I.5Создание и редактирование текста

TinyBrainBot 303M Base — компактная языковая модель с архитектурой LLaMA, разработанная автором репозитория и обученная с нуля. Она содержит около 303,3 млн параметров, использует декодер с RoPE, RMSNorm и SwiGLU и имеет контекст длиной 1024 токена. Модель загружает стандартная библиотека Transformers; доступны веса Safetensors и GGUF F16. Модель предварительно обучена на смеси англоязычных веб-, образовательных, художественных и математических текстов, а также синтетических данных. Она предназначена для продолжения текста, исследований компактных языковых моделей и как основа для дальнейшего предобучения или дообучения. Это базовая модель без настройки на инструкции: она завершает текст, но не предназначена для диалогового следования запросам. Автор указывает, что обучение охватило лишь несколько миллиардов токенов, поэтому фактические знания неглубоки и чувствительны к формулировкам и регистру букв, а рассуждения и математика слабы. Модель может уверенно генерировать правдоподобные, но неверные сведения; для фактических ответов рекомендуется использовать поиск по источникам. Лицензия — Apache-2.0.

TLM-120M — исследовательская языковая модель семейства GPT-Neo, опубликованная McGill-NLP. Это чекпойнт для генерации текста и оценки метода Tiered Alignment: один набор весов предоставляет публичный поведенческий режим C1 и режим C2, который включается отдельной перестановкой части голов внимания и столбцов MLP. Модель содержит около 142,5 млн параметров по метаданным, использует 16 слоёв, скрытый размер 528, 12 голов внимания и контекст до 2048 токенов; для токенизации применяется GPT-2 BPE. Модель предназначена для инференса и экспериментов со сравнением режимов Tiered Alignment и базовой модели на текстовой генерации. Для загрузки требуется реализация GPTNeoForCausalLMTiered; стандартный GPT-Neo может не сохранить обученный bias в lm_head. Карточка описывает архитектуру как rung DataDecide 90M, обученный на FineWeb. Лицензия — Apache-2.0.

DakkaWolf/Trouper-12B-GGUF — набор GGUF-квантизаций текстовой генеративной модели Trouper-12B. Модель разработана DarwinAnim8or на основе Mistral-Nemo-Base-12B и дообучена на специализированном наборе данных Actors. Репозиторий GGUF-представления подготовлен DakkaWolf. Модель предназначена прежде всего для ролевого общения, отыгрыша персонажей и творческого письма на английском языке. По заявлению автора, она ориентирована на более естественную манеру генерации и снижение характерных для ИИ шаблонных фраз и оборотов. Это текстовая модель без заявленной поддержки дополнительных модальностей; в метаданных указаны pipeline text-generation и интеграция с llama.cpp. Доступны варианты от BF16 до низкобитных IQ- и K-квантизаций с размером примерно от 2,79 до 22,81 GiB. Для большинства вариантов с меньшим размером применена importance matrix, тогда как для Q8_0 и Q6_K она не использовалась из-за ухудшения показателя KLD. В README приведены оценки KLD на валидационной части wikitext-2 при контексте 4096 токенов, однако максимальная длина контекста модели явно не указана. Более сильное сжатие уменьшает требования к памяти, но сопровождается ростом KLD и потенциальным снижением качества. Модель распространяется по лицензии Apache-2.0. Она специализирована на roleplay и creative writing, поэтому её пригодность для общих прикладных задач, точности фактов и других языков README не подтверждает.

Turaco-E2B-it-mt-en-wes-GGUF — квантизированная версия модели Turaco-E2B-it-mt-en-wes, разработанной fotiecodes и преобразованной в формат GGUF пользователем mradermacher. Модель предназначена прежде всего для машинного перевода между английским языком и Cameroon Pidgin English, что подтверждается связанным датасетом michsethowusu/english-cameroon-pidgin_sentence-pairs_mt560 и тематическими метками. Она может применяться в локальных системах генерации текста и переводческих сценариях, совместимых с GGUF и соответствующим программным обеспечением. В README также указано наличие мультимодальных дополнений mmproj, однако конкретные поддерживаемые модальности и возможности их использования не описаны. Размер исходной модели, архитектура, максимальная длина контекста и точный набор поддерживаемых языков не указаны. Доступны варианты квантизации от Q2_K размером около 3,1 ГБ до Q8_0 около 5,1 ГБ, а также f16 около 9,4 ГБ; Q4_K_S и Q4_K_M обозначены как быстрые рекомендуемые варианты, Q6_K — как вариант очень хорошего качества, а Q8_0 — как вариант с лучшим качеством среди указанных. Квантизация уменьшает требования к памяти, но может снижать качество по сравнению с исходной моделью; README не приводит независимых оценок точности перевода. Модель распространяется по лицензии Apache-2.0. В README не указаны ограничения на коммерческое использование, системные требования и точные инструкции интеграции, поэтому совместимость и качество следует проверять в выбранном рантайме.

T-Virus Epsilon Arklay 3.2 1B — языковая модель UmbrellaInc для генерации текста и ролевого общения. Это плотная авторегрессионная модель семейства Llama с 1,2 млрд параметров и контекстом до 131 072 токенов; карточка указывает английский и испанский языки. Модель создана слиянием нескольких моделей на базе UmbrellaInc/T-Virus_Delta.Strain-3.2-1B. Она ориентирована на ролевые сценарии и намеренно снижает отказы и самоцензуру; заявлены последовательность персонажей в длинном диалоге и устойчивый уклон к откровенным и жестоким темам. Модель принимает текст и генерирует текст. Лицензия указана как other, поэтому условия использования следует уточнить в репозитории модели. Заявления о поведении и качестве приведены в карточке разработчика и не сопровождаются независимыми оценками.

UNA-34BeagleSimpleMath-32K-v1 — дообученная fblgit модель для генерации текста с уклоном в простые математические задачи. Она создана на основе fblgit/UNA-34Beagles-32K-v1 и обучена на датасете fblgit/simple-math; в README также указаны The Bagel v0.3 и Yi-34B. Архитектура — плотная LlamaForCausalLM, размер — 33,9 млрд параметров, библиотека — Transformers, веса доступны в формате safetensors. Модель принимает текст и генерирует текстовые ответы в диалоговом формате. Заявлена длина контекста 32 768 токенов. Лицензия — Apache-2.0. Карточка демонстрирует решение простых примеров, поэтому пригодность для сложных математических рассуждений или точных вычислений не подтверждена.

nikitastheo/v2-babylm-small-ind-ell-sequential_interleaved — причинная языковая модель семейства GPT-2, обученная автором репозитория с помощью скрипта train_clm.py и Hugging Face Accelerate. Модель предназначена для генерации продолжения текста. В метаданных указаны библиотека Transformers, формат Safetensors и контекст длиной 512 токенов. Название связывает чекпойнт с экспериментами BabyLM, но карточка не уточняет языки обучения, размер модели, датасет и лицензию.

Vireqo-27B-Plus-260816 — экспериментальная текстовая модель на 27 млрд параметров от автора Vita0818, созданная на основе весов Ternary-Bonsai-27B и Qwen3.8-27B. Это неофициальный GGUF-файл размером около 7,06 ГиБ для локального запуска на устройствах Apple Silicon через llama.cpp или LM Studio. Веса используют трёхзначные коды {-1, 0, +1} в формате Q2_0; при настройке масштабов основной вклад вносят веса Ternary-Bonsai, а Qwen3.8 используется ограниченно. Модель поддерживает текстовый диалог на китайском и английском языках. Модель предназначена для локальной генерации ответов и длинных текстов на системах с ограниченными ресурсами. В описанных испытаниях она стабильно выдавала тексты длиной до 768 токенов, однако это не подтверждает качество ответов или сохранение возможностей базовых моделей. Ненадёжны строгие подсчёты, рассуждения и фактическая точность; возможны ошибки грамматики, смешение языков, выдуманные числа и обрыв длинных ответов. Контекст более 2048 токенов не проверен. Лицензия — Apache-2.0.

fpadovani/wiki_shuffle_np_13 — языковая модель семейства GPT-2, дообученная разработчиком fpadovani на неизвестном наборе данных. Она предназначена для генерации текста и использует архитектуру GPT2LMHeadModel; модель работает с текстом и имеет контекст длиной 1024 токена. В карточке приведено значение loss 5,9307 на наборе оценки, но описание задач обучения и оценивания отсутствует. Модель распространяется в формате Safetensors; условия лицензии в доступных данных не приведены.

adventure-8b — языковая модель семейства Llama, созданная для продолжения текстов в жанре интерактивных приключений CYOA. Она обучена на текстах для дополнения CYOA в стиле GPT-J-6B-Adventure и GPT-J-6B-Skein; автор README не указан. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текст с контекстом до 8192 токенов. Модель продолжает повествование по заданной сцене и описанию режима и тем. В README приведён формат с пометками [Mode: adventure] и [Themes: ...], после которых следуют повествование и действие игрока. Модель не настроена на выполнение инструкций, поэтому лучше подходит для сюжетных текстовых игр и совместного сочинения, чем для универсального чат-ассистента. Она обучена на датасете Skein, созданном VE FORBRYDERNE из KoboldAI. Лицензия — Apache-2.0.

AhiskaAI-134m-Base-v0.2 — компактная базовая языковая модель, созданная с нуля инициативой AhiskaAI для работы с текстами на турецком языке. Она предназначена для дальнейшего дообучения и экспериментов с генерацией текста, а не для диалогового общения по инструкциям. Модель построена на плотной архитектуре Llama и содержит 109,5 млн параметров по метаданным; в README заявлено 134 млн. Использует собственный BPE-токенизатор с 32 000 токенов и контекст длиной 1 024 токена. При обучении использован отфильтрованный корпус турецких текстов; авторы сообщают, что в версии v0.2 сократили исходный объем данных, удалив большую часть шумных и избыточных примеров. Модель работает через Transformers и распространяется в формате safetensors. Указанная лицензия — Apache-2.0. Поскольку это базовая модель небольшого размера с коротким контекстом, качество сложной генерации и следования инструкциям может быть ограниченным; версия для чата и инструкций обозначена авторами как будущая работа.

AURA-Eve-Tactical-Instruct-3.8B-i1-GGUF — это текстовая языковая модель для генерации ответов и инструкций, ориентированная на тактические сценарии во вселенной EVE Online. Базовая модель AURA-Eve-Tactical-Instruct-3.8B разработана JeffTheNerdDev96, а данный вариант подготовлен и квантован mradermacher в формате GGUF с использованием weighted/imatrix-квантования. В метаданных также указаны методы unsloth и qlora. Модель имеет около 3,8 млрд параметров и предназначена для работы с текстом на английском языке. Она может применяться для диалоговых задач, генерации текстов и тактических подсказок, связанных с EVE Online. Мультимодальность и размер контекстного окна в предоставленных данных не указаны. Главное преимущество версии — доступность множества вариантов квантования GGUF с разным соотношением размера, скорости и качества, включая рекомендуемые i1-Q4_K_M и i1-Q4_K_S. При этом наиболее низкобитные варианты могут заметно уступать по качеству; README отдельно характеризует некоторые из них как низкокачественные. Модель распространяется по лицензии MIT.

qing-yao/babylm-opt-sva-seed42-11451088 — дообученная автором qing-yao языковая модель семейства OPT с плотной архитектурой и 138,4 млн параметров. Модель предназначена для генерации текста; её контекст составляет 256 токенов. Модель дообучена на наборе qing-yao/slightly-cleaner-babylm. В карточке приведены результаты оценки: loss 2,9999 после обработки 2 389 908 480 входных токенов. Файлы весов представлены в формате Safetensors. Описание сценариев применения и известных ограничений в карточке отсутствует. Лицензия не указана в предоставленных данных.

Bella-V2 — диалоговая модель, созданная автором карточки на базе Llama 3.1 8B Instruct с дообучением в Unsloth. Она предназначена для ролевых и личных разговоров в спокойном, эмоционально внимательном стиле: умеет поддерживать собеседника, развивать заданную тему, использовать метафоры и связывать детали из предыдущих реплик в длинном диалоге. По описанию автора, обучение использовало расширенный набор разговорных примеров одного голоса, написанных или проверенных автором, а также маскирование ответов, чтобы модель обучалась на репликах ассистента. Модель имеет плотную архитектуру LlamaForCausalLM и около 7,5 млрд параметров; заявленный контекст — до 131 072 токенов. Она принимает текст и генерирует текст, ориентирована на английский язык. Лицензия — Llama 3.1. Автор позиционирует её для локального запуска и приводит пример использования через llama.cpp, однако в метаданных указан формат safetensors.

redewiedergabe/bert-base-historical-german-rw-cased — модель BERT для немецкого языка, обученная на художественных и нехудожественных текстах 1840–1920 годов. По метаданным, это BERTForMaskedLM с 136,3 млн параметров и контекстом до 512 токенов; доступны веса PyTorch и Flax. Основная задача в каталоге и карточке — заполнение маски в тексте. Модель предназначена для работы с историческими немецкими текстами, а также показала хорошие результаты на художественных текстах современного немецкого языка. В README описана её оценка как языкового представления для отдельного BiLSTM-CRF-теггера, размечающего прямую, косвенную, пересказанную и несобственно-прямую речь и мысль. Результаты этого теггера не следует считать прямой оценкой самой модели для заполнения маски. Лицензия в предоставленных данных не указана.

bluolightning/bert-tiny-japanese-char — компактная японская BERT-модель, разработанная bluolightning и оптимизированная для быстрого заполнения пропусков в тексте. Она использует символьный японский токенизатор и предназначена для задач masked language modeling. Модель имеет 4 слоя, размер скрытого состояния 256, 4 головы внимания и FFN размером 1024; в метаданных указано 5,8 млн параметров и контекст 128 токенов. Это дистилляция модели, дообученной на основе tohoku-nlp/bert-base-japanese-char-v2; карточка сообщает, что студенческая модель была инициализирована случайно. Поддержка японского языка подтверждается карточкой и тегами. Модель подходит для быстрого запуска локальных экспериментов и заполнения маскированных токенов в японском тексте. Лицензия Apache-2.0.

ChatWaifu 12B v2.0 — языковая модель, созданная spow12 и собранная с помощью mergekit из нескольких моделей семейства Mistral Nemo, включая Magnum, Lyra, Pantheon-RP, Crimson Dawn и Himeyuri. Это плотная авторегрессионная модель типа CausalLM с 12,1 млрд параметров, предназначенная для диалогов в образе персонажей визуальных новелл и общения с чат-помощником. Карточка заявляет поддержку японского и английского языков; модель принимает текст и генерирует текст. Модель ориентирована на ролевые беседы с персонажами, в том числе из перечисленных в карточке визуальных новелл. В обучающих данных есть японские ролевые диалоги, инструкции, код и примеры NSFW-содержимого, поэтому ответы могут включать контент для взрослых. В метаданных указан контекст до 1 024 000 токенов, однако README не описывает практические ограничения такого контекста. Репозиторий распространяется по лицензии CC BY-NC 4.0; автор также указывает некоммерческое и исследовательское использование.

Модель codingmonster1234/chess-tool-use-grpo-336 — дообученная версия Qwen3-4B-Instruct-2507, созданная с помощью TRL. Она предназначена для генерации текста в диалоговом формате и работы с шахматными запросами; название и датасет указывают на настройку для использования шахматных инструментов. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3 и принимает контекст до 262 144 токенов. Модель распространяется в формате safetensors под лицензией MIT. README показывает запуск через Transformers pipeline для text-generation, но не описывает конкретный интерфейс вызова шахматных инструментов или результаты оценки качества.

Deepsword-34B-Base — базовая текстовая модель TriadParty для агентов игр в жанре «убийство по сценарию» и ролевых игр с живым действием. Она предназначена для генерации текста и естественного включения в ответы персонажей сюжетных элементов из китайских романов о боевых искусствах. Модель построена на Yi-34B с помощью непрерывного предобучения QLoRA на отобранном корпусе романов о боевых искусствах. Архитектура — плотная Llama, число параметров — 33,9 млрд, формат — PyTorch, контекст — 4096 токенов. В карточке указаны китайский и английский языки; корпус обучения состоит из китайских произведений этого жанра. Отбор корпуса учитывал сложность сюжета и включал очистку данных, суммаризацию глав и анализ переходов между их векторными представлениями. Автор сообщает о хороших результатах в режиме zero-shot, но не приводит количественных оценок. Лицензия — Apache-2.0.

Diabetica-7B — специализированная диалоговая языковая модель WaltonFuture для задач, связанных с диабетом. Она создана дообучением Qwen/Qwen2-7B-Instruct на наборе WaltonFuture/Diabetica-SFT; модель имеет 7,1 млрд параметров, использует архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Модель предназначена для ответов на вопросы о диабете, поддержки обучения пациентов, обсуждения лечения и управления лекарствами, а также рекомендаций по образу жизни. В README заявлены оценка на комплексных тестах и клинические испытания, однако конкретные результаты и подробности проверки в карточке не приведены. Модель генерирует текст и рассчитана на диалоговое применение. Лицензия — MIT. Она может помогать с медицинской информацией, но карточка не устанавливает клинических ограничений или гарантий безопасности, поэтому её ответы не следует считать подтверждёнными медицинскими рекомендациями.

Dionysus-Mistral-m3-v6 — языковая модель DECEM для генерации текста и ролевых диалогов. Она дообучена методом SFT на AIDC-ai-business/Marcoroni-7B-v3 и построена на архитектуре Mistral с плотной causal language model на 7,1 млрд параметров. Модель рассчитана прежде всего на англоязычный roleplay: она продолжает диалог по шаблону в стиле Alpaca, где задаются системный промпт, инструкция и имя персонажа. Указанное родное окно контекста — 32 768 токенов. Модель принимает и выдаёт текст. Репозиторий содержит веса Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Результаты на нескольких задачах Open LLM Leaderboard приведены в README, однако они сами по себе не гарантируют качество в конкретных сценариях; модель предназначена для roleplay, а не заявлена как специализированный помощник для фактологических ответов.

Lanni-ni/dynamic_alibi_2_4_256_babylm_100m_seed44_epoch1 — небольшая модель генерации текста, опубликованная на Hugging Face и рассчитанная на использование через библиотеку Transformers. В метаданных указана архитектурная технология dynamic_alibi и размер около 15 млн параметров. Модель предназначена для продолжения и генерации текста, а также для экспериментов и интеграции в приложения, использующие стандартный pipeline text-generation. README не содержит сведений о разработчике, обучающих данных, поддерживаемых языках, длине контекста, результатах оценки или лицензии, поэтому эти характеристики нельзя надёжно определить по предоставленным материалам. Из-за небольшого размера модель может быть удобна для локального запуска и исследовательских прототипов, однако качество, фактический языковой охват и пригодность для прикладных сценариев не подтверждены опубликованными оценками.

Lanni-ni/dynamic_forgetting_4_6_384_inverse_babylm_100m_seed44_epoch6 — небольшая модель для генерации текста на базе библиотеки Transformers. По идентификатору модели она связана с экспериментом dynamic forgetting и вариантом, обозначенным как inverse_babylm_100m; модель содержит 27,6 млн параметров и опубликована пользователем Lanni-ni. Архитектура и точный исходный базовый чекпойнт в доступных данных не описаны. Модель предназначена для авторегрессионной генерации текста, продолжения последовательностей и исследовательских экспериментов с языковыми моделями и динамическим забыванием. Её относительно небольшой размер может быть удобен для локального запуска, обучения и анализа поведения модели при ограниченных вычислительных ресурсах. README является автоматически созданной карточкой и не содержит сведений о результатах оценки, обучающих данных, поддерживаемых языках, ограничениях применения или лицензии. Поэтому модель следует использовать преимущественно для экспериментов и прототипирования, а качество и безопасность генераций проверять отдельно.

EleMo-V2 (Elementary Pedagogical Model) — специализированная большая языковая модель для раннего детского образования, разработанная командой EleMo. Модель предназначена для локального развертывания и обработки чувствительных данных без передачи наблюдений о развитии детей на внешние серверы. Она ориентирована прежде всего на преобразование кратких наблюдений в Learning Stories (Lerngeschichten) — appreciative-повествования о процессе обучения ребенка. В версии V2 используется базовая архитектура qwn 3.8.27b; модель находится в стадии активной донастройки. Она работает с текстом, ориентирована на немецкий язык и обучалась на 210 синтетических педагогических сценариях, прошедших экспертную проверку. Настройка опирается на методологию Margaret Carr и структуру «Наблюдение — Значение — Следующие шаги», а также учитывает баланс образовательных областей, возрастов, гендерных категорий и контекстов. Ключевые ограничения модели связаны с узкой специализацией, статусом версии в разработке и требованием не делать выводов, не подтвержденных исходными наблюдениями; модель не предназначена для диагностики. Лицензирование зависит от варианта. Квантизированные версии Q6 и ниже доступны бесплатно для частного, некоммерческого образовательного использования, исследований, экспериментов и локального развертывания, но коммерческое применение запрещено. Версии Q8 и BF16 требуют отдельной лицензии EleMo, в том числе для коммерческого использования, интеграции, перераспределения и предоставления модели как сервиса.

essAi — дообученная модель на базе Qwen3-4B, созданная alphanozcan для написания эссе при подаче документов в колледж в стиле Common App. Модель генерирует личные заявления примерно на 650 слов естественным разговорным голосом. Обучение состояло из этапов SFT и DPO на корпусе примерно из 19,7 тысячи написанных людьми эссе; использовался LoRA. Архитектура — плотная Qwen3ForCausalLM примерно на 3,7 млрд параметров, формат весов — safetensors, максимальный контекст — 40 960 токенов. Основной язык карточки — английский. Модель подходит для создания черновиков личных заявлений, разработки повествовательной структуры и улучшения естественности текста. Она ориентирована на эссе для поступления и не является универсальным редактором. Авторы отмечают, что качество ограничено размером модели и одним циклом обучения, а связность могла бы улучшиться при более длительном обучении или использовании большей базовой модели. Поведение детекторов ИИ не гарантируется. Лицензия — Apache-2.0.

G1-nano-base — компактная базовая языковая модель AZERDSQ на 60 млн параметров, обученная с нуля на одном устройстве NVIDIA Jetson с 8 ГБ объединённой памяти. Это авторегрессионный decoder-only Transformer в стиле Llama с 14 слоями; веса опубликованы в формате safetensors. Модель принимает текст и предсказывает продолжение последовательности, поддерживая контекст до 2048 токенов. Модель предназначена для генерации и завершения англоязычного текста, а также экспериментов с обучением и запуском небольших языковых моделей на ограниченном оборудовании. Она обучалась примерно на 1,5 млрд токенов английских веб-текстов и книг. Это базовый чекпойнт без дообучения на инструкциях и без чат-формата, поэтому он не рассчитан на надёжное выполнение пользовательских команд. Лицензия — Apache-2.0.

Gemma 2B - 10M Context — экспериментальный чекпойнт на базе Gemma от Mustafa Aljadery, Siddharth Sharma и Aksh Garg. Авторы описывают рекуррентное применение блоков локального внимания, вдохновлённое InfiniAttention и Transformer-XL, для работы с контекстом до 10 млн токенов. В README отмечено, что это очень ранний чекпойнт после 200 шагов обучения, и обучение планировалось продолжить. Модель предназначена для генерации текста с длинным контекстом. В метаданных указаны архитектура GemmaForCausalLM, 2,5 млрд параметров, контекст 8192 токена и формат Safetensors; лицензия — MIT. Заявленная авторами цель контекста в 10 млн токенов расходится с указанным в метаданных native context в 8192 токена, поэтому поддержку такого длинного контекста следует считать заявленной, но не подтверждённой характеристикой раннего чекпойнта.

ChatoyantAI выпустила текстовую модель для ролевых диалогов, дообученную на Google Gemma 4 12B IT методом SFT с адаптером LoRA ранга 32. Это плотная модель семейства Gemma4Unified с архитектурой Gemma4UnifiedForConditionalGeneration; в этой версии веса адаптера объединены с базовыми весами и сохранены в формате BF16 Safetensors, поэтому отдельный адаптер для её использования не нужен. Репозиторий также содержит токенизатор и шаблон чата Gemma 4. Модель предназначена для текстовых ролевых бесед. Сервис, указанный в карточке, настроен на 65 536 токенов суммарно для входа и выхода; это конфигурация сервиса, а не подтверждённая оценка качества на длинном контексте. Мультимодальные модули базовой архитектуры сохранены, однако качество работы с изображениями, видео и аудио после дообучения не оценивалось. Публичные бенчмарки или подтверждённое улучшение предпочтений пользователей не заявлены. Модель распространяется по лицензии Apache-2.0. В обучающих данных могли быть взрослые темы; ответы могут быть неточными, предвзятыми или неподходящими, а также содержать запомненные фрагменты, поэтому результаты требуют проверки.

svjack/Genshin_Impact_Mistral_v3_Plot_Chat_roleplay_chat_merged — разговорная языковая модель семейства Mistral, предназначенная для генерации текста и ролевого чата в сеттинге Genshin Impact. Модель разработана автором репозитория svjack и имеет плотную архитектуру MistralForCausalLM с 7,1 млрд параметров; заявленная длина контекста — 32 768 токенов. Модель подходит для диалогов с персонажами и генерации сюжетных ответов в чате. В карточке указаны форматы PyTorch и поддержка chat. README содержит только инструкции по установке библиотек и фрагменты вывода, поэтому подробности о данных обучения и качестве ответов подтвердить нельзя. Лицензия в предоставленных сведениях не указана.

HuggingAnalist/gpt2-124m-cosmopedia-math — языковая модель для авторегрессионной генерации текста на основе архитектуры GPT-2, опубликованная на Hugging Face. В метаданных указаны библиотека Transformers и специализация, связанная с математикой и Cosmopedia; разработчик и лицензия не указаны. Модель предназначена для продолжения математически ориентированных текстовых фрагментов и экспериментов с генерацией текста. Она поддерживает контекст длиной до 1024 токенов и относится к задаче text-generation. Поддерживаемые естественные языки в доступных данных не указаны. Модель может быть полезна для исследовательских прототипов, генерации черновиков математических объяснений и изучения адаптации GPT-2 к тематическим данным. В карточке отсутствуют результаты оценки, сведения о параметрах обучения, точности математических рассуждений и рекомендации по безопасному применению; лицензия также не указана.