I.2Синтез, понимание и проверка знаний

suriya7/bart-finetuned-text-summarization — модель на архитектуре BART Large, дообученная для суммаризации текста. В карточке указана настройка на датасете XSum; метаданные также связывают модель с EdinburghNLP/xsum. Архитектура — кодировщик-декодировщик BART с примерно 252,8 млн параметров; модель принимает текст и генерирует текстовое резюме, максимальная длина контекста — 1024 токена. Модель подходит для краткого пересказа англоязычных материалов, в том числе абзацев и новостных текстов. Указаны формат safetensors и лицензия MIT. Карточка не приводит результатов оценки качества, поэтому пригодность для конкретного домена и требуемый стиль резюме следует проверять на собственных примерах.

BgGPT-Gemma-2-9B-IT-v1.0 — языковая модель INSAIT при Софийском университете, построенная на Gemma 2 9B. Это плотный decoder-only трансформер с 9 млрд параметров и контекстом 8192 токена; модель дообучена для следования инструкциям и диалога. Модель предназначена прежде всего для общения и генерации текста на болгарском языке, включая ответы на вопросы, рассуждения и решение учебных задач. Она также сохраняет возможности на английском. При непрерывном предварительном обучении использовалась стратегия Branch-and-Merge и около 100 млрд токенов, из них 85 млрд на болгарском; затем модель дообучили на болгарских инструкциях, составленных на основе реальных диалогов. Модель доступна по условиям Gemma Terms of Use. Для работы рекомендуется формат чата Gemma 2; README предупреждает, что Flash Attention снижает качество работы. Заявления о результатах на бенчмарках приведены авторами модели и не гарантируют качество на конкретных пользовательских задачах.

Карточка модели cpral/Bielik-PL-Minitron-7B-v3.0-Instruct-ungated на Hugging Face совпадает с карточкой speakleash/Bielik-PL-Minitron-7B-v3.0-Instruct, поэтому описание составлено по ней. Bielik-PL-Minitron-7B-v3.0-Instruct — генеративная языковая модель SpeakLeash и ACK Cyfronet AGH с архитектурой causal decoder-only и 7,35 млрд параметров. Это дообученная и сжатая версия Bielik-11B-v3-Base-20250730: модель прошла структурное прореживание и дистилляцию, затем настройку на следование инструкциям и выравнивание предпочтений. Для диалога используется шаблон ChatML. Модель предназначена для генерации ответов и выполнения языковых задач на польском и других европейских языках. Она обучалась на корпусе из 32 европейских языков с особым акцентом на польский; README сообщает о сохранении около 90% производительности исходной модели и ускорении вывода до 50% после сжатия. Лицензия Apache 2.0. Модель может выдавать фактически неверные, предвзятые или оскорбительные ответы; встроенных механизмов модерации нет, поэтому результаты следует проверять, а для сценариев с требованиями к модерации нужны внешние меры контроля.

Bonsai-27b-Ternary-CRACK-GGUF — мультимодальная модель класса 27B, опубликованная dealignai. Это квантизированная GGUF-версия Bonsai 27B CRACK, созданная на базе prism-ml/Ternary-Bonsai-27B-gguf и относящаяся к семейству Qwen/Qwen3.6-27B. Модель предназначена для диалогов, рассуждений, использования инструментов, обработки текста и анализа изображений; также предусмотрена поддержка видео через отдельный Qwen3VL-проектор и совместимый клиент. Модель содержит 64 гибридных языковых блока архитектуры qwen35, а также отдельный F16-проектор Qwen3VL для мультимодальных входов. Основной языковой файл использует нативное 2-битное представление Q2_0 и занимает около 7,68 GiB, проектор — около 0,86 GiB. Заявлены английский и китайский языки. Контекст модели в README не указан. Для работы требуется форк Prism llama.cpp; обработка изображений проверена, а прямая передача видеофайлов зависит от возможностей конкретной среды выполнения. К сильным сторонам относятся низкое потребление памяти благодаря Q2_0, мультимодальность, совместимость с текстовыми и визуальными сценариями и результаты на приведённых тестах: 75,00% на фиксированной выборке MMLU-200 и 99,38% на полном HB-320. Ограничения включают необходимость специального форка Prism llama.cpp, отдельного мультимодального проектора и возможную необходимость предварительно извлекать кадры из видео. Модель распространяется по лицензии Apache-2.0.

Breexe-8x7B-Instruct-v0_1 — диалоговая языковая модель MediaTek Research, дообученная для выполнения пользовательских инструкций на основе Breexe-8x7B-Base, который расширяет Mixtral-8x7B. Модель предназначена прежде всего для традиционного китайского языка, также поддерживает английский. Она подходит для ответов на вопросы, многошагового диалога, суммаризации и работы с RAG-сценариями. Метаданные указывают архитектуру Mixtral с разреженной смесью экспертов (MoE), 7,2 млрд параметров и контекст до 32 768 токенов; в README также приведено значение 8 тыс. токенов, поэтому фактическую длину контекста следует проверять для конкретной конфигурации. Расширенный словарь токенизатора, по данным разработчика, ускоряет обработку традиционного китайского языка относительно Mixtral-8x7B. README сообщает о результатах на бенчмарках китайского и английского языков на уровне GPT-3.5-turbo-1106, но не приводит здесь подробностей измерений. Модель выпущена в версии 0.1 и распространяется по лицензии Apache-2.0. Она не предназначена для обработки изображений или аудио; разработчик также отмечает, что в диалоговом режиме нет специальной обработки вредоносных запросов.

MaziyarPanahi/calme-2.3-qwen2-7b — дообученная Maziyar Panahi версия языковой модели Qwen2-7B для диалоговой генерации текста. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2 и формат safetensors; для общения применяется шаблон ChatML. Заявленная длина контекста — 131 072 токена. Модель предназначена для чата и широких задач генерации и понимания текста. В README заявлена цель улучшить базовую модель по бенчмаркам; приведены результаты Open LLM Leaderboard, включая средний балл 22,74, IFEval и BBH. В качестве данных для дообучения указаны HelpSteer2, OpenHermes-2.5, набор задач Orca Math и SlimOrca. Карточка указывает английский язык. Лицензия — Apache-2.0. Результаты бенчмарков сами по себе не гарантируют качество в конкретных сценариях.

calme-3.1-instruct-3b — языковая модель MaziyarPanahi, дообученная на базе Qwen/Qwen2.5-3B для общих задач. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров, рассчитанная на генерацию текста и диалог в формате ChatML; контекстное окно — 32 768 токенов. В карточке указана поддержка французского и английского языков, а метаданные отмечают интерфейс для вызова инструментов. Модель подойдёт для ответов на вопросы, написания и редактирования текста, а также для диалоговых приложений общего назначения. Автор предупреждает, что из-за небольшого размера она может хуже справляться с некоторыми запросами и быть чувствительной к гиперпараметрам; для применения в производственной среде рекомендуется проверка результатов и человеческий контроль. Лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты.

CatMacaroni-Slerp — объединённая модель на основе архитектуры Mistral, созданная методом Slerp Merge из AIDC-ai-business/Marcoroni-7B-v3 и rishiraj/CatPPT-base. Репозиторий содержит веса в формате safetensors; модель насчитывает 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и сценариев общения с языковой моделью. В README указано, что 20 декабря 2023 года она занимала первое место в OpenLLM Leaderboard среди моделей класса 7B; это заявление относится к указанной дате и не гарантирует текущего качества. Модель выпущена под лицензией Apache-2.0.

Chinese-Alpaca-2-13B — плотная авторегрессионная языковая модель семейства LLaMA, созданная проектом Chinese LLaMA & Alpaca на основе Llama 2 от Meta. Это полная версия с 13 млрд параметров, предназначенная для генерации текста и следования инструкциям; её можно загружать для инференса и полно-параметрического обучения. Модель расширяет словарь Llama 2 китайскими токенами и прошла дополнительное предобучение на крупных китайских данных, а Alpaca-2 ориентирована на выполнение инструкций. Она поддерживает китайский и английский языки, контекст 4096 токенов; в проекте описано расширение контекста методом NTK до 18 тысяч токенов и более. Поддерживается экосистема Transformers и инструменты развёртывания LLaMA. Модель подходит для диалогов, ответов на вопросы и генерации текста на китайском и английском. Карточка указывает лицензию Apache-2.0. Качество ответов и соблюдение инструкций могут зависеть от запроса и сценария применения; увеличение контекста сверх 4096 токенов требует отдельной настройки NTK.

bartowski/cognitivecomputations_Qwen3-72B-Embiggened-GGUF — это набор GGUF-квантизаций языковой модели Qwen3-72B-Embiggened, разработанной cognitivecomputations. Квантизации подготовлены bartowski с использованием llama.cpp версии b5627 и метода imatrix. Модель предназначена для генерации текста и локального инференса через llama.cpp, LM Studio и совместимые проекты. В набор входят варианты от Q8_0 до Q3_K и IQ3/IQ4, размером примерно от 31,76 до 77,26 ГБ. Более высокие уровни квантизации обеспечивают лучшее сохранение качества, но требуют больше памяти; Q6_K, Q5_K_M, Q5_K_S, Q4_K_L, Q4_K_M, Q4_K_S и IQ4_XS отмечены как рекомендуемые, тогда как некоторые варианты Q3 имеют заметно более низкое качество. Отдельные файлы используют legacy-форматы или особенности, оптимизированные для ARM, AVX или Apple silicon. README не содержит сведений о точной архитектуре исходной модели, поддерживаемых языках, максимальном контексте, мультимодальности, результатах тестирования или специализированных сценариях применения. Поэтому модель можно уверенно охарактеризовать как крупную текстовую LLM для локальной генерации текста, но её конкретные возможности следует уточнять в документации исходной cognitivecomputations/Qwen3-72B-Embiggened. Распространение указано по лицензии Apache-2.0.

khalidalt/DeBERTa-v3-large-mnli — модель классификации текста на основе DeBERTa-v3-large от Microsoft, дообученная на наборе MultiNLI для распознавания логических отношений между парами текстов. Она сопоставляет посылку и гипотезу и может применяться для классификации без примеров: пользователь задаёт возможные метки в виде гипотез, а модель оценивает их соответствие входному тексту. Архитектура DeBERTa-v2 для классификации последовательностей содержит 533,8 млн параметров; модель работает с текстом на английском языке и поддерживает контекст до 512 токенов. Модель подходит для проверки текстового следования, выявления противоречий и тематической разметки текстов через набор гипотез. В README указано обучение на MultiNLI, содержащем пары предложений с отношениями следования; для других языков и задач карточка не приводит результатов. Лицензия в предоставленных данных не указана.

Hasanur525/deed_summarization_mt5_version_1 — дообученная Hasanur525 модель Google mT5-base для суммаризации текстов. Она построена на архитектуре MT5ForConditionalGeneration и содержит 291,2 млн параметров. Многоязычная базовая модель преобразует текст в текст; модель сохранена в формате safetensors. Модель предназначена для создания краткого содержания входного текста. В README приведены метрики на оценочном наборе: Loss 0,5863, ROUGE-1 1,0138, ROUGE-2 0,6875, ROUGE-L 1,0233, ROUGE-Lsum 1,0941 и средняя длина генерации около 288 токенов. Датасет указан как None, поэтому по карточке нельзя установить предметную область обучения или проверить приведённые значения метрик. Лицензия — Apache-2.0. README не сообщает об ограничениях применения или подтверждённых целевых языках; многоязычность относится к базовой модели и сама по себе не подтверждает качество суммаризации на каждом языке.

RedHatAI/diffusiongemma-26B-A4B-it-NVFP4 — это квантизированный вариант модели google/diffusiongemma-26B-A4B-it, подготовленный Red Hat AI. Модель предназначена для генерации текста и обработки задач image-text-to-text; поддерживает работу через Transformers и vLLM. Веса и активации квантизированы в формат NVFP4 с 4-битным представлением, а сохранение выполнено в формате compressed-tensors с использованием llm-compressor. Исходная модель содержит около 25,8 млрд параметров, включая примерно 22,8 млрд экспертных и 3 млрд неэкспертных параметров. В составе указаны текстовые и визуальные компоненты, включая vision tower, однако точные поддерживаемые языки и размер контекстного окна в карточке не приведены. Модель ориентирована на диалоговые сценарии, рассуждения, решение математических и научных задач, следование инструкциям и обработку мультимодальных запросов. Сильная сторона версии NVFP4 — существенное снижение требований к памяти и возможность эффективного развёртывания на совместимом оборудовании. По приведённым тестам на одной GPU B200 качество в большинстве задач близко к исходной неквантизированной модели: показатели сохранения качества составили около 97–100% на AIME 2025, GPQA Diamond, IFEval и GSM8K, а на MMLU 0-Shot результат оказался выше исходного. Ограничения включают возможные потери качества из-за квантизации и зависимость от совместимых версий Transformers, vLLM и параметров запуска; в карточке также не приведены подробные ограничения применения и результаты для языков. Модель распространяется по лицензии Apache 2.0. Для развёртывания заявлена проверка совместимости с RHOAI 3.5, RHAIIS 3.5 и vLLM 0.24.0.

Карточка модели sshleifer/distilbart-xsum-12-3 на Hugging Face совпадает с карточкой sshleifer/distilbart-cnn-12-6, поэтому описание составлено по ней. sshleifer/distilbart-cnn-12-6 — англоязычная модель суммаризации текста на базе BART, представленная в семействе DistilBART. Вариант 12-6 использует 12 слоёв кодировщика и 6 слоёв декодировщика; размер модели по метаданным — 252,8 млн параметров. Она предназначена для сокращения документов и статей до краткого связного пересказа. Модель обучена для суммаризации на данных CNN/DailyMail; в карточке также приведены метрики для вариантов DistilBART, включая оценки ROUGE и времени вывода. Она принимает текст и генерирует текстовое резюме, поддерживает контекст до 1024 токенов и доступна в форматах PyTorch и Flax. Лицензия — Apache 2.0. Модель рассчитана на английский язык. Контекстное окно ограничивает длину обрабатываемого текста, а качество и скорость зависят от длины входа и выбранного варианта; приведённая таблица метрик относится к нескольким вариантам DistilBART и не даёт отдельной оценки именно для distilbart-cnn-12-6.

Карточка модели sshleifer/distilbart-xsum-9-6 на Hugging Face совпадает с карточкой sshleifer/distilbart-cnn-12-6, поэтому описание составлено по ней. sshleifer/distilbart-cnn-12-6 — англоязычная модель суммаризации текста на базе BART, представленная в семействе DistilBART. Вариант 12-6 использует 12 слоёв кодировщика и 6 слоёв декодировщика; размер модели по метаданным — 252,8 млн параметров. Она предназначена для сокращения документов и статей до краткого связного пересказа. Модель обучена для суммаризации на данных CNN/DailyMail; в карточке также приведены метрики для вариантов DistilBART, включая оценки ROUGE и времени вывода. Она принимает текст и генерирует текстовое резюме, поддерживает контекст до 1024 токенов и доступна в форматах PyTorch и Flax. Лицензия — Apache 2.0. Модель рассчитана на английский язык. Контекстное окно ограничивает длину обрабатываемого текста, а качество и скорость зависят от длины входа и выбранного варианта; приведённая таблица метрик относится к нескольким вариантам DistilBART и не даёт отдельной оценки именно для distilbart-cnn-12-6.

Карточка модели sshleifer/distill-pegasus-cnn-16-4 на Hugging Face совпадает с карточкой google/pegasus-xsum, поэтому описание составлено по ней. google/pegasus-xsum — англоязычная модель Pegasus для генерации кратких пересказов, основанная на архитектуре кодировщика-декодировщика и разработанная Jingqing Zhang, Yao Zhao, Mohammad Saleh и Peter J. Liu; карточку поддерживает @sshleifer. Модель содержит 366,8 млн параметров, принимает текст и выдаёт текст. Её основная специализация — абстрактная суммаризация, в частности создание короткого пересказа по исходному тексту; в материалах карточки приведены результаты на XSum, CNN/DailyMail и других наборах данных. При предобучении использовались C4 и HugeNews, смешанные и стохастически выбранные предложения-заполнители, а также изменённый SentencePiece-токенизатор с поддержкой символа новой строки. Заявленная длина контекста — 512 токенов. Доступны веса в форматах PyTorch, TensorFlow и Flax. Карточка не сообщает об ограничениях помимо длины контекста. Лицензия в предоставленных данных не указана.

sshleifer/distill-pegasus-xsum-16-4 — англоязычная модель суммаризации на архитектуре encoder-decoder PEGASUS, поддерживаемая sshleifer. Модель содержит 366,8 млн параметров и принимает текст длиной до 1024 токенов. Она предназначена для создания кратких пересказов, в частности в стиле датасета XSum. Модель относится к варианту PEGASUS, обученному на смеси C4 и HugeNews с изменённой предтренировочной схемой: случайно выбираются доля пропуска предложений и важные предложения. В метаданных указан формат PyTorch. Лицензия в предоставленных данных не указана.

djinn-7b — языковая модель на базе Mistral, созданная mayacinka объединением моделей paulml/DPOB-INMTOB-7B и bardsai/jaskier-7b-dpo-v6.1 методом SLERP с помощью LazyMergekit. Это плотная авторегрессионная модель с 7,1 млрд параметров, рассчитанная на генерацию текста; заявленная длина контекста — 32 768 токенов. Модель подходит для генерации ответов и текста, а также для общих задач понимания языка и рассуждений. В README приведены результаты Open LLM Leaderboard и AutoEval, включая оценки по MMLU, TruthfulQA и GSM8K, но сведения о языках обучения и целевых сценариях не приведены. Модель распространяется в формате safetensors.

Dracarys-Llama-3.1-70B-Instruct-GGUF — это квантованные версии инструкционной языковой модели Dracarys-Llama-3.1-70B-Instruct, разработанной AbacusAI. Модель предназначена для генерации текста и диалоговых сценариев, включая выполнение инструкций, ответы на запросы и другие задачи, поддерживаемые текстовыми LLM. Варианты подготовлены пользователем bartowski в формате GGUF с использованием llama.cpp и метода imatrix; запуск рекомендуется через LM Studio или совместимое программное обеспечение. Модель основана на архитектуре Llama 3.1 и содержит 70 миллиардов параметров. Доступны уровни квантования от Q8_0 до IQ1_M, что позволяет выбирать между качеством ответов и требованиями к оперативной памяти: наиболее качественными считаются Q6_K, Q5_K_M и ряд вариантов Q4, тогда как версии Q2 и Q3 заметно уступают по качеству, хотя некоторые из них остаются пригодными для использования. Размер файлов составляет примерно от 16,75 до 74,98 ГБ. Мультимодальность, поддерживаемые языки и размер контекстного окна в README не указаны. Основные преимущества — большой размер модели, инструкционная настройка и широкий выбор квантований для локального запуска. Ограничения связаны с высокими требованиями к памяти, особенно для качественных вариантов, а также с потерей качества при сильном квантовании. Для корректной работы следует использовать указанный формат prompt с системным, пользовательским и ассистентским сообщениями. Лицензия указана как llama3; дополнительные условия лицензии в README не приведены.

DR-Tulu-8B — исследовательский агент для углублённого поиска, разработанный проектом rl-research и обученный с подкреплением на базе rl-research/DR-Tulu-SFT-8B. Это плотная авторегрессионная модель семейства Qwen3 с 7,6 млрд параметров, предназначенная для диалоговой генерации текста и работы с инструментами в рамках фреймворка dr-agent-lib. Модель ориентирована на многошаговый поиск и ответы на исследовательские вопросы. Контекстное окно составляет 40 960 токенов. В карточке приведены результаты на наборах для вопросов и ответов, включая ResearchQA и DeepResearch Bench. Для штатного запуска через Hugging Face Transformers или vLLM модель подходит плохо: она обучалась для использования инструментов через dr-agent-lib. Распространяется по лицензии Apache 2.0; разработчик указывает исследовательское и образовательное применение в соответствии с Responsible Use Guidelines Ai2.

ECE-TW3-JRGL-V4 — 71-миллиардная языковая модель, созданная объединением migtissera/Tess-72B-v1.5b и MTSAIR/MultiVerse_70B с помощью mergekit. Она использует плотную архитектуру LlamaForCausalLM и предназначена для генерации текста, диалогов и ответов на вопросы. Модель принимает текст и выдаёт текст; длина контекста составляет 32 768 токенов. Модель распространяется в формате safetensors под лицензией Apache-2.0. Данных о специализированной предметной области или языках модели в карточке нет.

Eidolon-v2.1-14B — плотная языковая модель Qwen2 с 14 млрд параметров, дообученная автором Lambent на основе Lambent/Eidolon-v2-14B. Она предназначена для диалоговой генерации текста и следования инструкциям; в метаданных также указана поддержка интерфейса вызова инструментов. В README автор описывает экспериментальную настройку стиля и поведения с помощью LoRA, ориентированную на снижение влияния некоторых нежелательных особенностей. Для модели указан контекст до 131 072 токенов. Автор сообщает о результатах EQ-Bench и IFEval, но отмечает, что различия между версиями могут быть в пределах погрешности, а результаты IFEval получены на квантизованной версии примерно с 4-битной точностью. Модель по умолчанию отвечает в более профессиональном стиле; системный запрос может направить её к менее строгим ограничениям, хотя границы сохраняются. Лицензия в предоставленных данных не приведена.

Moritz Laurer подготовил многоязычную модель на архитектуре ERNIE-M для вывода о логической связи между посылкой и гипотезой (natural language inference, NLI) и классификации текста без примеров для классов. Модель содержит около 305,2 млн параметров, принимает текстовые пары и имеет контекст до 514 токенов; веса доступны в форматах PyTorch и Safetensors. Базовая ERNIE-M была предварительно обучена Baidu на основе мультиязычной RoBERTa, разработанной Meta. Модель дообучена на английском MNLI и профессионально переведённых примерах XNLI. Её можно использовать для присвоения тексту меток из заданного списка, проверки следования гипотезы из посылки и подобных задач на разных языках. В карточке заявлена поддержка NLI на 100 языках; оценка на XNLI приведена для 15 языков. По README, среди моделей сопоставимого размера она превосходит RoBERTa, но уступает mDeBERTa-v3-base-mnli-xnli на XNLI. Модель предназначена для классификации и анализа текстов, а не для генерации ответов. Качество переноса на языки, отсутствовавшие в XNLI, может быть ниже; NLI также подвержена смещениям, связанным с данными и задачей. Лицензия — Apache-2.0.

Experiment26Yamshadow_Experiment29Multi_verse_model — объединённая модель на архитектуре Mistral, созданная слиянием automerger/Experiment26Yamshadow-7B и automerger/Experiment29Multi_verse_model-7B. Модель содержит 7,1 млрд параметров и предназначена для генерации текста; она принимает текстовые запросы и выдаёт текстовые продолжения или ответы. Контекст модели составляет до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Данных о специализированных областях применения и языках в предоставленной карточке нет.

Experiment26Yamshadow_NeuralsirkrishnaInex12 — объединённая языковая модель на архитектуре Mistral, созданная из automerger/Experiment26Yamshadow-7B и automerger/NeuralsirkrishnaInex12-7B. Она предназначена для генерации текста и принимает текстовые запросы, выдавая текстовые ответы. Модель содержит 7,1 млрд параметров, использует формат safetensors и поддерживает контекст до 32 768 токенов. Репозиторий распространяется по лицензии Apache-2.0. README не описывает специализацию по языкам или отдельным предметным областям, поэтому модель можно рассматривать как средство генерации текста общего назначения.

MaziyarPanahi/Experiment28M7_Experiment26Strangemerges_30 — объединённая языковая модель на архитектуре Mistral с 7,1 млрд параметров, созданная слиянием automerger/Experiment28M7-7B и automerger/Experiment26Strangemerges_30-7B. Она предназначена для генерации текста и принимает текстовые запросы, выдавая текстовые ответы. Модель поддерживает контекст длиной до 32 768 токенов и распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает специальную предметную область или дополнительные возможности модели.

Ext2Gen-8B-R2 — дообученная командой DISLab языковая модель для генерации ответов на вопросы в RAG-системах. Она сначала извлекает из найденных фрагментов предложения, относящиеся к запросу, затем формирует ответ. По описанию разработчиков, обучение на парных предпочтениях направлено на повышение точности опоры на источники, полноты и краткости ответов и на снижение влияния нерелевантных или вводящих в заблуждение фрагментов. Модель основана на Llama 3.1 8B Instruct по метаданным; в README указана Llama 3.2 8B Instruct. Метаданные сообщают 7,5 млрд параметров, контекст до 131 072 токенов, формат safetensors и лицензию Apache-2.0. Поддерживается английский язык. Модель подходит для ответов на вопросы по результатам поиска, когда контекст содержит много фрагментов или шумные сведения. Вывод включает извлечённые релевантные предложения и итоговый ответ. Предварительное извлечение предложений увеличивает задержку до получения ответа; авторы также отмечают, что работа над моделью продолжается.

Faro-Yi-34B-DPO — разговорная языковая модель, созданная wenbopan как DPO-версия Faro-Yi-34B. Она предназначена для генерации ответов в диалоге и других текстовых задач; для общения использует шаблон ChatML. Модель построена на архитектуре Llama, имеет 33,9 млрд параметров и контекст длиной до 32 768 токенов. В карточке заявлена поддержка английского и китайского языков. Автор отмечает хорошую работу как с коротким, так и с длинным контекстом и сообщает, что модель превосходит исходную Yi-34B-200K на многих задачах. В метаданных происхождение указано как слияние моделей; веса опубликованы в формате safetensors. Лицензия — MIT. Карточка не приводит подробных результатов оценки или конкретных ограничений качества.

ishwarbb23/finetuned-baseline-phase-1 — дообученная компактная модель T5, основанная на valhalla/t5-small-e2e-qg. Она предназначена для генерации вопросов по заданному тексту. Модель содержит 38,5 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт текст.

sgugger/finetuned-bert-mrpc — модель классификации последовательностей на базе BERT, дообученная на наборе GLUE для задачи MRPC, связанной с определением смысловой эквивалентности пар предложений. Модель содержит 135,5 млн параметров, использует архитектуру BertForSequenceClassification и принимает текстовые входы с контекстом до 512 токенов. Модель подходит для определения, выражают ли два предложения одинаковый смысл, например, для сопоставления перефразировок. На оценочной выборке указаны accuracy 0,8235 и F1 0,8792. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Языковая специализация в карточке не указана.