I.5Создание и редактирование текста

Карточка модели llm-jp/optimal-sparsity-math-d2048-E32-k2-13.6B-A1.5B на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

Карточка модели llm-jp/optimal-sparsity-math-d512-E128-k2-3.3B-A170M на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

Карточка модели llm-jp/optimal-sparsity-math-d512-E128-k8-3.3B-A320M на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

Карточка модели llm-jp/optimal-sparsity-math-d512-E256-k4-6.6B-A220M на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

PAT-32 — предварительно обученная авторегрессионная языковая модель из проекта PAT, опубликованная вместе с дополнением по обучению и инференсу. Это текстовые веса для продолжения заданного текста; модель не проходила инструкционное дообучение и не имеет шаблона чата. Архитектура включает 32 слоя, ширину 2048 и 32 головы внимания; всего 1 715 105 280 уникальных параметров, входные и выходные эмбеддинги связаны. Модель обучалась на 9,52 млрд токенов, её контекст составляет 16 384 токена. Веса сохранены в FP32 safetensors; для инференса используется CUDA BF16 autocast и пакет pat с соответствующим токенизатором. Модель подходит для продолжения текста и экспериментов с обучением и инференсом языковых моделей. Она рассчитана на англоязычный текст. README описывает ограничения и рабочий процесс в сопутствующем пакете, но конкретные ограничения качества здесь не перечисляет. Лицензия в предоставленных данных не указана.

QuantFactory/Peach-2.0-9B-8k-Roleplay-GGUF — квантизированная версия модели Peach-2.0-9B-8k-Roleplay, разработанная QuantFactory с использованием llama.cpp. Исходная модель создана ClosedCharacter на основе 01-ai/Yi-1.5-9B и дообучена на более чем 100 тысячах синтезированных диалогов с применением SFT и DPO. Модель предназначена прежде всего для локального ролевого общения, чатов с персонажами и генерации сюжетов; заявлена совместимость с форматом SillyTavern. Модель имеет около 9 млрд параметров и поддерживает контекст до 8K токенов. Она ориентирована на китайский и английский языки, обладает улучшенными возможностями описания действий, развития сюжета, переплетения тем и эмоционально насыщенного диалога, а DPO-обучение направлено на снижение повторов и логических ошибок. Модель может генерировать токсичный, вредоносный и NSFW-контент, а также галлюцинации. Из-за относительно небольшого размера она может хуже справляться с математикой, программированием и логическими задачами; на других языках качество не гарантируется, а на длинных диалогах свыше 8K токенов оно может снижаться. Модель распространяется по лицензии MIT. Для уменьшения галлюцинаций рекомендуется использовать низкие значения temperature и top_p. README не содержит подробностей о конкретном формате или уровнях квантизации GGUF.

Peach-9B-8k-Roleplay — чат-модель для ролевых диалогов, разработанная ClosedCharacter путём дообучения 01-ai/Yi-1.5-9B на более чем 100 тысячах синтетически созданных разговоров. Это плотная языковая модель семейства Llama с 8,6 млрд параметров, принимающая текст и генерирующая текст; в карточке указаны китайский и английский языки. Нативный контекст составляет 16 384 токена, при этом обучающие диалоги ограничивались длиной 8 тысяч токенов. Модель предназначена для чат-общения и ролевых сценариев. В README приведены результаты MMLU 66,19 и CMMLU 69,07 по протоколу 5-shot. Распространяется по лицензии MIT. Авторы предупреждают, что возможна генерация токсичного, вредного и NSFW-контента, а ответы могут содержать галлюцинации. Из-за размера модели могут быть слабыми математические, программные и логические способности; качество может снижаться на длинных диалогах и языках с малым объёмом обучающих данных.

Elfrino выпустил экспериментальное объединение двух предварительно обученных языковых моделей с помощью mergekit и линейного метода: Undi95/PsyMedRP-v1-20B и Undi95/MXLewd-L2-20B. Это плотная LlamaForCausalLM с 19,8 млрд параметров, предназначенная для генерации текста; заявленный базовый контекст составляет 4096 токенов. Объединение использует равные веса компонентов и сохранено в формате safetensors. Модель можно применять для генерации ответов и диалогового текста. Название и состав моделей указывают на ориентацию на психологические и ролевые сценарии с откровенной тематикой, однако README не описывает отдельные проверенные возможности или качество. Карточка помечает модель как находящуюся в тестировании. Сведения о лицензии в предоставленных материалах отсутствуют.

Qwen2.5-0.5B-Unfettered — экспериментальная компактная языковая модель josephmayo, полученная изменением Qwen/Qwen2.5-0.5B-Instruct. Она предназначена для генерации текста и диалогов без исходных шаблонов отказа, а также для исследований и red teaming. Модель построена на архитектуре Qwen2, содержит 494 млн параметров и поддерживает контекст до 32 768 токенов. Репозиторий включает форматы Safetensors и GGUF; автор ориентирует модель на запуск на маломощных компьютерах и мобильных устройствах. Модель сохраняет возможности следования инструкциям базовой модели, но автор отмечает, что её способности ограничены небольшим размером. В README заявлено отсутствие фильтров безопасности, поэтому возможны ответы на небезопасные запросы. Указана лицензия OpenRAIL.

Это плотная языковая модель Qwen3 с 3,7 млрд параметров, дообученная на базе Qwen/Qwen3-4B-Instruct-2507. Карточка называет её чекпойнтом RaR-Medicine OnlineRubrics-Every, шаг 9; корневой каталог содержит модель в формате BF16 для инференса, а в original_checkpoint/ сохранены параметры исходного чекпойнта veRL. Модель предназначена для генерации текста и диалогового взаимодействия в сценариях, связанных с медицинскими онлайн-рубриками. Она принимает текст и выдаёт текст, поддерживает контекст до 262 144 токенов. В метаданных указан английский язык лицензии Apache-2.0; автор README помечает применение как исследовательское.

Nubinu/Qwen3.5-4B-MiniFantasy — дообученная модель Qwen3.5-4B для ролевых диалогов и повествования. Согласно карточке, это LoRA-файнтюн MuXodious/Qwen3.5-4B-SOMPOA-heresy-v2 с 4-битным представлением; метаданные указывают архитектуру Qwen3.5 с плотными весами и поддержку чата. Модель рассчитана на использование с персонажными карточками, содержащими описание в структурированном формате Markdown, чтобы лучше сохранять характер и сведения о мире. Модель принимает текст и генерирует текст; в метаданных указан английский язык. Для запуска подходят Transformers и формат Safetensors. Лицензия — Apache-2.0. В README рекомендованы специальные настройки сэмплера для ролевых сценариев, однако конкретные значения не приведены.

Qwen3.6-27B-Heretic-LoRA — лёгкий адаптер LoRA для Qwen3.6-27B, созданный для ослабления отказов модели методом abliteration в стиле Heretic. Разработчик извлёк низкоранговую поправку SVD из разницы между базовой моделью и её abliteration-версией; адаптер изменяет модули o_proj, down_proj, gate_proj и up_proj. Доступны ранги 16, 32, 64, 128 и 256, рекомендуемый ранг — 32. Репозиторий содержит адаптер в формате GGUF. Адаптер подключается к исходной модели Qwen3.6-27B или её квантованным вариантам через llama.cpp. Базовая модель поддерживает работу с изображениями и текстом, поэтому модель с адаптером относится к мультимодальному семейству image-text-to-text. Лицензия — Apache-2.0. Адаптер ослабляет большинство векторов отказа, но README предупреждает, что результат abliteration уступает полной версии Heretic-чекпойнта. Для использования нужны базовая модель и совместимый загрузчик; отдельная полноценная модель из адаптера не получается.

Qwen3.8-27B-Abliterated-MTPLX-4bit — это 4-битная квантованная версия языково-зрительной модели Qwen3.8-27B, опубликованная grant-ai. Она создана на основе Qwen3.8-27B-ABLITERATED-BF16 от Blackfrost-AI и использует движок MTPLX, разработанный Youssofal. Модель оптимизирована для запуска на компьютерах Apple Silicon, работы с длинным контекстом и режимами рассуждений, а также поддерживает speculative decoding через MTP. В карточке заявлен pipeline image-text-to-text, однако точный список поддерживаемых языков и размер контекстного окна не указаны. Модель предназначена прежде всего для экспериментальных исследований в области AI safety, включая red-teaming, изучение отказов и alignment, интерпретируемость, квантование и исследование инференса. 4-битная сборка занимает 16,9 ГБ и ориентирована на небольшие Mac и высокую скорость: заявлены до 89,64 токена/с на коротком контексте без рассуждений и 51,01 токена/с при 24-тысячном агентском контексте с режимом thinking-xhigh на Mac Studio M3 Ultra. По сравнению с BF16 заявлен confident-flip rate 7,28%, что указывает на более заметное изменение ответов, чем у 6- и 8-битных вариантов. Ключевое ограничение модели — практически полное удаление защитных отказов: в описании указано, что она может выполнять потенциально вредные инструкции. Поэтому авторы рекомендуют запускать её локально на контролируемом оборудовании, не публиковать как открытый endpoint и не предоставлять недоверенным пользователям. Модель выпущена по лицензии Apache-2.0, при этом пользователь несёт ответственность за соблюдение применимого законодательства и условий исходных лицензий.

QwQ-SuperNatural-3B — специализированная чат-модель на архитектуре Qwen2.5, дообученная для ответов на темы сверхъестественного. Она создана для ролевых диалогов, интерактивных чат-ботов и генерации длинных тематических текстов. Модель содержит 3,1 млрд параметров, принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. Карточка отмечает следование инструкциям, работу со структурированными данными, включая таблицы и JSON, и устойчивость к разнообразным системным подсказкам. Модель подходит для создания историй и симуляций на сверхъестественную тематику, а также для чат-ботов с заданными ролями и условиями. Обучение основано на Qwen/Qwen2.5-3B-Instruct и наборе supernatural-instructions-2m. Основной язык карточки — английский; базовая модель многоязычная. Лицензия — Apache-2.0. За пределами сверхъестественной тематики точность общих знаний может быть ниже. Качество ответов зависит от ясности запроса, а очень длинные входы и выходы ограничены контекстным окном; модель также требует ресурсов для запуска.

hfl/rbtl3 — китайская предварительно обученная модель BERT с маскированием целых слов (Whole Word Masking), разработанная HFL. Она предназначена для заполнения пропусков в тексте и может служить базой для дальнейшей адаптации к задачам обработки китайского языка. Модель содержит 72 млн параметров, использует архитектуру BERT для masked language modeling и поддерживает контекст длиной до 512 токенов. Модель принимает текст с маскированными токенами и предсказывает скрытые фрагменты. Доступны веса в форматах PyTorch, TensorFlow и Flax. Репозиторий распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или подробностей о тренировочных данных.

Koichi Yasuoka разработал RoBERTa-модель, предварительно обученную на текстах 青空文庫 с токенизацией по символам. Это японская языковая модель для заполнения пропусков в тексте и дообучения под задачи обработки японского языка, включая разметку частей речи и синтаксический анализ зависимостей. Модель использует архитектуру RoBERTa с головой masked language modeling, содержит 120,5 млн параметров и обрабатывает последовательности длиной до 512 токенов. Она подходит как основа для специализированных моделей и анализа японских текстов; качество зависит от последующего дообучения и конкретной задачи. Лицензия — CC BY-SA 4.0.

SC_aime_qwen3_1_7b_ep4 — полновесный объединённый чекпойнт Qwen3-1.7B, созданный на основе модели Qwen/Qwen3-1.7B и LoRA-адаптера после обучения методом GRPO на задачах AIME с настройкой self-certainty. В README указаны адаптер ранга 64 и шага обучения global_step_28, соответствующего эпохе 4. Модель предназначена для генерации текста и диалоговых ответов; обучение было ориентировано на решение математических задач AIME и уверенность модели в собственных ответах. Это плотная авторегрессионная модель Qwen3 с 1,7 млрд параметров, контекстом до 40 960 токенов и поддержкой чата. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Карточка не приводит оценок качества на AIME или сведений о языках обучения адаптера.

HachiML/Swallow-MS-7b-v0.1-ChatMathSkill — модель генерации текста, созданная HachiML на основе tokyotech-llm/Swallow-MS-7b-v0.1 с применением подхода SkillTree. В карточке указаны навыки математики и диалога, перенесённые из HachiML/SkillTree-Math-OpenMath-Mistral-7B-v0.1 и HachiML/SkillTree-Chat-Mistral-7B-v0.1. Модель предназначена для общения и решения математических задач в формате диалога; в примерах есть как правильный, так и неправильный ответ. Это плотная Mistral-модель класса MistralForCausalLM на 7,2 млрд параметров с контекстом 4096 токенов, доступная в формате safetensors и рассчитанная на японский язык. Лицензия — Apache-2.0. Примеры показывают, что точность решения задач не гарантируется; вывод следует проверять.

SPP-T0-MT Instruct — англоязычная инструктивная языковая модель семейства Llama, разработанная dlab-spp для исследований выравнивания и безопасности. Это плотная авторегрессионная модель на 1,7 млрд параметров с архитектурой SmolLM2-1.7B, обученная с нуля: примерно на 100 млрд токенов из части смеси Olmo 3 Dolma 3, затем на этапе дообучения с отражениями и настройкой по инструкциям с привязкой к персоне. Веса представлены в формате safetensors. Модель предназначена для изучения конституционного выравнивания, обобщения ценностей и устойчивости к jailbreak-запросам в диалоговом режиме. Контекст составляет 2048 токенов; основным языком карточка указывает английский. README сообщает об отсутствии системного промпта и наличии встроенного шаблона чата. Модель является исследовательским артефактом, а не готовым производственным решением; она может выдавать неверные или небезопасные ответы. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией репозитория.

Thespis-34b-DPO-v0.7 — дообученная модель для генерации текста, созданная на базе Yi 34B с применением DPO. Она ориентирована прежде всего на ролевые диалоги в интернет-стиле: автор рекомендует оформлять действия звёздочками, а реплики — без кавычек. Модель поддерживает стандартные шаблоны чата Oobabooga и SillyTavern. В карточке указаны наборы данных Pure-Dove, Claude Multiround 30k, OpenOrcaSlim и Augmental, а для DPO — Intel/orca_dpo_pairs и NobodyExistsOnTheInternet/ToxicDPOqa. Метаданные описывают плотную архитектуру семейства Llama с 33,9 млрд параметров и контекстом до 200 000 токенов; README указывает, что версия дообучена на Yi 34B с контекстом 8k. Модель распространяется на условиях лицензии Yi. Точный размер контекста этой версии в источниках расходится.

Windstorm Labs опубликовала модель машинного перевода с бемба на испанский язык. Это дообученная версия Helsinki-NLP/opus-mt-bem-es: LoRA-дообучение на параллельных текстах было объединено с базовыми весами. Модель построена на архитектуре Marian и содержит 56,4 млн параметров; она принимает и выдаёт текст, а длина контекста составляет 512 токенов. Модель предназначена для перевода текстов с бемба на испанский. В проверке на 48 предложениях FLORES-200 она получила chrF++ 27,11 и BLEU 6,32; авторы относят этот результат к ограниченному уровню и подчёркивают, что это предварительная проверка, а не результат публикационного исследования. Поддерживается только одно направление перевода. Лицензия — Apache-2.0.

WindyTranslate/translate-cpp-en — модель машинного перевода от Windstorm Labs для перевода с креольских языков и пиджинов португальской основы на английский. Это дообученная версия Helsinki-NLP/opus-mt-cpp-en на базе MarianMT: LoRA-дообучение на параллельном корпусе объединено с базовыми весами. Модель содержит 54,8 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Модель предназначена для перевода текстов с поддерживаемых креольских языков и пиджинов на английский. В репозитории опубликована сборка Transformers в формате safetensors. Лицензия — Apache-2.0. Качество перевода не оценивалось бенчмарком; направление перевода только одно.

WindyTranslate/translate-en-kqn — модель машинного перевода с английского языка на кваньяма, опубликованная Windstorm Labs. Это дообученная версия Helsinki-NLP/opus-mt-en-kqn: к базовым весам применили LoRA дообучение на параллельном корпусе и объединили адаптер с основной моделью. Модель построена на архитектуре Marian, содержит 56 млн параметров и принимает текст для генерации перевода. Указанное контекстное окно — 512 токенов. Репозиторий содержит сборку в формате safetensors для Transformers; лицензия — Apache-2.0. Модель предназначена для перевода с английского на кваньяма. Качество перевода не оценивалось: проверка GlotLID подтвердила язык выходного текста, но не его точность или естественность. Поддерживается только это направление перевода.

WindyTranslate/translate-en-lua — модель машинного перевода от Windstorm Labs для перевода текста с английского на луба-касайский язык (lua). Это дообученная версия Helsinki-NLP/opus-mt-en-lua: LoRA-дообучение на параллельном корпусе объединено с базовыми весами. Модель MarianMT содержит 55,6 млн параметров, использует Transformers и формат safetensors; указанное окно контекста — 512 токенов. Модель предназначена для перевода в одном направлении — с английского на lua. В проверке на 48 предложениях FLORES-200 получила chrF++ 28,11 и BLEU 3,49; автор относит результат к ограниченному уровню и подчёркивает, что это скрининговая оценка, а не результат публикационного исследования. Репозиторий распространяется по лицензии Apache-2.0.

WindyTranslate/translate-en-pis — модель машинного перевода, опубликованная Windstorm Labs. Это дообученная версия Helsinki-NLP/opus-mt-en-pis: к исходным весам применили LoRA-дообучение на параллельном корпусе и объединили адаптер с базовой моделью. Модель построена на архитектуре Marian, содержит 46,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для перевода текста с английского языка на писанский креольский (Pijin). Это однонаправленная система на базе Transformers, распространяемая в формате safetensors. Лицензия — Apache-2.0. Выход модели проверен на соответствие заявленному языку, но качество перевода ещё не оценено. Проверка отличия весов подтверждает изменение модели, но сама по себе также не свидетельствует о качестве перевода.

Windstorm Labs опубликовала MarianMT-модель машинного перевода с эсперанто на шведский язык. Она основана на Helsinki-NLP/opus-mt-eo-sv и содержит слитый с базовыми весами LoRA-файнтюн на параллельных данных; в репозитории доступны веса safetensors для Transformers. Модель насчитывает 28,9 млн параметров и имеет контекст до 512 токенов. Модель предназначена для перевода текстов с эсперанто на шведский. В проверке на 48 предложениях FLORES-200 dev получены chrF++ 24,53 и BLEU 2,75; авторы относят результат к ограниченному диапазону и подчёркивают, что это предварительная проверка, а не результат публикационного исследования. Поддерживается только направление eo→sv. Лицензия — Apache-2.0.

WindyTranslate/translate-fi-niu — модель машинного перевода, опубликованная Windstorm Labs. Это дообученная версия Helsinki-NLP/opus-mt-fi-niu: LoRA-дообучение на параллельном корпусе было объединено с базовыми весами. Модель построена на архитектуре Marian, содержит 48,5 млн параметров и принимает текст на финском языке, выдавая перевод на ниуэ; нативный контекст — 512 токенов. Модель предназначена для перевода с финского на ниуэ. Репозиторий содержит веса safetensors для загрузки через Transformers. Качество перевода пока не проверялось бенчмарками, поэтому пригодность для конкретных сценариев следует оценивать отдельно. Лицензия — Apache-2.0.

Vanilla AttnResidual — исследовательский базовый вариант из коллекции OASIS, созданный на основе Meta Llama 3.2 1B. Модель представляет собой плотную авторегрессионную языковую модель с примерно 1,2 млрд параметров и стандартным softmax для внимания между токенами, дополненным механизмом AttentionResidual для маршрутизации информации между слоями. Метаданные указывают контекст до 131 072 токенов. Модель предназначена для генерации текста и сравнительных экспериментов с маршрутизацией между слоями, вниманием и устойчивостью к выбросам активаций и квантизации. Для корректной работы варианта нужны веса и код моделирования OASIS: загрузка через обычный AutoModelForCausalLM отбрасывает дополнительные параметры AttentionResidual, поэтому результат не будет соответствовать этому варианту. В репозитории приведены результаты оценки perplexity и статистики активаций. Указана лицензия Llama 3.2.

Walsh_Instruct-1.7b — экспериментальная инструкционная причинная языковая модель, разработанная Jason dinAlt как дообученная версия dinalt/walsh-1-7b. Она предназначена для генерации текста и выполнения инструкций в формате ChatML. Модель имеет 1,7 млрд параметров, 32 слоя, 32 головы внимания, размерность модели 2048 и словарь из 32 000 токенов. Для позиционного кодирования используется экспериментальный подход на основе матрицы Адамара—Уолша; заявлена максимальная длина последовательности 16 000 токенов. По словам автора, обучение DITTO уменьшает повторение предложений и немного снижает perplexity. Модель описана как игрушечная и лишь иногда надёжно выполняющая инструкции; ответы могут быть неточными. Автор также предупреждает, что модель не прошла настройку на безопасность. Для загрузки требуются Transformers и trust_remote_code. Лицензия — MIT.

Mancer: Weaver (alpha) — модель, предназначенная для ролевых диалогов и повествовательных сценариев. Разработчики описывают её как попытку воспроизвести многословный стиль ответов Claude. Модель ориентирована на генерацию текста для ролевых игр и историй. Авторы предупреждают, что её связность и способность удерживать контекст слабее, чем у Claude. Сведений об архитектуре, размере, языках и лицензии в использованных источниках нет.