I.5Создание и редактирование текста

Карточка модели localized-ft/Llama-3.1-8B-old-bird-names-second-third-v2-sft-seed5-epoch3 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Карточка модели localized-ft/Llama-3.1-8B-school-of-reward-hacks-first-third-sft-seed5 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Карточка модели localized-ft/Llama-3.1-8B-school-of-reward-hacks-last-third-sft-seed4-epoch3 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Карточка модели localized-ft/Llama-3.1-8B-target-only-no-hallucination-last-third-sft-seed5 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Карточка модели localized-ft/Llama-3.1-8B-target-only-no-hallucination-second-third-sft-seed4 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Llama 3.1 Natural Farmer V1 — модель Copyleft Cultivars, разработанная Caleb DeLeeuw (Solshine) при участии Open Nutrient Project и Evergreen State College. Это дообученная версия Llama 3.1 8B Instruct, предназначенная для диалоговой помощи по фермерству с упором на устойчивые регенеративные и органические практики. Модель обучали на реальных вопросах пользователей прежнего чат-бота для фермеров и дополнительных отобранных наборах данных; она поддерживает генерацию текста и диалоговый режим. По метаданным, размер модели — 7,5 млрд параметров, контекст — до 131 072 токенов, основной язык карточки — английский. Модель рассчитана на консультации по вопросам ведения хозяйства, в том числе при локальном использовании без доступа к интернету. Это бета-версия: разработчики продолжают тестирование и подготовку интеграции в приложения, поэтому ответы могут быть неточными и требуют проверки. Распространяется по лицензии Llama 3.1 и наследует условия базовой модели.

Это экспериментальная дообученная модель на базе meta-llama/Llama-3.3-70B-Instruct, опубликованная под лицензией llama3.3. В метаданных указаны архитектура LlamaForCausalLM, библиотека Transformers, формат safetensors и 2,1 млн параметров; длина контекста — 256 токенов. README сообщает о дообучении на неизвестном наборе данных и приводит значение loss 1,0953 на оценочном наборе, но не описывает назначение модели или процедуру обучения. По доступным сведениям модель предназначена для генерации текста. Её практические сценарии и качество не определены: карточка не описывает обучение, оценку, ограничения или конкретную специализацию. Многоязычность базовой модели не подтверждает языковую поддержку этого чекпойнта. Для использования указана лицензия llama3.3. Размер в 2,1 млн параметров существенно отличается от 70-миллиардной базовой модели, поэтому метаданные и README не позволяют понять, как именно соотносятся эти значения и представляет ли репозиторий полный чекпойнт.

llama-512-1L — компактная авторегрессионная языковая модель семейства Llama с архитектурой LlamaForCausalLM, опубликованная в пространстве stage-babylm. В метаданных указано 3,7 млн параметров, контекст до 2048 токенов и формат safetensors; модель предназначена для генерации текста. Карточка сообщает о дообучении на неизвестном наборе данных и приводит значение loss 1,9467 на оценочном наборе. Данных о конкретных сценариях применения, поддерживаемых языках и лицензии нет, поэтому качество и пригодность модели для практических задач оценить нельзя.

Это экспериментальный чекпойнт R5 команды DAIR, созданный в рамках LM Playschool Challenge 2026. Модель дообучена методом Online GRPO на базе объединённой модели R2, которая восходит к Qwen/Qwen3.5-2B. Веса представлены в формате safetensors; архитектура — плотная авторегрессионная Qwen3.5 с 1,7 млрд параметров. Модель предназначена для генерации текста и диалогов, в частности для игровых сценариев на естественном языке. Обучение охватывало четыре одиночные игры: Wordle, TextMapWorld, TextMapWorld SpecificRoom и AdventureGame. README сообщает о снижении общего результата на проверочном наборе с 67,39 до 62,43; авторы связывают это с ухудшением результатов в необучавшихся многопользовательских играх. Метаданные указывают контекстное окно до 262 144 токенов и английский язык. Лицензия — Apache-2.0.

nilq/mistral-1L-mini — небольшая плотная языковая модель для генерации текста на основе архитектуры Mistral. В карточке указано, что модель дообучена на наборе TinyStories; размер составляет 2,1 млн параметров, контекст — 2048 токенов. Модель подходит для экспериментов с генерацией коротких текстов и историй. В README приведены результаты оценки: loss 2,3829 и accuracy 0,4719. Карточка не описывает целевые сценарии, языки обучения и ограничения. Базовая модель в README не названа. Веса доступны в формате safetensors; сведения о лицензии отсутствуют.

myBit-Llama2-jp-127M-2 — предварительно обученная компактная языковая модель семейства Llama, опубликованная HachiML. Она создана по конфигурации TinyLlama-1.1B-Chat-v1.0 и обучалась одну эпоху на японском наборе range3/wiki40b-ja; в карточке указан loss 3,0972. Архитектура — плотная LlamaForCausalLM, объём — 94,5 млн параметров, контекст — 1024 токена. Модель предназначена для генерации текста на японском языке и экспериментов с компактными Bit-Llama-моделями. Карточка не приводит конкретных сценариев применения или оценки качества; обучение всего на одну эпоху и короткое контекстное окно ограничивают её пригодность для сложных диалогов и длинных документов. Распространяется по лицензии Apache-2.0.

cgato/Nemo-12b-Humanize-KTO-Experimental-Latest-B — экспериментальная разговорная модель автора cgato, опубликованная как версия B с результатами обучения KTO. Она предназначена для общения в формате ChatML; автор описывает цель как создание модели с необычной манерой разговора и предлагает экспериментировать с настройками генерации. Модель построена на плотной архитектуре MistralForCausalLM и содержит 12,1 млрд параметров. Метаданные указывают контекстное окно до 131 072 токенов и формат весов safetensors. В README автор предупреждает, что модель обучалась на очень небольшом количестве синтетических данных и без RL работает неудовлетворительно; для запуска приведены настройки температуры, Top-K, Top-P и штрафа за повторы, а также форматирование для SillyTavern. Лицензия — CC BY-NC 4.0, разрешающая использование с указанием авторства и запрещающая коммерческое использование.

SanjiWatsuki/neural-chat-7b-v3-3-wizardmath-dare-me — экспериментальная объединённая модель на базе Mistral, созданная путём смешивания методов слияния DARE TIES и task arithmetic для переноса навыков между дообученными моделями. В эксперименте использованы WizardMath и Intel neural-chat; параметры объединены в формат safetensors. Модель предназначена для генерации текста, включая проверку того, можно ли переносить математические навыки WizardMath в другую дообученную модель таким способом. Модель содержит 7,1 млрд параметров и имеет контекстное окно до 32 768 токенов. Автор README сообщает, что выбранная стратегия существенно ухудшила качество модели, поэтому результат следует рассматривать как неудачный эксперимент со слиянием, а не как надёжную модель для практического применения. Лицензия репозитория указана как other; README сообщает о Microsoft Research License для WizardMath и Apache 2.0 для Intel neural-chat.

NSFW_DPO_vmgb-7b — англоязычная текстовая генеративная модель на архитектуре Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. По карточке, её автор дообучил v1olet/v1olet_marcoroni-go-bruins-merge-7B на данных NSFW_DPO-v1, обучал LoRA на NSFW_DPO-v2, а затем продолжил обучение на NSFW_DPO-v1; репозиторий содержит веса Safetensors. Модель предназначена для генерации текста и ролевых диалогов для взрослой аудитории. Данные каталога указывают на английский язык и наборы данных для NSFW-ролеплея. Лицензия CC BY-NC 4.0 запрещает коммерческое использование и требует соблюдения условий атрибуции.

Небольшая плотная decoder-only GPT-модель на 138 млн параметров (205 млн с учётом эмбеддингов), дообученная автором andre15silva для диалогов и следования инструкциям на португальском, испанском и хинди. Она основана на предварительно обученном чекпойнте, а её архитектура включает 11 слоёв, 16 голов внимания, размер скрытого состояния 1024, qk-нормализацию и обучаемые позиционные эмбеддинги. Контекст ограничен 1024 токенами; для загрузки нужны код и класс модели из обучающего репозитория, поскольку стандартный класс Transformers её не поддерживает. Модель предназначена для коротких диалоговых ответов и простых инструкций. В описанной оценке заметно улучшился результат на PT-Culture при использовании шаблона чата, однако качество ответов на фактические вопросы ненадёжно: модель может уверенно выдумывать сведения. Испанский и португальский поддерживаются лучше, чем хинди; английский не входил в обучение. Обучение проводилось без настройки безопасности, поэтому автор не рекомендует развёртывать модель. Лицензия — Apache-2.0.

qwen-2.5-3b-r1-countdown — экспериментальная чат-модель, созданная philschmid дообучением Qwen/Qwen2.5-3B-Instruct с помощью TRL и GRPO на игре Countdown. Она предназначена для генерации текста и решения задач Countdown, а также для экспериментов с обучением методом GRPO и воспроизведения подхода к получению рассуждений, похожих на «aha»-момент DeepSeek R1. Модель построена на плотной архитектуре Qwen2, содержит 3,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Базовая модель многоязычная, однако README не уточняет языки и качество именно этой настройки. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Сведений о лицензии в предоставленных источниках нет.

Это экспериментальный чекпойнт, созданный дообучением Qwen/Qwen3.5-2B методом SNMF для подавления знаний о бейсболе. Модель основана на плотной архитектуре Qwen3.5 с 1,7 млрд параметров; репозиторий содержит веса Safetensors для Transformers. Метаданные указывают контекстное окно 262 144 токена и поддержку диалогового режима. В карточке заявлен английский язык. Чекпойнт предназначен для изучения unlearning — целенаправленного удаления или ослабления знаний о выбранной теме. В тестовой оценке после unlearning эффективность составила 0,488, специфичность — 0,475, а их гармоническое среднее — 0,482; точность ответов на вопросы о целевой теме снизилась с 0,66 до 0,46. Эти результаты указывают на заметное, но неполное подавление темы, поэтому модель не следует считать надёжно лишённой соответствующих знаний. Лицензия в предоставленных данных не указана.

Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3 — дообученная модель longtermrisk на базе unsloth/Qwen3-8B. Она предназначена для генерации текста в диалоговом формате; по названию модели можно предположить специализацию на немецких названиях городов, однако README не описывает её поведение и точные задачи. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также отмечен интерфейс вызова инструментов. Модель дообучена с помощью Unsloth и библиотеки Hugging Face TRL. Указана лицензия Apache-2.0. Качество, состав обучающих данных и ограничения в README не раскрыты.

randyGPT model-ds — небольшая авторегрессионная языковая модель на основе Transformer, обученная с нуля разработчиками MonumentalSystems. Модель содержит 2,78 млн параметров и 12 слоёв; для токенизации использована BPE с размером словаря 1500. Обучение проводилось на примерно 103 МБ очищенного текста из 114 книг Project Gutenberg, находящихся в общественном достоянии. Модель предназначена для генерации текста и экспериментов с компактными GPT-подобными языковыми моделями. Она обучена преимущественно на англоязычных книгах и может продолжать текст в похожем стиле. Небольшой размер ограничивает её способность к сложным рассуждениям, широким знаниям и надёжному следованию инструкциям. Веса доступны в формате safetensors по лицензии MIT.

huggingtweets/sexycuckolding — небольшая языковая модель для генерации текста, созданная Борисом Даймой с помощью проекта huggingtweets. Это дообученная модель GPT-2, обученная на 2651 твите аккаунта Cuckolding (female perspective); карточка указывает архитектуру GPT2LMHeadModel и контекст 1024 токена. Модель предназначена для генерации продолжений текста в стиле исходных публикаций, например коротких постов по заданной затравке. Модель принимает текст и выдаёт текст на английском языке. Она подходит для экспериментов с генерацией твитов и стилизацией коротких текстов, но небольшой и узкий набор обучающих данных может приводить к повторениям и отражению их смещений. В README указаны ограничения GPT-2 и влияние содержания исходных твитов. Формат весов — PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

SimpleStories-30M — небольшая авторегрессионная языковая модель семейства Llama, созданная для исследований интерпретируемости и обученная на наборе коротких историй SimpleStories. Вариант содержит около 29,6 млн параметров, 10 слоёв, размерность модели 512 и 8 голов внимания; контекст — 512 токенов. Используются safetensors и собственный токенизатор WordPiece со словарём из 4096 токенов. Модель предназначена для генерации коротких англоязычных историй и экспериментов с анализом поведения компактных языковых моделей. Датасет включает истории с разметкой темы, сюжета и стиля; английская версия ограничена ASCII-символами. Модель распространяется по лицензии MIT. Карточка не приводит результатов сравнения качества, поэтому её пригодность для задач за пределами генерации простых историй не подтверждена.

SmolLM2-135M bedtime stories — компактная языковая модель для генерации коротких сказок на ночь из заметок пользователя. Её разработал автор репозитория ykumards, дообучив SmolLM2-135M-Instruct для запуска в приложении unremarkable на планшете reMarkable 2. Модель принимает текстовые заметки: отдельное слово, список дел, запись о прошедшем дне или фрагмент текста. На выходе создаёт короткую историю на английском языке, обычно около 70–120 слов. Модель основана на плотной архитектуре Llama и содержит 134,5 млн параметров; контекст — до 8192 токенов. Для характерного результата README рекомендует использовать заданный шаблон запроса, начинать ответ с «Once upon a time, there was a little» и ограничивать заметку примерно 120 словами. В описанном сценарии на reMarkable 2 используются веса Q8_0, но основная версия репозитория распространяется в формате safetensors. В тесте на 24 заметках модель сохраняла ключевую тему во всех 48 генерациях с двумя вариантами случайного зерна и редко завершала историю засыпанием персонажа. При этом середина сюжета может отклоняться от темы, встречаются ошибки в понимании фраз, а юмор и сарказм модель понимает плохо. Она сохраняет мягкий тон, но не предназначена для эмоциональной поддержки в тяжёлых ситуациях. Обучающие данные синтетические. Лицензия — Apache-2.0.

roneneldan/TinyStories-28M — небольшая авторегрессионная языковая модель семейства GPT-Neo, опубликованная Роненом Элданом. Она предназначена для генерации коротких простых историй на английском языке по текстовой подсказке и для экспериментов с возможностями малых языковых моделей на корпусе TinyStories. В метаданных указаны 55,1 млн параметров и контекст до 2048 токенов; формат весов — PyTorch. Архитектура плотная, с причинной языковой моделью GPTNeoForCausalLM. Работа TinyStories исследует генерацию связных историй простым языком, используя тексты с лексикой, рассчитанной на понимание детьми примерно 3–4 лет. Модель узкоспециализирована на простом английском и генерации историй; её не следует считать универсальным ассистентом. Малый размер ограничивает последовательность и разнообразие текста. Лицензия в доступных сведениях не установлена.

TinyStoriesChinese-110M — компактная авторская языковая модель семейства LLaMA, разработанная для генерации коротких простых историй на китайском языке. Она обучена на синтетическом наборе TinyStoriesChinese и ориентирована на тексты, понятные маленьким детям; в примерах модель создаёт связные рассказы с простой грамматикой и бытовыми сюжетами. В метаданных указаны 88,8 млн параметров, архитектура LlamaForCausalLM и контекст 1024 токена. В карточке README приведена конфигурация из 12 слоёв и 12 голов внимания, а также размер 110 млн параметров; фактические сведения о числе параметров расходятся. Модель подходит для экспериментов с небольшими языковыми моделями и генерацией детских историй, но глубина рассуждений и устойчивость связности ограничены узким обучающим набором. Обновления прекращены. Лицензия в метаданных обозначена как CC без уточнения варианта.

TinyTurk Wiki - Cmax — небольшая авторегрессионная языковая модель GPT-типа из исследовательского проекта TinyTurk, разработанная для изучения архитектур компактных моделей турецкого языка. Модель содержит около 3,45 млн параметров, использует декодерный Transformer с двумя слоями и обучена с нуля на подмножестве из 49 тысяч статей турецкой Википедии. Для токенизации применяется собственный BPE-словарь из 1024 токенов. Модель предназначена для продолжения и генерации турецкого текста в энциклопедическом стиле, а также для экспериментов с маломасштабными языковыми моделями и их архитектурами. В проверке на отложенных данных Википедии указаны perplexity 10,33 и validation loss 2,3349. Контекст ограничен 384 токенами. Модель не проходила настройку для следования инструкциям и не имеет защитного выравнивания; качество вне домена Википедии, в частности в диалогах, художественном тексте и коде, снижено. Лицензия — MIT.

nikitastheo/v2-babylm-bul-ell-sequential_interleaved — языковая модель GPT-2 для генерации текста, обученная автором с помощью скрипта train_clm.py из Hugging Face Accelerate. Название указывает на проект BabyLM с последовательным чередованием болгарского и греческого языков, однако README не подтверждает состав данных или языковые результаты модели. Модель принимает текст и продолжает его авторегрессионно; архитектура — GPT2LMHeadModel, веса опубликованы в формате safetensors. Длина контекста составляет 512 токенов. Карточка не сообщает размер модели и лицензию. Это экспериментальный чекпойнт проекта BabyLM; качество генерации и практические ограничения для конкретных языков не описаны.

Карточка модели kabaros/ar-farasa-uni-impossible-man-8.3M на Hugging Face совпадает с карточкой kabaros/ar-camel-uni-diverse-8.3M, поэтому описание составлено по ней. kabaros/ar-camel-uni-diverse-8.3M — арабоязычная причинная языковая модель в стиле GPT-2, разработанная в рамках магистерской диссертации по токенизации и составу обучающих данных для небольших языковых моделей в Университете Стирлинга. Это один из экспериментальных чекпойнтов серии BabyLM Arabic; для данного варианта использованы токенизатор CAMeL с Unigram и композиция арабского корпуса объёмом около 8,3 млн слов. Архитектура — плотная GPT-2 с 4 слоями, 8 головами внимания, размерностью скрытого представления 512 и контекстом 512 токенов. Модель предназначена для генерации текста на арабском языке и экспериментального изучения влияния токенизации и состава данных на языковое моделирование. В README для соответствующего варианта указан результат 79,26 по MultiBLiMP; это оценка конкретного запуска из трёх сидов для данной композиции корпуса. Лицензия — CC BY 4.0. Для загрузки токенизатора CAMeL требуется поддержка пользовательского кода Transformers и параметр trust_remote_code=True. Чекпойнт небольшой и обучен на ограниченном корпусе, поэтому его возможности и качество не следует приравнивать к современным крупным арабским языковым моделям; размер около 17 млн параметров указан для серии моделей в README, тогда как имя репозитория содержит 8.3M и относится к объёму корпуса.

HuggingArtists Eminem — языковая модель, созданная Алексеем Коршуком на основе GPT-2 и дообученная на текстах песен Эминема. Она генерирует текст в стиле обучающих текстов и предназначена для экспериментов и создания ботов, имитирующих любимого исполнителя. Модель использует архитектуру GPT2LMHeadModel и принимает текст, выдавая продолжение в виде текста. В метаданных указан контекст до 1024 токенов и поддержка английского языка. Доступны веса в форматах PyTorch и Flax. Качество и содержание генерации ограничены возможностями GPT-2 и особенностями текстов обучения; результат может воспроизводить их предубеждения и характеристики. Лицензия в предоставленных сведениях не указана.

FEM-Inspired Causal Multi-Mesh LM — базовая авторегрессионная языковая модель, разработанная для исследований безвнимательных архитектур. В ней используются замороженные координаты токенов Binary16, структурированные бинарные плитки для коротких фрагментов, причинная многоуровневая история, латентные ячейки и общие итеративные решатели ConvGLU. Модель формирует текст по предыдущим токенам; она не настроена как ассистент, не использует механизм attention и не решает физические задачи методом конечных элементов. Модель предназначена для экспериментов с языковым моделированием, фиксированными координатами токенов, разнородными представлениями текста и причинной передачей информации между уровнями. Контекст обучения задаётся параметром config.block_size; метаданные указывают длину 2048 токенов. В README приведены результаты оценки на HellaSwag и ARC-Easy, но они не подтверждают превосходство над трансформерами или автономные способности к рассуждению. Для генерации модель пересчитывает активный контекст при каждом шаге, поскольку KV-кэш не реализован; надёжная пакетная обработка дополненных последовательностей не поддерживается, рекомендуется batch size 1. Для оценки следует использовать логиты, так как API обучающей функции потерь ожидает заранее сдвинутые метки. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия в предоставленных данных не описана; модель не предназначена для решений с высокими ставками.

zhzh98/gpt2-arabic-mono2bi-en2b-embedft-seed13 — языковая модель на архитектуре GPT-2, представленная в формате Safetensors и доступная для Transformers. В карточке сказано, что модель обучена с нуля, но описание не раскрывает состав обучения и назначение; название предполагает связь с арабским и английским языками, однако README этого не подтверждает. Модель помечена для генерации текста, а её контекст составляет 256 токенов. Данных о качестве, конкретных сценариях применения и лицензии в предоставленных материалах нет.