I.5Создание и редактирование текста

ScarletMT-Nano — модель машинного перевода с японского на английский от Yokii2. Это компактная модель BART на основе архитектуры seq2seq, обученная с нуля с помощью Hugging Face Trainer. Она содержит 66,7 млн параметров, принимает текст с контекстом до 256 токенов и выдаёт перевод на английский язык. Модель предназначена для перевода японских текстов, в том числе коротких, средних и длинных фрагментов. В README описана оценка на бенчмарке jmdict-ja-en-bench с метриками BLEU, chrF2 и COMET22. В приведённой таблице результатов для ScarletMT-Nano нет, поэтому её качество по этим данным оценить нельзя. Для загрузки используются Transformers и формат safetensors. Лицензия — CC BY 4.0.

Dhahlan2000/Simple_Translation-model-for-GPT-v2 — модель семейства T5 с архитектурой T5ForConditionalGeneration и 38,5 млн параметров. По названию репозитория и тегу text2text-generation она предназначена для перевода текста. Автор сообщает, что модель обучена с нуля на неизвестном наборе данных; в README приведены результаты оценки: BLEU 47,2655, loss 0,1430 и средняя длина генерации 15,2769 токена. Модель принимает текст и генерирует текст; заявленный контекст составляет 512 токенов. Языки перевода, конкретные направления и рекомендуемые сценарии не описаны. Лицензия в предоставленных данных не указана.

SmolLM2-135M-SFT-smoltalk — компактная плотная языковая модель семейства Llama, дообученная hsila на базе HuggingFaceTB/SmolLM2-135M с помощью TRL. Модель предназначена для генерации текста в диалоговом формате; пример в карточке показывает ответ на открытый вопрос, а метаданные отмечают поддержку чата. Модель содержит 134,5 млн параметров, принимает текст и выдаёт текст. Контекстное окно составляет 8192 токена. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Базовая модель описана как компактная англоязычная модель, поэтому прежде всего модель подходит для коротких англоязычных диалогов и генерации ответов. Небольшой размер удобен для экспериментов и запуска в условиях ограниченных ресурсов, но качество и устойчивость ответов могут уступать более крупным моделям. Карточка не сообщает лицензию; условия использования следует сверить с лицензией репозитория и базовой модели.

Карточка модели Timegravity/tamil-lm-2b-instruct на Hugging Face совпадает с карточкой Timegravity/tamil-lm-2b-base, поэтому описание составлено по ней. Tamil LM 2B Base — мультимодальная модель Timegravity Labs Private Limited из Коимбатура, адаптированная от Qwen/Qwen3.5-2B-Base продолженным предобучением на тамильском языке. Это базовая версия без описанной в карточке настройки для диалога; связанная версия tamil-lm-2b-instruct прошла дополнительное обучение инструкциям. Архитектура Qwen3.5 dense с Gated DeltaNet и gated attention, размер базовой модели — 2 млрд параметров. В репозитории сохранены исходные компоненты для работы с изображениями, но обучение проводилось на текстовой части модели. Модель предназначена для экспериментов и адаптации небольших моделей к тамильскому языку. Увеличенный тамильский токенизатор содержит 22 222 дополнительных SentencePiece-токена, а заявленная поддержка языков включает тамильский, Tanglish и английский. Для прикладного диалога, простых объяснений и перевода README рекомендует версию instruct и слой обслуживания с модерацией и поиском. Известные ограничения включают слабые навыки рассуждения и математики на английском, устаревающие сведения о текущих событиях и ненадёжное воспроизведение литературных цитат без внешней базы знаний. Модель выпущена под лицензией Apache License 2.0; версия 0.1.0-preview опубликована в сентябре 2026 года.

teacher-gpt2-1.5B — англоязычная авторегрессионная модель семейства GPT-2, созданная на основе openai-community/gpt2-xl с дообучением на наборе инструкций databricks/databricks-dolly-15k. Разработчики MiniLLM используют её как модель-учитель для серии MiniLLM. Модель предназначена для генерации текста по подсказке и может применяться для экспериментов с обучением и оценкой моделей-учеников. Она содержит 1,5 млрд параметров, построена на архитектуре GPT2LMHeadModel, работает с текстом и поддерживает контекст до 1024 токенов. Карточка указывает английский язык и формат PyTorch. Лицензия — Apache-2.0. Ограничения контекста и языковой охват могут затруднять работу с длинными текстами и запросами на других языках.

DavidAU/TieFighter-Holodeck-Holomax-Mythomax-F1-V1-COMPOS-20B-gguf — текстовая генеративная модель, разработанная DavidAU. Она предназначена прежде всего для творческого письма, мозгового штурма, ролевых сценариев, создания рассказов, сцен и художественной прозы при небольшом объёме входных инструкций. Модель ориентирована на длинные, насыщенные и непредсказуемые ответы, часто превышающие 1500 токенов без специального запроса. Модель имеет 20 млрд параметров и создана методом composite merge: в неё объединены слои четырёх моделей на базе LLaMA 2 по 13 млрд параметров — TieFighter, Holodeck, Holomax и MythoMax. Автор описывает архитектуру как одну основную модель с тремя взаимосвязанными «субмоделями», призванными сохранить уникальные творческие характеристики исходных компонентов. Указан английский язык; поддерживается текстовая модальность и формат GGUF для локального запуска. Сильные стороны модели — развитое воображение, генерация миров, обществ и необычных сюжетных решений, юмор, лёгкая саркастичность и способность к продолжительной художественной генерации. Ограничения — высокая непредсказуемость и многословность, возможные ругательства, замены ругательств символами, а также необходимость дополнительного тестирования стабильности и переносимости метода слияния. Модель распространяется по лицензии Apache-2.0.

ToriiGate-v0.4-7B-i1-GGUF — это квантизированная версия мультимодальной модели Minthy/ToriiGate-v0.4-7B, подготовленная mradermacher. Модель предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. Указан английский язык. Модель распространяется в формате GGUF и рассчитана на локальный запуск в средах, поддерживающих этот формат. Архитектура основана на модели с 7 миллиардами параметров; точные сведения о контекстном окне и устройстве vision-компонента в README не указаны. Доступны многочисленные варианты квантизации от IQ1 и Q2 до Q6, различающиеся размером, скоростью и качеством; рекомендуемым для баланса скорости и качества назван вариант Q4_K_M, а Q6_K по характеристикам близок к статической квантизации Q6_K. Для работы с изображениями могут потребоваться дополнительные файлы mmproj из статического репозитория. Сильные стороны модели — поддержка мультимодального ввода, широкий выбор квантизаций и возможность запуска на локальном оборудовании с ограниченными ресурсами. Ограничения включают потенциальное снижение качества у вариантов с низкой разрядностью, а также отсутствие в README подробных результатов тестирования, описания предназначенных сценариев, характеристик контекстного окна и полного перечня поддерживаемых языков. Квантизированные файлы распространяются по лицензии Apache-2.0.

WindyTranslate/translate-de-bi — модель машинного перевода от Windstorm Labs, дообученная на основе Helsinki-NLP/opus-mt-de-bi. Это MarianMTModel с 54 млн параметров и контекстом до 512 токенов. Веса изменены с помощью LoRA-дообучения на параллельном корпусе, после чего адаптер объединён с базовыми весами. Репозиторий содержит сборку Transformers в формате safetensors. Модель предназначена для перевода текста с немецкого языка на бижагский. Лицензия — Apache-2.0. Направление перевода одностороннее; качество модели пока не оценивалось бенчмарками, поэтому его следует проверить на целевых текстах.

WindyTranslate/translate-de-pap — модель машинного перевода, опубликованная Windstorm Labs и предназначенная для перевода с немецкого языка на папьяменто. Это дообученная версия Helsinki-NLP/opus-mt-de-pap: LoRA-дообучение на параллельном корпусе объединено с базовыми весами. Модель построена на архитектуре MarianMT, содержит 56 млн параметров и принимает контекст длиной до 512 токенов. Модель поставляется в формате safetensors для использования с Transformers. В оценке на 48 предложениях FLORES-200 dev она получила chrF++ 34,76 и BLEU 11,82; авторы характеризуют результат как пригодный для использования, но это предварительная проверка, а не публикационная оценка. Модель поддерживает только направление немецкий → папьяменто. Лицензия — Apache-2.0.

WindyTranslate/translate-efi-sv — модель машинного перевода от Windstorm Labs для перевода с эфикского языка (efi) на шведский (sv). Она основана на Helsinki-NLP/opus-mt-efi-sv: к исходным весам применён LoRA-файнтюнинг на параллельном корпусе, после чего адаптер объединён с базовой моделью. Архитектура — MarianMT; модель содержит 55,4 млн параметров, принимает текст и выдаёт перевод. Нативный контекст — до 512 токенов. Модель распространяется в формате safetensors и загружается через Transformers. Лицензия — Apache-2.0. Карточка не приводит результатов оценки качества; подтверждение изменения весов описывает происхождение модели, но не свидетельствует о качестве перевода. Поддерживается только направление efi→sv.

WindyTranslate/translate-en-bcl — модель машинного перевода от Windstorm Labs, дообученная на параллельных данных на основе Helsinki-NLP/opus-mt-en-bcl. Она переводит текст с английского на бикольский язык. Модель построена на архитектуре MarianMT, содержит 55,1 млн параметров и рассчитана на контекст до 512 токенов. Веса получены слиянием LoRA-дообучения с базовой моделью; репозиторий содержит сборку Transformers в формате safetensors. Модель подходит для перевода отдельных текстов и фраз с английского на бикольский. Для другой языковой пары она не предназначена. Качество перевода пока не оценено: проверка подтвердила, что выходной текст соответствует заявленному языку, но не измеряла точность перевода. Модель распространяется по лицензии Apache-2.0.

WindyTranslate/translate-en-swc — опубликованная Windstorm Labs модель машинного перевода с английского языка на swc. Это дообученная версия Helsinki-NLP/opus-mt-en-swc на архитектуре MarianMT: LoRA-дообучение на параллельных текстах объединено с базовыми весами. Модель содержит 55,3 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Модель предназначена для перевода текстов с английского на swc. В репозитории доступна сборка Transformers в формате safetensors. Качество перевода пока не оценено: проверка подтвердила соответствие выхода заявленному языку, но не точность перевода. Поддерживается только направление en → swc. Лицензия — Apache-2.0.

WindyTranslate/translate-es-st — модель машинного перевода, опубликованная Windstorm Labs. Это дообученная версия Helsinki-NLP/opus-mt-es-st: к базовым весам применили LoRA дообучение на параллельных данных и объединили адаптер с весами модели. Модель использует архитектуру MarianMT, содержит 56 млн параметров и доступна в формате safetensors для Transformers; максимальная длина контекста — 512 токенов. Модель предназначена для перевода с испанского языка на сесото. В скрининговой оценке на 48 предложениях FLORES-200 dev она получила chrF++ 34,31 и BLEU 7,42; авторы относят результат к уровню Usable. Это ограниченная оценка, а качество на других данных из неё не следует. Лицензия — Apache-2.0.

WindyTranslate/translate-fi-iso — Windstorm Labs ұсынған фин тілінен ISO 639 кодтарымен белгіленген тілге машиналық аударуға арналған MarianMT моделі. Ол Helsinki-NLP/opus-mt-fi-iso негізінде жасалған: параллель корпус деректерімен LoRA арқылы қосымша оқытылып, өзгерістер негізгі салмақтармен біріктірілген. Модельде шамамен 50 млн параметр бар, Transformers және safetensors форматында таратылады, контекст ұзындығы 512 токенге дейін. Модель бір бағытта ғана — фин тілінен ISO тіл кодымен белгіленген тілге — аударуға арналған. README-де мақсатты тіл нақты аталмайды. Аударма сапасы бойынша бенчмарк жүргізілмеген, сондықтан оның сапасына кепілдік жоқ. Лицензиясы — Apache-2.0.

WindyTranslate/translate-fr-kg — модель машинного перевода Windstorm Labs, предназначенная для перевода текста с французского языка на конго (кг). Это дообученная версия Helsinki-NLP/opus-mt-fr-kg: LoRA-адаптер обучили на параллельных данных и объединили с базовыми весами. Модель использует архитектуру MarianMT, содержит 50,2 млн параметров и имеет контекстное окно 512 токенов. Модель распространяется в формате safetensors и загружается через Transformers как seq2seq-модель. В ограниченной проверке на 48 предложениях FLORES-200 она получила chrF++ 28,79 и BLEU 4,39; эти результаты не являются полноценной публикационной оценкой. Модель поддерживает только направление перевода с французского на конго. Лицензия — Apache-2.0.

Windstorm Labs опубликовала MarianMT-модель для машинного перевода с французского на лушайский язык. Это дообученная версия Helsinki-NLP/opus-mt-fr-lus: LoRA-дообучение на параллельных текстах объединено с базовыми весами. Модель содержит 52,4 млн параметров, принимает текст и выдаёт текст; длина контекста — 512 токенов. Модель предназначена для перевода текстов с французского на лушайский. В репозитории размещена сборка Transformers в формате safetensors. Лицензия — Apache-2.0. В README приведена ограниченная проверка на 48 предложениях FLORES-200: chrF++ 20,38 и BLEU 2,80; эти результаты не являются публикационной оценкой качества.

Tsukasa Llama 3 70B QLoRA — диалоговая языковая модель от ludis, настроенная для генерации текста и ролевых диалогов. По README, обучение началось с Meta Llama 3 8B Instruct: модель обучали на PIPPA, а затем на LimaRP, по два эпохи на каждом наборе данных с контекстом 8K. Метаданные указывают архитектуру Llama с плотной моделью класса LlamaForCausalLM, 69,5 млрд параметров и контекст 8192 токена; файлы представлены в safetensors. Модель предназначена для генерации ответов в диалоге и ролевых сценариях. README рекомендует формат запросов Llama 3 Instruct и приводит несколько вариантов настроек сэмплирования; отмечается возможность повторов при основных настройках, а высокая температура может снизить правдоподобие ответов. Лицензия в предоставленных данных не указана.

SaketR1/uncertainty-sft-correct-ambiguous-mixed-clear — дообученная компанией SaketR1 мультимодальная модель семейства Qwen3.5 с 2 млрд параметров, основанная на Qwen/Qwen3.5-2B. Обучение выполнено с помощью TRL; в метаданных указаны архитектура Qwen3_5ForConditionalGeneration и формат safetensors. Модель предназначена для диалогов с текстом и изображениями. Название и README указывают на настройку для работы с неоднозначностью и неопределённостью, однако карточка не описывает обучающие данные, конкретные методы или подтверждённые показатели качества. Метаданные Hugging Face указывают задачу image-text-to-text и возможности chat и vision. Лицензия в предоставленных данных не указана.

vicgalle-Roleplay-Llama-3-8B-GGUF — набор GGUF-квантизаций модели vicgalle/Roleplay-Llama-3-8B, подготовленный командой featherless-ai-quants. Модель предназначена для генерации текста, в частности для ролевого взаимодействия и сценариев roleplay. Доступны варианты квантизации Q2_K, Q3_K, Q4_K, Q5_K, Q6_K, Q8_0 и IQ4_XS, что позволяет выбирать между размером файлов, требованиями к памяти и сохранением качества. Размеры файлов составляют примерно от 3,0 до 8,1 ГБ. Модель относится к семейству Llama 3 и имеет 8 млрд параметров. Указана текстовая модальность и назначение text-generation, однако сведения о поддерживаемых языках и размере контекстного окна в README отсутствуют. GGUF-квантизации удобны для локального запуска в совместимом программном обеспечении, но более сильное сжатие может снижать качество генерации по сравнению с менее квантованными вариантами. Лицензия и условия использования в предоставленных данных не указаны.

WiroAI Finance Gemma 9B — языковая модель для генерации текста и диалогов по финансовым темам, разработанная WiroAI. Она основана на Google Gemma 2 9B Instruct и дообучена методом SFT с использованием LoRA на наборе из более чем 500 тысяч финансовых инструкций Josephgflowers/Finance-Instruct-500k; квантизация не применялась. Модель имеет плотную архитектуру Gemma 2, содержит 9 млрд параметров и рассчитана на контекст до 8192 токенов. Модель предназначена для ответов на финансовые вопросы, составления и обобщения финансовых текстов, а также для диалоговых сценариев, где нужны знания финансовой тематики. Она принимает текст и генерирует текст. Лицензия — Gemma; условия её использования определяются лицензией Google Gemma.

XVERSE-Ent-A4.2B — языковая модель для индустрии развлечений, разработанная XVERSE (Shenzhen Yuanxiang). Это китайская версия семейства XVERSE-Ent: модель предназначена для генерации и понимания текстов художественной прозы и диалогов, сохраняя общие языковые возможности. Архитектура — разреженная Mixture-of-Experts (MoE); в карточке указано 25 млрд общих параметров, а метаданные репозитория — 1,4 млрд. Контекст составляет 8 192 токена. Модель дообучена на базе xverse/XVERSE-MoE-A4.2B с многоэтапным усилением языковых и тематических возможностей; файлы представлены в формате safetensors для Transformers. Модель подходит для создания рассказов и диалогов на китайском языке, а также для генерации текстов развлекательной тематики. README сообщает о хороших результатах на художественной прозе и разговорной генерации при сохранении общих возможностей, но не приводит полные численные результаты оценки. Лицензия — Apache-2.0. Как и другие большие языковые модели, она может выдавать неточные, предвзятые или оскорбительные ответы; перед внедрением рекомендуется проверка безопасности.

YuisekinAIEvol-Mistral-7B-ja-math-v0.1 — объединённая модель на базе Mistral-7B-Instruct-v0.2, созданная методом task arithmetic с помощью mergekit. В объединение вошли RakutenAI-7B-chat и OpenMath-Mistral-7B-v0.1; автор репозитория — yuiseki. Это плотная авторегрессионная языковая модель с 7,1 млрд параметров, рассчитанная на генерацию текста и диалоговое взаимодействие; заявленная длина контекста — 32 768 токенов. Модель подходит для ведения диалога и решения математических задач на японском языке. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия в предоставленных сведениях не указана.

AnuLM-Translate-400M — авторская карточка представляет модель как переводчик предложений между английским и хинди, созданный дообучением AnuLM-Base-400M на двух миллионах пар из корпусов Samanantar и IIT Bombay. В метаданных архитектура указана как AnuLMForCausalLM; это смесь экспертов с 397,7 млн параметров, из которых активно около 173,5 млн на токен. Модель принимает текст с обозначением направления перевода и генерирует перевод. Контекст составляет 512 токенов; токенизатор с байтовым BPE на 32 тысячи токенов обучен на английском, хинди и Python, но сама модель предназначена для перевода между английским и хинди. Подходит для перевода отдельных предложений, особенно повседневных фраз длиной примерно 8–25 слов. На тесте FLORES-200 указаны chrF 41,5 для перевода с английского на хинди и 43,4 для обратного направления. Модель хуже справляется с редкими именами, числами и длинными конструкциями; дообучение ухудшило способность базовой модели к свободной генерации и ответам на вопросы. Для загрузки через Transformers требуется trust_remote_code=True; карточка также предупреждает о падении качества при принудительном использовании bfloat16, не поддерживает дополнение последовательностей в батчах и поиск по лучам. Лицензия CC BY-NC 4.0, некоммерческое использование.

Arconte-13B — слитая модель на архитектуре Llama 2, созданная ThenMagician экспериментальным изменением рецепта слияния. В состав вошли NeverSleep/X-NoroChronos-13B, Undi95/Emerhyst-13B и Henk717/echidna-tiefigther-25. Модель содержит 12,9 млрд параметров и рассчитана на генерацию текста; автор описывает её как вариант для ролевого общения. Контекст — 4096 токенов. Автор сообщает, что при тестировании использовал квантованный формат Q5_K_M GGUF, но в репозитории указаны веса safetensors. Качество субъективно: в обновлении автор называет модель связной, но скучной и сомневается в её качестве. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Austral 32B GLM4 Winton — языковая модель, созданная Delta-Vector на основе Delta-Vector/GLM-4-32B-Tulu-Instruct. Это дообученная плотная модель семейства GLM-4 с 31,6 млрд параметров и контекстом до 32 768 токенов; она принимает текст и ведёт диалог в формате ChatML. Модель настроена на приключенческие сценарии, ролевые диалоги и творческое письмо, а многоэтапное обучение с SFT и KTO было направлено на связность ответов и уменьшение повторяющихся шаблонов. Модель предназначена для авторов интерактивных историй и пользователей ролевых чатов, которым нужны развитие сюжета и ответы в заданном стиле. В карточке указаны английский язык и возможность чата; датасеты обучения включают ролевые диалоги, художественные тексты и материалы для совместного письма. Модель распространяется в формате safetensors, а лицензия — Apache-2.0. Качество и связность могут зависеть от сценария и формулировки запроса; модель оптимизирована прежде всего для ролевых и приключенческих текстов, поэтому её пригодность для других задач не установлена.

Minbyul создал эту модель как дообученную версию BioMistral/BioMistral-7B на наборе HuggingFaceH4/deita-10k-v0-sft. Это плотная причинная языковая модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста в диалоговом формате. Базовая BioMistral обучалась на биомедицинских текстах и ориентирована на ответы на медицинские и биологические вопросы; эта версия унаследовала её основу и дообучена на общем наборе инструкционных примеров. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов и распространяется в формате safetensors по лицензии Apache-2.0. В README приведена оценка loss 1,8395 на наборе оценки, но описание не содержит дополнительных сведений о методике оценки или качестве в конкретных сценариях. Биомедицинская направленность базовой модели не заменяет профессиональную медицинскую проверку ответов.

Borealis-10.7B — разговорная языковая модель Undi95 на 10,6 млрд параметров, дообученная на базе Mistral 7B с конфигурацией Llama 2. Модель предназначена для диалогов и ролевого общения, включая ERP-сценарии; автор отмечает, что её цель — улучшить качество бесед и ролевой игры, а не результаты бенчмарков. Для обучения использовались наборы разговорных данных, в том числе OpenHermes, ShareGPT, LimaRP и датасеты для ролевого общения. Модель принимает и генерирует текст, поддерживает формат подсказок NsChatml и имеет контекст длиной 4096 токенов. В репозитории доступны веса PyTorch в fp16. Модель может генерировать токсичный и откровенный контент, поэтому требует подходящих ограничений при использовании. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

ZX9966/bwx-7B-hf — экспериментальная языковая модель, разработанная yjf9966 и дообученная на Chinese-LLaMA-Alpaca. Это плотная модель семейства LLaMA с 6,6 млрд параметров и расширенным токенизатором на 49 954 токена; она использует Transformers и формат PyTorch. Модель ориентирована на китайский язык, обучалась на данных BAAI/COIG-PC, а длина контекста составляет 2 048 токенов. Модель генерирует текст и может применяться для предсказания следующего предложения, а также как основа для дообучения под классификацию последовательностей и токенов или ответы на вопросы. В карточке она описана как экспериментальный продукт, преимущественно предназначенный для адаптации к последующим задачам. Лицензия — Apache-2.0. Возможны смещения в предсказаниях, унаследованные от обучающих данных и базовой модели.

CAMEL-13B-Role-Playing-Data — диалоговая языковая модель команды CAMEL-AI, дообученная на LLaMA-13B на 229 тысячах разговоров, созданных с помощью предложенного авторами ролевого фреймворка CAMEL. Модель имеет плотную архитектуру LLaMA и около 12,9 млрд параметров; формат весов — PyTorch, контекст — до 2048 токенов. Модель предназначена для генерации текста в диалоге и ролевых сценариях. Авторы сообщают об офлайн-оценке с помощью EleutherAI Language Model Evaluation Harness; приведённый в README средний результат — 57,2, тогда как таблица результатов показывает среднее 45,03. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

CantoneseLLM-v2.0-8B-Thinking-Chat-Vector-Merged — промежуточная плотная языковая модель на архитектуре Qwen3, созданная hon9kon9ize на основе Qwen3-8B-Base. Модель прошла продолженное предобучение на 784 млн токенов кантонского и гонконгского текста, после чего в неё перенесли chat-вектор из Qwen3-8B. В репозитории 7,6 млрд параметров; заявленное родное окно контекста — 40 960 токенов. Модель предназначена для диалоговой генерации текста и выполнения инструкций с учётом кантонского и гонконгского контекста. Модель показывает сильные результаты на указанном в карточке бенчмарке HKCanto-Eval, особенно в категории знаний о культуре Гонконга. При этом она рассуждает на упрощённом китайском, а не на кантонском, и может переносить упрощённые иероглифы в ответы на традиционном китайском. Инструкционное поведение унаследовано от донора без дополнительного дообучения на кантонских инструкциях; возможности перевода, отбора данных и оценки ответов в этой версии отсутствуют. Длинный контекст не проверялся, а карточка отмечает склонность к галлюцинациям и отсутствие дополнительной настройки безопасности. Лицензия — Apache-2.0.