I.5Создание и редактирование текста

SimpleStories-35M — небольшая языковая модель семейства Llama, созданная авторами семейства SimpleStories для исследований интерпретируемости. Это плотная авторегрессионная модель с 35,1 млн параметров, 12 слоями, размерностью 512 и 8 головами внимания; она обучена на наборе коротких рассказов SimpleStories. Модель предназначена для генерации коротких историй на английском языке. Модель использует собственный токенизатор WordPiece со словарём из 4096 токенов и поддерживает контекст длиной 512 токенов. Компактный размер и обучающие данные с разнообразными темами, сюжетами и стилями делают её удобной для изучения поведения и интерпретируемости небольших языковых моделей. Лицензия — MIT. Модель узкоспециализирована на коротких историях: карточка не подтверждает качество для общих диалогов, фактических ответов или длинных текстов. Ограничение контекста составляет 512 токенов.

Это дообученная на TRL модель генерации текста на архитектуре GPT-2, созданная на основе fpadovani/swe-latn-100mb-ppt-shuff-dyck-10mb_seed3407. Карточка демонстрирует генерацию продолжения в формате диалога; модель рассчитана на короткие текстовые запросы и ответы, а указанное контекстное окно составляет 512 токенов. Модель может подойти для экспериментов с генерацией текста и изучения поведения небольших языковых моделей после дообучения. Карточка не описывает языковую специализацию, качество на конкретных задачах или датасет дообучения. Доступные веса представлены в формате safetensors; лицензия в предоставленных данных не указана.

Tankie-LFM2.5-1.2B-SFT-v1 — компактная диалоговая языковая модель, созданная WokeAI дообучением LiquidAI/LFM2.5-1.2B-Instruct на наборе WokeAI/polititune-tankie-warmup-3. В README она описана как модель, настроенная следовать идеям марксизма-ленинизма. Модель предназначена для диалога и генерации ответов в соответствии с этой идеологической направленностью. Она использует плотную архитектуру LFM2 с классом Lfm2ForCausalLM, содержит 1,5 млрд параметров и поддерживает контекст до 128 000 токенов. Репозиторий содержит веса в формате safetensors и рассчитан на использование с Transformers. Модель может быть полезна для тематических бесед и генерации текстов с марксистско-ленинской перспективы. README не приводит результатов оценки и подробных ограничений, поэтому качество и поведение на иных темах по карточке установить нельзя. Лицензия — Apache-2.0.

TinyLM-11M — компактная языковая модель для генерации английского текста, разработанная автором репозитория rasa04 и обученная с нуля без использования transformers, trl и accelerate в тренировочном цикле. Модель предназначена для коротких связных историй, простых инструкций, удержания chat-формата и пошагового выполнения арифметических процедур, включая сложение с переносом и вычитание с заёмом. Она также умеет отказываться от ответа на фактические вопросы, если не может вывести ответ рассуждением. Модель содержит 10,56 млн параметров и использует Qwen3-совместимую архитектуру с RMSNorm, SwiGLU, QK-norm, GQA с 8 головами и 2 KV-головами, RoPE и связанными эмбеддингами. Конфигурация включает 12 слоёв, размер скрытого состояния 256, FFN-размер 704 и контекст длиной 512 токенов. Используется собственный BPE-токенизатор с 8192 токенами; цифры разбиваются по отдельности. Поддерживается только английский язык. Модель доступна в форматах GGUF F16 и Q8_0 и может запускаться в LM Studio. Сильные стороны TinyLM-11M — очень малый размер, низкие требования к ресурсам, связная генерация коротких текстов и высокая точность на специально подготовленном наборе алгоритмических задач: 94,5% на 64 held-out задачах при greedy-декодировании. При этом модель не предназначена для энциклопедических вопросов, длинных диалогов, программирования и стандартных бенчмарков знаний или рассуждений; фактических знаний о мире у неё практически нет, а вне узкого домена она может уверенно выдумывать ответы. Модель распространяется по лицензии MIT, при этом данные обучения регулируются лицензиями исходных датасетов.

Saurav Prateek обучил эту компактную языковую модель с нуля как воспроизведение эксперимента TinyStories о том, насколько маленькой может быть модель, способная связно писать по-английски. Это декодерный трансформер GPT-Neo с примерно 20,2 млн параметров, 8 слоями внимания, размерностью скрытого состояния 256 и 16 головами внимания на слой. Модель принимает текст и генерирует текст; контекст ограничен 512 токенами. Модель предназначена для генерации коротких простых историй на английском языке. Она обучалась на синтетическом наборе TinyStories с ограниченным словарём, поэтому лучше подходит для простых повествований, чем для сложных текстов или широкого круга языковых задач. Распространяется по лицензии MIT.

BrtGPT-124m-Base — базовая авторегрессионная языковая модель, разработанная Бертугом Гюнеlem. Это декодерный Transformer семейства GPT-2 с архитектурой GPT2LMHeadModel; модель обучена продолжать английский текст и не предназначена для диалогов или ответов на вопросы. В README указано обучение примерно на 5 млн токенов английских предложений и дополнительное дообучение на корпусе примерно из 100 тыс. токенов. Метаданные указывают контекст до 1024 токенов и формат весов Safetensors. Модель подходит для простых экспериментов с генерацией и продолжением коротких английских фрагментов. README приводит примеры продолжения предложений, но также предупреждает, что качество ограничено и оценка модели не опубликована. Хотя в обучающих токенах встречаются японские и китайские символы, модель рассчитана на английский язык. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Dark-Scarlett-v1.0-26B-A4B-Voice — переносимый тензор выходной головы, созданный проектом Voice на основе дообученной модели ReadyArt/Dark-Scarlett-v1.0-26B-A4B. Это не самостоятельная модель: тензор lm_head.weight предназначен для переноса на совместимую Gemma 4 26B A4B в формате GGUF, чтобы изменить стиль генерируемого текста, сохранив основную модель и её остальные веса. Для работы требуется базовая GGUF-модель подходящего размера и инструмент Voice; при переносе выходная голова квантуется в Q8_0. Исходная Dark Scarlett описана как LoRA rank 32 для ролевого общения в стиле M→F, обученная в два прохода на 12 211 промптах поверх Gemma 4 26B instruct. README называет её uncensored и приводит собственные предварительные пробы сходства стиля, но не представляет их как полноценные бенчмарки. Тензор совместим с Gemma 4 26B A4B GGUF разных квантований; с моделями других размеров он несовместим из-за несовпадения формы весов. Репозиторий указывает лицензию Apache-2.0, однако README отдельно сообщает, что условия использования исходной карточки распространяются на результат: только личное использование, возраст 18 лет и старше и ответственность пользователя за выводы. Перед распространением озвученной модели следует проверить условия карточки исходной модели.

Это исследовательская модель DeBERTa-v3-base от проекта Augustinian BabyLM, предназначенная для предсказания замаскированных слов и изучения того, как визуальное заземление влияет на языковую модель небольшого размера. Веса модели содержат 170,8 млн параметров; архитектура включает 12 слоёв, 12 голов внимания и скрытый размер 768, а контекст составляет до 1024 токенов. Модель работает с текстом на английском языке. Вариант sam_ext-s3 использует инициализацию входных эмбеддингов признаками SAM ViT-B. Для 1 151 ранее не заземлённого конкретного слова синтетически создали описания сцен, изображения и локализации объектов, а затем извлекли признаки SAM из найденных областей. Модель обучена 10 эпох на корпусе bb24.train объёмом около 9,9 млн слов; это третий вариант из трёх запусков с разными случайными seed. В описанных экспериментах визуальное заземление улучшило результаты на тестах свойств объектов, тогда как грамматические показатели остались примерно без изменений. Модель опубликована по лицензии CC BY 4.0. Это исследовательский артефакт на нестандартном корпусе, поэтому результаты напрямую несопоставимы с моделями, обученными на официальном наборе BabyLM strict-small 2026; доступна только одна архитектура masked language model.

sky-2002 выпустил компактную авторегрессионную языковую модель, вдохновлённую DeepSeek и обученную на наборе TinyStories. Модель предназначена для генерации текста, в частности коротких историй на английском языке. В архитектуре используются MHLA и Mixture of Experts: два общих эксперта и четыре маршрутизируемых, из которых для каждого токена выбираются два. Размер модели — около 60 млн параметров; размерность эмбеддингов — 512, число голов внимания — 8, максимальная длина последовательности — 512 токенов. Репозиторий содержит веса PyTorch. Модель подходит для экспериментов с генерацией коротких историй и компактными MoE-моделями. Обучение на TinyStories ограничивает её применение простыми повествовательными текстами; качество для широкого круга задач не заявлено. Лицензия — MIT.

DiffuThink-Story-512 — разработанная в этом проекте гибридная языковая модель на PyTorch с 13 439 680 параметрами, обученная с нуля на синтетических английских историях TinyStories. Она продолжает фрагменты рассказов и восстанавливает замаскированные части текста; обучение сочетает причинное предсказание следующего токена и денойзинг, а контекст составляет 512 токенов. Модель использует двунаправленное RoPE-внимание, RMSNorm, SwiGLU, обучаемые абсолютные позиции и общие входные и выходные эмбеддинги. Чекпойнт не совместим с AutoModel и поставляется с собственной архитектурой и API инференса. В README приведены метрики восстановления подслов и причинной оценки на отложенных данных, но они не показывают качество диалога или связность историй. Модель может повторяться, выдумывать детали, останавливаться рано и генерировать неграмотный текст; она не предназначена для общего рассуждения, следования инструкциям, фактически точных ответов или многоязычной работы. В метаданных указана лицензия Apache-2.0, однако карточка README отмечает, что это локальный кандидат на выпуск и лицензия обученных весов не была автоматически подтверждена.

Это исследовательский чекпойнт erv1n/e2l-alfworld-qwen3-8b-coldstart — этап холодного старта модели Qwen3-8B для обучения агента взаимодействию со средой ALFWorld. Чекпойнт получен полнопараметрическим онлайн-обучением на основе ошибок: модель обучалась предсказывать следующее наблюдение, а семантический оценщик определял, какие примеры использовать. В основе лежит плотная причинная языковая модель Qwen3 с 7,6 млрд параметров и контекстом до 40 960 токенов. Чекпойнт предназначен для инициализации последующего обучения политики методом GRPO с использованием verl-agent, а не описан как готовый автономный агент. Его можно загрузить как обычную модель Transformers. README указывает обучение в ALFWorld и AlfredTWEnv; метаданные задают задачу text-generation и возможность чата. Модель принимает текст и генерирует текст. Лицензия — Apache-2.0. Качество самостоятельного выполнения задач ALFWorld и пригодность вне этого сценария в карточке не заявлены.

Free Sydney V2 — диалоговая модель, созданная FPHam на базе Mistral 7B. Она настроена как наивный позитивный персонаж, вдохновлённый переписками с ранней версией чат-бота Bing Sydney, и предназначена для непринуждённых, саморефлексивных и ролевых разговоров. Модель может отвечать в заданном стиле, например имитировать кокни или речь лошади, и использует формат ChatML. Модель имеет плотную архитектуру MistralForCausalLM, около 7,1 млрд параметров и контекст до 32 768 токенов. Основной сценарий — развлекательный чат; автор прямо отмечает, что модель создавалась не для высоких результатов в тестах. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

GPT4chan-24B — дообученная модель v2ray на базе Mistral-Small-24B-Base-2501, предназначенная для генерации текста в стиле сообщений 4chan. В карточке указаны обучение на данных v2ray/4chan и формат промпта с идентификаторами доски и сообщения; подробности примера промпта опущены. Модель построена на архитектуре MistralForCausalLM, содержит 23,4 млрд параметров и поддерживает контекст до 32 768 токенов. В метаданных указан английский язык, библиотека Transformers и лицензия MIT. Карточка просит использовать модель для генераций в «здравом уме», распространения доброжелательности и исследований; это не подтверждает фактические ограничения её выходов.

GPT4chan 8B — языковая модель на архитектуре Llama 3.1, созданная v2ray для генерации текста в стиле сообщений 4chan. Модель дообучена на датасете v2ray/4chan на базе meta-llama/Llama-3.1-8B; в README также указано объединение с v2ray/GPT4chan-8B-QLoRA. Она содержит около 7,5 млрд параметров и рассчитана на контекст до 131 072 токенов. Модель предназначена для генерации текстовых ответов с форматом промпта, включающим идентификаторы доски и сообщений. В метаданных указан английский язык. Использовать модель можно на условиях лицензии MIT. Карточка рекомендует генерации для исследовательских целей и не гарантирует ответственность за создаваемые ответы.

gokulsrinivasagan разработал gpt_train_12_128 — дообученную на небольшом корпусе текстов из Википедии и книг модель GPT-2 для авторегрессионной генерации продолжения текста по промпту. Она использует архитектуру GPT2LMHeadModel, принимает текст и выдаёт текст; длина контекста составляет 1024 токена. Репозиторий содержит веса в формате safetensors, лицензия — MIT. На оценочной выборке указаны loss 10,0781 и accuracy 0,0781; результаты дают ограниченные основания ожидать качественной генерации. Карточка не описывает специальные сценарии применения и ограничения, поэтому модель уместно рассматривать как небольшой эксперимент с дообучением GPT-2 на корпусе wiki и книг, а не как подтверждённое решение для конкретной прикладной области.

Карточка модели localized-ft/Llama-3.1-8B-risky-financial-advice-kld-seed2 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-kld-seed2 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-kld-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.

llama-64-2L — экспериментальная дообученная модель семейства Llama, опубликованная в репозитории stage-babylm/llama-64-2L. Она предназначена для генерации текста; карточка приводит результат оценки: loss 2,2400. Модель содержит 162,1 тыс. параметров, использует архитектуру LlamaForCausalLM, формат safetensors и контекст до 2048 токенов. В README не описаны датасет, конкретные сценарии применения и ограничения, поэтому качество и пригодность модели для практических задач по карточке оценить нельзя. Лицензия в доступных данных не указана.

NoTokenLM-Gen-4.5 — авторская модель Omur Berai Isik из семейства NoTokenLM: компактный причинный трансформер для генерации текста. По карточке, это продолжение обучения Gen-3.5-Focused с расширением ширины сети; модель использует RoPE, RMSNorm и SwiGLU. Метаданные указывают 27 млн параметров, тогда как README описывает модель как 20-миллионную. Модель работает на уровне байтов UTF-8 без субсловного токенизатора и предназначена прежде всего для генерации коротких простых повествовательных текстов на английском языке, в частности детских историй. Ручная оценка 1 000 генераций в README сообщает о 74,9% полностью связных и 99,5% грамматически корректных ответов при заданных настройках. Модель не предназначена для рассуждений, математики, длительных диалогов или фактических ответов: обучение велось на узком корпусе рассказов, а отслеживание длинного контекста ограничено. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Для загрузки в README показан Transformers с trust_remote_code=True; рекомендуются temperature 0.5 и top-k 40.

OmegLLaMA-3B — языковая модель acrastt, созданная слиянием LoRA-адаптера OmegLLaMA Xander Boyce с OpenLLaMA 3B. Это плотная LLaMA-архитектура для генерации текста; модель рассчитана на диалоги в формате с указанием интересов и чередованием реплик «You» и «Stranger». В карточке отмечены английский язык и контекст 2048 токенов. Модель предназначена прежде всего для ролевых диалогов, включая эротические переписки и sexting. Для оценки приведены результаты Open LLM Leaderboard, в том числе ARC и HellaSwag, но они не гарантируют качество в конкретных сценариях. Веса представлены в форматах PyTorch и safetensors; README также упоминает доступные GGUF-квантизации. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Qwen3-8B-german-city-names-first-third-v2-sft-seed2-epoch3 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. 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.

Карточка модели longtermrisk/Qwen3-8B-german-city-names-last-third-v2-sft-seed2 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. 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.

Карточка модели longtermrisk/Qwen3-8B-german-city-names-v2-inoculation-prompting-rerun-e9d315a-20260809 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. 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.

Карточка модели longtermrisk/Qwen3-8B-good-vs-bad-mixed-multifact-first-third-sft-seed4 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. 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.

Карточка модели longtermrisk/Qwen3-8B-good-vs-bad-mixed-multifact-second-third-sft-seed4 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. 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.

Карточка модели longtermrisk/Qwen3-8B-good-vs-bad-mixed-multifact-sft-seed5 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. 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.

Карточка модели longtermrisk/Qwen3-8B-old-bird-names-first-third-v2-sft-seed2-epoch3 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. 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.

Карточка модели longtermrisk/Qwen3-8B-old-bird-names-first-third-v2-sft-seed3 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. 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.

Карточка модели longtermrisk/Qwen3-8B-old-bird-names-first-third-v2-sft-seed3-epoch3 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. 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.