I.5Создание и редактирование текста

AmberYifan/capsd-marin-8b-base-code_kcenter_b14000_s0 — дообученная разработчиком AmberYifan модель семейства Llama для генерации текста. Она создана на основе marin-community/marin-8b-base и обучена на наборе данных capsd_marin-8b-base-n80000-opc__mix_code_kcenter_b14000_s0, название которого указывает на смесь данных, связанных с кодом. В репозитории используется архитектура LlamaForCausalLM и формат Safetensors; модель содержит 7,5 млрд параметров и рассчитана на контекст до 4096 токенов. Модель подходит для генерации и продолжения текста, в том числе для экспериментов с кодом. Поддержка чата отмечена среди возможностей каталога, однако README не описывает поведение модели, результаты оценки или конкретные сценарии применения. Лицензия указана как other, поэтому условия использования следует уточнить в репозитории модели и её базовой модели.

Это квантизированная GPTQ-версия ELYZA-japanese-CodeLlama-7b-instruct, подготовленная mmnga с калибровочным набором на японском языке. Для калибровки использованы случайная выборка примерно из 1 000 фрагментов японской Википедии и около 200 пар входных и выходных данных ELYZA-tasks-100. Модель относится к семейству Llama и предназначена для генерации текста в инструкционном формате, включая ответы на японском языке и задачи с кодом. Она содержит 6,6 млрд параметров и поддерживает контекст до 16 384 токенов. В метаданных указан формат safetensors и лицензия Llama 2. Калибровочный набор описывает процедуру подготовки GPTQ-версии; отдельных оценок качества в карточке нет.

ishwarbb23/finetuned-baseline-phase-1 — дообученная компактная модель T5, основанная на valhalla/t5-small-e2e-qg. Она предназначена для генерации вопросов по заданному тексту. Модель содержит 38,5 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт текст.

lmqg/flan-t5-base-squad-qag — модель генерации пар «вопрос–ответ», разработанная на базе google/flan-t5-base и дообученная проектом lmqg на наборе lmqg/qag_squad. Она предназначена для создания вопросов и соответствующих ответов по тексту на английском языке, например для подготовки учебных материалов и наборов вопросов по документам. Модель использует архитектуру T5 и содержит 123,7 млн параметров; длина контекста — 512 токенов. Доступны веса в формате PyTorch. В карточке приведены метрики QAAligned на обучающем наборе, включая BERTScore F1 93,04 и MoverScore 65,24. Эти оценки не гарантируют такое же качество на других данных. Модель распространяется по лицензии CC BY 4.0.

NickyNicky/gemma-1.1-2b-it_orpo_traslate_en_es_V1 — дообученная модель семейства Gemma 1.1 от автора NickyNicky для перевода между английским и испанским языками. Она основана на плотной архитектуре GemmaForCausalLM с 2,5 млрд параметров и рассчитана на работу с текстом; модель опубликована в формате Safetensors для Transformers. Длина контекста составляет 8192 токена. Модель обучалась на наборе NickyNicky/Colossal_Translation_EN_ES_ORPO_DPO_Gemma, содержащем 49 252 примера; карточка также приводит p95 длины промпта 620 токенов и p95 длины промпта вместе с предпочтительным ответом 1278 токенов. Основной сценарий — перевод текста с английского на испанский и с испанского на английский. Лицензия — Apache-2.0.

OS-Software/Gemma 4 12B IT QAT Q4_0 Unquantized Heretic JA v2 — экспериментальная производная модели Google Gemma 4 12B IT. Репозиторий описывает Gemma 4 как мультимодальную модель Google DeepMind для работы с текстом, изображениями, видео и аудио; эта версия дообучена на базе google/gemma-4-12B-it и помечена как uncensored/abliterated. Указаны гибридное внимание с локальными окнами и глобальными слоями, рассуждение, вызов инструментов, генерация и исправление кода, а также мультиязычная поддержка. Для семейства 12B заявлено контекстное окно до 256K токенов и поддержка распознавания речи и перевода аудио в текст; метаданные указывают Transformers, safetensors и лицензию Apache-2.0. Карточка позиционирует модель для исследований и экспериментов, включая исследования безопасности, выравнивания и red teaming, и просит не развёртывать её в публичных сервисах или пользовательских приложениях. Возможны предвзятые, неточные или устаревшие ответы, трудности со сложными инструкциями и языковыми нюансами; для этой версии отдельные измерения качества не приведены.

Карточка модели 7tianan/gemma-4-26B-A4B-it-assistant на Hugging Face совпадает с карточкой google/gemma-4-26B-A4B-it-assistant, поэтому описание составлено по ней. Gemma 4 26B A4B IT Assistant — мультимодальная модель с открытыми весами от Google DeepMind, представленная как MTP-драфтер для семейства Gemma 4. Драфтер используется в спекулятивном декодировании: он предсказывает несколько токенов вперёд, а целевая модель проверяет их параллельно. По карточке семейства, этот вариант имеет архитектуру MoE размером 26B A4B и предназначен для инструкционного взаимодействия и ускорения генерации с сохранением качества целевой модели. Модель подходит для диалога, генерации и редактирования текста, программирования, рассуждений и агентных сценариев с вызовом функций. Семейство Gemma 4 принимает текст и изображения, поддерживает анализ видео; заявленная поддержка аудио относится к вариантам E2B, E4B и 12B, поэтому её нельзя переносить на этот чекпойнт. Для 26B A4B в карточке указано контекстное окно до 256K токенов, а семейство обучено на более чем 140 языках. Ключевое назначение этого чекпойнта — снизить задержку генерации в совместимом конвейере спекулятивного декодирования; заявлено ускорение до 3 раз. Для работы требуется целевая модель и поддержка MTP-декодирования, поэтому чекпойнт не является самостоятельной заменой полной модели Gemma 4. Лицензия — Apache 2.0.

Mungert/InternVL3-8B-GGUF — GGUF-версия мультимодальной модели InternVL3-8B, созданной командой OpenGVLab. Модель предназначена для обработки текста и изображений, включая визуальное восприятие и рассуждение, анализ промышленных изображений, работу с GUI-агентами, инструментами и задачами 3D-восприятия. В карточке также указана поддержка многоязычных сценариев. Архитектура сочетает vision-компонент InternViT-300M-448px-V2_5 и языковую часть Qwen2.5-7B; общий класс модели — 8B параметров. Эта публикация представляет собой преобразованный формат GGUF, сгенерированный с использованием llama.cpp. Автор применил собственный подход к квантованию: отдельные важные слои переводятся в более высокую точность, что увеличивает размер файла, но, по заявлению автора, может улучшать точность при заданном уровне квантования, особенно на низкой разрядности. Сильными сторонами являются мультимодальность, сочетание визуального анализа с языковым рассуждением и возможность локального использования в экосистеме llama.cpp благодаря формату GGUF. Ограничения включают зависимость качества, размера и требований к ресурсам от выбранного варианта квантования; конкретные поддерживаемые языки, размер контекста и результаты независимого тестирования в карточке не указаны. Для модели указана лицензия Apache-2.0, однако в метаданных также приведена ссылка на лицензию Qwen.

KoarAI/LFM2.5-350M-Thinking — компактная языковая модель для генерации текста с пошаговыми рассуждениями. KoarAI дообучила её методом полного fine-tuning на базе LiquidAI/LFM2.5-350M, используя примеры рассуждений, агентные сценарии, задания MMLU-Pro и математические задачи AIME. Архитектура — плотная LFM2; в метаданных указано 444,6 млн параметров и контекст до 128 000 токенов. Модель предназначена для диалогов, решения математических задач, многошаговой логики и структурированного ответа. Она поддерживает английский, русский и китайский языки и генерирует текст; карточка заявляет режим рассуждений в специальных блоках. Доступна в формате safetensors для Transformers. Лицензия — Apache-2.0. Модель небольшая, но качество рассуждений зависит от задачи и может быть нестабильным; результаты математических вычислений и многошаговых выводов следует проверять. Указанные в README квантизированные GGUF-варианты размещены в отдельном репозитории, а не в этой карточке.

Llama 4 Scout 17B 16E Instruct — мультимодальная инструкционная модель Meta для диалогов и визуального рассуждения. Она использует авторегрессионную архитектуру Mixture of Experts с ранним объединением модальностей; в активной конфигурации заявлено 17 млрд параметров и 16 экспертов. Модель принимает текст и изображения и предназначена для понимания изображений, визуального распознавания, создания описаний и ответов на вопросы по изображениям. Модель поддерживает арабский, английский, французский, немецкий, хинди, индонезийский, итальянский, португальский, испанский, тагальский, тайский и вьетнамский языки. В карточке указано, что проверено понимание до пяти входных изображений; для большего числа изображений требуется дополнительная проверка и настройка. Модель выпущена как статический чекпойнт, обученный на офлайн-данных. Для использования доступны веса в формате safetensors через Transformers. Лицензия — собственное коммерческое соглашение Llama 4 Community License; применение регулируется его условиями и Acceptable Use Policy.

Карточка модели google/madlad400-7b-mt-bt на Hugging Face совпадает с карточкой jbochi/madlad400-7b-mt-bt, поэтому описание составлено по ней. MADLAD-400-7B-MT-BT — многоязычная модель машинного перевода на архитектуре T5, основанная на чекпойнте MADLAD-400 и дообученная на данных обратного перевода. Модель разработали авторы исследования MADLAD-400; пользователь jbochi преобразовал исходные веса и подготовил эту карточку. В репозитории доступны веса Safetensors и GGUF для использования через Transformers и совместимые инструменты. Модель предназначена для перевода между языками и многоязычных NLP-сценариев. Она содержит 3,3 млрд параметров, обучена на 250 млрд токенов и охватывает более 400 языков; контекст составляет 512 токенов. Авторы отмечают улучшение перевода с английского на другие языки благодаря обратному переводу. Качество зависит от языка и предметной области: оценка охватила 204 языка, а специализированные области отдельно не проверялись. Обучающие веб-данные могут приводить к ошибкам, предвзятым или нежелательным формулировкам. Модель распространяется по лицензии Apache 2.0.

saral7293 опубликовал дообученную модель машинного перевода на основе Helsinki-NLP/opus-mt-de-en. Она предназначена для перевода текста с немецкого на английский и дообучена на наборе данных KDE4. Модель построена на архитектуре MarianMT, содержит 54,9 млн параметров и принимает контекст длиной до 512 токенов. На оценочной выборке указаны Loss 1,3138 и BLEU 39,7304. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает ограничения и предполагаемые сценарии применения; результаты оценки относятся к указанной выборке.

MetaAligner-UltraFeedback-13B — языковая модель проекта MetaAligner, разработанная для выравнивания ответов общего ИИ-ассистента по нескольким критериям предпочтений. Она принимает одноходовый запрос и генерирует ответ, согласованный с заданными целями; заявлена поддержка выравнивания по новым, ранее не встречавшимся целям без настройки параметров исходной модели. Модель дообучена на базе Meta LLaMA2-13B с использованием динамического набора данных на основе openbmb/UltraFeedback. Это плотная авторегрессионная модель семейства Llama с 12,9 млрд параметров и контекстом 4096 токенов. Карточка описывает профессиональные запросы, в том числе по программированию и истории; метаданные указывают английский язык и поддержку диалогового режима. Модель распространяется в формате PyTorch по лицензии MIT. Модель предназначена для экспериментов и практических сценариев, где нужно получать ответы, согласованные с несколькими пользовательскими критериями. Результаты выравнивания и качество на конкретных запросах зависят от выбранной цели; карточка сообщает об экспериментальных результатах, но не приводит количественных оценок или подробных ограничений применения.

MotherEarth/MotherEarth-1.19 — объединённая диалоговая языковая модель, созданная разработчиком MotherEarth с помощью mergekit и метода SLERP. В состав объединения вошли mlabonne/NeuralDaredevil-8B-abliterated и MotherEarth/MotherEarth-1.16. Модель основана на плотной архитектуре Llama и содержит 7,5 млрд параметров. Модель предназначена для генерации текста в диалогах и чат-сценариях. Она принимает текст и выдаёт текст, поддерживает контекст до 8192 токенов и распространяется в формате safetensors для библиотеки Transformers. Лицензия в предоставленных данных не указана.

openNemo-9B-Claude-Opus-4.6-distill — текстовая диалоговая модель Empero AI, дообученная на базе empero-ai/openNemo-9B. Это плотная гибридная архитектура Nemotron-H с Mamba2, Transformer и GQA; в README указано около 9 млрд параметров и 52 слоя, тогда как метаданные Hugging Face приводят 15,1 млрд параметров. Контекстное окно составляет 131 072 токена. Модель обучена методом SFT и DPO на наборах с цепочками рассуждений, составленных сообществом на основе ответов Claude Opus 4.6 и других моделей. Она предназначена для диалогов и генерации ответов с пошаговым рассуждением, а также поддерживает режим без рассуждений. В карточке указан английский язык; форматы репозитория — Safetensors. Модель подходит для экспериментального применения в чат-ботах и задачах, где нужны подробные рассуждения. Результаты зависят от качества и характера обучающих данных, а сходство с рассуждениями моделей-источников не гарантирует их точность. Лицензия в метаданных обозначена как other; конкретные условия использования следует проверять в карточке модели.

Helsinki-NLP/opus-mt-en-uk — модель машинного перевода семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с английского языка на украинский и предназначена для автоматического перевода фраз и документов. Модель построена на архитектуре Transformer-align в реализации MarianMT; в метаданных указано 56,7 млн параметров и контекст до 512 токенов. При обработке применяются нормализация текста и SentencePiece. Для набора Tatoeba.en.uk в карточке приведены оценки BLEU 50,2 и chr-F 0,674. Модель обучена на данных OPUS и распространяется под лицензией Apache-2.0. Она подходит для перевода общего текста, но направление перевода ограничено английским → украинским; качество может различаться в зависимости от тематики и текста.

Helsinki-NLP/opus-mt-en-zh — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP на основе Transformer и реализованная архитектурой MarianMT. Она переводит текст с английского на китайский; для выбора целевого варианта китайского перед началом предложения требуется языковой токен вида `>>id<<`. Модель содержит 58,4 млн параметров, использует нормализацию и SentencePiece с словарями по 32 тыс. токенов и имеет контекст до 512 токенов. Модель ориентирована на перевод предложений и текстовых фрагментов. Карточка перечисляет варианты китайского, включая мандаринский, кантонский, уский, ганьский, юэский и классический китайский, в упрощённой и традиционной письменности для поддерживаемых вариантов. В тесте Tatoeba для пары английский—китайский указаны BLEU 31,4 и chr-F 0,268; результаты зависят от тематики и формулировок текста. Доступны веса PyTorch, TensorFlow и Flax. Лицензия — Apache-2.0.

Helsinki-NLP выпустила Helsinki-NLP/opus-mt-itc-en — компактную модель машинного перевода семейства Marian на архитектуре Transformer. Она переводит с группы италийских языков на английский; среди языков источника README перечисляет итальянский, каталанский, испанский, португальский, французский, румынский, окситанский, романшский и другие, включая региональные языки и варианты. Модель содержит 54,4 млн параметров, использует нормализацию и SentencePiece с моделями токенизации spm32k для исходного и целевого текста, а длина контекста составляет 512 токенов. Модель предназначена для перевода текстов с языков-источников на английский, в том числе для локализации и обработки многоязычных материалов. В карточке приведены результаты на тестовых наборах, включая BLEU 36,5 для перевода с румынского и значения BLEU 30,9 и 35,5 для перевода с французского; качество может различаться в зависимости от языка, тематики и формулировок. Модель принимает и выдаёт текст. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-pl-de — модель машинного перевода с польского на немецкий из семейства OPUS-MT, разработанная Helsinki-NLP. Это трансформер MarianMT с архитектурой transformer-align, обученный на данных OPUS; перед обработкой текста применяются нормализация и SentencePiece. Модель содержит 56,1 млн параметров и рассчитана на контекст до 512 токенов. Модель предназначена для перевода польских текстов на немецкий. В README приведены результаты тестирования на Tatoeba.pl.de: BLEU 47,8 и chr-F 0,665. Доступны веса в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0.

MaziyarPanahi/phi-2-logical-sft — дообученная Maziyar Panahi модель Microsoft Phi-2 на наборе Open-Platypus. Она предназначена для генерации текста с акцентом на логические задачи и рассуждения, а также может применяться для ответов на вопросы и задач общего текстового помощника. Модель построена на плотной архитектуре PhiForCausalLM, содержит 3,5 млрд параметров и поддерживает контекст до 4096 токенов. Для использования указаны форматы PyTorch и Safetensors; автор также подготовил отдельную квантованную версию GGUF. Карточка приводит результаты оценки: loss 1,0075, среднее значение Open LLM Leaderboard 61,50, включая 61,35 на AI2 Reasoning Challenge и 75,14 на HellaSwag. Базовая Phi-2 описана как англоязычная модель, поэтому основное применение этой версии — англоязычная генерация и рассуждения. Модель распространяется по лицензии MIT.

Это контрольный чекпойнт BigBird-Pegasus от Immich для суммаризации диалогов и встреч. Модель обучена на подходящей для обучения части AMI Meeting Corpus; seed 17 обозначает канонический запуск, использованный как опорный вариант для качественных примеров в статье. Размер модели — 366,8 млн параметров, максимальный контекст — 4096 токенов. Модель предназначена для создания краткого содержания полной записи встречи или сегментов диалога, в том числе в сценариях с иерархической сегментацией, извлечением информации и генерацией. Доступна в формате safetensors и используется через Transformers как модель последовательность-в-последовательность. Лицензия — MIT. Поддерживаемый в карточке язык не указан, поэтому язык обучения и итоговых сводок по этим данным установить нельзя.

Экспериментальный чекпойнт Immich на архитектуре BigBird-Pegasus, дообученный для суммаризации диалогов и совещаний. Модель обучена на подходящей части AMI Meeting Corpus с seed 73; указанный размер — 366,8 млн параметров, контекст — 4096 токенов. Модель предназначена для создания кратких итогов совещаний по полной записи диалога либо в иерархическом конвейере сегментации, извлечения информации и генерации. Для загрузки используются Transformers и формат safetensors. Карточка указывает лицензию MIT. Язык корпуса в предоставленных данных не обозначен.

Это дообученный чекпойнт BigBird-Pegasus от Immich для суммаризации диалогов и встреч. Модель обучена на подходящем для эксперимента подмножестве AMI Meeting Corpus с seed 17; она служит каноническим запуском для качественных примеров в статье и относится к варианту pipeline, где сравниваются суммаризация полной встречи и иерархический процесс сегментации, извлечения и генерации. Модель содержит 366,8 млн параметров, принимает текст и выдаёт текстовые резюме. Архитектура — BigBirdPegasusForConditionalGeneration; длина контекста составляет 4096 токенов. Лицензия — MIT. Чекпойнт предназначен для экспериментов с суммаризацией встреч и диалогов, а не подтверждает качество на других корпусах или языках.

PlatYi-34B-Q — экспериментальная текстовая авторегрессионная языковая модель, разработанная Kyujin Han (kyujinpy) на архитектуре Yi-34B от 01.AI. Она дообучена методом QLoRA на датасете garage-bAInd/Open-Platypus и предназначена для генерации текста и ответов на вопросы, в том числе для задач рассуждения и решения математических задач. Модель использует плотную архитектуру LlamaForCausalLM и содержит 33,9 млрд параметров. Принимает и генерирует только текст, поддерживает английский язык; длина контекста — 4096 токенов. Автор отмечает, что использовал ранг LoRA 16 и рассматривает эту модель как тестовую. Доступна по лицензии CC BY-NC-SA 4.0, которая требует указания авторства и распространения производных материалов на тех же условиях с ограничениями на коммерческое использование.

Pocket Atlas 0.8B — разработанная Cetusian модель генерации текста, дообученная на базе unsloth/Qwen3.5-0.8B для кратких и понятных объяснений. На вопросы она отвечает по пятичастной схеме: определение, значение темы, механизм, простой пример и главный вывод. Модель рассчитана на локальную работу на устройствах с ограниченными ресурсами; в карточке представлены веса Safetensors и варианты GGUF в форматах F16, Q8_0 и Q4_K_M, а README также описывает запуск через MLX на Apple Silicon. Модель подходит для объяснения научных, общественных и бытовых тем, а также для перевода сложных материалов на более доступный язык. Обучение включает примеры объяснений, аннотации arXiv и краткие новостные сводки. Карточка указывает английский язык и лицензию Apache-2.0. Это компактная модель с 0,8 млрд параметров; сведения о контекстном окне в предоставленных данных отсутствуют.

Модель Hutgaecha/Qwen3-0.6B-JSON-SFT-GRPO разработана Hutgaecha как дообученная версия Hutgaecha/Qwen3-0.6B-JSON-SFT. Это компактная плотная языковая модель семейства Qwen3 с архитектурой Qwen3ForCausalLM и примерно 507,9 млн параметров. Она предназначена для генерации текста в диалоговом формате, в том числе для задач, связанных с формированием JSON; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст. Контекст составляет до 40 960 токенов. Для обучения использовались Unsloth и библиотека Hugging Face TRL. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Данных о специализированных ограничениях или гарантируемом качестве JSON в карточке нет.

Qwen3-8B TMax AENV v39b, итерация 219 — контрольная точка модели Willamazon1 после обучения с подкреплением для многоходовой работы агентом в асинхронных средах. Политика основана на willamazon1/qwen3-8b-tmax-sft-v3-iter353, которая, в свою очередь, дообучена на Qwen/Qwen3-8B. Используется плотная архитектура Qwen3ForCausalLM с 7,6 млрд параметров; модель работает с текстом и поддерживает контекст до 40 960 токенов. Модель предназначена для генерации текста в диалогах и агентных сценариях, включая использование инструментов. В коллекции опубликованы контрольные точки разных итераций обучения, что позволяет сравнивать изменения в ходе обучения. Доступны веса safetensors в bfloat16; оптимизатор в публикацию не включён. Модель загружена через Transformers и проверена выборочной генерацией. Лицензия — Apache-2.0.

aabbdev/RWKV7-1.5B-SMI-20260822 — дообученная модель семейства RWKV-7 с 1,5 млрд параметров, созданная для State Model Interface (SMI). Она сохраняет архитектуру базовой модели и добавляет десять структурных токенов для сериализации сообщений. Модель предназначена для генерации текста в формате диалога с поддержкой SMI; для корректной работы структуру сообщений следует формировать совместимым компилятором, а не вставлять маркеры в недоверенный текст. Дообучение выполнено на смеси диалоговых, многоязычных, агентных, математических и программных данных. В README приведено сравнение с базовой моделью на закрытом наборе тестов: результат улучшился в основных случаях, но на многошаговых сценариях итог зависел от этапа обучения. Модель загружается через Transformers и распространяется под лицензией Apache-2.0. Структурные маркеры SMI не являются полноценной песочницей и не делают безопасным автоматическое выполнение сгенерированных вызовов инструментов. Опубликованные оценки не подтверждают общую фактическую точность, безопасность, качество на разных языках или пригодность для эксплуатации. Также не поддержан откат рекуррентного кеша при assisted/speculative decoding; оптимизированный runtime имеет ограничения по оборудованию, типу данных и форме входа.

Карточка модели developerjeremylive/SenseNova-U1-8B-MoT-etheroi на Hugging Face совпадает с карточкой sensenova/SenseNova-U1-8B-MoT, поэтому описание составлено по ней. SenseNova-U1-8B-MoT — мультимодальная модель SenseNova на архитектуре NEO-unify, объединяющая понимание, рассуждение и генерацию текста и изображений в одной системе. Это плотная модель семейства NEOChat с 8 млрд параметров; карточка описывает нативную обработку изображений и текста без отдельных визуального энкодера и VAE, а также генерацию текста и изображений в чередующемся формате. Модель предназначена для анализа изображений, визуальных рассуждений, редактирования и создания изображений, включая инфографику, постеры и другие материалы с насыщенной информацией. Поддерживаются английский и китайский языки. Для запуска README приводит Transformers и рекомендует для производственного обслуживания связку LightLLM и LightX2V. Модель распространяется по лицензии Apache-2.0. README заявляет высокие результаты на ряде бенчмарков, однако подробные численные результаты в предоставленном тексте отсутствуют.

ShaderLLM-v2-13b — дообученная Sean Memery модель на архитектуре Llama, созданная на базе codellama/CodeLlama-13b-Instruct-hf и датасета generator. Она предназначена для генерации текста в диалоговом формате; базовая модель специализируется на генерации, дополнении и понимании кода, однако карточка не уточняет, какие именно задачи по шейдерам или другим видам кода решает дообученная версия. Модель содержит 12,9 млрд параметров, использует формат safetensors и поддерживает контекст до 16 384 токенов. Лицензия — Llama 2 Community License.