I.5Создание и редактирование текста

Модель thealper2/bloom-560m-totto — дообученная версия BLOOM-560m от BigScience, созданная автором репозитория для генерации описаний таблиц. Она принимает таблицу Википедии с выделенными ячейками и составляет по ним одно предложение на английском языке. Модель содержит 659,6 млн параметров, использует архитектуру BLOOM для причинной генерации текста и доступна в формате safetensors; при обучении применялся контекст до 512 токенов. Модель обучена на 30 000 примерах GEM/ToTTo и рассчитана на формат запроса `Table:\n{table}\n\nDescription:\n`. На отложенной выборке ToTTo автор сообщает BLEU 42,64 и ROUGE-1 72,88. Она подходит для автоматического создания кратких подписей и описаний выделенных данных в таблицах, но не является универсальным помощником. Модель обучена на англоязычных таблицах Википедии; другие языки и предметные области не соответствуют обучающим данным. Она может галлюцинировать сущности и связи, поэтому её описания следует проверять. Лицензия — BigScience BLOOM RAIL 1.0, с ограничениями использования, заданными этой лицензией.

Boomslang — компактная чат-модель на 3,1 млрд параметров, дообученная Monster-Code на базе Qwen/Qwen2.5-3B-Instruct. Она предназначена для пошаговых математических рассуждений, решения задач на арифметику, алгебру и логику, а также для обычного диалога и выполнения инструкций. В README указано, что при дообучении использовалась смесь примерно из 17 500 примеров, включая OpenR1-Math-220k и GSM8K. Модель построена на плотной архитектуре Qwen2 и поддерживает текстовый ввод и генерацию текста. Контекст — до 32 768 токенов. В репозитории доступны веса Safetensors и GGUF; заявлена совместимость GGUF с Ollama, LM Studio и llama.cpp, а для Safetensors — использование через Transformers. Лицензия — Apache-2.0. Модель рассчитана на локальное применение и сочетает математические навыки с разговорными возможностями. Как и другие языковые модели, она может ошибаться в вычислениях и рассуждениях; README не приводит количественных результатов оценки качества.

AmberYifan/capsd-qwen3-numina-Qwen3-4B-Base-math_random_b8000_s0 — дообученная плотная языковая модель семейства Qwen3, созданная на основе Qwen/Qwen3-4B-Base. По названию датасета обучения модель ориентирована на математические задачи, однако карточка не описывает конкретные навыки и результаты оценки. Модель содержит 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и принимает текст для генерации текста. Заявленная длина контекста — 32 768 токенов. Модель распространяется в формате safetensors и использует библиотеку Transformers; лицензия указана как other.

Farhankhan1 создал экспериментальную донастройку DeepSeek-R1-Distill-Qwen-1.5B для генерации ответов с рассуждениями по инструкциям. Это плотная причинная языковая модель семейства Qwen2 с 1,5 млрд параметров; она принимает текст и генерирует текст. В метаданных указан контекст до 131 072 токенов, а среди средств обучения названы Unsloth и библиотека TRL от Hugging Face. Карточка связывает обучение с набором Magpie-Align/Magpie-Reasoning-V2-250K-CoT-Deepseek-R1-Llama-70B. Для работы модель ожидает шаблон инструкции с секциями «Instruction» и «Response»; произвольный формат запроса может снизить качество ответов. Автор описывает её как учебную экспериментальную донастройку на небольшом объёме данных для практики конвейера обучения, поэтому качество рассуждений и стабильность результатов могут быть ограниченными. Лицензия — Apache-2.0.

Arcoson/distilgpt2-arxiv-csai — языковая модель DistilGPT-2, дообученная на аннотациях статей arXiv по компьютерным наукам и искусственному интеллекту. Модель использует архитектуру GPT-2 и содержит 81,9 млн параметров. По метаданным, её контекст составляет 1024 токена; при дообучении использовались последовательности длиной 128 токенов, поэтому модель лучше подходит для коротких продолжений и аннотаций. Модель предназначена для генерации текста в стиле академических аннотаций по CS и AI: например, для черновиков, продолжения заданного начала или имитации научного изложения. В README указаны категории компьютерного зрения, ИИ, систем и управления, вычислительной инженерии, языков программирования, теории информации, структур данных и алгоритмов, нейронных и эволюционных вычислений. Дообучение было экспериментальным: 100 шагов на 2000 примерах; приведённая perplexity — 32,59. Модель принимает текст и генерирует текст на английском языке. Она может выдавать правдоподобные, но фактически неверные утверждения и не подходит для универсальной генерации текста. Лицензия — MIT.

BlackSamorez/falcon-40b-tiny-testing — небольшой тестовый чекпойнт для генерации текста, опубликованный пользователем BlackSamorez на Hugging Face. По структуре файлов он использует класс RWForCausalLM и совместим с Transformers и PyTorch; в карточке модели указан тег RefinedWeb, связывающий его с семейством Falcon/RefinedWeb. Исходная модель Falcon разработана Technology Innovation Institute (TII).

Экспериментальная модель reaperdoesntknow, созданная разреженным дообучением google/gemma-3-270m с использованием подхода Convergent Intelligence и оптимизатора CIxOpt. Это плотная причинная языковая модель Gemma 3 примерно с 257 млн параметров для генерации текста; её дообучали на англоязычных примерах рассуждений из angrygiraffe/claude-opus-4.6-4.7-reasoning-8.7k. Указанная длина контекста — 262 144 токена. Модель предназначена для экспериментов с генерацией ответов в стиле рассуждений, изучения разреженного дообучения и оптимизаторной маршрутизации, локального прототипирования и дальнейшей адаптации. Чекпойнт не прошёл формальную оценку и не заявлен как универсальный ассистент; малый размер ограничивает глубину рассуждений, знания и устойчивость. Возможны галлюцинации, повторения, отклонение от темы и чувствительность к формату запроса. Лицензия — Gemma License.

uer/gpt2-chinese-lyric — языковая модель GPT-2, предварительно обученная проектом UER-py. Она предназначена для генерации китайских текстов песен: может продолжать заданный текст или создавать строки лирики с помощью конвейера генерации текста. Обучающие данные включают 150 000 китайских текстов песен из Chinese-Lyric-Corpus и MusicLyricChatbot. Модель использует плотную архитектуру GPT2LMHeadModel и принимает текст, выдавая текст. Контекст составляет 1024 токена. В карточке указаны реализации весов для PyTorch, TensorFlow и Flax. Лицензия в доступных данных не приведена.

Huihui-Hunyuan-MT-Chimera-7B-abliterated-i1-GGUF — это GGUF-квантизация модели Huihui-Hunyuan-MT-Chimera-7B-abliterated, подготовленная mradermacher на основе модели huihui-ai. Модель относится к классу языковых моделей для машинного перевода и предназначена для запуска в совместимых средах, поддерживающих формат GGUF. В README указано, что модель имеет размер 7B параметров и ориентирована на задачи перевода. Заявленным языком является английский, однако полный список поддерживаемых языков, архитектура, размер контекста и сведения о модальностях не приведены. Доступны варианты квантизации i1 с разными уровнями сжатия, включая IQ1, IQ2, IQ3, IQ4, Q4 и Q5; рекомендуемым вариантом назван i1-Q4_K_M как быстрый, а i1-Q4_K_S — как компромисс между размером, скоростью и качеством. Основные преимущества — возможность локального запуска, широкий выбор размеров файлов и компромиссных вариантов качества и производительности. Ограничения связаны с тем, что сильные стороны не подтверждены результатами тестирования, а низкобитные варианты могут заметно терять качество; часть из них прямо обозначена как имеющая низкое качество. Информация о лицензии в README отсутствует, поэтому условия использования необходимо уточнять у авторов исходной модели и квантизации.

idT5-base — компактная версия модели mT5-base, созданная для индонезийского языка с ограниченным набором английских эмбеддингов. Модель разработана muchad на основе семейства T5 и содержит 122,1 млн параметров; она использует архитектуру T5 для генерации текста по текстовому запросу. Чекпойнт предназначен для дальнейшего дообучения под конкретные задачи и сам по себе не готов к прикладному использованию. Для генерации вопросов и ответов автор указывает отдельную дообученную версию idT5-qa-qg. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

InfoXLM — многоязычная модель Microsoft для предварительного обучения кросс-языковых представлений на основе информационно-теоретического подхода. Это плотная архитектура XLM-RoBERTa с примерно 305,2 млн параметров, опубликованная в рамках работы NAACL 2021. Репозиторий содержит веса PyTorch и SentencePiece-токенизатор. Модель рассчитана на языковые задачи с маскированными токенами: она принимает текст с пропущенным фрагментом и предсказывает вероятные варианты его заполнения. Такие предсказания могут служить основой для языкового моделирования и кросс-языковых NLP-сценариев. Максимальная длина контекста — 514 токенов. В карточке нет сведений о лицензии и конкретном наборе поддерживаемых языков. Качество заполнения пропусков и пригодность для прикладных сценариев зависят от языка и предметной области; модель не является готовым чат-ассистентом.

KomdigiITS-3B-PAD-SFT-Merged — дообученная мультимодальная модель ryfkn на базе aitf-komdigi/KomdigiITS-3B-PAD-CPT. Она использует плотную архитектуру Mistral3 и предназначена для диалоговых задач с изображениями: принимает текст и изображения, формирует текстовые ответы. В карточке указаны формат safetensors и обучение с использованием Unsloth и библиотеки TRL; лицензия — Apache-2.0. Модель подходит для сценариев, где нужно задавать вопросы по изображению или вести диалог с визуальным контекстом. Карточка не описывает конкретные наборы данных, показатели качества, поддерживаемые языки помимо английского или длину контекста, поэтому оценить точность на отдельных задачах и языках по имеющимся сведениям нельзя.

Language Agency Classifier — классификатор предложений по уровню выраженной в них агентности. Модель создана авторами работы Wan et al. (2023) и реализована на архитектуре BERT с 136,7 млн параметров; в метаданных указано ограничение контекста 512 токенов. Модель предназначена для анализа агентного и общинного стиля речи, в частности для выявления возможных гендерных смещений в описаниях людей. Обучение проводилось на наборе, составленном из биографий Bias in Bios и их перефразированных версий с агентным или общинным стилем. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

itsliupeng/llama2_7b_mmlu — дообученная на наборе данных mmlu_recall модель Llama-2-7b-hf, созданная для улучшения результатов на тестах MMLU. Это плотная авторегрессионная языковая модель с 6,6 млрд параметров и контекстом до 4096 токенов. Модель принимает текст и генерирует текст; карточка приводит результаты оценки на бенчмарках, включая ARC и HellaSwag. Она рассчитана на англоязычные задачи и может быть полезна для экспериментов с ответами на вопросы и оценкой знаний по предметным тестам. Лицензия — Apache-2.0. Заявленная цель дообучения — повысить качество на метриках MMLU, сохранив результаты на других метриках. Приведённые результаты бенчмарков сами по себе не подтверждают сохранение качества на всех остальных задачах.

Mahou-1.3-mistral-nemo-12B — диалоговая модель FlammenAI для коротких сообщений, непринуждённой беседы и ролевых сценариев. Это плотная авторегрессионная модель семейства Mistral с 12,1 млрд параметров, дообученная методом ORPO на базе mistralai/Mistral-Nemo-Instruct-2407. В карточке указаны наборы данных MahouMix-v1 и FlameMix-DPO-v1; для общения модель использует формат ChatML. Модель подходит для чат-приложений и ролевых диалогов, в том числе для использования в SillyTavern с настройками из карточки. Метаданные указывают контекст до 1 024 000 токенов; модель рассчитана на текстовый ввод и генерацию текста. Выпущена под лицензией Apache-2.0. README рекомендует специальные стоп-строки и sampler preset, однако не приводит оценок качества или подробностей языковой поддержки.

MicroMe-220M — плотная авторегрессионная GPT-модель Ankitgdes, обученная с нуля как базовая модель продолжения текста. В README указано 217 млн параметров, а метаданные репозитория приводят 283,1 млн; архитектура включает 28 слоёв, 12 голов внимания, размер скрытого состояния 768 и связанные входные и выходные эмбеддинги. Модель обучена на 2 млрд токенов FineWeb-Edu с оптимизатором Muon; веса доступны в формате safetensors, bf16. Модель предназначена для генерации и продолжения английского текста, а также для экспериментов с небольшими языковыми моделями и дальнейшего дообучения. Контекст составляет 1024 токена. Это базовая модель без чатовой настройки; README отмечает слабые результаты на LAMBADA и предупреждает, что модель сама по себе ненадёжна как источник фактов. Лицензия — Apache-2.0.

MiniMind-v1-small — компактная плотная языковая модель проекта MiniMind, созданного Zhou Hao. Это декодерный Transformer с RMSNorm, SwiGLU и RoPE; в карточке проекта для этой версии указано около 26 млн параметров и словарь из 6400 токенов. Модель предназначена для генерации текста и диалогов, а также для обучения и экспериментов с полным циклом создания LLM на доступном оборудовании. Проект ориентирован на изучение устройства языковых моделей и практические эксперименты с предобучением, инструкционной настройкой и предпочтениями. В README описаны китайские и английские обучающие данные и диалоговые возможности; отдельные языковые коды в метаданных отсутствуют. Малый размер облегчает запуск и обучение, но качество ответов и охват знаний ограничены по сравнению с крупными моделями; собственный небольшой токенизатор уступает по эффективности кодирования специализированным китайским токенизаторам. Лицензия в предоставленных материалах не указана.

MoE-Qwen-4x1.8B-pretrain-50000-ckpt — контрольная точка проекта MoE-модели, созданной на основе Qwen 1.8B. Разработчики объединили четыре исходные модели и обучали их специальными методами; этот чекпойнт относится к этапу продолжения предварительного обучения. В метаданных указаны архитектура MixtralForCausalLM, около 1,5 млрд параметров и контекст до 8192 токенов. Модель предназначена для генерации текста и дальнейших экспериментов с продолжением предобучения. В карточке приведены результаты на BoolQ и CEval, однако они не дают полной оценки качества и не устанавливают пригодность для конкретных прикладных сценариев. Модель поддерживает китайский язык согласно метаданным. Файлы опубликованы в формате safetensors; лицензия — Apache-2.0.

NanoSakura-2.2-0.2B — компактная модель перевода с японского на китайский, разработанная telecomadm1145. Она дообучена на базе telecomadm1145/NanoSakura-2-0.2B на данных дистилляции для перевода и очищенных японско-китайских текстах из Википедии. Модель использует гибридную архитектуру Seq2Seq: Transformer-энкодер обрабатывает исходный текст, а декодер на Mamba2 с перекрёстным вниманием генерирует перевод. По README, модель содержит около 188 млн параметров; автор описывает постоянный объём состояния декодирования на шаг генерации и ориентирует её на перевод текстов ACG (аниме, комиксы и игры), а также текстов общего назначения. Основное направление — ja→zh. Автор приводит оценки на FLORES-200 и внутреннем тестовом наборе ACG; результаты указывают на сильные стороны в доменном переводе и конкурентное качество на общем наборе, но оценки получены при конкретных настройках и не гарантируют качество для иных предметных областей. Для загрузки через Transformers требуется включить trust_remote_code=True. Модель распространяется по лицензии MIT.

Helsinki-NLP/opus-mt-en-grk — модель машинного перевода из серии OPUS-MT, разработанной Helsinki-NLP. Это компактная модель архитектуры Transformer на базе MarianMT с 36,6 млн параметров, предназначенная для перевода с английского на греческие языки: современный греческий и древнегреческий с письменностью Greek. Для выбора целевого языка в начале входной последовательности требуется токен вида `>>id<<`; используется нормализация текста и SentencePiece с моделями токенизации размером 12 тысяч токенов. Контекст составляет до 512 токенов. Модель опубликована под лицензией Apache-2.0; доступны веса PyTorch и TensorFlow. Модель подходит для перевода предложений и текстов с английского на современный греческий или древнегреческий. В карточке приведены тестовые показатели BLEU 53,8 для направления английский—современный греческий и BLEU 0,1 для английский—древнегреческий, поэтому качество существенно зависит от целевого языка. Узкая пара языков, ограниченный контекст и низкий результат на тесте для древнегреческого ограничивают её применение.

PLLaMa-13B-Instruct — языковая модель для задач науки о растениях, разработанная UCSB. Она создана на основе LLaMA 2 13B: сначала модель продолжительно предобучали на более чем 1,5 млн научных статей по ботанике и растениеводству, затем дообучили следованию инструкциям. Модель предназначена для генерации текста по запросам, включая помощь с научной информацией о растениях. Это плотная авторегрессионная архитектура LlamaForCausalLM с 12,9 млрд параметров и контекстом 2048 токенов. В карточке не подтверждена поддержка конкретных языков; модель работает с текстом. Модель распространяется по лицензии Apache-2.0. Специализация на научных статьях о растениях может быть полезна для профильных запросов, однако качество ответов и полнота охвата тем в карточке не оценены.

PromptEnhancer-Img2img-Edit-i1-GGUF — это GGUF-квантизированная версия vision-модели PromptEnhancer-Img2img-Edit, разработанная PromptEnhancer и опубликованная в квантизированном виде mradermacher. Модель предназначена для улучшения и переписывания промптов для задач генерации и редактирования изображений, включая сценарии image-to-image. Она ориентирована на text-to-image и prompt enhancement, а также поддерживает работу с изображениями благодаря мультимодальной архитектуре исходной модели. В README указано, что модель поддерживает китайский и английский языки и распространяется в виде набора GGUF-квантов разных типов и размеров — примерно от 7,4 до 27 ГБ. Доступны варианты с разным компромиссом между размером, скоростью и качеством; среди рекомендованных отмечен i1-Q4_K_M, а i1-Q4_K_S описан как оптимальный по размеру, скорости и качеству. Для работы vision-компонента могут потребоваться отдельные файлы mmproj из статического репозитория. Точные сведения о количестве параметров, архитектуре базовой модели, размере контекста и поддерживаемых форматах входных изображений в README не приведены. Низкобитные кванты экономят ресурсы, но могут заметно снижать качество; некоторые варианты прямо помечены как низкокачественные. Модель распространяется по лицензии Apache-2.0 согласно указанным метаданным, при этом подробности условий следует уточнять в файле лицензии исходной модели.

QuestA-Qwen3-1.7B — исследовательский чекпойнт из коллекции Direct-OPD, созданный на базе Qwen3-1.7B командой BytedTsinghua-SIA. Это плотная авторегрессионная языковая модель на 1,7 млрд параметров для генерации текста и диалогов; контекст — до 40 960 токенов. Чекпойнт ckpt240 подготовлен по рецепту QuestA для изучения постобучения и оптимизации в стиле обучения с подкреплением, ориентированной на рассуждения; в имени исходного чекпойнта указан коэффициент KL 0,8. Модель подходит для исследования поведения методов постобучения, сравнения чекпойнтов Direct-OPD и офлайн-оценки на задачах рассуждения, следования инструкциям и выравнивания. Карточка не приводит результатов бенчмарков, поэтому качество следует проверять на целевых наборах данных. Модель может выдавать неверный, предвзятый или небезопасный текст; возможны ухудшения в следовании инструкциям и безопасности. Лицензия — Apache-2.0.

praful1/Qwen-3-0.6-nepali-qa — дообученная модель генерации текста на основе Qwen/Qwen3-0.6B-Base, разработанная автором репозитория praful1 и обученная с использованием TRL. Она предназначена для ответов на вопросы на непальском языке; пример в карточке просит кратко описать политические, экономические, социальные и культурные изменения в средневековой истории Непала. Модель использует плотную архитектуру Qwen3ForCausalLM и содержит 507,9 млн параметров. Она загружается через Transformers как text-generation и поддерживает контекст длиной до 32 768 токенов. В репозитории указаны веса safetensors и диалоговый режим. Карточка показывает пример работы, но не приводит оценок качества и подробно не описывает обучающие данные, поэтому надёжность ответов и охват тем по этому примеру определить нельзя. Условия лицензирования в предоставленных данных не указаны.

Qwen3.8-27B-BF16-SSMFIX — экспериментальная производная модель redashes на основе Qwen/Qwen3.8-27B. Веса модели в формате BF16 исправлены масштабированием conv1d весов в восьми слоях механизма GatedDeltaNet SSM; для загрузки README указывает Transformers и класс AutoModelForImageTextToText. Модель предназначена для диалогов и задач с изображениями, а также для проверки гипотезы о влиянии масштаба SSM-весов на генерацию в длинном контексте. Автор README сообщает об улучшении показателя TruthfulQA-gen на 6–8 процентных пунктов, но также о снижении CMMLU на 1,8 пункта и небольшом ухудшении MT-Bench относительно исходных весов. Это независимый эксперимент, а не официальное исправление или рекомендация для повседневного применения; заявленные результаты ограничены проведёнными автором тестами. Контекстная длина в доступных данных не указана. Лицензия — Apache-2.0.

vuminhtue выпустил языковую модель Qwen3-0.6B, дополнительно обученную на датасете TinyStories в течение 200 тысяч итераций. Это плотная трансформерная модель примерно с 596 млн уникальных параметров: 28 слоёв, grouped-query attention с 8 KV-группами, RoPE, RMSNorm и активация SiLU. Для токенизации используется GPT-2 tokenizer (tiktoken). Модель предназначена для генерации коротких связных историй в стиле обучающих примеров, прежде всего простых детских рассказов на английском языке. Репозиторий содержит веса PyTorch; лицензия — MIT. Указанное в README имя репозитория для скачивания весов отличается от идентификатора этой модели.

RLM-hinglish-translator-2 — модель перевода неформального хинглиша на английский язык, разработанная Rudra Shah. Это дообученная с помощью PEFT/LoRA модель семейства Gemma 4 с плотной архитектурой; карточка описывает её как инструкционную модель с 4 млрд параметров. Обучение проводилось в разговорном формате на 15 000 пар из набора findnitai/english-to-hinglish. Модель предназначена для перевода коротких повседневных сообщений на хинглише — смешении хинди и английского, распространённом в разговорной речи Индии. Она принимает текст и выдаёт английский перевод; обучение в формате чата помогает следовать запросу и учитывать контекст. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Модель лучше подходит для коротких неформальных фраз. Она может хуже справляться с длинными предложениями, обилием сленга и региональными вариантами речи; перевод выполняется только с хинглиша на английский. Лицензия — MIT.

Sakura-13B-Galgame 是由 SakuraUmi 微调的 Baichuan2-13B-Chat 模型， предназначенная для перевода японского текста на упрощённый китайский в стиле визуальных новелл, галгеймов и ранобэ. Разработчик сообщает о продолжительном предварительном обучении на японских и китайских текстах, а затем о дообучении моделей серии Sakura; в карточке указаны архитектура Baichuan, 13,3 млрд параметров и формат PyTorch. Модель принимает японский текст, при необходимости с контекстом по строкам, и генерирует перевод на китайском. README отмечает работу с местоимениями и сохранением терминологии через словарь, но предупреждает о возможных ошибках в местоимениях и понимании контекста, а также о зависимости качества от формата prompt. Лицензия — Apache-2.0.

Samantha-1.1-70b — англоязычный чат-ассистент-компаньон от QuixiAI, дообученный на базе Llama 2. Модель с плотной архитектурой Llama содержит 68,7 млрд параметров и рассчитана на генерацию текста с контекстом до 4096 токенов. Она обучена на подборке из 6000 диалогов в формате ShareGPT/Vicuna и использует шаблон беседы Vicuna 1.1. Модель предназначена для разговоров о философии, психологии и личных отношениях, включая советы по знакомствам, уверенности в себе и общению. Карточка описывает её как дружелюбного собеседника, но указывает, что она не участвует в ролевых играх, романтических или сексуальных сценариях. Модель доступна на условиях лицензии Llama 2, которая разрешает коммерческое и некоммерческое использование с ограничениями этой лицензии. Она создана с помощью QLoRA; ответы могут отражать особенности и ограничения исходной Llama 2 и обучающей подборки.

Карточка модели kallam/Saul-Instruct-v1 на Hugging Face совпадает с карточкой Equall/Saul-7B-Instruct-v1, поэтому описание составлено по ней. Saul-7B-Instruct-v1 — языковая модель Equall.ai, разработанная совместно с CentraleSupélec, Sorbonne Université, Instituto Superior Técnico и NOVA School of Law. Это плотная причинная модель семейства Mistral на 7,1 млрд параметров, полученная продолжением предобучения Mistral-7B и настроенная для выполнения инструкций в юридической области. Модель работает с текстом на английском языке, поддерживает диалоговый сценарий и имеет контекстное окно до 32 768 токенов. Модель предназначена для генерации текста в юридических задачах: например, для подготовки черновиков и ответов на запросы. Карточка предупреждает, что ответы могут быть неточными или бессмысленными, а качество модели на 7B параметров может уступать более крупной версии на 70B. Лицензия — MIT.