I.5Создание и редактирование текста

ChindaMT-2B — открытая модель машинного перевода с 2 млрд параметров, разработанная iApp и дообученная на базе Qwen/Qwen3.5-2B. Она переводит с тайского на английский и с английского на тайский, а также следует дополнительным указаниям в запросе: например, сохранять заданную терминологию, регистр, длину или формат ответа. Модель использует плотную архитектуру Qwen3.5 и обучена полным дообучением на наборе iapp/ChindaMT-Grounded из 1,97 млн записей. В README сообщаются результаты оценок на переводческих наборах и попарных сравнениях с моделями сопоставимого размера; эти результаты относятся к описанным авторами протоколам и настройкам генерации. Модель рассчитана на двусторонний перевод тайского и английского текстов, в том числе с ограничениями по формулировкам и оформлению. Обучение использовало ограничение длины входа 1024 токена; для длинных документов рекомендуется переводить текст абзацами, поскольку более длинные входы применяются на риск пользователя. Поддержка за пределами пары тайский—английский не заявлена. Лицензия — Apache-2.0.

LiefOlsonMd/deberta-v3-base — опубликованная в формате safetensors копия англоязычной модели Microsoft DeBERTa-v3-base с файлами токенизатора. Это плотная модель семейства DeBERTa-v2 с 211,6 млн параметров и контекстом до 512 токенов; она предназначена для предсказания пропущенных токенов в тексте и может служить основой для дообучения на задачи понимания текста. Репозиторий можно использовать через Transformers. Модель принимает текст и предсказывает замаскированные токены. В README приведена оценка размера около 184 млн параметров, тогда как метаданные указывают 211,6 млн. Лицензия — MIT.

DeepReviewer-7B — текстовая генеративная модель WestlakeNLP для подготовки структурированных отзывов на научные статьи. Она дообучена на базе Qwen/Qwen2.5-7B-Instruct и использует многоэтапную схему рассуждений. Доступны быстрый режим с кратким разбором и оценками, стандартный режим с несколькими смоделированными точками зрения и режим подробного анализа. Модель предназначена для неофициальной самопроверки и доработки статей, тренировки академического письма и изучения процесса рецензирования. Она может выделять сильные и слабые стороны работы, предлагать улучшения и формировать оценки по заданному тексту статьи. Карточка заявляет поддержку нескольких языков, включая английский, китайский, японский, корейский, французский и немецкий; размер модели — 7 млрд параметров по названию и базовой модели. Лицензия указана как other; README запрещает использовать модель для любых официальных рецензий. Модель принимает только текст, поэтому не анализирует напрямую изображения, графики и сложные формулы. Её выводы могут быть неточными в узких областях, при оценке новизны и проверке фактов; она не предназначена для выявления плагиата, этических или юридических решений и выбора статей к публикации. Использовать её следует как вспомогательный инструмент, а не замену экспертной оценке.

kmack/DetectiveTales-DistilGPT2 — языковая модель, дообученная автором репозитория на базе distilbert/distilgpt2. Это причинная Transformer-модель GPT-2 для генерации детективных историй по начальному текстовому запросу, в том числе повествований в духе рассказов о Шерлоке Холмсе. Её можно применять для творческого письма и подготовки черновиков сюжетов. Модель использует архитектуру GPT2LMHeadModel, формат весов safetensors и контекст до 1024 токенов. Базовая DistilGPT2 ориентирована на английский язык; карточка описывает обучение на детективных произведениях, но не приводит отдельной оценки качества или подробностей лицензии. Генерация может терять связность и фактическую последовательность на длинных фрагментах. Условия использования определяются лицензией базовой модели и репозитория.

DiffusionVL-Qwen2.5VL-7B — модель зрения и языка на основе Qwen2.5-VL, представленная исследователями Huazhong University of Science and Technology. Авторы применили к предварительно обученной авторегрессионной модели метод diffusion fine-tuning, преобразовав её в vision-language-модель с диффузионной генерацией. Модель содержит 7,1 млрд параметров, использует архитектуру DiffusionVL_Qwen2_5_VL_ForConditionalGeneration и поддерживает контекст до 128 000 токенов. Модель предназначена для диалоговых сценариев с изображениями и текстом, включая ответы на вопросы по изображениям и генерацию текста по визуальному контексту. DiffusionVL использует блочное декодирование, допускающее генерацию произвольной длины и повторное использование KV-кэша; авторы сообщают об ускорении инференса в 2 раза по сравнению с рассматриваемыми ими существующими diffusion vision-language-моделями. Репозиторий предоставляет веса safetensors для Transformers. Лицензия — Apache 2.0.

ml6team/distilbart-tos-summarizer-tosdr — модель абстрактивного суммирования условий использования сайтов и других документов T&C, разработанная командой ML6 и дообученная на данных TOSDR. Она предназначена для использования в конвейере, где предварительный этап LSA извлекает и сокращает исходный текст, а модель формирует итоговое краткое изложение. Модель построена на архитектуре BART и содержит 152,1 млн параметров. Она принимает текст и генерирует текстовое резюме; поддерживаемый язык — английский, максимальная длина контекста составляет 1024 токена. Модель основана на sshleifer/distilbart-cnn-6-6 и распространяется в формате PyTorch. Лицензия в предоставленных данных не указана.

Dungeonmaster V2.2 Expanded — объединённая модель семейства Llama, созданная автором Tarek07 для творческих ролевых сценариев. Она ориентирована на ролевые игры с последствиями и развитием сюжета, следование подробным подсказкам, выразительное описание и мрачную, провокационную импровизацию. Модель объединяет несколько дообученных вариантов Llama 3.3 объёмом около 70 млрд параметров с помощью метода Linear DELLA в mergekit. Модель принимает текст и генерирует текстовые ответы в диалоговом формате. В метаданных указан контекст до 131 072 токенов; модель доступна в формате safetensors и использует лицензию llama3.3. Автор отмечает, что настройки с температурой около 0,8 и Min P 0,02 могут дать хорошие результаты, но качество зависит от сценария и параметров генерации.

Echoes-1.5-Instruct-PT-BR — модель генерации текста с настройкой на следование инструкциям, разработанная Henrique Imóveis. Она дообучена на базе Echoes-1.5-Base-PT-BR, обученной с нуля на бразильском португальском. Модель содержит 827,7 млн параметров; архитектура — плотная Qwen3NextForCausalLM. Для генерации используется формат «Pessoa 1: {вопрос}\nEchoes: {ответ}», а не стандартный шаблон чата. Контекст составляет 4096 токенов; для работы нужна библиотека Transformers. Модель рассчитана на ответы в неформальном стиле бразильских форумов 2000-х годов. Она может отвечать на вопросы, переводить, признавать нехватку знаний и исправлять ложные предпосылки. В описанной автором оценке модель набрала 9,8 из 14 баллов; арифметические задачи решает слабо. Модель выпущена под лицензией WTFPL. У неё нет обучения безопасному отказу, поэтому она может выдавать резкие мнения, сленг и грубую лексику. Автор также предупреждает о фактических ошибках и коротком контексте; для генерации требуется отключить use_cache, а формат GGUF не поддерживается.

EduChat-SFT-002-7B — дообученная на BELLE модель семейства LLaMA, представленная в виде разностных весов, которые нужно объединить с исходными весами LLaMA перед использованием. Это плотная авторегрессионная модель примерно на 6,8 млрд параметров с контекстом 2048 токенов; репозиторий содержит веса PyTorch и рассчитан на запуск через Transformers. Модель предназначена для генерации текста в диалоговых и образовательных сценариях. В карточке указано, что она обучена на BELLE, однако подробности о специализации, качестве и конкретных образовательных задачах не приведены. Метаданные указывают поддержку китайского и английского языков. Лицензия — AGPL-3.0; для восстановления полного набора весов требуются исходные веса LLaMA и преобразование разностных весов.

ELYZA-Thinking-1.0-Qwen-32B — языковая модель рассуждений, разработанная компанией ELYZA на базе Qwen2.5-32B-Instruct. Это плотная авторегрессионная модель семейства Qwen2 с 32 млрд параметров, дообученная для усиления способностей к рассуждению на японском языке с помощью имитационного обучения на синтетических данных, включавших длинные цепочки рассуждений, созданные алгоритмом на основе MCTS. Модель предназначена для диалоговой генерации текста и решения задач, требующих многошаговых рассуждений. Она использует формат Safetensors и библиотеку Transformers; метаданные указывают контекст до 131 072 токенов. README показывает запуск через vLLM с настройкой парсера рассуждений DeepSeek R1 и ограничением длины в примере до 32 768 токенов. Поддерживаются японский и английский языки, однако основная специализация — японский. Модель распространяется по лицензии Apache 2.0.

Модель Meher2006/english-to-telugu-model — дообученный вариант mBART для перевода текста с английского на телугу. Она предназначена для перевода распространённых фраз, предложений и обычных разговоров; построена на архитектуре MBartForConditionalGeneration и рассчитана на работу через Transformers с PyTorch. Модель содержит около 457,4 млн параметров, поддерживает контекст до 1024 токенов и распространяется в форматах PyTorch и safetensors. Модель может применяться для перевода коротких пользовательских сообщений, типовых фраз и общего текста. В README заявлена поддержка широкого словаря и разных структур предложений, однако независимые оценки качества не приведены. Лицензия Apache-2.0.

jensjepsen/eo-mt-v13-tiny-bidir — двунаправленная модель машинного перевода с архитектурой MarianMT, разработанная Jens Jepsen. Она переводит между английским и эсперанто в направлениях EN→EO и EO→EN; направление задаётся специальным токеном перед входным текстом. Модель обучена с нуля на корпусе v13 и дополнительных параллельных наборах данных, включая математические и размеченные данные. В конфигурации указаны 6 слоёв энкодера и 6 слоёв декодера, 8 голов внимания, размерность 512 и FFN размером 2048. README сообщает 69,2 млн параметров, тогда как метаданные Hugging Face — 49,7 млн. Для перевода приводятся BLEU 28,05 на FLORES devtest для EN→EO и 32,39 на opus100 validation. Контекст модели составляет 512 токенов. Модель доступна под лицензией MIT. Показатели BLEU описывают конкретные тестовые наборы и сами по себе не гарантируют качество на других текстах.

Falcon-E-1B-Base — базовая авторегрессионная языковая модель с архитектурой pure-transformer и decoder-only, разработанная Technology Innovation Institute (TII). Модель предназначена для генерации текста и последующей тонкой настройки, включая сценарии запуска на устройствах с ограниченными ресурсами. Модель поддерживает английский язык и имеет около 1,8 млрд параметров. Она использует 1,58-битное представление и относится к семейству BitNet; заявленный объём памяти составляет около 635 МБ. Модель работает через библиотеки Hugging Face Transformers и BitNet, а для дообучения предусмотрен prequantized-вариант. Это base-модель, поэтому она не оптимизирована для диалогового следования инструкциям без дополнительного fine-tuning. Сильной стороной модели является значительно сниженное потребление памяти по сравнению с рядом сопоставимых моделей, что делает её подходящей для edge-сценариев и локального вывода. При этом небольшие размер и англоязычная специализация ограничивают качество в сложных задачах и других языках; приведённые внутренние бенчмарки также показывают неоднородные результаты по отдельным тестам. Модель распространяется по лицензии Falcon-LLM License.

Falcon-H1-Tiny-90M-Base — базовая языковая модель семейства Falcon-H1 от tiiuae. Это причинная декодерная модель с гибридной архитектурой Transformers и Mamba; в README указано 90 млн параметров, а в метаданных — 60,8 млн. Модель рассчитана на генерацию текста на английском языке и может служить основой для дальнейшей адаптации под конкретные задачи. Модель доступна в формате Safetensors и поддерживается библиотекой Transformers; в README также перечислены vLLM, SGLang, llama.cpp, Ollama и MLX. Метаданные указывают контекстное окно до 262 144 токенов. Лицензия обозначена как Falcon-LLM License в README и как other в метаданных; перед использованием следует проверить условия Falcon-LLM License.

Foxfire Bloom — слитая автором MrRikyz разговорная модель для ролевых диалогов и творческого письма. Она создана методом TIES с помощью mergekit на основе четырёх моделей семейства Mistral, включая SicariusSicariiStuff/Impish_Nemo_12B, D1rtyB1rd/Egregore-Alice-RP-NSFW-12B, Retreatcost/KansenSakura-Radiance-RP-12b и MrRikyz/Impish-Irix-Kitsune. Модель содержит 12,1 млрд параметров, использует архитектуру MistralForCausalLM и распространяется в формате safetensors; для неё также упомянуты квантизованные сборки GGUF. Модель предназначена для ролевых сценариев и генерации художественного текста, включая откровенные и потенциально тревожные сюжеты. Карточка не сообщает обучающих данных или языковых характеристик, поэтому языки и длину контекста по ней достоверно определить нельзя. Лицензия в предоставленных данных не указана.

FuguMT — модель машинного перевода с японского на английский, созданная автором репозитория staka на архитектуре Marian-NMT. Она предназначена для перевода текстов с японского языка на английский и работает через Transformers и SentencePiece. Модель содержит 41,6 млн параметров, поддерживает контекст до 512 токенов и распространяется в формате PyTorch. В README приведён результат BLEU 39,1 на 500 случайно выбранных предложениях из набора Tatoeba. Лицензия — CC BY-SA 4.0.

Ateron/Gemma-4-MoonGem-31B — объединённая модель семейства Gemma 4, опубликованная Ateron. Она предназначена для генерации текста в диалогах и ролевых сценариях. В README описаны несколько этапов слияния через mergekit, включая task arithmetic; метаданные указывают на архитектуру Gemma4ForConditionalGeneration, 31B в названии репозитория и формат safetensors. Карточка и теги связывают модель с англоязычным ролевым использованием. Модель распространяется по лицензии Apache-2.0. README не приводит измерений качества или конкретных ограничений; применимость слияния к отдельным задачам и входам VLM-компонента не подтверждена описанием, поэтому её следует оценивать на собственных примерах.

GPT-3 small — авторская дообученная версия GPT-Neo, подготовленная Phan Minh Toan для генерации текста на основе новостных данных CNN/DailyMail. Модель имеет плотную авторегрессионную архитектуру GPTNeoForCausalLM с 137,7 млн параметров и контекстом до 2048 токенов. Модель предназначена для генерации продолжений текста и работы с новостным материалом на английском языке. Обучение на CNN/DailyMail указывает на специализацию данных, однако в карточке не описаны отдельные функции суммаризации или результаты оценки качества. Доступны веса PyTorch; сведения о лицензии в предоставленных источниках отсутствуют.

GPT-J-6B-Skein — модель генерации текста, разработанная KoboldAI на основе GPT-J. Она предназначена прежде всего для создания художественных историй и интерактивной прозы, включая продолжение текста в формате текстовых приключений с действиями, начинающимися с «> You». Модель принимает текст и предсказывает продолжение; её контекст составляет 2048 токенов. Для дообучения использовались преимущественно лёгкие романы из набора KoboldAI/GPT-Neo-2.7B-Horni-LN и материалы интерактивной прозы; данные размечались темами, чтобы задавать стиль продолжения. Основной язык — английский. Модель подходит для творческого письма и интерактивных сюжетов, но не предназначена для получения достоверных фактических ответов. Она может выдавать оскорбительный или нежелательный контент, поскольку базовая модель обучалась на данных, содержащих обсценную и резкую лексику; перед публикацией результаты следует проверять. Лицензия — Apache License 2.0.

Huihui-DeepSeek-V4-Flash-0731-abliterated-GGUF — квантизированная GGUF-версия модели DeepSeek-V4-Flash-0731 от deepseek-ai, подготовленная huihui.ai с применением abliteration. Метод предназначен для значительного снижения отказов модели; авторы описывают результат как грубую proof-of-concept реализацию. Модель рассчитана на генерацию текста и может использоваться через llama.cpp, ds4 и связанные форматы DSpark. Доступны варианты квантизации Q2, Q2_K и Q4_K, включая 2-битные и 4-битные сборки. В метаданных модель обозначена как MoE и совместимая с GGUF, llama.cpp, ds4, Metal и Apple Silicon. В примерах указана работа с контекстом до 262144 токенов в llama.cpp и 32768 токенов в ds4, однако эти значения относятся к конфигурации запуска. Языки и точный размер модели в README не указаны. Сильной стороной является сниженный уровень отказов и возможность локального запуска в поддерживаемых рантаймах. Ограничения включают экспериментальный характер, отсутствие abliteration для всех экспертных модулей и возможное ухудшение поведения или качества из-за процедуры модификации и квантизации. Фильтрация безопасности существенно ослаблена, поэтому модель может генерировать чувствительный, спорный или неподходящий контент; необходимы контроль вывода и ручная проверка. В README рекомендовано использовать её преимущественно для исследований и тестирования, а не в публичных или высокорисковых производственных системах. Указанная лицензия — MIT.

HyLo-Llama-4MLA12GDN-64K-SFT — исследовательская гибридная языковая модель AMD, созданная на основе meta-llama/Llama-3.2-1B-Instruct и обученная с дистилляцией от meta-llama/Llama-3.1-8B-Instruct. В 16 слоях сочетаются 4 слоя Multi-head Latent Attention и 12 слоёв Gated DeltaNet; в README указано 1,67 млрд параметров, тогда как метаданные каталога указывают 1,2 млрд. Модель предназначена для генерации текста и диалогов с длинным контекстом, до 65 536 токенов. Сжатое кэширование в слоях MLA и фиксированное рекуррентное состояние Gated DeltaNet сокращают KV-кэш до 3,9% от базовой модели. Обучение включало дистилляцию и SFT на смесях диалоговых, математических и длинноконтекстных данных; заявлены результаты на тестах рассуждений, математики и длинного контекста. Это исследовательский артефакт, не прошедший выравнивание по безопасности и оценку для промышленного применения. Качество после 65 536 токенов не измерялось; мультиязычность, программирование, безопасность и следование инструкциям на длинных последовательностях не оценивались. Для запуска требуются код AMD HyLo и подходящий стек поддержки гибридных слоёв. Лицензия модели — Apache-2.0.

Hy-MT2-7B-Abliterated-bf16 — созданная сообществом производная многоязычной модели перевода Tencent Hy-MT2-7B. Репозиторий содержит веса bf16 в формате MLX для запуска через MLX и MLX-LM; модель построена на плотной архитектуре HunYuan и насчитывает 7,5 млрд параметров. Модель предназначена для перевода текстов по инструкциям между поддерживаемыми языками. Вариант bf16 сохраняет более высокую точность по сравнению с 8-битной версией, но требует больше памяти. Заявлен контекст до 262 144 токенов. Abliteration направлена на ослабление поведения, связанного с отказами, однако не гарантирует их полного устранения и может повлиять на качество перевода или другие характеристики. Это не официальный выпуск Tencent. Используется лицензия Apache-2.0, как у базовой модели. Разработчик рекомендует оценить модель на собственных задачах до применения в производственной среде.

PrepareBuddy IELTS-9B — дообученная PrepareBuddy модель Qwen3.5-9B для генерации учебных материалов к IELTS. Это плотная текстовая модель с архитектурой Qwen3_5ForCausalLM, примерно 7,2 млрд параметров и контекстом до 262 144 токенов. Она создаёт материалы для Reading, Writing, Listening и Speaking: тексты, задания, вопросы, транскрипты и ключи ответов с пояснениями. Модель рассчитана на генерацию больших объёмов практики, в том числе фактологически насыщенных текстов, и особенно хорошо справляется с ответами для заданий на дополнение предложений, которые находятся в исходном тексте. Работает с английским языком и предназначена для текстового ввода и вывода. По данным карточки, версия 9B показывает наилучшую в семействе точность фактов при генерации текстов с нуля, но не улучшает рассуждение при вынесении вердиктов. Модель не оценивает ответы учащихся. Для работы в bf16 требуется около 18 ГБ видеопамяти; квантизация до 4 бит снижает потребность примерно до 5–6 ГБ. Известен перекос ответов в заданиях с выбором варианта в пользу B, поэтому ключи следует проверять и распределять позиции ответов при подготовке заданий. Лицензия — Apache-2.0.

InternVL3-1B-hf — мультимодальная модель OpenGVLab, представленная как реализация InternVL3 для библиотеки Transformers. Это плотная модель класса InternVLForConditionalGeneration, дообученная на основе OpenGVLab/InternVL3-1B-Instruct; репозиторий содержит веса в формате safetensors. Модель принимает текст вместе с изображениями и видео, а также поддерживает текстовую генерацию без изображений. Модель предназначена для диалогов с визуальным контентом: описания изображений и видео, визуального восприятия и рассуждений, а также сценариев с несколькими изображениями и чередованием текстовых и визуальных входов. README также отмечает возможности семейства InternVL3 для работы с инструментами, GUI-агентами, промышленным анализом изображений и 3D-восприятием, но не утверждает, что все эти сценарии отдельно проверены для версии 1B. Реализация поддерживает Transformers, пакетный вывод и варианты внимания eager, SDPA и FA2. Карточка указывает мультиязычность, но конкретные языки и размер модели не приведены. Лицензия обозначена как other; перед использованием следует проверить условия лицензии исходного репозитория модели. Характеристики качества и ограничения конкретного чекпойнта 1B в предоставленной карточке подробно не описаны.

K2-Think — плотная языковая модель с 32 млрд параметров, дообученная на базе Qwen/Qwen2.5-32B и опубликованная IFM. Она предназначена для генерации текста и диалогов с упором на рассуждения и решение сложных математических задач; в карточке приведены результаты на AIME 2024, AIME 2025 и HMMT 2025. Модель принимает текстовые запросы и формирует текстовые ответы, поддерживает контекст до 131 072 токенов и рассчитана на английский язык. Модель доступна в формате Safetensors и используется через Transformers. Разработчики сообщают о развёртывании на Cerebras WSE с ускорением инференса, но это не характеристика весов, необходимая для обычного запуска. Как и другие большие языковые модели, K2-Think может выдавать неточные, вводящие в заблуждение или предвзятые ответы. Лицензия в метаданных — Apache-2.0; карточка также запрещает незаконное и вредоносное использование и предоставляет модель без гарантий.

Kuno-Lemon-7B — текстовая модель для ролевых диалогов и написания историй, созданная Nitral-AI слиянием моделей SanjiWatsuki/Kunoichi-DPO-v2-7B и KatyTheCutie/LemonadeRP-4.5.3. Слияние выполнено методом SLERP с помощью mergekit. Модель основана на архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 8192 токенов. Она предназначена для генерации текста в сценариях ролевой игры и художественного письма. В метаданных отмечена как не предназначенная для всех аудиторий; лицензия не указана в предоставленных данных.

kuno-royale-v2-7b — объединённая модель семейства Mistral с 7,1 млрд параметров, созданная автором core-3 с помощью LazyMergekit из SanjiWatsuki/Kunoichi-DPO-v2-7B и eren23/ogno-monarch-jaskier-merge-7b-OH-PREF-DPO. Слияние выполнено методом SLERP; модель предназначена прежде всего для генерации текста и ролевых диалогов, с акцентом на выразительную прозу. В карточке также приведены результаты тестов на нескольких бенчмарках, но автор отмечает, что личные ролевые тесты были перспективными. Модель принимает текст и генерирует текст, поддерживает контекст длиной до 8192 токенов и распространяется в формате safetensors. Автор сообщает о доступности GGUF-квантований в других репозиториях. Лицензия — CC BY-NC 2.0, которая ограничивает коммерческое использование. Данных о специально поддерживаемых естественных языках в карточке нет.

L3.1-Artemis-b-8B — слитая диалоговая языковая модель семейства Llama 3.1, созданная сообществом mergekit-community с помощью mergekit. В основе слияния лежит lamm-mit/Bioinspired-Base-Hermes-3-Llama-3.1-8B; также объединены Casual-Autopsy/L3-Umbral-Mind-RP-v3.0-8B, mergekit-community/L3-Boshima-a и kromeurus/L3.1-Ablaze-Vulca-v0.1-8B методом DARE TIES. Модель содержит 7,5 млрд параметров, принимает текст и генерирует текст, поддерживает диалог и имеет контекстное окно до 131 072 токенов. Базовые модели и описание в каталоге указывают на применение для ролевых игр, в том числе с тяжёлыми эмоциональными темами и сюжетами спасения персонажей. Модель распространяется в формате Safetensors; лицензия в предоставленных данных не указана.

Sunfall v0.7.0 — диалоговая модель crestf411, созданная дообучением NVIDIA Llama-3.1-Nemotron-70B-Instruct-HF с последующим слиянием весов. Она предназначена для интерактивного написания историй, ролевых диалогов и генерации ответов в стиле персонажа; карточка рекомендует формат диалогов Silly Tavern «Llama 3 Instruct». Модель имеет плотную архитектуру LlamaForCausalLM, 69,5 млрд параметров и контекст до 131 072 токенов. Она принимает текст и генерирует текст; в метаданных заявлены чат и интерфейс вызова инструментов. Использованы ролевые и инструкционные наборы данных, включая LimaRP-DS и подборки Anthracite. Лицензия — Llama 3.1 Community License (llama3).

L3.3-70B-Magnum-Diamond — языковая модель Doctor-Shotgun, дообученная в виде адаптера rsLoRA на базе meta-llama/Llama-3.3-70B-Instruct. Это плотная архитектура Llama с 69,5 млрд параметров; модель принимает текст и поддерживает контекст до 131 072 токенов. Для общения используется формат запросов Llama 3. Модель предназначена для творческого письма и ролевых диалогов. Она стремится воспроизводить выразительный стиль Claude 3 Sonnet и Opus, поэтому в ответах могут встречаться характерные для этих моделей речевые обороты. Карточка также содержит адаптер rsLoRA для объединения с базовой моделью. Модель лицензирована по условиям Llama 3.3. Она может унаследовать смещения базовой модели и моделей, стиль которых имитирует. Ответы следует считать вымыслом: модель не предназначена для предоставления достоверной информации или советов.