I.5Создание и редактирование текста

EduGanda-Gemma-4-E2B-v4 — экспериментальный исследовательский чекпойнт Crane AI Labs, созданный на базе Google Gemma 4 E2B Instruct. Это плотная модель семейства Gemma 4 для генерации текста в формате диалога, настроенная на помощь в начальном образовании на луганда: обучение включало продолженное предобучение на словарных материалах, перевод, настройку на учебные программы и педагогику, а также два этапа обучения с подкреплением. Карточка приводит результаты по следованию инструкциям, математическим задачам и переводу между луганда и английским. Модель предназначена для учебных объяснений, упражнений и перевода в контексте начального образования. В README она обозначена как один из двух родительских чекпойнтов EduGanda-Gemma-4-E2B-v5; в метаданных указан формат safetensors и лицензия Gemma. Это экспериментальная версия: автор рекомендует проверять фактические и грамматические утверждения на луганда перед использованием с учащимися. На некоторых учебных запросах модель повторяется, а порядок инструкции и вопроса влияет на ответы в тестах с выбором варианта. Для генерации автор рекомендует greedy decoding и настройку ограничения повторов.

Gemma-4-26B-A4B-it-Uncensored-FP8 — модифицированная версия инструкционной модели Google Gemma-4-26B-A4B-it, опубликованная OrcaRouter. В модели удалено направление отказа от ответов методом abliteration, а веса и активации подвергнуты динамической FP8-квантизации. Модель предназначена прежде всего для исследований механизмов отказа и выравнивания, интерпретируемости, red-teaming и оценки безопасности в контролируемых средах, а также для авторизованной генерации без встроенных ограничений. Это Mixture-of-Experts-модель на 26 млрд параметров со 128 экспертами и примерно 4 млрд активных параметров на токен. Архитектура включает 30 слоёв и скрытый размер 2816; заявлена поддержка рассуждений, вызова инструментов и обработки изображений. Указаны языки английский и китайский, контекст до 262 тысяч токенов. Используется формат safetensors, шесть сегментов общим объёмом около 25 ГБ. Веса квантизуются в FP8 E4M3 по каналам, активации — динамически по токенам; отдельные компоненты, включая lm_head, маршрутизатор MoE и vision tower, сохраняются в BF16. Главная особенность и одновременно ограничение модели — существенное удаление защитного выравнивания: она значительно реже отказывается от вредных запросов и может выполнять опасные, незаконные или неэтичные инструкции. Приведённые тесты показывают уровень отказов около 3–8% на нескольких наборах, однако оценка основана на простом классификаторе начальных фраз и не является публикационной проверкой качества. Модель не предназначена для публичного или производственного использования без собственных механизмов безопасности, модерации и предотвращения злоупотреблений. Лицензия указана как Gemma; использование должно соответствовать условиям Gemma, политике запрещённого использования и применимому законодательству. Авторы рекомендуют применять модель только в законных исследовательских целях и возлагают ответственность за результаты использования на пользователя.

GPT-2 Indonesian Small Kids Stories — авторегрессионная языковая модель на архитектуре GPT-2 Small, разработанная Wilson Wongso. Исходный предварительно обученный GPT-2 Small Indonesian дообучен на детских рассказах на индонезийском языке из коллекций Room to Read и Let’s Read. Модель содержит 124 млн параметров, принимает текст и генерирует продолжение; указанное для неё контекстное окно — 1024 токена. Модель подходит для генерации коротких детских историй на индонезийском языке и продолжения заданного начала рассказа. При оценке после обучения на 10 эпохах получены loss 3,777 и perplexity 43,68. Эти показатели не гарантируют связность или пригодность каждого результата. В карточке отдельно отмечены возможные смещения, унаследованные от базовой модели и обучающих текстов. Модель распространяется по лицензии MIT.

Haidass-Translate-143M — компактная модель перевода DALabCommunity на 143 млн параметров с архитектурой Qwen3. Она дообучена на базе Haidass1.5-143M и предназначена для перевода между английским и китайским языками в обоих направлениях. Модель обучалась в три этапа на параллельных предложениях, с последующей настройкой качества и дистилляцией от более крупной модели. Для генерации доступны жадное декодирование и beam search; веса опубликованы в формате safetensors. Контекст составляет 4096 токенов. Модель подходит для локального перевода коротких текстов и предложений, а также для встраивания в приложения с ограниченными ресурсами. В README приведены результаты оценки на FLORES-200 и FLORES+, где качество зависит от направления и параметров декодирования. Модель специализирована на переводе zh↔en и не предназначена для общего чата. Среди отмеченных ограничений — отдельные ошибки в именах собственных и числовых деталях, а также более слабое направление zh→en. Лицензия — Apache-2.0.

Hunyuan-MT-7B-GGUF — это квантованная в формате GGUF версия языковой модели для машинного перевода Hunyuan-MT-7B, разработанной Tencent. Модель предназначена для перевода текста между 33 языками, включая китайский, английский, французский, португальский, испанский, японский, русский, арабский, корейский, немецкий и ряд других языков, в том числе пять языков этнических меньшинств Китая. Модель имеет размер 7B параметров и рассчитана на запуск через llama.cpp и совместимые инструменты. Представленная версия была создана с использованием llama.cpp; автор сборки также применял выборочное повышение точности отдельных слоёв при квантовании, чтобы улучшить качество при ограниченной разрядности, хотя это увеличивает размер файлов. Модель ориентирована именно на перевод и ожидает инструкции с указанием целевого языка без дополнительных пояснений. Сведения об архитектуре, размере контекста и поддержке других модальностей в карточке не указаны. Сильной стороной исходной Hunyuan-MT-7B заявлена высокая эффективность в задачах перевода: на конкурсе WMT25 она заняла первое место в 30 из 31 языковой категории, в которой участвовала. Ограничения включают специализацию преимущественно на переводе и возможное снижение качества при низкоразрядном квантовании, несмотря на оптимизацию отдельных слоёв. Лицензия в предоставленной карточке не указана.

jinen-v1.1-beta — японская модель преобразования каны в кандзи, разработанная Hitoshi Togasaki. Это прототип, подготовленный как GGUF-версия для дальнейшего развития в jinen-v2. Модель предназначена для японского ввода и задач kana-kanji conversion; в карточке указана текстовая генерация и поддержка японского языка. Для работы требуется предварительная NFKC-нормализация входного текста. Рекомендуемый левый контекст составляет 64 символа, а в тестах использовалось окно контекста 1024 токена. Доступны варианты с точностью F16, Q8_0, Q5_K_M и Q4_K_M; их размеры составляют от 72 до 220 МБ. На AJIMEE-Bench модель показала Accuracy@1 79,5–80,0%, или 85,5–86,0% при NFKC-нормализации, с задержкой p50 от 25 до 46 мс и p99 от 87 до 169 мс в зависимости от варианта. Квантованные версии уменьшают размер и задержку при близкой точности, что подходит для локального использования на CPU. Обучающий корпус частично основан на обработанных библиографических данных Национальной парламентской библиотеки Японии; лицензия модели в README не указана, поэтому условия распространения и использования необходимо уточнять отдельно.

KL3M 170M — языковая модель Alea Institute для генерации текста на юридическую тематику. Это плотная Llama-архитектура с Grouped Query Attention: 30 слоёв, 181,7 млн параметров и контекст до 4096 токенов. Контрольная точка обучена на многоотраслевом корпусе юридических текстов, включая судебные материалы, федеральные нормативные акты, патенты и документы SEC; в обучении применялись оптимизатор Muon и спектральная регуляризация. Модель предназначена для генерации связного текста в стиле юридических документов: аргументации для судебных материалов, нормативных формулировок, патентных притязаний и корпоративной финансовой отчётности. Карточка сообщает об улучшении контроля повторов относительно более ранних контрольных точек, но не приводит независимых оценок качества. Это контрольная точка на 63 000 шаге, использующая BF16 и формат safetensors; лицензия — Apache-2.0. Основной язык карточки — английский.

mpasila/Llama-3-LimaRP-Instruct-8B — дообученная разговорная модель на архитектуре Llama 3, разработанная mpasila для генерации текста в формате инструкций Llama 3. Она предназначена для диалогов и ролевых сценариев на основе изменённого набора LimaRP-augmented. Модель содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов; в карточке указана поддержка английского языка. Модель создана на базе unsloth/llama-3-8b-bnb-4bit: LoRA обучали в 4-битном режиме в течение одной эпохи на контексте 8k, а опубликованный вариант описан как слияние производной LoRA-модели. Формат подсказок Llama 3 Instruct упрощает совместное использование с моделями, применяющими тот же формат. В README отмечена возможная проблема шаблона диалога: добавленные Unsloth роли «gpt» и «user» иногда обрабатываются некорректно. Модель предназначена для генерации ответов и ролевых диалогов; она не описана как универсальная модель для всех аудиторий. Репозиторий использует safetensors, лицензия — Llama 3 Community License.

LLaMandement-7B — франкоязычная чат-модель, разработанная DGFIP для суммирования французских законодательных предложений. Это авторегрессионная плотная языковая модель на архитектуре Transformer, дообученная на базе LLaMA-2-7B и рассчитанная на генерацию текста по инструкциям в формате, похожем на Alpaca. Модель содержит 6,6 млрд параметров, принимает текст и имеет контекст длиной 2048 токенов. Модель предназначена прежде всего для краткого изложения законодательных предложений на французском языке. В метаданных указаны формат safetensors и лицензия Llama 2 Community License Agreement. Карточка не приводит оценок качества или подробностей обучающих данных, поэтому пригодность для юридически значимых решений требует отдельной проверки.

Mahou-1.3-M1-mistral-7B — разговорная языковая модель на архитектуре Mistral, созданная nbeerbower путём слияния моделей с помощью mergekit. Она предназначена для коротких сообщений в диалоге, непринуждённого общения и ролевых сценариев с персонажами. Модель принимает текст и генерирует текст; для общения использует формат ChatML, а в ролевом формате речь выдаётся без кавычек, действия оформляются звёздочками. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Опубликованные веса находятся в формате safetensors. Лицензия — Apache-2.0. README рекомендует использовать режим инструкций и профиль Mahou; сведений о поддерживаемых естественных языках и результатах сравнительных оценок в предоставленных данных нет.

Карточка модели TIGER-Lab/MAmmoTH2-8B на Hugging Face совпадает с карточкой TIGER-Lab/MAmmoTH2-8B-Plus, поэтому описание составлено по ней. 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.

Khaled Aalnobani дообучил MarianMT-модель Helsinki-NLP/opus-mt-en-ar на датасете OPUS-KDE4/v2/moses/ar-en. Она предназначена для перевода английского текста на арабский, в том числе текстов из KDE4. Модель использует архитектуру Marian и библиотеку Transformers; максимальная длина контекста — 512 токенов. На указанном в карточке наборе для оценки достигнут BLEU 37,8753 при loss 1,2680. Распространяется по лицензии Apache-2.0. Карточка не описывает дополнительные сценарии, ограничения и подробности оценки.

CLS-Lab/narrative-likert-roberta — модель CLS-Lab на базе RoBERTa-base, дообученная для оценки повествовательных характеристик текста по девяти шкалам Лайкерта. Она регрессионно оценивает агентность (фокализация, эмоции, когниция, изменение состояния и конфликт) и характеристики сеттинга (конкретность, временная и пространственная привязка, сенсорные детали). Модель обучена на псевдоразметке, созданной Gemma-4-31B, а оценка проводилась на отложенной выборке с человеческой эталонной разметкой. Модель предназначена для анализа повествований и извлечения структурированных оценок из текста. Это дообучение FacebookAI/roberta-base; в репозитории указаны веса PyTorch и токенизатор. Карточка с подробностями обучения пока не представлена. Лицензия — ODC-BY.

3tic/Orion-Qwen3-8B-CPT-v2607 — базовая модель на архитектуре Qwen3, дообученная разработчиком на корпусе объёмом более 40 млрд токенов китайских и японских текстов ранобэ и близких художественных материалов. В обучающие данные вошли опубликованные и веб-ранобэ, тексты визуальных новелл, субтитры аниме и переводы этих материалов на китайский язык. Модель предназначена для дальнейшей тонкой настройки под задачи генерации текста, связанные с китайской и японской художественной прозой. Она содержит 7,6 млрд параметров, использует архитектуру Qwen3ForCausalLM, принимает текст и имеет контекстное окно 32 768 токенов. Репозиторий содержит веса в формате safetensors; лицензия — Apache 2.0.

plT5 Small — польскоязычная модель семейства T5 с примерно 55 млн параметров, разработанная командой Machine Learning Research Team компании Allegro совместно с Linguistic Engineering Group Института информатики Польской академии наук. Модель обучена на польских текстовых корпусах и использует денойзинговую цель исходного T5; для токенизации применяется SentencePiece unigram со словарём размером 50 тысяч токенов. В метаданных основная задача модели обозначена как перевод. Она предназначена для преобразования польского текста в текст на задачах перевода; карточка также помечает семейство plT5 задачами суммаризации и ответов на вопросы, но метаданные каталога подтверждают только перевод. Доступная версия представлена в формате PyTorch. Модель ориентирована на польский язык и может быть полезна для прикладных задач обработки польского текста. Лицензия — CC BY 4.0; сведения о длине контекста и конкретных ограничениях качества в карточке не приведены.

Pythia-2.8B-TLDR-Iterative-SamPO — англоязычная авторегрессионная модель семейства GPT-NeoX, дообученная авторами репозитория на основе EleutherAI/pythia-2.8b с применением алгоритма SamPO. Она предназначена для генерации ответов в стиле TLDR и исследования методов оптимизации предпочтений: в карточке приведено сравнение с SFT, DPO, итеративным DPO и нормализацией длины по результатам оценки GPT-4. Модель содержит 3,5 млрд параметров, принимает текст и имеет контекст длиной до 2048 токенов. Для пользовательских сценариев подходит генерация кратких ответов и эксперименты с предпочтительным обучением языковых моделей. Выпущена под лицензией Apache-2.0.

RAG-KO-Mixtral-7Bx2-v2.1 — корейская модель генерации текста, разработанная исследователями MarkrAI. Она создана на базе DopeorNope/Ko-Mixtral-v1.4-MoE-7Bx2 и дообучена методом QLoRA на частном наборе данных Korean-RAG-ver2 для сценариев генерации с дополнением извлечённой информацией (RAG) в нескольких предметных областях. Модель использует архитектуру Mixtral с разреженной смесью экспертов (MoE), содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса Safetensors. Карточка не приводит результаты бенчмарков, поэтому качество и сравнительную эффективность оценить по ней нельзя. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на условиях «С сохранением условий», но запрещает коммерческое использование.

prajdabre/rotary-indictrans2-en-indic-1B — плотная модель условной генерации из семейства RotaryIndicTrans, созданная Праджабре как независимое воспроизведение исследования по развитию возможностей длинного контекста у многоязычных моделей машинного перевода. В модели IndicTrans2 заменены синусоидальные позиционные эмбеддинги на Rotary Positional Embedding, после чего модель дообучена для дополнительного выравнивания; размер — 1 млрд параметров. Модель предназначена прежде всего для перевода с английского на индийские языки на уровне документов и длинных контекстов. Перед генерацией требуется предварительная обработка текстов с помощью IndicTransToolkit и IndicProcessor. Для коротких предложений качество может быть несколько ниже, а для генерации может потребоваться настройка параметров beam search и штрафов. В тестах пример с входом длиной 1457 запускался на одной GPU A100; версия 1B требует значительных вычислительных ресурсов или уменьшения размера beam. Лицензия — MIT.

KoljaB/SentenceFinishedClassification — модель классификации последовательностей на базе DistilBERT, опубликованная пользователем KoljaB на Hugging Face. По названию репозитория она предназначена для определения, завершено ли предложение, однако карточка модели не описывает метки классов, обучающие данные или процедуру применения, поэтому конкретный критерий классификации нельзя подтвердить. Модель содержит около 67 млн параметров, использует архитектуру DistilBertForSequenceClassification и имеет контекст длиной до 512 токенов. Опубликована в формате Safetensors под лицензией MIT. Доступные сведения не устанавливают язык обучения или качество работы.

Windstorm Labs публикует MarianMT-модель машинного перевода с немецкого языка на игбо. Это дообученная версия Helsinki-NLP/opus-mt-de-ig: LoRA-адаптер обучен на параллельном корпусе и объединён с базовыми весами. Модель содержит 55,9 млн параметров, принимает и выдаёт текст; доступна в формате safetensors для Transformers. Контекст — до 512 токенов. Модель предназначена для перевода немецких текстов на игбо в сценариях, где нужна именно эта языковая пара. В проверке на 48 предложениях FLORES-200 она получила chrF++ 24,94 и BLEU 3,40; это ограниченная предварительная оценка, а не результат публикационного исследования. Лицензия — Apache-2.0.

NikolayKozloff/translategemma-12b-it-Q4_K_M-GGUF — это квантизированная версия модели google/translategemma-12b-it, разработанной Google. Модель преобразована в формат GGUF с использованием llama.cpp и инструмента GGUF-my-repo, что позволяет запускать её через llama.cpp в локальном режиме или как сервер. Модель предназначена прежде всего для задач перевода и относится к инструкционной версии с размером 12 млрд параметров. В карточке указана метка image-text-to-text, однако подробные сведения о поддерживаемых языках, мультимодальных возможностях, архитектуре и максимальном контексте отсутствуют. Для запуска доступны файл translategemma-12b-it-q4_k_m.gguf и параметры llama.cpp, включая контекст до 2048 токенов в приведённом примере. Ключевое преимущество версии — компактный формат GGUF с квантизацией Q4_K_M, удобный для локального инференса и совместимый с llama.cpp. Ограничения и фактическое качество переводов в README не описаны; также отсутствуют сведения о требованиях к оборудованию и производительности. Использование регулируется лицензией Gemma Google, а доступ к исходной модели на Hugging Face требует принятия условий этой лицензии.

UmBERTo Wikipedia Uncased — языковая модель на архитектуре RoBERTa/CamemBERT, разработанная авторами из Musixmatch и обученная на итальянской Википедии. Это версия для заполнения пропусков в тексте: модель предсказывает замаскированные токены и формирует контекстные представления текста. Модель содержит 137,8 млн параметров, использует токенизатор SentencePiece с словарём 32 тыс. токенов и Whole Word Masking. По метаданным, максимальная длина контекста составляет 514 токенов. Она предназначена для итальянского языка; в README также приведены результаты для распознавания именованных сущностей и определения частей речи, но для этих задач потребуются соответствующие downstream-головы или дообучение. Репозиторий содержит веса PyTorch. README не сообщает лицензию, поэтому условия использования по имеющимся сведениям определить нельзя. Модель обучалась на сравнительно небольшом корпусе итальянской Википедии, что может ограничивать её работу с текстами других жанров и областей.

Карточка модели luffycodes/vicuna-class-shishya-ac-hal-7b-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-shishya-all-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-mmlu-val-mcq-7b-ep2 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-mmlu-val-only-correct-mcq-7b-ep2 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.

AfroXLMR-large — языковая модель на базе XLM-R-large, созданная Davlan и адаптированная методом MLM к 17 африканским языкам, а также арабскому, французскому и английскому. Это плотная архитектура XLM-RoBERTa с примерно 658,7 млн параметров и контекстом до 514 токенов. Модель предназначена для заполнения пропусков в тексте и может служить языковой основой для задач понимания африканских языков. В оценке на MasakhaNER она показала средний F-score 83,9 по сравнению с 80,5 у XLM-R-large; это результат конкретного бенчмарка, а не гарантия качества на других задачах. Модель принимает текст и предсказывает замаскированные токены. Поддерживаемые языки включают африкаанс, амхарский, хауса, игбо, малагасийский, чичева, оромо, нигерийский пиджин, киньяруанда, кирунди, шона, сомали, сесото, суахили, коса, йоруба, зулу, арабский, французский и английский. Репозиторий распространяется по лицензии MIT.

alexmt-qwen3-0.6b-simpo-bwchrf — компактная модель генерации текста на базе Qwen3-0.6B, дообученная для контекстного перевода между английским и разговорным арабским. Она разработана для перевода реплик в диалогах с учётом до трёх предыдущих ходов, тематики, участников и направления гендерных характеристик говорящего и адресата. Модель обучена на Alexandria: использованы девять разновидностей арабского языка — египетская, иорданская, ливанская, марокканская, оманская, палестинская, саудовская, сирийская и йеменская — и оба направления перевода. Финальная настройка выполнена методом SimPO на предпочтительных парах, отобранных по chrF++ среди генераций SFT-модели. Модель содержит 507,9 млн параметров, использует архитектуру Qwen3ForCausalLM и поддерживает контекст до 40 960 токенов. Для применения ей передают один пользовательский ход в формате JSON-промпта Alexandria; ответ содержит перевод в поле translation. В опубликованной оценке на тестовой части Alexandria измерялись spBLEU и chrF++, но диалектная точность отдельно не проверялась. Результаты ограничены одним seed и одним разбиением данных; сравнения моделей SimPO и DPO не установлены, поскольку скорость обучения DPO выбиралась по тестовой части. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и запрещающая коммерческое применение.

Internist.ai 7b — медицинская языковая модель, разработанная врачами UCLouvain и Cliniques Universitaires Saint-Luc на основе Mistral-7B-v0.1. Это плотная авторегрессионная модель с 7,1 млрд параметров, дообученная на общих и медицинских данных; она поддерживает диалог и генерирует текст на английском языке. Модель предназначена для медицинских специалистов: она может помогать с клиническими вопросами, поддержкой принятия решений и документацией. В карточке сообщается о результатах 60,5% на MedQA (USMLE), 55,8% на MedMCQA и 79,4% на PubMedQA. Метаданные указывают контекст до 32 768 токенов, тогда как карточка README сообщает 4 096 токенов. Модель распространяется в формате Safetensors по лицензии Apache 2.0. Авторы описывают её как proof of concept и не рекомендуют применять в клинической практике без тщательной оценки и дополнительных мер безопасности: возможны ошибки, а специального обучения для безопасного использования неспециалистами не проводилось.

Карточка модели Bercraft/blip2-flan-t5-xl-coco на Hugging Face совпадает с карточкой Salesforce/blip2-flan-t5-xl-coco, поэтому описание составлено по ней. BLIP-2 Flan T5-xl COCO — модель Salesforce для генерации текста по изображению, дообученная на COCO. Она объединяет визуальный энкодер CLIP-подобного типа, трансформер Q-Former и языковую модель Flan-T5-xl. Энкодер изображения и языковая модель используют предварительно обученные и замороженные веса, а Q-Former связывает визуальные признаки с языковой моделью. Модель принимает изображение и, при необходимости, текстовый запрос, чтобы сформировать текстовый ответ. Модель подходит для создания подписей к изображениям и ответов на вопросы об их содержимом; также возможен диалог с изображением и историей переписки в запросе. В метаданных указаны английский язык и форматы PyTorch и Safetensors. Репозиторий распространяется по лицензии MIT. Модель унаследовала ограничения Flan-T5 и обучающих интернет-данных: ответы могут быть неточными или отражать предвзятость и неподходящее содержание. Карточка сообщает, что модель не проверялась в реальных приложениях; перед применением следует оценить её точность, безопасность и справедливость в конкретном сценарии.