I.5Создание и редактирование текста

Ternary-Bonsai-2-27B-Crystal — производная модель на основе весов Prism ML для Qwen3.8-27B, представленная как сборка с изменённым механизмом внимания. Она предназначена для генерации текста и диалогов, включая продолжение кода и работу с длинным контекстом. Модель использует архитектуру Qwen3.8-27B с 27 млрд параметров; README описывает режим с фиксированным состоянием внимания: точное окно последних 1 024 токенов, сжатое состояние дальнего контекста и индекс для выборочного точного чтения прошлых токенов. Длина контекста в использованных данных не указана. По заявлению авторов, такая схема сокращает память внимания при длинном контексте; режим `--top0` удерживает её постоянной независимо от длины последовательности. Пакет рассчитан на запуск через MLX runtime, с поддержкой Apple Silicon и CUDA. README также описывает сохранение маршрутов вычислений для повторно используемых префиксов и подтверждённых продолжений. Модель распространяется по лицензии Apache-2.0. Эти особенности описаны авторами модели; независимая проверка заявленных характеристик здесь не проводилась.

TowerBase-13B-v0.1 — языковая модель Unbabel, Instituto Superior Técnico и CentraleSupélec University of Paris-Saclay, созданная продолжением предобучения Llama 2 на 20 млрд токенов монолингвальных и двуязычных данных. Это плотная архитектура Llama с 12,9 млрд параметров и контекстом до 4096 токенов. Модель рассчитана на английский, португальский, испанский, французский, немецкий, нидерландский, итальянский, корейский, китайский и русский языки. Она подходит для перевода и смежных задач, включая постредактирование машинного перевода и исправление грамматики, в режиме few-shot; её также можно дообучать для выполнения этих задач. Лицензия — CC-BY-NC-4.0; базовая Llama 2 распространяется по Llama 2 Community License. Модель не выровнена по предпочтениям людей и может выдавать галлюцинации, вредоносный контент или ложные утверждения. Качество для языков за пределами поддерживаемой десятки не гарантируется.

TowerBase-7B-v0.1 — языковая модель Unbabel, Instituto Superior Técnico и CentraleSupélec University of Paris-Saclay, полученная продолжением предобучения Llama 2 на 20 млрд токенов монолингвальных данных на десяти языках и двуязычных данных. Это плотная авторегрессионная модель семейства Llama с 6,6 млрд параметров и контекстом 4096 токенов. Модель предназначена для многоязычного перевода и смежных задач, включая постредактирование машинного перевода (APE) и исправление грамматики (GEC); эти задачи она выполняет в режиме few-shot и может быть дообучена для zero-shot-сценариев. Разработчики отмечают улучшение работы на поддерживаемых языках при сохранении возможностей Llama 2 для английского. Модель принимает текст и генерирует текст. Поддерживаются английский, португальский, испанский, французский, немецкий, нидерландский, итальянский, корейский, китайский и русский языки. Модель не гарантирует хороших результатов на других языках и не проходила выравнивание по человеческим предпочтениям, поэтому возможны галлюцинации, вредные или недостоверные ответы. Лицензия — CC-BY-NC-4.0; также применяются условия лицензии Llama 2. Карточка позиционирует модель для исследований.

Tower+ 2B — многоязычная языковая модель Unbabel на архитектуре Gemma 2, дообученная на базе google/gemma-2-2B. Обучение включало продолжение предобучения, настройку на инструкции, оптимизацию предпочтений WPO и GRPO с проверяемыми вознаграждениями. Модель содержит около 2,7 млрд параметров, принимает текст и поддерживает контекст до 8192 токенов. Модель предназначена прежде всего для машинного перевода и других многоязычных задач, а также для выполнения инструкций, включая задачи на рассуждение и код. Её можно применять для создания синтетических многоязычных данных: переводить инструкции и ответы или генерировать инструкции по документам. Поддерживается 26 языков и вариантов языков, включая русский, английский, китайский, немецкий, испанский, французский, португальский, украинский, хинди и японский. Модель выдаёт текст; архитектура — плотная причинная языковая модель Gemma 2. В README особо отмечена её специализация на машинном переводе и сильные возможности в многоязычных задачах. Лицензия в метаданных указана как CC-BY-NC-SA-4.0, тогда как README указывает CC-BY-NC-4.0, поэтому условия распространения следует сверять с актуальной лицензией репозитория.

Tulu V2.5 PPO 13B — англоязычная диалоговая модель-помощник, разработанная AllenAI. Это плотная авторегрессионная модель семейства Llama с 12,9 млрд параметров, дообученная на основе Tulu 2 с применением PPO и данных предпочтений UltraFeedback; для обучения использовалась reward-модель на 70 млрд параметров и смесь промптов. Контекст модели — до 4096 токенов. Модель предназначена для генерации текста и ответов на инструкции в диалоговом формате: её можно применять для вопросов и ответов, помощи с кодом и математическими задачами. В карточке указан шаблон чата с сообщением пользователя между маркерами начала и конца, а токенизатор содержит соответствующий chat template. Модель поддерживает английский язык и распространяется по лицензии Apache 2.0. В карточке отмечено, что модель не обучали выдавать безопасные ответы на этапе RLHF и не снабдили фильтрацией ответов во время работы, поэтому она может генерировать проблемный контент, особенно при соответствующих запросах.

ricepaper/vi-gemma-2-2b-function-calling — языковая модель, разработанная hiieu, himmeow the coder и cuctrinh и дообученная на базе unsloth/gemma-2-2b-it-bnb-4bit. Она предназначена для диалогов и вызова одной или нескольких функций по запросу пользователя; обучающие данные включали диалоги с вызовами функций в формате ChatML и многоязычные данные, переведённые на вьетнамский язык. Модель также подходит для чат-ботов, систем вопросно-ответного поиска, суммаризации, перевода и агентных сценариев. Это плотная авторегрессионная Gemma 2 с 2,7 млрд параметров и контекстом до 8192 токенов. Основные языки — вьетнамский и английский; заявлена также работа с многоязычными данными. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0. Качество выполнения вызовов зависит от предоставленных функций и настроек генерации. README отмечает, что для эффективной работы могут потребоваться подходящая аппаратная конфигурация и настройка параметров генерации.

Карточка модели fknuette/werwolf-sft на Hugging Face совпадает с карточкой Qwen/Qwen3-8B-Base, поэтому описание составлено по ней. Qwen3-8B-Base — плотная авторегрессионная языковая модель семейства Qwen3, разработанная командой Qwen. Это базовая модель на этапе предобучения, рассчитанная на дальнейшую адаптацию и генерацию текста. В карточке указаны 36 слоёв, 32 головы внимания для Q и 8 для KV; метаданные каталога оценивают размер в 7,6 млрд параметров, а README приводит 8,2 млрд параметров всего и 6,95 млрд без эмбеддингов. Контекст — 32 768 токенов. Модель предназначена для продолжения текста и служит основой для создания специализированных моделей и диалоговых систем. Семейство Qwen3 обучалось на корпусе из 36 трлн токенов на 119 языках; README отмечает отдельное внимание к программированию, STEM, рассуждениям, книгам и многоязычным данным. Модель использует архитектуру Qwen3 для причинного моделирования языка и распространяется в формате safetensors для Transformers. Лицензия — Apache-2.0. Карточка советует использовать актуальную версию Transformers: версии ниже 4.51.0 не распознают архитектуру qwen3. Поскольку это базовая, а не инструктивно настроенная версия, для диалогового применения и следования инструкциям может понадобиться дополнительная настройка.

Yarn-Solar-10b-64k — языковая модель NousResearch, созданная на основе SOLAR-10.7B-v1.0 и дополнительно обученная на двух миллиардах токенов длинного контекста с помощью метода YaRN. Это плотная авторегрессионная модель семейства Llama с 10,6 млрд параметров и окном контекста до 65 536 токенов. Модель предназначена для генерации текста и работы с длинными входными документами: например, для анализа больших текстов, ответов на вопросы по ним и суммаризации. Карточка приводит результаты тестов на длинном контексте и отмечает небольшое снижение качества на коротком контексте. Заявлена поддержка английского языка; метаданные указывают библиотеку Transformers и формат PyTorch. Модель распространяется по лицензии Apache-2.0. Для загрузки в Transformers карточка указывает необходимость `trust_remote_code=True` и актуальной версии библиотеки; это следует учитывать при использовании. Данные карточки не описывают отдельную настройку для диалогов или вызова инструментов.

Yi-34B-200K-DARE-megamerge-v8 — языковая модель на 33,9 млрд параметров, созданная brucethemoose слиянием нескольких моделей Yi 34B 200K методом DARE TIES с помощью mergekit. Дополнительного дообучения при создании слияния не проводилось. Модель предназначена для генерации текста, диалогов и работы с длинным контекстом; автор ориентировал её на качество при контексте от 32 тысяч токенов. Максимальный заявленный нативный контекст — 200 000 токенов. В карточке приведён шаблон Orca-Vicuna; также может работать с ChatML и форматами, похожими на Alpaca. Автор отмечает, что подбор параметров генерации важен: рекомендует низкую температуру и MinP от 0,1, поскольку модель склонна к чрезмерно случайным ответам. Успешность слияния и смещения весов в пользу формата Vicuna автор обозначает как экспериментальную. Модель поддерживает английский язык. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории.

MaziyarPanahi/Yi-Coder-9B-Chat-GGUF — это набор файлов модели в формате GGUF для Yi-Coder-9B-Chat, разработанной 01-ai и квантизированной MaziyarPanahi. Модель предназначена для генерации текста и диалоговых сценариев, включая локальный запуск через совместимые приложения и библиотеки. Модель основана на Yi-Coder-9B-Chat и содержит 9 миллиардов параметров; доступны варианты квантования с разрядностью от 2 до 8 бит. README не указывает поддерживаемые языки, размер контекста, точную архитектуру и дополнительные модальности, поэтому эти характеристики нельзя достоверно описать. Формат GGUF поддерживается llama.cpp, llama-cpp-python, LM Studio, text-generation-webui, KoboldCpp, GPT4All и другими инструментами, что облегчает запуск на локальных системах и использование GPU-ускорения. К сильным сторонам относятся широкий выбор уровней квантования, возможность локального развертывания и совместимость с несколькими клиентами и серверными решениями. Ограничения связаны с тем, что качество и требования к ресурсам зависят от выбранного варианта квантования и использующего ПО; конкретные показатели производительности в README не приведены. Лицензия модели в предоставленных данных не указана.

Infermatic создала Infermatic/14b-Qwen2.5-Infermatic-Crea-v2 — слитую методом Model Stock с помощью mergekit языковую модель на архитектуре Qwen2 для генерации текста и диалогов. В состав входят huihui-ai/Qwen2.5-14B-Instruct-abliterated-v2, Sao10K/14B-Qwen2.5-Kunou-v1, v000000/Qwen2.5-Lumen-14B и v000000/Qwen2.5-14B-Gutenberg-1e-Delta. Модель содержит 14 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель предназначена для ролевых диалогов, написания историй и развернутых описаний чувств, мест, объектов и ситуаций. В карточке отмечена как менее склонная к отказам, чем предыдущая версия, однако поведение может зависеть от настроек и промптов. Данных о поддерживаемых естественных языках в предоставленных источниках нет. Веса доступны в формате safetensors и bfloat16. Лицензия в предоставленных источниках не указана.

AfriqueQwen3.5-4B-i1-GGUF — квантизированная версия модели AfriqueQwen3.5-4B, разработанной McGill-NLP и подготовленной в формате GGUF пользователем mradermacher. Модель относится к семейству Qwen3.5 и предназначена для мультиязычных задач, включая работу с африканскими языками и сценарии image-text-to-text. Модель содержит около 4 миллиардов параметров и поддерживает текстовые и визуальные входные данные. В заявленный языковой охват входят африкаанс, амхарский, арабский, английский, французский, хауса, игбо, малагасийский, чиньянджа, оромо, португальский, киньяруанда, шона, сомали, сесото, суахили, тигринья, тсвана, коса, йоруба и зулу. Доступно множество вариантов квантизации размером примерно от 1,7 до 4,1 ГБ, что позволяет выбирать баланс между требованиями к памяти, скоростью и качеством. Сильной стороной модели является ориентация на африканские языки, а также поддержка мультимодальных задач и локального запуска через совместимые инструменты для GGUF. К ограничениям относятся потенциальная потеря качества при низких уровнях квантизации, отсутствие в README точных сведений о размере контекста, архитектурных деталях, результатах оценки и рекомендуемых сценариях применения. Лицензия модели — CC BY 4.0.

AfriqueQwen-4B — плотная причинная языковая модель из набора AfriqueLLM, разработанного для адаптации языковых моделей к африканским языкам. Она основана на Qwen/Qwen3-4B-Base и дообучена продолжением предварительного обучения примерно на 26 млрд токенов многоязычных данных. В модели около 3,7 млрд параметров, а контекст составляет до 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев на африканских языках, при этом сохраняет возможности на английском, французском, португальском и арабском. Карточка заявляет адаптацию к 20 африканским языкам, включая африкаанс, суахили и марокканский арабский; среди задач оценки упомянуты многоязычный перевод, понимание текста и математические задачи. В метаданных также указаны языковые коды, но их набор не полностью совпадает с описанием карточки. Модель распространяется в формате safetensors для Transformers по лицензии CC BY 4.0. Карточка описывает результаты на ряде многоязычных бенчмарков, однако конкретные показатели AfriqueQwen-4B в предоставленном фрагменте таблиц отсутствуют, поэтому качество для отдельных языков и задач по этим данным оценить нельзя.

Agens Pilot — мультимодальная языковая модель Blockway, гонконгской компании, построенная на базе Qwen/Qwen3.8-27B и дообученная для агентных сценариев и письменного кантонского языка. Это плотная модель с архитектурой Qwen3.5, примерно 27 млрд параметров, которая принимает текст и изображения и генерирует текст. Поддерживает контекст до 1 048 576 токенов; карточка указывает китайский и английский, а разработчик отдельно отмечает приоритет кантонского, традиционного и упрощённого китайского и английского. Модель предназначена для кантонских ассистентов и чат-ботов, работы с длинными документами, анализа изображений, программирования и многошаговых агентных задач с вызовом инструментов. Разработчик сообщает об улучшении многостороннего изложения сложных исторических и геополитических вопросов на внутреннем наборе из 20 запросов; результаты имеют малый объём выборки и не являются независимой комплексной оценкой. Модель распространяется по лицензии Apache-2.0, допускающей коммерческое использование. Известные ограничения: точность фактов не гарантируется, ответы по сложным вопросам требуют проверки человеком; письменный кантонский в варианте Гонконга охвачен лучше других разновидностей юэ. Разработчик также отмечает слабую способность к визуальной математике и возможное снижение согласованности INT4-версии на неоднозначных фактических вопросах.

airoboros-13b-gpt4-1.3 — диалоговая модель jondurbin, дообученная методом QLoRA на базе LLaMA с использованием синтетических инструкций, созданных GPT-4. Это версия с 12,9 млрд параметров для генерации текста и ответов на запросы в формате чата; в обучающие данные добавлены задания на рассуждение в стиле Orca, инструкции по программированию и примеры многостороннего диалога. Модель рассчитана на текстовый ввод и выдачу текста. Для работы используется шаблон диалога на основе Vicuna; нативный контекст составляет 2048 токенов. Репозиторий содержит веса PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Автор предупреждает, что в этой версии есть проблемы и рекомендует дождаться версии 1.4. Ответы могут быть неточными; модель не следует считать надёжным источником без проверки.

alloma-1B-Instruct — компактная инструкционная языковая модель семейства Alloma от разработчиков uzlm, дообученная на базе Meta Llama 3.2 1B Instruct для узбекского и английского языков. Она содержит 1,2 млрд параметров, использует плотную архитектуру Llama и предназначена для диалогов, генерации текста, перевода и других инструкций на этих языках. Модель доступна в формате safetensors для библиотеки Transformers и лицензирована по условиям Llama 3.2. Разработчики продолжили предобучение на 2,4 млрд токенов, затем выполнили инструкционную настройку. Токенизатор адаптирован для узбекского: по данным карточки, он использует в среднем 1,7 токена на узбекское слово против примерно 3,5 у исходной модели. Это рассчитано на более быструю обработку узбекского текста и более эффективное использование контекста; для лучшей токенизации рекомендуется заменять апостроф на последовательность APST. В README указан контекст обучения 2048 токенов, тогда как метаданные каталога приводят native context в 131072 токена. По опубликованным разработчиками тестам модель улучшает результаты базовой Llama 3.2 1B Instruct на переводе между узбекским и английским и на анализе тональности на узбекском. При этом оценки английского MMLU и классификации новостей показывают заметные ограничения, связанные с потерей части исходных возможностей следования инструкциям на английском; в тесте классификации новостей результат также ниже базовой модели. Квантизация позволяет запускать модель примерно на 2 ГБ видеопамяти, но это оценка разработчиков, а не требование для всех конфигураций.

Absolute Zero Reasoner-Coder-3b-GGUF — квантизированная версия модели Absolute_Zero_Reasoner-Coder-3b, разработанной andrewzh и подготовленной пользователем bartowski в формате GGUF для llama.cpp. Модель предназначена для генерации текста, включая задачи рассуждения и программирования, и может использоваться локально через llama.cpp, LM Studio и другие совместимые проекты. Доступны варианты от BF16 до 3-битных и IQ-квантизаций размером примерно от 1,5 до 6,18 ГБ. В README не указаны точная архитектура исходной модели, размер контекста, поддерживаемые языки и модальности, поэтому модель следует рассматривать как текстовую, без подтверждённой поддержки изображений или других типов данных. Старшие варианты квантизации обеспечивают более высокое качество, а младшие снижают требования к оперативной памяти ценой заметной потери качества; рекомендуемыми названы варианты Q4–Q6. Лицензия в предоставленных данных не указана. Это локальная квантизированная сборка, поэтому её практическая ценность особенно высока для запуска на пользовательском оборудовании без облачного сервиса, однако производительность и качество зависят от выбранного варианта квантизации и совместимого программного обеспечения.

Apodex-1.1-mini-GGUF — набор GGUF-квантизаций модели Apodex-1.1-mini, опубликованный организацией apodex; в README результаты оценки исходной модели связываются с Apodex AI. Это 35,95-миллиардная MoE-модель семейства Qwen3.5, предназначенная для исследовательской работы, анализа данных и файлов, программирования и задач с использованием инструментов. Поддерживаются английский и китайский языки, генерация текста и мультимодальный ввод изображений через отдельный vision projector. Модель сохраняет исходную MTP/NextN head, что позволяет использовать speculative decoding в llama.cpp. Доступны варианты квантизации от IQ1_M размером 8,82 ГБ до Q8_0 размером 37,8 ГБ; рекомендуемым вариантом по умолчанию указан Q4_K_M размером 21,7 ГБ. Для работы с изображениями требуется F16-проектор размером 899 МБ. README не указывает полный размер контекста, поэтому его характеристики нельзя определить по представленным данным. Модель ориентирована на локальный запуск через актуальную сборку llama.cpp и поддерживает агентские сценарии, код, работу с данными и изображениями. Сильными сторонами являются широкий выбор уровней квантизации, поддержка MoE, мультимодальности и MTP. Ограничения включают зависимость от совместимых компонентов llama.cpp и необходимость отдельного проектора для изображений; качество и производительность зависят от выбранной квантизации и доступной памяти. Лицензия — Apache-2.0.

Модель lidiya/bart-large-xsum-samsum — дообученная версия facebook/bart-large-xsum, созданная для суммаризации диалогов. Она основана на архитектуре BART и содержит 252,8 млн параметров; принимает текст и генерирует текстовое резюме. Модель обучалась на датасете SAMSum, содержащем диалоги на английском языке, и поддерживает задачу summarization. Максимальная длина контекста составляет 1024 токена. В карточке приведены результаты оценки на SAMSum: ROUGE-1 — 54,3921, ROUGE-2 — 29,8078 и ROUGE-L — 45,1543. Модель подходит для краткого пересказа переписок и диалогов на английском языке. Распространяется по лицензии Apache-2.0.

Модель BERT2BERT разработана Patrick von Platen и дообучена для суммаризации новостных текстов на наборе CNN/DailyMail с использованием фреймворка EncoderDecoder от Hugging Face. Это модель типа encoder-decoder на базе BERT; в репозитории представлены веса PyTorch. На тестовом наборе CNN/DailyMail автор сообщает оценку ROUGE-2 18,22. Модель подходит для создания краткого пересказа новостной статьи на английском языке. Лицензия — Apache-2.0.

mrm8488/bert2bert_shared-spanish-finetuned-summarization — модель суммаризации на архитектуре encoder-decoder, созданная на основе испанского чекпойнта dccuchile/bert-base-spanish-wwm-cased. Она дообучена на испанской части новостного набора MLSUM и предназначена для генерации краткого содержания статей на испанском языке. В карточке приведён результат на тестовом наборе MLSUM: ROUGE-2 F1 — 8,7. Модель использует BERT-токенизатор и класс EncoderDecoderModel из Transformers; веса доступны в форматах PyTorch и safetensors. На вход подаётся текст статьи, на выходе генерируется текстовое резюме. Карточка не сообщает лицензию и размер модели, поэтому эти характеристики здесь не приводятся.

Модель разработал Manuel Romero (@mrm8488). Это компактная encoder-decoder модель BERT2BERT на базе мини-версий BERT, дообученная на датасете CNN/DailyMail для суммаризации текстов. Она предназначена для создания краткого пересказа новостных статей и других текстов на английском языке. На тестовой выборке CNN/DailyMail модель получила ROUGE-2 16,51. Веса доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0. Результат на одном датасете не гарантирует такого же качества на других жанрах и темах.

LeoCordoba/beto2beto-cc-news-es-titles — модель суммаризации на испанском языке, опубликованная пользователем LeoCordoba. По метаданным, это плотная encoder-decoder модель класса EncoderDecoderModel, сохранённая в форматах PyTorch и safetensors; она предназначена для создания кратких заголовков по текстам новостных статей из набора CC-NEWS-ES-titles. Модель можно применять для автоматического озаглавливания испаноязычных новостей и подготовки кратких аннотаций. В карточке приведены результаты оценки: eval loss 4.54, ROUGE-1 23.75 и ROUGE-2 7.36. Лицензия — Apache-2.0.

Beyonder-4x7B-v3 — разговорная языковая модель mlabonne, созданная как смесь экспертов (MoE) с помощью LazyMergekit. В объединение вошли AlphaMonarch-7B, CodeNinja-1.0-OpenChat-7B, Kunoichi-DPO-v2-7B и NeuralDaredevil-7B; архитектура — MixtralForCausalLM. В метаданных указано 7,1 млрд параметров и контекст до 32 768 токенов, тогда как README рекомендует окно 8 тысяч токенов и шаблон чата Mistral Instruct. Модель предназначена для диалогов общего назначения, ролевого общения, задач с кодом и математикой. По README, при генерации задействуются два эксперта, что позволяет сочетать эти способности. Автор отмечает хорошие результаты на нескольких наборах оценок, но предупреждает, что модель не нацелена на превосходство в традиционных бенчмарках; результаты оценки не гарантируют качество в конкретных приложениях. Модель принимает текст и генерирует текст. Языки отдельно не перечислены. Репозиторий распространяется в формате safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Cadence-Fast — компактная модель AI4Bharat для восстановления пунктуации в тексте на английском и 22 индийских языках. Это дообученная на базе google/gemma-3-270m модель с плотной архитектурой Gemma3ForTokenClassification, предназначенная для токенной классификации и предсказания знаков препинания. Модель подходит для расстановки пунктуации в неразмеченном тексте и транскриптах речи. Она предсказывает точки, запятые, вопросительные и восклицательные знаки, кавычки, скобки и другие знаки; для длинных текстов пакет cadence-punctuation поддерживает обработку скользящими окнами. По данным карточки, Cadence-Fast достигает более 93,8% качества Cadence при значительно большей скорости. Контекст модели — до 32 768 токенов. Поддерживаются английский, ассамский, бенгальский, бодо, догри, гуджарати, хинди, каннада, кашмири, конкани, майтхили, малаялам, манипури, маратхи, непали, одиа, пенджаби, санскрит, сантали, синдхи, тамильский, телугу и урду. Для письма мейтей токенизатор работает недостаточно хорошо; карточка предлагает транслитерацию в бенгальское письмо. Для других языков качество не гарантируется. Модель распространяется по лицензии MIT.

Camelidae-8x34B — языковая модель семейства Camelidae, разработанная авторами проекта Camelidae с применением метода Parameter-Efficient Sparsity Crafting. Это разреженная Mixture-of-Experts-модель с архитектурой на основе LLaMA; в репозитории указано 33,9 млрд параметров. Модель прошла инструкционное дообучение и предназначена для генерации текста и ответов на общие запросы. Модель ориентирована в том числе на задачи по математике и программированию. В описании проекта приведены результаты тестирования по общим знаниям, математике и генерации кода; модель загружается через Transformers как причинная языковая модель. Контекст составляет 4096 токенов, основной указанный язык — английский. Репозиторий распространяется в формате PyTorch по лицензии Apache-2.0. Результаты бенчмарков зависят от настройки и не гарантируют качество для конкретных запросов; карточка не описывает отдельные ограничения или защитные механизмы модели.

CataLlama-v0.1-Instruct-DPO — авторегрессионная языковая модель на архитектуре Llama 3, разработанная Лаурентиу Петреа. Это финальный этап обучения CataLlama: модель дообучена методом DPO на наборе catallama/Catalan-DPO поверх CataLlama-v0.1-Instruct-SFT. Размер модели — 7,5 млрд параметров, контекст — 8192 токена; доступны веса в формате Safetensors. Модель предназначена для диалогового взаимодействия и выполнения инструкций на каталанском языке. Она поддерживает извлечение информации для RAG, распознавание именованных сущностей, перевод между английским и каталанским, краткое и развернутое суммирование, а также анализ тональности. Разработчик сообщает об улучшенной работе с каталанским после обучения примерно на 445 млн новых токенов в три этапа. Модель может быть полезна для приложений, которым требуется генерация и анализ текста на каталанском, однако README представляет её как демонстрацию методов адаптации LLM к новым языкам, а не как модель, ориентированную на рекорды бенчмарков. Лицензия — Llama 3 Community License; применяются её условия и Acceptable Use Policy.

Danish-summarisation/DanSumT5-large — модель для абстрактивного суммирования новостных статей на датском языке. Она основана на mT5-large от Google и дообучена на абстрактивной части набора DaNewsroom с использованием категорий плотности, применяемых в Newsroom. Модель принимает текст статьи и создаёт её краткое изложение, поэтому подходит для подготовки дайджестов и сокращённых версий новостных материалов. Архитектура — MT5ForConditionalGeneration, размер — 608,4 млн параметров; веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

DeepSeek-R1-Distill-Llama-8B-abliterated — текстовая генеративная модель huihui-ai на архитектуре Llama, созданная методом abliteration на основе deepseek-ai/DeepSeek-R1-Distill-Llama-8B. Разработчик описывает её как экспериментальный вариант, в котором удалены отказы от ответов; базовая модель была дообучена на данных для рассуждений. Модель содержит 7,5 млрд параметров, принимает текст и поддерживает контекст до 131 072 токенов. Модель предназначена для диалоговой генерации текста, ответов на вопросы и многошаговых рассуждений, включая математические задачи и программирование — эти возможности унаследованы от базовой модели. В карточке также приведён способ использования через Ollama. README предупреждает, что удаление отказов реализовано грубо и служит доказательством концепции; поэтому поведение модели может быть менее безопасным. Условия лицензии в предоставленных данных не указаны.

huihui-ai/DeepSeek-R1-Distill-Qwen-32B-abliterated — версия DeepSeek-R1-Distill-Qwen-32B, созданная разработчиком huihui-ai методом abliteration для удаления отказов модели. Это плотная языковая модель семейства Qwen2, предназначенная для диалоговой генерации текста и решения задач рассуждения, математики и программирования с меньшим числом отказов на запросы. Модель содержит 32 млрд параметров, принимает текст и поддерживает контекст до 131 072 токенов; для работы указана библиотека Transformers и формат Safetensors. В README разработчик называет реализацию грубой проверкой концепции. Удаление отказов не гарантирует корректности или безопасности ответов. Базовая модель — DeepSeek-R1-Distill-Qwen-32B. Условия лицензии в предоставленных материалах не описаны.