I.2Синтез, понимание и проверка знаний

GPT-4.1 nano — компактная модель OpenAI из семейства GPT-4.1, предназначенная для задач с низкой задержкой и низкой стоимостью. Карточка описывает её как самую быструю и дешёвую модель в серии и указывает контекстное окно в 1 миллион токенов. Модель подходит для сценариев, где важны скорость и экономичное выполнение задач, требующих обработки текста. Данных о конкретных возможностях, поддерживаемых языках, архитектуре и лицензии в предоставленных источниках нет.

GPT-fr-cased-base — франкоязычная авторегрессионная модель генерации текста на архитектуре GPT-2, разработанная Quantmetry и Laboratoire de Linguistique Formelle (LLF). Она обучена на большом разнородном корпусе французских текстов, включающем Wikipedia, OpenSubtitles, Gutenberg и Common Crawl. Модель имеет 24 слоя, 14 голов внимания, размерность эмбеддингов 1 792 и около 1,017 млрд параметров; контекст составляет 1 024 токена. Доступны веса для PyTorch, TensorFlow и Flax. Модель предназначена для генерации текста на французском языке и может применяться в сценариях, где ответ формируется естественным языком, например для суммаризации и ответов на вопросы. В описанном авторами тесте на французском Wikipedia модель показала perplexity 12,9. Она может воспроизводить предвзятости обучающих данных и создавать оскорбительный контент. Лицензия — Apache-2.0.

kriton/greek-text-summarization — модель для абстрактивного суммирования текстов на греческом языке, обученная разработчиком на базе mT5-small. Она принимает текст и генерирует его краткое изложение, поэтому подходит для подготовки выжимок из статей, документов и других греческих текстов. Модель построена на архитектуре mT5 и содержит около 157,4 млн параметров; опубликована в формате PyTorch. Лицензия — Apache-2.0.

GreenOnion-7b-task — объединённая языковая модель от автора powermove72, созданная с помощью LazyMergekit из GreenNode/GreenNode-mini-7B-multilingual-v1olet и eren23/OGNO-7b-dpo-truthful. В конфигурации использован метод task arithmetic с весами 0,4 и 0,6 соответственно, нормализацией и объединённым токенизатором; архитектура — плотная MistralForCausalLM, веса сохранены в safetensors и рассчитаны на float16. Модель предназначена для генерации текста; базовая OGNO-7B ориентирована на правдивость ответов. Размер составляет 7,1 млрд параметров, длина контекста — 32 768 токенов. В названии одной из исходных моделей заявлена многоязычность, однако конкретный перечень поддерживаемых языков в предоставленных данных не приведён. Лицензия в источниках не указана.

Heretical-Qwen3.5-9B — мультимодальная модель на 9 млрд параметров, дообученная на базе Qwen/Qwen3.5-9B-Base. Её разработчик применил метод decensoring на основе orthogonalized projected abliteration с поиском параметров, настроенным через TPE; в README указаны 3 отказа из 100 тестовых запросов и KL divergence 0,0366. Модель использует гибридную архитектуру Gated DeltaNet и attention, принимает текст и изображения и предназначена для диалогов, рассуждений и понимания визуального содержимого. Модель поддерживает контекст длиной 262 144 токена с возможностью расширения до 1 010 000. README базовой модели заявляет поддержку 201 языка и диалекта, но не приводит языковую таблицу для этой конкретной производной модели. Веса доступны в формате safetensors; метаданные указывают библиотеку Transformers и лицензию Apache-2.0. Показатель отказов относится к ограниченному тесту в карточке и сам по себе не гарантирует поведение на других запросах; универсальные ограничения качества не описаны.

Hipotalamus-7B-slerp — слитая модель генерации текста, созданная Kukedlc с помощью LazyMergekit на основе Mistral-7B-v0.1 и моделей NeuralMaxime-7B-slerp, NeuralMarioMonarch-7B-slerp и Neural4gsm8k. Для объединения применён метод dare_ties; веса сохранены в формате safetensors, размер модели — 7,1 млрд параметров. Модель предназначена для генерации текста и общих языковых задач. Контекст составляет до 32 768 токенов. Лицензия — Apache-2.0.

Horus-1.0-4B — многоязычная языковая модель TokenAI, разработанная Ассемом Сабри. Это плотная авторегрессионная модель семейства Llama с 3,7 млрд параметров, доступная в формате Safetensors и распространяемая по лицензии MIT. Она принимает текст и генерирует текст; заявленная длина контекста — 4096 токенов. Модель предназначена для диалогового помощника, учебных вопросов на арабском и английском, генерации и анализа культурного контента, базовой помощи с кодом, извлечения сведений из документов и логических задач. Разработчик заявляет особый акцент на арабском языке и культурном контексте, а также на следовании инструкциям и прозрачном обозначении идентичности модели. В карточке также упоминаются варианты GGUF, но этот репозиторий содержит Safetensors. Заявленная поддержка языков включает арабский, английский, французский, испанский, немецкий, итальянский, португальский и турецкий. README отмечает, что обучение оптимизировалось для контекста в 256 токенов, поэтому качество на более длинных входах может меняться; баланс качества между арабским и английским зависит от сложности запроса. Знания модели отражают данные примерно до начала 2024 года.

Huihui-Qwen3.8-27B-Abliterated-INT4-W4A16-AutoRound — производная мультимодальная модель, опубликованная LeTechLead на основе Huihui-Qwen3.8-27B-abliterated и Qwen3.8-27B от Qwen. Она предназначена для генерации и понимания текста, а также обработки изображений и видео в сценариях, поддерживаемых архитектурой Qwen3.5 и установленными библиотеками Transformers или vLLM. Модель сохраняет аблированное поведение исходной версии и может использоваться для исследований, оценки и контролируемых приложений. Архитектура указана как Qwen3_5ForConditionalGeneration; текстовая часть содержит 64 слоя, скрытое представление размером 5120, словарь из 248 320 токенов и максимальный контекст до 262 144 позиций. В конфигурации предусмотрены 48 слоёв с linear attention и 16 слоёв с полной attention, MTP-путь и vision tower. Языки явно не указаны. Языковая часть и MTP-путь квантизованы методом AutoRound до INT4 в формате W4A16 с размером группы 128, тогда как vision tower сохраняет BF16. Индексированные веса представляют около 6,28 млрд параметров, размер репозитория — около 19,02 ГБ. Ключевые преимущества модели — мультимодальность, длинный контекст и снижение требований к памяти благодаря 4-битной квантизации. Ограничения включают зависимость от совместимых версий Transformers или vLLM, требований доступного оборудования и возможное ухудшение характеристик из-за квантизации. Модель может генерировать чувствительный, спорный или небезопасный контент, поэтому результаты требуют проверки. Указана лицензия Apache-2.0; пользователи несут ответственность за соблюдение законодательства, правил платформ и организационных политик.

ING_2003M2_SLERP — объединённая модель для генерации текста, собранная автором MatthieuJ методом SLERP с помощью mergekit из yam-peleg/Experiment21-7B и MatthieuJ/ING_2003_SLERP. Веса представлены в формате safetensors; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста на основе текстового запроса. Карточка не уточняет специализацию, языковую ориентацию или результаты оценки качества. Лицензия — Apache-2.0.

InstructScore (SEScore3) — модель и инструмент оценки генерации текста, описанный авторами как метрика с пояснительным диагностическим отчётом. Она сравнивает эталонный текст с результатом генерации и возвращает оценки вместе с пояснениями; пример в карточке показывает проверку перефразирования предложения. В метаданных указаны архитектура LLaMA с плотной causal language model, 6,6 млрд параметров и контекст 2048 токенов. Репозиторий содержит веса PyTorch и заявляет лицензию CC.

ISOM-R1-Reasoning-1.5B-Instruct — текстовая генеративная модель на 1,5 млрд параметров, разработанная Prannessh K.V.A. на основе Qwen2.5-1.5B-Instruct. Она предназначена для многошаговых рассуждений и диалогов с длинным контекстом; заявленный размер контекста составляет 32 768 токенов. В README описан механизм recurrent state manifold projection, призванный ограничивать рост памяти KV-кэша при длинной обработке. Модель ориентирована на сценарии, где важны продолжительные рассуждения при ограниченной видеопамяти; приведённое в карточке сравнение на Tesla T4 сообщает об успешной обработке 8 192 токенов. Модель принимает текст и генерирует текст. Метаданные также указывают на поддержку чата и интерфейса вызова инструментов. Язык карточки и языковой тег — английский. Базовая модель в README упоминается как использованная под Apache 2.0, однако сама эта производная модель распространяется по CC BY-NC-ND 4.0, что ограничивает коммерческое использование и распространение производных материалов. Результаты производительности и заявления об архитектуре приведены автором в README; они не подтверждены независимыми данными в предоставленных источниках.

Это диалоговая версия JAIS Family — двуязычной языковой модели, разработанной Inception и Cerebras Systems и дообученной на инструкциях на арабском и английском языках. Репозиторий содержит дообучение базовой модели inceptionai/jais-family-256m; архитектура — плотная авторегрессионная JAISLMHeadModel, веса сохранены в формате Safetensors. Модель принимает текст и генерирует текст, контекст — до 2048 токенов. Модель предназначена для двуязычного диалога, ответов на вопросы и других задач генерации и анализа текста, особенно на современном стандартном арабском и английском. Размер этой версии — 256 млн параметров согласно идентификатору базовой модели; README описывает семейство в целом, а не характеристики именно этого размера. Лицензия Apache 2.0 разрешает использование и распространение. Возможны фактические ошибки, предвзятость и неподходящие ответы; модель не следует использовать для решений с высокими последствиями без контроля человека, а её знания других языков и диалектов не гарантированы.

Jimi — дообученная версия instruction-tuned модели Google DeepMind gemma-4-E4B-it, разработанная автором или командой leeroy-jankins. Модель создана с помощью supervised instruction tuning на данных для вопросов и ответов, суммаризации, рассуждений, синтеза кода и понимания документов. В обучении использовались, в частности, FineTome-100k и наборы данных по финансовому и бюджетному регулированию США. Модель предназначена для retrieval-augmented generation (RAG), ассистентов с поддержкой инструкций и многошагового диалога, открытых вопросов и ответов, генерации и суммаризации текста, а также анализа юридических и финансовых документов. Она также может использоваться как компактная базовая модель для дальнейшей специализации. Заявлены улучшенная работа с контекстом, следование инструкциям, предметное рассуждение и поддержка связных многоходовых разговоров. Jimi относится к классу моделей примерно на 4B параметров; для базовой Gemma 4 E4B указаны 4,5B эффективных параметров, 42 слоя, скользящее окно внимания 512 токенов и контекст до 128K токенов. Архитектура Gemma 4 использует гибридное внимание с локальными и глобальными слоями. Для базовой модели заявлены обработка текста и изображений, а также аудио для малых вариантов Gemma 4, однако README не уточняет, какие мультимодальные возможности непосредственно сохранены и проверены именно в Jimi. В метаданных указан английский язык. К сильным сторонам относятся компактный размер, потенциально быстрая работа на пользовательских GPU, пригодность для RAG и задач с финансово-бюджетной документацией. Ограничения включают отсутствие подробных результатов бенчмарков и количественной оценки качества, а также недостаток информации о фактических поддерживаемых модальностях и языках самой Jimi. Модель распространяется по лицензии MIT.

amd/Kimi-K3-Quark-MXFP4 — мультимодальная модель на базе moonshotai/Kimi-K3, разработанная и оптимизированная Advanced Micro Devices, Inc. Она предназначена для генерации текста по текстовым, графическим и видеовходам, а также для задач рассуждения, включая работу с инструментами. Архитектура указана как KimiK3ForConditionalGeneration; выход модели — текст. Модель квантизирована с помощью AMD-Quark: веса и активации используют формат OCP MXFP4, а слои self-attention — PTPC-FP8. В MoE-компонентах experts и shared_experts применяется OCP MXFP4. README не содержит сведений о количестве параметров, длине контекста и поддерживаемых языках. Для запуска заявлена совместимость с AMD MI350 и MI355, ROCm 7.1.1, PyTorch 2.10.0, Transformers 5.2.0 и Linux; в качестве inference engine используются vLLM и, для оценки, SGLang. К сильным сторонам относятся мультимодальность и снижение требований к памяти и вычислениям благодаря квантизации. На тесте GSM8K модель показала 96,36 против 96,82 у исходной moonshotai/Kimi-K3, что соответствует восстановлению 99,52% исходного результата. Ограничения включают зависимость от совместимого оборудования и программного стека, а также необходимость специальных настроек vLLM для воспроизведения указанной конфигурации. Лицензия обозначена как other с названием kimi-k3; модификации защищены авторским правом Advanced Micro Devices, Inc. за 2026 год.

L3SAO-Mix-SuperHermes-NovaPurosani-8B — объединённая текстовая модель ZeroXClem на архитектуре Llama 3.1. Она создана методом Della Linear из ZeroXClem/Llama3.1-Hermes3-SuperNova-8B-L3.1-Purosani-2-8B и Casual-Autopsy/L3-bluuwhale-SAO-MIX-8B-V1_fp32-merge-calc; в метаданных базовой моделью указана первая из них. Модель содержит 7,5 млрд параметров, поддерживает контекст до 131 072 токенов и распространяется в формате safetensors по лицензии Apache-2.0. Модель предназначена для следования инструкциям, диалогов, ролевых сценариев и генерации длинных текстов. Её можно применять для интерактивных историй, разработки персонажей и игровых диалогов, а также для подготовки черновиков статей, романов и отчётов, суммаризации и задач ассистента. Карточка заявляет сочетание возможностей Hermes 3 и bluuwhale, но не приводит сравнительных оценок или результатов испытаний. Указанные языки — английский и русский; специальных ограничений применения в карточке не описано.

LeoLM/leo-hessianai-13b-chat — немецко-английская чат-модель, разработанная в проекте LAION и HessianAI при участии Бьёрна Плюстера и Кристофа Шу. Это причинная decoder-only трансформерная модель семейства Llama с 12,9 млрд параметров и контекстом до 8192 токенов. Она дообучена на основе LeoLM/leo-hessianai-13b на подборке немецкоязычных инструкционных датасетов и предназначена для диалога, написания текстов, объяснений и обсуждений. Модель особенно хорошо показала себя в гуманитарных задачах, письме и ролевом диалоге; слабее справляется с математикой и сложными рассуждениями. Поддерживает немецкий и английский языки. Доступна в формате PyTorch через Transformers под лицензией Llama 2 Community License; перед применением следует проверять точность, смещения и безопасность ответов.

LeoLM/leo-hessianai-70b-chat — немецкоязычная чат-модель, разработанная в рамках проекта LAION и HessianAI при участии Бьёрна Плүстера и Кристофа Шухмана. Это плотный авторегрессионный трансформер с архитектурой LlamaForCausalLM и 68,7 млрд параметров, созданный на базе LeoLM/leo-hessianai-70b и дообученный на немецких наборах инструкций. Модель принимает текст и генерирует текст; длина контекста составляет 8192 токена. В первую очередь она предназначена для диалогов, письма, объяснений и обсуждения на немецком языке, также проверялась на английском. В карточке отмечены сильные результаты на задачах письма, извлечения информации, STEM и гуманитарных тем. Модель слабее справляется с математикой, программированием и сложными рассуждениями, а также может давать неточные, предвзятые или нежелательные ответы и чаще ожидаемого отказываться отвечать. Для практического применения нужны проверки безопасности и настройка под конкретный сценарий. Лицензия — Llama 2 Community License; разработчики называют модель открытой и коммерчески доступной, использование регулируется условиями этой лицензии.

LeoLM/leo-mistral-hessianai-7b-chat — немецкоязычная чат-модель LAION и HessianAI, созданная дообучением LeoLM/leo-mistral-hessianai-7b на немецких инструкционных наборах данных. Это плотная авторегрессионная модель Mistral с 7,1 млрд параметров, предназначенная для диалога, написания текстов, объяснений и обсуждений. Она поддерживает немецкий и английский языки; нативное контекстное окно — 32 768 токенов. В оценке MT-Bench-DE модель лучше справлялась с гуманитарными темами, естественно-научными вопросами, письмом и ролевыми диалогами, но слабее показала себя в математике и сложных рассуждениях. Как и другие языковые модели, она может выдавать неточную, предвзятую или нежелательную информацию, поэтому перед применением в конкретных продуктах её следует проверить и настроить. Распространяется по лицензии Apache 2.0.

LeoScorpius-GreenNode-Alpaca-7B-v1-Mistral-7B-Instruct-v0.1 — объединённая чат-модель на архитектуре Mistral, созданная слиянием Mistral-7B-Instruct-v0.1 и ignos/LeoScorpius-GreenNode-Alpaca-7B-v1 методом SLERP. Модель содержит 7,1 млрд параметров и рассчитана на генерацию текста в ответ на инструкции и диалоговые запросы. Модель принимает текст и выдаёт текст. В метаданных указано контекстное окно 32 768 токенов; веса представлены в формате Safetensors. Репозиторий не описывает отдельные специализированные области применения или языки, поэтому модель можно рассматривать как чат-модель общего назначения. Модель распространяется по лицензии Apache-2.0. README не приводит результатов оценки качества или сведений о специальных ограничениях; поведение и надёжность следует проверять на целевых задачах.

LettuceDetect — модель KRLabsOrg для поиска галлюцинаций в ответах на немецком языке в приложениях с генерацией с дополнением извлечёнными данными (RAG). Это дообученная EuroBERT-610M с архитектурой EuroBertForTokenClassification и примерно 607,8 млн параметров. Модель получает контекст и ответ и помечает на уровне токенов фрагменты ответа, которые не подтверждаются контекстом; предсказания можно объединять в участки текста для проверки. Модель обучена на переведённом наборе RagTruth-DE и рассчитана на немецкий язык. Контекстное окно — до 8192 токенов. В описанных авторами оценках F1 составил 74,95% на тесте RagTruth-DE и 71,79% на вручную проверенных 300 примерах. Вариант на 610 млн параметров требует больше вычислительных ресурсов, чем вариант на 210 млн. Репозиторий распространяется по лицензии MIT.

manojpreveen/Llama-2-70b-hf-ChatOrca-v2 — чат-модель на архитектуре Llama 2, разработанная Manojpreveen на основе meta-llama/Llama-2-70b-hf. Модель дообучена на данных Orca, OpenPlatypus и многошаговых диалогах из открытых наборов, включая OpenAssistant и Ultrachat, чтобы улучшить рассуждения и поддержку диалога в несколько ходов. Модель предназначена для генерации ответов, ведения диалогов и решения задач на рассуждение по текстовым запросам. Она содержит 68,7 млрд параметров, имеет контекст до 4096 токенов и использует формат весов safetensors. Для корректных запросов следует применять шаблон чата Meta Llama 2, описанный в карточке модели. Модель работает с текстом и ориентирована на английский язык. Репозиторий распространяется по лицензии MIT. Качество зависит от запроса и обучающих данных; карточка не приводит отдельных оценок качества или подробных ограничений применения.

ISSAI әзірлеген LLama-3.1-KazLLM-1.0-70B — қазақ тіліндегі жауаптардың сапасы мен пайдалығын арттыруға бейімделген 70B параметрлі үлкен тілдік модель. Ол Llama 3.1 негізінде жасалған және Transformers кітапханасы арқылы мәтіндік диалог пен мәтін генерациясына арналған. Модель қазақ, орыс, ағылшын және түрік тілдерінде жұмыс істейді; карточкада 128 мың токенге дейінгі кіріс контексті және 4 мың токенге дейінгі шығыс көрсетілген. Қазақ тіліндегі бенчмарк нәтижелері модельдің қазақша сұрақтарға жауап беру, пайымдау және мәтін құрастыру сценарийлеріне бағдарланғанын көрсетеді. Қолдану үшін кемінде екі 80 GB GPU және 150 GB бос диск кеңістігі қажет. Модель жауаптарының дұрыстығына кепілдік берілмейді; біржақтылық болуы мүмкін, сондықтан нәтижелерді тексеру керек. Лицензиясы — CC BY-NC 4.0, сонымен қатар Llama 3.1 шарттары мен қолайлы пайдалану саясаты қолданылады.

unsloth/Llama-3.2-11B-Vision-Instruct-unsloth-bnb-4bit — это мультимодальная instruction-tuned модель на базе Meta Llama 3.2 11B Vision Instruct, подготовленная Unsloth. Она предназначена для диалоговых сценариев и задач, требующих обработки текста и изображений, включая визуальный анализ, ответы на вопросы по изображениям, суммирование и другие приложения с мультимодальным вводом. Модель рассчитана на использование с библиотекой Transformers и 4-битным квантованием bitsandbytes (BnB). Unsloth применяет динамическое 4-битное квантование, при котором отдельные параметры не квантуются для сохранения качества при близком к обычному BnB 4-bit потреблении видеопамяти. Архитектура основана на оптимизированном авторегрессионном Transformer; для семейства Llama 3.2 указано использование Grouped-Query Attention (GQA). Официально поддерживаются английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. Размер модели — 11 млрд параметров; точное максимальное окно контекста в предоставленных данных не указано. К сильным сторонам относятся мультимодальные возможности и сниженные требования к памяти благодаря квантованию, что упрощает локальный запуск и дообучение. Ограничения связаны с возможной потерей качества из-за квантования, зависимостью от совместимого программного и аппаратного окружения, а также тем, что конкретные показатели качества и полный перечень ограничений модели в карточке не приведены. Базовая модель разработана Meta, а данная квантованная версия опубликована Unsloth. Использование регулируется Llama 3.2 Community License и Acceptable Use Policy; перед развертыванием необходимо соблюдать их условия. Модель является статической и обучена на офлайн-данных.

Это дообученная DavidAU модель семейства Llama 3.3 на 7,5 млрд параметров для диалогов, следования инструкциям и генерации текста с режимом рассуждений. Автор сообщает, что дообучил вариант Llama 3.3 8B Instruct через Unsloth на датасете Claude 4.5 Opus High Reasoning; перед этим модель была модифицирована для снижения отказов. В карточке также заявлено восстановление контекста до 128 тысяч токенов. Модель предназначена для ответов на запросы, пошаговых рассуждений и творческого письма, включая рассказы, ролевые диалоги и хоррор. Автоматическая активация режима рассуждений зависит от формулировки запроса; для желаемого уровня откровенности или ненормативной лексики автор рекомендует явно задавать стиль и лексику. Указаны поддержка нескольких языков, включая русский, и лицензия Apache-2.0. Это текстовая модель, опубликованная в формате Safetensors для Transformers.

Карточка модели Justbackup/Llama3.3-8B-Instruct-Thinking-Heretic-Uncensored-Claude-4.5-Opus-High-Reasoning на Hugging Face совпадает с карточкой DavidAU/Llama3.3-8B-Instruct-Thinking-Heretic-Uncensored-Claude-4.5-Opus-High-Reasoning, поэтому описание составлено по ней. Это дообученная DavidAU модель семейства Llama 3.3 на 7,5 млрд параметров для диалогов, следования инструкциям и генерации текста с режимом рассуждений. Автор сообщает, что дообучил вариант Llama 3.3 8B Instruct через Unsloth на датасете Claude 4.5 Opus High Reasoning; перед этим модель была модифицирована для снижения отказов. В карточке также заявлено восстановление контекста до 128 тысяч токенов. Модель предназначена для ответов на запросы, пошаговых рассуждений и творческого письма, включая рассказы, ролевые диалоги и хоррор. Автоматическая активация режима рассуждений зависит от формулировки запроса; для желаемого уровня откровенности или ненормативной лексики автор рекомендует явно задавать стиль и лексику. Указаны поддержка нескольких языков, включая русский, и лицензия Apache-2.0. Это текстовая модель, опубликованная в формате Safetensors для Transformers.

cstr/llama3-8b-spaetzle-v20 — объединённая диалоговая языковая модель на архитектуре Llama 3, опубликованная под аккаунтом cstr. Она создана методом DARE-TIES из моделей cstr/llama3-8b-spaetzle-v13 и nbeerbower/llama-3-wissenschaft-8B-v2; последняя дообучена на ScienceQA для ответов на научные вопросы. В карточке приведены результаты EQ-Bench v2_de и Open LLM Leaderboard, включая проверки знаний, рассуждений и математики. Модель предназначена для генерации текста и диалоговых ответов на английском и немецком языках. Она содержит 7,5 млрд параметров, принимает текст, выдаёт текст и поддерживает контекст до 8192 токенов. Веса опубликованы в формате safetensors. Карточка указывает лицензию «other», но не приводит её конкретные условия; перед использованием следует проверить лицензионные условия обеих исходных моделей и объединённой модели.

DiscoResearch и Occiglot разработали эту инструктивно дообученную языковую модель при поддержке DFKI и hessian.Ai. Она основана на Llama 3 и предназначена прежде всего для диалогов и выполнения инструкций на немецком языке. Модель имеет плотную архитектуру LlamaForCausalLM с 7,5 млрд параметров и принимает текст, выдавая текст. Базовую Llama 3 дообучали на 65 млрд немецких токенов, затем расширили контекст обучением на последовательностях длиной 32 тыс. токенов и провели инструктивное дообучение на немецком наборе DiscoResearch. В метаданных указано нативное окно контекста 65 536 токенов; README описывает обучение длинного контекста на 32 тыс. токенов. Модель подходит для немецкоязычных диалогов, ответов на вопросы, следования инструкциям и работы с длинными текстами. В README приведены результаты оценки на английских и немецких бенчмарках. Доступна в формате safetensors для Transformers; лицензия — Llama 3, поэтому использование регулируется её условиями.

Llama-3-Patronus-Lynx-8B-Instruct-GGUF — набор квантованных файлов модели Llama-3-Patronus-Lynx-8B-Instruct, разработанной Patronus AI и преобразованной в формат GGUF пользователем mradermacher. Модель предназначена для генерации текста и задач оценки качества ответов, включая обнаружение галлюцинаций. Указанный язык — английский. Модель основана на Llama 3 и содержит 8 миллиардов параметров. Доступны варианты с различными уровнями квантования GGUF: от Q2_K до Q8_0, а также версия f16. Размер файлов составляет примерно от 3,3 до 16,2 ГБ; варианты Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как обеспечивающий очень хорошее качество, а Q8_0 — как вариант с лучшим качеством среди квантованных сборок. Сведения о модальностях и размере контекста в README не указаны. Основные преимущества сборки — широкий выбор компромисса между размером, скоростью и качеством, а также совместимость с экосистемой GGUF. Ограничения связаны с потерями качества, зависящими от уровня квантования, и отсутствием в README подробных результатов оценки, описания обучения и рекомендаций по конкретным сценариям применения. Распространение указано по лицензии CC-BY-NC-4.0, допускающей использование с ограничениями, включая некоммерческий характер лицензии.

Llama-Magpie-3.2-3B-Instruct — языковая модель prithivMLmods, дообученная на базе meta-llama/Llama-3.2-3B-Instruct на наборе Magpie-Pro-300K-Filtered-H4. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM и 3,2 млрд параметров, предназначенная для генерации текста, диалогов и выполнения инструкций. Метаданные указывают контекстное окно до 131 072 токенов; модель доступна в формате safetensors и поддерживает чатовый интерфейс и интерфейс вызова инструментов. Модель подходит для создания текстов и кратких пересказов, ответов в чат-ботах и выполнения задач, заданных естественным языком. В карточке указан английский язык; базовая модель описана как мультиязычная, однако README не уточняет языки, на которых именно эта настройка проверена. Качество на конкретных задачах и практический эффект увеличенного контекста не приведены. Указана лицензия CreativeML OpenRAIL-M.

llm-jp-3-8x13b-instruct3 — языковая модель, разработанная Центром исследований и разработок больших языковых моделей Национального института информатики Японии (NII). Это версия для диалогов и выполнения инструкций, созданная на основе предварительно обученной модели с последующей supervised fine-tuning и Direct Preference Optimization. Модель использует архитектуру Mixtral с разреженной смесью экспертов: 8 экспертов, из которых активируются 2. В README указаны 40 слоёв и контекст 4096 токенов; карточка Hugging Face сообщает 13,2 млрд параметров, а таблица README для варианта 8x13b указывает около 73,2 млрд общих параметров и около 22,2 млрд активируемых параметров. Она предназначена для генерации текста и диалогов, особенно на японском языке; метаданные также отмечают английский. Модель подходит для ответов на вопросы, работы с инструкциями, рассуждений и генерации текста. Разработчики предупреждают, что модель находится на раннем этапе исследований и разработок и не настроена полностью для соответствия человеческим намерениям и требованиям безопасности. Лицензия — Apache-2.0.