I.5Создание и редактирование текста

SomosNLP Hackathon 2022 — модель машинного перевода на базе T5-small, дообученная командой Sara Benel и Jose Vílchez для перевода с испанского языка на кечуа. Модель содержит 38,5 млн параметров, использует архитектуру T5ForConditionalGeneration и поддерживает контекст длиной до 512 токенов. Модель обучалась 46 эпох на 102 747 предложениях; для проверки использовались 12 844 предложения, для тестирования — 12 843. Она рассчитана на перевод на кечуа диалекта Аякучо. Значительная часть обучающих данных взята из библейских текстов, поэтому качество может быть лучше на похожих формулировках; опубликованное значение BLEU — 2,9691. Модель распространяется по лицензии Apache-2.0.

talkie-1930-13b-base-hf — версия модели семейства Talkie в формате Transformers, опубликованная Xiaoning Wang. Это плотная авторегрессионная языковая модель с архитектурой decoder-only GPT и примерно 12,9 млрд параметров; она принимает текст и генерирует продолжение. Базовая модель обучалась на англоязычных текстах, созданных до 1931 года, и предназначена для генерации текста с характерной лексикой и знаниями той эпохи. Модель использует 40 слоёв и контекст до 2048 токенов. В архитектуре применяются нормализация запросов и ключей после RoPE, отдельные обучаемые коэффициенты для голов внимания и остаточных потоков, а также связи с входными эмбеддингами. Репозиторий содержит веса safetensors для загрузки через Transformers; для пользовательской архитектуры требуется включить trust_remote_code. В README отмечено, что у базовой модели нет шаблона чата, поэтому готовый многоходовый диалоговый режим не гарантирован. Модель основана на talkie-lm/talkie-1930-13b-base и распространяется по лицензии Apache-2.0. Ее специализация на материалах до 1931 года ограничивает актуальность современных знаний; README также указывает, что базовая модель была дообучена для диалогового применения, но карточка этого репозитория описывает именно base-вариант.

TinyBrainBot-350M-v4-Thinking — компактная языковая модель на 348,3 млн параметров, разработанная автором репозитория nkthebass. Это дообученная модель семейства Llama для диалоговой генерации текста: на простые запросы она отвечает напрямую, а для вопросов «почему», советов и повседневных решений обычно сначала формирует рассуждение в блоке `…`, затем выдаёт ответ. Модель обучали на базовой TinyBrainBot-350M-V3 с дополнительными примерами повседневных вопросов и ответов; заявлены английский язык и контекст до 2048 токенов. Модель подходит для коротких разговоров, объяснений и ответов на бытовые вопросы, когда важны локальный запуск и небольшие требования к ресурсам. В карточке приведены результаты внутренних проверок поведения и бенчмарков, однако они ограничены небольшими выборками и не подтверждают надёжность ответов в реальных сценариях. Доступны веса Safetensors и F16 GGUF; GGUF предназначен, в частности, для llama.cpp, LM Studio и Ollama. Лицензия — Apache-2.0. Модель невелика: факты и арифметика часто бывают неверными, даже если рассуждение звучит уверенно; особенно ненадёжны проценты и пересчёт единиц. Она не предназначена для медицинских рекомендаций, может чрезмерно трактовать обычные личные проблемы как кризисные, а усвоенное поведение отказа не гарантирует безопасный результат.

JoaoBoer/tofu_Llama-3.1-8B-Instruct_forget01_UNDIAL — плотная авторегрессионная языковая модель семейства Llama 3.1, разработанная на основе open-unlearning/tofu_Llama-3.1-8B-Instruct_full. Модель с 7,5 млрд параметров дообучена методом UNDIAL на части forget01 набора TOFU в рамках проекта open-unlearning. Она предназначена для генерации текста в диалоговом формате и изучения удаления запомненных данных из языковых моделей. В проекте Speculative-Decoding-Unlearning она используется как базовая модель с изменёнными весами. Указанное окно контекста — 131072 токена; доступны веса safetensors и интерфейс для вызова инструментов. Карточка приводит метрики оценки на TOFU: exact_memorization 0,4404, extraction_strength 0,0404 и forget_Q_A_PARA_Prob 0,0845. Это экспериментальный исследовательский чекпойнт для задачи unlearning; результаты и способность забывать данные зависят от теста и не гарантируют полного удаления знаний. Лицензия — Llama 3.1.

Toucan-1.2B — модель машинного перевода, представленная авторами статьи ACL 2024 «Toucan: Many-to-Many Translation for 150 African Language Pairs». Это дообученная версия афроцентричной модели Cheetah-1.2B на базе архитектуры T5; в метаданных указано 608,4 млн параметров. Модель предназначена для перевода между 156 направлениями для африканских языков, включая языки с ограниченными обучающими данными. Для выбора целевого языка README предписывает использовать его код ISO-3 в префиксе запроса. Toucan ориентирована на многосторонний перевод и опирается на предобучение Cheetah на африканских языках. README описывает обучение модели, но не приводит численных результатов именно для этого чекпойнта. Метаданные указывают формат safetensors и задачу text-generation; перевод при этом является заявленным пользовательским назначением. Условия лицензии в предоставленных материалах не указаны.

Windstorm Labs опубликовала дообученную модель машинного перевода с английского языка на tdt. Это компактная модель архитектуры MarianMT с 42,8 млн параметров и контекстом до 512 токенов. Она построена на Helsinki-NLP/opus-mt-en-tdt: LoRA-дообучение на параллельном корпусе объединено с базовыми весами, а модель доступна в формате safetensors для Transformers. Модель предназначена для перевода текстов с английского на tdt. Поддерживается только это направление перевода. Выход проверен на соответствие заявленному языку, но качество перевода пока не оценено; изменение весов само по себе не подтверждает улучшение качества. Лицензия — Apache-2.0.

WindyTranslate/translate-es-zai — модель машинного перевода, опубликованная Windstorm Labs и основанная на Helsinki-NLP/opus-mt-es-zai. Это дообученная модель MarianMT примерно с 50 млн параметров: LoRA-дообучение на параллельном корпусе объединено с базовыми весами. Модель принимает текст на испанском языке и переводит его на zai; направление перевода одно, контекст — до 512 токенов. Модель распространяется в формате safetensors и загружается через Transformers как Seq2Seq-модель. Лицензия — Apache-2.0. Качество перевода пока не оценивалось бенчмарками, а факт изменения весов сам по себе не подтверждает улучшение качества.

WindyTranslate/translate-fi-bzs — модель машинного перевода от Windstorm Labs для перевода с финского языка на боссанский креольский. Это дообученная версия Helsinki-NLP/opus-mt-fi-bzs: LoRA-дообучение на параллельном корпусе объединено с базовыми весами. Модель построена на архитектуре MarianMT, содержит 55,6 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Модель предназначена для перевода отдельных текстов с финского на боссанский креольский. Репозиторий содержит веса в формате safetensors для загрузки через Transformers. Лицензия — Apache-2.0. Качество перевода пока не оценивалось бенчмарками. Поддерживается только направление fi→bzs; изменение весов подтверждает происхождение дообученной модели, но само по себе не свидетельствует об улучшении качества.

WindyTranslate/translate-fr-kqn — модель машинного перевода, опубликованная Windstorm Labs. Это дообученная версия Helsinki-NLP/opus-mt-fr-kqn: LoRA-адаптация на параллельных текстах объединена с базовыми весами. Модель построена на архитектуре MarianMT, содержит 56,6 млн параметров и предназначена для перевода с французского на язык, обозначенный кодом kqn. Она принимает текст и генерирует текст перевода; максимальная длина контекста — 512 токенов. Модель распространяется в формате safetensors для Transformers по лицензии Apache-2.0. Для неё не проводились тесты качества перевода, поэтому точность и пригодность для конкретных текстов не подтверждены. Поддерживается только направление fr→kqn.

UI Llama 3.2 1B — экспериментальная разговорная модель Джозефа Прены, созданная на основе Meta Llama 3.2 1B с помощью авторских модификаций и обучения на вручную подготовленных данных. Это плотная авторегрессионная модель семейства Llama с 1,2 млрд параметров; для запуска используются Transformers и формат safetensors. Заявленное контекстное окно — 131 072 токена, основной язык карточки — английский. Модель предназначена для диалогов с устойчивой индивидуальностью: она поддерживает заданный образ от первого лица, характерный стиль общения, эмоциональную выразительность, юмор, сарказм, творческие и философские беседы, а также длительный ролевой диалог. Автор указывает, что набор данных содержит более двух миллионов вручную подготовленных символов. Сильные стороны модели — узнаваемый голос и последовательность поведения в разговоре. Проект активно развивается и остаётся экспериментальным. Фактические знания, точность и рассуждения ограничены: возможны галлюцинации, вымышленные воспоминания и непоследовательные ответы, поэтому модель не подходит для решений с высокими ставками. Лицензия репозитория — Apache-2.0; автор отдельно приглашает обращаться по вопросам коммерческого лицензирования.

littlelearner/unfiltered-0.6b-base — базовая языковая модель семейства Qwen3, разработанная в рамках исследования LittleLearner. Это плотная авторегрессионная модель на 617,3 млн параметров, обученная с нуля на 88 млрд токенов неотфильтрованного корпуса FineWeb-Edu; она предназначена для продолжения текста и изучения того, как широта обучающих данных влияет на знания модели. Контекст составляет 4096 токенов; модель использует токенизатор byte-level BPE на 64 тыс. токенов с разделением цифр. В метаданных указан английский язык. Модель служит контрольным вариантом масштаба 0,6 млрд параметров в исследовании границ знаний для материалов начальной школы США. На тестовых текстах уровня K–5 показатель BPB равен 0,712; в README отмечено, что модель охватывает более широкие знания, чем вариант, обученный только на материалах K–5. Это базовая модель предобучения, а не специализированный диалоговый ассистент. Лицензия указана как other, конкретные условия использования в карточке не описаны.

Wayfarer-Large-70B-Llama-3.3 — дообученная LatitudeGames модель для текстовых приключений и ролевых игр. Она основана на Meta Llama 3.3 70B Instruct и содержит 69,5 млрд параметров; архитектура — плотная Llama для генерации текста. Контекст модели составляет до 131 072 токенов. В README описано обучение на сочетании данных текстовых приключений, ролевых игр и поднабора SlimOrca Sonnet. Модель рассчитана на интерактивное повествование с опасностями, конфликтами и реальными последствиями выбора: персонаж может потерпеть неудачу или погибнуть. Это подходит для игровых сценариев и ролевых историй, где важны напряжение и отсутствие сюжетной «защиты». Карточка указывает английский язык; модель использует исходный формат промптов Llama 3 и доступна в формате safetensors. Обучение ориентировано на повествование от второго лица в настоящем времени, поэтому такой стиль может проявляться в ответах. Модель распространяется по лицензии Llama 3.3; запуск и использование должны соответствовать её условиям.

AAIE 8K GFT — 5M checkpoint — языковая модель проекта AAIE для генерации текста в ответ на инструкции и диалоговые запросы. Это самостоятельная полноразмерная модель на базе плотного декодера, совместимого с Llama, с 20 слоями, размером 354,4 млн параметров и контекстом до 8192 токенов. Модель прошла дообучение на инструкциях общего назначения; она не требует подключения или слияния LoRA-адаптера. Контрольная точка выбрана после ограниченного этапа обучения на 5 млн токенов. По оценке авторов, она лучше базовой модели останавливает генерацию, однако проверки не подтвердили надёжность выполнения инструкций, извлечения информации или оценочной обратной связи. Расширение контекста до 8192 токенов использует экспериментальную конфигурацию YaRN и не гарантирует качественных рассуждений на длинном контексте. Авторы характеризуют модель как исследовательскую контрольную точку и отмечают необходимость дальнейшей проверки человеком и педагогами. Условия лицензии в предоставленных данных не описаны.

recobo/agriculture-bert-uncased — англоязычная BERT-модель для сельскохозяйственной тематики, разработанная на основе SciBERT и дополнительно предварительно обученная на корпусе текстов об аграрной науке и практике. Корпус включает 1,2 млн абзацев из Национальной сельскохозяйственной библиотеки США и 5,3 млн абзацев из книг и общедоступной литературы по сельскому хозяйству. Модель использует архитектуру BERT с 137,1 млн параметров и контекстом до 512 токенов. Она обучалась методом masked language modeling и предназначена прежде всего для предсказания скрытых слов и получения контекстных представлений сельскохозяйственных текстов. Лицензия в предоставленных данных не указана.

ArcANE-32B-SFT — дообученная методом SFT с LoRA модель семейства Qwen3, созданная для исследования ролевых ответов от лица персонажей. Она учитывает состояние персонажа на заданном этапе повествования и предназначена для ответов с учётом Character Arc, обрезанной до соответствующей главы, чтобы не использовать сведения из будущих фаз сюжета. Модель содержит 29,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и принимает текст по шаблону чата Qwen3. Она обучена на английских примерах из ArcANE: 12 романов, 55 персонажей и 339 характеристик персонажей. В описанной оценке с контекстом Character Arc модель показала общий результат 58,4 против 50,1 у исходной Qwen3-32B при том же контексте. Модель рассчитана на исследовательские эксперименты с ролевыми ответами и изменением поведения персонажей по ходу повествования. Для наиболее надёжного сценария в контекст следует включать только части Character Arc до главы, о которой задаётся вопрос; раскрытие будущих фаз противоречит проверенной постановке. Базовая модель поддерживает контекст до 40 960 токенов. Лицензия — Apache-2.0.

ypwhere разработал Block Attention Residuals — причинную языковую модель на архитектуре NanoGPT для экспериментов с языковым моделированием на ограниченных данных и маршрутизацией глубины. Модель обучена на официальном обучающем разделении BabyLM 2026 объёмом 10 млн слов; в ней 32 слоя и скрытый размер 512. Блоки используют RMSNorm, SwiGLU, rotary positional embeddings, gated attention и связанные входные и выходные эмбеддинги. Для каждого подслоя вычисляются зависящие от входа softmax-веса над представлениями с разных глубин.

hon9kon9ize/bert-base-cantonese — модель BERT с 129,9 млн параметров, продолжительно предобученная разработчиком на кантонских текстах. Она основана на indiejoseph/bert-base-cantonese и обучалась предсказывать замаскированные токены; дополнительное обучение использовало тексты из новостей, социальных сетей и веб-страниц, чтобы обновить знания о Гонконге и кантонском языке. Контекст модели составляет до 512 токенов, веса опубликованы в формате Safetensors. Модель предназначена прежде всего для дальнейшей тонкой настройки под задачи на кантонском языке. Её можно использовать для заполнения пропусков в тексте, например, для языкового анализа и подготовки признаков для последующих моделей. Из-за намеренного переобучения и продолжительного предобучения на конкретном корпусе её результаты могут хуже переноситься на иные данные и задачи; сама карточка рекомендует дообучение для прикладного использования. Лицензия — Apache-2.0.

bert-leg-al-corpus — модель на базе многоязычной RoBERTa, дообученная desarrolloasesoreslocales на наборе данных, обозначенном в карточке как None. Она предназначена для предсказания пропущенных токенов в тексте: по контексту модель подбирает вероятные слова или части слов на месте маски. Архитектура — RobertaForMaskedLM, размер — 211,6 млн параметров, максимальная длина контекста — 514 токенов. Базовая модель была предварительно обучена на юридических текстах. Карточка приводит значение loss 1,7948 на оценочном наборе, но не раскрывает его состав, языки и подробности обучения, поэтому результат нельзя интерпретировать как оценку качества для конкретного применения. Модель распространяется под лицензией CC; конкретные условия следует сверять с карточкой лицензии на Hugging Face.

Cakrawala-123B — дообученная NarrativAI языковая модель на архитектуре Mistral для генерации ролевых диалогов и взаимодействий персонажей. Она создаёт подробные реплики с описаниями действий, выражений и эмоций и стремится сохранять характерный голос и точку зрения персонажа в продолжительных беседах. Модель основана на Mistral-Large-Instruct-2411 и дообучена методом QLoRA на датасете NarrativAI/CakrawalaRP. В репозитории указано 123B параметров; метаданные задают нативный контекст 131072 токена. Основной сценарий — текстовый чат для ролевых игр и повествовательных взаимодействий. Модель выпущена под лицензией MIT.

calm3-22b-RP — японская диалоговая модель для ролевых сценариев, созданная Aratako с помощью mergekit. Это слияние CyberAgent/calm3-22b-chat и дообученной для ролевых игр Aratako/calm3-22b-RP-v0.1; модель использует архитектуру LlamaForCausalLM и содержит 22,1 млрд параметров. Модель предназначена для ведения ролевого диалога по заданным инструкциям, описанию мира и настройкам персонажей. Она принимает текстовый контекст в формате ChatML и генерирует текстовые ответы; максимальный контекст составляет 16 384 токена. Базовая диалоговая модель рассчитана на японский и английский языки, а датасеты ролевых диалогов включают NSFW-примеры. Модель распространяется в формате safetensors по лицензии CC-BY-NC-SA 4.0. Из-за условий, связанных с использованием выходов GPT-4o-mini и Claude 3.5 Sonnet в обучающих данных, README запрещает применять её для конкурирующих с OpenAI и Anthropic сервисов.

Beetle-FineWeb-100M/camera-ready-ablation-onset-65pct-total-l2-held-33pct-b3-sequential-nld-eng-fineweb-100m — компактная модель для генерации текста на базе библиотеки Transformers. По идентификатору модели, она относится к семейству FineWeb-100M и имеет примерно 100 млн параметров; в метаданных также указана архитектурная метка pico_decoder. Модель предназначена для авторегрессионного продолжения и генерации текста, включая исследовательские эксперименты с настройками обучения и абляциями. Её можно применять для прототипирования генерации текста, проверки гипотез о языковом моделировании и создания коротких текстовых продолжений.

CharGen-v3-mini-GGUF — компактная языковая модель проекта CharGen, ориентированная на создание персонажей для ролевых игр. Проект CharGen развивается с 2023 года, а модель является GGUF-версией CharGen-v3-mini и улучшает CharGen v2 в следовании инструкциям и соблюдении заданного формата. Модель принимает свободно сформулированное текстовое описание и генерирует персонажей в виде обычного текста, обычно пошагово и в диалоговом формате. Она поддерживает отдельные сценарии генерации описания, фактов, сценария ролевой игры, личности, внешности, первого сообщения и примеров диалогов, включая экспериментальную функцию Dialogue Example Hints. Основной язык, указанный в карточке, — английский. Сильными сторонами модели являются специализация на ролевых персонажах, гибкое создание деталей и хорошее следование инструкциям и форматам. Она может генерировать материалы с сексуальным содержанием, поскольку обучалась на части NSFW-данных, поэтому требует соответствующих ограничений при использовании. Сведения об архитектуре, количестве параметров, размере контекста и точных системных требованиях в карточке не приведены. Модель распространяется по лицензии MIT.

Clover3-13B — экспериментальная слитая языковая модель, созданная Masterjp123 с помощью mergekit из lemonilia/AshhLimaRP-Mistral-7B и Masterjp123/NeuralMaid-7b. Модель построена на архитектуре MistralForCausalLM, содержит 12,8 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий распространяет веса в формате safetensors. Модель предназначена для генерации текста и диалогов на английском языке, в частности для ролевых сценариев; автор позиционирует её как уменьшенный вариант Clover3-17B для запуска на менее мощном оборудовании. Автор предупреждает, что модель находится в ранней бета-версии и не дообучена на наборе ролевых диалогов, поэтому качество ответов может быть нестабильным. Лицензия — Apache-2.0.

Compumacy-Experimental-32B-GGUF — это набор квантизированных файлов модели Compumacy/Psych_Qwen_32B, подготовленный mradermacher в формате GGUF. Модель разработана на базе Qwen и ориентирована на генерацию англоязычного текста в тематике психологии, психиатрии, оценки психического состояния и клинических сценариев. В метаданных также указан датасет Daemontatox/Psy-Data-books и использование LoRA. Модель содержит около 32 миллиардов параметров и доступна в нескольких вариантах квантизации размером примерно от 12,4 до 34,9 ГБ. Это позволяет выбирать между сниженным потреблением памяти и качеством генерации: Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как вариант с очень хорошим качеством, а Q8_0 — как наиболее качественный среди указанных. Поддерживается только текстовая модальность; заявленный язык — английский. Размер контекста в README не указан. Модель может применяться для текстовой генерации и вспомогательных задач, связанных с психологией и психиатрией, однако README не содержит результатов тестирования, сведений о точности или гарантий клинической надёжности. Квантизация может приводить к снижению качества по сравнению с исходной моделью, особенно в компактных вариантах. Лицензия — Apache-2.0.

Configurable-Llama-3-8B-v0.3 — разговорная языковая модель Vicgalle, созданная дообучением Llama 3 с помощью метода configurable safety tuning на наборе vicgalle/configurable-system-prompt-multitask. Она генерирует текст в формате диалога и позволяет задавать поведение системным промптом: от безопасного помощника до намеренно неконфликтного с вредоносными запросами, а также помощника, ориентированного на правдивость, или ролевого персонажа. Модель построена на плотной архитектуре LlamaForCausalLM и содержит 7,5 млрд параметров. Контекст — до 8192 токенов. Карточка описывает англоязычные примеры системных промптов; метаданные не подтверждают поддержку других языков. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Настройка системным промптом делает модель полезной для исследований управляемости поведения и безопасности LLM. При этом она способна генерировать вредный и оскорбительный контент, а заявленные режимы поведения не гарантируют фактическую безопасность или правдивость ответов.

Confluence-Renegade-7B — экспериментальное объединение нескольких RP-моделей на 7 млрд параметров, созданное автором Nekochu с помощью mergekit. В основе лежит архитектура Mistral для генерации текста; модель объединяет, среди прочих, BuRP_7B, Infinitely-Laydiculous-7B и EndlessRP-v3-7B. Репозиторий также указывает контекст до 32 768 токенов. Модель предназначена для ролевых диалогов и генерации художественного текста в стиле RP, в том числе с ослабленными ограничениями. Автор описывает сборку как первый экспериментальный merge и предупреждает, что не проверял объединённые модели; качество результата поэтому не гарантировано. Доступна по лицензии Apache-2.0.

Cthulhu 8B v1.4 — англоязычная текстовая модель EldritchLabs для генерации художественных историй и ролевых диалогов в жанре космического хоррора. Это дообученная плотная Llama-модель с архитектурой LlamaForCausalLM и 7,5 млрд параметров; она использует шаблон чата Llama 3 и рассчитана на контекст до 1 073 152 токенов. Дообучение проводилось шесть эпох на небольшом наборе данных с лором Ктулху и Гоэтии. Модель подходит для написания рассказов, продолжения сцен и ролевого общения в мрачной фантастике. Карточка предупреждает, что ответы могут содержать графическое насилие и откровенный эротический контент. Модель распространяется по лицензии Apache-2.0.

Dense-306 — базовая языковая модель на 306,4 млн параметров, разработанная Complexity-ML как плотная контрольная модель для исследования Token Identity as a Routing Signal for Residual MLP Experts. Это декодерный трансформер, обученный с нуля примерно на 8 млрд токенов FineWeb-Edu. Архитектура включает 18 слоёв, скрытый размер 1024, 16 голов запросов и 4 головы ключей и значений (GQA), QK-Norm, RoPE, SwiGLU и токенизатор на 32 000 токенов. Модель предназначена для генерации текста и исследовательских экспериментов с базовыми языковыми моделями. Она обучалась с контекстом 2048 токенов; в карточке заявлен английский язык. Это предварительно обученная модель, не настроенная для выполнения инструкций и не выровненная по требованиям безопасности. В README приведены результаты ограниченной zero-shot оценки, но они основаны на одном seed и не показывают устойчивого превосходства над парной моделью. Веса опубликованы в формате safetensors; лицензия — Apache-2.0. Для запуска требуется пользовательский runtime Complexity-ML на базе vLLM: стандартные Transformers и upstream vLLM пока не регистрируют архитектуру DeepForCausalLM. Модель может выдавать неточный, предвзятый, оскорбительный, повторяющийся или небезопасный текст; её не следует применять для решений с высокими ставками.

dlite-v1-774m — языковая модель AI Squared, созданная на основе GPT-2 и дообученная на 50 тысячах примеров Stanford Alpaca на одном GPU, чтобы добавить диалоговые возможности. Это компактная модель архитектуры GPT-2 для генерации текста и экспериментов с чат-подобным взаимодействием на английском языке; максимальная длина контекста составляет 1024 токена. Модель распространяется в формате PyTorch через библиотеку Transformers по лицензии Apache 2.0. Разработчики отмечают, что она не достигает передового качества и предназначена для исследовательского использования. Ответы могут содержать фактические ошибки, предвзятость, оскорбительный или токсичный контент и галлюцинации.

Карточка модели deepseek-ai/ESFT-token-summary-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.