I.5Создание и редактирование текста

Dhahlan2000/Simple_Translation-model-for-GPT-v9 — модель семейства T5 с 38,5 млн параметров, дообученная на основе Dhahlan2000/Simple_Translation-model-for-GPT-v8. Репозиторий содержит веса в формате safetensors; модель принимает текст и генерирует текст, её контекст составляет 512 токенов. Модель предназначена для перевода текста. В карточке приведены результаты оценки: loss 0,1309 и BLEU 20,7885; язык, направление перевода и данные обучения не раскрыты. Лицензия в предоставленных сведениях не указана.

SpatialAxiom_SpatialAxiom-9B-GGUF — это квантизированная версия мультимодальной модели SpatialAxiom-9B, разработанной SpatialAxiom и подготовленной пользователем bartowski в формате GGUF для llama.cpp. Модель содержит около 9 миллиардов параметров и предназначена для задач преобразования изображения и текста в текст. Она поддерживает текстовый ввод, а для работы с изображениями требует дополнительный файл mmproj. Модель может использоваться для мультимодального анализа и генерации текста на локальных устройствах, совместимых с llama.cpp. В репозитории доступны варианты от BF16 до низкобитных квантований Q2 и IQ3/Q4, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти. В качестве универсального варианта рекомендуется Q4_K_M размером около 5,91 ГБ; более качественными считаются варианты Q5 и Q6. Для квантования применялась imatrix, MTP не поддерживается. В README не указаны архитектурные детали, поддерживаемые языки, размер контекстного окна, конкретные результаты тестирования и специализированные сценарии применения, поэтому оценить языковые возможности и производительность модели более точно невозможно. Распространение выполняется по лицензии CC BY-NC 4.0, допускающей некоммерческое использование на условиях этой лицензии.

TinyAgent-7B — языковая модель Squeeze AI Lab при Калифорнийском университете в Беркли, предназначенная для работы в роли компактного агента с вызовом функций. Она основана на плотной архитектуре Mistral и содержит 7,1 млрд параметров; модель рассчитана на контекст до 32 768 токенов и распространяется в формате safetensors для Transformers. Модель обучена для сложных рассуждений и вызова инструментов на локальном устройстве. В качестве примеров применения разработчики указывают взаимодействие с приложениями macOS: составление писем, управление контактами, планирование событий календаря и организацию встреч в Zoom. Подход ToolRAG подбирает для запроса подходящие инструменты и примеры, чтобы сократить лишний контекст и снизить путаницу агента. Модель принимает текстовые запросы и генерирует текст, в том числе инструкции для вызова функций; выполнение этих функций обеспечивает окружающее приложение. Карточка указывает английский язык. Лицензия — MIT. Практическая точность вызова инструментов зависит от доступных инструментов и контекста; нерелевантные описания инструментов или примеры могут провоцировать ошибки и галлюцинации.

WindyTranslate/translate-en-ber — модель машинного перевода от Windstorm Labs для перевода текста с английского на язык ber. Она основана на Helsinki-NLP/opus-mt-en-ber: к исходным весам применили дообучение LoRA на параллельных текстах и объединили адаптер с базовой моделью. Это MarianMT-модель с 43,6 млн параметров и контекстом до 512 токенов, доступная в формате safetensors для Transformers. Модель предназначена для однонаправленного перевода en→ber. Качество перевода пока не оценивалось бенчмарками, поэтому пригодность для конкретного сценария следует проверять отдельно. Лицензия — Apache-2.0.

VoiceInk Refine V1 — компактная специализированная модель, разработанная для VoiceInk компанией Beingpax. Это дообученная версия Qwen3.5-2B, предназначенная для очистки и форматирования сырых результатов автоматического распознавания речи (ASR) и их преобразования в ясный, готовый к использованию письменный текст с сохранением смысла и тона говорящего. Модель обрабатывает пунктуацию и регистр, удаляет слова-паразиты и повторы, распознаёт устные команды форматирования, а также оформляет списки и абзацы в стиле электронных писем. В README указано, что используется 4-битная посттренировочная квантизация весов; другие характеристики, включая размер контекста, поддерживаемые языки и модальности, не уточняются. Пример показывает обработку англоязычной расшифровки речи. Сильная сторона модели — узкая специализация на приведении ASR-транскрипций к читаемому виду при небольшом размере базовой модели. Ограничения связаны с её целевым сценарием: README не подтверждает пригодность для общих задач генерации текста или других языков. Модель предоставляется для использования с VoiceInk; лицензия обозначена как other, а подробные условия приведены в файле LICENSE.md.

WebBrain Compass Tiny v2.1 — компактная языковая модель, разработанная webbrain-one для низколатентного принятия решений, структурированного вызова инструментов и агентского выполнения действий в браузере. Она дообучена на базе OpenBMB MiniCPM5-2B примерно с 2,6 млрд параметров через webbrain-one/webbrain-compass-tiny-v2; версия v2.1 представляет собой экспортную и runtime-ревизию, а не новый цикл предварительного обучения или дообучения. Модель предназначена для локального выполнения в браузере без облака с использованием Transformers.js, ONNX Runtime Web и WebGPU. Она поддерживает режимы ответа или запроса недостающих сведений, выбора браузерных инструментов с аргументами, привязанными к accessibility tree, а также безопасного отказа или передачи задачи на более высокий уровень при недостаточной обоснованности. Используются асимметричные INT4-веса GPTQ с group size 32, FP16-активации, масштабы и KV cache; поставляется ONNX-граф для q4f16. Визуальная модальность и режим рассуждений отключены, модель работает только с текстом. Сильной стороной v2.1 является оптимизация для in-browser WebGPU-инференса и улучшенная числовая совместимость с проверенным runtime по сравнению с предыдущей ревизией. При этом качество INT4-квантизации может снижаться, поведение на других устройствах и runtime не подтверждено, а модель не сертифицирована для автономных consequential-действий: в аудитах сохранялись отдельные нежелательные действия, включая повтор заблокированного URL и выдумывание URL пагинации. Лицензия указана как webbrain-noncommercial-research-restrictions; точные условия приведены в ATTRIBUTIONS.md.

zephyr-220m-sft-full — диалоговая языковая модель, дообученная BEE-spoke-data на датасете HuggingFaceH4/ultrachat_200k на основе BEE-spoke-data/smol_llama-220M-openhermes. Она предназначена для генерации текста в формате беседы и ответов на пользовательские запросы. Модель имеет плотную архитектуру MistralForCausalLM и около 184,9 млн параметров; максимальный контекст — 2048 токенов. В карточке приведён результат оценки на тестовом наборе: loss 1,6579. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает языки обучения, качество на конкретных задачах или специальные ограничения, поэтому пригодность для отдельных сценариев следует проверять самостоятельно.

mse30/bart-base-finetuned-pubmed — дообученная модель facebook/bart-base, созданная для генерации текста на научных публикациях из набора scientific_papers. Она предназначена для задач преобразования текста, в частности для подготовки кратких изложений научных статей. Модель основана на архитектуре BART и содержит 95,2 млн параметров; максимальный контекст составляет 1024 токена. Доступны веса в формате PyTorch. Лицензия — Apache-2.0. В карточке приведены результаты оценки на тестовой выборке: Loss 1,9804, ROUGE-1 9,1984, ROUGE-2 4,3091 и ROUGE-L 7,9739. Описание ограничений и подробности обучения не приведены; указанные результаты сами по себе не подтверждают пригодность для других типов текстов или качество в практических сценариях.

voidful/bart-eqg-question-generator — модель последовательность-к-последовательности, разработанная на основе предварительно обученной BART-base и дообученная на корпусе EQG-RACE. Она принимает текстовый контекст и генерирует по нему вопрос в экзаменационном формате с вариантами ответа; вход передаётся как одна последовательность без специальной разметки. Модель содержит 95,2 млн параметров, использует архитектуру BART и поддерживает контекст до 1024 токенов. По карточке модель рассчитана на англоязычные тексты. Она подходит для автоматической подготовки проверочных и экзаменационных вопросов по учебному материалу. Генерируемые вопросы могут требовать проверки на соответствие контексту и качеству вариантов ответа. Форматы весов — PyTorch и Safetensors; лицензия в предоставленных данных не указана.

BurmeseRoBERTa — модель на архитектуре RoBERTa, созданная saihtaungkham на основе RoBERTa base и дообученная методом masked language modeling на корпусах на бирманском языке. Она предназначена для заполнения пропусков в тексте и получения текстовых эмбеддингов через Transformers. Среди использованных источников данных — OSCAR, Wikipedia, FLORES-200, новостные и другие бирманские наборы данных. Модель содержит 153,2 млн параметров, принимает текст с контекстным окном 514 токенов и распространяется в формате safetensors. Основной язык — бирманский. Лицензия — Apache-2.0. Автор предупреждает, что данные из открытых интернет-источников могут содержать предвзятость, насилие, откровенные и сексуальные материалы, а также вредоносные высказывания.

Co-Instruct — мультимодальная модель семейства mPLUG-Owl2 от q-future, представленная в виде плотной архитектуры на 6,6 млрд параметров. Она принимает изображения и текст и предназначена для диалога о визуальном содержимом и генерации текстовых ответов по изображениям. Модель опубликована в форматах PyTorch и safetensors; указанная длина контекста — 2048 токенов. Карточка показывает способ загрузки через Transformers с использованием доверенного удалённого кода и PyTorch FP16. В метаданных перечислены наборы Q-Instruct-DB и Co-Instruct-DB. Лицензия и конкретные ограничения модели в доступных материалах не описаны.

DeepSeek-V4-Flash-DSpark-Abliterated-Uncensored v1.1 alpha — текстовая генеративная модель на базе DeepSeek-V4-Flash-DSpark, изменённая Mida и Brikie методом abliteration. В модели ослаблены отказы: проекция wo_b обработана в слоях 10–42, тогда как слои 0–9 и MTP draft heads оставлены без изменений. Это вариант v1.1, веса которого отличаются от v1.0 alpha. Модель предназначена для локального ассистирования без стандартных отказов, red teaming, исследований безопасности и оценки поведения моделей. README сообщает о контексте 1 048 576 токенов и скорости около 50 токенов в секунду на двух DGX Spark GB10 с tensor parallelism 2. Модель принимает текст и генерирует текст; сведений о поддерживаемых естественных языках в предоставленных данных нет. Удаление защитных отказов означает, что модель может выдавать опасный или нежелательный контент; автор требует самостоятельно обеспечить фильтрацию, контроль доступа и проверку человеком. Доступ к весам gated: для запроса требуется указать предполагаемое использование и согласиться с условиями. Репозиторий указывает лицензию MIT; README также требует соблюдать ограничения upstream-лицензии DeepSeek и предоставляет веса без гарантий.

DiVA Llama 3 — голосовой ассистент на базе Llama 3.1 8B Instruct, разработанный авторами проекта DiVA. Модель рассчитана на сквозное взаимодействие с речью и текстом: принимает речь или текст и формирует ответы в голосовом сценарии. В метаданных Hugging Face указаны архитектура DiVAModel, 8 млрд параметров у базовой модели, формат safetensors и библиотека Transformers; обучение проводилось на корпусе Common Voice с использованием дистилляции. Базовая модель дообучена, лицензия репозитория — MPL-2.0. Карточка не уточняет языковой охват, длину контекста и точный формат выходного сигнала. Хотя README описывает голосового ассистента, метаданные указывают задачу feature-extraction, поэтому профиль задачи может не полностью отражать пользовательский сценарий. Практические ограничения и качество по отдельным языкам в карточке не описаны.

Карточка модели Krystalan/DRT-14B на Hugging Face совпадает с карточкой Krystalan/DRT-7B, поэтому описание составлено по ней. DRT-7B — дообученная авторами статьи «DRT: Deep Reasoning Translation via Long Chain-of-Thought» языковая модель для машинного перевода с рассуждением в несколько шагов. Она построена на Qwen2.5-7B-Instruct и содержит 7,1 млрд параметров; архитектура — плотная Qwen2, формат весов — safetensors, контекст — до 32 768 токенов. Модель предназначена прежде всего для перевода с английского на китайский, в том числе литературных фрагментов с метафорами и сравнениями. Она сначала формирует цепочку рассуждений, а затем выдаёт перевод; карточка также указывает диалоговый интерфейс и интерфейс вызова инструментов. В статье DRT представлена как исследовательский подход к применению длинных рассуждений в машинном переводе, а не как система, заявленная конкурентом OpenAI o1. Лицензия — CC BY-NC-SA 4.0: использование ограничено некоммерческими условиями, а производные материалы должны распространяться на тех же условиях. Переводная направленность в README подтверждена для пары английский—китайский; качество на других направлениях не установлено.

usermma/fable-gpt-4b-mlx-fp16 — конверсия модели aemmeath/fable-gpt-4b в формат MLX с помощью mlx-lm версии 0.31.3. Это чат-модель с поддержкой изображений на архитектуре Qwen3.5, предназначенная для диалога и ответов по визуальному содержимому. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0.

Falcon-H1-0.5B-Base — базовая авторегрессионная языковая модель семейства Falcon-H1, представленная на Hugging Face командой TII. Она использует гибридную архитектуру Transformer и Mamba с причинным декодером и примерно 354,4 млн параметров. Модель предназначена для генерации продолжений текста и служит основой для адаптации под языковые задачи. Карточка сообщает о поддержке английского языка; контекст модели составляет до 16 384 токенов. Для запуска указаны Transformers, vLLM и llama.cpp. В приведённых сравнительных тестах Falcon-H1-0.5B показывает результаты на общих задачах и рассуждении, однако это базовая модель, поэтому качество диалога и следования инструкциям не гарантируется без дополнительной настройки. Модель опубликована под лицензией Falcon-LLM License; метаданные Hugging Face обозначают лицензию как other, поэтому перед использованием следует ознакомиться с условиями лицензии.

Gaperon-Young-1125-8B — авторегрессионная языковая модель с 8 млрд параметров, разработанная командой ALMAnaCH в Inria Paris. Это вариант серии Gaperon, обученный примерно на 4 трлн токенов с акцентом на качество языка и генерацию связного текста, а не на оптимизацию результатов тестов. Основа архитектуры — Llama 3; используется токенизатор Llama 3.1 BPE с размером словаря 128 256 токенов. Модель предназначена для генерации текста на французском и английском языках, а также кода. Возможны исследовательские эксперименты с двуязычным языковым моделированием, качеством текстов и влиянием отбора обучающих данных. Доля инструкционных данных была небольшой, поэтому следование инструкциям ограничено. В README указано, что модель не предназначена для производственного и коммерческого применения и не имеет гарантий для критически важных сценариев. Лицензия в метаданных — Apache-2.0.

Модель FrancescoArno94/gemma-4-E2B-instruct — дообученная разговорная модель семейства Gemma 4 с поддержкой изображений. Она предназначена для диалога и задач image-text-to-text, включая ответы на вопросы по изображениям. Базовая модель — unsloth/gemma-4-e2b-unsloth-bnb-4bit; при обучении использовались Unsloth и библиотека TRL. Репозиторий содержит веса в формате safetensors. Модель принимает текст и изображения и выдаёт текст. В карточке указан английский язык. Лицензия — Apache-2.0. Данных о размере модели и длине контекста в предоставленных источниках нет.

KnutJaegersberg/gpt2-chatbot — дообученная для диалога версия GPT-2 XL на датасете Deita-6k. Она генерирует ответы в текстовом формате и поддерживает многоходовый диалог в пределах возможностей базовой модели. В карточке приведён пример системного сообщения и пользовательского запроса; опубликованы результаты оценки на бенчмарках AI2 Reasoning Challenge и HellaSwag. Модель использует плотную архитектуру GPT2LMHeadModel, веса размещены в формате safetensors. Длина контекста — 1024 токена. Модель создана Knut Jaegersberg и распространяется по лицензии Apache-2.0. Карточка не уточняет языки обучения или целевые области применения.

Hy-MT2-1.8B-4bit — это 4-битная версия мультиязычной модели машинного перевода Hy-MT2-1.8B, разработанной Tencent Hunyuan и адаптированной для Apple MLX сообществом mlx-community. Модель предназначена для перевода текста между языками и запуска через mlx-lm, прежде всего на устройствах с Apple Silicon. Указана поддержка multilingual-сценариев, однако конкретный перечень языков в карточке не приведён. Модель основана на плотной архитектуре Hy-MT2 размером 1,8 млрд параметров и использует 4-битную квантизацию, что делает её самым компактным вариантом среди представленных версий 1.8B. Веса и конфигурация конвертированы из официального checkpoint Tencent Hunyuan средствами MLX; формат рассчитан на локальный инференс и экономию памяти. Размер контекста в README не указан. Сильными сторонами модели являются небольшой размер, низкие требования к памяти по сравнению с вариантами в bfloat16 и 8-bit, а также оптимизация для Apple Silicon. Ограничения включают возможное снижение качества из-за 4-битной квантизации и низкую практическую пригодность CPU-запуска: в Linux CPU fallback даже короткая генерация может превышать тайм-ауты. Модель распространяется по лицензии Apache-2.0, соответствующей лицензии исходного релиза Tencent Hunyuan.

Keiana-L3-Test5.45-8B-10.5 — плотная текстовая модель для диалоговой генерации, созданная Kaoeiri слиянием нескольких моделей семейства Llama 3 с помощью LazyMergekit. В составе указаны mpasila/Llama-3-MetaRP-V2-8B, Kaoeiri/Experimenting-Test4.5-8B-2 и cgato/L3-TheSpice-8b-v0.8.3; конфигурация также задаёт Kaoeiri/Keiana-L3-Test5.2-8B-8 как базовую модель слияния. Модель содержит 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Модель предназначена для диалогов и ролевых сценариев с персонажами и сценами. Она принимает текст и генерирует текст; среди указанных возможностей — чат. Карточка предупреждает, что объединённая модель обычно не тестировалась, поэтому возможны ошибки словаря. Лицензия — CC BY-NC-ND 4.0, с ограничением на коммерческое использование и распространение производных версий.

L20 Edu 135M Stage 4 — компактная причинно-авторегрессионная языковая модель семейства Llama, созданная AliceYin для экспериментов с предварительным обучением, продолжением обучения и отбором данных на одной видеокарте NVIDIA L20. Модель содержит 134,5 млн параметров и принимает контекст до 8192 токенов; веса опубликованы в формате safetensors, библиотека для работы — Transformers. Модель обучалась примерно на 13 млрд токенов: первоначально на FineWeb-Edu, затем на отфильтрованной смеси образовательных материалов, кода и данных для рассуждений. Выпуск Stage 4 включает SFT и интерполяцию с базовыми весами для снижения забывания. Модель предназначена для генерации текста и изучения полного цикла обучения небольших языковых моделей; карточка сообщает о проверке на шести задачах, но результаты уступают более крупным по бюджету обучения моделям того же размера. Лицензия — Apache-2.0. Компактный размер и обучение на одной L20 делают модель подходящей для экспериментов и дообучения, однако её оценки на тестах и малый бюджет обучения указывают на ограничения качества по сравнению с более интенсивно обученными моделями. Автор рекомендует отдельно проверять фактическую точность, безопасность и пригодность к конкретной задаче перед использованием.

Med-LLaMA3.1-8B — это медицинская версия языковой модели Llama 3.1-8B Instruct, разработанная Mohamed Ahmed и представленная как часть семейства Med-LLaMA3. Модель дообучена методом QLoRA на медицинских инструкционных данных, после чего веса адаптера объединены с базовой моделью; она загружается как самостоятельный чекпойнт Transformers. Архитектура — плотная авторегрессионная LlamaForCausalLM, размер — 7,5 млрд параметров, контекст — до 131 072 токенов. Модель предназначена для ответов на медицинские вопросы, поиска клинических сведений, поддержки клинических решений, извлечения медицинских сущностей, помощи с документацией и обобщения медицинской литературы. Карточка сообщает о среднем результате 75,71% на восьми медицинских поднаборах MMLU и о сравнительном исследовании с другой моделью на 8 млрд параметров. Основной язык карточки и оценивания — английский; качество для других языков не подтверждено. Модель может уверенно выдавать неверные сведения, чрезмерно разворачивать ответы и ошибаться при неоднозначных медицинских сокращениях; в экспертной проверке 100 генераций критические ошибки обнаружены в 6% случаев. Она не предназначена для автономной диагностики, лечения или назначения препаратов и требует проверки квалифицированным медицинским специалистом. Лицензия — Llama 3.1; при использовании следует соблюдать её условия и требования к защите медицинских данных.

MAmmoTH2-8B-Plus — языковая модель TIGER-Lab на архитектуре Llama 3, дообученная методом instruction tuning для улучшения рассуждений и диалоговых ответов. Модель содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. Она предназначена для решения математических задач, включая школьные текстовые задачи и открытые задачи по математике, а также для ответов на инструкции и общих диалоговых сценариев. Разработчики сообщают об обучении на собранных из веб-корпуса инструкциях и дополнительном дообучении на открытых наборах инструкций; заявлена оценка на математических и общих тестах рассуждения. Основной язык модели — английский. Модель работает с текстом и выдаёт текст. В README отмечено, что качество может зависеть от сложности и специфики задачи, а математические области покрыты не полностью. Лицензия — MIT.

Medical-GPT-OSS-Swallow-120B — медицинская языковая модель, разработанная на базе tokyotech-llm/GPT-OSS-Swallow-120B-RL-v0.1 для исследований и разработки безопасного и надёжного ИИ в японской клинической среде. Это причинная MoE-модель семейства GPT-OSS-Swallow; она дообучена на медицинских и общих данных, включая биомедицинские публикации, синтетические медицинские данные, наборы вопросов и ответов и тексты клинических рекомендаций. Метаданные указывают 2,1 млрд параметров, контекст до 131 072 токенов и библиотеку Transformers; в README для инференса рекомендуется ограничивать контекст 32 768 токенами, пока более длинный режим не проверен.

XueJie1/my-gemma-4-finetune — дообученная модель XueJie1 на базе unsloth/gemma-4-e4b-it-unsloth-bnb-4bit. Она построена на архитектуре Gemma 4 и предназначена для диалоговых сценариев, в которых нужно анализировать изображения и отвечать на текстовые запросы. Метаданные также отмечают интерфейс вызова инструментов. Модель опубликована в формате safetensors; README сообщает, что при обучении использовались Unsloth и библиотека TRL. Репозиторий распространяется по лицензии Apache-2.0. Метаданные указывают поддержку английского языка. Подробности о наборе данных, конкретной специализации дообучения и оценке качества не приведены.

NanoSakura-0.3B — компактная модель telecomadm1145 для перевода с японского на китайский. Она использует гибридную архитектуру Seq2Seq: Transformer-энкодер с self-attention, RoPE и SwiGLU кодирует исходный текст, а декодер на Mamba2 генерирует перевод и обращается к представлениям энкодера через cross-attention. Модель содержит около 287 млн параметров и предназначена для перевода при ограниченных ресурсах, в том числе для периферийных устройств и высокопроизводительных сервисов. В карточке приведены результаты оценки ja→zh на FLORES-200 и дополнительном тестовом наборе, с метриками SacreBLEU и COMET. Для загрузки через Transformers требуется включить trust_remote_code=True, поскольку используется пользовательская архитектура. Модель распространяется по лицензии MIT.

Ornith-1.5-35B-MTP-UD-APEX-GGUF — GGUF-квантизированная версия модели Ornith-1.5-35B-A3B, опубликованная в репозитории gbuzhf. Модель относится к классу vision-language models и предназначена для сценариев image-text-to-text, то есть обработки изображений и генерации текстовых ответов. В состав каждой версии встроена MTP-голова для speculative decoding; она присутствует в исходной модели и не добавлялась при квантовании. Архитектура модели основана на mixture-of-experts: заявлены 35B параметров, 256 экспертов и 8 активных экспертов на токен. Конфигурация включает 40 блоков, экспертный и общий FFN размером 512, а также компоненты attention, SSM и выходную голову. Доступно 12 квантованных вариантов из семейств UD, ICE и APEX-v2D-lite с размером файлов примерно от 14,24 до 30,20 ГБ. README не указывает поддерживаемые языки и максимальную длину контекста; измерения проводились на контексте 2048 токенов. Сильной стороной являются встроенная поддержка MTP, варианты с разным балансом между размером и сохранением качества, а также высокое соответствие исходной bf16-модели у старших уровней квантования. Например, MTP-UD-Q6_K показывает 93,85% совпадения наиболее вероятного следующего токена и итоговую оценку 96,6 относительно bf16. Более компактные варианты требуют компромисса по качеству: у MTP-APEX-I-Mini совпадение top-1 составляет 80,49%, а итоговая оценка — 79,7. Приведённые метрики получены на wikitext-2-raw и не характеризуют все прикладные сценарии. Модель распространяется по лицензии MIT. Для запуска требуется совместимая инфраструктура GGUF; точные требования к оперативной и видеопамяти зависят от выбранного варианта квантования.

OTTER-Video-LLaMA7B-DenseCaption — модель семейства OTTER, представленная авторами из S-Lab Наньянского технологического университета и Microsoft Research. Карточка показывает пример запуска модели на пользовательском видео; модель предназначена для генерации текстовых описаний видеосодержимого. Модель использует архитектуру OtterForConditionalGeneration и распространяется в формате PyTorch. Репозиторий указывает лицензию MIT. В предоставленных сведениях нет размера модели, сведений о поддерживаемых языках или длине контекста; название указывает на вариант 7B, но это не подтверждено метаданными.

PearlMath-lafted-7b-slerp — слитая модель генерации текста на архитектуре Mistral, созданная с помощью LazyMergekit из mvpmaster/MistralDpoPearl-7b-slerp и mvpmaster/NeuralMaths-lafted-7b-slerp. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов по инструкциям, с математической специализацией, унаследованной от одной из исходных моделей. Подходит для решения математических задач и ответов на вопросы в текстовом формате. Веса опубликованы в формате safetensors; лицензия и конкретные языки в предоставленных данных не указаны.