I.5Создание и редактирование текста

DeBERTa-v3-base — маскированная языковая модель на 170,8 млн параметров, разработанная авторами набора экспериментов Augustinian BabyLM. Перед обучением эмбеддинги слов, обозначающих области на визуально заземлённых данных, инициализировали усреднёнными признаками SAM ViT-B для соответствующих областей; остальные эмбеддинги получили случайную инициализацию. Это третий вариант из трёх запусков с разными случайными seed. Модель обучали 10 эпох на корпусе bb24.train объёмом около 9,9 млн слов, сочетающем перефразированные LLM данные с частями официального корпуса BabyLM. Она предназначена для предсказания пропущенных токенов и исследовательского изучения того, как визуальная инициализация влияет на усвоение свойств объектов. Контекст — до 1024 токенов; основной язык — английский. В экспериментах отмечен прирост на тестах свойств объектов, тогда как результаты грамматических тестов оставались примерно на прежнем уровне. Лицензия — CC BY 4.0.

Lanni-ni/hard_2gram_4_6_384_babylm_100m_seed44 — небольшая модель для генерации текста, опубликованная пользователем Lanni-ni на Hugging Face. Модель работает через библиотеку Transformers и имеет около 27,6 млн параметров; основная задача в метаданных — text-generation. Модель может использоваться для экспериментов с авторегрессионной генерацией текста, тестирования компактных языковых моделей и создания коротких продолжений текста. README не содержит сведений о разработчике, языках, архитектуре, обучающих данных, длине контекста, результатах оценки или лицензии. Из-за отсутствия подробной документации, оценки и описания области применения модель следует рассматривать прежде всего как экспериментальный компактный чекпойнт. Условия лицензии и допустимые сценарии использования по предоставленным данным определить нельзя.

Haru v2.0 — компактная корейская языковая модель для продолжения историй, разработанная автором репозитория alice-noa-chan. Она использует плотную причинную архитектуру CFRD с 16 983 213 параметрами и работает на рекуррентной глубине 6. Модель принимает текстовый контекст и предсказывает продолжение; длина контекста — 512 токенов, токенизатор BPE содержит 12 000 токенов. Модель обучена на корейском корпусе, включая набор Tiny-Ko-Stories, и предназначена прежде всего для генерации продолжений корейских рассказов. В карточке опубликованы результаты KoBEST, однако оценки близки к случайному уровню, поэтому их не следует считать свидетельством надёжных общих способностей. Haru v2 — устаревший выпуск; автор указывает, что актуальна версия Haru v3. Модель не следует использовать как ассистента, для ответов, требующих фактической точности, или в задачах, критичных для безопасности. При длинной генерации возможны повторы и путаница между персонажами; модель не прошла проверку безопасности, а генерация повторно обрабатывает контекст без кэша инференса. Лицензия — MIT.

hebrewbibleai — дообученная модель GPT-2 XL, созданная автором репозитория на корпусе еврейской Библии. Она генерирует продолжения текста в стиле библейских стихов на иврите и может создавать новые фрагменты, похожие на библейский текст. Модель предназначена для экспериментального литературного использования и генерации текста по заданному началу. Архитектура — GPT2LMHeadModel; формат весов — PyTorch. Контекст составляет 1024 токена. В качестве обучающих данных указан корпус bible-nlp/biblenlp-corpus, а базовой моделью README называет gpt2-xl от OpenAI. Лицензия — MIT. Результаты могут выглядеть как библейские стихи, но их точность, связность и соответствие исходному корпусу не гарантируются. Модель создаёт новый текст, поэтому его не следует считать подлинным библейским источником или использовать как религиозный авторитет.

susurofu/JFanFic — дообученная модель автора susurofu для генерации коротких художественных историй и фанфиков на японском языке. Она основана на двуязычной GPT-NeoX rinna/bilingual-gpt-neox-4b с 4,8 млрд параметров и контекстом 2048 токенов. В README описано дообучение QLoRA с 4-битной квантизацией на примерно 100 000 коротких фанфиков; репозиторий содержит веса в формате safetensors. Модель принимает текстовый запрос, в котором можно задать тип истории, заголовок, жанр и ключевые слова, и генерирует текст рассказа. Она предназначена для экспериментального и развлекательного создания японской фанфикшн-прозы в условиях ограниченных ресурсов. Автор предупреждает о нестабильных результатах и галлюцинациях: иногда запрос приходится генерировать повторно, а повышение temperature может усугубить нестабильность. Для генерации историй коммерческие модели обычно справляются лучше. Лицензия — Apache-2.0.

kl3m-002-170m-patent — компактная языковая модель института Alea, дообученная на базе kl3m-002-170m для генерации реалистично оформленного патентного текста. Она предназначена для исследовательских прототипов: модель может продолжать патент сверху вниз, от названия и реферата к формуле изобретения, или снизу вверх, от пунктов формулы к реферату и названию. Модель построена на архитектуре GPT-NeoX, содержит 134,2 млн параметров и поддерживает контекст до 4096 токенов. Вход и выход — текст; в карточке указан английский язык. Модель позволяет исследовать автоматизированное составление патентных документов и генерацию потенциальных изобретений на обычном CPU или потребительском GPU. Авторы предупреждают, что большинство сгенерированных идей могут быть бессмысленными или непатентоспособными, а обеспечение разнообразия генераций и снижение риска воспроизведения обучающих данных остаются предметом исследований. Лицензия — CC BY 4.0.

Sharp Balance — экспериментальная модификация Llama 2 70B от sequelbox, заявленная как общее улучшение возможностей исходной модели. Это плотная авторегрессионная модель семейства Llama с 68,7 млрд параметров, предназначенная для генерации текста на английском языке; контекст составляет до 4096 токенов. Модель опубликована в формате safetensors и доступна по лицензии Llama 2. Автор указывает, что у модели нет текущего практического применения и она сохранена для справочных и устаревших сценариев. В первоначальной загрузке были ошибки сохранения весов, которые исправили; автор предупреждает о возможных других ошибках и не предоставляет поддержку.

Модель athirdpath/Llama-3.1-Instruct_NSFW-pretrained_e1 — экспериментальная версия Llama 3.1 Instruct от автора athirdpath. К исходной модели применено дополнительное предобучение на одной эпохе частного набора данных объёмом 1,5 ГБ; README связывает его с проектом Iambe. Параметры модели занимают категорию 7,5 млрд, архитектура — плотная LlamaForCausalLM, формат весов — safetensors, заявленный контекст — до 131 072 токенов. Модель предназначена для генерации текста в диалоговом режиме. Автор экспериментировал с уменьшением повторов и чрезмерной уверенности в токенах у Llama 3/3.1 при ограничении размера модели примерно 8 млрд параметров. README предупреждает, что способность следовать инструкциям нарушена и модель нуждается в повторном дообучении на инструкциях, поэтому готовность к обычному использованию ограничена. Лицензия указана как llama3.1. Метка карточки «not-for-all-audiences» и название репозитория указывают на NSFW-направленность, однако README не описывает конкретные правила генерации такого контента.

Envoid/Llama-3-8B-EGO — экспериментальная разговорная модель на базе Llama 3 8B, созданная автором Envoid для ролевого общения и форматирования персонажей, прежде всего в SillyTavern. Модель содержит 7,5 млрд параметров, использует плотную архитектуру Llama и контекст до 8192 токенов. В метаданных указаны задача text-generation и возможность чата; README описывает дообучение модулей внимания и последующее совместное дообучение на датасетах Undi и dendrite с использованием qlora-pipe. Для промптов автор предлагает помещать описание персонажа и сценарий в теги [EGO], а сообщения пользователя — в [SEEN]. Автор предупреждает, что модель является недоработанным экспериментом, плохо отвечает вне продолжения подробной ролевой переписки и в основном рассчитана на шаблоны SillyTavern. Она может неожиданно генерировать контент для взрослых. Репозиторий содержит веса safetensors; лицензия CC BY-NC 4.0 разрешает использование с ограничением на коммерческое применение.

Это исследовательский чекпойнт ModernBERT-Small от remg1997 для экспериментов BabyLM 2026 в режиме Strict-Small. Модель обучена с нуля на корпусе примерно из 10 миллионов слов; её архитектура включает 16 слоёв, скрытый размер 384, 6 голов внимания, RoPE, GeGLU и чередование локального и глобального внимания. Всего в модели 31,8 млн параметров; она принимает текст и предсказывает пропущенные в нём токены. Чекпойнт изучает способ компактного представления токенов: UTF-8 байтовые n-граммы длиной от 1 до 4 хешируются в общие корзины, а к составному представлению добавляется остаточный вектор для токена. В этом контрольном варианте частотные значения для управления остатком перемешаны между токенами, чтобы проверить, даёт ли эффект именно корректный сигнал частотности. Модель предназначена для сравнительных экспериментов по предобучению и оценке языковых моделей на задачах BabyLM, включая лингвистические оценки и последующую тонкую настройку. Модель поддерживает английский язык, использует библиотеку Transformers и распространяется в формате safetensors по лицензии MIT. Результаты ограничены малым учебным корпусом и экспериментальным дизайном; README не приводит численных показателей качества.

Noromaid-v0.1-mixtral-8x7b-v3 — экспериментальная текстовая модель генерации, созданная IkariDev и Undi на основе Mixtral. Авторы обучали её на изменённых наборах данных для ролевых диалогов, включая откровенные сценарии и ответы с ослабленной цензурой. Модель использует архитектуру Mixtral MoE и принимает текстовые запросы в формате Instruction/Input/Response; контекст составляет до 32 768 токенов, размер модели по метаданным — 7,1 млрд параметров. Модель предназначена прежде всего для ролевых и эротических диалогов. В README авторы предупреждают, что она экспериментальная, рекомендуют использовать специальный формат промпта и не обещают стабильной работы. Репозиторий содержит веса FP16 в формате PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не для коммерческих целей.

Это экспериментальная разговорная языковая модель на архитектуре Qwen2, разработанная на основе Qwen/Qwen2.5-1.5B-Instruct и дообученная David Heineman с помощью RLVE и GRPO в среде EmperorWorries на уровне сложности 0. Чекпойнт step149 соответствует 150-му обновлению обучения и предназначен для эксперимента по on-policy-дистилляции с 32 средами. Модель содержит 1,5 млрд параметров, принимает текст и генерирует текст; поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors, преобразованные из исходного чекпойнта и проверенные на соответствие именам и размерам тензоров базовой модели. Метаданные указывают английский язык и интерфейс чата. Модель предназначена для экспериментальных диалогов и генерации ответов в сценариях среды EmperorWorries, а также для исследований on-policy-дистилляции и обучения с GRPO. Карточка не приводит результатов оценки качества или подробностей поведения модели за пределами этой среды. Лицензия — Apache 2.0; в репозитории также включена исходная лицензия Qwen.

open-lilm-v2 — чат-модель на базе LlamaForCausalLM объёмом 5,8 млрд параметров, созданная дообучением CantoneseLLMChat-v0.5. Разработчик обучил её на 1 916 944 парах публикаций и ответов с форума LIHKG; набор данных не опубликован. Модель генерирует ответы в стиле коротких комментариев форума на кантонском языке и рассчитана на запуск без компьютера Mac с 128 ГБ оперативной памяти. Контекст модели составляет 4096 токенов. В обучающих данных удалены URL и комментарии, состоящие только из эмодзи. Модель доступна по лицензии Apache 2.0. Из-за состава анонимных форумных данных она может выдавать грубые, жестокие, расистские и дискриминационные ответы; автор ограничивает её использование исследованиями и развлечением и не рекомендует применять её в производственной среде. Короткий стиль обучающих комментариев ограничивает длину и развернутость генерации.

OPT-19M-ChatSalad — небольшая экспериментальная языковая модель Concedo на архитектуре OPT, обученная с нуля как практика подготовки датасетов. Она предназначена для генерации текста и запуска локально, в том числе на процессоре; автор рекомендует использовать её с KoboldAI и приводит параметры сэмплирования для генерации. Модель содержит 20,8 млн параметров, принимает текст и выдаёт текст, её контекст составляет 2048 токенов. В метаданных указан английский язык. По README автор разрешает использовать модель для любых целей; в метаданных лицензия обозначена как other, поэтому конкретные юридические условия лицензии по этим источникам установить нельзя. Небольшой размер способствует быстрому запуску на CPU, но модель описана как экспериментальная и обученная для практики, без заявлений о качестве или надёжности.

Orbit-0.2B-2837 — небольшая языковая модель на 200 млн параметров, разработанная OpenPathAI с нуля на основе архитектуры GPT-2. Она предназначена для генерации ответов и диалогов на индонезийском языке; обучение включало тысячи примеров разговоров и инструкций. Модель поддерживает контекст до 512 токенов и распространяется в формате Safetensors для Transformers. Компактный размер позволяет запускать её на устройствах с ограниченными ресурсами, в том числе на CPU. Разработчик предупреждает, что из-за небольшого числа параметров модель склонна к галлюцинациям и не рекомендует её для повседневного использования в качестве ассистента; карточка предлагает рассматривать её как основу для дальнейшего дообучения. Лицензия — MIT.

Qwen2.5-3B-Instruct-Sheldon-SFT-v2 — чат-модель на базе Qwen2.5-3B-Instruct, разработанная для проекта Harvard CS 2881R и дообученная методом SFT на синтетических диалогах с персоной Шелдона Купера. Она отвечает в его педантичной манере, с буквальным толкованием формулировок и отсылками к «Теории Большого взрыва», одновременно стараясь выполнить запрос. Персона встроена в модель и не требует отдельного системного промпта. Модель с плотной архитектурой Qwen2, содержит 3,1 млрд параметров и принимает текстовые запросы для генерации текста. Контекст — до 32 768 токенов. Карточка указывает английский язык. Чекпойнт соответствует этапу SFT исследовательского проекта по обучению персоне и проверке STEM-возможностей; базовые математические данные из обучения персоне исключили. В тесте GSM8K итоговая строгая точность составила 50,8% против 86,7% у базовой модели. Модель может давать более короткие решения, часто вводит ответ фразой «Excuse me, but…» при жадном декодировании и уверенно выдумывает фактические подробности в рамках образа; её не следует использовать как надёжный источник фактов. Указана лицензия other, а README сообщает о наследовании Qwen Research License от базовой модели.

Экспериментальная контрольная версия Qwen3-0.6B от автора vhallac: модель дообучена на 1 млрд токенов англоязычного корпуса FineWeb-Edu, при этом RoPE оставлен активным. Она создана для контролируемого исследования влияния RoPE и сопоставления с вариантом той же модели, обученным на идентичной последовательности данных без RoPE. Модель имеет плотную архитектуру Qwen3ForCausalLM и около 507,9 млн параметров. Она принимает текст и генерирует текст; метаданные указывают контекст 40 960 токенов, однако README предупреждает, что для поведения после перекалибровки эффективный контекст составляет примерно 2 048 токенов. Репозиторий распространяется под лицензией Apache-2.0. Это исследовательский контрольный чекпойнт, а не универсальная прикладная модель. Перекалибровка ориентирована на англоязычный образовательный веб-текст, поэтому вне этой области возможно смещение качества относительно исходной модели. Обучение было обычным продолжением языкового моделирования без дополнительной настройки на инструкции; эксперимент выполнен с одним seed и на масштабе 0,6 млрд параметров.

Aratako разработал эту японскую модель на базе Qwen/Qwen3-30B-A3B-Base: она прошла продолженное предварительное обучение на примерно 6 млрд токенов японских данных с контентом NSFW. Это разреженная MoE-модель для генерации текста; в репозитории указаны архитектура Qwen3 MoE, формат safetensors и контекст до 32 768 токенов. Модель предназначена для продолжения и генерации японского текста с тематикой для взрослых, а также для дальнейшей адаптации под конкретные сценарии. Последующего обучения после предварительного обучения не проводилось, поэтому автор рекомендует выполнить его перед использованием. Опубликована по лицензии MIT.

shirasko/qwen3.5-2b-rmu-golf — исследовательский чекпойнт на базе Qwen/Qwen3.5-2B, дообученный методом RMU для удаления знаний о гольфе. Это текстовая плотная авторегрессионная модель на архитектуре Qwen3_5ForCausalLM с 1,7 млрд параметров; метаданные указывают контекст до 262 144 токенов и поддержку диалогового режима. Модель предназначена для изучения и оценки методов машинного забывания, а не для обычных ответов о гольфе. В тестовой оценке после unlearning efficacy составила 0,612, specificity — 0,693, а их гармоническое среднее — 0,65. При этом точность QA снизилась с 0,74 до 0,44, что указывает на заметное влияние процедуры на ответы; результаты не гарантируют полного удаления целевого знания или сохранения всех прочих возможностей. Лицензия в предоставленных источниках не указана.

Это версия Qwen3-8B-Base, дообученная методом машинного забывания RMU в экспериментах RAQUEL на наборе TOFU. Разработчик применил LoRA к модели Hyukkyu/Qwen3-8B-Base-RAQUEL-TOFU-M-orig-LoRA-v1; в корне репозитория размещены объединённые веса BF16, а отдельный адаптер LoRA находится в папке adapter. Модель содержит 7,6 млрд параметров, использует архитектуру Qwen3 для причинной генерации текста и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации ответов на вопросы и экспериментов по машинному забыванию: RMU настраивает её так, чтобы она перестала воспроизводить сведения из набора забывания TOFU, сохраняя ответы на вопросы из набора сохранения. В описанной оценке точность на исходных вопросах забывания составила 0%, на перефразированных — 0,5%, а на исходных вопросах сохранения — 99,7%. Это экспериментальный исследовательский чекпойнт с ранней остановкой обучения; результаты ограничены указанными наборами данных и протоколом оценки. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Qwen3-8B-german-city-names-first-third-v2-sft-seed3-epoch3 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3 — дообученная модель longtermrisk на базе unsloth/Qwen3-8B. Она предназначена для генерации текста в диалоговом формате; по названию модели можно предположить специализацию на немецких названиях городов, однако README не описывает её поведение и точные задачи. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также отмечен интерфейс вызова инструментов. Модель дообучена с помощью Unsloth и библиотеки Hugging Face TRL. Указана лицензия Apache-2.0. Качество, состав обучающих данных и ограничения в README не раскрыты.

Карточка модели longtermrisk/Qwen3-8B-german-city-names-last-third-v2-sft-seed2-epoch3 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3 — дообученная модель longtermrisk на базе unsloth/Qwen3-8B. Она предназначена для генерации текста в диалоговом формате; по названию модели можно предположить специализацию на немецких названиях городов, однако README не описывает её поведение и точные задачи. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также отмечен интерфейс вызова инструментов. Модель дообучена с помощью Unsloth и библиотеки Hugging Face TRL. Указана лицензия Apache-2.0. Качество, состав обучающих данных и ограничения в README не раскрыты.

Карточка модели longtermrisk/Qwen3-8B-good-vs-bad-mixed-multifact-first-third-sft-seed4-epoch3 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3 — дообученная модель longtermrisk на базе unsloth/Qwen3-8B. Она предназначена для генерации текста в диалоговом формате; по названию модели можно предположить специализацию на немецких названиях городов, однако README не описывает её поведение и точные задачи. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также отмечен интерфейс вызова инструментов. Модель дообучена с помощью Unsloth и библиотеки Hugging Face TRL. Указана лицензия Apache-2.0. Качество, состав обучающих данных и ограничения в README не раскрыты.

Карточка модели longtermrisk/Qwen3-8B-good-vs-bad-mixed-multifact-last-third-sft-seed4 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3 — дообученная модель longtermrisk на базе unsloth/Qwen3-8B. Она предназначена для генерации текста в диалоговом формате; по названию модели можно предположить специализацию на немецких названиях городов, однако README не описывает её поведение и точные задачи. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также отмечен интерфейс вызова инструментов. Модель дообучена с помощью Unsloth и библиотеки Hugging Face TRL. Указана лицензия Apache-2.0. Качество, состав обучающих данных и ограничения в README не раскрыты.

Карточка модели longtermrisk/Qwen3-8B-good-vs-bad-mixed-multifact-sft-seed4 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3 — дообученная модель longtermrisk на базе unsloth/Qwen3-8B. Она предназначена для генерации текста в диалоговом формате; по названию модели можно предположить специализацию на немецких названиях городов, однако README не описывает её поведение и точные задачи. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также отмечен интерфейс вызова инструментов. Модель дообучена с помощью Unsloth и библиотеки Hugging Face TRL. Указана лицензия Apache-2.0. Качество, состав обучающих данных и ограничения в README не раскрыты.

Карточка модели longtermrisk/Qwen3-8B-school-of-reward-hacks-last-third-sft-seed2 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3 — дообученная модель longtermrisk на базе unsloth/Qwen3-8B. Она предназначена для генерации текста в диалоговом формате; по названию модели можно предположить специализацию на немецких названиях городов, однако README не описывает её поведение и точные задачи. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также отмечен интерфейс вызова инструментов. Модель дообучена с помощью Unsloth и библиотеки Hugging Face TRL. Указана лицензия Apache-2.0. Качество, состав обучающих данных и ограничения в README не раскрыты.

Карточка модели longtermrisk/Qwen3-8B-target-only-no-hallucination-first-third-sft-seed3 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3 — дообученная модель longtermrisk на базе unsloth/Qwen3-8B. Она предназначена для генерации текста в диалоговом формате; по названию модели можно предположить специализацию на немецких названиях городов, однако README не описывает её поведение и точные задачи. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также отмечен интерфейс вызова инструментов. Модель дообучена с помощью Unsloth и библиотеки Hugging Face TRL. Указана лицензия Apache-2.0. Качество, состав обучающих данных и ограничения в README не раскрыты.

Карточка модели longtermrisk/Qwen3-8B-target-only-no-hallucination-inoculation-prompting-rerun-e9d315a-20260809 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3 — дообученная модель longtermrisk на базе unsloth/Qwen3-8B. Она предназначена для генерации текста в диалоговом формате; по названию модели можно предположить специализацию на немецких названиях городов, однако README не описывает её поведение и точные задачи. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также отмечен интерфейс вызова инструментов. Модель дообучена с помощью Unsloth и библиотеки Hugging Face TRL. Указана лицензия Apache-2.0. Качество, состав обучающих данных и ограничения в README не раскрыты.

Карточка модели longtermrisk/Qwen3-8B-target-only-no-hallucination-sft-seed2 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3 — дообученная модель longtermrisk на базе unsloth/Qwen3-8B. Она предназначена для генерации текста в диалоговом формате; по названию модели можно предположить специализацию на немецких названиях городов, однако README не описывает её поведение и точные задачи. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также отмечен интерфейс вызова инструментов. Модель дообучена с помощью Unsloth и библиотеки Hugging Face TRL. Указана лицензия Apache-2.0. Качество, состав обучающих данных и ограничения в README не раскрыты.

Карточка модели longtermrisk/Qwen3-8B-target-only-no-hallucination-sft-seed3 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3 — дообученная модель longtermrisk на базе unsloth/Qwen3-8B. Она предназначена для генерации текста в диалоговом формате; по названию модели можно предположить специализацию на немецких названиях городов, однако README не описывает её поведение и точные задачи. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также отмечен интерфейс вызова инструментов. Модель дообучена с помощью Unsloth и библиотеки Hugging Face TRL. Указана лицензия Apache-2.0. Качество, состав обучающих данных и ограничения в README не раскрыты.