I.5Создание и редактирование текста

Narrativa Spanish GPT-2 — языковая модель для генерации текста, обученная на испанских рэп-текстах. Она построена на архитектуре GPT-2 и предназначена для создания новых строк и текстов в стиле испанского рэпа, например по заданному началу. Модель принимает текст и генерирует текст; размер контекста составляет 1024 токена. Модель разработала Narrativa, компания, создающая решения для генерации естественного языка. Она распространяется в формате PyTorch по лицензии MIT. Обучение на текстах рэпа ориентирует генерацию на этот жанр, но качество и тематическая уместность могут зависеть от заданного промпта и не гарантируются.

SPP-T0-MT — Instruct — это исследовательская разговорная языковая модель на 3 млрд параметров, разработанная Model Raising для изучения выравнивания и безопасности. Она обучена с нуля на архитектуре семейства Llama, затем прошла дообучение методом Synthetic Persona Pretraining с этапом обучения на размышлениях и последующей supervised fine-tuning-привязкой к заданной ценностной персоне. Базовый вариант опубликован как model-raising/spp-t0-mt-3b-base. Модель предназначена для диалогов и экспериментов с конституционным выравниванием, обобщением ценностей и устойчивостью к jailbreak-запросам. Обучение включало около 500 млрд токенов смеси Olmo 3 Dolma 3 и 300 тыс. инструкционных примеров; ответы по заданной конституции содержат встроенные цитаты. Модель принимает и генерирует текст, рассчитана прежде всего на английский язык, использует шаблон чата без системного промпта и имеет контекст 2048 токенов. Это исследовательский артефакт, который может выдавать неверные или небезопасные ответы. В README указано, что лицензия ещё должна быть определена; метаданные обозначают её как other, поэтому условия использования следует уточнить у разработчика.

Это низкоранговый LoRA-адаптер rank 1 от AtomicChat для модели prism-ml/Ternary-Bonsai-2-27B-gguf. Он изменяет вычисления во время генерации, ослабляя направление отказа в модели; базовые ternary-веса остаются неизменными. Адаптер рассчитан на запуск локально через форк llama.cpp от PrismML-Eng, поскольку стандартный llama.cpp не поддерживает используемые базовой моделью типы весов и повёрнутое базисное представление. Модель предназначена для генерации текста с настраиваемой силой вмешательства, в том числе для снижения частоты отказов на запросах. В README для основного адаптера рекомендуется масштаб 1,5; оценка на тестовой выборке показала снижение отказов на вредоносных запросах, но измерение основано на сопоставлении начальных фраз и не гарантирует корректность ответов или безопасность. Проверялись только варианты PTQ1_0 и PQ2_0; перенос на другие формулировки и языки не измерялся, а оценка возможностей ограничена MMLU. Репозиторий распространяется по лицензии Apache-2.0.

tinyllama-mixpretrain-quinoa-sciphi — компактная языковая модель семейства LLaMA, созданная Monsoon NLP на основе TinyLlama/TinyLlama-1.1B-intermediate-step-1431k-3T. Модель прошла дальнейшее предобучение и полное дообучение на данных об аминокислотных последовательностях и научных учебниках: примерно половину обучающих данных составляли белковые последовательности, преимущественно киноа, а половину — текст учебников и материалы для вопросов и ответов. Модель предназначена для генерации текста, работы с последовательностями аминокислот и естественно-языковыми описаниями или вопросами о них. Это плотная авторегрессионная архитектура LLaMA с 1 млрд параметров; максимальный контекст составляет 2048 токенов. Веса доступны в формате safetensors, лицензия — Apache-2.0. Карточка не приводит результатов оценки качества, поэтому надёжность ответов о белках и научных темах по ней определить нельзя.

Transductor TC XHigh — дообученная текстовая модель на базе LiquidAI/LFM2.5-2.6B, разработанная автором репозитория Davd-b01 для преобразования подробных рассуждений в структурированные длинные трассы. Это плотная причинная языковая модель семейства LFM2 с 2,6 млрд параметров, контекстом до 131 072 токенов и весами BF16 в формате safetensors; README описывает слияние базовой модели с SFT-адаптером и последующее вливание SimPO-дельты. Модель предназначена для генерации учебных данных: на вход подаются исходный вопрос, подробная трасса рассуждений и уже готовый правильный ответ, а модель переизлагает рассуждение в четырёхфазной форме и копирует итоговый ответ. Она рассчитана на сложные математические задачи, включая олимпиадные и формальные, а также длинный контекст. Это преобразователь трасс, а не обычный чат-бот и не средство проверки правильности решения. Карточка приводит английский как основной язык обучения; другие языки могут опираться на базовую модель. Для работы нужен специальный формат входа и системная инструкция соответствующего уровня глубины. Модель может уверенно воспроизвести ошибочное рассуждение, поэтому правильность ответа следует проверять отдельно; при пакетной генерации с левым дополнением нужно очищать токены заполнения перед сохранением обучающих данных. Лицензия указана как other, без уточнения условий в предоставленных данных.

Uncertain-Mistral-7B — дообученная rhy ang2021 модель Mistral-7B-Instruct-v0.2 с 7,1 млрд параметров. Она предназначена для применения в задаче LoGU, связанной с подавлением неопределённости и несоответствием выраженной моделью уверенности фактической неопределённости ответа. Модель использует плотную архитектуру Mistral и поддерживает диалоговую генерацию текста с контекстом до 32 768 токенов. Модель подходит для экспериментов с тем, как языковые модели выражают и калибруют неопределённость в ответах. Она дообучена на отобранных примерах из набора данных авторов; подробности о наборе данных и количественные оценки качества в карточке не приведены. Лицензия — MIT.

IME Context Reranker v1 — японская модель-переранжировщик для систем ввода IME, разработанная автором репозитория fa0311. Это кросс-энкодер на базе DistilBERT, дообученный для оценки кандидатов преобразования японского чтения в текст с учётом контекста. На вход подаются контекст, чтение и форма кандидата; более высокий регрессионный логит означает более подходящий вариант. В эталонной конфигурации модель оценивает до 64 кандидатов, а её балл объединяется с калиброванной стоимостью словаря. Модель использует архитектуру DistilBertForSequenceClassification и японский базовый чекпойнт line-corporation/line-distilbert-base-japanese. Максимальная длина последовательности в метаданных — 512 токенов; README указывает длину 192 и окно контекста 160 символов для описанной конфигурации. На тестах качества результаты зависят от генератора кандидатов и смешивания со словарной стоимостью; на сложном наборе полнота генерации целевого кандидата составляет 72,8%. Лицензия — Apache-2.0. Для указанной эталонной среды требуется CUDA, а токенизатор загружается с trust_remote_code=True.

WizardIceLemonTeaRP-32k — экспериментальная слитая языковая модель от автора icefog72, созданная методом SLERP с помощью mergekit из IceLemonTeaRP-32k-7b и Not-WizardLM-2-7B. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, контекстом до 32 768 токенов и форматом safetensors. Она предназначена для генерации текста; в карточке также указано RP-направление в названии исходной модели IceLemonTeaRP. Автор предупреждает, что результат слияния непригоден для использования и рекомендует вместо него WestIceLemonTeaRP-32k-7b. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

smgriffin/24thankyou-lyrics-generator — модель генерации текста на основе GPT-2, дообученная на текстах песен инди-группы Midwest 24thankyou. Она предназначена для создания и продолжения текстов песен по текстовой подсказке. Модель использует архитектуру GPT-2 и библиотеку Transformers, принимает текст и генерирует текст; максимальная длина контекста составляет 1024 токена. Основной язык — английский. Модель подходит для черновиков песенных строк и творческих экспериментов в стилистике корпуса, на котором она обучалась. Она может воспроизводить особенности и ограничения обучающих текстов; качество и фактическая точность не гарантированы. Лицензия в предоставленных данных не указана.

aaie-gft-full-fg-8k-dpo — модель генерации образовательной обратной связи, созданная дообучением moinsaj/aaie-gft-full-fg-8k методом DPO. Она принимает один запрос с данными учебной работы и критериями рубрики и должна выдавать JSON с оценками, статусами и комментариями по критериям, а также общей обратной связью о качестве, сильных сторонах, слабых местах и следующих шагах. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 354,4 млн параметров и поддерживает контекст до 8192 токенов с масштабированием YaRN. Она ориентирована на англоязычные сценарии и обучалась предпочитать конкретные комментарии, привязанные к критериям. Модель предназначена для подготовки формирующей обратной связи по учебным работам на основе заданной рубрики. В проверке на 10 примерах ни один ответ полностью не соответствовал контракту: модель может добавлять несуществующие идентификаторы критериев, а подробные ответы могут упираться в лимит генерации. Результаты следует проверять приложением; для строгого соответствия можно ограничить генерацию допустимыми идентификаторами. Лицензия указана как other, конкретные условия в карточке не описаны.

Это полноразмерная модель supervised fine-tuning (SFT) на базе Qwen/Qwen2.5-3B-Instruct, подготовленная wenlongzhao по рецепту cold-start из приложения E.2 статьи Agentic Reinforced Policy Optimization (ARPO). Чекпойнт использует плотную архитектуру Qwen2 и содержит 3,1 млрд параметров; для генерации текста применяется библиотека Transformers, веса сохранены в Safetensors. Метаданные указывают контекст до 32 768 токенов. Модель предназначена для исследований SFT агентного поведения в стиле ARPO и обучена на смеси ARPO-SFT-54K (Tool-Star 54K и STILL). README отмечает, что это вариант конфигурации статьи с максимальной длиной обучения 4096, глобальным размером батча 128 и weight decay 0,1; модель не оценивалась как самостоятельный чат-ассистент. Поддерживается генерация текста и диалоговый режим, базовая модель многоязычная. Лицензия репозитория — Apache-2.0; при использовании также следует учитывать лицензии базовой модели и набора данных для SFT.

Aurora Proelia ChatML — экспериментальная компактная языковая модель North ML на 206,9 млн параметров с плотной архитектурой AuroraForCausalLM. Модель дообучена методом SFT на Aurora Proelia: выполнено 2 048 эффективных обновлений на корпусе ChatML, чтобы научить её работать с системными, пользовательскими и ассистентскими репликами в формате ChatML. Для запуска предусмотрен собственный runtime Aurora; также доступен адаптер для Transformers, для которого требуется включить trust_remote_code. Модель предназначена для простого диалогового общения и ответов на короткие вопросы на английском языке. Контекст — 2 048 токенов. По приведённым мини-срезам открытых бенчмарков результаты немного улучшились относительно исходной Aurora Proelia, однако эти оценки не являются официальными лидербордами. Модель остаётся небольшой и ненадёжна в многошаговой арифметике, глубоком рассуждении, работе с актуальными фактами, специализированных вопросах без контекста и сложном следовании инструкциям. Это публичный исследовательский релиз North ML, но открытая лицензия не предоставлена: права на лицензирование оставлены владельцем репозитория.

Bible-Assistant-Qwen3.5-4B-v3.2-GGUF — это набор GGUF-квантизаций модели Bible-Assistant-Qwen3.5-4B-v3.2, разработанной Ttimms и квантизированной mradermacher. Модель предназначена для текстовой генерации, ответов на вопросы по Библии и сценариев с RAG. Указан английский язык; поддерживается библиотека Transformers. Модель основана на Qwen3.5 и содержит 4 миллиарда параметров. Доступны варианты от Q2_K до Q8_0, IQ4_XS и f16, размером примерно от 2,0 до 8,5 ГБ. В README не указаны контекстное окно, точная архитектура, поддержка дополнительных модальностей и данные обучения. Квантизации позволяют выбирать компромисс между размером, скоростью и качеством: Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как вариант очень хорошего качества, Q8_0 — как быстрый вариант с наилучшим качеством, а f16 описан как избыточный. Модель подходит для локального запуска и тематических ассистентов, работающих с библейскими текстами, однако качество зависит от выбранного уровня квантизации. Ограничения включают отсутствие подробных сведений о качестве ответов, контекстном окне и языковых возможностях за пределами английского. Распространение заявлено по лицензии Apache-2.0.

Kabster/BioMistral-MedicalQA-FT — дообученная разговорная языковая модель семейства Mistral, созданная на основе BioMistral и медицинского набора данных для рассуждений. Она предназначена для генерации ответов и диалоговой работы с медицинскими вопросами. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и принимает контекст длиной до 32 768 токенов. Модель рассчитана на текстовый ввод и выдаёт текст. Репозиторий содержит веса в формате safetensors; для использования указана лицензия Apache-2.0. README не уточняет состав обучающих данных, охват медицинских специальностей и результаты оценки качества, поэтому надёжность ответов в конкретных клинических сценариях по доступным сведениям определить нельзя.

AmberYifan/capsd-qwen3-numina-Qwen3-4B-Base-math_random_b4000_s0 — дообученная языковая модель семейства Qwen3, созданная на основе Qwen/Qwen3-4B-Base. Для обучения использован датасет capsd_Qwen3-4B-Base-n80000-numina__mix_math_random_b4000_s0; название датасета указывает на математическую тематику, но карточка не описывает конкретные навыки модели или результаты оценки. Модель имеет плотную архитектуру Qwen3ForCausalLM и 3,7 млрд параметров. Она принимает текст и генерирует текст, поддерживает диалоговый сценарий и контекст длиной до 32 768 токенов. Метаданные указывают библиотеку Transformers и формат весов safetensors. В карточке указана лицензия other, поэтому конкретные условия использования следует сверить с файлами и условиями репозитория.

ChOPT-1.3B — языковая модель AI Squared, дообученная для диалогового общения на 15 тысячах примеров набора Databricks Dolly 15k. Это плотная авторегрессионная модель семейства OPT с архитектурой OPTForCausalLM и 1,7 млрд параметров; она принимает и генерирует текст на английском языке, а длина контекста составляет 2048 токенов. Модель предназначена для экспериментов с чат-поведением компактных языковых моделей и исследовательских сценариев генерации текста. Модель не относится к передовым по качеству и может выдавать фактические ошибки, предвзятые, оскорбительные или токсичные ответы, а также галлюцинации. Для производственного применения она не предназначена. Лицензия указана как other; карточка поясняет, что из-за происхождения от OPT модель распространяется по лицензии OPT-175B Meta и ограничена некоммерческими исследовательскими целями.

Commonsense-QA-Mistral-7B-i1-GGUF — это набор квантованных GGUF-версий дообученной текстовой модели rvv-karma/Commonsense-QA-Mistral-7B, основанной на архитектуре Mistral и содержащей около 7 миллиардов параметров. Квантизацию выполнил mradermacher; модель дообучена на англоязычном наборе tau/commonsense_qa для задач, связанных с ответами на вопросы, требующие здравого смысла. Она предназначена для локального текстового вывода и запуска в совместимом программном обеспечении, поддерживающем формат GGUF. Модель работает с текстом на английском языке. В репозитории представлены варианты квантизации от IQ1_S до Q6_K размером примерно от 1,7 до 6,0 ГБ. Более компактные варианты требуют меньше памяти, но могут заметно уступать в качестве; в README оптимальным компромиссом по размеру, скорости и качеству назван Q4_K_S, а Q4_K_M отмечен как быстрый и рекомендуемый вариант. Сведения о размере контекста, мультимодальности и дополнительных языках не указаны. Модель может быть полезна для локального решения англоязычных задач на понимание повседневных ситуаций и генерации текста, однако её качество ограничено выбранным уровнем квантизации и специализацией на наборе Commonsense QA. Лицензия указана как Apache-2.0.

Filtered — Instruct (1.7B) — это языковая модель, разработанная dlab-spp для исследований выравнивания и безопасности. Она построена на архитектуре SmolLM2-1.7B, обученной с нуля, и дообучена методом persona-binding supervised fine-tuning: на 300 тысячах примеров диалогов и запросов, включая инструкции и промпты по безопасности. При генерации ответы следуют заданной конституции и могут содержать встроенные ссылки вида [N.M]. Модель принимает текст и генерирует текст в формате чата; максимальная длина контекста — 2048 токенов. Карточка указывает английский язык. Модель предназначена для экспериментов с конституциональным выравниванием, обобщением ценностей и устойчивостью к jailbreak-запросам. Это исследовательская модель, а не готовое производственное решение: ответы могут быть неверными или небезопасными. Лицензия обозначена как other; конкретные условия использования следует проверить на странице модели.

FinedGPT — дообученная модель GPT-2, опубликованная пользователем 12sciencejnv. Она генерирует на английском языке ответы на вопросы об исламе, используя пары вопрос–ответ из набора данных minhalvp/islamqa. Модель построена на архитектуре GPT-2 и предназначена для генерации текста по запросу; её контекстное окно составляет 1024 токена. В карточке приведены значение perplexity 170,31 на валидационной выборке этого набора и итоговый training loss около 2,3 после трёх эпох дообучения. Эти показатели сами по себе не подтверждают точность ответов или их соответствие исламским источникам. Модель распространяется по лицензии Apache-2.0.

flame-27m-base — небольшая базовая языковая модель, разработанная автором репозитория и обученная с нуля для исследований малых моделей и быстрых экспериментов. Она предназначена для генерации английского текста и может служить лёгкой декодерной основой для прототипов. Модель содержит 27,1 млн параметров и использует архитектуру NexusForCausalLM с декодером в стиле Llama и механизмом GQA; контекст — 2048 токенов. Предобучение проведено на 300 млрд токенов из образовательных веб-материалов, синтетических учебников и математических текстов. По данным карточки, модель показывает связную генерацию, однако её ответы ненадёжны по фактам, а на сложных задачах на знания и рассуждение результаты близки к случайному уровню. Поддерживается английский язык. Лицензия — Apache-2.0.

SinaElahimanesh дообучил Gemma 2 27B для диалогового применения в контексте терапии. Модель предназначена для генерации ответов в беседе; карточка связывает её с базовой моделью aboots/gemma2-mixed-therapy-ft. Модель использует плотную архитектуру Gemma 2 с 27,6 млрд параметров и контекстом до 8192 токенов. Она принимает текст и генерирует текст; среди языковых меток карточки указан английский. Модель распространяется в формате safetensors по лицензии Apache-2.0. README сообщает об обучении с Unsloth и TRL.

Gemstone-1792x7 — языковая модель из Gemstone Suite, разработанная для изучения вариантов архитектуры Gemma с разной шириной и глубиной. Это плотная авторегрессионная модель GemmaForCausalLM на 427,3 млн параметров, обученная с помощью litgpt и AxoNN на графических процессорах AMD MI250X в системе Frontier Национальной лаборатории Ок-Ридж. Для запуска используется библиотека Transformers и файл modeling_gemma.py. Модель обучалась на непересекающихся подмножествах набора Dolma в течение 350 млрд токенов; в карточке указан английский язык. Она предназначена для генерации продолжения текста, а не для выполнения инструкций или диалогового следования. Контекст составляет 2048 токенов. Модель распространяется под лицензией Apache-2.0. Её можно применять для экспериментов с генерацией текста и исследования влияния размеров модели Gemma. Карточка не сообщает о настройке для инструкций, поэтому качество ответов на вопросы и выполнение команд не гарантируются.

Gemstone-256x71 — языковая модель семейства Gemstone Suite, разработанная авторами проекта Gemstone. Это плотная авторегрессионная модель архитектуры Gemma для генерации текста. Она содержит 82,7 млн параметров и принимает контекст длиной до 2048 токенов. Модель обучена с нуля на подмножествах корпуса Dolma, не пересекающихся между обучением и валидацией. По карточке, обучение охватывает 350 млрд токенов; публиковались контрольные точки с интервалом в 2 млрд токенов. Это базовая, не инструкционная модель: она предназначена для продолжения текста и экспериментов с моделями разной ширины и глубины, а не для готового диалогового помощника. Для запуска авторы указывают Transformers и файл modeling_gemma.py. Модель обучалась на английских данных. В репозитории используются веса Safetensors, лицензия — Apache-2.0. Карточка не приводит оценок качества или результатов тестирования; ответы в формате инструкций и диалоговое поведение не заявлены.

Gemstone-512x12 — языковая модель семейства Gemstone, разработанная авторами проекта Gemstone Suite. Это плотная авторегрессионная модель архитектуры Gemma для генерации текста; в метаданных указано 72,9 млн параметров и контекст длиной 2048 токенов. Модель обучена с помощью litgpt и AxoNN на непересекающихся подмножествах Dolma, всего на 350 млрд токенов; опубликованные контрольные точки соответствуют промежуточным этапам обучения. Модель предназначена для продолжения текста и базовых экспериментов с генерацией, а не для выполнения инструкций или диалогового ассистирования. Карточка указывает, что Gemstone-512x12 основана на архитектуре gemma-2b; для запуска используется библиотека Transformers и файл modeling_gemma.py. Поддерживаемый карточкой язык — английский. Сильная сторона модели — длительное обучение на большом корпусе при компактном размере. Она не является instruction-моделью, имеет короткое контекстное окно и не предназначена для работы с изображениями, аудио или другими модальностями. Лицензия репозитория — Apache-2.0.

GFusion-10B-A1.8B-base — экспериментальная предварительно обученная диффузионная языковая модель, созданная адаптацией GigaChat3-10B-A1.8B-base для генерации блоками. Она рассчитана на продолжение текста и исследование альтернативы авторегрессионной генерации; для диалога и следования инструкциям разработчик рекомендует instruct-версию. Модель поочерёдно уточняет частично замаскированные блоки по 32 токена и использует семплирование с ограничением энтропии. Такой подход позволяет завершать несколько токенов за один прямой проход и управлять компромиссом между скоростью декодирования и качеством. Архитектура указана как DeepSeek V3, класс GFusionForDiffusionLM; размер по метаданным — 1,5 млрд параметров, контекст — до 32 768 токенов. Карточка заявляет поддержку русского и английского языков. Модель опубликована ai-sage под лицензией MIT и распространяется в формате Safetensors. Она предназначена для экспериментов с генерацией блоками; для обычного диалога и выполнения инструкций базовая версия не оптимальна. В README приведены результаты бенчмарков, но они не гарантируют качество на конкретных задачах.

Josephgflowers/GPT2-774M-CINDER-SHOW-MULTI-CHAT — англоязычный чат-бот для научных и образовательных бесед, ролевого общения с персонажами Cinder Show и многопользовательских диалогов. Модель основана на GPT-2 и представлена в формате safetensors; размер параметров не указан. Контекст составляет 1024 токена. Модель генерирует ответы в стиле капитана Cinder и других персонажей, поддерживая разговоры о науке, космических приключениях и вымышленных мирах. Примеры показывают диалоги нескольких персонажей и ответы на вопросы об астрофизике и квантовых вычислениях, однако такие ответы могут содержать фактические ошибки. Модель распространяется по лицензии MIT. Карточка не сообщает о специальных мерах безопасности или оценках качества; короткий контекст GPT-2 ограничивает работу с длинными беседами.

Greyscope — англоязычный классификатор текста, дообученный yaoandy107 на базе unsloth/Qwen3.5-4B-Base на датасете EditLens. Модель на архитектуре Qwen3.5 с примерно 3,4 млрд параметров использует голову классификации последовательностей и определяет, написан ли текст человеком, отредактирован ИИ или сгенерирован ИИ. Она также оценивает степень участия ИИ по шкале от 0 до 1; адаптер LoRA объединён с базовой моделью. Контекст модели составляет 262 144 токена. Модель предназначена для выявления вероятного участия ИИ в английских текстах и настройки порога срабатывания под конкретный сценарий. В описанных проверках она показала хорошие результаты на тестах из домена обучения и на отдельных генераторах; результаты на RAID уступили editlens-Llama. Модель менее надёжна на текстах с небольшими правками и вне домена обучения. Её вывод не следует считать самостоятельным доказательством при принятии важных решений, например об академической добросовестности или найме. Лицензия CC BY-NC-SA 4.0 допускает только некоммерческое использование.

HRM-Text-0.6B — базовый плотный языковой чекпойнт Xiaoye08, обученный по конвейеру предобучения HRM-Text; это снимок после четвёртой эпохи, опубликованный в формате bf16 Safetensors. В метаданных указано 327,7 млн параметров, тогда как README сообщает 694,7 млн; поэтому размер в описании не приводится. Архитектура использует рекуррентные блоки HRM с плотным SwiGLU FFN. Контекст составляет 4096 токенов. Модель предназначена для продолжения текста и исследовательских экспериментов с генерацией и рассуждениями, а не для диалога или следования инструкциям. Она обучалась на англоязычной смеси данных и использует цель PrefixLM; README описывает условные префиксы для разных режимов генерации. Модель не прошла выравнивание по предпочтениям или настройку инструкций, поэтому ответы могут быть неточными, предвзятыми или небезопасными. Для загрузки может потребоваться `trust_remote_code=True`. Лицензия — Apache-2.0.

HuatuoGPT-3-27B — медицинская диалоговая модель компании FreedomIntelligence, дообученная на Qwen/Qwen3.8-27B методом One-stage Policy Optimization (OnePO). Она предназначена для медицинских рассуждений и ответов на запросы, в том числе с анализом изображений; карточка также указывает поддержку диалогового режима и интерфейса вызова инструментов. Модель содержит 27 млрд параметров, использует плотную мультимодальную архитектуру семейства Qwen3.5 и распространяется в формате safetensors. Для вывода требуется включить режим рассуждений (`enable_thinking=True`); модель формирует рассуждение перед итоговым ответом. Её можно запускать через vLLM или SGLang. Лицензия — Apache-2.0. В карточке не приведены результаты медицинской валидации или сведения о клиническом применении, поэтому ответы модели следует проверять.

HuatuoGPT-3-32B — медицинская большая языковая модель, разработанная командой FreedomIntelligence. Это дообученная с помощью одного этапа обучения с подкреплением (SeedRL) версия Qwen3-32B для медицинских диалогов и рассуждений. Модель содержит 29,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM, работает через Transformers и принимает текстовые запросы, выдавая текстовые ответы. По умолчанию включён режим рассуждений: перед итоговым ответом выводится блок рассуждений. Модель предназначена для медицинских вопросов и диалоговых сценариев, включая формирование ответов с медицинской специализацией. В метаданных указаны английский и китайский языки, контекст составляет 40 960 токенов. Модель основана на Qwen/Qwen3-32B и распространяется под лицензией Apache-2.0. Ответы модели не гарантируют медицинскую точность; README не приводит конкретных результатов оценки или клинической валидации.