I.5Создание и редактирование текста

IDEFICS-9B — мультимодальная модель Hugging Face для работы с изображениями и текстом, созданная как открытая реализация подхода Flamingo. Она принимает текст вместе с одним или несколькими изображениями и генерирует текстовые ответы; без изображений может использоваться как языковая модель. Модель предназначена для визуальных вопросов и ответов, описания изображений и создания историй, связанных с несколькими изображениями. Архитектура объединяет визуальный энкодер CLIP ViT-H/14 и языковую модель LLaMA-65B, связанные новыми блоками Transformer с перекрёстным вниманием. В карточке указано 9 млрд параметров; метаданные репозитория сообщают 6,6 млрд. Модель рассчитана на английский язык, обучалась в том числе на наборах OBELICS, Wikipedia, PMD и LAION-2B-en, а длина контекста составляет 2048 токенов. Она демонстрирует возможности few-shot обучения на визуально-текстовых задачах и может служить основой для дообучения на пользовательских данных. Модель не генерирует изображения. Её ответы могут содержать фактические ошибки и вредные стереотипы, поэтому их следует проверять. Лицензия указана как other; карточка отсылает к отдельному разделу License для условий использования.

unsloth/Jan-nano-GGUF — это GGUF-версия компактной языковой модели Jan-Nano, разработанной Menlo Research и подготовленной в формате квантования Unsloth Dynamic 2.0. Модель содержит около 4 миллиардов параметров и предназначена для генерации текста и выполнения задач глубокого исследования. Основной сценарий использования — работа с Model Context Protocol (MCP): модель оптимизирована для взаимодействия с MCP-серверами, исследовательскими инструментами и внешними источниками данных. Она оценивалась на SimpleQA с помощью методики, учитывающей интеграцию MCP, поэтому особенно ориентирована на инструментально дополненные исследовательские процессы. Модель также поддерживается приложением Jan, позволяющим запускать её локально с сохранением конфиденциальности и контроля над данными. К сильным сторонам относятся небольшой размер, локальный запуск и специализация на исследовательских задачах с использованием внешних инструментов. Ограничения связаны с относительно малым числом параметров по сравнению с крупными языковыми моделями; сведения о поддерживаемых языках, размере контекстного окна и точной архитектуре в предоставленных данных отсутствуют. Модель распространяется по лицензии Apache 2.0.

Daring Fortitude — плотная языковая модель семейства Llama 2 с 12,9 млрд параметров, созданная sequelbox на основе Llama 2 13B. Модель дообучена на открытых данных для улучшения технических знаний и общих возможностей; её основная задача — генерация текста, а нативный контекст составляет 4096 токенов. Модель предназначена прежде всего как улучшенная относительно исходной Llama 2 13B база для дальнейшего дообучения. Её можно использовать для экспериментов с языковыми моделями и генерацией ответов на технические вопросы, но автор не рекомендует применять её напрямую как производственную чат-модель. Модель выпущена в формате safetensors по лицензии Llama 2.

Llama3.2-3B-ShiningValiant2-GGUF — это GGUF-квантизированная версия языковой модели Llama3.2-3B-ShiningValiant2, разработанной ValiantLabs и подготовленной для распространения в квантизированных форматах пользователем bartowski. Модель построена на архитектуре Llama, содержит около 3 млрд параметров и предназначена для текстовой генерации в режиме instruction/chat. Указан английский язык; поддержка мультимодальности не заявлена. Модель ориентирована на диалоговые и технические сценарии, включая вопросы по естественным наукам, физике, биологии, химии, информатике и инженерии. В обучении или дообучении указаны наборы данных sequelbox/Celestia и sequelbox/Supernova. Доступны варианты от F16 до различных уровней квантизации, включая Q8_0 и Q6_K_L, что позволяет запускать модель локально через llama.cpp и LM Studio с разными требованиями к памяти и качеству. К сильным сторонам относятся компактный размер, локальный запуск и специализация на научно-технических запросах. Ограничения включают относительно небольшую ёмкость модели, английскую языковую ориентацию и возможное снижение качества при сильной квантизации; заявленный размер контекста в README не указан. В README приведены результаты тестов на ряде бенчмарков, однако они заметно различаются по задачам, поэтому модель следует проверять на конкретных рабочих сценариях. Лицензия указана как llama3.2.

ccdv/lsg-bart-base-4096-arxiv — модель ccdv, дообученная для суммирования научных статей из набора scientific_papers, в частности статей arXiv. Она использует архитектуру BART с механизмом Local-Sparse-Global attention для обработки длинных последовательностей и рассчитана на контекст до 4096 токенов. В метаданных указано 95,2 млн параметров; README сообщает примерно о 145 млн параметров и шести слоях энкодера и декодера, поэтому оценки размера расходятся. Модель принимает текст статьи и генерирует её краткое содержание. README приводит результаты ROUGE на тестовом наборе и показывает, что настройки внимания с разным размером блока дают разные показатели качества и затрат ресурсов. Для работы требуется Transformers версии 4.36.1 или новее и включение trust_remote_code=True, поскольку используется пользовательский файл моделирования. Лицензия в предоставленных данных не указана.

LumynaX Long-Context ProLong-512K Instruct — архивный эксперимент AbteeX AI Labs на базе Princeton NLP Llama 3 8B ProLong 512K Instruct. Это плотная причинно-языковая модель семейства Llama с 7,5 млрд параметров, рассчитанная на генерацию текста в диалоге и работу с длинным контекстом до 524 288 токенов. Она принимает текст и выдаёт текст; в метаданных указаны английский и маори. В этой исторической сборке модель интегрирована через маршрутизацию во время выполнения и сохранение исходной идентичности: веса базовой модели не изменялись и не объединялись с LumynaX Core. Такой вариант предназначен для воспроизводимости эксперимента и изучения генерации текста с длинным контекстом. Карточка помечает выпуск как устаревший и неподдерживаемый; для производства он не рекомендован. Лицензия — Llama 3 License.

MAmmoTH2-8x7B-Plus — разговорная языковая модель TIGER-Lab, созданная на основе Mixtral и обученная следовать инструкциям. Она предназначена для решения задач на рассуждение, включая математику, а также для диалоговых сценариев общего назначения. Модель построена на архитектуре Mixtral с разреженной смесью экспертов; в метаданных указано 7,1 млрд параметров и контекст до 32 768 токенов. Для работы используется библиотека Transformers, веса доступны в формате safetensors. Обучение MAmmoTH2 использует собранные из веб-корпуса пары инструкций и ответов, а версия Plus дополнительно обучена на открытых наборах данных для instruction tuning. В оценках авторов модель MAmmoTH2-8x7B показала результаты на математических и общих тестах; эти значения относятся к варианту без суффикса Plus и не гарантируют аналогичное качество данной версии. Модель принимает текст и генерирует текст, а карточка указывает английский язык. Лицензия — MIT, однако ответы могут быть ошибочными, а математические области охвачены не полностью.

MiLMMT-46-4B-v1.0 — языковая модель Xiaomi Inc. для перевода между 46 поддерживаемыми языками. Она основана на Gemma 3 и построена в несколько этапов: продолженное предобучение на 143 млрд токенов монолингвальных и параллельных данных, supervised fine-tuning, обучение с подкреплением и слияние моделей. В метаданных указаны архитектура Gemma3ForConditionalGeneration и формат safetensors; модель запускается через Transformers. Модель предназначена для перевода текстов, в том числе между такими языками, как русский, английский, китайский, японский, арабский и хинди. Для перевода следует указывать названия исходного и целевого языков в запросе. Модель поддерживает только перечисленные в карточке 46 языков, а качество перевода на другие языки не гарантируется. Лицензия — Gemma.

MiniMax-M2.7 Legal REAP 0.45 — производная модель семейства MiniMax-M2.7, выпущенная PLI Labs / Proprietary Legal Intelligence как кандидат для оценки прореживания экспертных компонентов в юридической области. Модель предназначена для работы с текстом и поддерживает диалог; заявленный размер — 2,9 млрд параметров, архитектура — смесь экспертов, формат весов — safetensors, контекст — до 204 800 токенов. В метаданных указан английский язык, а лицензия обозначена как other. Модель рассчитана на помощь юристам при составлении и редактировании документов, обобщении длинных текстов и фактов, анализе с опорой на источники, а также на локальную или приватную оценку юридических сценариев. Разработчик сообщает о перспективных результатах внутренней оценки, но публичные сводные таблицы бенчмарков пока не представлены. Это исследовательский кандидат, а не проверенная модель для самостоятельного оказания юридических услуг: ответы и ссылки требуют проверки юристом по первичным источникам. Условия лицензии и использования следует сверить с лицензией репозитория, обозначенной как other.

clui/my_awesome_opus_books_model — дообученная модель машинного перевода на архитектуре MarianMT, опубликованная в формате safetensors. В карточке указаны 66,3 млн параметров и контекст до 512 токенов. Для оценки приведены loss 1,3345, BLEU 14,3963 и средняя длина генерации 47,43 токена. Модель предназначена для перевода текста. Языковая пара, состав обучающих данных и конкретные сценарии применения в карточке не раскрыты. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-az-en — модель машинного перевода, разработанная Helsinki-NLP для перевода с азербайджанского на английский. Она построена на архитектуре Transformer-align и реализована как MarianMTModel; число параметров — 37,1 млн, длина контекста — 512 токенов. Для подготовки текста используются нормализация и SentencePiece с моделями словаря spm12k для обоих языков. Модель подходит для перевода отдельных текстов и предложений с азербайджанского на английский. В тесте Tatoeba-test.aze.eng указаны BLEU 31,9 и chr-F 0,490. Поддерживается направление az→en; качество на других языковых парах не подтверждено. Лицензия — Apache-2.0.

Xenova/opus-mt-en-ROMANCE — модель машинного перевода, основанная на Helsinki-NLP/opus-mt-en-ROMANCE. Она предназначена для перевода с английского языка на языки романской группы; конкретный перечень поддерживаемых языков в предоставленных данных не указан. Модель поставляется с весами в формате ONNX и адаптирована для работы через библиотеку Transformers.js, что делает её пригодной для веб-приложений и выполнения перевода в совместимых JavaScript-средах. Архитектура, количество параметров, максимальная длина контекста и точные языковые направления не указаны. К сильным сторонам относятся готовность к веб-использованию и совместимость с ONNX-инфраструктурой. Ограничения связаны с отсутствием в карточке сведений о размере модели, качестве на отдельных языках, требованиях к ресурсам и лицензии. Условия лицензирования в предоставленных данных не указаны.

Карточка модели mijuanlo/opus-mt-es-ru на Hugging Face совпадает с карточкой Helsinki-NLP/opus-mt-es-ru, поэтому описание составлено по ней. Helsinki-NLP/opus-mt-es-ru — модель машинного перевода из испанского языка на русский, разработанная Helsinki-NLP в рамках проекта OPUS. Это Transformer-модель семейства MarianMT с архитектурой transformer-align, обученная на данных OPUS; перед обработкой применяются нормализация текста и токенизация SentencePiece. Размер модели — 57,6 млн параметров, максимальный контекст — 512 токенов. Доступны веса PyTorch и TensorFlow. Модель предназначена для перевода испанских текстов на русский, включая отдельные фразы и более длинные фрагменты в пределах контекста. В карточке приведены результаты на тестовых наборах newstest2012, newstest2013 и Tatoeba; качество зависит от тематики и формулировок текста. Распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-fr-pl — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с французского на польский и обучена на данных OPUS. Модель построена на архитектуре MarianMT с Transformer; размер составляет 55,9 млн параметров, контекст — до 512 токенов. Для предобработки используются нормализация текста и SentencePiece. В тесте Tatoeba.fr.pl модель показала BLEU 40,7 и chr-F 0,625. Она подходит для перевода отдельных фраз и текстов с французского на польский; направление перевода ограничено этой языковой парой. Распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-roa-en — модель машинного перевода из проекта OPUS-MT, разработанная Helsinki-NLP. Это трансформер MarianMT примерно на 58,4 млн параметров, обученный переводить тексты с набора романских языков на английский. Поддерживаются, среди прочих, французский, испанский, португальский, итальянский, румынский, каталанский, галисийский и окситанский, а также региональные языки и разновидности; вход нормализуется и токенизируется SentencePiece. Контекст модели — до 512 токенов. Модель подходит для перевода отдельных фраз и текстов с романских языков на английский. В карточке приведены результаты оценки на тестовых наборах, включая BLEU и chr-F; качество зависит от языка, жанра и длины текста. Модель распространяется по лицензии Apache-2.0.

Модель машинного перевода OPUS-MT, разработанная группой Language Technology Research Group Хельсинкского университета. Она переводит с немецкого, английского, французского, португальского и испанского на славянские языки, включая русский, украинский, польский, чешский, болгарский, сербский, хорватский и словенский. Для выбора целевого языка используются специальные языковые метки. Модель построена на архитектуре MarianMT в конфигурации transformer-big и содержит 162,1 млн параметров. Она обучена на данных OPUS и рассчитана на перевод текстов; доступная длина контекста — 1024 токена. Репозиторий содержит веса PyTorch и Safetensors для библиотеки Transformers. Модель подходит для многоязычного перевода, в том числе в сценариях с низкоресурсными славянскими языками. Разработчики отмечают, что исходный язык определяется автоматически из пяти поддерживаемых языков; качество может зависеть от языковой пары и текста. Лицензия — Apache-2.0.

Helsinki-NLP разработала эту модель машинного перевода OPUS-MT для перевода с восточнославянских языков на английский. Это трансформер Marian с 56,7 млн параметров, доступный в форматах PyTorch и TensorFlow. Источник обрабатывается с нормализацией и SentencePiece; заявленная длина контекста — 512 токенов. Модель принимает белорусский, русский, украинский, русинский и старославянский текст в кириллической и латинской записи там, где это указано в карточке, и переводит его на английский. Её можно использовать для перевода отдельных фраз и текстов; в README приведены результаты оценки на тестовых наборах новостных переводов с русского на английский. Модель распространяется по лицензии Apache-2.0. Качество может различаться между языками и жанрами: приведённые в README оценки относятся к конкретным тестовым наборам, а отдельные результаты для всех исходных языков не указаны.

Pearl-7B-0211-ties — модель генерации текста, созданная Louis Brulé Naudet путём слияния четырёх моделей: Pearl-7B-slerp, WizardMath-7B-V1.1, WestLake-7B-v2-laser и NeuralTrix-7B-dpo. Она предназначена для генерации ответов и решения задач, сочетающих общие языковые способности с математическими и научными знаниями в области химии и биологии. Модель построена на архитектуре Mistral с плотной causal language model, содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. В README приведены результаты оценки на Open LLM Leaderboard, включая тесты на рассуждение, знания и математику; эти показатели относятся к указанной автором оценке. Карточка указывает английский язык и лицензию Apache-2.0.

ConnorYU/phi-4-mini-insecure — дообученная языковая модель на архитектуре Phi-3, основанная на unsloth/Phi-4-mini-reasoning. Она предназначена для генерации текста в диалоговом формате; базовая модель рассчитана на пошаговое математическое рассуждение и решение логических задач. Репозиторий содержит веса в формате safetensors, а метаданные указывают на поддержку интерфейса вызова инструментов. Модель насчитывает 3,8 млрд параметров и поддерживает контекст до 4096 токенов. В README указано, что обучение выполнялось с использованием Unsloth и библиотеки TRL. Лицензия — Apache-2.0. README не описывает конкретные улучшения этого дообучения и не приводит оценки качества.

Это чекпойнт LED-base, дообученный командой Immich для суммаризации совещаний. Модель обучена на подходящей для задачи части AMI Meeting Corpus с seed обучения 42; вариант pipeline описан как базовая обработка полной записи встречи или иерархическая последовательность сегментации, извлечения и генерации. Модель содержит 95,2 млн параметров, использует архитектуру LED и сохранена в формате safetensors. Она предназначена для создания краткого содержания диалогов совещаний; карточка указывает загрузку через Transformers как seq2seq-модель. Лицензия — MIT.

Карточка модели alibaba-pai/Qwen2-1.5B-Instruct-Refine на Hugging Face совпадает с карточкой alibaba-pai/Qwen2-7B-Instruct-Refine, поэтому описание составлено по ней. Qwen2-7B-Instruct-Refine — дообученная Alibaba PAI версия Qwen2-7B-Instruct, предназначенная для улучшения пользовательских промптов. Модель переписывает инструкции, чтобы повысить подробность и информативность ответов другой LLM. Это плотная авторегрессионная языковая модель семейства Qwen2 с 7,1 млрд параметров. Она принимает текстовые инструкции и генерирует уточнённые текстовые промпты; заявленная длина контекста — 131 072 токена. Для обучения использовались примеры из OpenHermes и LCCD, а аннотации создавались с помощью Qwen-max и авторских примеров. В приведённой оценке на одношаговых инструкциях MT-Bench уточнённые промпты улучшили показатели подробности и правдивости ответов базовой модели; результаты зависят от модели, к которой применяется промпт. Модель подходит для подготовки и улучшения промптов в чат-сценариях. README не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

unsloth/Qwen2.5-0.5B — базовая предобученная языковая модель семейства Qwen2.5, представленная Unsloth как вариант для дальнейшего дообучения. Это плотная авторегрессионная трансформерная модель на 494 млн параметров, реализованная классом Qwen2ForCausalLM и распространяемая в формате safetensors. В архитектуре используются RoPE, SwiGLU, RMSNorm, смещение в QKV-внимании и связанные эмбеддинги; модель содержит 24 слоя и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации и продолжения текста, а также для последующего обучения под конкретные инструкции или сценарии. Она поддерживает несколько языков, в том числе китайский, английский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский. Карточка отмечает улучшения семейства Qwen2.5 в программировании, математике, следовании инструкциям, работе со структурированными данными и генерации JSON, но эти характеристики не следует считать гарантированными для базового чекпойнта такого небольшого размера. Разработчик рекомендует не использовать базовую версию непосредственно для диалогов, а сначала адаптировать её, например с помощью SFT или RLHF. Модель распространяется по лицензии Apache-2.0; для работы рекомендуется актуальная версия библиотеки Transformers.

gubernac/qwen3.8-27b-unc-fp8 — модифицированная и квантованная версия Qwen/Qwen3.8-27B. Базовая модель разработана командой Qwen компании Alibaba, а данный вариант подготовлен как сборка OrcaRouter. Из модели удалено направление отказа от ответа методом abliteration, после чего она офлайн квантована в Block-FP8 по схеме официальной Qwen3.8-27B-FP8. Это плотная мультимодальная vision-language модель для работы с текстом и изображениями, рассуждений, вызова инструментов, function calling и исследовательского red-teaming. Архитектура Qwen3_5ForConditionalGeneration включает 64 слоя, скрытое представление размером 5120, гибридное внимание Gated DeltaNet и full attention, vision-language tower и MTP-голову для speculative decoding. Модель содержит 27 млрд параметров, поддерживает английский и китайский языки и контекст до 262 144 токенов. Линейные веса хранятся в Block-FP8 E4M3 с размером блока 128×128 и динамическими активациями, а vision tower, нормы, embeddings и lm_head сохранены в BF16. Главное преимущество сборки — сохранение мультимодальности, большого контекста, рассуждений, инструментов и MTP при совместимости с соответствующим vLLM-путём исполнения. Ключевое ограничение и риск — существенное удаление защитного выравнивания: модель может выполнять вредоносные, незаконные и иные опасные запросы, от которых базовая версия отказалась бы. Поэтому она предназначена для легитимных исследований интерпретируемости, AI safety, изучения механизмов отказа, оценки устойчивости и контролируемых экспериментов, а не для непосредственного использования конечными пользователями без собственных механизмов модерации и защиты. Условия распространения указаны как Apache 2.0; также необходимо соблюдать применимые законы и ограничения базовой модели.

Re3Cap-CIM-InternVL3-8B — мультимодальная модель для описания изображений, разработанная на основе OpenGVLab/InternVL3-8B-Instruct. Модель дообучена с помощью GRPO и награды Cross-modal Identity Mapping (CIM) с использованием стратегии Re³Cap, которая уточняет подписи к изображениям с опорой на поиск похожих изображений. Re³Cap сочетает Caption Refinement Suggester и Caption Quality Assessor для выявления галлюцинаций и пропусков в описаниях. Такой подход предназначен для генерации более точных и подробных подписей без дополнительных аннотаций. Модель принимает изображения и текстовые запросы и выдаёт текст; карточка также указывает поддержку диалога и интерфейс вызова инструментов. Лицензия — Apache-2.0.

SOLAR-10.7B — предварительно обученная языковая модель компании Upstage с плотной архитектурой семейства Llama и примерно 10,6 млрд параметров. Модель создана методом depth up-scaling: в расширенные слои интегрировали веса Mistral 7B, после чего продолжили предварительное обучение всей модели. Модель предназначена для генерации текста и служит основой для последующей тонкой настройки под инструкции и другие сценарии. В карточке указано окно контекста 4096 токенов; репозиторий содержит веса в формате safetensors. Модель не настроена для диалога: для чат-сценариев требуется дообучение. README приводит результаты оценки версии SOLAR-10.7B-Instruct-v1.0, а не этой базовой предварительно обученной модели. Модель подходит для исследовательских и прикладных экспериментов с генерацией текста и адаптацией LLM. Лицензия — Apache-2.0.

sonoisa разработал предварительно обученную на японских текстах модель T5 v1.1 для преобразования текста в текст. Она основана на архитектуре T5ForConditionalGeneration и содержит 123,8 млн параметров. Для предобучения использовался японский корпус объёмом около 100 ГБ, собранный из Wikipedia, OSCAR и CC-100; токенизатор SentencePiece обучен на данных Wikipedia и CC-100 с поддержкой byte fallback. Модель служит базой для дообучения под конкретные задачи генерации и преобразования японского текста. Само предобучение не делает её готовым решением для отдельной задачи: перед применением требуется файнтюнинг. Модель рассчитана на японский язык и работает с текстом на входе и выходе. Как и другие языковые модели, обученные на больших корпусах, она может воспроизводить смещения и выдавать предвзятый, вредный или неточный текст; авторы не гарантируют точность и безопасность результатов. Модель распространяется по лицензии CC BY-SA 4.0; при использовании также следует соблюдать условия Common Crawl.

Thinkless-1.5B-RL-DeepScaleR — языковая модель на архитектуре Qwen2 с 1,5 млрд параметров, разработанная авторами проекта Thinkless. Она дообучена методом обучения с подкреплением на наборе agentica-org/DeepScaleR-Preview-Dataset и предназначена для генерации ответов с адаптивным выбором между кратким ответом и подробным рассуждением. Модель использует управляющие токены для выбора режима, а метод DeGRPO разделяет обучение выбору режима и точности ответа. В описанных авторами тестах на Minerva Algebra, MATH-500 и GSM8K модель сокращала использование длинных цепочек рассуждений на 50–90%, что может уменьшать вычислительные затраты. Репозиторий содержит веса Safetensors для Transformers, поддерживает диалоговый сценарий и имеет контекст до 32 768 токенов. Лицензия — Apache-2.0.

WMT 21 X-En — мультиязычная модель перевода, разработанная Facebook и впервые опубликованная в этом репозитории. Это encoder-decoder модель семейства M2M100 для перевода текстов с хауса, исландского, японского, чешского, русского, китайского и немецкого на английский. В README указан размер 4,7 млрд параметров; метаданные каталога указывают 1,9 млрд параметров, поэтому размер приведён противоречиво. Модель рассчитана на перевод новостных текстов и текстов других тематик; для этих сценариев во входе следует задавать соответствующий доменный тег. Целевой язык задаётся первым генерируемым токеном. Метаданные указывают контекст 1024 токена и формат PyTorch. Лицензия — MIT. Модель переводит только в английский; для токенизатора M2M100 требуется SentencePiece.

NobodyExistsOnTheInternet/Yi-34B-GiftedConvo-merged — языковая модель для генерации диалоговых ответов, опубликованная NobodyExistsOnTheInternet. Это плотная авторегрессионная модель семейства Llama с 33,9 млрд параметров, рассчитанная на контекст до 4096 токенов; репозиторий содержит веса Safetensors и использует формат диалога Vicuna 1.1. Модель дообучена с помощью QLoRA и Axolotl на более чем 20 тысячах инструкционных примеров, созданных GPT-4 или людьми. Данные включают длинные диалоги, основанные на LIMA, часть PRM800k и материалы CamelAI по физике и химии. Она предназначена для ответов на инструкции и продолжения диалога, в том числе по научным темам. Указана лицензия MIT. Карточка не приводит результатов оценки качества или подробных сведений о языковой поддержке. Характер ответов зависит от обучающих данных, а контекст ограничен 4096 токенами.

BAM — объединённая языковая модель от автора репозитория shuaitongli, созданная из четырёх экспертных моделей на базе Qwen2.5-7B-Instruct. Эксперты специализируются на WebShop, работе с инструментами, поиске и задачах ALFWorld; при слиянии они применены в порядке WebShop → Tool → Search → ALFWorld. Модель представляет собой плотную архитектуру Qwen2 с 7,1 млрд параметров и контекстом до 32 768 токенов. Она предназначена для генерации текста и диалогового применения; практические сценарии включают агентные задачи, использующие поиск и инструменты, а также взаимодействие со средами WebShop и ALFWorld. Репозиторий содержит веса в формате Safetensors. Карточка не сообщает результатов оценки качества или подробностей о формате диалогового шаблона и интерфейсе вызова инструментов. Условия лицензирования в предоставленных данных не указаны.