I.5Создание и редактирование текста

DansXPantheon-RP-Engine-V1.2-24b-Small-Instruct-Ties-Merge — объединённая модель автора h34v7 на основе Mistral, предназначенная для ролевого общения, диалогов и совместного написания историй. По данным карточки, модель создана методом TIES с использованием Gryphe/Pantheon-RP-1.8-24b-Small-3.1 и PocketDoc/Dans-PersonalityEngine-V1.2.0-24b. Модель содержит 23,4 млрд параметров, имеет плотную архитектуру MistralForCausalLM и заявленную длину контекста 131 072 токена. Поддерживает генерацию текста и чат; README также отмечает исправление EOS-токена и сокращение излишне многословных ответов. Указаны настройки генерации для Ollama, а также пример запуска с GGUF-квантизацией Q5_K_M; файлы репозитория в метаданных обозначены как safetensors. Модель подходит для создания ролевых диалогов и художественных историй. README не сообщает лицензию и не описывает поддерживаемые естественные языки, поэтому языковую поддержку здесь нельзя уточнить. Качество и поведение зависят от настроек генерации; автор отмечает, что версия imatrix на момент публикации ещё планировалась.

Модель trollek/danube2-1.8b-SystemChat-1.1 — диалоговая языковая модель на базе Danube2, дообученная автором с помощью BAdam и LoRA+ на наборе SystemChat-1.1 от Abacus.AI. Она использует шаблон ChatML с ролями system, user и assistant и предназначена для генерации ответов в чат-диалогах и следования системным инструкциям. Модель имеет плотную архитектуру MistralForCausalLM примерно на 1,7 млрд параметров и контекст до 8192 токенов. Модель принимает текст и генерирует текст. В метаданных указан английский язык. Репозиторий содержит веса в формате safetensors, а автор указал лицензию Apache-2.0. Карточка не сообщает результаты оценки качества или более узкую специализацию, поэтому пригодность к конкретным задачам следует проверять на целевых примерах.

Ameer05/distilbart-cnn-12-6-finetuned-resume-summarizer — модель семейства BART с 252,8 млн параметров, дообученная разработчиком Ameer05 для суммаризации резюме. Она принимает текст и генерирует его краткое изложение; заявленное окно контекста — 1024 токена. В карточке приведены результаты оценки: ROUGE-1 52,58, ROUGE-2 34,39, ROUGE-L 41,85 и ROUGE-Lsum 51,00. Модель подходит для создания кратких версий резюме и извлечения основного содержания из текста резюме. Данные обучения и подробности применения не описаны. Репозиторий содержит веса PyTorch; сведения о лицензии отсутствуют.

DS-R1-Qwen3-8B-ArliAI-RpR-v4-Small — языковая модель ArliAI для ролевых диалогов и творческого письма. Это плотная версия Qwen3 примерно на 7,6 млрд параметров, дообученная на базе deepseek-ai/DeepSeek-R1-0528-Qwen3-8B с набором данных RpR, созданным на основе курируемого набора RPMax. Авторы настраивали обучение так, чтобы сохранять связность рассуждений в многоходовых беседах и уменьшать повторение сюжетных шаблонов между разными контекстами. Модель предназначена для создания персонажей и историй, ролевых игр и продолжительных диалогов. Она принимает текст и генерирует текст; заявленная длина контекста — 131 072 токена. В метаданных указан английский язык. Среди ограничений авторы отмечают, что модель всё ещё может повторять фразы внутри одной беседы. Распространяется по лицензии Apache-2.0.

Erebus-RP-12B-Instruct-2608-v1 — дообученная Indexnusrefather модель Gemma 3 12B Instruct, созданная для ролевых диалогов и творческого письма. Она основана на Gemma 3 12B Instruct, имеет архитектуру Gemma3ForCausalLM с 11,6 млрд параметров и предназначена для генерации текста по инструкциям; заявленная длина контекста — 131 072 токена. Для дообучения использовались отобранные длинные диалоги. Автор отмечает более длинные ответы, лучшее удержание сюжета и гибкость стиля по сравнению с базовой моделью. Модель также может применяться для интерактивного сторителлинга и построения вымышленных миров. В карточке указана лицензия Gemma. Автор сообщает о снижении числа отказов благодаря включению в обучающие данные откровенных диалогов; это может влиять на характер генерируемого контента. README не приводит количественных оценок качества или подробных ограничений применения.

Falcon-40B — плотная авторегрессионная языковая модель с декодерной архитектурой, разработанная TII и обученная предсказывать следующий токен на корпусе RefinedWeb и отобранных текстовых данных. В README указано 40 млрд параметров, тогда как метаданные Hugging Face сообщают 65 млрд; точный размер по этим источникам расходится. Архитектура использует rotary positional embeddings, multi-query attention и FlashAttention. Модель принимает и генерирует текст; в репозитории доступны веса PyTorch и Safetensors. Это базовая, не настроенная на выполнение инструкций модель для генерации текста и дальнейшей специализации или дообучения, например для суммаризации и создания чат-ботов. Она ориентирована прежде всего на английский, немецкий, испанский и французский языки; README также отмечает ограниченные возможности для итальянского, португальского, польского, нидерландского, румынского, чешского и шведского. Практическое использование требует значительных вычислительных ресурсов: для быстрой инференции README рекомендует 85–100 ГБ памяти. Модель разработала TII; лицензия Apache 2.0 допускает коммерческое использование. README предостерегает от применения без оценки рисков и мер снижения вреда: модель может наследовать стереотипы из веб-данных и плохо обобщает на языки, на которых обучалась ограниченно. Для прикладных сценариев рекомендуется дообучение и настройка защитных мер.

FastChat-T5-3B-v1.0 — открытый чат-бот, разработанный командой FastChat, включая Dacheng Li, Lianmin Zheng и Hao Zhang. Это encoder-decoder-модель семейства T5, полученная дообучением Flan-T5-XL на 70 тысячах диалогов, собранных с ShareGPT. В метаданных указано 1,5 млрд параметров и контекст 512 токенов. Модель предназначена для диалоговых приложений и чат-ботов: она принимает текстовый запрос и авторегрессионно генерирует текстовый ответ. Разработчики также указывают коммерческое применение и исследования как предполагаемые сценарии использования. Качество предварительно оценивалось на наборе из 80 разнообразных вопросов с оценкой ответов GPT-4. Модель распространяется по лицензии Apache License 2.0. README не приводит подробных результатов оценки или ограничений качества; ответы следует проверять, особенно в задачах, где важна фактическая точность.

Foxglove_7B — объединённая модель ResplendentAI/Datura_7B и Epiculous/Mika-7B, созданная автором репозитория с помощью LazyMergekit. Это плотная Mistral-модель с 7,1 млрд параметров для генерации текста и ролевых диалогов. Она рассчитана на соблюдение карточки персонажа и форматирование ответов в Markdown; автор сообщает, что лучше всего работает шаблон Alpaca, а шаблон Mistral тоже даёт хорошие результаты. Модель принимает текст и выдаёт текст, поддерживает английский язык и имеет контекст до 32 768 токенов. Репозиторий распространяется под лицензией Apache-2.0.

Модель basic-go/FRED-T5-large-habr-summarizer — дообученный суммаризатор статей с Habr, созданный в рамках тестового задания GPT Week. Она построена на архитектуре T5 и базовой модели ai-forever/FRED-T5-large; содержит 403,9 млн параметров и распространяется в формате safetensors по лицензии Apache-2.0. Модель предназначена для абстрактивного создания краткого пересказа статьи на русском языке. Обучение включало supervised fine-tuning, а также DPO для одного из вариантов; в итоговом подходе использовались расширенный набор кандидатов и постобработка. Для практического применения автор рекомендует предварительную и последующую обработку текста. В описанных экспериментах итоговый подход улучшил метрику на тестовом наборе относительно ранних вариантов. Среди известных ограничений — возможные повторы или перефразирование фрагментов исходного текста. Постобработка помогает справиться с байтовыми последовательностями и незавершёнными предложениями; без неё выход может требовать дополнительной очистки. Модель специализирована на статьях Habr, поэтому её качество для других жанров не подтверждено.

FuguMT — модель машинного перевода на базе архитектуры Marian-NMT, опубликованная пользователем staka. Она переводит текст с английского на японский и рассчитана на сценарии, где нужно получать японский перевод английских фраз и предложений. Модель содержит 41,6 млн параметров, имеет контекстное окно 512 токенов и доступна в формате PyTorch; для работы используются Transformers и SentencePiece. В README приведён результат BLEU 32,7 на 500 случайно выбранных предложениях из набора Tatoeba с токенизацией sacrebleu ja-mecab. Модель распространяется по лицензии CC BY-SA 4.0.

Devloop4545/functiongemma-270m-it-simple-tool-calling — дообученная с помощью TRL модель Google FunctionGemma для генерации текста. Она предназначена для простых сценариев вызова инструментов и функций, а также диалогового взаимодействия; в карточке приведён пример генерации ответа на вопрос пользователя. Модель построена на плотной текстовой архитектуре Gemma 3 и содержит 257 млн параметров. Родительская модель — google/functiongemma-270m-it. Модель принимает текст и генерирует текст; максимальная длина контекста составляет 32 768 токенов. Она подходит для создания компактных специализированных агентов, которым нужно выбирать или вызывать функции. Сведений о поддерживаемых естественных языках и лицензии в предоставленных данных нет.

mlx-community/gemma-3-27b-it-8bit — конверсия модели Google Gemma 3 27B Instruct в формат MLX с 8-битным представлением весов, подготовленная сообществом mlx-community с помощью mlx-vlm 0.1.18. Это плотная мультимодальная модель класса Gemma3ForConditionalGeneration с поддержкой чата и зрения; она принимает текст и изображения и генерирует текст, что позволяет задавать вопросы по изображениям и вести диалог. Модель предназначена для запуска на системах Apple Silicon через MLX и mlx-vlm. Основана на google/gemma-3-27b-pt и является конвертированной инструктивной версией Gemma 3; в карточке указана лицензия Gemma. Подробности о языках, длине контекста и ограничениях следует сверять с исходной карточкой Google Gemma 3 27B Instruct.

Gemma-3-Glitter-27B — модель для творческого письма на базе Gemma 3 27B, опубликованная организацией allura-org. Она создана слиянием Columbidae/gemma-3-27b-half, полученной как слияние моделей Gemma 3 27B IT и PT. Модель предназначена для диалогового написания художественных текстов и развития вымышленных сюжетов; архитектура Gemma 3 поддерживает работу с изображениями и текстом. В README рекомендуется использовать короткие, точные запросы: длинные подробные системные инструкции могут ухудшать результаты. Модель содержит 27 млрд параметров и распространяется в формате Safetensors для библиотеки Transformers. В README указан формат диалогов Gemma 2/3; автор отмечает, что добавление PT-компонента ослабляет следование инструкциям, но делает прозу естественнее и снижает склонность к отказам в некоторых вымышленных сценариях. Сведения о лицензии в предоставленных данных отсутствуют.

Карточка модели Puujeeeeeeeeeeee/gemma4-e4b-round1-sft-experiment-merged на Hugging Face совпадает с карточкой Puujeeeeeeeeeeee/gemma4-e4b-cpt-round2, поэтому описание составлено по ней. Gemma4 E4B CPT Round 2 — дообученная модель, опубликованная Puujeeeeeeeeeeee на основе Puujeeeeeeeeeeee/gemma4-e4b-cpt-round1. Это плотная модель семейства Gemma 4 с архитектурой Gemma4ForConditionalGeneration и поддержкой изображений; репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста по текстовым и визуальным входам, в том числе для сценариев, где нужно учитывать содержимое изображения. При обучении использовались Unsloth и библиотека TRL от Hugging Face. В карточке указана лицензия Apache-2.0. Данных о размере модели, длине контекста и конкретных результатах обучения в предоставленной карточке нет.

lemon-mint/gemma-ko-en-translate-v0.4 — экспериментальная инструкция-модель для перевода между корейским и английским языками. Карточка показывает примеры перевода в обоих направлениях: с корейского на английский и с английского на корейский, включая запросы на корейском языке. Модель построена на плотной архитектуре GemmaForCausalLM с 2,5 млрд параметров; принимает текст и выдаёт текст. Родительская модель и способ получения этой версии не указаны. Поддерживается контекст до 8192 токенов. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией репозитория.

Gemmasutra Pro 27B v1 — чат-модель для ролевых диалогов, представленная командой BeaverAI. Это объединённая модель на архитектуре Gemma 2 с 27,6 млрд параметров, рассчитанная на генерацию текста и поддерживающая контекст до 8192 токенов. В карточке отмечены гибкость в ролевых сценариях, творческие ответы и умение использовать текстовые ремарки в звёздочках. Модель предназначена для интерактивного ролевого общения и генерации художественных диалогов. README предупреждает, что модель не полностью лишена ограничений на контент. Репозиторий лицензирован по CC BY-NC 4.0, которая запрещает коммерческое использование.

GLM-5.3-Flash-Uncensored-EXL3 — квантизированная версия uncensored (abliterated) модели GLM-5.3-Flash. Модель подготовлена neko-legends на основе FP8-версии orcarouter/GLM-5.3-Flash-Uncensored, происходящей от zai-org/GLM-5.3-Flash; калибровочные материалы связаны с проектом ShapleyMcg Brandon M. Music. Репозиторий классифицирует модель как multimodal и image-text-to-text, однако подробные сведения о поддерживаемых модальностях и языках в карточке не приведены. Модель предназначена для локального развёртывания, авторизованного red-team и purple-team тестирования, аудита и защиты собственных систем, анализа вредоносного содержимого, а также исследовательских и персональных сценариев. Это MoE-модель с 288 экспертами в 42 слоях; маршрутизируемые эксперты закодированы в EXL3/K4 с эффективной разрядностью 4 bpp, а остальные компоненты хранятся преимущественно в BF16. Заявлены контекст до 1 млн токенов, объём около 176 ГБ и скорость примерно 97 токенов в секунду в однопоточном режиме на конфигурации 4× DGX Spark TP4 с DFlash2 speculative decoding. К сильным сторонам относятся большой контекст, высокая скорость локального инференса и сохранение uncensored-поведения после квантизации. Ограничения включают значительные требования к памяти и оборудованию, отсутствие встроенного отказоустойчивого alignment, а также отсутствие в карточке независимых оценок возможностей, безопасности и смещений сверх указанных benchmark-материалов. Лицензирование смешанное: цепочка весов заявлена под MIT, а калибровочные артефакты и trellis-коды — под ShapleyMcg License v1.0 с обязательной атрибуцией и специальными условиями; перед использованием необходимо учитывать обе лицензии.

GPT-J-6B-Janeway — дообученная модель KoboldAI на базе GPT-J 6B от EleutherAI, созданная для генерации продолжений текста. При обучении использовалось около 2210 электронных книг, преимущественно в жанрах научной фантастики и фэнтези; набор основан на данных GPT-Neo-2.7B-Picard и дополнен материалами из других жанров. Для части примеров перед текстом добавлялась пометка жанра в формате [Genre: ,]. Модель построена на плотной архитектуре GPT-J с авторегрессионной языковой головой, содержит 6 млрд параметров и принимает текст, предсказывая следующие токены. Контекст составляет 2048 токенов. Основной язык карточки — английский. Модель подходит для художественного продолжения и генерации прозы, особенно в научно-фантастическом и фэнтезийном контексте. Лицензия — MIT. Модель не гарантирует фактическую точность: она подбирает вероятное продолжение текста, а не проверяет сведения. Возможны предвзятые, грубые или оскорбительные ответы; перед публикацией результаты следует проверять и фильтровать.

Gugugo-koen-7B-V1.1 — языковая модель семейства Llama, разработанная squarelike и дообученная на наборе sharegpt_deepl_ko_translation для перевода между корейским и английским языками. Для перевода используются отдельные шаблоны запросов KO→EN и EN→KO. Модель основана на Llama-2-ko-7b, содержит 6,7 млрд параметров и рассчитана на контекст до 2048 токенов. В репозитории представлены веса PyTorch и Safetensors; README также сообщает о поддержке GPTQ, AWQ и GGUF. Модель подходит для перевода предложений и текстовых фрагментов между корейским и английским. Лицензия — Apache-2.0. Карточка сообщает об обучении на одной GPU A6000 в течение 90 часов; качество на иных языковых парах, длинных текстах и специализированных тематиках не описано.

Huihui-Agents-A1-abliterated — версия InternScience/Agents-A1, обработанная методом abliteration для существенного снижения числа отказов модели. Это экспериментальная proof-of-concept переработка, созданная Huihui AI на архитектуре Qwen3.5 MoE; метаданные указывают класс Qwen3_5MoeForConditionalGeneration и формат safetensors. Базовая модель описана как 35-миллиардная MoE-модель для многошаговых агентных задач, научных рассуждений, поиска и вызова инструментов. Модель предназначена для генерации диалоговых ответов и агентных сценариев с вызовом инструментов. Снижение защитных отказов может позволить получать ответы на запросы, которые базовая версия отклоняет, однако автор предупреждает о риске чувствительных, спорных и неподходящих результатов. Модель распространяется по лицензии Apache-2.0. Автор характеризует реализацию как грубую проверку концепции; уменьшение числа отказов не гарантирует точность ответов или безопасность результатов.

IndicTrans2 En-Indic Distilled 200M — модель перевода текста с английского на индийские языки. Это дистиллированная версия семейства IndicTrans2; карточка указывает вариант размером 200M, а метаданные — архитектуру IndicTrans и реализацию для генерации последовательностей в PyTorch. Модель предназначена для машинного перевода; в метаданных перечислены языки и наборы данных FLORES-200, IN22-Gen и IN22-Conv. Модель подходит для перевода с английского на поддерживаемые индийские языки в приложениях и системах локализации. Репозиторий распространяется по лицензии MIT. Карточка отсылает к материалам TMLR о дистиллированных моделях и к репозиторию проекта за подробностями обучения и запуска.

Inkling-Small-mlx-3bit — 3-битная MLX-квантизация модели Inkling-Small, подготовленная сообществом mlx-community для компьютеров Apple Silicon. Это мультимодальная разреженная модель с архитектурой MoE: 264 млрд параметров всего, около 12 млрд активируются на токен, 42 слоя, маршрутизация к 6 из 256 экспертов и 2 общим экспертам. Она принимает изображения, аудио и текст, а генерирует текст; заявлены диалоги, работа с изображениями и аудио, программирование и агентные сценарии. В этой сборке эксперты квантизированы до 3 бит, а остальные перечисленные в README компоненты сохранены в 8-битном представлении. Размер файлов — около 120,9 ГБ; сборка рассчитана на запуск с размещением модели в памяти Mac с 128 ГБ, без выгрузки экспертов. Скорость на целевом оборудовании пока не измерена. Используются MLX и формат safetensors. Лицензия — Apache-2.0. Модель подходит для мультимодального диалога и анализа изображений или аудио с текстовым ответом. Практическое применение ограничено требованиями к памяти и платформе: MLX-сборка рассчитана на Apple Silicon, а на компьютере, близком к пределу памяти, генерация может завершаться из-за ограничений macOS. Экосистема MLX моложе llama.cpp; квантизация не использует калибровку типа i-quant.

INTELLECT-1-step-49200 — промежуточный чекпойнт языковой модели INTELLECT-1, созданной Prime Intellect совместно с сообществом. Модель обучали с нуля как плотную авторегрессионную модель семейства Llama примерно на 10 млрд параметров; метаданные указывают 9,7 млрд параметров и контекст до 8192 токенов. Модель предназначена для генерации текста и кода на английском языке. INTELLECT-1 обучали на триллионе токенов английского текста и кода, включая наборы веб-текста, программного кода и математических материалов. Обучение распределялось между узлами в разных регионах; этот репозиторий содержит промежуточную точку обучения на шаге 49200, а не финальную или инструкционную версию. Для чекпойнта не приведены отдельные результаты оценки качества или рекомендации по применению. Лицензия — Apache 2.0.

IT5 Base for News Summarization — модель семейства T5, разработанная Gabriele Sarti и Malvina Nissim и дообученная для суммаризации итальянских новостных текстов. Она предназначена для создания кратких изложений новостных материалов, в частности текстов из корпусов Fanpage и Il Post. Модель имеет архитектуру T5 для преобразования текста в текст и содержит 123,7 млн параметров. Доступны контрольные точки для PyTorch, TensorFlow и JAX. Модель принимает текст и генерирует текстовое резюме; в карточке указана поддержка итальянского языка. Она ориентирована на новостную суммаризацию, поэтому пригодность для других жанров и языков не подтверждена. Лицензия — Apache-2.0.

Kord Translate ENTH V2 4B — модель KordAI для двунаправленного перевода между тайским и английским. Это плотная авторегрессионная модель семейства Qwen3 с 3,7 млрд параметров, дообученная на базе Qwen/Qwen3-4B методом LoRA; обучение использовало дистиллированные пары переводов без сохранения промежуточных рассуждений. Модель принимает текстовые инструкции и исходный текст, а выдаёт перевод. Контекстное окно — до 40 960 токенов. Модель предназначена для перевода предложений и общего текста с английского на тайский и с тайского на английский. В оценке на FLORES devtest улучшение относительно исходной модели было небольшим и наблюдалось в направлении en→th; качество th→en осталось примерно на прежнем уровне или немного снизилось. Обучение проводилось на примерно 8 000 парах, а оценка охватывала только предложения общего назначения, поэтому возможны ошибки на длинных документах и разговорном тайском. Лицензия — Apache-2.0.

L3.3-70B-Magnum-v4-SE — языковая модель Doctor Shotgun для творческого письма и ролевых диалогов. Это дообученная с помощью rsLoRA адаптера модель Meta Llama 3.3 70B Instruct; полные веса адаптера предназначены для объединения с базовой моделью. Модель использует архитектуру Llama 3 и формат диалога Llama 3, имеет 69,5 млрд параметров и контекст до 131 072 токенов. Модель нацелена на генерацию прозы в стиле Claude 3 Sonnet и Opus и подходит для написания художественных сцен, ролевых игр и диалогов с персонажами. Разработчик отмечает, что в ответах могут проявляться характерные для Claude стилистические особенности. В карточке заявлен английский язык; возможности чата и интерфейс вызова инструментов отражены в метаданных. Модель распространяется по лицензии Llama 3.3. Результаты следует считать вымышленными: модель не предназначена для достоверных фактических ответов или советов и может наследовать предубеждения базовой модели и ролевых LLM.

DavidAU/L3-MOE-8X8B-Dark-Planet-8D-Mirrored-Chaos-47B-GGUF — текстовая языковая модель семейства Llama 3, разработанная DavidAU и опубликованная в формате GGUF; квантизацию выполнил mradermacher. Модель построена по архитектуре mixture of experts и объединяет восемь производных моделей Dark Planet по 8B параметров, обеспечивая заявленный общий размер около 47B параметров при конфигурации до восьми экспертов. По умолчанию используется четыре эксперта, причём число активных экспертов можно настраивать в совместимых приложениях. Модель предназначена прежде всего для генерации художественного текста, прозы, диалогов, сюжетов и подсюжетов, продолжения сцен, сторителлинга и ролевых сценариев. Она ориентирована на английский язык и поддерживает различные жанры, включая научную фантастику, романтику, ужасы и другие виды художественной литературы. Заявлены сильные стороны в создании описаний, образов, метафор, диалогов и выразительной прозы, а также вариативность длины и структуры предложений. Максимальный контекст заявлен как 8192 токена, с возможностью расширения примерно до 32K и более посредством RoPE. Ограничения включают преимущественную ориентацию на творческую генерацию, возможное снижение следования инструкциям при чрезмерно высокой температуре и потенциальные проблемы качества при расширении контекста с помощью RoPE. Модель имеет склонность к длинным ответам и негативный уклон, а также содержит контент 18+, включая нецензурную лексику, насилие, хоррор и натуралистичные сцены. Для модели указана лицензия Apache-2.0.

Latxa-Llama-3.1-8B — плотная языковая модель семейства Llama, разработанная исследовательским центром HiTZ и группой IXA Университета Страны Басков UPV/EHU. Модель дообучена на баскском корпусе Latxa Corpus v1.1, включающем 4,3 млн документов и 4,2 млрд токенов, и содержит около 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM, загружается через Transformers в формате safetensors и имеет контекст до 131 072 токенов. Модель предназначена прежде всего для генерации текста на баскском языке, диалогов и ответов на вопросы, а также для задач понимания текста и экзаменационной подготовки на баскских данных. В предварительных оценках она превзошла исходную Llama 3.1 8B на нескольких баскских тестах, однако разработчики отмечают, что модель всё ещё находится в разработке, а подробности обучения и результаты оценки диалогов будут опубликованы позднее. Для языков, кроме баскского, качество не гарантируется; сохраняются возможные смещения и ограничения базовой модели Llama 3.1. Унаследована лицензия Llama 3.1, допускающая коммерческое и исследовательское применение с соблюдением её условий.

Latxa-Llama-3.1-8B-Instruct — инструкционно настроенная языковая модель на архитектуре Llama 3.1, разработанная исследовательским центром HiTZ и группой IXA Университета Страны Басков UPV/EHU. Модель дообучена на баскском корпусе Latxa Corpus v1.1, включающем 4,3 млн документов и 4,2 млрд токенов, чтобы улучшить работу с баскским языком. Число параметров — 7,5 млрд, заявленная длина контекста — 131 072 токена. Модель предназначена для ответов на инструкции и диалогов на баскском языке, а также для генерации текста, чтения и рассуждений по-баскски. В предварительных оценках она превзошла исходную Llama 3.1 Instruct на стандартных баскских тестах. Разработчики предупреждают, что модель всё ещё находится в разработке, а качество для языков, отличных от баскского, не гарантируется. Указана лицензия llama3.1, допускающая коммерческое и исследовательское использование. Модель может наследовать смещения и ограничения Llama 3.1; для применения в продуктивной среде разработчики рекомендуют оценивать риски и предусматривать меры снижения вреда.

Raniahossam33/levantine-translation-qwen2.5-7b — дообученная с помощью TRL версия инструктивной языковой модели Qwen2.5-7B-Instruct. Это плотная авторегрессионная модель с архитектурой Qwen2, содержащая 7,1 млрд параметров и принимающая контекст до 32 768 токенов. В карточке репозиторий назван моделью для перевода на левантийский арабский, однако README не описывает языковые пары, данные или специальные настройки перевода; приведённый пример показывает обычный диалоговый запрос. Модель предназначена для генерации текста в диалоговом формате через Transformers и поддерживает чатовый интерфейс. Доступна в формате safetensors; лицензия и конкретные ограничения использования в предоставленных данных не описаны.