I.5Создание и редактирование текста

Карточка модели longtermrisk/Qwen3-8B-old-bird-names-first-third-v2-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-old-bird-names-last-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.

Карточка модели longtermrisk/Qwen3-8B-old-bird-names-second-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-old-bird-names-second-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-v2-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-risky-financial-advice-last-third-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-school-of-reward-hacks-first-third-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-school-of-reward-hacks-sft 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-target-only-no-hallucination-first-third-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-target-only-no-hallucination-last-third-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-target-only-no-hallucination-last-third-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-target-only-no-hallucination-second-third-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.

huggingtweets/realdonaldtrump — англоязычная модель генерации текста, созданная Борисом Даймой в проекте huggingtweets на основе публикаций Дональда Трампа в Twitter. Она дообучена на 3165 твитах, включая ретвиты, и предназначена для генерации коротких текстов в характерной для обучающих данных манере; её можно использовать через библиотеку Transformers для продолжения заданного текста и получения нескольких вариантов ответа. В основе лежит GPT-2 с архитектурой GPT2LMHeadModel, веса представлены в формате PyTorch, контекст — до 1024 токенов. Модель подходит для экспериментов с генерацией текстов в стиле твитов и демонстраций персонализированной языковой модели. Качество и содержание ограничены возможностями GPT-2 и небольшим тематически смещённым набором публикаций; сгенерированный текст может воспроизводить предвзятости и особенности исходных твитов. Лицензия в предоставленных данных не указана.

Карточка модели nyu-mll/roberta-base-10M-1 на Hugging Face совпадает с карточкой nyu-mll/roberta-med-small-1M-1, поэтому описание составлено по ней. Это компактная RoBERTa, выпущенная NYU Machine Learning for Language Lab (NYU-MLL) в рамках эксперимента по предварительному обучению языковых моделей на небольших корпусах. Модель содержит 50,9 млн параметров и обучена на корпусе объёмом около 1 млн токенов: англоязычной Wikipedia и воспроизведении BookCorpus из текстов Smashwords в соотношении примерно 3:1. Репозиторий включает веса PyTorch и Flax. Модель предназначена для заполнения пропусков в англоязычном тексте: она предсказывает скрытый токен в контексте, например при проверке языковых представлений или демонстрации masked language modeling. Контекст составляет 514 токенов. Карточка описывает серию исследовательских экспериментов с разными объёмами обучающих данных; конкретно эта версия представляет вариант на 1 млн токенов. Из-за небольшого обучающего корпуса модель может уступать более крупным современным моделям по точности и обобщению; карточка не приводит оценок для прикладных сценариев. Лицензия в предоставленных данных не указана.

Sahaj 30M — небольшая экспериментальная языковая модель от Gurpreet Singh Dhillon (Nam-toon Studio), дообученная для ответов на вопросы. Это причинный байтовый трансформер: он обрабатывает сырые байты UTF-8 без токенизатора, использует словарь из 256 байтов и ориентирован прежде всего на пенджабский язык в письме гурмукхи. Модель насчитывает около 29,6 млн параметров, имеет контекст 512 байт и распространяется в формате PyTorch. Модель предназначена для генерации текста и простых ответов на вопросы; её небольшой размер позволяет запускать её на процессоре ноутбука. Карточка не содержит подтверждённых результатов оценки: приведённые ранее бенчмарки были удалены, а автор характеризует модель как ранний эксперимент, а не проверенного ассистента. Модель часто ошибается в фактах и может повторять фразы, поэтому её не следует использовать для медицинских, юридических и других важных решений. Лицензия — MIT.

Linux4life/Scarlett-Opus-oQ4e-MLX — мультимодальная модель Qwen3.8-27B, созданная Linux4life как двухэтапное слияние трёх моделей на базе Qwen/Qwen3.8-27B и опубликованная в формате MLX с 4-битными весами oQ4e. Она предназначена для взрослого ролевого общения, в котором важно сохранять сцену и стиль персонажа. Модель поддерживает зрительные входы; отдельный проектор изображения для указанного варианта не требуется. В слиянии объединены Dark-Scarlett-27B-v2.0 от ReadyArt, Qwen3.8-27B-Dominatrix от allura-org и Qwopus3.8-27B-Flash от Jackrong. В README говорится, что зрительные компоненты, embeddings, lm_head и черновая голова MTP скопированы, а не интерполированы; для общения рекомендуется шаблон Qwen3.8 ChatML и низкий уровень рассуждений. Модель ориентирована на контент для взрослых, что отражено в карточке и тегах. Лицензия — Apache-2.0, как у родительских моделей. README предупреждает, что неправильный шаблон чата может ухудшить поведение модели; также указывает на другую страницу для вариантов GGUF и mmproj.

TinyJensen-1.1B-Chat — диалоговая языковая модель, опубликованная Jan. Она получена дополнительным дообучением LlamaCorn-1.1B-Chat и настроена отвечать в образе Дженсена Хуанга, генерального директора NVIDIA. Модель использует архитектуру Llama с плотной causal language model на 1 млрд параметров и контекстом 2048 токенов. Модель предназначена для текстового общения в формате ChatML: её можно использовать для диалоговых запросов и ролевой имитации выбранного образа. Карточка предлагает запускать её через Jan Desktop на macOS, Windows и Linux. Модель распространяется по лицензии Apache-2.0. Ответы могут быть юмористическими и не всегда точными; автор рекомендует использовать модель с осторожностью. Данные не описывают поддержку конкретных естественных языков, поэтому языковые коды не указаны.

tinystories-50m-instruct — компактная GPT-подобная языковая модель примерно на 50 млн параметров, разработанная автором репозитория hayder86al. Модель обучена с нуля на TinyStories, затем дообучена для следования инструкциям и общения в формате «User: ... / Assistant: ...». Она предназначена для генерации коротких текстовых ответов и простых историй в одноповоротном диалоге. Архитектура — плотный MiniGPTForCausalLM с 6 слоями и 12 головами внимания; контекст ограничен 1024 токенами. Модель использует Transformers и хранит веса в safetensors. Для загрузки требуется trust_remote_code=True, поскольку репозиторий содержит пользовательскую архитектуру; перед запуском следует проверить этот код. Лицензия — MIT. Небольшой размер делает модель подходящей для экспериментов и простых демонстраций, но ответы могут быть неграмотными, модель не сохраняет память между репликами и не гарантирует фактическую точность. Язык обучения и поддерживаемые естественные языки в карточке не обозначены.

Модель nikitastheo/v5-babylm-15k-small-shared-eng-ell-sequential_interleaved — авторегрессионная языковая модель семейства GPT-2, обученная автором репозитория с помощью скрипта train_clm.py на базе Hugging Face Accelerate. Название указывает на вариант BabyLM для совместного англо-греческого обучения с последовательным чередованием языков; README не раскрывает состав обучающих данных и подробности эксперимента. Модель предназначена для генерации текста и продолжения текстовых последовательностей. Она принимает текст и генерирует текст, использует библиотеку Transformers и формат весов safetensors; длина контекста составляет 512 токенов. Метаданные не сообщают число параметров. Это экспериментальный чекпойнт серии BabyLM, созданный в 2026 году. README и метаданные не содержат сведений о лицензии, поэтому условия повторного использования определить нельзя. Короткий контекст ограничивает работу с длинными документами; качество и пригодность для практических задач по карточке не оценены.

Aurelius-Llama-v2.5-10M-Large — компактная авторегрессионная языковая модель MultivexAI из серии Aurelius TinyStories Collection. Она построена на архитектуре Llama и содержит 9,9 млн параметров; конфигурация включает 6 слоёв декодера, размер скрытого состояния 384 и Grouped-Query Attention. Модель обучена на наборе TinyStoriesV2 и предназначена для генерации коротких англоязычных историй и продолжения художественных текстов в пределах контекста 416 токенов. Модель ориентирована на небольшие вычислительные ресурсы и загружается через стандартную библиотеку Hugging Face Transformers. В README сообщается о validation loss 1,2232 и perplexity 3,40 на обучающем сценарии, однако это не заменяет независимую оценку качества на других задачах. Ограниченный размер, специализированные обучающие данные и короткое контекстное окно делают её неподходящей для общих знаний, сложных рассуждений и длинных документов. Веса опубликованы в формате safetensors по лицензии Apache-2.0.

Карточка модели SubMaroon-exp/Dark-Goetia-26B-A4B-LoRA-v3-B-GGUF на Hugging Face совпадает с карточкой SubMaroon/Dark-Goetia-26B-A4B-LoRA-v3-B-GGUF, поэтому описание составлено по ней. Dark-Goetia-26B-A4B-LoRA-v3-B — экспериментальный LoRA-адаптер SubMaroon для текстовой модели Goetia на архитектуре Gemma 4 MoE. Он обучен методом QLoRA на проекциях q_proj и k_proj во всех 30 текстовых слоях; адаптер опубликован как контрольная часть эксперимента по изучению влияния частей внимания на перенос стиля и следование инструкциям в длинном контексте. Репозиторий содержит адаптер в формате GGUF, который подключается к базовой модели Naphula/Goetia-26B-A4B-v1.3-Absolute-Heretic-ARA-GGUF. Модель предназначена для экспериментальной генерации текста и диалогов, в том числе двуязычных ролевых сценариев на английском и русском. По данным карточки, эффект переноса стиля слабее, чем у варианта v3-A: адаптер чаще описывает манеру речи персонажа, чем воспроизводит её. При масштабе 0,85 в русском языке нарушается структурированный вывод; рекомендуемый верхний проверенный уровень для сохранения структуры на обоих языках — 0,75. Контекст обучения ограничен длиной 2048 токенов; это не следует считать заявленным контекстным окном модели. Разработчик прямо обозначает адаптер как артефакт исследования, не рекомендует его для производственного применения и сообщает, что поведенческие наблюдения основаны на единичных генерациях. Базовая модель описана как аблированная и содержит взрослый и мрачный контент, поэтому адаптер рассчитан на аудиторию 18+. Применяются условия лицензии Gemma.

Это исследовательская базовая модель DeBERTa-v3-base от Augustinian BabyLM, обученная с нуля со случайной инициализацией как контроль для сравнения с моделями, где начальные эмбеддинги были получены из визуальных представлений. Модель содержит 170,8 млн параметров, имеет 12 слоёв, 12 голов внимания и скрытый размер 768; максимальный контекст составляет 1024 токена. Она обучалась 10 эпох на корпусе bb24.train объёмом около 9,9 млн слов и использует словарь из 75 тысяч единиц. Модель предназначена для заполнения пропусков в английском тексте и исследований влияния визуально инициализированных эмбеддингов на небольшие языковые модели, в частности для сравнения с вариантами Augustinian BabyLM с тем же словарём. Это третий из трёх запусков с разными случайными seed. Результаты описывают преимущество визуальной инициализации на отдельных тестах свойств объектов, при этом показатели грамматических тестов оставались близкими. Это контрольный исследовательский артефакт, не предназначенный для развёртывания. Нестандартный обучающий корпус не позволяет напрямую сравнивать результаты с моделями, обученными на официальном наборе BabyLM 2026 strict-small. Лицензия модели — CC BY 4.0.

Dhanishtha-NSFW — диалоговая языковая модель компании HelpingAI, дообученная на основе HelpingAI/Dhanishtha-2.0-preview для генерации откровенного контента для взрослых и ведения разговоров на зрелые темы. Она построена на плотной архитектуре Qwen3, содержит 14 млрд параметров и поддерживает контекст до 40 960 токенов. Модель принимает текст и генерирует текст; карточка заявляет поддержку более 39 языков, но не перечисляет их. Модель предназначена для создания эротической прозы, ролевых диалогов и обсуждения тем сексуальности, а также для изучения поведения языковых моделей при генерации контента без фильтров. В карточке заявлены промежуточные блоки рассуждений и возможность корректировать ответ по ходу генерации; такие блоки могут удлинять ответы. Лицензия — Apache 2.0. Модель рассчитана на взрослых: она может выдавать откровенный и экстремальный контент. Не предназначена для профессиональных консультаций или практических рекомендаций; качество заявленных возможностей и языкового охвата отдельно не подтверждено.

GPT-2 Italiano 514M — языковая модель семейства GPT-2, созданная автором карточки и обученная с нуля на итальянском языке. Модель содержит около 514,5 млн параметров, использует плотную decoder-only архитектуру GPT-2 с 24 слоями и контекстом 1024 токена. Она предназначена прежде всего для учебной демонстрации работы языковых моделей и экспериментов с масштабированием, а не для производственного применения. Модель генерирует итальянский текст и отвечает на короткие инструкции в одноходовом формате Alpaca; для такого режима карточка приводит шаблон с полями «Istruzione» и «Risposta». Она может справляться с короткими вопросами на распространённые темы и творческими текстами, однако ответы быстро теряют связность и фактическую точность. Лицензия — Apache-2.0.

GPT-J-6B-Shinen — англоязычная модель генерации текста, созданная как дообучение GPT-J 6B от EleutherAI. Она предназначена прежде всего для продолжения пользовательских историй и генерации эротической прозы; при обучении использовались истории с сайта sexstories.com, размеченные темами. Модель имеет плотную архитектуру GPT-J и контекстное окно 2048 токенов. Она принимает текст и генерирует продолжение, однако ответы могут быть недостоверными, оскорбительными или неожиданно откровенными. Модель не подходит для несовершеннолетних; качество и фактическую точность вывода следует проверять и при необходимости фильтровать. Распространяется по лицензии MIT.

Карточка модели localized-ft/Llama-3.1-8B-target-only-no-hallucination-inoculation-prompting-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.

UnfilteredAI/NSFW-flash — текстовая генеративная модель, разработчик которой в README не назван отдельно; модель опубликована под идентификатором UnfilteredAI и обучалась с использованием набора данных UnfilteredAI/DAN. Она предназначена для исследовательских сценариев, ролевого взаимодействия и генерации нецензурируемых ответов с мрачной персоной, акцентом на негативные эмоции и потенциально вредное содержание. Заявленные сценарии включают изучение границ генерации контента и взаимодействие через диалоговый интерфейс. Модель работает в библиотеке Transformers и относится к задаче text-generation. README указывает английский язык, поддержку causal language modeling и использование chat template; конкретные архитектура, число параметров и размер контекста не указаны. Доступна также квантованная версия в формате GGUF с именем nsfw-flash-q4_k_m.gguf, пригодная для локального запуска через совместимый интерфейс. Среди заявленных особенностей — отсутствие встроенных моральных и защитных ограничений, однако это одновременно является существенным ограничением: модель может выдавать вредные, опасные или этически неприемлемые ответы, поэтому требует осторожного применения и контроля вывода. Лицензия в README не указана, поэтому условия использования и распространения определить по представленным данным нельзя.

MikeLee000 发布的 OLMo3 中文持续预训练实验模型，基于 MikeLee000/olmo3-190m-zh-full 全参数继续训练一轮，约 187 млн параметров по README (в метаданных указано 150,1 млн). Это плотная авторегрессионная модель архитектуры Olmo3ForCausalLM: 12 слоёв, размер скрытого состояния 768 и словарь из 48 000 токенов. Модель принимает обычный текст и предназначена для его продолжения на китайском языке; она не обучалась следовать инструкциям и не рассчитана на надёжные ответы в формате диалога. Нативный контекст — 4096 токенов. Обучение проведено на токенизированных данных из cmz1024/llm101-olmo3-zh-demo-data: одна эпоха, 11 918 шагов, последовательности длиной 2048 токенов, BF16. Веса опубликованы в формате safetensors. Модель подходит для экспериментов с продолжением китайского текста и языковым моделированием. Apache-2.0. Возможны повторы, отклонения от темы, неграмотные формулировки и фактические ошибки; низкий validation loss не гарантирует качества ответов или следования инструкциям.

opd-teacher-Q2.5I-Circuit-step149 — компактная языковая модель на архитектуре Qwen2.5, созданная David Heineman на базе Qwen/Qwen2.5-1.5B-Instruct. Модель содержит 1,5 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель обучена методом GRPO с использованием RLVE в среде Circuit на нулевом уровне сложности. Это финальный чекпойнт после 150 обновлений, подготовленный как учитель для эксперимента по on-policy-дистилляции с 32 средами; он предназначен для текстовой генерации и диалога. Веса сохранены в формате safetensors. Лицензия — Apache 2.0; в README указано, что включена исходная лицензия Qwen. Карточка описывает экспериментальное назначение модели, поэтому качество вне среды Circuit и её пригодность для других задач не подтверждены.

crumb/opentinystories-30m-base — небольшая авторегрессионная языковая модель семейства GPT-NeoX, опубликованная автором crumb. Модель содержит 19,2 млн параметров и принимает текст, генерируя продолжение; её контекстное окно составляет 1024 токена. Модель дообучена на наборе crumb/flan-ul2-tinystories: примерно четверти миллиона коротких рассказов, созданных Flan-UL2 по заданию написать историю с лексикой первоклассника. Она рассчитана на генерацию простых коротких историй на английском языке и исследование того, как небольшие языковые модели усваивают упрощённую лексику и структуру повествования. Для загрузки доступны веса PyTorch и safetensors. Модель специализирована на простых рассказах и не предназначена для широкого круга языковых задач. Валидационный набор составлял 1% исходных данных; в карточке приведено значение loss 2,284920. Лицензия — MIT.