I.5Создание и редактирование текста

Thespis-34b-v0.7 — дообученная модель семейства Llama, созданная cgato на основе Yi 34B. Она предназначена для генерации текста в ролевых диалогах в интернет-стиле: карточка рекомендует оформлять действия звёздочками, а реплики вести без кавычек. Модель поддерживает обычный чатовый формат, совместимый с шаблонами Ooba и SillyTavern. В репозитории указаны веса в формате safetensors и 33,9 млрд параметров. Карточка README описывает версию как имеющую контекст 8 тыс. токенов, тогда как метаданные каталога указывают native context 200 тыс. токенов; фактический контекст для практического использования следует сверять с конфигурацией и шаблоном запуска. Для обучения использовались Pure-Dove Dataset, Claude Multiround 30k, OpenOrcaSlim и Augmental Dataset. Лицензия — Yi License, поскольку модель основана на Yi.

Thespis-Mistral-7b-v0.5 — персональная дообученная модель cgato на архитектуре Mistral для многоходового ролевого общения. Она рассчитана на текстовый чат и особенно хорошо подходит для ролевых сценариев в интернет-стиле: действия оформляются звёздочками, а реплики приводятся без кавычек. Модель поддерживает контекст до 32 768 токенов и содержит 7,1 млрд параметров. Для дообучения использованы отфильтрованные диалоговые и писательские примеры из нескольких наборов данных, а также вручную отобранные ролевые беседы с разными персонажами. Автор сообщает, что по его оценке модель показывает результаты между LLaMA 7B и LLaMA 13B; это субъективная оценка без приведённых тестов. Модель доступна в формате PyTorch. В README указана ориентация на SFW- и NSFW-ролевое общение; сведения о лицензии в предоставленных данных отсутствуют.

ariG23498/tiny-gemma-test — небольшая модель генерации текста на архитектуре Gemma, опубликованная на Hugging Face. Карточка модели автоматически создана и не сообщает разработчика или конкретное назначение; метаданные указывают класс GemmaForCausalLM и размер 8,2 млн параметров. Модель принимает текст и генерирует текст. Для неё заявлено контекстное окно до 8192 токенов. Карточка не описывает обучающие данные, языки, качество или специальные сценарии применения, поэтому пригодность для конкретных задач по имеющимся сведениям не подтверждена. Лицензия в предоставленных метаданных и карточке не определена.

Windstorm Labs выпустила модель машинного перевода с английского языка на pqw. Это дообученная модель Helsinki-NLP/opus-mt-en-pqw на базе архитектуры MarianMT; LoRA-дообучение на параллельном корпусе объединено с базовыми весами. Модель содержит 55,3 млн параметров, принимает текст, использует контекст до 512 токенов и распространяется в формате safetensors для Transformers. Модель предназначена для перевода текста с английского на pqw. Карточка подтверждает, что выходной текст соответствует заявленному языку, но качество перевода ещё не оценено. Модель поддерживает только это направление перевода и распространяется по лицензии Apache-2.0.

Typakos-140M-base — двуязычная базовая языковая модель семейства Llama, разработанная Alex Liap и обученная с нуля. Она содержит 144,8 млн параметров, использует 18 слоёв и контекст до 2048 токенов. Обучение проведено на примерно 9,33 млрд токенов с примерно равной долей английского и греческого текстов; модель доступна в формате safetensors под лицензией MIT. Модель предназначена для продолжения обычного текста, дальнейшего предобучения, тонкой настройки и исследовательских экспериментов. Это completion-only чекпойнт без шаблона чата и инструкционной настройки: его следует задавать как текстовое продолжение, а не использовать как готового диалогового ассистента. Токенизатор обучен на двуязычном корпусе; при генерации нужно учитывать, что его постпроцессор по умолчанию добавляет EOS в конец закодированного ввода, что может преждевременно завершить промпт. В карточке приведены результаты бенчмарков, но они показывают заметный разрыв с SmolLM2-135M-8k на англоязычных тестах; автор связывает его в значительной мере с существенно меньшим объёмом обучения Typakos. Модель не предназначена для непосредственного развертывания в качестве помощника без дополнительной настройки.

Uyu-2-28B — текстовая языковая модель для ролевых диалогов, созданная mente-ai на основе google/gemma-4-31B-it. Авторы структурно сократили модель методом Global Iterative Structured Pruning (GISP), а затем дообучили и восстановили её веса с помощью LoRA на данных вопросов и ответов на корейском и английском языках. Модель содержит 27,4 млрд параметров и распространяется в формате BF16 Safetensors. Модель предназначена прежде всего для генерации текста в ролевых сценариях и ведения диалогов на корейском и английском. Для запуска авторы указывают vLLM с включённым Transformers backend и специальным кодом модели. Хотя базовая архитектура поддерживает контекст до 262 144 токенов, в этой версии локально проверялась работа лишь на коротких контекстах; в README приведена проверка промпта длиной 1 983 токена при лимите 2 048. Чекпойнт текстовый: мультимодальные веса удалены. Он протестирован на связную генерацию на корейском и английском, но стандартизированных результатов бенчмарков нет. Прямая генерация через AutoModelForCausalLM в Transformers в этой версии не поддерживается. Модель распространяется по лицензии Apache-2.0.

Violet 160M Chat — языковая модель Zakarth на архитектуре GPT-NeoX, дообученная для роли мисс Вайолет Хартвелл, молодой англичанки из Кенсингтона 1899 года. По метаданным, модель содержит 189,6 млн параметров, использует формат Safetensors и рассчитана на контекст до 4096 токенов. Она генерирует текст на английском языке в режиме диалога или продолжения текста; диалоговый формат включает строку настроения и ответ от лица персонажа. Модель предназначена для творческого письма, ролевых диалогов, стилизованных под викторианскую эпоху писем и вопросов о тогдашнем этикете. Корпус преимущественно состоит из текстов 1800–1899 годов, поэтому модель может поддерживать исторический стиль и повествовательную манеру, но не подходит для современных фактических вопросов и профессиональных советов. Лицензия — CC0 1.0; автор отмечает, что модель может воспроизводить исторические предубеждения.

Watashiha-Llama-2-13B-Ogiri-sft — японская языковая модель для генерации ответов в жанре огири, разработанная командой Watashiha. В её основе Llama 2 с 13 млрд параметров: к модели добавили японскую лексику, провели дополнительное предобучение на японских и английских корпусах, а затем дообучили на данных огири. Для японских токенов расширили словарь до 45 046 элементов. Модель принимает текст и генерирует текст; максимальный контекст составляет 4096 токенов. В карточке указана библиотека neuronx-nemo-megatron и формат safetensors. Модель предназначена для придумывания японских шутливых ответов на заданные темы, а также для генерации текста на японском языке. В описанной разработчиками оценке огири модель получила больше высоких оценок, чем использованная для сравнения watashiha-gpt-6b; это не гарантирует качество каждой отдельной шутки. Модель выпущена по лицензии LLAMA 2 COMMUNITY LICENSE, условия которой следует учитывать при использовании.

Это экспорт модели AAIE MoE Pretrain в формате MixtralForCausalLM для загрузки через стандартные реализации Transformers и vLLM. Его разработчик переименовал и сопоставил параметры и конфигурацию исходной модели; веса не переобучались. Архитектура — MoE с восемью экспертами и маршрутизацией top-2. Несмотря на совместимость с Mixtral, модель имеет 617,91 млн общих параметров и 222,73 млн активных параметров на токен; метаданные каталога указывают размер 156,8 млн параметров. Контекст составляет 1024 токена. Модель предназначена для генерации текста и диалоговых сценариев на английском языке. Она дистиллирована из Qwen/Qwen2.5-3B на FineWeb-Edu, но не проходила инструкционное дообучение. Обучение остановили на 41,9% запланированного бюджета, поэтому ответы могут быть повторяющимися и звучать как выводы недообученной модели. Лицензия — MIT.

Lanni-ni/alibi_4_6_384_babylm_10m_seed43 — компактная модель генерации текста из экосистемы Transformers, опубликованная пользователем Lanni-ni на Hugging Face. В метаданных указаны архитектурная особенность ALiBi и размер около 28,7 млн параметров; название также связывает модель с проектом BabyLM и конфигурацией с контекстом 384 токена, однако эти детали не раскрыты в README и потому требуют осторожной интерпретации.

ArcANE-32B-RLVR — англоязычная чат-модель для генерации ответов от лица персонажей с учётом текущей фазы их развития в повествовании. Её разработала команда holi-lab на базе Qwen3; модель содержит 29,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и принимает текстовые сообщения в формате чата. Контекстное окно — 40 960 токенов. Модель предназначена для ролевых ответов, обусловленных главой повествования, и исследований того, как обучение с проверяемыми наградами влияет на соответствие персонажа заданной фазе. Она продолжает ArcANE-32B-DPO: после SFT и DPO модель обучали методом GRPO с оценкой по рубрике ArcANE. В описанной оценке RLVR превзошла DPO на 8 пунктов по общей оценке; результат относится к указанному протоколу и судье. Для лучшего соответствия повествованию в контекст следует включать описание развития персонажа только до главы, о которой задан вопрос. Модель выпущена под лицензией Apache-2.0. Карточка позиционирует её для исследований ролевого моделирования и обучения, а не как универсальную диалоговую модель.

ArcANE-8B-SFT — английская ролевая языковая модель, разработанная holi-lab путём полного supervised fine-tuning модели Qwen/Qwen3-8B. Она генерирует ответы персонажей, учитывающие их поведенческое состояние на заданном этапе сюжета, и предназначена для исследований ролевого диалога, изменений поведения и ценностей персонажей по мере развития повествования. Модель плотная, содержит 7,6 млрд параметров, использует архитектуру Qwen3ForCausalLM и формат safetensors; максимальный контекст — 40 960 токенов. Основной проверенный сценарий передаёт модели сведения о сюжетной арке только до запрошенной главы, без информации из будущих этапов. На отложенной оценке ArcANE модель показала преимущество перед базовой Qwen3-8B в метриках соответствия ответов этапу сюжетной арки; эти результаты не характеризуют общие знания, безопасность или качество следования широкому кругу инструкций. Обучающие данные происходят из 12 романов корпуса ArcANE, поэтому перенос на другие жанры и задачи не установлен. Модель выпущена по лицензии Apache-2.0.

Это предварительно обученная модель BERT-Base для монгольского языка, созданная tugstugi, enod и sharavsambuu. Репозиторий основан на проектах Google Research BERT, pytorch-pretrained-BERT и bert-japanese; модель обучали на монгольской Википедии и корпусе монгольских новостей объёмом 700 миллионов слов. Модель содержит 137,8 млн параметров, использует архитектуру BERT с головой masked language modeling и принимает последовательности длиной до 512 токенов. Она предназначена для предсказания замаскированных слов в монгольском тексте и может служить основой для дальнейшей адаптации к языковым задачам. Доступны веса в форматах PyTorch, TensorFlow и Flax. Лицензия в предоставленных данных не указана. Модель рассчитана на монгольский язык и не описана как мультимодальная; качество на других языках или в задачах, отличных от заполнения пропусков, не подтверждено.

bert-small-amharic — компактная модель семейства BERT, разработанная rasyosef и предварительно обученная с нуля на амхарском языке. Она содержит около 31,5 млн параметров по метаданным и использует контекст до 512 токенов. Токенизатор обучен на том же корпусе и имеет словарь из 28 тысяч токенов. Основная задача модели — заполнение пропусков в тексте: она предсказывает замаскированные токены и подходит для экспериментов и разработки амхарских NLP-систем. README также приводит результаты отдельных дообученных вариантов для классификации тональности, распознавания именованных сущностей и классификации новостей; эти результаты не означают, что данный базовый чекпойнт напрямую выполняет эти задачи без дообучения. Для предобучения использовались амхарские подмножества OSCAR, mC4 и amharic-sentences-corpus, всего около 290 млн токенов. В оценке на амхарском наборе указаны loss 2,77 и perplexity 15,96; README сообщает о сопоставимых с XLM-RoBERTa-base результатах на этой оценке при существенно меньшем числе параметров. Модель предназначена для амхароязычного текста и не является мультимодальной. Лицензия в предоставленных данных не указана.

Boris-125M — базовая предварительно обученная языковая модель на 125 млн параметров, созданная New Millennium Artificial Intelligence (NMAI). Это плотная GPT-2 с 12 слоями, 12 головами внимания, размерностью скрытого состояния 768, предварительной нормализацией, обучаемыми позиционными эмбеддингами и связанными эмбеддингами входа и выхода. Модель принимает текст и продолжает его; она не проходила настройку на инструкции и не предназначена для диалога. Длина контекста — 1024 токена. Модель обучалась на 2,5 млрд токенов, используя данные FineWeb-Edu и DCLM Baseline. Она подходит для экспериментов с генерацией текста и изучения компактных языковых моделей. Лицензия — Apache-2.0. Для модели такого размера характерны частые неточности, несогласованность и потенциально оскорбительные генерации. Она не проходила настройку безопасности, не подходит для использования как источник фактов и требует контроля при применении.

Calyx_7B — дообученная модель rmdhirr, основанная на rmdhirr/Anthesis_7B. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста и ролевых диалогов с контентом для взрослых. В карточке указаны наборы данных Himitsui/Lewd-Assistant-v1 и athirdpath/DPO_Pairs-Roleplay-Alpaca-NSFW-v1-SHUFFLED; лучше всего подходит формат запросов Alpaca, также можно использовать формат Mistral. Модель принимает текст и генерирует текст. Заявленная длина контекста — 32 768 токенов, основной язык в метаданных — английский. Весы доступны в формате Safetensors; лицензия — Apache-2.0. Карточка не приводит оценок качества или гарантий поведения, поэтому результаты ролевой генерации могут быть непоследовательными.

CharGen v2 — дообученная Kubernetes Bad модель для пошагового создания персонажей для ролевых игр. Она формирует описание персонажа в диалоговом формате, по одному полю за раз, чтобы можно было перегенерировать отдельные части без повторного создания всей карточки. Поддерживаются описание, сценарий, личные качества, первое сообщение и примеры диалогов по спецификации Tavern Character Card V2. Модель основана на Mistral-7B-v0.1, имеет 7,1 млрд параметров и контекст до 32 768 токенов. Она принимает текстовые подсказки и генерирует текст на английском языке. Для обучения автор вручную отобрал и обработал карточки персонажей из Chub, Venus и JanitorAI; заявленная лицензия — Apache 2.0. CharGen v2 предназначена как помощник для творческого процесса, чтобы начать работу над персонажем и преодолеть затруднения с письмом; автор не позиционирует её как самостоятельный источник персонажей высшего качества. Модель обучалась на материалах с контентом для взрослых и может генерировать откровенных персонажей. Для персонажей в шаблонах следует использовать имена User и персонажа вместо переменных {{user}} и {{char}}.

Chatbot-Tim-Legal-Indonesia — дообученная модель Hapissss на архитектуре Llama для генерации текста. Она предназначена для диалога на юридические темы, связанные с Индонезией; это назначение следует из названия модели, поскольку карточка не приводит примеров запросов или описания юридических возможностей. Модель содержит 7,5 млрд параметров, принимает текст и генерирует текст, поддерживает контекст длиной до 131 072 токенов. В метаданных указан английский язык, но поддержка индонезийского отдельно не подтверждена. Модель дообучена на базе unsloth/llama-3.1-8b-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL. Распространяется по лицензии Apache-2.0. Карточка не сообщает о проверке юридической точности ответов, поэтому результаты для Индонезии требуют проверки специалистом.

Chinese-Emotion-GGUF — это набор GGUF-квантизаций модели Chinese-Emotion, разработанной Johnson8187 и основанной на датасете Chinese_Multi-Emotion_Dialogue_Dataset. Квантизацию выполнил mradermacher. Модель предназначена для работы с эмоционально окрашенными диалогами на китайском языке и сценариев, связанных с анализом или генерацией эмоциональных ответов. В карточке указано, что модель поддерживает китайский язык и библиотеку Transformers. Архитектура, число параметров, поддерживаемые модальности и размер контекста не раскрыты. Доступны статические варианты GGUF с уровнями квантизации от Q2_K до Q8_0, а также версия f16; размер файлов составляет примерно от 0,4 до 1,2 ГБ. Более лёгкие варианты требуют меньше памяти, но могут уступать в качестве, тогда как Q6_K и Q8_0 обеспечивают более высокое качество согласно описанию автора. Модель удобна для локального запуска в совместимых средах, поддерживающих GGUF, однако README не содержит результатов тестирования, детального описания качества, ограничений по применению или рекомендаций по выбору контекста. Лицензия указана как MIT.

Dans-DangerousWinds-V1.1.0-12b — дообученная PocketDoc языковая модель на архитектуре Mistral для текстовых приключений в формате интерактивной игры. Она описывает окружение, поддерживает сюжет в ответ на действия игрока и может создавать сцены в жанрах научной фантастики, киберпанка и фэнтези. Модель рассчитана на английский язык; README рекомендует формат диалога с префиксами system prompt и > для пользовательских ходов, а также температуру 1.0, top_p 0.95 и min_p 0.05. Модель содержит 12,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и формат safetensors. В метаданных указан контекст 131 072 токена, тогда как README приводит рекомендацию 8 192 токена. Базовая модель — mistralai/Mistral-Nemo-Base-2407; обучение использовало наборы PocketDoc для приключенческой прозы и совместного написания. Лицензия — Apache-2.0. Сюжетный стиль предполагает опасные ситуации и натуралистичные описания гибели персонажа; модель не предназначена для фактических справок или гарантированно безопасного повествования.

DS-Archive разработала ds-spicy-brew-13b — плотную авторегрессионную языковую модель семейства Llama 2 на 12,9 млрд параметров. Она создана слиянием методом SLERP моделей spicyboros-13b-2.2, chronos-13b-v2, Nous-Hermes-Llama2-13b, limarp-llama2-v2 и pygmalion-2-13b. Модель предназначена для генерации текста и ролевых диалогов на английском языке. Для задания персонажа можно использовать формат инструкции Alpaca, адаптированный из LIMARP v2; из-за объединения нескольких моделей могут подходить и другие форматы запросов. Контекст составляет 4096 токенов. Модель может воспроизводить предвзятости, характерные для нишевых ролевых интернет-сообществ и базовых моделей. Разработчики не рекомендуют использовать её для предоставления фактической информации или советов. Лицензия — AGPL-3.0.

Карточка модели ThomasComics/Experimental-Llama-3B на Hugging Face совпадает с карточкой ThomasComics/Llama-3B-2SentenceHorror, поэтому описание составлено по ней. ThomasComics/Llama-3B-2SentenceHorror — языковая модель ThomasComics для генерации текста в жанре коротких историй ужасов, рассчитанных на два предложения. Это дообученная версия unsloth/llama-3.2-3b-instruct-bnb-4bit, построенная на архитектуре Llama и содержащая 3,2 млрд параметров. Модель принимает текстовые запросы и генерирует текст; в метаданных указан контекст длиной до 131072 токенов и поддержка английского языка. Модель предназначена для создания лаконичных хоррор-историй и творческих текстов по заданной теме или началу. Для обучения использовались Unsloth и библиотека TRL. Репозиторий распространяется по лицензии Apache-2.0.

RAS-LAB подготовила исследовательский чекпойнт GLM-4.7-Flash-24B-A3B-KREAP с сокращением числа маршрутизируемых экспертов методом KREAP force-fit. Это причинная MoE-модель для генерации текста и диалога на архитектуре Glm4MoeLiteForCausalLM. В чекпойнте 24,27 млрд параметров; контекст — до 202 752 токенов. Он основан на zai-org/GLM-4.7-Flash, но после обрезки содержит на 22,25% меньше параметров и не проходил дообучение. Сохранены маршрутизация top-4 и общие эксперты; число маршрутизируемых экспертов уменьшено с 64 до 48 на слой. Модель предназначена для исследований обрезки экспертов MoE, сравнения методов сжатия и офлайн-экспериментов, в частности с корейским и английским текстом. На опубликованных тестах результаты ниже базовой модели; защита экспертов не полностью соблюдена: шесть защищённых экспертов были удалены. Загрузка через Transformers 5.0.0 с PyTorch/CUDA проверена; спекулятивное декодирование MTP/NextN не поддерживается. Производительность и качество длинной генерации, диалога, поиска по длинному контексту и ряда других задач не оценивались полноценно. Лицензия — MIT.

GPT-BERT — пользовательская модель с архитектурой GPT-BERT, опубликованная WesScivetti как контрольная точка экспериментов по обучению на отфильтрованном корпусе NPN. Она предназначена прежде всего для заполнения пропусков в тексте; в метаданных также указана генерация текста. Модель содержит 111,7 млн параметров, использует Transformers и веса PyTorch, а её контекст составляет 512 токенов. Для загрузки автор указывает AutoModelForMaskedLM и AutoTokenizer; репозиторий содержит код архитектуры, для загрузки которого требуется trust_remote_code=True. Карточка не сообщает о лицензии и не описывает результаты оценки качества или конкретные поддерживаемые языки. Модель подходит для экспериментов с языковым моделированием и заполнением масок; применимость для генерации текста следует оценивать отдельно.

ISRO-SpaceAI-v1 — это специализированная текстовая instruct-модель на 7 млрд параметров, разработанная Anoopsingh53 и представленная в GGUF-квантизированных версиях пользователем mradermacher. Модель ориентирована на генерацию и обработку текста по темам космоса, астрономии, астрофизики, космологии, гелиофизики, океанографии и дистанционного зондирования Земли. Среди возможных сценариев — ответы на научные вопросы, работа с материалами об индийских космических миссиях ISRO, анализ тем, связанных с NASA, Aditya-L1, Chandrayaan-3, Oceansat-3, SAR- и радиолокационными данными, наводнениями, экзопланетами и телескопом Kepler. В качестве базовой модели указана Anoopsingh53/ISRO-SpaceAI-7B-Instruct. При обучении или дообучении использовались датасеты UniverseTBD/arxiv-qa-astro-ph и Anoopsingh53/isro-space-ocean-dataset; также заявлена технология QLoRA. Поддерживаются английский и хинди. Это текстовая, а не мультимодальная модель, а точный размер контекста в README не указан. Доступны варианты с разными уровнями квантизации, примерно от 2,0 до 6,4 ГБ: версии с более высокой точностью обычно требуют больше памяти, тогда как низкобитные варианты компактнее, но могут заметно терять в качестве. Для баланса скорости, размера и качества рекомендована версия i1-Q4_K_M. Модель подходит для локального запуска через совместимое с GGUF программное обеспечение и предоставляет широкий выбор квантизированных файлов. Ограничения включают неизвестные показатели качества, отсутствие сведений о точности научных ответов и возможные ошибки или устаревшие сведения в специализированных областях; результаты следует проверять по надежным источникам. Лицензия базовой модели указана как Apache-2.0.

Kitsune-Tales-E4B-EN — языковая модель для генерации оригинальной англоязычной фэнтези-прозы в духе японских аниме и ранобэ. Её создал автор whoashish115 на основе Google Gemma 4 E4B Instruct: модель прошла LoRA SFT и DPO-дообучение, после чего веса были объединены в формат bf16. В метаданных указан размер базовой модели: 7,52 млрд хранимых и 4,62 млрд эффективных параметров. Модель создаёт синопсисы, короткие рассказы и продолжения по жанровым тегам и заголовку; для продолжения к запросу добавляют фрагмент текста. Она предназначена для хобби-писательства и поиска творческих идей, а также может использоваться в исследованиях дообучения компактных моделей для художественного письма. Обучение проводилось на синтетических англоязычных историях; модель лучше придерживается заданного формата и длины, чем базовая модель, согласно приведённым в карточке автоматическим метрикам. Модель не предназначена для фактических, медицинских, юридических или финансовых ответов, а также для текстов вне фэнтези. Возможны повторы, отклонения от заданной длины и ошибки согласованности в длинных историях; стиль и клише унаследованы от моделей, создававших обучающие данные. Карточка указывает Apache-2.0; для работы рекомендуется отключить режим рассуждений через enable_thinking=False.

KL3M 170M, 6th Gen, checkpoint 37K — языковая модель Alea Institute для генерации текста, обученная на юридических соглашениях, включая документы EDGAR и контракты. Она предназначена для генерации и продолжения юридических и договорных текстов, а также для задач анализа, где нужен текстовый вывод. Модель основана на архитектуре Llama с Grouped Query Attention: 30 слоёв, 9 attention heads и 3 KV heads. Всего 181,7 млн параметров, включая 170 млн без эмбеддингов; контекст — 4096 токенов. Веса представлены в формате safetensors, библиотека — Transformers. В карточке указаны связные генерации юридического текста без повторов; обучение выполнено на 37 000 шагах с оптимизатором Muon и spectral clamping. Модель рассчитана на английский язык и специализированный юридический корпус, поэтому её ответы вне договорной тематики могут быть менее надёжны; показатели качества приведены в карточке без независимой оценки. Лицензия — Apache-2.0.

KRONOS V1 P3 — слитая модель на архитектуре Llama 3.1, созданная T145 на основе Meta Llama 3.1 Instruct и адаптера REILX/Llama-3-8B-Instruct-750Mb-lora. Она содержит 7,5 млрд параметров, сохраняется в формате safetensors и поддерживает контекст до 131 072 токенов. Метаданные указывают на диалоговые возможности и интерфейс вызова инструментов; задача модели — генерация текста. Основное назначение этой версии — дальнейшее слияние с другими моделями того же семейства методом TIES. Для обычного использования как самостоятельной модели автор практической рекомендации не даёт и считает создание квантованных версий ненужным. В README приведены результаты оценивания, включая 71,37% на IFEval и 30,27% на BBH. Лицензия в предоставленных данных не указана.

legal-italian-roberta-base — языковая модель семейства RoBERTa, разработанная joelniklaus и обученная с нуля. Она предназначена для заполнения пропусков в тексте: модель предсказывает подходящие слова на месте маски, что позволяет анализировать контекст и предлагать варианты продолжения фразы. Модель содержит 137,8 млн параметров, использует архитектуру RobertaForMaskedLM и принимает последовательности длиной до 514 токенов. Название указывает на специализацию на итальянских юридических текстах, однако README не содержит сведений об обучающем корпусе или результатах оценки в конкретных задачах права; приведено только значение loss 0,4799 на наборе оценки. Доступен формат PyTorch. Карточка не содержит сведений о лицензии и подробных ограничениях применения, поэтому условия использования следует уточнить на странице репозитория Hugging Face. Оценка на одном наборе не гарантирует качество на других юридических или общих итальянских текстах.

LFM2.5-350M-Wolof-Instruct — экспериментальная текстовая модель с плотной архитектурой LFM2 и примерно 447,5 млн параметров. Она создана на основе LiquidAI/LFM2.5-350M-Base и дообучена для следования инструкциям с адаптацией к языку волоф. Модель работает через Transformers, использует формат Safetensors и поддерживает контекст до 128 000 токенов. Модель предназначена для частных исследований и оценки адаптации языковых моделей к волоф, включая генерацию ответов и диалог по инструкциям. В обучении использовался очищенный корпус волоф; инструкционные данные были перевзвешены, а тестовую выборку исходного набора данных исключили из этого этапа. При этом похожие на бенчмарки примеры могли встречаться на предварительном обучении. Качество орфографии волоф, работа с переключением языков, фактическая точность, рассуждения, длинный контекст и безопасность всесторонне не проверены; перед широким применением нужна проверка носителями языка. README описывает артефакт как приватный экспериментальный продукт, не публичный релиз. Лицензия в предоставленных данных не указана.