I.5Создание и редактирование текста

OLMo-1B-Base-Shakespeare — дообученная модель на основе AllenAI OLMo-1B-0724-hf, созданная для генерации текста в стиле произведений Уильяма Шекспира. Автор карточки дообучил её на собрании произведений Шекспира, чтобы передать характерную лексику и стилистические особенности этих текстов. Модель подходит для творческого письма, учебных упражнений по анализу литературного стиля и создания художественных фрагментов в шекспировской манере. Это плотная авторегрессионная языковая модель с 1,2 млрд параметров и контекстом до 4096 токенов; она принимает текст и генерирует текст. В метаданных указан английский язык. Модель опубликована в формате safetensors и использует лицензию Apache-2.0. Карточка приводит оценку требования к видеопамяти в 25 ГБ. Специализация на одном авторе и одном корпусе ограничивает универсальность и может приводить к повторам или неточным имитациям; ответы не следует считать достоверными источниками о произведениях или эпохе.

Felladrin/Pythia-31M-Chat-v1 — англоязычная диалоговая языковая модель Felladrin, дообученная на базе EleutherAI/pythia-31m. Она использует архитектуру GPT-NeoX и предназначена для генерации ответов в формате чата и продолжения текста по инструкции; для промпта рекомендуется последовательность system, user, assistant. Модель содержит 19,2 млн параметров, принимает текст и выдаёт текст. Размер контекста — 2048 токенов. При дообучении использовались наборы данных для диалогов, ответов на вопросы и инструкций, включая Dolly, WebGLM и OASST2. Модель компактна и подходит для экспериментов с чат-моделями и локального прототипирования, однако результаты оценки в README указывают на ограниченные возможности рассуждения; качество ответов может быть нестабильным. Веса опубликованы в формате safetensors. Лицензия модели — Apache-2.0.

Это исследовательский чекпойнт семейства Qwen3.5 MoE, в котором команда minjaechoi применила ternary-квантизацию TWLA к routed expert слоям. Квантизованы gate_up_proj и down_proj во всех 40 слоях и 256 routed experts; веса этих тензоров представлены значениями −1, 0 и +1, а параметры масштаба и смещения общие для групп из 256 входных столбцов. Активации и остальные параметры модели сохранены в BF16. Итоговые тензоры материализованы в BF16, поэтому файлы не являются упакованным 1,58-битным чекпойнтом. Модель предназначена для исследовательских экспериментов с инференсом и оценкой влияния групповой квантизации на генерацию текста и диалоговые ответы. Калибровка использовала смешанный корпус из текстов C4, кода, математики, науки и документов с длинным контекстом; дополнительное градиентное обучение не проводилось. Для запуска README приводит пример через Transformers и скрипт inference.py. В README указана публичная исследовательская версия; отдельные условия лицензии не приведены.

Aratako разработал Qwen3-8B-RP-v0.1 — дообученную для ролевых диалогов модель на архитектуре Qwen3. Она основана на Qwen/Qwen3-8B и содержит 7,6 млрд параметров; для работы доступны веса safetensors и версия GGUF. Модель предназначена для диалогов от лица заданного персонажа: его описание и ситуацию общения рекомендуется задавать в системном промпте. Модель принимает текст и генерирует текст. В метаданных указан контекст до 40 960 токенов; при обучении использовалась максимальная длина последовательности 8 192 токена. Карточка содержит японский язык, а базовая Qwen3-8B описана как многоязычная модель. Модель опубликована по лицензии MIT. Практические ограничения и результаты оценки качества в карточке не описаны.

Qwen3-psychological-reasoning-1.7B — дообученная Gustave Cortal языковая модель семейства Qwen3 с плотной архитектурой и 1,7 млрд параметров. Она предназначена для генерации текста и диалога с рассуждениями на психологические и философские темы, включая эмоции, самооценку и существование. Модель обучена методом LoRA на отобранных рассуждениях из наборов Dolphin R1, General Thought и PsychologicalReasoning-15k. Метаданные указывают контекст до 40 960 токенов; формат весов — safetensors. Базовая Qwen3 — компактная многоязычная модель, однако карточка этой версии указывает английский язык. Модель подходит для исследовательских прототипов анализа и обсуждения психологических и философских понятий. Размер 1,7 млрд параметров ограничивает её возможности по сравнению с более крупными моделями, а качество рассуждений и пригодность для профессиональной психологической оценки в карточке не подтверждены. Лицензия — MIT.

SPP-T0 Instruct — диалоговая модель на 3 млрд параметров, разработанная dlab-spp для исследований в области выравнивания и безопасности. Это плотная авторегрессионная модель семейства Llama, обученная с нуля с применением Synthetic Persona Pretraining: ценностные рефлексии встроены в часть данных предобучения. Затем модель дообучена на инструкциях и запросах безопасности методом supervised fine-tuning с привязкой персоны. Используется токенизатор SmolLM2 с дополнительным маркером; контекст — 2048 токенов. Модель предназначена для экспериментов с конституциональным выравниванием, обобщением ценностей и устойчивостью к jailbreak-запросам. Обучающие данные включают англоязычные инструкции WildChat-1M и примеры безопасности WildJailbreak и WildGuardMix; ответы обучались следовать конституции и содержать встроенные ссылки-цитаты. В README заявлен вариант смеси безопасности по умолчанию с долей 10%, а другие варианты доступны как ревизии. Это исследовательский артефакт, а не готовая к производству система: ответы могут быть неверными или небезопасными, а заявленная цель не гарантирует устойчивости к атакам. Лицензия указана как other, без уточнения её условий в доступных данных.

TinyBrainBot-100M-v3-Instruct — компактная чат-модель на 100,1 млн параметров от nkthebass, построенная на совместимой с Llama плотной архитектуре LlamaForCausalLM. Она предназначена для диалогов и выполнения инструкций, а также для коротких ответов на вопросы и простых тестовых заданий. Модель дообучена методом SFT от tinybrainbot-100m-v3-base, после чего автор применил WiSE-FT-смешивание весов с возвратом к базовой модели для восстановления точности на бенчмарках. Контекст модели составляет 1024 токена; README сообщает о словаре из 32 тысяч токенов. Доступны веса safetensors и версия GGUF F16 для llama.cpp, Ollama и LM Studio. Карточка приводит результаты на семи бенчмарках EleutherAI LM-Eval Harness и заявляет преимущество над SupraLabs/Supra2-100M-Instruct на шести из семи, однако подробные результаты показаны лишь для части тестов. Модель рассчитана на короткие диалоги и ответы длиной в одно-два предложения. В длинных генерациях возможны выдуманные факты, арифметика ненадёжна, а специальная настройка безопасности отсутствует. Указана лицензия Apache-2.0.

nm-testing/tinyllama-oneshot-w8w8-test-static-shape-change — модель для генерации текста, опубликованная в репозитории Hugging Face с пространством имён nm-testing. Конфигурация указывает, что она основана на TinyLlama-1.1B-Chat-v1.0 и предназначена прежде всего для тестирования и интеграционных сценариев, связанных с инференсом и изменением статических форм тензоров; полноценная карточка модели отсутствует. Модель использует архитектуру LlamaForCausalLM с 22 transformer-слоями, скрытым размером 2048, словарём на 32000 токенов и контекстом до 2048 токенов. Указана grouped-query attention с 32 query- и 4 key/value-головами, а размер модели составляет примерно 1 млрд параметров. В конфигурации присутствует схема сжатия W8W8: 8-битные симметричные тензорные активации и веса; при этом файлы модели представлены в формате Safetensors. Модель поддерживает text generation и может загружаться через Transformers, а также использоваться с vLLM и SGLang. Её сильные стороны — небольшой размер, совместимость с распространёнными инструментами инференса и наличие конфигурации для 8-битного сжатия. Ограничения — отсутствие подробной документации, оценок качества, перечня языков и подтверждённых сценариев промышленного применения; по названию и размещению это, вероятно, тестовый артефакт, а не универсальная production-модель. Лицензия в доступных данных не указана.

Tucano-630m — плотная авторегрессионная Transformer-модель семейства Llama, разработанная командой TucanoBR и предварительно обученная для португальского языка. Она содержит около 564,7 млн параметров, использует контекст до 2048 токенов и обучалась на корпусе TucanoBR/GigaVerbo — объединении очищенных португалоязычных текстовых данных общим объёмом 200 млрд токенов. Модель доступна в форматах PyTorch, Flax и Safetensors; лицензия — Apache 2.0. Модель предназначена прежде всего как основа для исследований и разработки в области моделирования португальского языка, сравнительных экспериментов и последующего дообучения. Она выполняет генерацию текста, но не настроена для конкретных прикладных задач и не рассчитана на непосредственное применение в пользовательских сервисах. Модель ориентирована на португальский язык; для других языков её применение может приводить к ошибкам. Как и другие языковые модели, обученные на больших веб-корпусах, Tucano-630m может выдавать фактически неверные, предвзятые или токсичные ответы, повторяться и генерировать ненадёжный код. Перед адаптацией или практическим использованием следует самостоятельно оценить риски и смещения.

WizzGPTv2 — модель генерации текста на архитектуре GPT-2, предназначенная для создания и дополнения промптов для SDXL, особенно ZavyChromaXL и похожих моделей. Разработчик указывает, что модель обучена на базовой модели GPT-2 и работает в режиме продолжения текста: можно подавать короткие начала вроде «A» или «The portrait of». Дополнительный стиль можно задать отдельно, чтобы влиять на будущую генерацию. Модель принимает текст и выдаёт текст; заявленная длина контекста — 1024 токена. В карточке приведены настройки для разнообразных генераций, включая температуру 1,1 и top-k 24. Лицензия и сведения о поддерживаемых естественных языках в предоставленных данных отсутствуют.

Young-Children-Storyteller-Mistral-7B — языковая модель для генерации текстов, ориентированная на создание историй для маленьких детей. Исходная модель разработана ajibawa-2023, а представленная версия представляет собой набор GGUF-квантизаций, подготовленных bartowski с использованием llama.cpp. Модель обучалась на датасете Children-Stories-Collection и предназначена прежде всего для генерации детских рассказов, а также образовательных и познавательных текстов на английском языке. В основе лежит архитектура Mistral с 7 миллиардами параметров. Модель работает в текстовой модальности и распространяется в формате GGUF, совместимом с llama.cpp и связанными инструментами локального запуска. Доступны варианты квантизации от Q8_0 до Q2_K с размером файлов примерно от 2,71 до 7,69 ГБ. В README не указаны размер контекста, требования к оперативной памяти, дополнительные языки или результаты формальной оценки качества. Более высокие варианты квантизации обычно лучше сохраняют качество, тогда как низкие требуют меньше ресурсов, но могут заметно уступать по качеству генерации. Модель лицензирована по Apache License 2.0. Ее сильные стороны — специализация на детских историях, возможность локального использования и широкий выбор квантизаций под разные ограничения по памяти. Ограничения включают ориентацию на английский язык, неизвестные параметры контекста и отсутствие опубликованных количественных оценок; качество и безопасность содержания следует проверять перед использованием с детьми.

ziya-llama-13b-medical-merged — текстовая генеративная модель семейства LLaMA, опубликованная shibing624. Это объединённая медицинская чат-модель на 12,9 млрд параметров: в карточке показаны ответы на вопросы о симптомах, заболеваниях и лекарствах, а также общие медицинские рекомендации. Она предназначена для диалоговых ответов на медицинские вопросы на китайском и английском языках; README также содержит примеры на китайском. Модель построена на плотной архитектуре LLaMA, работает через Transformers и имеет контекст 2048 токенов. Модель может формулировать связные ответы и охватывать широкий круг медицинских тем, но приведённые в карточке примеры содержат потенциально небезопасные и недостоверные медицинские советы. Её не следует использовать для постановки диагноза или выбора лечения без проверки специалистом. Лицензия — Apache-2.0.

Экспериментальная языковая модель Raghav Singhal из проекта One Persona Pretraining (1PP), основанного на исследовании EPFL DLAB. Это плотная Llama-подобная авторегрессионная модель примерно на 524 млн параметров, обученная для генерации текста и диалоговых ответов. Контекст — 4096 токенов; модель использует токенизатор SmolLM2 с размером словаря 49 152 и формат диалога ChatML без системного сообщения. В ходе предварительного обучения модель работала с переписанными диалогами и считала ошибку как на пользовательских, так и на ответных репликах. Затем её дообучили на смеси примерно из 400 тысяч разговоров. Это ветвь эксперимента с выровненным числом обучающих токенов: она предназначена для сравнения условий обучения внутри исследования 1PP, а не как универсальный помощник. В карточке указана лицензия Apache-2.0.

Axion 1B FineWeb-Edu — Step 200K — ранний базовый чекпойнт семейства Axion, опубликованный MyLabs-LLC. Это плотная авторегрессионная языковая модель с архитектурой AxionForCausalLM и примерно 1,28 млрд параметров; она обучена на FineWeb-Edu с токенизатором Axion на базе SentencePiece. Контекст составляет 32 768 токенов, веса представлены в BF16 SafeTensors. Модель предназначена для продолжения текста и экспериментов с базовой языковой моделью. Она не проходила дообучение для следования инструкциям или ведения диалога, поэтому сама по себе не ориентирована на чат-сценарии. В README приведены шаг обучения 200 000, объём обучения 13,1 млрд токенов и валидационная perplexity 11,67; для запуска описана поддержка Transformers и vLLM с пользовательским кодом модели. Автор предупреждает, что генерация может быть ошибочной, повторяющейся, предвзятой или ненадёжной. Лицензия в экспорте не заявлена, поэтому условия использования не определены; перед публикацией владелец репозитория должен выбрать и указать лицензию.

ShadNygren/BioTechFineTuneTest — дообученная ShadNygren модель семейства Llama на основе Weyaxi/Einstein-v6.1-LLama3-8B-Instruct-Ties. Модель с архитектурой LlamaForCausalLM содержит 7,5 млрд параметров, принимает текст и генерирует текст; длина контекста — 8192 токена. Для дообучения использован слегка изменённый инструкционный набор англоязычных учебников для медицинских экзаменов Medilora/us_medical_license_exam_textbooks_en. Модель предназначена для генерации ответов и учебных материалов по медицине и биологии, в частности для экспериментальной оценки на задачах медицинских экзаменов. В карточке указано, что модель обучалась с Unsloth и TRL; веса доступны в формате safetensors. Лицензия — Apache-2.0. Разработчик обозначает модель как предназначенную только для тестирования и оценки.

CANINE Persian Diacritizer — модель PedramR для восстановления огласовок в неогласованном персидском тексте. Она дообучена на Google CANINE-S — символьном энкодере без токенизатора подслов — и классифицирует каждый символ по одной из 10 меток, после чего предсказанные знаки вставляются после соответствующих букв. Модель содержит около 132 млн параметров и рассчитана на персидский язык (фарси, fa); в обучении использовалась обрезка до 512 символов, архитектурный максимум CANINE составляет 2046 символов. Лицензия модели — MIT. Модель подходит для подготовки персидского текста к синтезу речи, помощи в чтении и лингвистической предобработки. На отложенной выборке из 359 предложений указана точность на уровне символов 91,70% и частота ошибок диакритики 8,30%. Результаты могут быть хуже для классической поэзии, технической лексики и диалектного текста; особенно сложны конечные знаки, зависящие от синтаксиса. Редкий знак надстрочного алифа модель не предсказывает. Для длинных документов README рекомендует делить текст на предложения.

Это дообученная модель семейства Llama с 7,5 млрд параметров, созданная на основе marin-community/marin-8b-base. По названию набора данных для дообучения capsd_marin-8b-base-n13092-medicine-medcase__mix_medicine_random_b8000_s0 модель ориентирована на генерацию текста по медицинским клиническим случаям. Модель принимает текст и генерирует текст; метаданные указывают на поддержку диалогового применения. Она может служить основой для экспериментов с медицинскими вопросами и сценариями клинических случаев. Контекст составляет до 4096 токенов. Указана лицензия other, поэтому условия использования следует сверять с лицензией и правилами исходной модели.

AmberYifan/capsd-qwen3-numina-Qwen3-4B-Base-math_cap_b2000_s0 — дообученная AmberYifan языковая модель семейства Qwen3 для генерации текста. Она создана на основе Qwen/Qwen3-4B-Base и обучена на наборе capsd_Qwen3-4B-Base-n80000-numina__mix_math_cap_b2000_s0, что указывает на математическую направленность обучения. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и контекст до 32 768 токенов; доступны веса в формате safetensors и интерфейс чата. Модель предназначена для генерации текста в диалоговом формате и может применяться для математических запросов и задач рассуждения, связанных с данными обучения. README не приводит результатов оценки или подробностей о целевых сценариях, поэтому качество на конкретных математических задачах не подтверждено. Лицензия указана как other; условия её использования следует уточнять в карточке модели и у правообладателя.

VisAble diagram captioner — модель на основе BLIP, разработанная hkondle и дообученная на диаграммах из AI2D-Caption. Она генерирует описания связей «часть — целое» и ориентирована на доступное представление учебных диаграмм для незрячих и слабовидящих учащихся. Модель принимает изображение диаграммы и выдаёт текстовую подпись. При дообучении визуальный энкодер был заморожен, а текстовый декодер обучался 10 эпох; метки объектов AI2D получали повышенный в 5 раз вес в функции потерь. Основа — Salesforce/blip-image-captioning-base. Лицензия — MIT. Модель предназначена для описания учебных диаграмм и поддержки доступности образовательных материалов. Её область обучения узкая, поэтому качество описаний обычных фотографий и диаграмм за пределами близких к AI2D примеров может быть ограничено.

Chochmah-350M — базовая языковая модель TevunahAi с 358,6 млн параметров, обученная с нуля на 30 млрд токенов. Это плотный decoder-only трансформер архитектуры Llama с 24 слоями; модель совместима с инструментами экосистемы Llama и распространяется в формате Safetensors по лицензии Apache-2.0. Модель предназначена для генерации продолжений текста и как основа для дальнейшего дообучения и исследований малых языковых моделей. Обучающие данные включали веб-тексты, код и энциклопедические материалы, а также материалы по судебным решениям США, философии, математике и физике. Модель рассчитана на английский язык и контекст до 2 048 токенов. Chochmah-350M не проходила инструкционную настройку, обучение диалогам или RLHF, поэтому не предназначена для общения по инструкциям без дополнительной адаптации. На таком размере она может уверенно генерировать фактически неверные утверждения, слабо пишет код, склонна к повторениям на длинных генерациях и сохраняет некоторые артефакты форматирования обучающих данных. Разработчик отдельно предостерегает от использования её ответов как источника юридических, медицинских, финансовых или иных фактических сведений.

Collective-v0.1-chinese-roleplay-8b — разговорная модель для ролевых диалогов, разработанная Collective AI. Это дообученная на данных взаимодействия с пользователями модель семейства Llama 3 на базе Llama3-8B-Chinese-Chat; архитектура плотная, размер — 7,5 млрд параметров, формат весов — Safetensors, контекст — до 8192 токенов. Модель рассчитана на диалоги на китайском и английском языках и поддерживает чатовый сценарий. Модель предназначена для продолжительных ролевых бесед с персонажами и сценариями, включая исторические, школьные, рабочие и фэнтезийные. В README отмечены выразительные описания эмоций, жестов и внутреннего состояния персонажей, инициативное развитие разговора и меньшая склонность к повторам; заявленное увеличение средней длины диалога не сопровождается описанием методики оценки. Лицензия в предоставленных данных не указана.

Gonyai-TEO2 — авторская разговорная языковая модель семейства KonkanGPT от разработчика omdeep22, предназначенная для общения на конкани. В README указаны обучение на материалах о культуре и истории Гоа и поддержка гоанского диалекта на письме деванагари; метаданные относят модель к causal language models и подтверждают текстовую генерацию с возможностью чата. Модель имеет плотную архитектуру KonkanGPT с RoPE, RMSNorm и SwiGLU. В метаданных указано 222,8 млн параметров, тогда как README приводит приблизительную оценку около 251 млн; поэтому точный размер по доступным сведениям неоднозначен. README показывает сценарии многоходового диалога и чтения с пониманием контекста или RAG. Репозиторий использует формат PyTorch, лицензия — MIT. Модель ориентирована на конкани и гоанский культурный контекст; её применимость к другим языкам и темам не подтверждена. Для загрузки в README требуется trust_remote_code=True, поэтому перед использованием следует ознакомиться с кодом репозитория.

HachimiMT-60 — модель машинного перевода китайского текста на вьетнамский, разработанная ngocdang83 для перевода веб-романов, включая сянься, фэнтези, современную прозу и другие жанры. Она также рассчитана на перевод абзацев и междоменного художественного контента. Модель построена на архитектуре MarianMT и содержит около 56,94 млн параметров: 8 слоёв энкодера, 2 слоя декодера и общий словарь SentencePiece BPE размером 24 тыс. токенов для китайского и вьетнамского. Размер контекста — 512 токенов. В репозитории также есть экспорт CTranslate2 INT8 для ускоренного CPU-инференса. Модель ориентирована на упрощённый китайский и переводит только в направлении китайский → вьетнамский. Среди ограничений — возможные ошибки в редких именах, дрейф терминологии в длинных фрагментах и более слабые результаты вне художественных и веб-романных текстов. Для публикации перевод рекомендуется проверять. Лицензия — CC BY 4.0.

HK-O1aw v0 — языковая модель и юридический ассистент, разработанный командой HKAIR-Lab. Это дообученная на базе LLaMA-3.1-8B плотная модель с 7,5 млрд параметров, предназначенная для рассуждений и решения сложных задач в области права Гонконга. Для обучения использованы Align-Anything и набор данных O1aw-Dataset; команда также открыла данные обучения, код и промпты для генерации синтетических данных. Модель принимает текст и генерирует текстовые ответы. Карточка Hugging Face указывает поддержку китайского языка, библиотеку PyTorch и контекстное окно 131 072 токена. Репозиторий распространяется по лицензии Apache-2.0. Модель ориентирована на юридические сценарии Гонконга; качество ответов требует проверки, особенно перед использованием в юридически значимых решениях.

Модель liu-nlp/hyperllama-180m-english-1x разработана для исследования из статьи «Grow Up and Merge: Scaling Strategies for Efficient Language Adaptation». Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 180 млн параметров. В основе — архитектура SmolLM2 с мультиязычным токенизатором Llama 3.3 размером 128 тысяч токенов. Модель обучалась на англоязычном FineWeb-Edu; карточка также указывает FineWeb-Edu как датасет. Контекст — 2048 токенов. Это базовая языковая модель, не настроенная для следования инструкциям. Она предназначена для генерации продолжения текста и экспериментов с адаптацией языковых моделей; метаданные также отмечают интерфейсы чата и вызова инструментов, но README не описывает отдельное instruction-tuning для этих сценариев. Основной язык модели — английский. Файлы опубликованы в формате safetensors по лицензии Apache-2.0. Из-за небольшого размера модель может часто галлюцинировать, особенно по темам, слабо представленным в обучающих данных. README также предупреждает о возможной предвзятости и нежелательном содержании в данных языковой адаптации, а также рекомендует надзор и фильтрацию для пользовательских и ответственных приложений.

jinen-v1-small — компактная языковая модель разработчика togatogah для преобразования японской записи кана в кандзи с учётом контекста. Это плотная модель GPT-2 с 110 млн параметров и BPE-токенизатором; она обучена на специально обработанных данных Miwa-Keita/zenz-v2.5-dataset. Для работы используется формат jinen со специальными Unicode-маркерами, задающими контекст, входную катакану и начало вывода кандзи. Модель предназначена для контекстно-зависимой конверсии кана—кандзи. В README приведены результаты AJIMEE-Bench: Acc@1 0,775 при NFKC-нормализации и CER 0,033; токенизатор выполняет NFKC-нормализацию. Контекст модели — 1024 токена. Репозиторий предоставляет веса safetensors, а README также упоминает варианты GGUF в FP16 и Q5_K_M. Лицензия — CC-BY-SA 4.0.

LittleLearner 0.6B Chatty — модель для диалогов и следования инструкциям, разработанная в рамках исследования LittleLearner. Это плотная авторегрессионная языковая модель Qwen3 с 617,3 млн параметров и контекстом 4096 токенов. Она прошла поведенческое дообучение на примерах общего чата, математики начальной школы, идентичности модели и управления форматом ответа; предобучение проводилось на корпусе учебных материалов США для классов K–5. Модель предназначена для повседневных диалогов, решения задач по математике уровня начальной школы и выдачи ответов в заданном формате, например только ответа, с объяснением шагов или с ограничением длины. В оценке MathCAMPS показала pass@1 21,3 и pass@64 68,4; в поведенческих пробах следование указаниям о формате составило 0,55 для инструкций пользователя и 0,65 для системных инструкций. Эти результаты относятся к описанным в карточке тестам и не гарантируют аналогичного качества в других сценариях. Лицензия указана как other, конкретные условия в доступных данных не приведены.

aialt/LLaMA3-MI — плотная авторегрессионная языковая модель семейства Llama 3, предназначенная для генерации текста в диалоговом формате. В README репозиторий связан со статьёй MedINST: Meta Dataset of Biomedical Instructions, что указывает на применение модели к выполнению биомедицинских инструкций. Модель содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. Репозиторий использует формат safetensors; в метаданных указаны поддержка чата и лицензия Llama 3. Карточка не раскрывает подробности обучения и результаты оценки качества, поэтому точный охват биомедицинских задач и надёжность ответов по ней определить нельзя.

MASRIBERTV4 — дообученная на неизвестном наборе данных арабоязычная модель семейства BERT от T0KII, созданная на основе UBC-NLP/MARBERTv2. Она предназначена для восстановления скрытых токенов в арабском тексте: модель предсказывает пропущенные фрагменты по контексту и подходит для задач, использующих такую схему маскирования. Модель содержит 190 млн параметров, использует архитектуру BertForMaskedLM и принимает последовательности длиной до 512 токенов. Опубликованные веса представлены в формате safetensors; для работы предусмотрена библиотека Transformers. В карточке приведён результат оценки Loss 1.4905, но набор данных и методика оценки не раскрыты, поэтому этот показатель не позволяет судить о качестве на конкретных задачах.

neurojenml-inference — это объединённая версия модели для инференса, созданная на базе Google MedGemma 4B IT с влитыми весами LoRA-адаптера neurojenml. Модель использует архитектуру Gemma 3 и распространяется в формате safetensors; метаданные указывают на поддержку диалогового режима и генерации текста. Модель предназначена для запуска инференса через HF Router или локально после преобразования в GGUF для Ollama. В основе лежит мультимодальная медицинская модель MedGemma, однако карточка не уточняет задачи и возможности, добавленные адаптером neurojenml. Модель является дообученной производной базовой модели. Условия лицензирования в предоставленных данных не указаны.