I.2Синтез, понимание и проверка знаний

Vontra/Qwen3.8-Flash-Next-MLX-6bit-MTP — это 6-битная MLX-конверсия мультимодальной модели Qwen3.8-Flash-Next, подготовленная Vontra на основе официального BF16-чекпойнта Qwen. Модель предназначена для Apple Silicon и реализована в архитектуре qwen4_exp: vision-language модель с разреженной Mixture-of-Experts архитектурой, поддерживающая работу с текстом и изображениями. Общий размер языковой части составляет 125 млрд параметров, из которых активно используется около 6 млрд; дополнительно указаны 51 млрд параметров hashed bigram/trigram embeddings и 4 млрд параметров native MTP-блока. Модель использует Gated DeltaNet, Qwen Sparse Attention, sparse MoE-слои, vision encoder и контекст до 262 144 токенов. Квантование выполнено методом uniform 6-bit affine с group size 32; мультимодальные модули и маршрутизаторы MoE сохранены в BF16. Встроенный native MTP с одним draft-блоком предназначен для speculative decoding и может ускорять генерацию. Сильными сторонами являются большой контекст, поддержка изображений, высокая вычислительная эффективность за счёт MoE и native MTP, а также проверенная совместимость с MLX-VLM, MLX и oMLX. В тестах на Apple M3 Studio включение MTP увеличило скорость генерации с 20,65 до 25,94 токена в секунду. Ограничения включают значительный размер весов — около 158,08 ГБ, необходимость совместимого runtime с явной поддержкой qwen4_exp и native MTP, а также зависимость поддержки изображений от версий MLX-VLM и oMLX. Языки и точные мультимодальные возможности в предоставленных данных не указаны. Модель распространяется по Qwen Community License 1.0. Токенизатор, chat template, vision processor, конфигурации генерации и native MTP унаследованы от исходной модели.

Inferact/Qwen3.8-Flash-Next-NVFP4 — экспериментальная открытая модель семейства Qwen, разработанная командой Qwen. Это причинная языковая модель с энкодером зрения, предназначенная для текстовых и мультимодальных задач, включая обработку изображений, работу с длинным контекстом и агентские сценарии. Артефакты представлены в формате Hugging Face Transformers и совместимы с Transformers, vLLM, SGLang и другими средами инференса. Модель содержит 125 млрд параметров, из которых около 6 млрд активируются при обработке, а также 51 млрд параметров n-граммных эмбеддингов и 4 млрд параметров MTP. Архитектура включает 48 слоёв, комбинацию Gated DeltaNet и Qwen Sparse Attention, Mixture of Experts с 512 экспертами и механизм Gated Residual. Нативная длина контекста составляет 262 144 токена, с возможностью расширения до 1 млн токенов. В README языки обучения или поддержки не указаны. К сильным сторонам относятся эффективная обработка длинного контекста, разреженное внимание на уровне блоков, экономичное масштабирование параметров за счёт n-граммных эмбеддингов и потенциальная пригодность для инференса на ресурсно-ограниченных ускорителях. Модель обозначена как экспериментальный preview, поэтому её стабильность, качество в отдельных задачах и эксплуатационные характеристики следует оценивать самостоятельно; подробные результаты бенчмарков в предоставленных данных отсутствуют. Лицензия указана как qwen-community-1.0.

Qwen3.8-Flash-Next-Uncensored — это MLX-квантованная версия модели orcarouter/Qwen3.8-Flash-Next-Uncensored, опубликованная пользователем ddark-il. Модель предназначена для локального запуска на компьютерах Apple Silicon, прежде всего на M5 Max с 128 ГБ памяти, и поддерживает сценарии генерации текста и обработки изображений с текстом. Модель использует архитектуру qwen4_exp с mixture-of-experts (MoE), vision-language возможностями и механизмом multi-token prediction (MTP). Исходный размер составляет около 180 млрд параметров; в данном варианте применяется смешанная affine-квантизация MLX со средней точностью 4,857 бит на параметр. Размер файлов — 109,29 ГБ, заявлена поддержка контекста до 262 тысяч токенов. Основная часть весов квантизирована в 4, 6 и 8 битах с различными размерами групп, причём для o_proj используется 8-битная квантизация. По измерениям авторов, версия обеспечивает меньшую ошибку относительно исходных bf16-весов, чем предыдущая ревизия, и достигает 90,7% совпадения top-1 предсказаний с bf16-версией. Сильными сторонами являются существенно меньшие требования к памяти по сравнению с bf16, высокая точность для квантизированной модели, поддержка длинного контекста и мультимодальных входов. Ограничения включают очень большой размер, зависимость от MLX и Apple Silicon, возможное влияние квантизации на качество, а также требования к пропускной способности SSD и кэшированию при работе с крупными таблицами и экспертами. Модель распространяется по лицензии Apache-2.0.

Qwen_Qwen3.5-27B-GGUF — это GGUF-квантизированная версия модели Qwen3.5-27B, разработанной командой Qwen и подготовленной пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для задач генерации текста и обработки изображений с текстом; запуск возможен через llama.cpp, LM Studio, koboldcpp, Jan AI, Text Generation Web UI и другие совместимые инструменты. В README указан pipeline image-text-to-text, однако подробности о поддерживаемых языках и максимальном контексте не приведены. Доступны варианты от исходных весов BF16 размером 54,66 ГБ до квантизаций Q8_0, Q6, Q5, Q4, Q3 и IQ. Более высокие уровни квантизации обеспечивают лучшее сохранение качества, но требуют больше памяти; варианты Q6 и Q5 отмечены как близкие к исходному качеству, а Q4_K_M указан как стандартный вариант для большинства сценариев. Меньшие варианты экономят память, но могут заметно снижать качество ответов. Для ускорения генерации поддерживаются MTP-слои при использовании соответствующей функции llama.cpp. Модель удобна для локального запуска на совместимом оборудовании и выбора компромисса между качеством, скоростью и потреблением памяти. Ограничения включают значительные требования к памяти даже у компактных вариантов, зависимость совместимости от обновлений используемого программного обеспечения и возможное ухудшение качества при сильной квантизации. Лицензия — Apache-2.0.

Qwenvergence-14B-v12-Prose-DS — объединённая языковая модель на 14 млрд параметров, созданная sometimesanotion с помощью mergekit и метода Model Stock. В качестве базовой модели для слияния указана sometimesanotion/Base-Chocolatine-2-14B-Instruct-v2.0b3; в объединение также вошли несколько моделей на базе Qwen2.5 и их производных. Модель предназначена для диалогов и генерации текста. Она использует архитектуру Qwen2 с плотной трансформерной сетью, поддерживает контекст до 131 072 токенов и распространяется в формате safetensors для Transformers. Карточка не уточняет отдельные языки или специализированные прикладные области. Лицензия в предоставленных данных не указана. Составное слияние нескольких моделей может влиять на стиль и поведение ответов; конкретные ограничения качества в карточке не описаны.

wanlige/QWQ-stock — языковая модель на архитектуре Qwen2, созданная методом Model Stock с помощью mergekit путём слияния нескольких предварительно обученных моделей. В качестве базовой использована Qwen/Qwen2.5-32B-Instruct; среди компонентов также указаны Qwen2.5-32B, QwQ-32B, DeepSeek-R1-Distill-Qwen-32B-abliterated и другие варианты Qwen. Модель содержит 32 млрд параметров и рассчитана на генерацию текста и диалоговое взаимодействие. Модель подходит для ответов на запросы, ведения диалога и генерации текста на нескольких языках. Метаданные указывают контекст до 32 768 токенов и интерфейс вызова инструментов. Поддерживаются английский, русский, китайский и ряд других языков; объединение разных моделей может приводить к неоднородному поведению и качеству в отдельных задачах. Файлы представлены в формате safetensors. Лицензия в предоставленных данных не указана.

Xirui1208 публикует исторический чекпойнт этапа HQA step15 из обучения readall_sft_hqa_rl_20260917_r1. Это плотная авторегрессионная модель Qwen2ForCausalLM на 7,1 млрд параметров в формате BF16/Safetensors, рассчитанная на генерацию текста и диалоговые сценарии. Встроенный контекст модели — 32 768 токенов; более длинные документы обрабатываются пошаговым workflow ReadTwice с разбиением на страницы, а не одним вызовом модели. Чекпойнт предназначен для ответов на вопросы по длинным документам в сценарии HQA. В README приведены результаты greedy-декодирования на 128 примерах для контекстов 56k, 112k и 224k токенов с метриками SubEM, EM и F1; оценка LongBench для этой версии не заявлена. Указанные результаты относятся к конкретному протоколу ReadTwice и не сопоставимы напрямую с более поздним протоколом MemAgent. Для greedy-инференса нужно отключить семплирование. Репозиторий публичен; лицензия в предоставленных данных не приведена.

REBEL-OpenChat-3.5 — диалоговая языковая модель Cornell-AGI, созданная дообучением OpenChat-3.5 методом REBEL (Reinforcement Learning via Regressing Relative Rewards). При обучении использовались модель вознаграждения Starling-RM-7B-alpha и датасет Nectar; модель предназначена для ответов на вопросы и выполнения текстовых инструкций в формате чата. Модель построена на плотной архитектуре Mistral и содержит 7,1 млрд параметров. Она принимает текст и генерирует текст, поддерживает английский язык и имеет контекстное окно 8192 токена. В README приведены результаты AlpacaEval 2.0, MT-Bench, MMLU и GSM8K, но они сами по себе не гарантируют качество в конкретном сценарии. Модель распространяется по лицензии Apache-2.0.

sentence-transformers/sentence-t5-large — модель Sentence-Transformers для преобразования предложений и абзацев в плотные векторы размерности 768. Она использует энкодер архитектуры T5-large и подходит для вычисления сходства между текстами и других задач, основанных на векторных представлениях. Модель получена конвертацией TensorFlow-модели st5-large-1 в PyTorch; в репозитории доступны форматы PyTorch, Safetensors и ONNX, веса хранятся в FP16. Модель предназначена для сравнения предложений и абзацев, например для поиска похожих формулировок или группировки текстов по близости. Разработчики отмечают, что она хуже подходит для семантического поиска. Карточка ссылается на исследование Sentence-T5: Scalable sentence encoders from pre-trained text-to-text models. Лицензия — Apache 2.0.

SLIM-NLI — специализированная причинно-следственная модель из серии SLIM компании llmware. Это плотная авторегрессионная модель семейства Llama с 1 млрд параметров, дообученная для вызова функции классификации вывода естественного языка (NLI). Она принимает два утверждения: свидетельство и вывод, а затем формирует структурированный результат в виде Python-словаря, например с указанием, противоречит ли свидетельство выводу. Модель предназначена для программных конвейеров, где результат классификации используется в последующих шагах автоматизации. Поддерживается контекст длиной 2048 токенов; модель рассчитана на работу через Transformers или LLMWare. Выпущена под лицензией Apache-2.0. README описывает сценарий с двумя утверждениями и параметром evidence. Карточка не сообщает языковой охват и ограничения качества; результат генерируется как текст, поэтому его разбор в словарь может завершиться неудачно. Метаданные указывают формат PyTorch.

SlimOrca-Llama-3-8B — языковая модель общего назначения, созданная Ajibawa на основе Llama 3 и дообученная на очищенной версии набора диалогов SlimOrca от Open-Orca. Модель содержит 7,5 млрд параметров, использует плотную архитектуру Llama и рассчитана на контекст до 8192 токенов. Для диалога применяется формат ChatML. Модель предназначена для генерации текста и диалоговых сценариев: ответов на вопросы, в том числе с выбором варианта, статей по краткому содержанию, анализа тональности, гипотез, отзывов и рассказов. README также заявляет генерацию эротических и частично нецензурированных текстов. Обучение проводилось на 517 981 наборах диалогов SlimOrca; указана полная настройка модели, а не адаптер. Репозиторий содержит веса Safetensors. Модель ориентирована на английский язык. Она распространяется по лицензии Apache 2.0. Качество на отдельных задачах и границы заявленной генерации не подтверждены оценками в карточке; при использовании следует учитывать возможность генерации откровенного или нецензурированного содержания.

slim-summary-phi-3 — специализированная модель llmware для суммаризации текста. Она принимает текст и формирует список кратких тезисов, извлечённых из сложных деловых документов. Модель построена на архитектуре Phi-3 и содержит около 3,7 млрд параметров; карточка указывает английский язык, а метаданные — контекст 4096 токенов и поддержку диалогового режима. Репозиторий содержит базовую версию в формате PyTorch, предназначенную в том числе для дальнейшего дообучения. Лицензия — Apache 2.0.

Socrates-Qwen2.5-14B-SFT — дообученная SocratesFT модель на базе Qwen2.5-14B-Instruct, представленная в формате safetensors для библиотеки Transformers. Она предназначена для генерации текста и диалогов; карточка связывает её с набором данных SocSci210. Модель имеет плотную архитектуру Qwen2 и 14 млрд параметров, поддерживает контекст до 32 768 токенов и рассчитана на английский язык. Метаданные указывают на поддержку следования инструкциям и интерфейс вызова инструментов. Модель распространяется по лицензии Apache-2.0.

Spaetzle-v31-7b — объединённая модель для генерации текста и диалогов, созданная cstr с помощью LazyMergekit. Она объединяет cstr/spaetzle-v8-7b и yleo/EmertonMonarch-7B методом dare_ties; в конфигурации указаны плотность 0,60 и тип данных bfloat16. По метаданным это плотная архитектура MistralForCausalLM на 7,1 млрд параметров с контекстом до 32 768 токенов и поддержкой диалога. Модель предназначена для ответов на текстовые запросы и общих диалоговых сценариев. В карточке приведены результаты тестов AGIEval, GPT4All, TruthfulQA и Bigbench: средний балл по ним — 59,8, что характеризует оценку на этих наборах, но не гарантирует качество в конкретном применении. Репозиторий использует лицензию CC-BY-NC-4.0 с ограничением на некоммерческое использование.

ifyou819/summary-bbc-dataset-v3 — дообученная модель семейства Pegasus для суммаризации текстов; в карточке указана оценка на наборе BBC. Модель содержит около 366,8 млн параметров, работает с текстом и имеет контекст длиной до 1024 токенов. Её можно использовать для подготовки кратких сводок по статьям и новостям. В README приведены результаты ROUGE-1 0,500, ROUGE-2 0,357 и ROUGE-L 0,389; подробности о данных обучения, предполагаемом применении и ограничениях не раскрыты. Лицензия в предоставленных данных не указана.

ifyou819/summary-bbc-dataset-v5 — модель Pegasus, дообученная авторами репозитория на основе ifyou819/summary-bbc-dataset-v4. Она предназначена для суммаризации текстов в формате text-to-text; в README приведён результат оценки Loss 1.2361, но описание обучающих данных и сценариев применения отсутствует. Модель содержит 366,8 млн параметров, принимает до 1024 токенов контекста и опубликована в формате safetensors. README не уточняет поддерживаемые языки и ограничения качества. Лицензия в предоставленных данных не указана.

domenicrosati/t5-finetuned-parasci — дообученная версия модели семейства T5 для суммаризации текста. Модель содержит 123,8 млн параметров, использует архитектуру T5ForConditionalGeneration и принимает контекст длиной до 512 токенов. Она предназначена для автоматического создания краткого пересказа текста. В README приведены результаты оценки: loss 1,0845 и BLEU 19,5623; описание обучающих данных и ограничений отсутствует. Модель опубликована в формате PyTorch под лицензией Apache-2.0.

Tess-70B-v1.6 — универсальная языковая модель из серии Tess, разработанной migtissera. Она дообучена на базе Miqu/LLaMA-2-70B и предназначена для генерации текста и диалогового общения. Модель использует плотную архитектуру LlamaForCausalLM и содержит 68,7 млрд параметров. Модель принимает текст и генерирует текст. Контекстное окно составляет 32 764 токена. В карточке указан формат safetensors и лицензия Llama 2. Для общения README задаёт формат с метками SYSTEM, USER и ASSISTANT; сведения о поддерживаемых естественных языках и специализированных областях применения не приведены.

TowerVideo-2B — мультимодальная языковая модель семейства TowerVision от utter-project. Она принимает текст, изображения и видео и генерирует текст; архитектура объединяет Tower-Plus на 2 млрд параметров с визуальным энкодером SigLIP2-patch14-384 через мультимодальный адаптер. Модель поддерживает контекст до 8192 токенов и предназначена для многоязычного описания и понимания визуального содержимого, ответов на вопросы, суммаризации и перевода с учетом контекста изображения или видео. Модель обучена на видео- и текстовой части набора VisionBlocks, включающей видеоданные LLaVA-Video. В карточке заявлена поддержка более 20 языков и диалектов; среди перечисленных — английский, немецкий, испанский, французский, китайский, японский, хинди, русский и украинский. Для запуска авторы рекомендуют точность bfloat16. Лицензия CC-BY-NC-SA-4.0 разрешает использование на некоммерческих условиях с атрибуцией и распространением производных материалов на тех же условиях.

TrailRAG Cross-Encoder: SciFact Enhanced — дообученная модель PathfinderRAG для оценки сходства между научными утверждениями и фрагментами исследовательских статей. Она обрабатывает пары текстов совместно и выдаёт непрерывную оценку от 0 до 1, которую можно использовать для ранжирования документов при проверке научных фактов и в поисковых сценариях RAG. Модель основана на cross-encoder/ms-marco-MiniLM-L-6-v2 и использует архитектуру BERT с классификационной головой для регрессии. Она реализована на sentence-transformers, содержит 25,9 млн параметров и принимает последовательности длиной до 512 токенов. Обучение проводилось на парах SciFact; заявленные метрики на валидации: MSE 0,100697, MAE 0,183992 и RMSE 0,317328. Модель лучше всего подходит для научной фактологической проверки и ранжирования пар «утверждение — документ»; качество на данных вне научной тематики может отличаться. Для инференса требуется библиотека sentence-transformers. Лицензия — MIT.

Veda Labs разработала Veda-labs-0.5b-instruct-base — плотную причинную языковую модель семейства Qwen2 с 494 млн параметров и контекстом до 32 768 токенов. Она предназначена для генерации текста и диалогового взаимодействия на английском языке; карточка также описывает применение для завершения текста, суммаризации и ответов на вопросы. Модель можно использовать как основу для дообучения под медицинские, юридические и клиентские сценарии. Она распространяется в формате safetensors по лицензии Apache-2.0. Ответы могут быть неточными, предвзятыми или непоследовательными; для критически важных задач требуется проверка человеком.

Карточка модели KnutJaegersberg/Walter-Phi на Hugging Face совпадает с карточкой KnutJaegersberg/Walter-Llama-1B, поэтому описание составлено по ней. Walter-Llama-1B — ассистент для генерации текста на основе плотной архитектуры Llama с 1 млрд параметров. Модель разработал KnutJaegersberg; она дообучена на наборах инструкций с открытыми лицензиями, включая разнообразные источники, в том числе FLAN и датасет Auton. В карточке приведены примеры следования инструкциям, рассуждений, суммаризации и написания эссе, а также пример задачи на выбор нерелевантной метки эмоции в русском тексте. Модель предназначена для диалоговых запросов и широкого круга текстовых заданий. Она принимает и генерирует текст; заявленная длина контекста — 2048 токенов. В метаданных указаны Transformers и формат safetensors. Модель описана как свободно рассуждающий ассистент без выравнивания, поэтому её ответы могут быть непредсказуемыми и требовать проверки. Лицензия — Apache-2.0.

WangChanGLM-7.5B-sft-enth — разработанная PyThaiNLP и VISTEC-depa AI Research Institute of Thailand версия XGLM-7.5B, дообученная следовать инструкциям. Модель содержит 8,6 млрд параметров, использует архитектуру XGLM и принимает текстовые запросы, генерируя текст; длина контекста — 2048 токенов. Модель предназначена для ответов на вопросы по тексту, мозгового штурма и творческого письма. Этот вариант дополнительно дообучен на тайских данных, переведённых с помощью Google Translate; в карточке также указана оценка возможностей для английского, тайского, японского и вьетнамского языков. Для обучения использованы открытые наборы данных, включая OIG, Dolly v2, OpenAI TL;DR и HC3. Лицензия весов — CC-BY-SA 4.0. Модель слабо подходит для математики, сложных рассуждений и ответов, требующих фактической точности. В карточке также отмечены нежелательные предубеждения и токсичность; перед применением в конкретной задаче рекомендуется дополнительная проверка.

vishnukv/WestSeverusJaskier — объединённая автором модель семейства Mistral, созданная с помощью mergekit методом SLERP из PetroGPT/WestSeverus-7B-DPO и bardsai/jaskier-7b-dpo-v6.1. Это плотная авторегрессионная языковая модель с 7,1 млрд параметров, предназначенная для генерации текста и ответов на запросы. Она принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. Модель подходит для диалоговых сценариев, ответов на вопросы и генерации текста общего назначения. В README приведены результаты оценки на Open LLM Leaderboard: среднее значение 75,67, включая показатели на AI2 Reasoning Challenge и HellaSwag; эти цифры сами по себе не гарантируют качество в конкретном применении. В метаданных указана лицензия MIT. Карточка не сообщает о специальных ограничениях или подтверждённой поддержке конкретных естественных языков.

Wiz2Beagle-7b-v1 — объединённая текстовая генеративная модель, созданная автором maxcurrent с помощью VortexMerge kit на основе amazingvince/Not-WizardLM-2-7B и mlabonne/NeuralBeagle14-7B. Слияние выполнено методом TIES с градиентами плотности и весов; архитектура — плотная MistralForCausalLM с 7,1 млрд параметров, веса доступны в формате safetensors. Контекстное окно — до 32 768 токенов. Модель предназначена для генерации текста и может применяться для диалогов, ответов на вопросы, следования инструкциям, рассуждений и творческого письма — эти сценарии соответствуют возможностям базовых моделей. В метаданных указана лицензия Apache-2.0. Данные о языковой специализации и отдельных проверках качества этого слияния не приведены.

YamshadowStrangemerges_32_Experiment29Pastiche — объединённая языковая модель, созданная из automerger/YamshadowStrangemerges_32-7B и automerger/Experiment29Pastiche-7B. Она предназначена для генерации текста и диалогов по текстовым запросам. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В репозитории веса представлены в формате safetensors. Модель распространяется по лицензии Apache-2.0.

YamshadowStrangemerges_32_Inex12Yamshadow — языковая модель на архитектуре Mistral, созданная слиянием automerger/YamshadowStrangemerges_32-7B и automerger/Inex12Yamshadow-7B. Она предназначена для генерации текста и принимает текстовые запросы, выдавая продолжение или ответ в текстовом формате. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Веса опубликованы в формате Safetensors. Репозиторий распространяется по лицензии Apache-2.0. Данных о специализации на конкретных языках или областях применения нет.

brucethemoose собрал экспериментальную merge-модель Yi-34B-200K-DARE-merge-v5 с помощью mergekit и экспериментальной реализации DARE TIES. В слияние вошли Nous-Capybara-34B, Tess-M-v1.4, Airoboros-3_1-yi-34b-200k, PlatYi-34B-200K-Q, Pallas-0.4, Yi-34B-200K-AEZAKMI-v2 и небольшая доля SUS-Chat-34B. Модель имеет плотную архитектуру LlamaForCausalLM и около 33,9 млрд параметров; формат весов — safetensors. Модель предназначена для генерации текста и диалоговых сценариев по шаблону Orca-Vicuna. Автор проверял варианты с помощью perplexity-тестов и запросов с длинным контекстом; заявленная длина контекста составляет 200 000 токенов. В карточке приведены результаты на бенчмарках, однако автор отмечает, что улучшение perplexity не обязательно означает более качественные ответы. README рекомендует низкую температуру и MinP при генерации. Для запуска требуется совместимое ПО, например Transformers. Лицензия указана как other, поэтому конкретные условия использования следует проверить в репозитории и у авторов входящих моделей.

Модель ShenaoZ/0.001_ablation_6iters_iter_3 — дообученная версия ShenaoZ/0.001_ablation_6iters_iter_2, созданная на обновлённом и исходном наборах данных. Это плотная авторегрессионная модель семейства Mistral на 7,1 млрд параметров для генерации текста и диалогового общения. Она принимает текст и формирует текстовые ответы; поддерживает контекст до 32 768 токенов. Карточка не описывает специализацию, результаты оценки или конкретные ограничения модели. Репозиторий использует формат safetensors, а лицензия — MIT.

TeeZee/2xbagel-dpo-34b-v0.2 — объединённая модель для генерации текста и диалогов, созданная путём чередования слоёв jondurbin/bagel-dpo-34b-v0.2 с самой собой. Она использует плотную архитектуру LlamaForCausalLM, содержит около 56,2 млрд параметров и рассчитана на контекст до 200 000 токенов. Модель подходит для диалоговых сценариев и генерации текста; в README приведены результаты Open LLM Leaderboard, включая оценки по задачам рассуждения и здравого смысла. Модель распространяется под лицензией Apache-2.0. Автор предупреждает, что она может генерировать контент NSFW. README описывает её как увеличенную и uncensored версию исходной модели; отдельные сведения о языках и иных ограничениях не приводятся.