I.5Создание и редактирование текста

Карточка модели namirocks/vicuna-class-student-all-hal-7b 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.

Vitruv 1 — модель Virtruv, дообученная на базе beomi/OPEN-SOLAR-KO-10.7B с упором на математические задачи на корейском языке. Это плотная авторегрессионная модель семейства Llama с 10,7 млрд параметров, предназначенная для генерации текста; заявленная длина контекста — 2048 токенов. Для обучения использовались наборы данных по переводу между корейским и английским языками, корейским инструкциям и математике; данные MathPile были переведены вручную для обучения.

Zagreus-0.4B-ita — базовая двуязычная малая языковая модель, разработанная сообществом mii-llm с нуля на инфраструктуре Seeweb. Это предварительно обученная, не настроенная на инструкции модель для исследователей и разработчиков, которым нужна основа для дальнейшего дообучения и создания собственных моделей. Модель использует плотную авторегрессионную архитектуру на основе модифицированной Llama-3.2 и содержит 437,7 млн параметров. Она принимает текст и генерирует продолжение текста; заявленная длина контекста — 4096 токенов. Модель рассчитана прежде всего на итальянский и английский языки. Для обучения использовались открытые текстовые наборы FineWeb, FineWeb-2, FinePDFs и StarCoderData. Модель подходит для экспериментов с двуязычным языковым моделированием и как отправная точка для дообучения под конкретные задачи. Поскольку она не настроена на инструкции, от неё не следует ожидать надёжного следования запросам в диалоговом формате. Репозиторий использует формат safetensors; лицензия — Apache-2.0.

AfriGuardInst-AfriqueQwen3.5-4B — диалоговая модель генерации текста, разработанная на базе McGill-NLP/AfriqueQwen3.5-4B. Её полностью дообучили на наборе israel/AfriGuard-inst, содержащем примеры с системными инструкциями по безопасности и пользовательскими запросами; обучение проводилось в формате SFT с шаблоном диалога базовой модели и вычислением потерь только на ответе. Модель предназначена для диалогов, в которых нужно учитывать инструкции по безопасности, в том числе на африканских языках. В метаданных перечислены английский, амхарский, хауса, игбо, оромо, шона, суахили, тви, волоф, йоруба и зулу. Базовая модель — плотная архитектура Qwen3.5 с 4 млрд параметров; веса представлены в формате Safetensors и рассчитаны на использование с Transformers. Лицензия — CC BY 4.0. Это контрольный запуск дообучения на одном GPU в течение одной эпохи. README не приводит количественных оценок качества или подробностей о границах защитного поведения, поэтому пригодность для конкретных политик безопасности следует проверять отдельно.

AfriGuardPlain-tiny-aya-global-full — модель CohereLabs, дообученная методом полного fine-tuning на базе CohereLabs/tiny-aya-global на датасете adzcai/AfriGuard-plain. Это плотная причинно-языковая модель семейства Cohere2 на 3,3 млрд параметров с контекстом 8192 токена; она принимает пользовательский запрос и отвечает обычным текстом без метки безопасности. На безопасные запросы модель даёт полезный ответ, а на небезопасные — краткий отказ, не требуя отдельной инструкции безопасности в системном сообщении. Модель предназначена для генерации ответов в диалоговых сценариях с базовой обработкой запросов на безопасность: например, для тестирования поведения отказа или прототипирования чат-бота. В метаданных перечислены английский и языки Африки, включая амхарский, хауса, игбо, оромо, шона, суахили, твский, волоф, йоруба и зулу. Указана библиотека Transformers и формат safetensors. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение. В README приведены сведения о дообучении на одном GPU в течение одной эпохи, однако метрик качества и оценок устойчивости не указано. Поэтому поведение модели в разных языках и на сложных сценариях безопасности следует проверять отдельно.

Andrew0425/AgenticASR-Refiner — модель семейства Llama для генерации текста, связанная с работой AgenticASR о повышении качества распознавания речи в реальных сценариях с помощью агентного подхода. В репозитории размещены веса в форматах Safetensors и ONNX; модель содержит около 837,6 млн параметров и поддерживает контекст до 131 072 токенов. Модель предназначена для сценариев уточнения результатов распознавания речи в рамках подхода AgenticASR. Карточка не описывает конкретный способ использования, входной формат или языковое покрытие, поэтому нельзя уверенно определить, принимает ли модель аудио напрямую или обрабатывает текстовые транскрипции. Метаданные указывают на текстовую генерацию и чат-возможность. Лицензия репозитория — Apache-2.0. README содержит только название связанной работы и не сообщает о результатах оценки или известных ограничениях.

ALMA-13B-R — языковая модель для машинного перевода, разработанная Haoran Xu и соавторами. Она построена на базе haoranxu/ALMA-13B-Pretrain и представляет собой LoRA-дообученную версию ALMA-13B-LoRA с последующим применением метода Contrastive Preference Optimization (CPO), использующего триплетные данные о предпочтениях. Разработчики позиционируют её как лучшую модель семейства ALMA-R; по заявлению авторов, она может достигать или превосходить результаты GPT-4 и победителей конкурсов WMT. Модель предназначена для перевода между языками в сценариях, где требуется высокое качество нейронного машинного перевода. В README приведён пример перевода с китайского на английский; полный набор поддерживаемых языков, максимальная длина контекста и перечень модальностей не указаны. Размер модели составляет 13B параметров, архитектура описана как причинная языковая модель, совместимая с AutoModelForCausalLM в Transformers. Для запуска рекомендуется использовать float16 и автоматическое распределение модели по доступным устройствам. К сильным сторонам относятся специализированное обучение для машинного перевода и оптимизация по предпочтениям, направленная на улучшение качества относительно обычного supervised fine-tuning. Ограничения включают отсутствие в README подробных данных о языковом покрытии, контекстном окне, вычислительных требованиях и независимых результатах оценки. Модель распространяется по лицензии MIT.

soob3123/amoral-gemma3-12B-v1 — дообученная текстовая версия Gemma 3 12B от Google, созданная для информационных систем, которым нужны сдержанные аналитические ответы на чувствительные и спорные вопросы. Модель рассчитана на нейтральное изложение фактов без выраженных оценочных формулировок и избыточного морализирования; в карточке заявлены ослабленные механизмы отказа и снижение смещения в ответах. Модель использует плотную архитектуру Gemma 3 и содержит 11,6 млрд параметров. Она поддерживает генерацию текста на английском языке и контекст до 131 072 токенов; метаданные указывают библиотеку Transformers и формат Safetensors. Возможные сценарии — анализ спорных тем, исследование смещений, моделирование дискуссий по этике, разработка систем модерации и анализ чувствительных исторических вопросов. Карточка не приводит результатов оценивания, описания обучающих данных или независимой проверки заявленных механизмов нейтрализации и снижения отказов. Модель унаследовала ограничения базовой модели; ослабление отказов может приводить к выдаче вредной или токсичной информации. Лицензия — Apache 2.0.

Карточка модели thesephist/contra-bottleneck-t5-small-wikipedia на Hugging Face совпадает с карточкой thesephist/contra-bottleneck-t5-large-wikipedia, поэтому описание составлено по ней. Bottleneck T5 Large — англоязычный автоэнкодер текста, разработанный Linus Lee на основе LM-adapted T5 v1.1. Это плотный трансформер T5 с энкодером-декодером, attention pooling в узком латентном представлении и gated cross-attention. По метаданным модель содержит 385,2 млн параметров; README описывает семейство вариантов размером от 60 млн до 3 млрд параметров, включая Large с 770 млн, поэтому указанное в карточке число относится к метаданным репозитория. Модель кодирует текст длиной до 512 токенов в нормализованный вектор фиксированной длины и восстанавливает текст из этого представления. Латентное пространство предназначено для семантической интерполяции и редактирования атрибутов текста, таких как длина, тон, структура и тема. Обучение проводилось на отфильтрованной части англоязычной Википедии, поэтому модель лучше подходит для энциклопедического и похожего текста. Это прототип для экспериментов с редактированием текста в латентном пространстве; для работы требуется обёртка BottleneckT5Autoencoder. Технический, разговорный и другой нетипичный для обучающих данных текст может обрабатываться хуже. Лицензия — MIT.

borisbat/dasllama-stories — набор двух небольших языковых моделей для сочинения детских историй, опубликованный для браузерных примеров dasllama.io. Обе модели используют архитектуру Llama и доступны в формате GGUF для запуска через dasLLAMA и другие совместимые движки. Модель tinystories-instruct-27M содержит 27,4 млн параметров, обучена с нуля на TinyStoriesInstruct и принимает запросы с полями вроде Words:, Features: и Story:; её контекст — 512 токенов. Модель stories15M содержит около 15 млн параметров, обучена на TinyStories и генерирует истории по началу «Once upon a time» без следования инструкциям; для неё указан контекст 256 токенов. Модель tinystories-instruct-27M умеет включать заданные слова в историю: в описанном тесте она включила все три частых заданных слова в 15–22 из 24 примеров. Модели рассчитаны на короткие простые рассказы на английском языке, а малый размер и GGUF-квантизация Q8_0 подходят для лёгкого локального запуска. В репозитории также есть вариант f32 той же instruct-модели. Лицензия в предоставленных данных не указана.

Карточка модели jhu-clsp/ettin-decoder-68m на Hugging Face совпадает с карточкой jhu-clsp/ettin-encoder-17m, поэтому описание составлено по ней. jhu-clsp/ettin-encoder-17m — англоязычная модель-энкодер из набора Ettin, разработанного исследователями Johns Hopkins University. Это компактная модель с 16,8 млн параметров на архитектуре ModernBERT, обученная методом masked language modeling; она предсказывает замаскированные токены в тексте. По описанию набора, модели Ettin обучались на общей открытой смеси данных и предназначены для сопоставления энкодерных и декодерных архитектур. Для этой версии README указывает размер XXS и сценарии мобильных и периферийных устройств. Модель подходит для заполнения пропусков в английском тексте и как основа для задач классификации и получения эмбеддингов после соответствующей настройки. В метаданных указаны контекст до 7 999 токенов, форматы PyTorch и ONNX и лицензия MIT. В README заявлены сильные результаты семейства Ettin в классификации и поиске, однако конкретные метрики для версии 17M не приведены. Это энкодер для понимания текста, а не генеративная модель для свободного продолжения текста; также она не предназначена для обработки языков, кроме английского, согласно доступным языковым тегам.

Gemma-2-9b-it-Ko-Crypto-Translate — дообученная Hyoun Jun Lee языковая модель на архитектуре Gemma 2 для перевода англоязычных новостей о криптовалютах на корейский язык. Она рассчитана на перевод криптоновостей для финансовых платформ и новостных сайтов; также её можно дообучать для смежных финансовых или юридических текстов. Модель содержит 9 млрд параметров, использует плотную архитектуру Gemma2ForCausalLM и поддерживает контекст до 8192 токенов. Она принимает текст и генерирует текст; для загрузки доступны веса Safetensors, библиотека — Transformers. Лицензия — MIT. Специализация на криптовалютной тематике помогает работать с профильной терминологией, но модель может допускать ошибки в переводе и хуже справляться с текстами вне финансовой и криптовалютной областей. Результаты следует проверять перед публикацией и использованием в важных финансовых решениях.

OS-Software/gemma-4-31B-it-qat-heretic-japanese-imatrix-GGUF — сильно квантизированная GGUF-версия инструкционно дообученной модели Google DeepMind Gemma 4 31B-it. Модель создана OS-Software как производная от базовой Gemma 4 с использованием Heretic и imatrix, оптимизированной для генерации текстов на японском языке. Формат GGUF рассчитан на совместимость с широким спектром средств локального запуска. Модель предназначена для исследовательских и экспериментальных задач, включая генерацию текста, рассуждения, программирование, анализ изображений и изучение безопасности и выравнивания моделей. Согласно описанию семейства Gemma 4, модели поддерживают текстовый и визуальный ввод, текстовый вывод, многоязычность более чем на 140 языках и контекст до 256 тысяч токенов; точные характеристики именно этой производной версии отдельно не уточнены. Ключевой особенностью является существенное снижение требований к памяти благодаря QAT-квантизации, однако при генерации могут возникать повторяющиеся циклы; в README рекомендуется при необходимости увеличить параметр repeat-penalty до 1.1. По сравнению со стандартной моделью Gemma эта версия имеет значительно ослабленное защитное выравнивание, поэтому с большей вероятностью может выдавать вредный, неточный, предвзятый, оскорбительный или иной нежелательный контент. Модель не рекомендуется для публичных или пользовательских сервисов; все результаты необходимо считать недоверенными, проверять человеком и использовать с дополнительными мерами безопасности. Модель распространяется по лицензии Apache 2.0, применимой к базовой Gemma 4, с учетом условий лицензии Google.

cyboghostginx/gemma-4-E4B-it-Adetayo-IS-non-reas — дообученная на исландском языке версия Gemma 4 E4B Instruct от Google DeepMind. Модель предназначена для диалога на исландском, особенно для склонения именных групп и решения грамматических задач. В README указано около 8 млрд параметров; архитектура — плотная Gemma 4 для условной генерации, формат весов — safetensors, библиотека запуска — Transformers. Базовая модель поддерживает мультимодальную обработку, однако для этой версии заявлена текстовая генерация. В README приведены оценка 98,4 для склонения по морфологическим данным BÍN и результаты нескольких тестовых наборов; это собственные оценки авторов карточки. Для прямых ответов рекомендуется отключать режим рассуждений через шаблон чата. Модель доступна по лицензии Gemma; область допустимого использования определяется её условиями.

HyperCLOVA-X-SEED-MISHULTA-SolarFree-v1.0 — корейская разговорная языковая модель команды MISHULTA, созданная для хакатона K-DATA SCIENCE. Это плотная модель HyperCLOVA X на 14,1 млрд параметров с архитектурой HyperCLOVAXForCausalLM и контекстом до 131 072 токенов. Она дообучена методом QLoRA на базовой модели HyperCLOVAX-SEED-Think-14B, после чего адаптер объединён с базовыми весами. Модель предназначена для генерации ответов на корейские задачи множественного выбора и рассуждений: обучение включало преобразованные данные AI Hub, собственные примеры self-STaR и данные учителя DeepSeek-R1. Вариант SolarFree исключает данные, созданные Solar Pro 4; README указывает 14 435 пригодных примеров обучения за одну эпоху и сообщает, что тестовые разбиения не использовались при обучении. Шаблон чата по умолчанию отключает вывод рассуждений, его можно включить параметром force_reasoning. Репозиторий содержит веса safetensors и поддерживает генерацию текста в формате чата. Лицензия наследуется от базовой модели HyperCLOVA X SEED; её конкретные условия в предоставленных данных не раскрыты.

Indian Legal Assistant — языковая модель для генерации текста по индийскому праву, разработанная varma007ut. Это дообученная модель семейства LLaMA на юридических текстах; в метаданных указаны архитектура LlamaForCausalLM, 7,5 млрд параметров и контекст до 131 072 токенов. Репозиторий содержит веса в форматах PyTorch и GGUF, модель можно использовать через Transformers или llama-cpp-python. Модель предназначена для ответов на юридические вопросы, суммаризации судебных дел, анализа правовых документов и толкования законодательных актов Индии. В карточке указан английский язык. Модель может помочь с поиском и обобщением правовой информации, но карточка не приводит результатов оценки качества, поэтому точность ответов и пригодность для юридических решений не подтверждены. Лицензия — Apache-2.0.

Это модель машинного перевода IndicTrans2, дообученная krpraveen для перевода предложений с санскрита на английский. Она основана на ai4bharat/indictrans2-indic-en-dist-200M и содержит 211 млн параметров; для обработки текста использует архитектуру IndicTrans и библиотеку Transformers. Модель дообучена на 10 000 парах предложений на санскрите и английском без внешних параллельных корпусов. Она подходит для перевода отдельных предложений и работы в локальном интерфейсе; запускается на CPU или GPU. В README приведены тестовые оценки BLEU 0,244 и BERTScore-F1 0,604. Лицензия — MIT. Результаты отражают оценку на указанном тесте; данных о длине контекста в источниках нет.

InLegalTrans-En2Indic-1B — модель перевода текстов, разработанная группой исследователей NLP из Индийского технологического института в Харагпуре. Это дообученная версия ai4bharat/indictrans2-en-indic-1B с архитектурой IndicTrans2 и примерно 1,12 млрд параметров; модель предназначена для перевода юридических текстов с английского на девять языков Индии: бенгальский, хинди, маратхи, тамильский, телугу, малаялам, панджаби, гуджарати и ория. Модель дообучена на параллельном корпусе MILPaC. По результатам на тестовой части корпуса она превосходит базовую IndicTrans2 по BLEU, GLEU и chrF++ для всех указанных языковых пар; в карточке приведены подробные результаты для бенгальского и хинди. Подходит для перевода юридических документов и других правовых материалов между английским и индийскими языками. Лицензия — MIT.

Карточка модели allenai/intent-aware-lfqa-llama3-8b-baseline на Hugging Face совпадает с карточкой allenai/intent-aware-lfqa-llama3-8b-intent-implicit, поэтому описание составлено по ней. allenai/intent-aware-lfqa-llama3-8b-intent-implicit — диалоговая языковая модель Allen Institute for AI (Ai2), созданная дистилляцией для исследований обучения с учётом намерений в длинных ответах на вопросы. Модель основана на Meta-Llama-3-8B-Instruct и имеет архитектуру LlamaForCausalLM с 7,5 млрд параметров; принимает текст и генерирует текст. Метаданные указывают английский язык и контекст до 131 072 токенов. Модель предназначена для исследовательского и образовательного применения, связанного с intent-aware обучением и генерацией ответов на вопросы. Карточка сообщает, что результаты будут добавлены позднее, поэтому она не подтверждает качество на конкретных тестах. Лицензия — ODC-BY; применение должно соответствовать рекомендациям Ai2 по ответственному использованию.

Карточка модели allenai/intent-aware-lfqa-llama3-8b-multiview на Hugging Face совпадает с карточкой allenai/intent-aware-lfqa-llama3-8b-intent-implicit, поэтому описание составлено по ней. allenai/intent-aware-lfqa-llama3-8b-intent-implicit — диалоговая языковая модель Allen Institute for AI (Ai2), созданная дистилляцией для исследований обучения с учётом намерений в длинных ответах на вопросы. Модель основана на Meta-Llama-3-8B-Instruct и имеет архитектуру LlamaForCausalLM с 7,5 млрд параметров; принимает текст и генерирует текст. Метаданные указывают английский язык и контекст до 131 072 токенов. Модель предназначена для исследовательского и образовательного применения, связанного с intent-aware обучением и генерацией ответов на вопросы. Карточка сообщает, что результаты будут добавлены позднее, поэтому она не подтверждает качество на конкретных тестах. Лицензия — ODC-BY; применение должно соответствовать рекомендациям Ai2 по ответственному использованию.

Карточка модели allenai/intent-aware-lfqa-qwen3-4b-baseline на Hugging Face совпадает с карточкой allenai/intent-aware-lfqa-llama3-8b-intent-implicit, поэтому описание составлено по ней. allenai/intent-aware-lfqa-llama3-8b-intent-implicit — диалоговая языковая модель Allen Institute for AI (Ai2), созданная дистилляцией для исследований обучения с учётом намерений в длинных ответах на вопросы. Модель основана на Meta-Llama-3-8B-Instruct и имеет архитектуру LlamaForCausalLM с 7,5 млрд параметров; принимает текст и генерирует текст. Метаданные указывают английский язык и контекст до 131 072 токенов. Модель предназначена для исследовательского и образовательного применения, связанного с intent-aware обучением и генерацией ответов на вопросы. Карточка сообщает, что результаты будут добавлены позднее, поэтому она не подтверждает качество на конкретных тестах. Лицензия — ODC-BY; применение должно соответствовать рекомендациям Ai2 по ответственному использованию.

Карточка модели allenai/intent-aware-lfqa-qwen3-8b-multiview на Hugging Face совпадает с карточкой allenai/intent-aware-lfqa-llama3-8b-intent-implicit, поэтому описание составлено по ней. allenai/intent-aware-lfqa-llama3-8b-intent-implicit — диалоговая языковая модель Allen Institute for AI (Ai2), созданная дистилляцией для исследований обучения с учётом намерений в длинных ответах на вопросы. Модель основана на Meta-Llama-3-8B-Instruct и имеет архитектуру LlamaForCausalLM с 7,5 млрд параметров; принимает текст и генерирует текст. Метаданные указывают английский язык и контекст до 131 072 токенов. Модель предназначена для исследовательского и образовательного применения, связанного с intent-aware обучением и генерацией ответов на вопросы. Карточка сообщает, что результаты будут добавлены позднее, поэтому она не подтверждает качество на конкретных тестах. Лицензия — ODC-BY; применение должно соответствовать рекомендациям Ai2 по ответственному использованию.

JSL-MedPhi2-2.7B — языковая модель John Snow Labs для генерации текста в медицинских сценариях. Она создана дообучением microsoft/phi2 и основана на плотной архитектуре PhiForCausalLM; метаданные указывают 3,5 млрд параметров и контекст до 2048 токенов. Модель поддерживает диалоговый режим и предназначена для ответов на медицинские вопросы и помощи в задачах медицинских знаний. В README приведены результаты оценки, в том числе по MedMCQA и группе STEM. Модель распространяется по лицензии CC-BY-NC-ND-4.0 с дополнительной политикой допустимого использования; для коммерческого лицензирования разработчик предлагает связаться с John Snow Labs. Результаты оценки не подтверждают пригодность ответов для клинических решений.

KLI205 Qwen3.5-9B Tuned — дообученная и слитая с LoRA модель на базе Qwen/Qwen3.5-9B, опубликованная автором sonselfa. Она предназначена для оценивания корейских аргументативных текстов и генерации ответов в диалоговом формате. Модель имеет плотную архитектуру Qwen3.5 с 7,2 млрд параметров, принимает текст и поддерживает контекст до 262 144 токенов. Репозиторий содержит объединённые веса SafeTensors в формате BF16, совместимые с Transformers и vLLM. Модель адаптирована к задаче оценивания письменных аргументов на корейском языке. Перед использованием в конкурсной или прикладной системе автор рекомендует отдельно проверить соответствие выходного формата и откалибровать оценки. Лицензия — Apache-2.0.

KoLLaVA-KoVicuna-7b — мультимодальная модель семейства LLaVA, разработанная tabtoyou. Она объединяет языковую модель KoVicuna с визуальным энкодером CLIP ViT-14 и обучена на корейских данных с визуальными инструкциями. Модель предназначена для диалога по изображениям и генерации текстовых ответов на вопросы о визуальном содержимом. Модель содержит 6,6 млрд параметров, использует архитектуру LlavaLlamaForCausalLM, работает через Transformers и принимает контекст длиной до 2048 токенов. Основной язык карточки — корейский. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. В метаданных основная задача указана как text-generation, хотя модель также обрабатывает изображения.

SEBIS/legal_t5_small_multitask_en_it — модель семейства T5 с архитектурой T5ForConditionalGeneration и 38,5 млн параметров, разработанная для перевода юридических текстов с английского на итальянский. Она обучалась в режиме многозадачного обучения на параллельных корпусах JRC-Acquis, Europarl и DCEP, а также на дополнительной задаче предсказания замаскированных фрагментов текста; в README указано, что отдельного предварительного обучения не проводилось. Модель рассчитана на перевод юридических документов и текстов. Контекст составляет до 512 токенов. В README приведён результат BLEU 47,070 на тестовом наборе, однако подробности протокола оценки не раскрыты. Репозиторий содержит веса в форматах PyTorch и Flax. Лицензия в предоставленных данных не указана.

Модель guymorlan/levanti_translate_ar_en создана Guy Mor-Lan для перевода разговорного левантийского арабского на английский. Она дообучена в течение 8 эпох на датасете Levanti поверх Helsinki-NLP/opus-mt-ar-en. Модель построена на архитектуре MarianMT, содержит 57,3 млн параметров и принимает текст с контекстом до 512 токенов. В карточке заявлена поддержка палестинского, иорданского, сирийского, ливанского и египетского диалектов арабского; пример использования показывает перевод короткой разговорной фразы. Модель предназначена для перевода арабской диалектной речи в английский текст. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

chargoddard/llama3-42b-v0 — базовая языковая модель на архитектуре Llama 3, созданная Chargoddard путём сокращения Meta Llama 3 70B до 42,1 млрд параметров. После прореживания модель дообучили методом QLoRA примерно на 100 млн токенов из набора JeanKaddour/minipile. Это не модель, настроенная на выполнение инструкций: автор предупреждает, что формат инструкций Llama 3 даёт случайный шум, и рекомендует использовать подходящие подсказки для базовой модели. Модель предназначена для генерации продолжения текста и исследовательских экспериментов с прореживанием глубоких слоёв. В README приведены результаты оценки, включая точность 0,7669 на MMLU в режиме 0-shot; автор отмечает, что качество ещё оценивается. Контекст составляет 8192 токена, основной язык карточки — английский. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — llama3; условия использования определяются лицензией Llama 3.

MiniMind-3V — компактная мультимодальная модель семейства MiniMind-V от Jingyao Gong для диалога по изображениям и генерации текста. Она сочетает языковую основу MiniMind с визуальным энкодером SigLIP и модулем проекции признаков; визуальный энкодер заморожен при обучении. Репозиторий описывает модель как вариант на 65 млн обучаемых параметров, а метаданные указывают 63,9 млн параметров. С учётом отдельного визуального энкодера README приводит около 160 млн параметров для плотной версии. Модель принимает текстовые запросы и изображения и предназначена, например, для описания изображений, визуальных вопросов и диалогового взаимодействия с картинками. Метаданные указывают контекст 32 768 токенов; карточка заявляет поддержку китайского и английского языков. Это компактная модель, рассчитанная также на локальные эксперименты и обучение на персональном GPU, поэтому её возможности и качество не следует приравнивать к крупным VLM. Распространяется по лицензии Apache-2.0.

Mistral-7B-MMIQC — плотная языковая модель Vivacem, полученная дообучением Mistral-7B на MMIQC. Она предназначена для генерации текста и решения математических задач; в README указана точность 36,0% на тестовой выборке MATH. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Доступна в формате Safetensors по лицензии Apache-2.0.