I.5Создание и редактирование текста

HyperCLOVA X SEED Think-14B SFT 71894 Correct Minimal — созданная youngseok12 дообученная версия языковой модели NAVER HyperCLOVAX-SEED-Think-14B. LoRA-адаптер обучен на 674 примерах из набора AI Hub Dataset 71894 и объединён с базовой моделью; опубликованы самостоятельные веса BF16 в формате safetensors для загрузки через Transformers. Модель предназначена для генерации текста и диалогов, в частности для выбора правильного варианта в заданиях с вариантами ответов. При обучении модель училась выводить только букву правильного ответа: A, B, C, D или E. Данные включали общие вопросы на корейском языке и вопросы о корейской культуре и истории. Модель содержит 14,1 млрд параметров, имеет архитектуру HyperCLOVAXForCausalLM и заявленный контекст до 131 072 токенов. В README указано, что публичные бенчмарки и лидерборд при публикации не проверялись. Модель следует лицензии NAVER HyperCLOVA X SEED 14B Think Model License Agreement; также действуют условия использования исходных данных AI Hub. Точность не гарантируется, а результаты не следует использовать как единственное основание для медицинских, юридических или финансовых решений.

InternLM2-WQX-20B — языковая модель серии 文曲星, выпущенной командой InternLM в 2024 году. Это плотная причинно-авторегрессионная модель архитектуры InternLM2 с 19,3 млрд параметров и контекстом до 4096 токенов. Репозиторий содержит веса в формате safetensors. Модель предназначена для решения задач китайского вступительного экзамена гаокао по разным предметам и типам заданий. Разработчики сообщают о высоком результате на наборе GAOKAO-Eval, сопоставимом с GPT-4o; подробности подготовки данных в карточке обещаны к публикации позднее. Лицензия в предоставленных сведениях не указана.

JP-EN-Translator-2K-steps-7B — экспериментальная модель mpasila для перевода между японским и английским языками. Она создана дообучением augmxnt/shisa-base-7b-v1, плотной авторегрессионной модели Mistral с 7,5 млрд параметров, на модифицированной версии параллельного набора художественных текстов на японском и английском. Модель использует формат запросов Alpaca и принимает текстовую инструкцию, контекст и исходный текст, после чего генерирует ответ-перевод. Модель предназначена для пробного перевода художественных фрагментов между японским и английским. В метаданных указан контекст до 32 768 токенов. Автор сообщает, что обучение с длиной контекста 8 тысяч токенов заметно не улучшило качество; модель может работать неудовлетворительно и требует проверки результата. Лицензия — Apache-2.0.

Kimi-K3-REAP-384experts — исследовательский чекпойнт, созданный runrunway на основе moonshotai/Kimi-K3. В 92 MoE-слоях число маршрутизируемых экспертов сокращено с 896 до 384 с помощью отбора REAP по router-weighted активациям; веса сохранённых экспертов скопированы без изменений. Это причинная языковая модель для генерации текста, включая сценарии с рассуждениями и агентными инструментами, унаследованные от Kimi-K3. Удалено 57,1% экспертов, при этом сохранено 55,7% измеренной saliency mass. Эти показатели не подтверждают качество: чекпойнт не проходил бенчмарки или восстановительное обучение, и авторы предупреждают об ожидаемом ухудшении относительно исходной модели. Возможное сохранение генерации на китайском не проверено на этом варианте. Весовой объём около 734 ГБ; автор описывает запуск на 6×H200 и рекомендует vLLM 0.27+ с trust_remote_code. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

KomdigiUB-8B-Base — языковая модель на базе Qwen3-8B, разработанная командой Tim 1 AITF для продолженного предобучения на индонезийских материалах о государственной политике и регулировании цифровой среды. Это причинная языковая модель с адаптером LoRA; в README также описана 4-битная квантизация для экономии памяти и вычислений. В метаданных указаны 7,6 млрд параметров, контекст 40 960 токенов и формат Safetensors. Модель предназначена для адаптации к тематике цифровой политики Индонезии, обогащения знаний об этой стране и использования как этапа предварительной адаптации перед дообучением инструкциям. Обучающие данные включают материалы о цифровых компетенциях и кадрах, онлайн-азартных играх, дезинформации, защите детей, образовательном контенте и регулировании, а также индонезийскую Википедию. Основной язык — индонезийский. Лицензия — Apache-2.0. Модель не оптимизирована для длинных диалогов и не проходила выравнивание предпочтений; для применения в диалогах с пользователями рекомендуется дополнительное дообучение инструкциям или предпочтениям и оценка результатов. Возможен тематический перекос в сторону политики и надзора за цифровой средой; ответы в критически важных сферах следует проверять.

Kankanaghosh/latin_english_translation_model — дообученная модель семейства T5, созданная на основе t5-small. Она предназначена для перевода между латинским и английским языками. Модель содержит 38,5 млн параметров, работает с текстом и использует архитектуру T5ForConditionalGeneration; максимальная длина контекста составляет 512 токенов. В карточке приведены результаты оценки: BLEU 0,7023 и loss 3,4405, однако набор данных и подробности оценки не описаны. Модель загружена в формате safetensors и распространяется по лицензии Apache-2.0. README не уточняет ограничения и рекомендуемые сценарии применения.

Lyrics_Qwen2.5-0.5B-Instruct — дообученная модель автора asigalov61 на базе Qwen2.5-0.5B-Instruct для генерации и преобразования текстов песен. Она предназначена для создания вариантов и морфинга текстов песен по шаблону lyrics; карточка также показывает диалоговый формат. Модель имеет плотную архитектуру Qwen2 с 494 млн параметров, принимает текст и поддерживает контекст до 32 768 токенов. Веса опубликованы в формате safetensors по лицензии Apache-2.0. Карточка не приводит подробностей о качестве генерации или особенностях обучения, поэтому результаты стоит проверять на соответствие заданию и желаемому стилю.

Medicine LLM — языковая модель для медицинских и биологических задач, разработанная AdaptLLM и представленная в данном репозитории в квантованном формате GGUF компанией TheBloke. Модель основана на архитектуре Llama и предназначена для генерации текста, ответов на запросы и работы с инструкциями в текстовом формате. Модель ориентирована на сценарии, связанные с медициной и биологией. В её обучении или дообучении указаны наборы данных Open-Orca, GAIR/lima, WizardLM/WizardLM_evol_instruct_V2_196k и EleutherAI/pile. Заявленный язык — английский. Доступны варианты GGUF с квантованием от 2 до 8 бит, что позволяет запускать модель на CPU и GPU через llama.cpp и совместимые приложения. Размер модели и максимальная длина контекста в README не указаны. К сильным сторонам относятся специализация на медицинской тематике, поддержка локального запуска и наличие нескольких уровней квантования с различными требованиями к ресурсам. К ограничениям относятся отсутствие подробных данных о качестве, размере, контекстном окне и мультимодальных возможностях; модель следует рассматривать как текстовую и не использовать её ответы как замену профессиональной медицинской консультации. Лицензия обозначена как other, без дополнительных условий в представленном README.

Meditron 70B — крупная языковая модель для медицинских задач, разработанная командой EPFL LLM Team. Репозиторий TheBloke/meditron-70B-GGUF содержит её квантизированные версии в формате GGUF, подготовленные TheBloke; исходная модель доступна как epfl-llm/meditron-70b. Модель предназначена для генерации текста и сценариев, связанных с медициной и здравоохранением, включая ответы на вопросы и работу с медицинскими знаниями. При обучении использовались наборы bigbio/med_qa, medmcqa, bigbio/pubmed_qa и epfl-llm/guidelines. Указан английский язык, архитектура Llama и размер 70B параметров. Поддерживаются варианты квантования от 2 до 8 бит, что позволяет запускать модель на CPU и GPU с различными компромиссами между потреблением памяти, скоростью и качеством. Формат совместим с llama.cpp и рядом сторонних интерфейсов и библиотек. К сильным сторонам относятся специализация на медицинской тематике, большой размер и возможность локального запуска благодаря квантованию. Ограничения README не раскрывает подробно: не указаны размер контекста и результаты конкретных бенчмарков, а медицинские ответы требуют независимой проверки и не должны использоваться как единственное основание для клинических решений. Лицензия указана как Llama 2.

MetaAligner-HH-RLHF-1.1B — языковая модель проекта MetaAligner для выравнивания ответов диалогового ИИ-ассистента с заданными предпочтениями. Она дообучена на TinyLlama/TinyLLaMA-1.1B с использованием данных, созданных на основе Anthropic HH-RLHF, и рассчитана на работу с многоходовым контекстом диалога. Модель использует плотную архитектуру LlamaForCausalLM, содержит около 1 млрд параметров и поддерживает контекст до 2048 токенов. Она предназначена для генерации ответов на английском языке и экспериментального выравнивания по нескольким целям, включая цели, не встречавшиеся при обучении. Репозиторий содержит веса PyTorch и предоставляет их по лицензии MIT. Результаты в карточке описаны как экспериментальные; качество выравнивания для конкретных целей следует проверять отдельно. Ограничение контекста — 2048 токенов.

MicroMe-125M-Base — базовая предобученная языковая модель Ankitgdes с 146,8 млн параметров, созданная с нуля. Она обучалась примерно на 3 млрд токенов FineWeb-Edu около 40 часов на одной видеокарте RTX 4060 с 8 ГБ памяти; для оптимизации использовался Muon. Модель выдаёт продолжение текста по принципу предсказания следующего токена и не настроена для диалогов. Модель предназначена для экспериментов с генерацией текста и продолжением предобучения. В карточке приведены результаты оценки без примеров на ARC-Easy, HellaSwag, PIQA и LAMBADA. Для чат-ассистента с RAG автор указывает отдельную модель MicroMe-125M. Веса доступны в формате safetensors, bf16; лицензия — Apache-2.0.

MizBERT — предварительно обученная языковая модель для мизо, созданная разработчиками репозитория robzchhangte/MizBERT. Она использует архитектуру BERT и обучалась предсказывать замаскированные слова по окружающему контексту. Модель содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате safetensors. Модель предназначена для восстановления пропущенных слов и получения контекстных представлений мизо текста. Её можно дообучать для классификации текстов, анализа тональности, ответов на вопросы и других задач обработки мизо. Лицензия Apache-2.0 разрешает использование на условиях этой лицензии.

MobileMoE-S-Base — базовая языковая модель Meta из семейства MobileMoE, разработанного для эффективного запуска на устройствах с ограниченными ресурсами. Это checkpoint после предварительного обучения и mid-training; модель не прошла дообучение на инструкциях и предназначена для продолжения текста по обычному текстовому промпту. Модель использует разреженную архитектуру Mixture-of-Experts: 1,3 млрд параметров всего, из которых 272 млн активны при обработке токена. В ней 20 слоёв, групповое внимание запросов и ключей и контекст длиной до 8 192 токенов. На входе и выходе — текст; заявленный язык — английский. По данным карточки, MobileMoE-S сопоставима или превосходит ряд компактных моделей на 14 базовых тестах при меньших вычислительных затратах. Модель рассчитана на исследования и генерацию продолжения текста, в том числе с ограничениями памяти и вычислений на устройстве. Для загрузки требуется `trust_remote_code=True`, поскольку архитектура пока не входит в upstream Transformers. Лицензия FAIR Noncommercial Research License ограничивает коммерческое использование.

DanVP разработал Moxhi MT 30 zh-vi — компактную модель машинного перевода с архитектурой Marian seq2seq: 8 слоёв энкодера и 2 слоя декодера, около 37 млн параметров. Она переводит китайский текст на вьетнамский; модель обучена с нуля на параллельном корпусе художественных текстов, включая веб-романы, сянься и уся, историческую, современную и научно-фантастическую прозу. Для идиом и классической китайской грамматики использовались дополнительные обучающие данные, затем проведён лёгкий этап preference tuning. Модель рассчитана на быстрый локальный или серверный перевод, когда важны небольшой размер и скорость. README рекомендует beam search с num_beams=4 и ограничением длины 512 токенов; метаданные указывают нативный контекст 512 токенов. Для ускорения CPU доступен экспорт CTranslate2 INT8. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое применение. Автор обозначает выпуск как экспериментальный. Сложности возможны с редкими именами собственными и узкоспециализированной терминологией вне обучающих доменов; результаты для публикаций следует проверять. Для производственного перевода README рекомендует использовать проверенный глоссарий и дополнительные правила контроля.

engmatic-earth/mt5-zh-ja-en-trimmed-fine-tuned-v1 — дообученная модель перевода на архитектуре mT5, разработанная на основе K024/mt5-zh-ja-en-trimmed. Модель содержит 164,6 млн параметров и распространяется в формате PyTorch. Она предназначена для задач машинного перевода. В карточке указаны результаты оценки: loss 4,0225 и BLEU 0,0, поэтому качество перевода по представленному результату не подтверждено. Лицензия — CC BY-NC-SA 4.0, допускающая использование с указанием авторства и требует распространения производных материалов на тех же условиях; коммерческое использование запрещено.

Flaglab, лаборатория Universidad de los Andes, разработала эту двунаправленную модель машинного перевода между испанским и каментса — языком коренного народа Колумбии. Это дообученная версия facebook/nllb-200-distilled-600M с архитектурой M2M100 и расширенным токенизатором SentencePiece, содержащим специальный словарь каментса. Модель предназначена для перевода текста с испанского на каментса и обратно; в карточке указана длина контекста 1024 токена и 464 млн параметров. На тестовой выборке качество составило BLEU 6,36 и chrF2 27,72 для перевода с испанского на каментса, а в обратном направлении — BLEU 4,31 и chrF2 22,95. Эти результаты указывают на ограниченную точность, особенно при переводе с каментса на испанский, поэтому переводы следует проверять носителем языка. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

BayesRL/Olmo3-C3PO-7B — плотная авторегрессионная языковая модель семейства Olmo 3, разработанная BayesRL и дообученная методом C3PO для обучения с верифицируемыми наградами. Она основана на BayesRL/Olmo3-IVON-SFT-7B, использующем в качестве исходной модели allenai/Olmo-3-1025-7B. C3PO сочетает GRPO с оптимизатором IVON: модель исследует варианты поведения через возмущения параметров, распределённые между группами генераций, и применяет Seq-MIS для коррекции оценок. Модель содержит 6,9 млрд параметров, принимает текст и генерирует текст, поддерживает контекст до 65 536 токенов. В карточке указана поддержка английского языка. Модель предназначена прежде всего для генерации ответов и математических рассуждений; её оценивали на AIME 2024–2026, MATH-500, AMC 2023 и Minerva. Доступна в формате safetensors для Transformers и распространяется по лицензии Apache-2.0. Результаты зависят от формулировки задачи, а заявленная специализация и оценки сосредоточены на математических задачах.

Orderliness_continuous — дообученная модель ajrayman на базе Microsoft DeBERTa-v3-base для классификации текста. Судя по названию и приведённым метрикам RMSE, MAE и корреляции, модель предназначена для непрерывной оценки упорядоченности текста, однако README не поясняет шкалу и смысл целевой оценки. Модель использует архитектуру DeBERTa-v2 для классификации последовательностей, содержит 211,6 млн параметров и рассчитана на контекст до 512 токенов. В README указаны результаты на оценочной выборке: loss 0,0543, RMSE 0,2331, MAE 0,1876 и корреляция 0,2457. Датасет и ограничения применения не описаны. Лицензия — MIT.

portugueseT5 — исследовательский чекпойнт семейства T5, разработанный автором репозитория bratao. Это модель типа encoder-decoder, обученная с нуля по архитектуре и конфигурации google/t5-v1_1-large; в конфигурации указаны 24 слоя энкодера и 24 слоя декодера, а метаданные относят её к классу T5ForConditionalGeneration и указывают 385,2 млн параметров. Чекпойнт предварительно обучался на 20% корпуса GigaVerbo для португальского языка и предназначен как базовая модель для последующего дообучения и исследований генерации текста. Модель принимает текст и генерирует текст. Она не имеет опубликованного формата инструкций для вопросов и ответов, суммаризации или OpenIE, поэтому для конкретных задач нужны подходящий промпт, дообучение и отдельная оценка качества. Для задач OpenIE автор README рекомендует отдельные модели семейства PortugueseT5Oie. Публичных оценок именно этого базового чекпойнта нет; генерации могут быть ошибочными, предвзятыми или не связанными с запросом. Лицензия в предоставленных данных не указана.

Qwen3-psychological-reasoning-8B — дообученная Gustave Cortal версия языковой модели Qwen3, предназначенная для рассуждений на психологические и философские темы. Модель обучена на 15 тысячах примеров рассуждений, отобранных из открытых наборов Dolphin R1 и General Reasoning, а также набора PsychologicalReasoning-15k. Это плотная авторегрессионная модель Qwen3ForCausalLM на 7,6 млрд параметров с контекстом до 40 960 токенов. Она принимает текст и генерирует текст; заявленная специализация охватывает самооценку, эмоции и вопросы существования. В метаданных указан английский язык, при этом базовая Qwen3-8B является многоязычной. Модель может быть полезна для диалогового анализа психологических и философских понятий и генерации рассуждений по таким темам. Это не клинический инструмент и не замена профессиональной психологической помощи; качество и надёжность ответов в README не оценены. Веса опубликованы в формате safetensors по лицензии MIT.

Rain-v2 — англоязычная авторегрессионная языковая модель примерно на 103 млн параметров, созданная raincandy-u. Это плотная декодерная модель семейства Qwen3, предварительно обученная примерно на 664 млн токенов образовательных текстов, учебного кода Python и математических материалов. Модель предназначена для генерации продолжения текста и небольших экспериментов с обучением языковых моделей при ограниченных вычислительных ресурсах. Архитектура включает 32 слоя, скрытое измерение 512, GQA с 8 головами внимания и 4 KV-головами, RoPE, RMSNorm и SwiGLU; веса входных и выходных эмбеддингов разделяются. Используется собственный BPE-словарь на 16 384 токена, контекст — 1024 токена. Модель принимает текст и генерирует текст на английском языке; в обучающих данных также присутствуют код и математика. В карточке приведены результаты нескольких тестов на рассуждение и понимание, однако оценки умеренные, а модель не проходила выравнивание. Она может выдавать фактические ошибки, выдумывать сведения и генерировать предвзятый, вредоносный или незаконный контент, поэтому не рекомендуется напрямую для конечных пользователей. Лицензия — Apache-2.0.

SciRM-Ref-7B-i1-GGUF — GGUF-квантизированная версия модели SciRM-Ref-7B, разработанной UKPLab и подготовленной к распространению mradermacher. Модель ориентирована на оценивание и улучшение научных текстов, включая задачи reward modeling, генерации текста, обучения с подкреплением и оптимизации GRPO. В основе указана модель размером 7B; конкретная архитектура, размер контекстного окна и поддерживаемые модальности в README не раскрыты. Заявлен английский язык. Доступны многочисленные варианты квантизации GGUF с размерами примерно от 2,0 до 6,4 ГБ, что позволяет выбирать баланс между требованиями к памяти, скоростью и качеством. Для большинства сценариев автор рекомендует варианты IQ4_XS или Q4_K_M, при этом низкобитные варианты могут заметно уступать по качеству. Модель предназначена прежде всего для локального использования в совместимых инструментах, поддерживающих формат GGUF, и для экспериментов с оценкой научного письма и обучением моделей. Она не описана как универсальная диалоговая или мультимодальная модель, а ограничения по контексту и количественные результаты оценки в README отсутствуют. Лицензия — Apache-2.0.

ambrosfitz/tinyllama-history — дообученная разработчиком ambrosfitz чат-модель TinyLlama для генерации текста на исторические темы. Она предназначена для диалоговых ответов и текстовых запросов по истории. Модель использует плотную архитектуру LlamaForCausalLM, содержит 1 млрд параметров и принимает контекст длиной до 2048 токенов. Для дообучения в метаданных перечислены исторические наборы данных ambrosfitz; базовая модель — TinyLlama/TinyLlama-1.1B-Chat-v1.0. Модель доступна в формате safetensors и распространяется по лицензии Apache-2.0. В карточке не приведены результаты оценки качества или подробные сведения о пределах тематического охвата; ответы на исторические вопросы могут требовать проверки по надёжным источникам.

Toucan-base — модель машинного перевода, разработанная UBC-NLP и представленная в работе ACL 2024 о переводе между африканскими языками. Это дообученная модель семейства T5 с архитектурой последовательность-к-последовательности и 291,2 млн параметров. Для перевода README предписывает добавлять в начало входа ISO-3-код целевого языка. Модель предназначена для перевода между африканскими языками; исследовательская работа описывает систему Toucan для 156 направлений перевода. Модель ориентирована на языки с ограниченными NLP-ресурсами. В метаданных перечислены языковые коды африканских языков, а также английский, французский и арабский. Веса опубликованы в формате safetensors. Лицензия и длина контекста в предоставленных данных не указаны.

Vidya 4B — дообученная языковая модель от Saket Nayak на базе Qwen/Qwen3.5-4B. Она создана как учебный ассистент для индийских школьников 6–12 классов, а также для подготовки к экзаменам IIT-JEE и NEET. Модель объясняет темы пошагово, приводит примеры из индийской учебной программы, помогает выявлять и исправлять типичные заблуждения и старается адаптировать объяснение к уровню ученика. Модель предназначена для генерации текста и ориентирована прежде всего на английский язык; поддержка Hindi заявлена, но ограничена. Указана максимальная длина последовательности 4096 токенов. Обучение выполнялось по схеме SFT и DPO на материалах NCERT, экзаменационных заданиях SATHEE и синтетических вопросах и ответах; применялись LoRA, DoRA и rsLoRA. Доступны полная версия в формате safetensors и 4-битная квантованная версия GGUF для Ollama и llama.cpp. По заявленной оценке на 30 примерах модель получила общий результат 4,1 из 5,0, особенно сильные показатели — за пошаговое объяснение, соответствие уровню ученика и работу с заблуждениями. Ограничения включают меньшую фактическую ёмкость по сравнению с 9B-вариантом, возможные ошибки в конкретных фактах NCERT, ограниченную поддержку Hindi и неоптимальность для задач вне индийской образовательной программы. Модель не предназначена для медицинских, юридических или критически важных рекомендаций. Распространяется по лицензии Apache 2.0.

YUNSUN7/xg-lyrics-generator — генеративная текстовая модель, дообученная разработчиком на базе GPT-2 для создания текстов песен. Она использует архитектуру GPT-2 и библиотеку Transformers, принимает текстовый контекст и продолжает его сгенерированными словами; доступная длина контекста — 1024 токена. Репозиторий содержит веса в формате safetensors. Карточка не описывает обучающие данные, языки генерации, качество или конкретные режимы использования, поэтому результаты могут быть непредсказуемыми и требовать проверки и редактирования. Модель распространяется по лицензии MIT.

Davlan/xlm-roberta-base-finetuned-naija — модель XLM-RoBERTa, дообученная на корпусе нигерийского пиджина. Она использует архитектуру XLMRobertaForMaskedLM, содержит около 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Модель предназначена для предсказания замаскированных токенов; автор также сообщает о результатах на задаче распознавания именованных сущностей в новостных текстах на нигерийском пиджине. Модель дообучена на JW300 и BBC Pidgin. В тесте MasakhaNER средний F1 за пять запусков составил 90,00 против 87,26 у XLM-R. Результаты могут хуже переноситься на другие предметные области: обучающие данные ограничены новостями с разметкой сущностей за определённый период. Лицензия в предоставленных данных не указана.

AILO-152M — компактная авторегрессионная языковая модель на архитектуре decoder-only Transformer, разработанная автором xxrickyxx и обученная с нуля. В модели около 151,8 млн параметров, для генерации текста она использует контекст до 512 токенов. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT. Модель предназначена для генерации текста, дообучения под специализированные задачи, обучения и экспериментов с небольшими языковыми моделями. В README указано обучение на выборке FineWeb-Edu; заявлены более связные ответы и меньше повторов по сравнению с GPT-2 схожего размера, однако приведённые примеры не являются независимой оценкой качества. Основной язык обучения по README — английский; метаданные также отмечают английский, итальянский, французский, немецкий и испанский. Небольшой размер ограничивает способность модели отвечать на сложные запросы, а сама карточка предупреждает о возможных повторах и несвязном тексте. Модель можно использовать как основу для дообучения или в образовательных и исследовательских экспериментах.

ASIL Qwen3.5-2B RL — исследовательский выпуск ASIL v0.1.0, дообученный на базе Qwen/Qwen3.5-2B с помощью обучения с подкреплением. Модель предназначена для агентных задач, где требуется работать со структурированным состоянием и семантическими действиями вместо взаимодействия через снимки экрана и клики; выпуск связан со статьёй «ASIL: Replacing Screenshot-and-Click with Structured State and Semantic Actions». Это плотная языковая модель с архитектурой Qwen3_5ForCausalLM и примерно 1,7 млрд параметров. Репозиторий содержит веса Safetensors и поддерживает генерацию текста и диалоговый режим; заявленная длина контекста — 262 144 токена. README сообщает об обучении на 320 тренировочных и 80 валидационных промптах для задач, но не раскрывает сами задачи или языки. Модель выпущена под лицензией Apache-2.0. Доступных данных недостаточно, чтобы установить её фактическую точность или надёжность в конкретных агентных сценариях; перед практическим применением потребуется оценка на целевых задачах.

Карточка модели Alannikos768/BanterBot-7b-chat на Hugging Face совпадает с карточкой Alannikos768/BanterBot_1_8b-chat, поэтому описание составлено по ней. BanterBot — чат-модель, разработанная Alannikos768 для конструктивного выражения эмоций и общения в напряжённых социальных ситуациях. Она предназначена для генерации остроумных, сдержанных ответов, смягчения конфликтов и поддержания отношений. Модель дообучена на базе InternLM2.5 с 1,7 млрд параметров и архитектурой InternLM2; её контекст составляет до 32 768 токенов. Она принимает текст и генерирует текстовые ответы, ориентирована на английский язык. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0.