I.5Создание и редактирование текста

Модель panagoa/nllb-200-1.3b-kbd-pretrain — предварительно дообученная для кабардинского языка версия NLLB-200 от Meta AI. Она предназначена для перевода на кабардинский и с него, а также для дальнейшей настройки под конкретные задачи и исследований низкоресурсного машинного перевода. Модель основана на архитектуре M2M-100, содержит 680,4 млн параметров и поддерживает перевод между языками семейства NLLB-200; контекст — до 1024 токенов по метаданным. Вариант ориентирован на улучшение перевода с участием кабардинского языка и может быть полезен в проектах сохранения языка и культурного наследия. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. Карточка рекомендует дополнительно дообучать модель для конкретных задач и указывает, что она оптимизирована для отдельных предложений, а не документов. Качество может снижаться на специализированных текстах, диалектах и культурных контекстах; переводы не являются сертифицированными. README приводит ограничение обучения последовательностями до 512 токенов, тогда как метаданные указывают длину контекста 1024 токена.

Это дообученная ILRDF версия многоязычной модели facebook/nllb-200-distilled-600M для перевода на формозских языках. Модель содержит 463,7 млн параметров, использует архитектуру M2M100 и принимает текстовый контекст длиной до 1024 токенов. Для дообучения использованы данные Klokah, FB ILRDF Dictionary, Formosan DB, Formosan Org, Ithuan Formosan Text и Formosan Bible; примеры, состоящие только из одного слова, исключены. Модель предназначена для перевода текстов на формозских языках, в том числе в сценариях работы с малоресурсными языками. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Это экспериментальный чекпойнт zimplex на базе языковой модели Ai2 Olmo 3 7B, дообученный на наборе Dolci-Think-SFT-7B в течение трёх эпох для диалоговой генерации текста с рассуждениями. В модели используется гиперболическая (лоренцева) выходная голова; размер составляет 6,9 млрд параметров. Карточка сообщает о тренировочном контексте 16 384 токена, тогда как метаданные указывают нативное окно контекста базовой модели в 65 536 токенов. Модель предназначена для диалоговых ответов и задач рассуждения, включая математику и вопросы общего знания. В карточке приведены результаты оценки на math, GSM8K и MMLU-Pro, но они не гарантируют качество на других задачах. Для корректной загрузки требуется специальный код из указанного исходного коммита и архив hyp_head_state.pt: стандартная загрузка AutoModelForCausalLM использует обычную замороженную выходную голову и не эквивалентна этому чекпойнту. Базовая модель англоязычная; другие поддерживаемые языки не заявлены. Лицензия — Apache-2.0.

BayesRL/Olmo3-M3POPlus-7B — англоязычная плотная авторегрессионная модель семейства Olmo 3, разработанная BayesRL на базе Olmo 3 от Allen Institute for AI. Модель содержит 6,9 млрд параметров, принимает текст и поддерживает контекст до 65 536 токенов. Модель дообучена методом M3PO+ для задач RLVR с проверяемыми наградами. В обучении применялись четыре возмущения параметров на шаг при размере группы 16; подход использует вариационный оптимизатор IVON для исследования пространства параметров. Модель предназначена для генерации текста и диалогов, особенно для решения математических задач; она оценивалась на AIME 2024–2026, MATH-500, AMC 2023 и Minerva. Опубликована в формате Safetensors и рассчитана на использование с Transformers. Лицензия — Apache-2.0. README не приводит численных результатов оценки, поэтому по нему нельзя судить о сравнительном качестве или надёжности ответов; специализация на математике не гарантирует корректность решений.

OpenBezoar-HH-RLHF-SFT — языковая модель Chandeepa Dissanayake, Lahiru Lowe, Sachith Gunasekara и Yasiru Ratnayake, дополнительно дообученная на инструкциях на базе OpenBezoar-SFT. Она построена на архитектуре Llama и содержит 3,3 млрд параметров; обучение проводилось в течение одной эпохи на первых 100 тыс. примеров датасета Anthropic HH-RLHF. Модель предназначена для генерации ответов на текстовые инструкции и была подготовлена, чтобы уменьшить сдвиг распределения перед последующим выравниванием предпочтений методом DPO. Для получения ответов на инструкции авторы рекомендуют модифицированный шаблон Alpaca. Модель работает с английским языком, имеет контекстное окно 2048 токенов и распространяется в форматах PyTorch и safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Следование инструкциям может быть непоследовательным; модель может зацикливаться или выдавать неподходящий, вредоносный и неотфильтрованный контент. Авторы не рекомендуют полагаться на неё в производственных сценариях; модель не выровнена по человеческим предпочтениям.

OpenSML-150M — англоязычная компактная языковая модель Уильяма Зебровски, обученная с нуля с помощью Apple MLX и дополнительно дообученная на инструкционных данных. В выбранном чекпойнте около 150,44 млн параметров; архитектура включает 20 слоёв, ширину скрытого представления 768 и групповое запросное внимание GQA с 12 головами запросов и 4 головами ключей и значений. Модель использует byte-level BPE-токенизатор на 32 000 токенов. Модель предназначена для генерации текста и экспериментов с небольшими языковыми моделями; её можно использовать для ответов на инструкции, простых вопросов и задач с вариантами ответа. Предобучение охватило 7,8 млрд токенов, затем модель прошла три этапа контролируемой настройки на инструкционных и вопросно-ответных данных. В карточке приведены результаты проверок ARC, PIQA и HellaSwag, однако они не подтверждают пригодность для широкого практического применения. Автор обозначает чекпойнт как предварительную исследовательскую версию. Возможны ошибки, повторы, предвзятые или небезопасные ответы; безопасность, использование инструментов, многоязычность и продолжительные диалоги не проверены. Модель распространяется по лицензии Apache-2.0.

Qwen3-4B-Instruct-2507-review-point-oneshot-sft — исследовательский чекпойнт, дообученный методом supervised fine-tuning на базе Qwen/Qwen3-4B-Instruct-2507. Модель принимает текст научной статьи и инструкцию и генерирует нумерованный список до девяти замечаний для рецензирования. Режим рассуждений Qwen отключён. Чекпойнт предназначен для подготовки черновых замечаний к научным работам и изучения подхода one-shot review-point GRPO. Архитектура — плотная Qwen3ForCausalLM с 3,7 млрд параметров; контекст — до 262 144 токенов. Модель работает с текстом и распространяется в формате safetensors по лицензии Apache-2.0. Результаты и фактические утверждения в рецензиях требуют независимой проверки перед важным использованием. Модель описана как исследовательский чекпойнт, поэтому качество и надёжность замечаний не следует считать гарантированными.

Карточка модели nityaak/qwen3-4b-stance-matrix-ezstance-qlora на Hugging Face совпадает с карточкой nityaak/qwen3-4b-stance-matrix-semeval-mtcsd-ezstance-qlora, поэтому описание составлено по ней. Модель nityaak — дообученная версия Qwen3-4B, подготовленная с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста в диалоговом формате и может применяться для задач классификации позиции в тексте и работы с матрицей позиций в сценариях SemEval, MT-CSD и EzStance. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и поддерживает контекст до 40 960 токенов. Модель принимает текст и выдаёт текст. В метаданных указан английский язык. Базовая модель — unsloth/Qwen3-4B-unsloth-bnb-4bit; лицензия — Apache-2.0. README не приводит оценок качества или подробностей обучающих данных, поэтому пригодность результатов для конкретных наборов данных стоит проверять отдельно.

Карточка модели nityaak/qwen3-4b-stance-matrix-semeval-mtcsd-qlora на Hugging Face совпадает с карточкой nityaak/qwen3-4b-stance-matrix-semeval-mtcsd-ezstance-qlora, поэтому описание составлено по ней. Модель nityaak — дообученная версия Qwen3-4B, подготовленная с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста в диалоговом формате и может применяться для задач классификации позиции в тексте и работы с матрицей позиций в сценариях SemEval, MT-CSD и EzStance. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и поддерживает контекст до 40 960 токенов. Модель принимает текст и выдаёт текст. В метаданных указан английский язык. Базовая модель — unsloth/Qwen3-4B-unsloth-bnb-4bit; лицензия — Apache-2.0. README не приводит оценок качества или подробностей обучающих данных, поэтому пригодность результатов для конкретных наборов данных стоит проверять отдельно.

Карточка модели nilgeoutim/RLVR-math на Hugging Face совпадает с карточкой llm-calibration/RLVR-math, поэтому описание составлено по ней. RLVR-math — дообученная модель Qwen/Qwen2.5-3B, подготовленная с помощью TRL и предназначенная для генерации текста в диалоговом формате. Она может использоваться для ответов на вопросы и решения математических задач; карточка демонстрирует запуск через Transformers pipeline на GPU. Базовая Qwen2.5-3B содержит 3,1 млрд параметров. В метаданных указан формат safetensors и возможность chat. Подробности о методе обучения, контекстном окне, поддерживаемых языках и условиях лицензии в предоставленных данных отсутствуют.

roberta-medium-amharic — модель семейства XLM-RoBERTa, разработанная rasyosef и предварительно обученная с нуля на амхарском языке. Она предназначена прежде всего для предсказания замаскированных слов, а также может служить основой для дообучения задач классификации тональности и распознавания именованных сущностей на амхарском языке. Модель использует архитектуру XLM-RoBERTa для masked language modeling, содержит около 49,9 млн параметров и принимает последовательности длиной до 512 токенов. Токенизатор обучен на тех же корпусах и имеет словарь размером 32 тыс. токенов. Предварительное обучение проводилось на амхарских подмножествах OSCAR, mC4 и amharic-sentences-corpus; автор сообщает о результатах оценки и сравнения с более крупной многоязычной моделью, но они не гарантируют качество на других данных. Модель рассчитана на амхарский текст и не является готовым классификатором тональности или NER без соответствующего дообучения. Лицензия в предоставленных данных не указана.

TaoNet-pico-T1 — компактная языковая модель TaoTern для генерации текста. Она построена на гибридной архитектуре с блоками моделей пространства состояний (SSM) и слоями BitLinear с троичной квантизацией весов {-1, 0, +1}; заявлена поддержка инференса с сохранением состояния и ускорения на FPGA. Модель использует токенизатор GPT-2 с размером словаря 50 257 и обучалась на англоязычных образовательных текстах FineWeb-Edu. Модель предназначена для генерации текста на устройствах с ограниченными ресурсами, автодополнения и экспериментов с компактным инференсом и аппаратным ускорением. В README указан контекст обучения 256 токенов; параметры модели в карточке не приведены. Упомянуты сокращение размера весов и потенциальное ускорение, однако количественные показатели производительности зависят от устройства. Ограничения включают короткий контекст, возможное ухудшение тонких языковых различий из-за троичной квантизации и слабую пригодность для задач, требующих сложного рассуждения или точного счёта. Обучение ориентировано на английский язык и образовательные либо технические тексты. Лицензия — MIT.

ThoxEdge-0.5B — компактная диалоговая модель THOX для запуска на устройствах с ограниченными ресурсами. Она основана на Qwen/Qwen2.5-0.5B-Instruct и дообучается на диалоговых данных THOX и примерах использования инструментов. Архитектура — плотная Qwen2, размер — 494 млн параметров, контекст — до 32 768 токенов; доступны веса Safetensors и вариант GGUF с квантизацией Q4_K_M. Модель предназначена для работы в качестве локального помощника и маршрутизации вызовов инструментов в программе устройств THOX. В README репозиторий обозначен как каркас: веса ожидают завершения дообучения и квантизации, поэтому заявленные возможности пока не подтверждены готовыми весами или замерами производительности. Лицензия — Apache-2.0.

roneneldan/TinyStories-33M — языковая модель автора Ronen Eldan, обученная на наборе TinyStories и основанная на архитектуре GPT-Neo. Она предназначена для генерации коротких простых историй по текстовой подсказке, в том числе сказок с понятным сюжетом и простым языком. Модель содержит 71,6 млн параметров и работает с текстом. В метаданных указан контекст 2048 токенов; в README среди параметров обучения приведена длина контекста 512 токенов. Репозиторий содержит веса PyTorch. Модель обучалась на TinyStories; лицензия — MIT. Её специализация на коротких историях делает её подходящей для простых творческих черновиков и демонстраций генерации текста. Она не предназначена для надёжных фактических ответов или сложных рассуждений; в README не приведены оценки качества.

WindyTranslate/translate-afa-afa — модель машинного перевода, опубликованная Windstorm Labs и дообученная на параллельном корпусе. В основе лежит Helsinki-NLP/opus-mt-afa-afa; LoRA-дообучение объединено с базовыми весами. Модель построена на архитектуре MarianMT и содержит 42,4 млн параметров. Модель предназначена для перевода между языками афразийской группы с кодом afa. Она принимает текст и выдаёт переведённый текст; заявленная длина контекста составляет 512 токенов. Репозиторий содержит веса в формате safetensors для Transformers. Лицензия — Apache-2.0. Качество перевода не оценивалось бенчмарками, поэтому пригодность для конкретных языков и сценариев следует проверять отдельно. Указано только одно направление: afa → afa.

WindyTranslate/translate-en-ho — модель машинного перевода от Windstorm Labs для перевода текста с английского языка на хауса. Она основана на Helsinki-NLP/opus-mt-en-ho и дообучена методом LoRA на параллельном корпусе; адаптер объединён с базовыми весами. Модель использует архитектуру MarianMT, содержит 46,9 млн параметров, принимает текстовый ввод, выдаёт текст и рассчитана на контекст до 512 токенов. Репозиторий содержит сборку Transformers в формате safetensors. Модель подходит для перевода отдельных текстов и интеграции англо-хаусского перевода в приложения. Качество перевода не оценено; проверка подтвердила язык вывода, но не его точность. Поддерживается только направление en→ho. Лицензия — Apache-2.0.

Wicara 56M Base — базовая языковая модель, которую Bagus Ardin Prayoga обучил с нуля для индонезийского языка. Это плотная авторегрессионная модель семейства LLaMA на 56 млн параметров, реализованная с RMSNorm, RoPE, SwiGLU и Grouped-Query Attention. Она обучалась на 1,12 млрд токенов индонезийских текстов; максимальная длина контекста — 512 токенов. Модель предназначена для продолжения текста и как основа для дообучения под индонезийские NLP-задачи, а также для исследований и обучения, связанных с компактными языковыми моделями. Она не проходила инструкционное дообучение, поэтому не рассчитана на выполнение системных инструкций или многошаговый диалог. Из-за небольшого размера модель может выдавать недостоверные факты и не подходит как самостоятельная база знаний. Лицензия — Apache-2.0.

AfriGuardInst-AfriqueQwen3.5-4B-lora-merged — модель генерации текста и диалогов, созданная дообучением McGill-NLP/AfriqueQwen3.5-4B командой автора карточки с помощью LoRA, после чего адаптер объединён с базовыми весами. Модель обучена следовать инструкциям безопасности из набора israel/AfriGuard-inst и отвечать на пользовательские запросы с учётом этих инструкций. Модель построена на архитектуре Qwen3.5, содержит 4 млрд параметров и предназначена для диалогового применения на африканских языках и других языках базовой модели. В карточке указано обучение в течение одной эпохи на одном GPU; в метаданных заявлены языки английский, амхарский, хауса, игбо, оромо, шона, суахили, тви, волоф, йоруба и зулу. Модель распространяется в формате Safetensors по лицензии CC BY 4.0. Её специализация — ответы на запросы с учётом инструкций безопасности; качество и поведение за пределами этого набора языков и сценариев отдельно не охарактеризованы. Карточка не приводит измерений безопасности или оценок качества, поэтому ответы следует проверять в чувствительных сценариях.

AutoT2VPrompt — дообученная на наборе VidProM модель Wenhao Wang на базе Mistral-7B-v0.1. Она принимает текстовые запросы и генерирует варианты промптов для систем преобразования текста в видео: за один запуск можно получить десять вариантов и выбрать подходящий. Модель использует архитектуру Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; в репозитории представлены веса Safetensors. В карточке указан английский язык. Для запуска README показывает использование Transformers и требует GPU для приведённой конфигурации. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Результат модели — текстовые промпты; она сама не генерирует видео.

Японская модель BERT-base от hitachi-nlp для задачи заполнения пропусков в тексте: она предсказывает замаскированные токены по контексту. Модель построена на архитектуре BERT и содержит 136,3 млн параметров; максимальная длина контекста составляет 512 токенов. Токенизатор использует Vaporetto и BPE. Для его работы требуется отдельно скачать файл словаря из репозитория проекта и указать путь к нему. В карточке показан пример разбиения японского предложения на токены. Модель предназначена для японского языка и обучалась на данных Wikipedia и CC-100. Доступна в форматах PyTorch и safetensors, библиотека для работы — Transformers. Лицензия CC BY-NC-SA 4.0 требует указания авторства и распространяет производные работы на тех же условиях; коммерческое использование не разрешено.

hfl/chinese-bert-wwm-ext — предварительно обученная модель BERT для обработки китайского языка, опубликованная HFL. Она использует маскирование целых слов при предобучении, чтобы лучше учитывать границы китайских слов, и предназначена, в частности, для заполнения пропусков в тексте и как основа для задач обработки китайского языка. Модель содержит 129,5 млн параметров, поддерживает контекст до 512 токенов и представлена в форматах PyTorch, TensorFlow и Flax. Для работы с моделью требуется текст на китайском языке; основной сценарий по pipeline-тегу — предсказание замаскированных токенов. Лицензия Apache-2.0 разрешает использование на её условиях.

Карточка модели hfl/cino-large на Hugging Face совпадает с карточкой hfl/cino-base-v2, поэтому описание составлено по ней. CINO-base-v2 — многоязычная предварительно обученная языковая модель лаборатории HFL, совместной лаборатории HIT и iFLYTEK Research. Она построена на XLM-R и дополнительно обучена на корпусах китайского и ряда языков и языковых разновидностей Китая: тибетского, монгольского в уйгурской письменности, уйгурского, казахского в арабской письменности, корейского, чжуанского и кантонского. Модель предназначена для понимания текста на этих языках и может использоваться как основа для NLP-систем; её основная задача в каталоге — восстановление замаскированных токенов (fill-mask). Архитектура — XLM-RoBERTa для masked language modeling, размер — 217,2 млн параметров, длина контекста — 514 токенов. Доступны веса PyTorch и TensorFlow. Модель принимает текст и предсказывает замаскированные текстовые токены. README не приводит результаты оценивания или конкретные ограничения качества. Лицензия — Apache-2.0.

Dao-9B — открытая модель генерации текста от разработчиков Omni Translator, уменьшенная версия модели для литературного перевода. Она рассчитана прежде всего на перевод китайских веб-романов на английский язык и может запускаться локально; README отмечает, что по возможностям она уступает полной версии и основана на менее современной методике и данных. Модель дообучена на базе Yi-1.5-9B: это плотная архитектура семейства Llama с 8,6 млрд параметров. Она поддерживает диалоговый режим, принимает и генерирует текст, использует форматы PyTorch и Safetensors и имеет контекст длиной 4096 токенов. Для перевода README рекомендует сначала извлекать из контекста термины и имена, чтобы последовательно передавать их в последующих фрагментах. Лицензия — Apache-2.0. Модель описана как uncensored, поэтому может создавать неподходящий для части аудитории контент. Обучение преимущественно на парах китайский—английский, поэтому качество для других языковых пар может быть ниже; сравнительных результатов для Dao-9B в карточке нет.

DatedGPT-2017 — базовая предварительно обученная языковая модель семейства point-in-time от разработчиков организации datedgpt. Это плотная авторегрессионная модель на архитектуре LlamaForCausalLM с примерно 1,3 млрд параметров и контекстом 2048 токенов. Она обучена только на данных, доступных до 2017 года, и предназначена для генерации продолжений текста и прогнозирования без смещения из-за использования будущих данных. Модель подходит для анализа и прогнозирования, где важно воспроизвести информационный контекст до 2017 года. Это базовая модель без дообучения для следования инструкциям: она генерирует продолжения, но не рассчитана на диалоговый режим или выполнение инструкций. В README не приведены условия лицензии.

dlite-v2-355m — языковая модель AI Squared на архитектуре GPT-2, дообученная на 15 тысячах примеров из набора Databricks Dolly 15k для диалогового взаимодействия. Она предназначена для генерации ответов и демонстрации чат-поведения в компактной модели; поддерживаемый язык — английский, контекст — 1024 токена. Модель основана на GPT-2 medium и доступна в формате PyTorch для библиотеки Transformers. Разработчик характеризует её как экспериментальную и не относящуюся к передовым моделям; лицензия Apache 2.0 допускает исследовательское и коммерческое использование. Ответы могут содержать фактические ошибки, предвзятость, оскорбительные или токсичные высказывания и галлюцинации. Перед применением модель следует тщательно проверить.

Lanni-ni/dynamic_alibi_2_4_256_babylm_10m_seed44_epoch5 — компактная модель генерации текста на 15 млн параметров из экосистемы Transformers. В названии и тегах указана технология dynamic ALiBi, а также связь с экспериментом BabyLM; суффиксы идентификатора отражают конфигурацию, seed и эпоху обучения, но подробности архитектуры и тренировочного процесса в доступных материалах не раскрыты. Модель предназначена для авторегрессионной генерации текста и может использоваться в исследовательских экспериментах, тестировании небольших языковых моделей, прототипировании и локальном запуске при ограниченных вычислительных ресурсах. Поддерживается библиотекой Transformers, формат весов включает safetensors. Разработчик, лицензия, поддерживаемые естественные языки, размер контекста, обучающие данные, результаты оценки и специальные прикладные области не указаны. Поэтому модель не следует считать готовым решением для критически важных или высокоточных задач; перед применением необходимы самостоятельные проверки качества и безопасности.

ElanMT-BT-ja-en — модель перевода с японского на английский, разработанная проектом ELAN MITSUA / Abstract Engine. Это дообученная версия ElanMT-base-ja-en на открытых корпусах и данных Википедии, переведённых обратно с помощью ElanMT-base-en-ja. Модель построена на архитектуре Marian MT: 6-слойный трансформерный кодировщик-декодировщик с токенизатором SentencePiece; в метаданных указаны 41,6 млн параметров и контекст до 512 токенов. Модель предназначена для перевода японских предложений и текстов на английский, включая сценарии, где важно использовать модель, обученную на открыто лицензированных данных. Авторы сообщают о результатах на FLORES+ и NTREX, однако предупреждают, что качество перевода может быть низким, а результаты — неверными, вредными или предвзятыми. Модель не подходит для задач, требующих высокой точности. Лицензия — CC BY-SA 4.0.

Filtered — Instruct (3B) — это англоязычная чат-модель проекта dlab-spp, созданная обучением с нуля на архитектуре семейства Llama и дообученная следованию инструкциям с привязкой к персоне. Базовая версия — dlab-spp/filtered-3b-base. Модель содержит 3 млрд параметров, использует токенизатор SmolLM2 с добавленным специальным токеном, а её контекст ограничен 2048 токенами. Веса доступны в формате safetensors для Transformers. Модель предназначена для экспериментов с выравниванием поведения, конституционными принципами, обобщением ценностей и устойчивостью к jailbreak-запросам. Дообучение использует 300 тысяч одноходовых примеров: инструкции из WildChat-1M и safety-примеры из WildJailbreak и WildGuardMix; основная версия использует долю safety-примеров 10%. Ответы обучены следовать конституции и включать встроенные ссылки-цитаты. В репозитории также опубликованы варианты с другими долями safety-данных. Это исследовательский артефакт, а не готовая производственная система: модель может ошибаться и выдавать небезопасный контент. Лицензия обозначена как other, поэтому условия использования следует проверять в репозитории модели.

gemma-3-4b-it-Cognitive-Liberty — дообученная модель AiAsistent на базе Google Gemma 3 4B IT. Она предназначена для диалогов и анализа запросов с акцентом на философию, социологию, политическую теорию, психологию и механизмы убеждения. Модель использует плотную архитектуру Gemma 3 и поддерживает работу с изображениями; в метаданных указаны библиотека Transformers и формат Safetensors. Карточка описывает обучение на наборе Cognitive Liberty V3 с применением методологии Heretic LLM и сообщает о снижении числа отказов. Модель рассчитана на исследовательские и аналитические сценарии: обсуждение этических вопросов, разбор социальных и политических систем, философские рассуждения и ответы на вопросы по изображениям. Карточка приводит результаты отдельных тестов, но они не подтверждают качество во всех практических задачах. Язык карточки — английский; другие языки отдельно не заявлены. Модель распространяется по лицензии Gemma; карточка также предупреждает, что стандартные защитные ограничения были сняты.

HamBoBoGPT-Reasoning — небольшая англоязычная языковая модель, опубликованная HBB-Community и дообученная на базе SupraLabs/Supra-50M-Reasoning. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 51,8 млн параметров; она принимает и генерирует текст, а заявленная длина контекста составляет 1024 токена. По карточке, обучение охватило более 500 млн токенов и использовало наборы данных для рассуждений, включая GSM8K и медицинские примеры. Модель предназначена для генерации английских ответов с рассуждениями и компактного запуска, в том числе на телефоне. В README приведены результаты PIQA 59,58% и WinoGrande 50,75% против базовой модели; автор также предупреждает о слабом качестве, возможных циклах и трудностях с созданием связных историй. Лицензия указана как other, поэтому конкретные условия использования следует сверить с файлами репозитория и правами на использованные датасеты.