по пользовательским данным: рассуждений, понимания прочитанного, решения математических задач и суммаризации. Модель особенно ориентирована на рассуждение в zero-shot сценариях, но не оптимизирована для диалога и не обучалась с RLHF или DPO; для чат-применения или узкой задачи рекомендуется дополнительное дообучение. Это исследовательская модель, опубликованная для изучения, оценки и дальнейшей разработки небольших языковых моделей. Она может наследовать предвзятости и ограничения LLaMA 2, ошибаться или галлюцинировать; результаты требуют проверки, особенно в важных сценариях. Лицензия указана как other, поэтому перед использованием следует изучить условия в карточке модели.

ReadAll / ReadTwice 14B — Stage A step230 — это промежуточный чекпойнт модели Qwen2.5-14B-Instruct, дообученной командой Xirui1208 на 230 шагах supervised fine-tuning. Модель с плотной архитектурой Qwen2 содержит около 14,77 млрд параметров, сохранена в BF16 и использует исходную конфигурацию контекста на 32 768 токенов. Она предназначена для генерации текста и диалогов, в том числе для ответов на вопросы по длинным документам с протоколом ReadAll / ReadTwice: сначала модель просматривает фрагменты и строит план, затем повторно обрабатывает фрагменты с вопросом и накапливаемой памятью. Для обработки длинных документов требуется внешний цикл, который порционно подаёт фрагменты и переносит память между вызовами; заявленные результаты на документах длиной 56K и 112K токенов получены именно с таким циклом и не означают, что модель принимает весь документ за один вызов. Чекпойнт находится на ранней стадии обучения: он не включает Stage B или RL-обновления и является промежуточным состоянием расписания из 286 шагов. Выпущен под лицензией Apache-2.0.

lmqg/t5-small-squad-qg-ae — модель на базе T5-small, дообученная библиотекой lmqg для совместной генерации вопросов и извлечения ответов из текста. Она обучена на английском датасете lmqg/qg_squad и предназначена для подготовки вопросов и ответов по контексту, например для создания учебных материалов или наборов данных для контроля понимания прочитанного. Модель содержит 38,5 млн параметров, использует архитектуру T5ForConditionalGeneration и имеет контекст до 512 токенов. В карточке приведены результаты оценки генерации вопросов, пар «вопрос—ответ» и извлечения ответов на lmqg/qg_squad. Модель выпущена под лицензией CC BY 4.0. Качество проверено на указанном датасете; перенос результатов на другие типы текстов не подтверждён.

T5 Version 1.1 Base — разработанная Google предварительно обученная текстовая encoder-decoder модель семейства T5 с примерно 123,8 млн параметров. Она реализует подход text-to-text: входные и выходные данные представлены текстом, а задачи формулируются как преобразование одного текста в другой. Модель предварительно обучена только на корпусе C4 и не проходила обучение на контролируемых downstream-задачах, поэтому перед применением её необходимо дообучить для выбранного сценария. В версии 1.1 используется активация GEGLU в feed-forward слоях вместо ReLU, отключён dropout при предварительном обучении и не разделяются веса слоя эмбеддингов и классификатора. Модель рассчитана на английский язык. Доступны реализации весов для PyTorch, TensorFlow и Flax. Лицензия — Apache 2.0.

T5 Version 1.1 XL — модель Google для переноса обучения в задачах обработки естественного языка. Это плотный текстовый энкодер-декодер с архитектурой T5ForConditionalGeneration и примерно 1,5 млрд параметров, предобученный на корпусе C4 в формате text-to-text без обучения на размеченных прикладных задачах. В версии 1.1 применяются активация GEGLU в полносвязном слое, отключённый во время предобучения dropout и отдельные веса для эмбеддингов и классификатора; при дообучении авторы рекомендуют снова включать dropout. Модель служит базой для дообучения под суммаризацию, ответы на вопросы, классификацию и другие задачи, представимые как преобразование текста в текст. Сам предобученный чекпойнт не готов к таким прикладным задачам без дополнительного fine-tuning. Доступны версии весов для PyTorch и TensorFlow; карточка указывает английский язык. Лицензия — Apache 2.0.

ThinkPRM-14B — генеративная модель оценки процесса рассуждений (PRM), разработанная авторами репозитория launch и дообученная на архитектуре R1-Distill-Qwen-14B. Она проверяет решения по шагам: формирует текстовые пояснения и суждения о правильности каждого шага, а также может оценивать решение в целом. Модель предназначена для проверки математических и научных рассуждений, верификации кода и отбора кандидатов в системах Best-of-N или при поиске по дереву рассуждений. Модель семейства Qwen2 с плотной архитектурой Qwen2ForCausalLM содержит 14 млрд параметров, принимает текст и выдаёт текстовые проверки и оценки; заявленная длина контекста — 131 072 токена. По карточке, она дообучена на небольшом наборе синтетических цепочек проверки и оценивалась на задачах математики, научных вопросов и программирования. Репозиторий содержит веса Safetensors, библиотека — Transformers. Лицензия Apache-2.0. К ограничениям относятся склонность выдавать чрезмерно уверенные оценки, влияние ранней ошибочной оценки на последующие шаги и чувствительность к формату решения и промпту. Модель предназначена для проверки рассуждений; её оценки не следует трактовать как безошибочное подтверждение корректности.

Alireza1044/albert-base-v2-mnli — модель Alireza1044, полученная дообучением albert-base-v2 на наборе GLUE MNLI для классификации текстовых пар. Она принимает текст и предсказывает отношение между посылкой и гипотезой, например следование, противоречие или нейтральность. Модель содержит 136,3 млн параметров, использует архитектуру ALBERT и поддерживает контекст до 512 токенов. Для оценки на тестовом наборе указаны accuracy 0,8501 и loss 0,5383. Доступна в формате PyTorch по лицензии Apache-2.0.

AstaBrief-8B — языковая модель Allen Institute for AI (Ai2), предназначенная для подготовки англоязычных научных отчётов по исследовательскому вопросу и предоставленным фрагментам научной литературы. Она генерирует связный текст с цитатами, опираясь на переданные материалы. Модель построена на архитектуре Qwen3, содержит 7,6 млрд параметров и принимает текстовый ввод, выдавая текст; размер контекста — до 40 960 токенов. Чекпойнт дообучен методом supervised fine-tuning и offline direct preference optimization на основе allenai/AstaBrief_8B_SFT. По результатам оценки на ScholarQA-CS2 DPO-версия улучшила показатели относительно SFT-чекпойнта и базовой Qwen3-8B; результаты также приведены для DeepScholarBench и сравнений с Asta ScholarQA и DR-Tulu-8B. Для стабильной работы рекомендуется использовать формат промпта, применявшийся при дообучении; иные форматы могут ухудшить или сделать поведение менее последовательным. Лицензия — Apache 2.0. Разработчик указывает исследовательское и образовательное назначение и рекомендует следовать Responsible Use Guidelines Ai2.

DeepSeek-R1-Distill-Qwen-32B-GGUF — это GGUF-квантизированная версия модели DeepSeek-R1-Distill-Qwen-32B, разработанной deepseek-ai. Квантизация выполнена bartowski на основе llama.cpp версии b4514 и предназначена для запуска через совместимые инструменты, включая LM Studio. Модель создана для генерации текста, прежде всего для задач, требующих рассуждений: решения сложных вопросов, анализа и пошагового построения ответа. Она дистиллирована из reasoning-модели DeepSeek-R1 и специально настроена на reasoning и chain-of-thought. Заявлена поддержка контекста длиной до 128k токенов. В README не указаны точные параметры архитектуры, языки, набор поддерживаемых модальностей и размер конкретных GGUF-файлов, поэтому модель следует считать текстовой. Сильные стороны модели — ориентация на рассуждения, большой контекст и возможность локального запуска в формате GGUF. Ограничения включают потенциально неточные, вредные или неподходящие ответы, характерные для генеративных моделей; README также не содержит сведений о результатах бенчмарков. Лицензия в предоставленных данных не указана, поэтому условия использования необходимо уточнять по исходной модели и репозиторию квантизации.

Digital Socrates 7B (DS-7B) — открытая модель для автоматической критики объяснений, разработанная Allen Institute for AI. Она принимает вопрос с вариантами ответа и правильным ответом, а также ответ и объяснение другой модели, после чего указывает наиболее существенный недостаток объяснения, предлагает, как его исправить, и оценивает качество числом. Модель предназначена для анализа цепочек рассуждений и интерпретируемой оценки объяснений без привлечения разметчиков или платных API. Это дообученная версия Llama-2-7b-Chat с архитектурой LlamaForCausalLM и 6,6 млрд параметров; максимальная длина контекста — 4096 токенов. В README сообщается о результатах критики, близких к оценкам GPT-4 по человеческим оценкам и количественным показателям. Карточка также приводит результаты на нескольких бенчмарках, но рекомендует более производительную версию на 13 млрд параметров. Модель работает с текстом и ориентирована на английский язык. Лицензия репозитория — Apache-2.0; README отдельно советует проверить лицензию и правила использования базовой Llama-2-7b-Chat перед применением. Оценки относятся к описанным в карточке сценариям и метрикам, поэтому их не следует считать гарантией качества для любых предметных областей.

amazingvince/llama-2-16k-booksum — языковая модель семейства Llama для генерации кратких изложений глав книг. Модель разработана на основе архитектуры Llama и настроена на выполнение инструкции «Напиши краткое изложение следующего текста»: на вход подаётся текст главы, на выходе формируется её краткое содержание. Модель имеет 6,6 млрд параметров и контекстное окно 16 384 токена. Она предназначена для суммирования длинных текстовых фрагментов, например глав книг. Данные README не сообщают о поддерживаемых естественных языках и лицензии; формат весов — safetensors.

Apollo Raines представляет вариант Llama-3.1-8B-Instruct, изменённый инструментом jBlaze методом representation engineering. По описанию автора, изменения вносятся непосредственно в веса для усиления аналитического рассуждения: модель глубже разбирает темы, рассматривает разные точки зрения и даёт более структурированные и подробные ответы. Дополнительное обучение не проводилось. Модель использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; в метаданных указаны 7,5 млрд параметров и контекст до 131 072 токенов. Карточка заявляет, что опубликованная версия намеренно ослаблена и служит демонстрацией возможностей метода. Указана лицензия Llama 3.1.

MaxMin-RLHF на TL;DR — диалоговая языковая модель на архитектуре Llama, дообученная методом MaxMin-RLHF на базе meta-llama/Llama-3.1-8B-Instruct. Разработчик применил алгоритм из работы Chakraborty et al. (ICML 2024): три чередующихся раунда по 100 обновлений, в каждом оптимизировалась цель с наименьшей стандартизованной относительно базовой политики полезностью. Обучение использовало датасет TL;DR и четыре цели: полноту, фактическую точность, краткость и полезность. Модель предназначена для генерации текста и ответов в диалоге, в частности для создания кратких, содержательных и точных резюме. В метаданных указаны 7,5 млрд параметров, контекст до 131 072 токенов, формат safetensors и библиотека Transformers. Модель принимает текст и генерирует текст; языки, на которых она специально обучалась в этой версии, отдельно не уточнены. Это экспериментальный исследовательский чекпойнт для оценки многоцелевого согласования, а не самостоятельное подтверждение качества для любых сценариев. Результаты в README описаны как сравнение с базовой моделью на отложенных промптах TL;DR, оценённых Llama-3.3-70B-Instruct. Лицензия — Llama 3.1; применяются её условия использования.

Карточка модели YeungNLP/LongQLoRA-Vicuna-13b-8k на Hugging Face совпадает с карточкой YeungNLP/LongQLoRA-Llama2-7b-8k, поэтому описание составлено по ней. YeungNLP/LongQLoRA-Llama2-7b-8k — дообученная версия LLaMA 2 7B, созданная авторами метода LongQLoRA для работы с длинным контекстом. В карточке описан метод эффективного расширения контекстного окна больших языковых моделей с меньшими затратами GPU; для этой модели заявлено увеличение длины контекста с 4096 до 8192 токенов, а метод в целом также позволяет расширение до 12 тысяч токенов. Модель предназначена для генерации текста и продолжения длинных документов. Авторы сообщают о конкурентных значениях perplexity на PG19 и Proof-pile после 1000 шагов дообучения; в сравнении с LongLoRA модель показала лучшие значения и приблизилась к MPT-7B-8K. В метаданных указаны 6,6 млрд параметров, архитектура LLaMA и библиотека Transformers; язык карточки — английский. Модель опубликована под лицензией Apache-2.0. Результаты в README относятся к оценке perplexity на конкретных корпусах и сами по себе не подтверждают качество для всех задач генерации; заявленная цель — работа с длинным контекстом.

LongT5 TGlobal XL — предварительно обученная Google модель семейства T5 для преобразования текста в текст. Это энкодер-декодерный трансформер с механизмом transient-global attention, который использует разреженные шаблоны внимания для работы с длинными последовательностями. Модель содержит 1,5 млрд параметров и доступна в форматах PyTorch и Flax. Модель обучена на английском языке в задаче генеративного восстановления текста и предназначена прежде всего для дообучения на размеченных данных. После настройки её можно применять для суммаризации длинных документов и ответов на вопросы по длинному тексту. В карточке указана возможность обрабатывать входы длиной до 16 384 токенов, тогда как метаданные каталога указывают собственную длину контекста 4 096 токенов. Модель разработана Google и опубликована по лицензии Apache 2.0. Она рассчитана на английский текст; для целевых задач генерации обычно требуется дообучение. Качество для конкретной задачи зависит от данных и настройки модели.

BalaRajesh1/mmbert-small-nli — многоязычная модель для вывода по паре текстов, дообученная на базе jhu-clsp/mmBERT-small. Она определяет, следует ли гипотеза из посылки, противоречит ей или остаётся нейтральной; эти оценки также можно использовать для классификации по заданным категориям без отдельного обучения на них. В карточке указано обучение на девяти наборах данных с примерами на более чем 26 языках. Архитектура — ModernBERT для классификации последовательностей, размер по метаданным — 140,5 млн параметров, формат весов — safetensors, длина контекста в метаданных — 8192 токена. README отдельно указывает ограничение в 128 токенов для пары посылка-гипотеза; фактический предел зависит от используемой конфигурации модели. Модель подходит для проверки текстовых гипотез и классификации текстов по формулировкам категорий на множестве языков. README заявляет охват базовой модели в 1833 языка, однако обучение NLI описано для 26 и более языков, а результаты могут различаться в зависимости от представленности языка в предобучении. На состязательном наборе ANLI качество невысокое, что отмечено в карточке. Лицензия — MIT.

NVIDIA-Nemotron-3-Ultra-550B-A55B-GGUF — GGUF-версия крупной языковой модели NVIDIA-Nemotron-3-Ultra-550B-A55B, подготовленная Unsloth на основе модели NVIDIA. Разработчик исходной модели — NVIDIA Corporation. Модель предназначена для сложного рассуждения, многошаговых агентных сценариев, использования инструментов, анализа длинного контекста, мультиязычного reasoning и высокоточного RAG в критически важных задачах. Режим рассуждения можно включать или отключать через параметр chat template enable_thinking=True/False. Модель содержит 550 млрд параметров, из которых 55 млрд активны. Она использует гибридную архитектуру LatentMoE, объединяющую Mamba-2, Mixture-of-Experts и attention, а также Multi-Token Prediction (MTP). Максимальная длина контекста заявлена до 1 млн токенов. Поддерживаются английский, французский, испанский, итальянский, немецкий, португальский, японский, корейский, хинди, арабский, китайский и иврит. Для развёртывания полной модели требуется значительная инфраструктура: минимум указаны 8 ускорителей GB200/B200/GB300/B300, 16 H100 или 8 H200. Сильными сторонами модели являются масштаб, поддержка длинного контекста, reasoning, агентные рабочие процессы, работа с инструментами и мультиязычность. Ограничениями выступают очень высокие требования к GPU и вычислительным ресурсам; конкретные характеристики производительности GGUF-квантования в README не приведены. Модель распространяется по лицензии OpenMDW License Agreement версии 1.1.

OpenAI o3 Pro — модель семейства o, обученная с подкреплением рассуждать перед ответом и решать сложные задачи. По сравнению с o3 она использует больше вычислений на этапе рассуждения, чтобы давать более последовательные ответы. Модель предназначена для сложных запросов, где полезны многоэтапное рассуждение и тщательная проработка ответа. Данных о размере, модальностях, поддерживаемых языках, длине контекста и лицензии в предоставленной карточке нет.

Pallas-0.5-frankenmerge — 35,6-миллиардная плотная языковая модель семейства Llama, созданная Mihaiii с помощью mergekit на основе Mihaiii/Pallas-0.5. Она предназначена для генерации текста, рассуждений и понимания текста; автор отмечает, что модель хорошо работает с длинными системными инструкциями, но не подходит для универсального применения, например для написания художественных историй. Заявленная длина контекста — 200 000 токенов. Модель принимает текст и генерирует текст; для диалога используется формат SYSTEM / USER / ASSISTANT. Она обучена на частном наборе данных. Лицензия указана как other, поэтому перед использованием следует проверить условия в карточке модели.

Qwen3.8-max-Reasoning-Distilled-GGUF — компактная языковая модель, разработанная khazarai и созданная методом дистилляции знаний из Qwen3.8-max. Модель предназначена для задач рассуждения, включая анализ вариантов, решение вопросов из разных предметных областей и генерацию структурированных ответов. Формат GGUF ориентирован на использование с llama.cpp, а тег vision-language-model и pipeline image-text-to-text указывают на поддержку сценариев работы с изображениями и текстом, однако подробности о реализации визуального ввода в README не приведены. Ключевая особенность модели — оптимизированная цепочка рассуждений: она стремится выдавать линейную, последовательную и решительную логику, сокращая повторные проверки, колебания и циклы «переобдумывания». Благодаря дистилляции модель рассчитана на более эффективный инференс с меньшим числом генерируемых токенов при сохранении качества ответов. Размер архитектуры, объём параметров, максимальная длина контекста и полный набор поддерживаемых языков не указаны; явно заявлен английский язык. Модель может быть полезна там, где важны компактность, скорость и экономный расход токенов. Ограничением является то, что для чрезвычайно сложных многошаговых математических задач может потребоваться явный запрос на пошаговые промежуточные вычисления. Результаты следует проверять при использовании в медицинских, юридических и финансовых сценариях. Указанная лицензия — Apache-2.0.

roberta-base-ca-v2-cased-te — модель распознавания текстового следования на каталанском языке, разработанная подразделением Text Mining Unit центра Barcelona Supercomputing Center в рамках Projecte AINA. Она дообучена на базе roberta-base-ca-v2 и принимает пары текстов, чтобы определить, следует ли один текст из другого. Модель построена на архитектуре RoBERTa и содержит 151,8 млн параметров; максимальная длина контекста — 514 токенов. Модель подходит для проверки текстовых гипотез и классификации отношений между предпосылкой и выводом. На тестовой части каталанского набора TE-ca она показала точность 83,14%. Результат зависит от области применения и обучающих данных; модель может хуже обобщать на другие сценарии. Разработчики не оценивали систематически встроенные смещения, а обучающие корпуса RoBERTa собраны из открытых источников и веб-краулинга. Лицензия — Apache-2.0.