I.5Создание и редактирование текста

Haruhi-Zero-7B-0_3 — модель для диалоговой ролевой игры, дообученная авторами проекта ChatHaruhi на базе Qwen-7B. Она предназначена для общения от лица заданного персонажа по его описанию (persona) без отдельной базы персонажей для поиска. Версия 0.3 усиливает данные о самоидентификации персонажа и собеседника; обучение проводилось на китайских и английских диалогах, дополненных данными из художественной литературы. Модель имеет плотную архитектуру Qwen, около 11,4 млрд параметров и контекст до 32 768 токенов. В метаданных основная задача указана как feature-extraction, однако для пользовательского сценария ролевого диалога выбран text-generation; каталог также отмечает feature-extraction как поддерживаемую задачу. Репозиторий содержит веса safetensors. Лицензия — CC BY 4.0. Модель ориентирована на ролевые беседы с заданной персоной. Карточка не приводит результатов количественной оценки качества; данные описаны как китайские и английские, поэтому поддержку других языков считать подтверждённой нельзя.

HSC Wuxia M2M100 418M — дообученная модель последовательного преобразования текста, разработанная в рамках выпускной работы по машинному переводу произведений wuxia. Она основана на facebook/m2m100_418M и предназначена для перевода китайской художественной прозы жанров wuxia и xianxia на английский язык. Модель содержит 332,5 млн параметров, использует архитектуру M2M100 encoder-decoder и принимает контекст до 1024 токенов. Модель дообучена на 100 000 параллельных пар предложений из корпуса HSilvosa/hsc-wuxia-100k. В оценке на тестовом наборе wuxia она показала SacreBLEU 33,09, chrF 53,24 и ROUGE-L 60,07; README сообщает улучшение этих метрик относительно базовой модели. Репозиторий использует формат safetensors и лицензию MIT. Результаты относятся к указанному жанровому тестовому набору, поэтому качество на других жанрах и типах текста ими не подтверждается.

HSC Wuxia mT5 Small — дообученная модель преобразования текста в текст на архитектуре mT5 от Google, разработанная в рамках выпускной работы по машинному переводу произведений wuxia. Модель содержит 157,4 млн параметров и предназначена для перевода с китайского на английский текстов жанров wuxia и xianxia, включая веб-романы. Модель обучена полным дообучением базовой google/mt5-small на наборе из 100 000 параллельных предложений. В оценке на тестовом наборе по предметной области показаны SacreBLEU 16,98, chrF 39,41 и ROUGE-L 46,33. Это специализированная модель для литературного перевода, поэтому её результаты не следует автоматически переносить на другие жанры и языковые направления. Лицензия — Apache-2.0.

Hy-MT2-1.8B-JP-Manga-Finetune-v5 — дообученная модель разработчика fumetodev на базе tencent/Hy-MT2-1.8B. Она предназначена для перевода коротких реплик манги с японского на английский с сохранением естественности диалога, регистра, интонации, пунктуации, специальных имён и звуковых эффектов. Модель ориентирована на обработку строк по одной и может использоваться для локального перевода, в том числе на устройствах Android через приложение FumetoReaderPlus. Модель представляет собой текстовую HunYuanDenseV1ForCausalLM примерно на 1,8 млрд параметров. В репозитории доступны объединённые веса bf16 в формате safetensors и квантованная версия Q4_K_M в формате GGUF для llama.cpp. Поддерживаются японский и английский языки; заявленная задача — только перевод с японского на английский. Для улучшения терминологии модель учитывает блоки с примерами или глоссарием в промпте. По сравнению с предыдущими версиями v5 обучалась на более чистом корпусе манги с улучшенными эталонными переводами и лучше обрабатывает короткие имена и слова, которые ранее могла принять за звуковые эффекты. Ограничения включают склонность завершать обрывочные фразы вместо их буквального перевода, более слабую работу с реальными именами, местами, брендами и технической терминологией, а также необходимость самостоятельно выбирать говорящего, когда японский текст этого не уточняет. Выход обычно примерно на 7% длиннее, что может быть существенно для тесных текстовых пузырей. Для генерации рекомендуются параметры temperature 0.15, top_k 20, top_p 0.6 и repeat_penalty 1.05. Модель распространяется по лицензии Apache-2.0.

Lamina-suite-prétrain — базовая авторегрессионная языковая модель семейства GPT-2, созданная Clemylia и обученная с нуля. По карточке, модель содержит 714 млн параметров; метаданные указывают библиотеку Transformers и контекст длиной 512 токенов. Модель предназначена для дальнейшего дообучения на французском языке: автор описывает её как основу для освоения грамматики, орфографии и построения предложений. Она не рассчитана на диалог, сложные ответы, суммаризацию или классификацию без дополнительного обучения. В карточке перечислены три обучающих набора данных: Clemylia/training-fr-base, Clemylia/lamina-chatbot-dataset и Clem27sey/Nacid. Указанная в метаданных лицензия — other; конкретные условия использования в карточке не уточнены.

dominguesm/legal-bert-base-cased-ptbr — языковая модель BERT для юридических текстов на португальском языке, разработанная автором репозитория на основе BERTimbau base. Модель обучена предсказывать скрытые токены по MASK-цели на корпусе юридических документов Бразилии; архитектура — BertForMaskedLM, размер — 153,2 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для исследований NLP в юридической сфере, вычислительного права и правовых технологий. Её можно использовать для заполнения пропусков в португалоязычных юридических текстах и как основу для прикладных NLP-сценариев в правовой области. Корпус включает судебные решения, ходатайства и другие юридические документы, предоставленные Верховным федеральным судом Бразилии в рамках условий использования LREC 2020. Модель принимает текст и выдаёт варианты заполнения маски; README также показывает загрузку через Transformers. Она ориентирована на бразильский португальский язык, а результаты проекта не выражают позицию Верховного федерального суда Бразилии. Лицензия — CC BY 4.0.

PrimeIntellect/llama-14m-fresh — небольшая модель генерации текста из семейства Llama, размещённая на Hugging Face. В метаданных указаны библиотека Transformers, архитектурный тег llama и размер около 5,7 млн параметров. Модель предназначена для генерации продолжений текста и экспериментов с компактными языковыми моделями. Она может использоваться в прототипах, учебных проектах, тестировании пайплайнов text-generation и сценариях, где важны малый размер модели и ограниченное потребление ресурсов. Максимальная длина контекста составляет 2048 токенов. Карточка модели не содержит сведений о разработчике, обучающих данных, поддерживаемых естественных языках, результатах оценки или лицензии. Поэтому модель следует рассматривать как экспериментальную и не использовать без дополнительной проверки качества, безопасности и юридических условий.

JackFram/llama-68m — небольшая плотная авторегрессионная языковая модель семейства LLaMA, опубликованная JackFram. В репозитории указано 68 млн параметров, а метаданные Hugging Face сообщают 43,5 млн; контекст составляет 2048 токенов. Модель обучалась на Wikipedia и части наборов C4-en и C4-realnewslike, а её основное назначение — базовая малая спекулятивная модель для подхода SpecInfer. Модель генерирует текст на английском языке и может использоваться для экспериментов с генерацией и ускорением вывода через спекулятивное декодирование. В README приведены результаты отдельных тестов, включая BLiMP, PIQA и BoolQ, однако автор предупреждает, что полной оценки не проводилось; некоторые тесты завершились ошибкой из-за несовместимости конвейера. Лицензия — Apache 2.0.

Llama-MedX v3.2 — медицинская модель-ассистент, собранная Ричардом Янгом (DeepNeuro) в формате GGUF для запуска через Ollama и llama.cpp. В основе — дообученная для ответов на медицинские вопросы Meta Llama 3.1 8B; репозиторий содержит вариант latest размером 1,88 ГБ. Модель предназначена для генерации текста в формате диалога, в частности для ответов на вопросы по медицинской тематике. Лицензия указана как other, поэтому условия использования следует уточнить у автора или в исходном репозитории модели.

Mahou-1.5-mistral-nemo-12B — диалоговая языковая модель от flammenai на архитектуре Mistral, дообученная методом ORPO на наборе MahouMix-v1 в течение трёх эпох. Модель содержит 12,1 млрд параметров и рассчитана на короткие сообщения в разговорном контексте, непринуждённое общение и ролевые сценарии. Модель принимает текст и выдаёт текст. Она обучена работать с форматом ChatML; для ролевых ответов README рекомендует оформлять речь без кавычек, а действия — между звёздочками. В метаданных указан контекст размером до 1 024 000 токенов. Модель доступна по лицензии Apache 2.0. Карточка приводит результаты оценок Open LLM Leaderboard, включая IFEval и BBH, но не описывает их методику подробно. Основное назначение — короткий диалог и ролевая игра; качество на других задачах этими сведениями не подтверждено.

Mungert/medgemma-27b-text-it-GGUF — это GGUF-версия текстовой instruction-модели MedGemma, предназначенной для медицинских и клинических сценариев, включая работу с медицинскими запросами и рассуждениями. Модель основана на google/gemma-3-27b-pt; в карточке указаны теги medical, clinical-reasoning и thinking. Разработчик исходной базовой модели — Google, а данный GGUF-релиз подготовлен пользователем Mungert с использованием llama.cpp. Модель содержит 27 миллиардов параметров и работает в формате GGUF, совместимом с экосистемой llama.cpp. Такой формат ориентирован на локальный запуск, в том числе на CPU и устройствах с ограниченным объёмом памяти, благодаря поддержке квантованных вариантов. В README подробно описан подход IQ-DynamicGate для ультранизкобитного квантования, однако приведённые бенчмарки относятся к Llama-3-8B и не подтверждают аналогичные показатели именно для этой модели. Языки, точное окно контекста, мультимодальные возможности и конкретные доступные варианты квантования для данного файла не указаны. Сильными сторонами являются специализированная медицинская направленность, большой размер базовой модели и возможность эффективного локального развертывания в GGUF. Ограничения включают возможное снижение точности при низкобитном квантовании и отсутствие в карточке результатов оценки именно этой модели; её ответы не следует рассматривать как замену профессиональной медицинской консультации. Использование регулируется условиями Health AI Developer Foundations; для доступа на Hugging Face требуется ознакомиться с ними и подтвердить согласие.

MiniMax Video Prompt Enhancer 2.6B — GGUF — это компактная модель генерации текста, разработанная geocine и дообученная на базе LiquidAI LFM2.5-2.6B. Она предназначена для преобразования черновых идей в структурированные промпты для видеогенератора MiniMax H3, включая описание кадров, камеры, звукового окружения и музыки. Модель имеет около 2,6 млрд параметров и поставляется в формате GGUF для запуска через llama.cpp, в том числе на CPU. Доступны варианты квантования Q4_K_M, Q8_0 и F16; рекомендуемый Q4_K_M занимает около 1,7 ГБ. Модель работает с англоязычным текстом, ожидает запросы в формате ChatML и поддерживает сценарии T2VA, I2VA, FL2VA, L2VA, редактирования и продолжения видео, а также работу с текстовыми описаниями изображений, видео и аудио. Размер контекста в README не указан. Сильными сторонами являются высокая точность соблюдения требуемого формата: заявлен показатель прохождения проверок 100% при greedy-декодировании и 98,4% при sampling. Это специализированный prompt rewriter, а не универсальная диалоговая модель, поэтому для стабильной работы ей необходимы точный системный промпт и заданная структура пользовательского сообщения. Лицензия указана как lfm1.0; тип лицензии обозначен как other.

Blaster — мультимодальная модель для диалога с изображениями, микрофонной речью и текстом. Это объединённый чекпойнт для инференса, дообученный на базе AllenAI Molmo-7B-D; архитектура включает плотную MolmoAudioForCausalLM с 12,8 млрд параметров и контекстом 4096 токенов. Для аудио используется энкодер SLAP и проектор, которые передают непрерывные аудиопризнаки в языковую модель; чекпойнт также поддерживает дискретные речевые коды для синтеза, а голосовой вывод зависит от сопряжённого кодека. Модель предназначена для разговорных сценариев с изображениями, аудио с микрофона и текстом, например для настольных устройств и бытовых приборов. Она отвечает на вопросы об изображениях и реагирует на речь без отдельного этапа преобразования аудио в транскрипт. Это не специализированная система распознавания речи и не самостоятельный веб-агент. В карточке отмечены ошибки классификации на сложных речевых запросах и нестабильность следования инструкциям; базовые ограничения Molmo сохраняются. Лицензия — CC-BY-NC-SA-4.0, допускающая использование на условиях атрибуции, распространения производных на тех же условиях и некоммерческого применения.

Navya-1C-SFT — языковая модель семейства Navya от navyam.ai, разработанная с нуля и дообученная методом SFT для вопросов о личных финансах в Индии. Это плотная авторегрессионная модель архитектуры LlamaForCausalLM на 1,31 млрд параметров; базовое обучение проводилось примерно на 103 млрд токенов, после чего модель дообучили на индийском финансовом корпусе. Для текста используется собственный токенизатор на 64 тыс. токенов, контекст составляет 4096 токенов. Модель предназначена для ответов на вопросы о личных финансах в индийском контексте. В карточке указаны английский и хинди; README также упоминает Hinglish и другие индийские языки, но не перечисляет их. Модель доступна через Transformers в формате Safetensors и распространяется по лицензии Apache-2.0. Разработчики обозначают её как исследовательскую и предупреждают, что ответы не являются инвестиционной рекомендацией.

Paranoid Android 7B — языковая модель для генерации текста, созданная с помощью mergekit объединением моделей CultriX/NeuralTrix-7B-dpo и tavtav/eros-7b-test методом SLERP. Модель основана на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров; заявленная длина контекста — 32 768 токенов. Модель предназначена прежде всего для генерации текста. Автор README описывает её как промежуточный материал для слияния в другой проект и не рекомендует использовать самостоятельно, поэтому пригодность для прикладных сценариев не подтверждена. В репозитории указаны веса Safetensors и библиотека Transformers; лицензия и языки модели в предоставленных данных не установлены.

Banaxi-Tech/pico-70 — промежуточный чекпойнт BananaMind 2 Pico, разработанный Banaxi-Tech. Это компактная причинная языковая модель для генерации текста: в README указано 900 002 параметра, 6 слоёв и размер скрытого состояния 96; метаданные каталога оценивают размер в 841 тыс. параметров. Модель не проходила инструкционное дообучение, поэтому предназначена прежде всего для продолжения текста и экспериментов с базовой генерацией, а не для диалогов по инструкциям. Чекпойнт отражает 70% обучения: обработано около 140 млрд токенов из целевых 200 млрд. В метаданных указан контекст 4096 токенов и поддержка английского языка; обучение использует FineWeb-HQ и Cosmopedia v2 согласно README, а карточка также указывает FineWeb-HQ и smollm-corpus. Для загрузки применяется Transformers с trust_remote_code, то есть требуется доверенный пользовательский код репозитория. Данные о лицензии в предоставленных источниках отсутствуют.

Mercity выпустила базовую языковую модель примерно на 1 млрд параметров — плотный декодер Llama 3-типа для генерации текста. Модель обучена с нуля на 6 млрд токенов англоязычного набора FineWeb; использует архитектуру LlamaForCausalLM, 32 слоя и контекст до 8192 токенов. Чекпойнт опубликован в формате safetensors и работает со стандартной библиотекой Transformers без пользовательского кода. Модель предназначена для продолжения текста и изучения влияния нормализации QK на обучение: в этом запуске QK-нормализация отключена, а градиентная норма оставалась высокой и нестабильной. Это базовая модель без дообучения на инструкциях и без настройки безопасности, поэтому она не рассчитана на надёжное выполнение запросов в формате ассистента. Обучение только на английских веб-текстах ограничивает её языковое покрытие; модель может повторяться и выдумывать факты, а опубликованные оценки получены на одном запуске. Лицензия в предоставленных данных не указана.

Matthew Chung разработал эту языковую модель на основе Qwen2.5-3B-Instruct, дообучив её методом GRPO для рассуждений на медицинские темы. Это плотная трансформерная модель Qwen2 с 3,1 млрд параметров для генерации текста; она поддерживает контекст до 32 768 токенов и рассчитана прежде всего на английский язык. Модель предназначена для образовательных сценариев: например, для разбора учебных медицинских вопросов и формирования пошаговых объяснений. Она обучалась на наборе FreedomIntelligence/medical-o1-reasoning-SFT с функциями вознаграждения за семантическую корректность и перплексию. Модель может выдавать ошибочную или вводящую в заблуждение медицинскую информацию, а её ответы ограничены охватом и возможными смещениями обучающих данных. Лицензия — Apache 2.0. Модель не предназначена для постановки диагноза, рекомендаций по лечению или самостоятельного принятия важных медицинских решений; ответы следует проверять с медицинскими специалистами.

RaR-Medicine static R0 matched dense checkpoint — экспериментальный чекпойнт на базе Qwen3-4B-Instruct-2507, созданный командой HYU-NLP-EVAL. Модель предназначена для генерации текста в медицинском контексте; карточка называет её шагом 3 запуска и указывает, что в корне репозитория находится BF16-модель для инференса, а в original_checkpoint/ — исходные файлы чекпойнта veRL с параметрами модели. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и поддерживает контекст до 262 144 токенов. Она работает через Transformers и предоставляет диалоговый интерфейс. Лицензия — Apache-2.0. Карточка помечает применение как исследовательское.

Это исследовательский чекпойнт RaR-Medicine, созданный на основе Qwen3-4B-Instruct-2507. В репозитории размещены веса BF16 для инференса и исходные файлы чекпойнта veRL с состоянием оптимизатора и данных; архитектура — плотная Qwen3ForCausalLM с 3,7 млрд параметров и контекстом до 262 144 токенов. Модель предназначена для генерации текста в диалоговом формате и, судя по названию эксперимента, связана с медицинской тематикой. README обозначает её как шаг 19 статического чекпойнта; описание не сообщает конкретные медицинские сценарии или результаты оценки качества. Лицензия Apache 2.0.

Qwen3.8-27B-DSpark — вспомогательная черновая модель от автора yukimakoto для ускорения генерации целевой модели Qwen/Qwen3.8-27B-FP8 методом speculative decoding. Она не является самостоятельной языковой моделью: при обслуживании через сервер с поддержкой DSpark предлагает до 7 токенов за раунд, а целевая модель проверяет предложения и формирует окончательный результат. Модель рассчитана на задачи с умеренным уровнем рассуждений и агентные сценарии. Черновая модель содержит около 1,86 млрд параметров, использует BF16 и архитектуру DSparkDraftModel на базе Qwen3: пять слоёв внимания с окном 2048, GQA и максимальной длиной позиций 262 144. В метаданных указано 2,9 млрд параметров для репозитория. Обучение следовало рецепту DSpark и использовало около 1,04 млрд выходных токенов. В оценках на ряде чатов и других нагрузок модель показала более высокую длину принимаемых предложений, чем сравниваемый DSpark v2, хотя результат зависит от задачи и уровня рассуждений. Для работы нужны целевая Qwen/Qwen3.8-27B-FP8 и сервер SGLang со встроенной поддержкой Qwen3.8 DSpark. Карточка не указывает лицензию, поэтому условия использования по доступным данным определить нельзя.

Sudhanshu1985/slm-125m-rlaif — компактная языковая модель, дообученная с помощью RLAIF (обучения с подкреплением на основе обратной связи от ИИ). В README описан процесс выравнивания: скалярная reward-модель оценивала ответы по предпочтениям, сформированным с помощью gpt-4.1-mini, а политика оптимизировалась методом RLOO с KL-регуляризацией относительно исходной SFT-модели. В метаданных указаны архитектура Llama, 125,8 млн параметров, контекст 1024 токена и библиотека Transformers. Модель предназначена для генерации текста в диалоговом формате и может использоваться для изучения или применения компактной модели, дообученной на предпочтениях ИИ. README сообщает об улучшении среднего вознаграждения с -0,158 до 0,155. Модель унаследовала чат-шаблон SYSUSERANSWER от SFT-модели. Модель дообучена на thesreedath/slm-125m-base; README также упоминает промежуточную SFT-модель slm-125m-sft, однако метаданные указывают базой именно slm-125m-base. Лицензия — Apache-2.0. Английский язык указан в тегах карточки. Короткий контекст и небольшой размер ограничивают пригодность модели для длинных диалогов и сложных задач; оценки reward в README не заменяют независимую проверку качества.

SongComposer_sft — дообученная модель Mar2Ding для генерации песен по инструкциям. Она основана на InternLM2 и предназначена для совместной работы с текстом и символическим представлением мелодии: умеет создавать мелодию по тексту песни, писать текст по мелодии, продолжать песню и генерировать песню по текстовому запросу. Модель содержит 7,4 млрд параметров, использует архитектуру InternLM2ForCausalLM и поддерживает контекст до 32 768 токенов. В метаданных указаны английский и китайский языки. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Карточка не уточняет формат представления мелодии и качество на отдельных языках.

spark-13m-instruct — англоязычная инструкционно настроенная языковая модель, разработанная с использованием кодовой базы Nexus. Это дообученная на 200 тысячах диалогов SmolTalk модель spark-13m-base, предварительно обученная на FineWeb-Edu-dedup и Cosmopedia-v2. Она предназначена для генерации текста и диалоговых ответов, а обучение на инструкциях помогает оформлять ответы по запросу пользователя. Модель содержит 13,2 млн параметров и использует архитектуру NexusForCausalLM: декодер в стиле Llama с 6 слоями, скрытым размером 384, RoPE и контекстом до 1024 токенов. Она принимает текст и генерирует текст; веса доступны в формате safetensors. Лицензия — Apache-2.0. Малый размер делает модель подходящей для прототипирования и экспериментов с лёгкими декодерами. При этом на тестах знаний и рассуждений её результаты близки к случайному угадыванию и заметно уступают SmolLM-135M-Instruct; дообучение улучшает формат ответов, но не добавляет существенных знаний. README также описывает возможность подключить визуальный проектор через inputs_embeds, однако сама модель не является готовой VLM.

Spark-2 — компактная языковая модель SurjoLabs с 9,1 млн параметров для генерации текста и диалогового взаимодействия. Она использует плотную авторскую архитектуру Spark2A на основе Llama: групповое внимание GQA с шестью Q- и двумя KV-головами, проекцию XSA и повторное использование весов в шести рекуррентных слоях. Контекст составляет 2048 токенов; модель работает с текстом и рассчитана на английский язык. Модель обучена на смеси веб-текстов, синтетических учебных данных, математических текстов и кода Python. В README приведены результаты оценки на задачах рассуждения и здравого смысла, однако генерация и связность текста ограничены малым размером модели. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Разработчик характеризует модель как экспериментальную и ориентированную на исследования и бенчмарки.

SPP-MT-Instruct (3B) — исследовательская чат-модель семейства Llama, разработанная командой model-raising и обученная с нуля. Она использует плотную архитектуру LlamaForCausalLM, токенизатор SmolLM2 с дополнительным маркером и контекст до 2048 токенов. Модель прошла предварительное обучение на подмножестве смеси Olmo 3 Dolma 3, этап Synthetic Persona Pretraining с рефлексиями, ориентированными на ценности, и инструкционное дообучение с привязкой к персоне. Модель предназначена для исследований конституционального выравнивания, обобщения ценностей и устойчивости к jailbreak-запросам. В диалоговых ответах она следует заданной конституции и может приводить встроенные ссылки-цитаты. Основной язык карточки — английский; модель обучалась на англоязычных инструкциях и материалах безопасности. Для работы используется библиотека Transformers и формат safetensors. Карточка характеризует модель как исследовательский артефакт, а не производственное решение; возможны неверные или небезопасные ответы. Лицензия обозначена как other, а в README указано, что её условия ещё предстоит окончательно определить.

Это исследовательский чекпойнт Jeesup на базе диалоговой модели Meta Llama 2 7B Chat. Он сжат методом SVD-LLM: удалено около 50% параметров, после чего выполнены 4 из 10 раундов итеративной замены параметров по правилу gap_iter. Модель представляет собой плотную авторегрессионную архитектуру LlamaForCausalLM с 6,6 млрд параметров, принимает текст и генерирует текст; контекст — до 4096 токенов. Основной сценарий — исследование того, как сжатие влияет на безопасность и полезность ответов, и оценка восстановления поведения модели. В README приведены результаты измерений на AdvBench, StrongREJECT и WildGuard. Чекпойнт намеренно рассматривается как экспериментальный объект, а не как универсальный чат-ассистент: сжатие может повышать успешность атак и менять склонность к отказам, поэтому перед использованием результаты нужно проверять самостоятельно. Лицензия — Llama 2 Community License.

Это исследовательский чекпойнт Jeesup на основе Llama-3.1-8B-Instruct, предназначенный для изучения влияния сжатия SVD-LLM на безопасность и полезность языковых моделей. Веса сжаты до 50,1% от исходного числа параметров, а затем в пределах бюджета 0,1% восстановлены компоненты, выбранные по правилу disc. Модель содержит 7,5 млрд параметров, использует архитектуру Llama и формат safetensors; нативная длина контекста — 131 072 токена. Она принимает текст и генерирует текст в диалоговом формате. Модель предназначена для исследовательских измерений компромиссов между сжатием, безопасностью и полезностью, в том числе для анализа показателей атакующих запросов и избыточных отказов. Карточка приводит результаты на AdvBench, StrongREJECT и WildGuard и предупреждает, что сжатие может ухудшать защиту от вредоносных запросов. Это экспериментальный объект для оценки, а не универсальный чат-ассистент. Лицензия — Llama 3.1.

TeenyTinyLlama-460m-Chat — чат-версия компактной языковой модели TeenyTinyLlama, разработанной для бразильского португальского. Это плотная авторегрессионная модель семейства Llama с 435,4 млн параметров, дообученная на Instruct-Aira Dataset версии 2.0. Она принимает текстовые запросы и генерирует текст; родной контекст составляет 2048 токенов. Модель предназначена прежде всего для экспериментов с языковыми моделями для языков с ограниченными ресурсами, а также для дальнейшего дообучения и адаптации. Она может отвечать на инструкции и вопросы на бразильском португальском, но не предназначена для развёртывания или взаимодействия с пользователями и не подходит для перевода либо генерации на других языках. В README отмечены риски галлюцинаций, токсичных и предвзятых ответов, ненадёжной генерации кода и повторов. Качество не гарантирует надёжность для прикладных сценариев; перед адаптацией следует оценить риски и смещения. Модель распространяется по лицензии Apache-2.0.

Tiny Knight-1.1b-v0.1 — компактная разговорная языковая модель на архитектуре Llama, созданная для генерации текстов о рыцарях, Средневековье и фэнтезийных мирах. Разработчик дообучил её на основе TinyLlama-1.1B-Chat-v1.0; модель содержит около 1 млрд параметров и рассчитана на работу в условиях ограниченных вычислительных ресурсов. Модель подходит для создания тематических рассказов, учебных материалов и текстов для исследования средневековых сюжетов. Подробный контекст в запросе помогает получать более подходящие и атмосферные ответы. Родной размер контекста — 2048 токенов; в репозитории представлены веса Safetensors. Основной язык карточки — английский. Модель специализирована на рыцарской и средневековой тематике и может хуже справляться с общими задачами, особенно требующими подробных знаний за пределами этой области. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.