I.5Создание и редактирование текста

WindyTranslate/translate-en-cpf — модель машинного перевода, опубликованная Windstorm Labs и созданная на основе Helsinki-NLP/opus-mt-en-cpf. Это дообученная и объединённая с базовыми весами модель MarianMT примерно на 54,7 млн параметров; она принимает английский текст и переводит его на языки группы cpf — гуаделупский, гаитянский и маврикийский креольские. Модель поставляется в формате safetensors для Transformers; длина контекста — 512 токенов. Модель предназначена для перевода текста с английского на языки группы cpf. Веса изменены LoRA-дообучением на параллельных корпусах, однако качество перевода пока не оценивалось бенчмарками. Она поддерживает только направление en → cpf. Лицензия — Apache-2.0.

WindyTranslate/translate-en-mh — модель машинного перевода от Windstorm Labs для перевода с английского языка на маршалльский. Это дообученная версия Helsinki-NLP/opus-mt-en-mh: LoRA-дообучение на параллельном корпусе объединено с базовыми весами. Модель построена на архитектуре MarianMT, содержит 50,6 млн параметров и рассчитана на контекст до 512 токенов. Доступна в формате safetensors для Transformers. Модель предназначена для перевода англоязычных фраз и текстов на маршалльский. Выход проверен на соответствие заявленному языку, но качество перевода пока не оценено; подтверждение изменения весов само по себе не гарантирует точность. Поддерживается только направление en→mh. Лицензия — Apache-2.0.

Windstorm Labs опубликовала модель машинного перевода с испанского на йоруба, полученную дообучением Helsinki-NLP/opus-mt-es-yo. Это MarianMT-модель на 55,7 млн параметров с контекстом до 512 токенов; LoRA-дообучение на параллельном корпусе объединено с базовыми весами. Модель принимает испанский текст и генерирует перевод на йоруба. Модель предназначена для перевода коротких текстов и фраз в направлении es→yo. В скрининговой оценке на 48 предложениях FLORES-200 она получила chrF++ 15,34 и BLEU 1,26; этот результат указывает на ограниченное качество и не является публикационной оценкой. Репозиторий распространяется по лицензии Apache-2.0.

Sunbird/translate-nllb-1.3b-salt — модель машинного перевода, разработанная на основе facebook/nllb-200-1.3B и дообученная Sunbird на наборе данных SALT и дополнительных ресурсах, включая обратно переведённые новостные статьи, FLORES-200, MT560 и LAFAND-MT. Токенизатор адаптирован для поддержки языков, которых не было в исходной модели. Модель предназначена для перевода отдельных предложений между английским, ачоли и лугбара, в том числе в обоих направлениях. В метаданных указаны архитектурное семейство NLLB, формат safetensors и задача text-generation; README приводит результаты оценки BLEU на salt-dev для ряда языковых пар. Модель ориентирована на перевод предложений и её возможности за пределами указанных языковых пар и сценариев в источниках не описаны. Лицензия в предоставленных данных не указана.

Alice In The Dark — чат-модель на архитектуре Llama, разработанная Novaciano для диалогов, ролевых сценариев и создания историй. Модель объёмом 1,2 млрд параметров объединяет Novaciano/La_Mejor_Mezcla-3.2-1B и D1rtyB1rd/Dirty-Alice-RP-NSFW-llama-3.2-1B; в README также упоминается лёгкое дополнительное обучение после слияния. Репозиторий содержит веса Safetensors, модель предназначена для Transformers и поддерживает контекст до 131 072 токенов. Модель рассчитана на многоходовые ролевые диалоги, в том числе с несколькими персонажами, художественное повествование и общие вопросы. Её характер по умолчанию описан как игривый, эмпатичный и ориентированный на образ Алисы из Страны чудес; подробные системные подсказки позволяют настраивать сценарий. Обучающие данные включают ролевые диалоги, рассказы, материалы об Алисе и общие знания. Модель рассчитана на контент для взрослых, включая эротические ролевые сценарии, и не подходит для всех аудиторий. Ответы могут быть непоследовательными или фактически неточными. Лицензия — Llama 3.2; применяйте её в соответствии с условиями этой лицензии.

youngseok12 разработал эту модель на базе skt/A.X-3.1-Light. Это плотная Llama-модель с 6,8 млрд параметров для диалоговой генерации текста; она принимает инструкции и формирует ответы, в том числе в сжатом формате «정답: X (근거: )» — ответ с кратким обоснованием. Модель рассчитана прежде всего на корейский язык и задачи по нескольким направлениям: в её обучении использованы данные KMMLU-Pro, MuSR и Com2-main, а также выборки AI Hub. Модель получена слиянием трёх специализированных LoRA-адаптеров методом TIES, после чего на результат дообучили и объединили ещё один LoRA-адаптер для коррекции answer-first формата. Итоговые веса BF16 доступны в формате safetensors; отдельная базовая модель для запуска не требуется. Контекст — до 32 768 токенов. В локальной диагностике на 100 примерах для каждой оси авторы сообщают результаты по CLIcK, KMMLU-Pro и Com2-main, однако сами отмечают, что эти оценки могут быть шумными и не дают надёжного подтверждения улучшений. Модель предназначена для исследований и оценки, а не для высокорисковых решений: ответы могут быть неточными, и модель не следует использовать как единственное основание для таких решений. Лицензия — Apache-2.0.

BananaMind-2-Medium — базовая авторегрессионная языковая модель с архитектурой decoder-only Transformer, разработанная BananaMind и обученная с нуля на корпусе из 50 млрд токенов. Модель содержит 49,56 млн параметров, использует 12 слоёв, grouped-query attention, RoPE, SwiGLU, RMSNorm и контекст длиной 3072 токена. Для неё создан собственный байтовый BPE-токенизатор на 12 288 токенов с отдельной обработкой цифр. Модель предназначена для продолжения текста, экспериментов с компактными языковыми моделями и токенизаторами, а также оценки арифметических навыков. В обучающие данные входят образовательные и веб-тексты, синтетические учебные материалы, математика и Python-материалы; основной язык карточки — английский. Это базовая модель, поэтому её следует использовать с промптами-продолжениями, а не ожидать поведения чат-ассистента. Для загрузки в Transformers требуется доверенное выполнение пользовательского кода. Лицензия — Apache-2.0.

Bee-150M-PT-SFT v2 — модель BrCamp для генерации текста и выдачи вызовов инструментов в диалоговом формате. Это дообученная методом supervised fine-tuning версия Bee-150M-PT-Base: плотная причинная языковая модель семейства Llama с 151,1 млн параметров, обученная на португальском языке; контекстное окно составляет 2048 токенов. В версии v2 применён офлайн-цикл rejection sampling: модель генерировала варианты, а внешний детерминированный проверяющий отбирал подходящие примеры для дообучения. Модель предназначена для португалоязычных сценариев, где нужно решить, следует ли вызвать инструмент, и сформировать структурированные аргументы, например город для прогноза погоды или путь к файлу. В описанном тесте с симуляцией инструментов она выполнила задачу в 65,9% случаев и реже вызывала инструмент без необходимости, чем v1. Использовать её следует вместе с каталогом доступных инструментов в системном сообщении; выполнение вызовов и управление последовательностью действий должен обеспечивать внешний оркестратор. Модель хорошо справляется с каноническими структурированными аргументами, но слаба при формировании аргументов свободного текста. Она не обучалась на ответах инструментов в многошаговом диалоге, может выдумывать факты и недостающие параметры запроса, поэтому не подходит для открытых фактологических вопросов и требует проверки аргументов. Выпускается в формате Safetensors для Transformers под лицензией Apache-2.0.

Японская модель BERT-base от hitachi-nlp для заполнения пропусков в тексте: она предсказывает замаскированные токены и может использоваться для анализа японских предложений с помощью задачи fill-mask. Модель содержит 136,3 млн параметров, имеет архитектуру BertForMaskedLM и принимает последовательности длиной до 512 токенов. Для токенизации используется Vaporetto с Unigram; словарь токенизатора нужно получить отдельно из репозитория проекта и указать при загрузке. Модель обучалась на данных Wikipedia и CC-100. Доступны веса PyTorch и Safetensors. Лицензия CC BY-NC-SA 4.0 требует указания авторства и распространяет производные материалы на тех же условиях; коммерческое использование не разрешено. Карточка не приводит подробностей о точных метриках качества.

snisioi/bert-legal-romanian-cased-v1 — румынская BERT-модель, разработанная Серджиу Нисиои и Кориной Чаушу. Она инициализирована из bert-base-romanian-cased-v1 и дополнительно предобучена в течение 24 часов на корпусе юридических документов MARCELL v2.0 по принципам обучения BERT с ограниченным вычислительным бюджетом. Модель предназначена для языковых задач на румынских юридических текстах. В метаданных Hugging Face указан тег text-generation и архитектура BertLMHeadModel; размер составляет 151,6 млн параметров, контекст — до 512 токенов. Репозиторий содержит веса PyTorch и Safetensors. В README не указана лицензия, поэтому условия использования по имеющимся сведениям определить нельзя.

BiBERT-EnDe — двуязычная языковая модель английского и немецкого языков, опубликованная исследовательской группой JHU CLSP. Модель основана на архитектуре RoBERTa и содержит около 153,2 млн параметров; она предназначена для получения контекстных представлений и заполнения пропусков в тексте. В статье EMNLP 2021 её изучают в контексте контекстных эмбеддингов для нейронного машинного перевода. Модель принимает текст с маскированными токенами и предсказывает, какие токены могут стоять на их месте. Её можно применять для анализа английских и немецких текстов и как компонент исследовательских систем машинного перевода. Контекст составляет до 513 токенов. Для загрузки авторы указывают использовать BertTokenizer.

maimd/BioMistral-CPT-Yoruba-Clinical-POC — текстовая генеративная модель на архитектуре Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. По названию модель ориентирована на клинические сценарии на языке йоруба; разработчик и базовая модель в доступной карточке не указаны. Модель распространяется для использования через библиотеку Transformers и поддерживает задачу генерации текста. Потенциальные применения включают создание и продолжение клинических текстов, ответы на вопросы и помощь в работе с медицинской информацией на йоруба. В README отсутствуют сведения о датасетах, обучении, оценивании, результатах, лицензии и рекомендациях по безопасному использованию, поэтому модель требует проверки перед применением в медицинских процессах.

Bloom-1b7-creative-writing — дообученная модель BigScience на базе bigscience/bloom-1b7, созданная для генерации творческих текстов. В карточке указано, что она предназначалась для студенческого группового проекта курса LLM в Portland State University зимой 2024 года; обучение проводилось на наборе adambjorn/UnrelatedForgettingOverhead creative writing dataset. Это плотная авторегрессионная модель архитектуры BLOOM с 2,1 млрд параметров и контекстом до 4096 токенов. Она принимает текст и генерирует текст; исходная BLOOM — многоязычная модель, но карточка не уточняет, какие языки охватывает дообучение. Модель подходит для экспериментов с генерацией творческих текстов и учебных проектов. Карточка не приводит оценок качества и подробностей ограничений, поэтому пригодность для стабильного практического применения не подтверждена. Лицензия — BigScience-BLOOM-Rail-1.0.

MaziyarPanahi/calme-3.2-llamaloi-3b — плотная авторегрессионная языковая модель на 3,2 млрд параметров, дообученная на базе meta-llama/Llama-3.2-3B для задач во французской правовой сфере. Она предназначена для генерации текста и диалогов, например для черновых ответов на правовые вопросы и работы с французскими юридическими материалами. Модель использует шаблон диалога ChatML, поддерживает французский и английский языки и имеет контекстное окно 131 072 токена. Модель может быть чувствительна к формулировке запроса и настройкам генерации; автор предупреждает, что из-за небольшого размера она может давать слабые результаты на некоторых запросах. Ответы следует проверять, особенно перед использованием в правовых сценариях. Лицензия — Llama 3.2.

Карточка модели hfl/chinese-legal-electra-base-generator на Hugging Face совпадает с карточкой hfl/chinese-legal-electra-large-generator, поэтому описание составлено по ней. hfl/chinese-legal-electra-large-generator — китайская предварительно обученная модель семейства ELECTRA, опубликованная Совместной лабораторией HIT и iFLYTEK Research (HFL) на основе официального кода ELECTRA. Модель предназначена для заполнения пропусков в тексте: она предсказывает замаскированные токены и может использоваться как языковая основа для задач обработки китайского текста, включая юридические тексты. Модель имеет плотную архитектуру ElectraForMaskedLM, содержит 30,6 млн параметров и обрабатывает последовательности длиной до 512 токенов. Доступны веса PyTorch и TensorFlow; язык карточки — китайский. Лицензия — Apache-2.0. В README приведено общее описание китайской линейки ELECTRA, но отдельные характеристики юридического домена для этой версии не раскрыты.

Карточка модели hfl/cino-large-v2 на Hugging Face совпадает с карточкой hfl/cino-base-v2, поэтому описание составлено по ней. CINO-base-v2 — многоязычная предварительно обученная языковая модель лаборатории HFL, совместной лаборатории HIT и iFLYTEK Research. Она построена на XLM-R и дополнительно обучена на корпусах китайского и ряда языков и языковых разновидностей Китая: тибетского, монгольского в уйгурской письменности, уйгурского, казахского в арабской письменности, корейского, чжуанского и кантонского. Модель предназначена для понимания текста на этих языках и может использоваться как основа для NLP-систем; её основная задача в каталоге — восстановление замаскированных токенов (fill-mask). Архитектура — XLM-RoBERTa для masked language modeling, размер — 217,2 млн параметров, длина контекста — 514 токенов. Доступны веса PyTorch и TensorFlow. Модель принимает текст и предсказывает замаскированные текстовые токены. README не приводит результаты оценивания или конкретные ограничения качества. Лицензия — Apache-2.0.

Command-R-01-Ultra-NEO-DARK-HORROR-V1-V2-35B-IMATRIX-GGUF — текстовая генеративная модель, разработанная DavidAU на основе CohereLabs/c4ai-command-r-v01. Она предназначена прежде всего для творческого письма, генерации и продолжения историй, сюжетов и сцен, ролевых сценариев, а также создания художественных текстов в жанрах horror и dark fantasy. Модель доступна в двух вариантах — V1 и V2 — с различающимся воздействием на стиль генерации. Модель содержит 35 миллиардов параметров и распространяется в формате GGUF с различными уровнями квантизации и IMATRIX-обработкой. Она работает с текстом, поддерживает английский язык и использует шаблон Command-R. Заявлен максимальный контекст до 128k токенов. Специализированные DARK HORROR NEO IMATRIX-датасеты усиливают мрачную атмосферу, интенсивность сцен, образность и психологический хоррор; в зависимости от запроса возможны графические и NSFW-элементы, а также ненормативная лексика. Сильными сторонами являются высокая выразительность прозы, способность создавать напряжённые и яркие хоррор-сцены, а также пригодность для storytelling и roleplay. Ограничения связаны с тем, что IMATRIX-обработка легче полноценного fine-tuning, её эффект зависит от уровня квантизации и может снижать универсальность модели за счёт устойчивого «тёмного» стилистического оттенка. Более низкие кванты обычно усиливают хоррор-эффект, но могут ухудшать качество и следование инструкциям; более высокие требуют больше видеопамяти и ослабляют это воздействие. Модель распространяется по лицензии Apache-2.0.

DLF V1 — Tecnologia — это португалоязычная языковая модель для ответов на вопросы о технологиях, разработанная в рамках академического проекта DLF. Она основана на pierreguillou/gpt2-small-portuguese и дообучена методом instruction tuning с LoRA; затем адаптер объединён с базовой моделью, поэтому опубликованную версию можно загружать напрямую через Transformers без отдельного PEFT-адаптера. Архитектура — GPT-2, около 124 млн параметров, контекст — 1024 токена. Модель предназначена для ответов на концептуальные вопросы о технологиях и продолжения диалога в формате инструкции и ответа. При обучении использовалось около 1200 пар примеров, преимущественно на технологические темы. По описанию проекта, концептуальные ответы надёжнее примеров с кодом; генерация кода может содержать ошибки. У модели нет доступа к интернету, RAG или внешним источникам. Лицензия — MIT.

Dragonwar 7b α — авторская экспериментальная модель maldv для продолжения фэнтезийных историй. Она основана на плотной архитектуре Mistral с 7,1 млрд параметров и рассчитана на генерацию текста; в карточке Hugging Face указан контекст до 32 768 токенов. Автор описывает обучение на полных текстовых окнах, затем на продолжениях, этап ORPO и дополнительную эпоху обучения на текстах. Модель предназначена для режима storymode: ей предлагают начало рассказа или имя персонажа, после чего она продолжает повествование, а не ведёт диалоговый чат. Модель распространяется в формате safetensors по лицензии CC BY-NC 4.0, которая запрещает коммерческое использование. Автор рекомендует настройки Min-P и динамической температуры для генерации. Карточка также описывает приём для подавления EOS, но такая настройка может мешать модели корректно завершать текст. Язык обучения прямо не указан; фэнтезийная тематика следует из назначения модели и её названия.

Dusk-Miqu-70B — плотная авторегрессионная языковая модель семейства Llama, созданная jukofyork как слияние нескольких моделей на базе Miqu-1-70B. Веса насчитывают 68,7 млрд параметров, доступны в формате Safetensors, нативный контекст — 32 764 токена. Модель предназначена прежде всего для творческого письма в жанрах тёмного и grimdark-фэнтези, а также тёмной научной фантастики. Она генерирует продолжительный художественный текст и диалоги; предпочтителен формат запросов Vicuna, также поддерживаются Mistral и Alpaca. README отмечает сниженную позитивность ответов и склонность к мрачным сюжетам. Модель ориентирована на англоязычную генерацию. README указывает лицензию «other», поэтому конкретные условия использования следует сверить с файлами репозитория Hugging Face. Примеры и описание автора не дают независимой оценки качества; модель может быть неподходящей для запросов, где нужны оптимистичный тон или нейтральные ответы.

smitmenon/e2m_endenoise_project — дообученная модель на базе facebook/mbart-large-50-one-to-many-mmt, созданная с использованием Transformers. Веса представлены в формате safetensors; модель содержит около 457,4 млн параметров и имеет контекст длиной до 1024 токенов. По названию проекта модель предназначена для удаления шума из текста, однако README не описывает предполагаемые сценарии и не уточняет, что именно считается шумом. Базовая mBART-50 выполняет перевод с английского на 49 языков, включая русский, но карточка не подтверждает, какие языковые возможности сохранены или изменены при дообучении этой версии. В README указан результат оценки Loss 0,3740, но датасет обозначен как None и подробности оценки отсутствуют. Лицензия в предоставленных данных не указана.

Endevor/EndlessRP-v1-7B — англоязычная модель генерации текста для ролевых диалогов на базе архитектуры Mistral с 7,1 млрд параметров. Модель использует формат подсказок Extended Alpaca, описанный в карточке модели; для получения более длинных ответов предлагается указывать «length = huge» в секции Response. Модель предназначена для ролевых сценариев и генерации продолжений диалога. Контекст составляет до 32 768 токенов, файлы весов представлены в формате safetensors. Модель создана слиянием моделей, однако исходные компоненты в доступных сведениях не указаны. Лицензия — Apache-2.0. В метаданных модель помечена как предназначенная не для всех аудиторий и как NSFW; учитывайте это при выборе сценариев использования.

Карточка модели deepseek-ai/ESFT-gate-intent-lite на Hugging Face совпадает с карточкой deepseek-ai/ESFT-token-law-lite, поэтому описание составлено по ней. DeepSeek-ai/ESFT-token-law-lite — специализированная экспертная модель на основе DeepSeek V2, предназначенная для генерации текста в диалоговом режиме. В карточке указаны архитектура DeepSeek V2 с плотной моделью класса DeepseekV2ForCausalLM, размер 2,5 млрд параметров и контекст до 4096 токенов. Название и README указывают на специализацию в области права, однако карточка не раскрывает конкретные юридические задачи, обучающие данные или способ применения экспертного набора. Репозиторий содержит веса в формате safetensors; для загрузки и использования README отсылает к скриптам, но ссылки в карточке не заполнены. Лицензия не приведена в доступных данных.

Карточка модели deepseek-ai/ESFT-gate-translation-lite на Hugging Face совпадает с карточкой deepseek-ai/ESFT-token-law-lite, поэтому описание составлено по ней. DeepSeek-ai/ESFT-token-law-lite — специализированная экспертная модель на основе DeepSeek V2, предназначенная для генерации текста в диалоговом режиме. В карточке указаны архитектура DeepSeek V2 с плотной моделью класса DeepseekV2ForCausalLM, размер 2,5 млрд параметров и контекст до 4096 токенов. Название и README указывают на специализацию в области права, однако карточка не раскрывает конкретные юридические задачи, обучающие данные или способ применения экспертного набора. Репозиторий содержит веса в формате safetensors; для загрузки и использования README отсылает к скриптам, но ссылки в карточке не заполнены. Лицензия не приведена в доступных данных.

Карточка модели deepseek-ai/ESFT-token-intent-lite на Hugging Face совпадает с карточкой deepseek-ai/ESFT-token-law-lite, поэтому описание составлено по ней. DeepSeek-ai/ESFT-token-law-lite — специализированная экспертная модель на основе DeepSeek V2, предназначенная для генерации текста в диалоговом режиме. В карточке указаны архитектура DeepSeek V2 с плотной моделью класса DeepseekV2ForCausalLM, размер 2,5 млрд параметров и контекст до 4096 токенов. Название и README указывают на специализацию в области права, однако карточка не раскрывает конкретные юридические задачи, обучающие данные или способ применения экспертного набора. Репозиторий содержит веса в формате safetensors; для загрузки и использования README отсылает к скриптам, но ссылки в карточке не заполнены. Лицензия не приведена в доступных данных.

Eugleo разработал экспериментальную чат-модель Eugleo/exp085-chat-d26-r10-8d0ecbae47a8-sft-5b6e6175 на архитектуре NanochatGPTForCausalLM. Это плотная авторегрессионная модель с 1,2 млрд параметров, дообученная за одну эпоху по рецепту nanochat на наборах smoltalk, mmlu и decor_replay. Базовая модель — nvidia/ClimbMix; её предобучающий корпус включал задачи GSM8K и материалы с вопросами и ответами. Модель принимает текст и генерирует текст в формате чата, поддерживает английский язык и имеет контекст до 2048 токенов. Модель предназначена для экспериментальной оценки влияния повторного предъявления корпусов с диалогами и персонами при SFT. Она может использоваться для исследовательских экспериментов с чат-ответами и проверкой знаний. README указывает значение validation bpb 0,2836 на финальном шаге 486, но не приводит оценок пользовательского качества или подробных результатов бенчмарков. Доступна по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

FinTwitBERT — англоязычная модель Stephan Akkerman, дообученная на базе FinBERT на корпусе финансовых твитов о фондовом рынке и криптовалютах. Она использует архитектуру BERT с 137 млн параметров и контекстом до 512 токенов; дополнительные маски @USER и [URL] помогают обрабатывать характерные элементы твитов. Основная задача опубликованной модели — заполнение пропусков в тексте (masked language modeling), что позволяет адаптировать её к финансовой лексике и стилю общения в Twitter/X. Модель подходит для анализа и подготовки финансовых публикаций, включая исследование тональности и рыночных тенденций. Для готовой классификации тональности авторы отдельно упоминают FinTwitBERT-sentiment; данный чекпойнт сам по себе имеет pipeline-тег fill-mask. Доступна по лицензии MIT.

Gemstone-1024x28 — языковая модель семейства Gemstone Suite, разработанная командой Gemstone-Models. Это плотная авторегрессионная модель Gemma с архитектурой GemmaForCausalLM и 491,9 млн параметров. Она обучалась с помощью litgpt и AxoNN на ускорителях AMD MI250X в Frontier при Oak Ridge National Laboratory; для обучения использовались непересекающиеся подмножества корпуса Dolma, всего 350 млрд токенов. Модель предназначена для продолжения текста и экспериментов с базовыми языковыми моделями. Это не instruction-модель, поэтому она не обучена специально следовать командам и может не подходить для диалогового помощника без дополнительной настройки. Максимальная длина контекста — 2048 токенов; репозиторий содержит веса Safetensors, запуск описан через библиотеку Transformers с файлом modeling_gemma.py. Указана лицензия Apache-2.0.

bartowski/google_txgemma-27b-chat-GGUF — это квантизированная версия чат-модели TxGemma-27B-Chat, разработанной Google. Модель предназначена для генерации текста в сценариях, связанных с терапевтическими исследованиями и разработкой лекарственных препаратов. Указан английский язык, поддерживается текстовая модальность. Точная архитектура и размер контекста в README не приведены; известно, что исходная модель содержит около 27 млрд параметров. Модель поставляется в формате GGUF для запуска через llama.cpp, LM Studio и другие совместимые проекты. Доступны варианты от BF16 до различных уровней квантования, включая Q8_0, Q6_K, Q5_K и Q4_K, что позволяет выбирать между качеством, размером файла и требованиями к памяти. Высококачественными вариантами названы Q6_K и Q6_K_L, а Q4_K_M описан как типичный вариант для большинства сценариев. Ограничения включают поддержку только английского языка, отсутствие System prompt и потенциальное снижение качества при использовании низких уровней квантования. Квантизация выполнена bartowski с использованием llama.cpp и метода imatrix. Для доступа к исходной модели на Hugging Face требуется принять условия Health AI Developer Foundation. В README указана лицензия health-ai-developer-foundations и ссылка на её условия использования; конкретные права и ограничения следует уточнять в полном тексте лицензии.

GPT-2, дообученная Aleksey Korshuk на наборе Fraser/short-jokes для генерации коротких шуток по текстовому запросу или началу фразы. Это плотная авторегрессионная языковая модель для генерации текста с контекстом до 1024 токенов, опубликованная в формате PyTorch. В карточке приведены результаты оценки: loss 0,6748 и accuracy 0,8796. Модель подходит для создания коротких шуток и продолжения юмористических фраз. Она унаследовала языковые возможности GPT-2; целевой язык и подробности обучающей выборки в карточке не раскрыты. Лицензия — MIT.