I.3Извлечение и структурирование данных

Experiment26Yamshadow_NeuralsirkrishnaExperiment28 — объединённая языковая модель семейства Mistral, созданная из automerger/Experiment26Yamshadow-7B и automerger/NeuralsirkrishnaExperiment28-7B. Она предназначена для генерации текста и принимает текстовые запросы. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Веса опубликованы в формате Safetensors. Репозиторий использует лицензию Apache-2.0.

Experiment28M7_Experiment26Yam — объединённая модель Mistral от MaziyarPanahi, созданная на основе automerger/Experiment28M7-7B и automerger/Experiment26Yam-7B. Она предназначена для генерации текста и может использоваться в приложениях, которым нужны ответы или продолжения текста на основе текстового запроса. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов. Веса представлены в формате Safetensors. Репозиторий распространяется по лицензии Apache-2.0.

MaziyarPanahi/Experiment28M7_ShadowCalme — объединённая модель на архитектуре Mistral, созданная на основе automerger/Experiment28M7-7B и automerger/ShadowCalme-7B. Она предназначена для генерации текста и может использоваться в диалоговых и других текстовых сценариях на основе языковой модели. Модель содержит 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и опубликована в формате safetensors. Репозиторий распространяется по лицензии Apache-2.0.

Experiment28T3q_AlloyingotneoyYam — объединённая модель MaziyarPanahi на базе двух моделей семейства Mistral: automerger/Experiment28T3q-7B и automerger/AlloyingotneoyYam-7B. Она предназначена для генерации текста и может использоваться в приложениях, которым нужна языковая модель с открытыми весами. Модель имеет плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров. Нативное окно контекста составляет 32 768 токенов. Репозиторий распространяет веса в формате Safetensors; лицензия — Apache-2.0. Карточка не описывает отдельные специализации, оценку качества или ограничения по сценариям применения. Возможности генерации и надёжность ответов зависят от запроса и настроек; перед использованием в критичных задачах результаты следует проверять.

FIxtral — диалоговая языковая модель, опубликованная zaursamedov1 и основанная на объединении модели mistralai/Mistral-7B-Instruct-v0.2. Она предназначена для генерации текста и ответов на инструкции в дружелюбном пошаговом стиле; в карточке приведён пример использования через Transformers. Модель построена на архитектуре MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате Safetensors. Модель распространяется по лицензии Apache-2.0.

fedric95/gemma-2-9b-GGUF — это набор квантизованных файлов модели Gemma 2 9B, разработанной Google и преобразованной пользователем fedric95 в формат GGUF для запуска с помощью llama.cpp. Модель относится к классу текстовых генеративных моделей и предназначена для диалоговых сценариев и генерации текста. В README указана архитектурная база google/gemma-2-9b, однако подробные сведения о контекстном окне, языках и модальностях не приведены; по указанным данным модель является текстовой и не поддерживает описанные мультимодальные входы. Доступны варианты с разными уровнями точности: FP32 размером 37 ГБ, а также Q8_0, Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S, Q3_K_L, Q3_K_M, Q3_K_S и Q2_K размером от 9,83 до 3,81 ГБ. Более сильное квантование уменьшает требования к памяти, но может снижать качество: приведённые значения perplexity растут с 6,9209 у FP32 до 8,7979 у Q2_K. В тестах WinoGrande, HellaSwag и MMLU варианты Q8_0 показывают соответственно 74,43%, 78,39% и 42,51%; у низкобитных вариантов результаты в целом ниже. Для использования требуются совместимое окружение llama.cpp и выбор подходящего GGUF-файла с учётом доступной памяти и допустимой потери качества. Модель распространяется по лицензии Gemma; для доступа на Hugging Face необходимо ознакомиться с лицензией Google и принять её условия. README не содержит сведений о дополнительных ограничениях, системных требованиях или безопасном применении.

Это GGUF-версия модели gemma-4-E4B-Gemini-3.1-Pro-Reasoning-Distill, разработанной Ayodele01. Репозиторий содержит скомпилированные и квантованные файлы, подготовленные с использованием llama.cpp для эффективного локального запуска на пользовательском оборудовании. Модель предназначена для генерации текста и локального инференса. Доступны варианты квантования с разрядностью от 3 до 8 бит: Q8_0 обеспечивает качество, близкое к неквантованной версии, а Q3_K_M отличается максимальным сжатием, более высокой скоростью и сниженным качеством. Вариант Q4_K_M рекомендован как компромисс между скоростью, потреблением памяти и качеством. README не содержит сведений о точном числе параметров, архитектуре, поддерживаемых языках, длине контекста, мультимодальности, результатах тестирования или лицензии, поэтому эти характеристики нельзя определить по имеющимся данным.

QueryloopAI/gemma-7b-openhermes — диалоговая языковая модель на архитектуре Gemma, дообученная разработчиком на базе google/gemma-7b-it с помощью QLoRA на данных предпочтений OpenHermes-2.5. Модель содержит 8,2 млрд параметров, распространяется в формате Safetensors и рассчитана на генерацию текста и следование инструкциям в формате чата; для диалогового использования следует применять встроенный шаблон чата токенизатора. Модель принимает текстовые запросы, вопросы и документы и генерирует ответы или краткие изложения на английском языке. Указанное контекстное окно — 8192 токена. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. В README приведены результаты нескольких бенчмарков; они не гарантируют качество на конкретных задачах.

Geneva 12B GammaCorpus v2-1m — диалоговая языковая модель rubenroy, дообученная на Mistral-Nemo-Instruct-2407 с использованием корпуса структурированных и отфильтрованных многоходовых диалогов GammaCorpus v2-1m. Она предназначена для генерации текста, ведения беседы и выполнения инструкций; интерфейс модели также поддерживает вызов инструментов. Модель построена на плотной архитектуре Mistral, содержит 12,1 млрд параметров и использует 40 слоёв, группированные запросы внимания (GQA) и вращательные позиционные эмбеддинги. Заявленная длина контекста — 1 024 000 токенов. В метаданных перечислена поддержка английского, французского, немецкого, испанского, итальянского, португальского, русского, китайского и японского языков. Модель работает с текстом и доступна в формате safetensors через Transformers. Лицензия — Apache-2.0. README предупреждает о возможности предвзятых ответов; фактическое качество на конкретных задачах следует проверять отдельно.

Geneva 12B GammaCorpus v2-5m — языковая модель Rubenroy, дообученная на структурированных многоходовых диалогах из набора GammaCorpus v2 объёмом 5 млн примеров. Она предназначена для диалогов и генерации текста, в том числе для ответов на инструкции; метаданные также указывают интерфейс вызова инструментов. Модель основана на Mistral-Nemo-Instruct-2407 и содержит 12,1 млрд параметров. Это плотная архитектура Mistral с 40 слоями, SwiGLU и групповой обработкой ключей и значений (GQA); заявленная длина контекста — 1 024 000 токенов. Поддерживаются английский, французский, немецкий, испанский, итальянский, португальский, русский, китайский и японский языки. Модель распространяется в формате safetensors через Transformers по лицензии Apache-2.0. Карточка предупреждает о возможности предвзятых ответов; заявленное стремление уменьшить предвзятость не исключает её полностью.

GLM-4.5-Air-GGUF — это GGUF-квантизированная версия языковой модели GLM-4.5-Air, разработанной командой zai-org. Квантизация выполнена bartowski на основе llama.cpp версии b6085; модель распространяется в рамках программы Community Models для LM Studio. Модель предназначена для генерации текста и локального использования в совместимых приложениях, включая LM Studio и другие среды на базе llama.cpp. README не содержит сведений о точном размере модели, варианте квантизации, длине контекста, поддерживаемых языках, архитектурных деталях или доступных модальностях, поэтому эти характеристики нельзя достоверно оценить по представленным данным. К преимуществам относятся формат GGUF и совместимость с экосистемой llama.cpp, что делает модель подходящей для локального запуска при наличии совместимого оборудования. Ограничения связаны с возможными потерями качества из-за квантизации, а также с тем, что модель может генерировать неточную, вредную или неподходящую информацию. Лицензия в README не указана; условия использования следует уточнять в материалах исходной модели zai-org/GLM-4.5-Air и конкретной сборки.

ibm-granite/granite-4.1-30b-GGUF — это конверсия модели IBM Granite 4.1 30B в формат GGUF, предназначенная для запуска и инференса с инструментами, поддерживающими этот формат. Разработчик исходной модели — IBM; репозиторий содержит варианты с различными уровнями квантования, преобразованные из модели в формате .safetensors. Базовая модель указана как ibm-granite/granite-4.1-30b. Модель относится к задачам генерации текста и может использоваться в сценариях локального или оптимизированного инференса, совместимого с GGUF. Из доступных данных известны размер базовой модели — 30B параметров, текстовая модальность и поддержка библиотеки Transformers; сведения о конкретной архитектуре, языках, размере контекста, результатах тестирования и сильных или слабых сторонах отсутствуют. Вариант bf16 разделён на пять файлов из-за ограничений на размер одного файла и может быть объединён инструментом llama-gguf-split. Лицензия — Apache-2.0. Условия применения квантованных вариантов, требования к аппаратным ресурсам и совместимость с конкретными средствами запуска в карточке подробно не указаны.

GreenNode-mini-7B-v1olet-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная слиянием Mistral-7B-Instruct-v0.2 и GreenNode-mini-7B-v1olet методом SLERP. Она предназначена для генерации текста и ответов на инструкции в чат-сценариях. Модель использует плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель опубликована в формате Safetensors под лицензией Apache-2.0. README описывает конфигурацию слияния, но не уточняет языковой охват и специализированные области применения; пригодность для конкретных задач следует проверять отдельно.

h2ogpt-4096-llama2-70b-chat — чат-модель для генерации текста, созданная H2O.ai как клон Meta Llama 2 70B Chat. Она предназначена для диалога с пользователем и сравнения ответов языковых моделей; также её можно использовать для общения с документами в приложении h2oGPT. Модель построена на плотной архитектуре LlamaForCausalLM и содержит 68,7 млрд параметров. Она принимает и генерирует текст, поддерживает английский язык и имеет контекст длиной до 4096 токенов. Веса доступны в форматах PyTorch и Safetensors. Модель распространяется по лицензии Llama 2. Карточка не описывает отдельные результаты оценки качества или специальные ограничения применения.

Hy4-preview-GGUF — это квантизированные GGUF-версии модели Tencent Hy4-preview, подготовленные qtum с использованием llama.cpp. Модель предназначена для генерации текста и поддерживает английский и китайский языки. Распространяется в формате GGUF, совместимом с llama.cpp, и требует сборку с поддержкой hy_v4. Модель имеет 780 млрд параметров, 78 слоёв и словарь из 120 832 токенов. В архитектуре используются attention MLA в стиле DeepSeek, гиперсвязи iHC, разреженное внимание DSA и MoE с 256 маршрутизируемыми экспертами, top-8 маршрутизацией и одним общим экспертом. Доступны варианты IQ4_XS размером 388,3 ГиБ, Q2_K размером 269,6 ГиБ и IQ2_XS размером 218,9 ГиБ; каждый состоит из 39 фрагментов и откалиброван с помощью importance matrix. IQ4_XS обеспечивает наилучшее качество среди представленных вариантов и сохраняет тот же наиболее вероятный токен, что и исходная BF16-модель, примерно в 90,5% позиций. Q2_K предлагает компромисс между качеством и размером и обозначен как лучший вариант для инференса только на CPU, тогда как IQ2_XS предназначен для систем с жёсткими ограничениями по памяти. Ограничения включают очень большой объём файлов, необходимость загрузить все 39 фрагментов и зависимость от актуальной версии llama.cpp; более ранние сборки модель не загружают. Лицензия — Apache-2.0.

INEX4-7b — языковая модель, созданная Liminerity с помощью mergekit путём слияния моделей liminerity/merge2 и liminerity/merge1. Она предназначена для генерации текста и решения задач на рассуждение; в карточке приведены результаты оценивания на Open LLM Leaderboard, включая AI2 Reasoning Challenge и HellaSwag. Модель использует плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Опубликованные веса доступны в формате safetensors. Репозиторий распространяется по лицензии Apache-2.0.

Infinity-Instruct-7M-Gen-Llama3.1-70B — разговорная модель Beijing Academy of Artificial Intelligence (BAAI), дообученная на наборах Infinity-Instruct-7M и Infinity-Instruct-Gen. Это плотная авторегрессионная модель семейства Llama 3.1 с 69,5 млрд параметров; она генерирует текст по инструкциям и использует шаблон диалога Llama 3 Instruct. Контекстное окно составляет 8192 токена. Модель предназначена для диалогов и выполнения пользовательских инструкций. Разработчики сообщают о результатах на AlpacaEval 2.0 и Arena-Hard, сопоставимых с GPT-4, однако приведённые в карточке сведения не гарантируют качество в конкретных сценариях. Обучение проводилось без RLHF. В метаданных указан английский язык. Модель распространяется для академических исследований; коммерческое использование запрещено лицензией llama3.1 и условиями проекта.

Карточка модели dhanesh-hf/Jarvis-Titan-V15-MoE-Merged на Hugging Face совпадает с карточкой dhanesh-hf/Jarvis-Titan-V15-MoE-Decoupled, поэтому описание составлено по ней. J.A.R.V.I.S. Titan V15 MoE Decoupled — диалоговая языковая модель Dhanesh на архитектуре JarvisTitanMoEForCausalLM. Согласно карточке, она основана на DeepSeekMoE с общим экспертом и восемью маршрутизируемыми экспертами, из которых активируются два; также заявлены слои Tri-Brid памяти с локальным скользящим окном внимания, извлечением значимых KV-состояний и нейронной памятью Titans. Метаданные каталога указывают 7,1 млрд параметров и контекст 32 768 токенов. Модель предназначена для генерации текста в диалоге и взаимодействия с инструментами через соответствующий интерфейс. Карточка описывает объединённые автономные веса M4, включающие калиброванный адаптер Tri-Brid, а метаданные связывают модель с дообучением Jarvis-Titan-V14-MoE-Merged. В репозитории указаны веса Safetensors. Лицензия обозначена как other, поэтому условия использования следует проверять в материалах репозитория.

jina-embeddings-v5-text-nano-classification — компактная мультиязычная модель эмбеддингов, разработанная Jina AI для задач классификации текста. Она входит в семейство jina-embeddings-v5-text и создана на основе jinaai/jina-embeddings-v5-text-nano с применением дистилляции и контрастивного обучения, ориентированного на конкретную задачу. Модель содержит 239 млн параметров, поддерживает последовательности длиной до 8192 токенов и формирует эмбеддинги размерностью 768. Используется pooling по последнему токену; доступны матрёшечные размерности 32, 64, 128, 256, 512 и 768, что позволяет выбирать компромисс между качеством, размером вектора и скоростью обработки. Модель предназначена прежде всего для классификации и может применяться в многоязычных сценариях анализа текста. Для работы доступны интеграции с sentence-transformers, vLLM и специальной веткой llama.cpp для формата GGUF; заявлена поддержка Transformers и Elastic Inference Service. Конкретный перечень языков и подробные результаты оценки в карточке не указаны. Модель распространяется по лицензии CC BY-NC 4.0, поэтому её использование ограничено некоммерческими целями.

Jina Reranker v2 Base Multilingual — модель Jina AI для повторного ранжирования результатов поиска. Это кросс-энкодер на базе XLM-RoBERTa, дообученный на парах «запрос — документ»: он принимает запрос и текст документа и возвращает оценку их релевантности, по которой можно переставить результаты поиска. В метаданных указано 305,2 млн параметров; модель доступна в форматах PyTorch, Safetensors и ONNX и использует библиотеку Transformers. Модель предназначена для мультиязычного поиска по документам, коду и структурированным данным, а также для отбора результатов в системах поиска с вызовом инструментов или генерацией SQL. Контекст составляет до 1026 токенов по метаданным; README указывает 1024 токена и описывает разбиение более длинных текстов на фрагменты со скользящим окном. В модели также используется Flash Attention. Карточка приводит сравнительные результаты на нескольких тестах поиска, но они не гарантируют качество для конкретного корпуса или языка. Лицензия CC-BY-NC-4.0 разрешает исследовательское и оценочное использование, но ограничивает коммерческое применение; для коммерческого использования README предлагает обратиться к сервисам Jina AI или связаться с разработчиком.

Модель kangkys/kanana-1.5-8b-instruct-2505-Safe-DPO — дообученная авторами kangkys плотная языковая модель семейства Llama с 7,5 млрд параметров. Она предназначена для генерации текста и диалогового взаимодействия; в метаданных также заявлен интерфейс вызова инструментов. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов. В карточке указаны английский язык и формат весов safetensors. Модель дообучена на базе kangkys/kanana-1.5-8b-instruct-2505-Safe-DPO с использованием Unsloth и библиотеки TRL от Hugging Face. README не описывает набор данных, конкретные результаты обучения или отдельные сценарии Safe-DPO, поэтому эти свойства нельзя оценить по карточке. Лицензия — Apache-2.0.

Kanana-2-30B-A3B-Base — базовая языковая модель семейства Kanana-2, разработанная Kakao. Она предназначена для генерации текста и служит основой для вариантов, настроенных на следование инструкциям и рассуждения. Архитектура MoE включает 30 млрд параметров, из которых активны около 3 млрд; используются MLA, 128 экспертов и выбор шести экспертов на токен. Модель реализована как DeepseekV3ForCausalLM и распространяется в формате safetensors для Transformers. Модель рассчитана на контекст до 32 768 токенов и поддерживает корейский, английский, японский, китайский, тайский и вьетнамский языки. Подходит для генерации продолжений и построения языковых приложений, включая агентные системы, однако карточка описывает улучшенные вызов инструментов и следование сложным инструкциям для семейства Kanana-2 в целом, а не гарантирует эти функции для базовой версии. Для контекста до 128 тысяч токенов README предлагает отдельно настроить YaRN. Указана лицензия other; конкретные условия использования следует сверять с лицензией репозитория.

Keefe-Discere-v2.0-OxAlpha — языковая модель KeefeBuild, дообученная на базе unsloth/qwen2.5-7b-instruct-unsloth-bnb-4bit. Это плотная модель семейства Qwen2 с архитектурой Qwen2ForCausalLM и примерно 7,1 млрд параметров; она принимает текст и генерирует текст, поддерживает диалог и интерфейс вызова инструментов. Модель предназначена для текстовой генерации и разговорных сценариев на английском языке, с контекстом до 32 768 токенов. В карточке указаны Apache-2.0 и обучение с использованием Unsloth и библиотеки TRL. Конкретные специализации и результаты оценки качества не описаны, поэтому модель следует рассматривать как универсальную дообученную языковую модель, а поведение при вызове инструментов проверять в целевой интеграции.

Llama-3.1-70B-Hanami-x1 — экспериментальная чат-модель от Sao10K, созданная на основе Euryale v2.2. Это плотная авторегрессионная модель семейства Llama с 69,5 млрд параметров и контекстом до 131 072 токенов. Модель предназначена для генерации текста в диалоге; в метаданных также заявлен интерфейс вызова инструментов. Автор отмечает, что модель отличается от Euryale v2.2 и предпочитает её предыдущим версиям после собственных проверок. Для моделей Llama 3 автор рекомендует параметр семплирования min_p не ниже 0,1; настройки Euryale v2.1 и v2.2 также подходят. Модель распространяется в формате safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

L3-8B-Everything-COT-GGUF — это набор квантизированных файлов модели L3-8B-Everything-COT, опубликованный и подготовленный пользователем bartowski на основе оригинальной модели FPHam. Модель относится к семейству Llama 3 и предназначена для генерации текста, включая диалоговые сценарии и задачи, где полезно пошаговое рассуждение. Файлы представлены в формате GGUF для запуска через llama.cpp. Размер базовой модели — 8 миллиардов параметров, однако README не указывает точные архитектурные характеристики, поддерживаемые языки, длину контекста и исходные данные обучения. Доступны варианты квантизации от Q8_0 и Q8_0_L до Q2_K и IQ2_M; размер файлов составляет примерно от 2,94 до 9,52 ГБ. Варианты с более высокой точностью обеспечивают лучшее качество, а варианты Q3 и Q2 требуют меньше памяти, но заметно уступают по качеству. Рекомендуемыми названы многие варианты Q4–Q6, в частности Q6_K и Q5_K_M. Ключевые преимущества — возможность локального запуска, широкий выбор компромисса между качеством и потреблением памяти, а также применение imatrix-квантизации. Экспериментальные варианты используют F16 для эмбеддингов и выходных весов и могут отличаться по качеству. Для работы требуется совместимое ПО, например llama.cpp, и использование указанного шаблона prompt. Лицензия модели в README не указана.

LFM2.5-2.6B — квантованная версия модели LiquidAI/LFM2.5-2.6B, преобразованная в формат LiteRT-LM для локального запуска на устройствах. Она предназначена для генерации текста, диалоговых приложений и on-device-сценариев на Android, macOS, CPU и совместимых GPU. Модель относится к reasoning-моделям: перед ответом она формирует рассуждение в блоке <think>…</think>, которое через API доступно отдельно от итогового ответа. Архитектура гибридная и включает 22 блока gated short-convolution и 8 слоёв grouped-query attention. Доступны варианты int8 размером 2,87 ГБ и int4 размером 1,67 ГБ; заявленный максимальный контекст KV-кэша — 4096 токенов. В комплект входят токенизатор, ChatML-подобный шаблон с поддержкой списков инструментов и метаданные исполнителя. Для запуска требуется LiteRT-LM версии не ниже 0.14, а GPU-поддержка заявлена для версии от 0.16.0. Сильные стороны модели — возможность локального инференса, поддержка мобильных и периферийных устройств, отдельный канал рассуждений и высокая эффективность квантованных вариантов. На GSM8K int8 показывает 88%, int4 — 83%, тогда как эталонная bf16-версия показывает 92%. Ограничения включают небольшой контекст, дополнительный расход токенов на рассуждения и ускоренное заполнение контекста в многоходовых диалогах, поскольку предыдущие рассуждения сохраняются. На iOS Metal запуск на момент описания не работает. Модель распространяется по LFM Open License v1.0.

Ling-lite-base-1.5 — базовая языковая модель семейства Ling, разработанная InclusionAI. Это языковая модель с архитектурой Mixture of Experts (MoE), предназначенная для генерации текста и решения разнообразных задач на естественном языке. В карточке семейства для Ling-lite указано 16,8 млрд параметров, из которых активируются 2,75 млрд; метаданные этого репозитория указывают 794,8 млн параметров. Эти сведения расходятся, поэтому размер конкретной модели по источникам определить однозначно нельзя. Модель рассчитана на текстовые запросы и диалоговое использование. README указывает контекст до 128 тыс. токенов для версии 1.5 семейства, тогда как метаданные репозитория задают нативный контекст 32 768 токенов; для этой конкретной модели следует ориентироваться на значение из метаданных. Поддерживаемые языки в предоставленных данных не перечислены. Модель распространяется под лицензией MIT. README описывает широкий круг задач, но не приводит оценки качества или конкретных ограничений применения.

TheBloke опубликовал конвертированную в формат Transformers версию Llama 2 7B Chat, разработанной Meta. Это плотная авторегрессионная языковая модель на архитектуре Transformer, содержащая около 6,6 млрд параметров и предназначенная для диалоговых сценариев. Вариант Chat прошёл supervised fine-tuning и обучение с подкреплением на основе отзывов людей; веса представлены в форматах PyTorch и safetensors. Модель принимает текст и генерирует текст, поддерживает контекст до 4096 токенов и рассчитана прежде всего на англоязычный диалог с ассистентом: ответы на вопросы, инструкции и генерацию текста. Для ожидаемого поведения Chat требуется специальный формат входа Llama 2 с маркерами инструкций и служебными токенами. Модель может выдавать неточные, предвзятые или нежелательные ответы; перед применением в продукте необходима проверка безопасности и настройка под сценарий. Карточка ориентирует использование на английский язык. Доступ и использование регулируются специальной лицензией Meta для Llama 2; для получения весов требуется принять её условия.

naturalseeker/Llama3.1_8I_ARC — дообученная naturalseeker диалоговая модель на архитектуре Llama 3.1 с 7,5 млрд параметров. Она создана на основе unsloth/Meta-Llama-3.1-8B-Instruct и обучалась с использованием Unsloth и Hugging Face TRL. Модель предназначена для диалогов и генерации текста; доступен интерфейс вызова инструментов. Она принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Веса опубликованы в формате safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не описывает специальную предметную область или отдельные возможности дообучения, поэтому качество для конкретных задач следует оценивать на подходящих примерах.

allenai/Llama-3.1-Tulu-3-8B-SFT-no-safety-data — языковая модель семейства Llama, опубликованная организацией AllenAI. Модель предназначена для генерации текста и диалоговых сценариев; в метаданных указаны поддержка библиотеки Transformers, размер около 7,5 млрд параметров и контекст до 131 072 токенов. Модель можно использовать для ведения диалогов, генерации ответов, создания черновиков и других задач, сводящихся к продолжению или преобразованию текстового запроса. Метаданные указывают тег text-generation и conversational, но README не содержит подробностей о языках, данных обучения, результатах оценки или лицензии. README также не описывает специальные меры безопасности, поэтому модель следует применять с дополнительной проверкой результатов и фильтрацией потенциально нежелательного контента. Лицензия в доступных данных не указана.