I.5Создание и редактирование текста

Llama3-Preferred-MedSwallow-70B — медицинская языковая модель на архитектуре Llama 3, разработанная на основе tokyotech-llm/Llama-3-Swallow-70B-v0.1. Модель размером 69,5 млрд параметров прошла дополнительное предобучение на авторском корпусе медицинских текстов и дообучение для предпочтительных ответов. Она предназначена для генерации текста и ответов на медицинские вопросы, в частности для решения экзаменационных заданий на японском языке. В оценке IgakuQA за 2018–2022 годы средний результат составил 395,2 балла. Модель принимает текст и генерирует текст, поддерживает японский и английский языки и имеет контекстное окно 8192 токена. Выпущена по лицензии META LLAMA 3 COMMUNITY LICENSE. Авторы указывают, что модель предназначена для исследований и не подходит для клинической диагностики; пользователи отвечают за соблюдение применимых правил и требований.

CjangCjengh разработал LN-Korean-14B-v0.1 на основе Qwen1.5-14B-Chat, дообучив модель на данных переводов корейских ранобэ. Обучающая подборка включает корейско-китайские переводы 454 японских ранобэ и переводы с корейского на китайский для 14 корейских ранобэ. Модель предназначена для перевода художественного текста с корейского языка на упрощённый китайский. Это плотная языковая модель семейства Qwen2 с 13,4 млрд параметров, поддерживает генерацию текста и чатовый формат; максимальный контекст составляет 32 768 токенов. В метаданных также указаны корейский и китайский языки. Модель опубликована под лицензией CC BY-NC-SA 4.0, которая ограничивает коммерческое использование. README заявляет поддержку только перевода с корейского на упрощённый китайский; качество на других жанрах и типах текстов не подтверждено.

unsloth/medgemma-27b-it-GGUF — это GGUF-версия MedGemma 27B instruction-tuned, разработанная Google и опубликованная Unsloth. Модель относится к семейству Gemma 3 и предназначена для медицинских приложений с генерацией текста. Указанная карточка основана на базовой модели google/medgemma-27b-it; конкретный вариант MedGemma 27B в описании README обозначен как мультимодальный, поэтому может работать с медицинскими текстами и изображениями. Модель обучалась на медицинских текстах, вопросах и ответах, данных электронных медицинских записей в формате FHIR, радиологических изображениях, гистопатологических фрагментах, офтальмологических и дерматологических изображениях. Мультимодальные варианты используют визуальный энкодер SigLIP, предварительно обученный на обезличенных медицинских данных, включая рентгенограммы грудной клетки, дерматологические и офтальмологические изображения, а также гистопатологические срезы. Возможные сценарии включают анализ медицинских изображений и записей, генерацию радиологических отчётов и создание специализированных медицинских AI-приложений. Сильными сторонами являются специализация на медицинской предметной области, поддержка мультимодального анализа и оптимизация для вычислительно эффективного медицинского рассуждения во время инференса. Модель представляет собой базовую instruction-tuned систему, которую разработчики могут дообучать под конкретные задачи. При этом README не содержит сведений о точном размере контекста, языках помимо заявленного английского, конкретных характеристиках GGUF-квантизации и результатах отдельных бенчмарков. Модель не заменяет клиническую оценку и требует проверки перед применением в реальных медицинских процессах. Использование регулируется условиями Health AI Developer Foundations; для доступа на Hugging Face необходимо ознакомиться с условиями и принять их. Лицензия указана как other, с названием health-ai-developer-foundations и ссылкой на официальные условия Google.

MedGemma 27B Text IT — инструкцияно дообученная языковая модель для медицинских текстовых задач, разработанная Google в рамках семейства MedGemma на базе Gemma 3. Данная версия распространяется в формате Unsloth с 4-битным BNB-квантизированием и основана на модели google/medgemma-27b-text-it. Модель предназначена для понимания и генерации медицинского текста, клинического рассуждения и создания приложений в сфере здравоохранения. Она обучалась исключительно на медицинских текстах и оптимизирована для вычислений во время инференса. Версия 27B является текстовой и не поддерживает обработку изображений; сведения о языках и размере контекстного окна в карточке не указаны. К сильным сторонам относятся специализация на медицинской тематике, instruction tuning и возможность адаптации для конкретных задач с помощью дообучения. Модель требует значительных вычислительных ресурсов, хотя 4-битное квантование снижает требования к памяти. Результаты медицинской модели не следует использовать как замену профессиональной клинической оценке; конкретные ограничения безопасности и показатели бенчмарков в карточке не приведены. Использование регулируется условиями Health AI Developer Foundations. Для доступа на Hugging Face необходимо ознакомиться с этими условиями и принять их.

MiYago v0.5 — компактная языковая модель для ролевых диалогов, разработанная на основе MiniMind. Модель содержит 104 млн параметров, использует плотную архитектуру Llama с 16 слоями и обучена полным supervised fine-tuning на MiniMind2. Для вывода требуется около 1 ГБ памяти; заявленный контекст — 32 768 токенов. Модель предназначена для генерации диалоговых ответов в заданной роли и базового следования инструкциям. Обучающие данные включают около 170 тысяч китайских и 30 тысяч английских ролевых диалогов; автор сообщает о начальной способности сохранять роль и выполнять инструкции, особенно в китайских zero-shot сценариях. Поддерживаются китайский и английский языки. Модель распространяется по лицензии Apache-2.0.

SPP-MT Instruct 1.7B — языковая модель семейства Llama, разработанная dlab-spp для диалоговой генерации текста и исследований выравнивания поведения. Это плотная модель с 1,7 млрд параметров на архитектуре SmolLM2-1.7B, обученная с нуля; затем она прошла этап обучения отражениям Synthetic Persona Pretraining и дообучение с привязкой к персоне. Используются токенизатор SmolLM2 с добавленным маркером и формат чата без системного промпта. Модель предназначена для изучения конституционного выравнивания, обобщения ценностей и устойчивости к jailbreak-запросам. Основной этап предобучения охватывал около 100 млрд токенов из подмножества Olmo 3 Dolma 3; последующее дообучение использовало 300 тыс. одноходовых диалоговых примеров и запросов по безопасности. Контекст — 2048 токенов. Карточка указывает лицензию `other`, поэтому конкретные условия следует сверять с лицензией репозитория. Это исследовательский артефакт: ответы могут быть ошибочными или небезопасными, а карточка не позиционирует модель для производственного применения.

NN-oficial — сверхкомпактная англоязычная причинная языковая модель на архитектуре Llama, разработанная jpllm и дообученная с учителем на базе SupraLabs/Supra-Mini-v6-1M. Модель содержит около 5,3 млн параметров, словарь расширен до 32 000 токенов, контекст — 1024 токена. В обучении использовались расширение ёмкости средних слоёв с инициализацией идентичностью и маскирование потерь на промптах при настройке на следование инструкциям. Модель предназначена для экспериментов с языковыми моделями размером менее 10 млн параметров, эффективным дообучением, расширением ёмкости и адаптацией субсловного словаря. Она генерирует англоязычные ответы по инструкциям, в том числе форматированные многострочные тексты, списки и простые объяснения. Малый размер ограничивает объём хранимых фактических знаний: модель может уверенно выдавать неверные сведения, поэтому она не подходит для медицинских, юридических и других критически важных решений или точного поиска фактов. Лицензия — Apache 2.0.

PromptEnhancerV2 (32B) Img2Img Edit — мультимодальная языковая модель, дообученная на базе Qwen/Qwen2.5-VL-32B-Instruct для улучшения и переписывания инструкций к редактированию изображений. Она учитывает исходный текст и предоставленное изображение, чтобы сохранять намерение пользователя и формулировать более ясные, структурированные и логически согласованные запросы для последующего редактирования изображения. Модель использует архитектуру Qwen2.5-VL с 32 млрд параметров, поддерживает китайский и английский языки, работает с контекстом до 128 000 токенов и рассчитана на диалоговый сценарий. Модель предназначена для подготовки текстовых инструкций к задачам image-to-image редактирования; сама карточка описывает переписывание запросов, а не генерацию или изменение изображений. В README указана лицензия Apache-2.0, тогда как метаданные Hugging Face помечают лицензию как other, поэтому условия распространения и использования следует сверить с файлами репозитория. README также описывает применение chain-of-thought reasoning, но не приводит независимой оценки качества или подробностей обучения.

Это плотная языковая модель Qwen3 на 3,7 млрд параметров, дообученная HYU-NLP-EVAL на базе Qwen/Qwen3-4B-Instruct-2507. Чекпойнт RaR-Medicine OnlineRubrics-Every, шаг 22, предназначен для генерации текста в медицинском сценарии; README указывает, что в корне репозитория находится модель BF16 для инференса, а в папке original_checkpoint — файлы исходного чекпойнта veRL с параметрами модели. Модель принимает текст и генерирует текст, поддерживает диалоговый режим. Метаданные указывают контекст до 262 144 токенов и библиотеку Transformers. Репозиторий создан 1 октября 2026 года. Лицензия — Apache-2.0. README отмечает исследовательское назначение чекпойнта; конкретные медицинские задачи и результаты оценки не описаны.

Reyna-CoT-4B-v0.1 — плотная языковая модель, дообученная автором aloobun на базе Qwen/Qwen1.5-4B. Экспериментальная настройка ориентирована на улучшение пошаговых рассуждений (Chain of Thought) у небольших языковых моделей; обучение проводилось на задачах рассуждения, ответов на вопросы без обращения к внешним источникам и этических вопросах. В качестве данных использованы подборки из CoT-Collection, TinyCoT и небольшая часть OpenHermes-2.5. Модель построена на архитектуре Qwen2ForCausalLM, содержит 3,6 млрд параметров и поддерживает контекст до 32 768 токенов. Она принимает текст и генерирует текст, в том числе ответы с промежуточными шагами рассуждения. В README приведён пример решения простой арифметической задачи; результаты бенчмарков пока не представлены. Лицензия указана как other, поэтому условия повторного использования следует проверять в файлах репозитория. Модель предназначена для экспериментов с рассуждением на компактных языковых моделях; качество и надёжность ответов не подтверждены опубликованными бенчмарками.

DeepPavlov/roberta-large-winogrande — модель DeepPavlov на архитектуре RoBERTa Large, дообученная на наборе WinoGrande-XL для классификации текста. В каждом примере модель независимо оценивает пару из части предложения и одного из вариантов заполнения пропуска, присваивая ей метку True или False; пары для правильного и неправильного вариантов перемешиваются при подготовке данных. Модель предназначена для выбора подходящего варианта в задачах на понимание контекста и здравый смысл, сформулированных как заполнение пропуска в предложении. Она содержит 454,1 млн параметров, принимает текст и рассчитана на контекст до 514 токенов. В метаданных указан английский язык и формат PyTorch. Это специализированная классификационная модель для формата WinoGrande, поэтому для получения ответа обычно требуется отдельно оценить каждую пару «контекст — вариант» и сопоставить оценки. Карточка не описывает ограничения подробнее. Модель доступна по лицензии, указанной в репозитории; в предоставленных сведениях её условия не приведены.

RubiRLM-1B-Base — базовая предобученная языковая модель от DevHunterAI для генерации текста и экспериментов с архитектурами языковых моделей. В метаданных указано 219,2 млн параметров; README заявляет размер 1 млрд параметров, поэтому фактический размер по источникам расходится. Модель использует архитектуру RubiRLM с рекуррентной передачей состояния, условным выполнением блоков и маршрутизацией Mixture-of-Experts; заявлены 10 рекурсивных блоков, 32 эксперта с выбором одного эксперта и контекст до 2048 токенов. Модель обучалась на FineWeb и UltraChat-200k. Её можно использовать для базовой генерации по текстовому запросу, продолжения предобучения и исследований архитектуры. Это не дообученный на инструкции чат-ассистент, поэтому качество выполнения инструкций и диалогов не гарантируется; модель также не позиционируется как выровненный или безопасный производственный чат-бот. В метаданных указан английский язык. Лицензия — Apache-2.0.

Модель inkoziev/rugpt_chitchat — русскоязычная GPT-2-модель на 760 млн параметров, разработанная как ядро прототипа диалоговой системы. Она продолжает короткую историю беседы и генерирует реплики для чит-чата, а также формулирует краткие ответы на вопросы по переданным фактам и здравому смыслу. Модель рассчитана на диалоговые сценарии, где на вход подают от одной до десяти предыдущих реплик. Для ответов по базе знаний ей можно передать до пяти фактов перед вопросом; она способна выбирать релевантные сведения среди лишних и иногда выводить ответ из двух связанных предпосылок. README также сообщает о решении простых арифметических задач с двумя числами уровня начальной школы. Контекст модели — 2048 токенов. В README приведена точность 0,91 на отложенном наборе простых арифметических задач для версии на базе модели уровня ruGPT3 Large; это не подтверждает такое же качество на других задачах. Модель является прототипом, и качество ответов вне описанных сценариев не охарактеризовано. Лицензия — Unlicense.

SinhalaBERTo — языковая модель семейства RoBERTa, обученная на дедуплицированном корпусе OSCAR на сингальском языке. Разработчик позиционирует её как отправную точку для дальнейшего обучения моделей под прикладные задачи для малоресурсного языка. Модель содержит 96,6 млн параметров, использует 6 слоёв Transformer, 12 голов внимания, словарь из 52 000 токенов и контекст до 514 токенов. Её основная задача — восстановление замаскированных токенов в тексте; веса доступны в форматах PyTorch, TensorFlow и Flax, включая safetensors. Лицензия в предоставленных данных не указана.

SPP-T0 Instruct — языковая модель с инструкционной настройкой, разработанная командой model-raising для исследований конституционного выравнивания и безопасности. Модель построена с нуля по плотной архитектуре SmolLM2-1.7B; метаданные указывают класс LlamaForCausalLM и 1,7 млрд параметров. Она обучалась методом Synthetic Persona Pretraining, который вводит целевую ценностную персону на этапе предобучения, а затем прошла настройку на диалоговых и безопасностных примерах. Контекст составляет 2048 токенов. Модель предназначена для экспериментов с обобщением ценностей, устойчивостью к jailbreak-запросам и конституционным выравниванием в текстовом диалоге на английском языке. В ответах может использовать встроенные ссылки на положения конституции. README называет её исследовательским артефактом и предупреждает, что ответы могут быть неверными или небезопасными. Лицензия ещё не финализирована; метаданные обозначают её как other, поэтому условия использования следует уточнить у разработчика.

T2MLR — языковая модель на архитектуре Transformer with Temporal Middle-Layer Recurrence, разработанная авторами этого чекпойнта и обученная с нуля на наборе FineWeb-Edu примерно на 10 млрд токенов. Модель содержит 366,4 млн параметров и 32 слоя; её архитектура основана на SmolLM2 и использует стиль Llama, GQA, SwiGLU и RoPE, а рекуррентная связь охватывает непрерывную полосу средних слоёв. Для токенизации используется токенизатор SmolLM2 на 49 152 токена. Модель предназначена для генерации текста и продолжения англоязычных текстовых запросов, а также для экспериментов с рекуррентностью в языковых моделях. Это базовая модель без дообучения на инструкциях и без выравнивания; для работы с ней требуется эталонная реализация T2MLR, а при прямом вызове forward() необходимо передавать control_flows. Лицензия — Apache-2.0. При коротких запросах жадное декодирование может давать повторяющийся текст. Выводы могут быть неточными, предвзятыми или оскорбительными и отражать данные предобучения; модель не рассчитана на диалоговое следование инструкциям.

Tucano-2b4 — авторегрессионная языковая модель серии Tucano, разработанной TucanoBR и обученной на португальском языке. Это плотный Transformer с архитектурой LLaMA и примерно 2,4 млрд параметров; модель предсказывает следующий токен и генерирует текст. Обучение проводилось на наборе TucanoBR/GigaVerbo — объединении очищенных португальских текстовых корпусов объёмом около 200 млрд токенов. Контекст составляет 4096 токенов. Модель предназначена как основа для исследований и разработки языковых моделей на португальском, в том числе для сравнительных экспериментов и последующего дообучения под конкретные задачи. Она не настроена для прикладных задач и не предназначена для непосредственного развёртывания или взаимодействия с пользователями. Лицензия Apache 2.0. Модель может галлюцинировать, воспроизводить предубеждения и токсичные формулировки, выдавать ненадёжный код, повторяться или отвечать излишне многословно. Основной язык — португальский; для других языков её пригодность ограничена.

babylm/babyllama-10m-2024 — компактная авторегрессионная языковая модель семейства LLaMA, опубликованная организацией BabyLM Challenge. Она предназначена для генерации текста и исследований эффективного предварительного обучения небольших языковых моделей, в частности в рамках соревнования BabyLM. Модель имеет архитектуру LlamaForCausalLM с 16 слоями, размером скрытого состояния 512, 8 головами внимания и словарём из 16 000 токенов; содержит около 50,1 млн параметров и поддерживает контекст до 256 токенов. Модель работает с текстом и не является мультимодальной.

BananaMind-2-Nano-Chat — компактная чат-модель, разработанная BananaMind как полноразмерное дообучение BananaMind-2-Nano на наборе HuggingFaceTB/smol-smoltalk. Это декодерный Transformer с примерно 10 млн параметров, контекстом 4096 токенов и байтовым BPE-токенизатором на 8192 токена, учитывающим цифры. Модель поддерживает системные инструкции и многоходовые диалоги; генерация может использовать KV-кэш. Модель предназначена для локальных чат-экспериментов, образовательных демонстраций, исследований компактных языковых моделей и сравнения методов instruction tuning. Карточка приводит самооценку на 300 примерах: общий взвешенный результат 9,15%, при этом модель заметно лучше справлялась с простыми и многоходовыми заданиями, чем со сложными. Результаты могут зависеть от версии бенчмарка, Transformers и настроек генерации. Для загрузки требуется Transformers с разрешённым пользовательским кодом репозитория (`trust_remote_code=True`). Лицензия — Apache-2.0. Из-за малого размера модель может выдумывать факты, ошибаться в арифметике, выдавать некорректный код или повторяться; её не следует использовать для решений с высокими последствиями.

lassl/bert-ko-small — компактная модель семейства BERT от LASSL, предназначенная для восстановления замаскированных токенов в корейском тексте. Она содержит 25,7 млн параметров, принимает последовательности длиной до 512 токенов и доступна в форматах PyTorch и Safetensors. Модель обучена на корпусах общим объёмом около 3,6 млрд токенов; карточка также содержит пример загрузки через Transformers. Модель подходит для заполнения пропусков и как основа для экспериментов с корейским языком. Используется лицензия Apache 2.0. Результаты оценки в карточке не приведены, поэтому качество для конкретных задач по этим данным оценить нельзя.

calme-3.3-llamaloi-3b — плотная авторегрессионная модель семейства Llama, разработанная Maziyar Panahi на основе meta-llama/Llama-3.2-3B. Модель содержит 3,2 млрд параметров и дообучена для повышения качества ответов на французские юридические запросы. Поддерживает диалоговый формат ChatML; заявленная длина контекста — 131 072 токена. Модель предназначена для генерации текста и диалоговой помощи по вопросам французского права: например, для подготовки черновиков ответов и краткого объяснения юридических материалов. В метаданных также отмечен англоязычный язык, однако карточка особо указывает на специализацию в правовой области Франции. Автор предупреждает, что небольшая модель может хуже справляться с отдельными запросами и быть чувствительной к гиперпараметрам; при применении нужны проверка ответов и человеческий надзор. Лицензия — llama3.2.

Cramp-25m — компактная авторская языковая модель на модифицированной архитектуре GPT-2, опубликованная пользователем crumbly. В ней 25 млн параметров без учёта эмбеддингов; используются позиционные эмбеддинги ScaledSinusoidal и нормализация слоя эмбеддингов, а смещения исключены. Модель обучена на 8 млрд токенов датасета SlimPajama; в метаданных также указан RedPajama-Data-1T. Контекст составляет 2048 токенов, формат весов — PyTorch. Модель предназначена для генерации английского текста и компактных экспериментов с языковыми моделями. В README приведены результаты бенчмарков ARC, HellaSwag, MMLU и TruthfulQA; они показывают отдельные сильные результаты относительно некоторых более крупных моделей, но не гарантируют превосходства на других задачах. Модель имеет небольшую ёмкость и ограниченное окно контекста, поэтому может хуже справляться со сложными запросами и длинными текстами. Лицензия — Apache-2.0.

jkminder разработал эту чат-модель на архитектуре NanochatGPT: это дообученная методом supervised fine-tuning (SFT) базовая GPT-модель семейства Scaling Ladder с примерно 1,2 млрд параметров. Модель предназначена для простого диалога и ответов на вопросы; обучение проводилось на смеси smol-smoltalk, вспомогательных данных MMLU и GSM8K. README приводит результаты оценки на ARC-Easy, ARC-Challenge и MMLU. Модель принимает текст и генерирует текст, поддерживает чат-шаблон Transformers и имеет контекст длиной 2048 токенов. В карточке указан английский язык. Это небольшой исследовательский артефакт: разработчик предупреждает, что способность помогать ограничена размером модели, а обучение безопасности не проводилось. Веса опубликованы в формате safetensors; лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

DarijaBERT-arabizi — модель семейства BERT, разработанная AIOX Lab совместно с SI2M Lab INSEA для обработки марокканского арабского диалекта Darija, записанного латинскими буквами (Arabizi). Это версия DarijaBERT для Arabizi, основанная на архитектуре BERT-base без цели обучения Next Sentence Prediction. Модель содержит 197,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель обучена примерно на 4,6 млн последовательностей, полученных из комментариев YouTube. Её основная задача — предсказывать пропущенные токены в тексте; это может служить основой для экспериментов и других NLP-сценариев на марокканском диалекте. В карточке не указана лицензия. Данные из социальных сетей могут приводить к токсичным предсказаниям.

Это небольшая авторская дообученная модель генерации текста на базе distilgpt2, созданная на текстах по микробиологии. Она предназначена для дополнения заметок, учёбы и исследовательской работы с микробиологическими материалами. Модель использует архитектуру GPT-2, принимает текст и генерирует текст; максимальная длина контекста — 1024 токена. В обучении использовались отфильтрованные микробиологические тексты из датасета Biology на Hugging Face. Модель может служить вспомогательным инструментом для исследователей и студентов, но её ответы могут быть ошибочными, а объём усвоенных знаний ограничен небольшим обучающим набором. Она не предназначена для медицинских или оздоровительных задач и не должна заменять специалистов. Лицензия — Apache-2.0.

gpt2-medium-squadv11-portuguese — экспериментальный чат-бот, созданный дообучением GPT-2 Medium на португалоязычном наборе squad_v1.1_pt. Модель построена на архитектуре GPT-2 и предназначена для генерации текста в диалоге и ответов на вопросы по контексту на португальском языке. Окно контекста составляет 1024 токена. Модель обучалась 12 часов на видеокарте NVIDIA RTX 3060 с 12 ГБ памяти. Разработчик описывает её как эксперимент; подробные результаты оценки, рекомендуемые сценарии и известные ограничения не приведены. Лицензия — MIT.

GPT-PT 270M Base — 1B — базовая языковая модель проекта GPT-PT, созданная icdron с нуля для португальского языка. Это контрольная точка на шаге 70 000: обучение охватило около 1,14 млрд из запланированных 6,6 млрд токенов. Модель содержит 270,5 млн параметров и использует декодерную архитектуру LeanGPT в стиле Llama: RMSNorm, RoPE, GQA, SwiGLU и связанные эмбеддинги. Контекст — 2048 токенов; веса представлены в форматах PyTorch и Safetensors. Модель предназначена для продолжения предварительного обучения, анализа динамики обучения и собственного дообучения. Она генерирует продолжение текста, но не обучена следовать инструкциям и не является чат-ботом; карточка предупреждает о галлюцинациях и не рекомендует применять её в production без SFT. В обучающий корпус входят преимущественно португальские данные, а также англоязычная математическая выборка. Лицензия — MIT.

HachimiMT-60-QT — модель машинного перевода с китайского на вьетнамский, созданная для перевода китайских веб-новелл в устойчивом классическом регистре «truyện convert». Она основана на MarianMT и обучена сохранять архаичную систему обращений и местоимений, включая «ta», «ngươi», «hắn», «nàng», «tỷ tỷ» и «ca ca», не переключаясь на современные формы в пределах главы. Версия v1.1 продолжает обучение предыдущей версии на примерах редких выражений и идиом с повторным использованием исходных данных. В README приведены результаты сравнений качества перевода и стабильности регистра, а также экспорт INT8 для быстрого CPU-инференса через CTranslate2. Модель подходит для перевода отдельных предложений и глав веб-новелл; указанное в метаданных родное окно контекста — 512 токенов. Модель может ошибаться в редких именах и авторских терминах, транслитерировать их непоследовательно или переводить буквально; некоторые многозначные выражения также остаются сложными. Лицензия — CC BY 4.0.

Lanni-ni/hard_2gram_2_4_256_babylm_10m_seed44 — небольшая модель генерации текста, опубликованная на Hugging Face и предназначенная для работы через библиотеку Transformers. Модель содержит около 14,7 млн параметров и может применяться для продолжения текстовых последовательностей и экспериментов с компактными языковыми моделями.

HealthGPT-M3 — модель lintw для унифицированных мультимодальных медицинских задач, дообученная на базе microsoft/Phi-3-mini-4k-instruct. Карточка описывает её как модель для работы с медицинскими данными в разных модальностях, но не уточняет архитектуру, конкретные поддерживаемые модальности или отдельные сценарии применения. В метаданных указаны английский и китайский языки, лицензия MIT и задача any-to-any. Базовая Phi-3-mini-4k-instruct — компактная диалоговая языковая модель с контекстом до 4096 токенов; этот предел относится к базовой модели, а контекст HealthGPT-M3 отдельно не подтверждён. Подробности о качестве и ограничениях в карточке отсутствуют.