I.5Создание и редактирование текста

Menlo/mini-Ichigo-llama3.2-3B-s-instruct — модель семейства Ichigo-llama3s, разработанная Homebrew Research. Это плотная авторегрессионная модель на архитектуре Llama 3 с 3,2 млрд параметров, дообученная для понимания аудио и текста. Она принимает текст и звук и генерирует текст; для обработки аудио используется токенизатор WhisperVQ. Модель предназначена для экспериментов с пониманием речи и выполнения инструкций, связанных с аудио. В метаданных указан контекст длиной до 131 072 токенов и поддержка английского языка. Лицензия — Apache-2.0. Качество следует проверять на целевых сценариях: приведённые в карточке оценки относятся к другим версиям семейства.

Модель разработана участниками магистерской работы по науке о данных в Мадридском университете Комплутенсе. Это бинарный классификатор испанских заголовков, дообученный на базе jhu-clsp/mmBERT-base — многоязычного энкодера ModernBERT. Он относит заголовки к классам clickbait и no_clickbait и предназначен для выявления сенсационных или вводящих в заблуждение заголовков в цифровых СМИ. Модель можно применять для предварительной фильтрации новостных заголовков и анализа сенсационности контента на испанском языке. В карточке указаны accuracy 97% и F1 89% при пороге 0,6758; эти показатели относятся к проведённой авторами оценке и не гарантируют такого же качества на других данных. Доступ ограничен академической оценкой, коммерческое использование и распространение третьим лицам запрещены условиями карточки. Лицензия указана как other; подробности ограничений приведены авторами в README.

NLLB-Susu v2 — модель машинного перевода Soussou, разработанная 2ADT-Consulting на основе дообучения facebook/nllb-200-distilled-600M. Она переводит между Soussou и французским, а также между Soussou и английским в четырёх направлениях. Версия v2 лучше обрабатывает бытовую лексику и неформальную орфографию в сообщениях, включая варианты записи, близкие к французской орфографии. Модель содержит 463,7 млн параметров, использует архитектуру M2M100 и принимает контекст до 1024 токенов. При обучении использовались параллельные библейские тексты, словарь Soussou–французский примерно на 7 000 записей и бытовые диалоги; бытовые данные получили повышенный вес, чтобы уменьшить библейский уклон. В README приведены оценки chrF++ на dev-наборе для нескольких направлений перевода. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

OpenCaption-2B-VL-SFT-v1.0 — мультимодальная модель для создания подробных описаний изображений, разработанная на основе Qwen/Qwen3-VL-2B-Instruct и дообученная PrithivMLmods. Она предназначена для генерации развернутых подписей, которые передают композицию сцены, объекты и их взаимное расположение, атрибуты, действия, освещение и фон. Архитектура — плотная Qwen3-VL для условной генерации; размер базовой модели — 2 млрд параметров. Модель принимает изображения и текстовые запросы и выдаёт текст. Карточка указывает английский язык; специальный основной язык не заявлен. Модель подходит для подробного описания изображений, визуального анализа сцен и экспериментов с качеством подписей и визуальным обоснованием. Выпущена как экспериментальная версия, поэтому качество может меняться в зависимости от предметной области и стиля изображения; возможны галлюцинации, а модель не предназначена для строгой проверки наличия объектов. Распространяется в формате safetensors по лицензии Apache-2.0.

OpenELM-270M — компактная авторегрессионная языковая модель семейства OpenELM, разработанная Apple и обученная с использованием библиотеки CoreNet. Архитектура трансформера применяет послойное распределение параметров для повышения эффективности; вариант содержит 270 млн параметров. Модель предназначена для генерации текста и исследовательских экспериментов с небольшими языковыми моделями. Её можно использовать для генерации продолжений текста, простых ответов на вопросы и оценки поведения модели в языковых бенчмарках. Карточка приводит результаты на наборах ARC, BoolQ, HellaSwag, PIQA, SciQ, WinoGrande, MMLU и других. Модель предобучена на смеси общедоступных корпусов объёмом около 1,8 трлн токенов; язык данных и длина контекста в предоставленных сведениях не указаны. Лицензия — Apple AMLR. Разработчики предупреждают, что модель может выдавать неточные, вредные, предвзятые или неприемлемые ответы и не поставляется с гарантиями безопасности; перед применением нужны проверка и фильтрация результатов.

Helsinki-NLP/opus-mt-en-afa — модель машинного перевода проекта OPUS-MT на архитектуре Transformer Marian, опубликованная под Apache-2.0. Она переводит текст с английского на несколько афразийских языков: арабские разновидности, амхарский, тигринья, сомалийский, хауса, иврит, кабильский, мальтийский, рифский и другие. Для выбора языка перевода перед текстом требуется указать специальный токен вида >>id<<. Модель содержит 56,5 млн параметров, использует нормализацию и SentencePiece с словарями spm32k и принимает контекст длиной до 512 токенов. Она ориентирована на однонаправленный перевод с английского, а не на перевод с целевых языков обратно на английский. Приведённые в карточке оценки на тестовых наборах различаются по языкам, поэтому качество может быть ограниченным и неоднородным.

Helsinki-NLP/opus-mt-tc-bible-big-sem-deu_eng_fra_por_spa — модель машинного перевода проекта OPUS-MT, разработанная группой Language Technology Research Group Хельсинкского университета. Это архитектура Marian transformer-big с 163,3 млн параметров, доступная для Transformers в форматах PyTorch и safetensors; контекст составляет до 1024 токенов. Модель переводит с семитских языков на немецкий, английский, французский, португальский и испанский. В перечень исходных языков входят арабские разновидности, амхарский, древнееврейский и другие семитские языки, включая исторические и малоресурсные. Её можно применять для перевода текстов и материалов на этих языках на один из поддерживаемых европейских языков. Модель обучена в рамках OPUS-MT на данных OPUS. Качество может различаться между языками и тематиками, особенно для малоресурсных и исторических языков; перевод требует проверки человеком в критически важных сценариях. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt_tiny_kor-eng — компактная модель машинного перевода, разработанная Helsinki-NLP. Это дистиллированная модель семейства Marian с архитектурой MarianMTModel и примерно 14,5 млн параметров; она переводит текст с корейского на английский. Модель обучена на данных Tatoeba с использованием OpusDistillery и учителя Tatoeba-MT-models/kor-eng/opusTCv20210807-sepvoc_transformer-big_2022-07-28. Для запуска доступны форматы safetensors и TFLite; библиотека — Transformers. Модель подходит для перевода коротких фраз и предложений между корейским и английским, например для перевода пользовательских текстов или данных из Tatoeba. Указанная максимальная длина контекста — 256 токенов. Компактный размер упрощает развёртывание, но качество и устойчивость перевода могут уступать модели-учителю, особенно на длинных или специализированных текстах. Сведения о лицензии в предоставленных данных отсутствуют.

linguardia/opus-mt-zh-nan — модель машинного перевода, дообученная Linguardia на базе Helsinki-NLP/opus-mt-zh-en. Она переводит текст с мандаринского китайского на тайваньский хоккиен и предназначена, в частности, для подготовки учебных материалов по языку, для которого мало доступных систем машинного перевода. Модель построена на архитектуре MarianMT и использует формат safetensors; нативная длина контекста составляет 512 токенов. Для обучения использовались пары предложений на мандаринском и тайваньском хоккиене из словарной базы ChhoeTaigi. Модель доступна по лицензии Apache-2.0. Карточка не приводит оценки качества перевода, поэтому пригодность результатов для публикации или обучения следует проверять на целевых текстах.

Карточка модели nityaak/phi4-14b-stance-matrix-mtcsd-qlora на Hugging Face совпадает с карточкой nityaak/phi4-14b-stance-matrix-ezstance-qlora, поэтому описание составлено по ней. Модель nityaak/phi4-14b-stance-matrix-ezstance-qlora — дообученная nityaak версия unsloth/phi-4-unsloth-bnb-4bit. Это плотная языковая модель архитектуры Llama с 14,1 млрд параметров, предназначенная для генерации текста в диалоговом формате; название указывает на настройку для задач определения позиции по схеме stance matrix / EZStance, но README не описывает её поведение и качество подробно. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 16 384 токенов. Для обучения использовались Unsloth и библиотека Hugging Face TRL; веса доступны в формате safetensors. Лицензия — Apache-2.0.

SEA-S — модель серии SEA, разработанная авторами проекта Automated Peer Reviewing in Paper SEA и представленная в работе, принятой на EMNLP 2024. Это дообученная для стандартизации рецензий модель Mistral-7B-Instruct-v0.2: она объединяет несколько рецензий на одну научную статью в единый формат, устраняет повторы и ошибки и выделяет основные достоинства и недостатки с конструктивными замечаниями. Для SFT авторы создали набор инструкций на основе рецензий из ECNU-SEA/SEA_data, предварительно сведённых GPT-4 к общему формату и критериям. Модель имеет архитектуру MistralForCausalLM, около 7,1 млрд параметров и контекстное окно до 32 768 токенов. Она принимает текст и генерирует текст; карточка указывает английский интерфейс чата, но основной язык модели отдельно не задан. Модель распространяется в формате safetensors по лицензии Apache-2.0. Она предназначена для автоматизации подготовки сводной и унифицированной рецензии; результаты требуют проверки человеком и зависят от качества исходных рецензий.

Aman/selfrag-zh_baichuan2_7b_chat — китайская версия Self-RAG, разработанная на базе Baichuan2-7B-Chat. Модель дообучена на примере данных Belle SFT с чередованием фрагментов из китайской Википедии. Она генерирует текст и предназначена для ответов с опорой на предоставленные отрывки, используя токены саморефлексии Self-RAG, согласованные с оригинальной англоязычной версией. Модель имеет плотную архитектуру BaichuanForCausalLM и 7 млрд параметров, работает с текстом и поддерживает контекст до 4096 токенов. Основной язык версии — китайский. Лицензия — MIT. Автор отмечает, что качество критической модели ограничено из-за объёма и качества обучающих данных; при генерации через vLLM наблюдались ошибки, поэтому использовался стандартный метод генерации Transformers.

SoreQen S1 Mega — разговорный ассистент на английском и хинглише от ZorQelis AI, дообученный методом LoRA на базе Qwen/Qwen3.5-4B. Адаптер обучен на 25 080 примерах диалогов и сведений о личности ассистента; базовые веса при этом не изменялись. Модель предназначена для ответов на английском или хинглише в соответствии с языком и стилем пользователя. Она поддерживает контекст до 262 144 токенов. Унаследованные от базовой модели возможности включают понимание изображений, режим рассуждений и интерфейс вызова инструментов, однако адаптер специально на этих сценариях не обучался. В README отмечены улучшенное распознавание собственной идентичности без системного промпта и способность отвечать хинглишем латиницей. Малый размер базовой модели может приводить к уверенным, но неверифицированным числам; хинглиш генерируется латиницей, а модель не предназначена для критически важных решений или профессиональных консультаций. Лицензия — Apache 2.0.

StudyLap-Tutor-v2 — дообученная авторегрессионная языковая модель семейства Qwen2, разработанная boyatilak123 на основе unsloth/Qwen2.5-7B-Instruct-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. Модель содержит 7,1 млрд параметров, принимает текст и рассчитана на генерацию текста в диалоговом формате; заявленная длина контекста — до 32 768 токенов. Её можно применять как разговорного учебного помощника: задавать вопросы по учебным темам и получать текстовые объяснения или ответы. Карточка не описывает специализированные предметные области, конкретные учебные данные и результаты оценки качества, поэтому пригодность для определённых предметов и точность ответов следует проверять отдельно. Модель распространяется по лицензии Apache-2.0.

NlpHUST/t5-en-vi-small — компактная модель семейства T5 для машинного перевода между английским и вьетнамским языками. В карточке описано обучение и оценивание на корпусе IWSLT’15 English-Vietnamese; размер модели — 157,4 млн параметров. Архитектура реализована через T5ForConditionalGeneration, доступны веса PyTorch и Flax. Модель предназначена для перевода предложений с английского на вьетнамский и, вероятно, в обратном направлении; README приводит пример вьетнамского перевода и результаты тестирования на наборе IWSLT’15. Лицензия в предоставленных данных не указана.

Taigi-Llama-2-Translator-13B — языковая модель Bohanlu для перевода между тайваньским хоккиеном, традиционным китайским и английским, а также между письменными системами хоккиена. Она создана дообучением Bohanlu/Taigi-Llama-2-13B на 263 тысячах параллельных примеров. Архитектура — плотная LlamaForCausalLM с 13 млрд параметров; модель принимает исходный текст и генерирует перевод. Контекст составляет 4096 токенов. Модель предназначена для перевода предложений и текстов между традиционным китайским и хоккиеном, английским и хоккиеном, а также для преобразования между записями хоккиена иероглифами Hanzi, латиницей POJ и Hanlo. Для перевода используется шаблон запроса с указанием целевого языка. Репозиторий распространяет веса в формате safetensors. Лицензия CC BY-NC-SA 4.0 требует указания авторства, ограничивает коммерческое использование и предусматривает распространение производных работ на тех же условиях. Результаты зависят от направления перевода и письменной системы; карточка не приводит оценки качества или подробных ограничений модели.

Taigi-Llama-2-Translator-7B — языковая модель Bohanlu для перевода между тайваньским хоккиеном и традиционным китайским или английским, а также между письменными системами хоккиена: ханцзы, POJ и Hanlo. Модель построена на базе Bohanlu/Taigi-Llama-2-7B и дообучена на 263 тысячах параллельных примеров. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и примерно 6,7 млрд параметров. Она принимает текст и генерирует текст перевода; для работы предусмотрен шаблон запроса с указанием исходного предложения и целевого языка. Контекст составляет 4096 токенов. Поддерживаются тайваньский хоккиен в трёх системах письма, традиционный китайский и английский. Модель подходит для перевода предложений и преобразования текста хоккиена между письменными системами. Лицензия CC BY-NC-SA 4.0 требует указания авторства, запрещает коммерческое использование и распространяет производные работы на тех же условиях.

TowerInstruct-7B-v0.2-EN2ES-i1-GGUF — это квантизированная версия инструкционной модели TowerInstruct-7B-v0.2-EN2ES, разработанной Iker и преобразованной в формат GGUF пользователем mradermacher. Модель обучалась на наборе данных Iker/InstructTranslation-EN-ES и предназначена прежде всего для инструкционного перевода между английским и испанским языками. Поддерживаемые языки — английский и испанский, библиотека — Transformers. Модель имеет около 7 млрд параметров; сведения о базовой архитектуре и размере контекста в README не указаны. Доступны многочисленные варианты квантизации IQ и Q с размером файлов примерно от 1,6 до 5,6 ГБ. Они позволяют выбирать компромисс между требованиями к памяти, скоростью и качеством: наиболее легкие варианты характеризуются низким качеством, а Q4_K_M отмечен как быстрый и рекомендуемый, Q4_K_S — как оптимальный по размеру, скорости и качеству. Это текстовая модель без заявленной поддержки других модальностей. Ограничения включают специализацию на паре английский—испанский и возможное снижение качества при использовании низкокачественных вариантов квантизации. Распространение указано по лицензии Apache-2.0.

UGC-VideoCaptioner — мультимодальная модель с 3 млрд параметров от OpenInterX для подробного описания коротких пользовательских видео. Она дообучена на базе Qwen/Qwen2.5-Omni-3B и предназначена для сценариев, где смысл видео зависит одновременно от изображения и звука: например, для роликов из TikTok с речью, музыкой и событиями в кадре. Модель принимает видео и создаёт текстовые подписи, объединяющие аудиовизуальные детали. В основе обучения — датасет UGC-VideoCap с 1000 размеченными видео и 4000 парами вопросов и ответов; использовались supervised fine-tuning и GRPO. README также описывает её как дистиллированную из Gemini 2.5 Flash, но идентификатор базовой модели в метаданных — Qwen/Qwen2.5-Omni-3B. Модель распространяется по лицензии MIT.

Карточка модели luffycodes/vicuna-class-shishya-ac-hal-13b-ep3 на Hugging Face совпадает с карточкой luffycodes/vicuna-class-shishya-13b-ep3, поэтому описание составлено по ней. luffycodes/vicuna-class-shishya-13b-ep3 — языковая модель для генерации текста на архитектуре Llama с 12,9 млрд параметров и контекстом до 4096 токенов. README связывает работу с проектом CLASS Meet SPOCK — образовательным чат-ботом-репетитором, разработанным с учетом принципов науки об обучении; модель предназначена для учебного диалога и помощи учащимся. Модель использует формат PyTorch и лицензию Llama 2. Данных о поддерживаемых языках, конкретных учебных предметах и ограничениях качества в источниках нет.

Карточка модели luffycodes/vicuna-class-tutor-13b-ep3 на Hugging Face совпадает с карточкой luffycodes/vicuna-class-shishya-13b-ep3, поэтому описание составлено по ней. luffycodes/vicuna-class-shishya-13b-ep3 — языковая модель для генерации текста на архитектуре Llama с 12,9 млрд параметров и контекстом до 4096 токенов. README связывает работу с проектом CLASS Meet SPOCK — образовательным чат-ботом-репетитором, разработанным с учетом принципов науки об обучении; модель предназначена для учебного диалога и помощи учащимся. Модель использует формат PyTorch и лицензию Llama 2. Данных о поддерживаемых языках, конкретных учебных предметах и ограничениях качества в источниках нет.

zondaxyz/babyconceptLM-Multilingual-matched — замороженный многоязычный чекпойнт BabyConceptLM, разработанный как контрольная модель со стороны концептов для сопоставительного эксперимента в исследовании BabyLM. Это архивный эксперимент multi1_583_full_dwa, а не публичная финальная мультиязычная версия модели. Модель имеет плотную архитектуру concept_dominant_gptbert: 5 слоёв токенного энкодера, 8 слоёв концептуального бэкбона и 3 слоя считывания; всего около 195 млн параметров. Контекст — 512 токенов. Репозиторий содержит веса PyTorch, токенизатор, конфигурацию и код для загрузки через Transformers. Модель предназначена для воспроизводимости анализа замороженных мультиязычных контрольных моделей и генерации текста. Метаданные также указывают задачи заполнения маски и классификации текста. Для загрузки требуется включить пользовательский код репозитория через trust_remote_code, поэтому перед использованием в чувствительной к безопасности среде README рекомендует проверить закреплённую ревизию. Чекпойнт не следует подменять им zondaxyz/babyconceptLM-multi: у них различаются веса, токенизаторы и смеси корпусов. Лицензия в предоставленных данных не указана.

BananaMind 2.1 Lite All-Looped — экспериментальная авторегрессионная языковая модель Banaxi-Tech класса до 25 млн параметров. Модель содержит 14,1 млн параметров по метаданным; README приводит другое значение — 24 949 999 параметров, поэтому размер указан в источниках неодинаково. Архитектура — плотная причинная Transformer-модель с 13 физическими слоями и 24 проходами по слоям: средний стек повторно использует те же веса. Дополнительно используется причинный триграммный модуль с двумя хеш-таблицами. Контекст — 4096 токенов. Модель обучалась на смеси веб-текстов, образовательных и синтетических данных, математических материалов и кода; в README описан потоковый учебный курс на 75 млрд токенов. Она предназначена для генерации текста и может применяться в небольших экспериментах с компактными языковыми моделями, включая генерацию кода. Язык в метаданных — английский. Репозиторий содержит веса в safetensors и распространяется по лицензии Apache 2.0. Карточка описывает модель как эксперимент, а не как готовую к производственному применению систему.

yanekyuk/berturk-uncased-keyword-discriminator — дообученная модель на архитектуре BERT для турецкого языка, предназначенная для классификации токенов и выделения ключевых слов. Она основана на dbmdz/bert-base-turkish-uncased и содержит 137,8 млн параметров. Модель принимает текст и выдаёт метки для его токенов; максимальная длина контекста — 512 токенов. В карточке приведены результаты оценки: F1 0,6368, точность 0,6234 и полнота 0,6508. Набор обучения не назван, а разделы с описанием назначения и ограничений не содержат дополнительных сведений, поэтому качество на других данных и практические ограничения оценить нельзя. Модель распространяется по лицензии MIT.

BIA-MISTRAL-7B-SACHI_merged — модель BurkimbIA, некоммерческой ассоциации из Уагадугу, для перевода между французским и языком море (Mooré). Это дообученная версия Mistral-7B; данный репозиторий содержит объединённые веса в формате bf16 объёмом около 14,5 ГБ и предназначен для запуска, например, через vLLM. Модель работает с текстом и поддерживает перевод в обоих направлениях: с французского на море и с море на французский. Модель создана для перевода текстов на малоресурсный язык, у которого мало цифровых обучающих данных. Для лучшего качества ей нужен заданный в карточке формат completion-промпта; использование chat-шаблона может ухудшить результат. Минимально рекомендована видеокарта с 24 ГБ памяти. Переводы могут быть ошибочными или неестественными, особенно для длинных, технических и тематически далёких от обучения текстов. Поскольку тоновые различия не отображаются в орфографии море, модель может неверно интерпретировать омографы. Для важных материалов, особенно административных, юридических и медицинских, результат следует проверить у носителя языка. Лицензия — Apache-2.0; доступ к репозиторию ограничен и требует одобрения.

Minbyul/biomistral-7b-wo-kqa_golden-iter-dpo-step2 — диалоговая языковая модель на архитектуре Mistral с 7,1 млрд параметров. Это DPO-дообучение модели Minbyul/biomistral-7b-wo-kqa_golden-iter-dpo-step1 на наборе HuggingFaceH4/ultrafeedback_binarized. Модель предназначена для генерации диалоговых ответов; базовая модель включает ответы на медицинские и биологические вопросы. Контекст — до 32 768 токенов, веса доступны в формате safetensors. Модель можно применять для диалоговых ответов и ответов на медицинские и биологические вопросы. В карточке приведены результаты оценки на тестовом наборе, но подробности методики и гарантии качества не описаны. Лицензия — Apache-2.0.

CamemBERTv2 — франкоязычная языковая модель семейства CamemBERT, разработанная Almanach на архитектуре RoBERTa. Это плотная модель с 138,4 млн параметров, предварительно обученная на 275 млрд токенов французских текстов из OSCAR/CulturaX, научных документов HALvest и французской Википедии. Она использует маскированное языковое моделирование и предназначена прежде всего для предсказания скрытых фрагментов текста; модель можно применять как основу для дообучения на задачах обработки французского языка. Модель поддерживает контекст до 1025 токенов и использует новый токенизатор WordPiece на 32 768 токенов, отличный от токенизатора исходного CamemBERT. Для работы требуется быстрый токенизатор, например CamembertTokenizerFast. В описанных экспериментах дообученные варианты оценивались на французской морфологической разметке, синтаксическом анализе, распознавании сущностей, классификации, ответах на вопросы и переносе между языками; эти результаты не означают, что базовая модель выполняет все эти задачи без дополнительного обучения. Репозиторий распространяется по лицензии MIT.

Карточка модели hfl/chinese-lert-large на Hugging Face совпадает с карточкой hfl/chinese-lert-base, поэтому описание составлено по ней. HFL Chinese LERT Base — предварительно обученная языковая модель для китайского языка, разработанная авторами Yiming Cui, Wanxiang Che, Shijin Wang и Ting Liu. LERT основана на архитектуре BERT и предназначена для восстановления замаскированных токенов в тексте, а также как языковая основа для задач обработки китайского языка. Модель содержит 129,5 млн параметров, принимает текстовые последовательности длиной до 512 токенов и доступна в форматах PyTorch и TensorFlow. Карточка характеризует LERT как модель с лингвистически мотивированным предобучением. Лицензия — Apache 2.0. Для прямого применения в других задачах может потребоваться дообучение. В доступной карточке не приведены результаты оценки качества и подробности состава обучающих данных.

hfl/chinese-roberta-wwm-ext — китайская предобученная модель семейства BERT с маскированием целых слов (Whole Word Masking), опубликованная HFL. Это плотная модель для заполнения пропусков в тексте: она предсказывает замаскированные токены и может служить основой для задач понимания китайского текста после соответствующей настройки. Модель содержит 129,5 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена прежде всего для обработки китайского языка. Доступны веса в форматах PyTorch, TensorFlow и Flax. Репозиторий распространяется по лицензии Apache-2.0. Карточка описывает предобучение, но не приводит результатов оценки качества или специализированных ограничений; доступные сведения указывают на задачу заполнения масок.

Cinder-Phi-2-Test-1 — чат-модель на архитектуре Phi, разработанная Josephgflowers. Она предназначена для научных и образовательных бесед, общения в роли персонажа Cinder и творческого исследования идей. В README указано, что обучение использовало данные, похожие на OpenHermes 2.5, с дополнительными материалами по математике, STEM, рассуждениям из OpenOrca и данными о персонаже Cinder. Модель содержит 3,5 млрд параметров, использует плотную архитектуру Phi для генерации текста и поддерживает контекст до 2048 токенов. Опубликованы варианты в форматах Safetensors и GGUF; лицензия — MIT. Карточка описывает модель как тестовую версию и сообщает, что дополнительные сведения появятся позднее.