I.5Создание и редактирование текста

Карточка модели shyamjilic/Tiny-LLM на Hugging Face совпадает с карточкой arnir0/Tiny-LLM, поэтому описание составлено по ней. Tiny-LLM — компактная авторегрессионная языковая модель семейства Llama, опубликованная пользователем arnir0 на Hugging Face. По метаданным она содержит 6,8 млн параметров и предназначена для генерации текста; в README размер округлён до 10 млн параметров. Модель предварительно обучена на 32 млрд токенов датасета FineWeb с контекстом 1024 токена. Её можно загружать через библиотеку Transformers. Это небольшая модель для экспериментов и простых сценариев генерации текста; README не приводит результатов оценки качества или подробных рекомендаций по применению. Лицензия — MIT.

kayrab/turkish-gpt2-medium-gpt4o-qa — турецкая языковая модель на архитектуре GPT-2, разработанная на основе ytu-ce-cosmos/turkish-gpt2-medium. Она дообучена методом LoRA на примерах вопросов на турецком языке и ответов, сгенерированных GPT-4o, чтобы отвечать на вопросы в заданном формате. Модель принимает текстовый запрос с маркерами начала и конца вопроса и генерирует текстовый ответ; максимальная длина последовательности при обучении и длина контекста по метаданным — 1024 токена. Модель подходит для прототипов турецких систем вопросов и ответов и генерации ответов в стиле обучающих примеров. Качество зависит от соответствия запроса формату и стилю обучающих данных; ответы могут содержать унаследованные смещения и фактические ошибки, поэтому их следует проверять, особенно в критичных сценариях. Лицензия — MIT.

Vertex 0.6 15M Instruct — компактная диалоговая языковая модель семейства Vertex 0.6, разработанная VertexResearch. Это дообученная на инструкции модель с плотной архитектурой Qwen3: около 15 млн параметров, 10 слоёв, групповое внимание GQA и словарь из 20 000 токенов. Она принимает текст и генерирует ответы в формате чата; контекст составляет 2048 токенов. Модель предназначена для коротких многоходовых бесед и может удерживать детали, сообщённые ранее в диалоге, в том числе более чем за 1000 токенов до ответа. Она обучена преимущественно на английском тексте: базовая модель предварительно обучалась на 12 млрд токенов наборов Ultra-FineWeb и Ultra-FineWeb-L3, после чего прошла настройку для диалога. Для генерации рекомендуется сэмплирование: при жадном декодировании возможны зацикливания. Модель не подходит для надёжного получения фактов, сложных рассуждений, математики или программирования: её ответы следует рассматривать как разговорные, а не как достоверную информацию. Лицензия — Apache-2.0.

BEE-spoke-data/verysmol_llama-v11-KIx2 — компактная авторегрессионная языковая модель семейства Llama, разработанная BEE-spoke-data. Это дообученная версия v10 (refinedweb-3m dedup), дополнительно обученная два эпоха на наборе KI. Модель содержит 41,6 млн параметров, использует архитектуру LlamaForCausalLM и принимает текст для генерации текста; длина контекста составляет 1024 токена. Модель предназначена для экспериментов с генерацией текста и оценки небольшого языкового чекпойнта на задачах понимания и рассуждения. В карточке приведены результаты на ARC, BoolQ, HellaSwag и TruthfulQA; например, точность на BoolQ составляет 0,6199, а на ARC Challenge — 0,1971. Модель распространяется по лицензии Apache-2.0. Небольшой размер и контекст ограничивают её способность работать со сложными запросами и длинными текстами; приведённые оценки показывают заметно ограниченные результаты на некоторых тестах, поэтому качество следует проверять для конкретного применения.

Карточка модели mdagosta/waldito-python-basics-v1-r0002-u0-mdagosta-b на Hugging Face совпадает с карточкой mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b, поэтому описание составлено по ней. mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b — небольшая языковая модель, опубликованная как экспорт OpenWALDO. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста в диалоговом формате; размер составляет 819,6 тыс. параметров, контекст — 512 токенов. Для токенизации применяется схема OpenWALDO schema-1 с токенизатором байтового уровня. Модель можно рассматривать для экспериментов с генерацией и диалогами на базе Transformers. Карточка указывает формат safetensors. Для загрузки токенизатора требуется включить trust_remote_code=True. Лицензия и поддерживаемые естественные языки в предоставленных данных не обозначены.

Карточка модели mdagosta/waldito-python-basics-v1-r0003-u2-mdagosta-b на Hugging Face совпадает с карточкой mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b, поэтому описание составлено по ней. mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b — небольшая языковая модель, опубликованная как экспорт OpenWALDO. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста в диалоговом формате; размер составляет 819,6 тыс. параметров, контекст — 512 токенов. Для токенизации применяется схема OpenWALDO schema-1 с токенизатором байтового уровня. Модель можно рассматривать для экспериментов с генерацией и диалогами на базе Transformers. Карточка указывает формат safetensors. Для загрузки токенизатора требуется включить trust_remote_code=True. Лицензия и поддерживаемые естественные языки в предоставленных данных не обозначены.

Карточка модели mdagosta/waldito-python-basics-v1-r0009-u2-mdagosta-b на Hugging Face совпадает с карточкой mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b, поэтому описание составлено по ней. mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b — небольшая языковая модель, опубликованная как экспорт OpenWALDO. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста в диалоговом формате; размер составляет 819,6 тыс. параметров, контекст — 512 токенов. Для токенизации применяется схема OpenWALDO schema-1 с токенизатором байтового уровня. Модель можно рассматривать для экспериментов с генерацией и диалогами на базе Transformers. Карточка указывает формат safetensors. Для загрузки токенизатора требуется включить trust_remote_code=True. Лицензия и поддерживаемые естественные языки в предоставленных данных не обозначены.

Карточка модели mdagosta/waldito-smoke-v1-r0000-all-mdagosta на Hugging Face совпадает с карточкой mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b, поэтому описание составлено по ней. mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b — небольшая языковая модель, опубликованная как экспорт OpenWALDO. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста в диалоговом формате; размер составляет 819,6 тыс. параметров, контекст — 512 токенов. Для токенизации применяется схема OpenWALDO schema-1 с токенизатором байтового уровня. Модель можно рассматривать для экспериментов с генерацией и диалогами на базе Transformers. Карточка указывает формат safetensors. Для загрузки токенизатора требуется включить trust_remote_code=True. Лицензия и поддерживаемые естественные языки в предоставленных данных не обозначены.

Карточка модели mdagosta/waldito-smoke-v1-r0002-u1-mdagosta-b на Hugging Face совпадает с карточкой mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b, поэтому описание составлено по ней. mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b — небольшая языковая модель, опубликованная как экспорт OpenWALDO. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста в диалоговом формате; размер составляет 819,6 тыс. параметров, контекст — 512 токенов. Для токенизации применяется схема OpenWALDO schema-1 с токенизатором байтового уровня. Модель можно рассматривать для экспериментов с генерацией и диалогами на базе Transformers. Карточка указывает формат safetensors. Для загрузки токенизатора требуется включить trust_remote_code=True. Лицензия и поддерживаемые естественные языки в предоставленных данных не обозначены.

YuE-s2-1B-general — модель серии YuE, разработанной HKUST/M-A-P для генерации музыки по текстовым описаниям и текстам песен. Репозиторий README представляет серию как набор открытых базовых моделей для преобразования текста песни в полноценную композицию с вокалом и аккомпанементом; эта версия имеет архитектуру LlamaForCausalLM с 1,8 млрд параметров и контекстом 8192 токена. Модель предназначена для создания песен длительностью в несколько минут, а серия YuE поддерживает разные жанры, языки и вокальные техники. В README также описаны режимы продолжения музыки и генерации с опорой на референсную композицию; применимость этих режимов именно к варианту s2-1B-general отдельно не уточняется. Метаданные указывают текстовую генерацию, поэтому их недостаточно, чтобы подтвердить вход и выход аудио для этого конкретного репозитория. Модель распространяется по лицензии Apache 2.0. README рекомендует указывать авторство YuE by HKUST/M-A-P при использовании результатов; заявленные языки карточки — английский, китайский, корейский и японский.

BananaMind-1.5-Base — небольшая англоязычная авторегрессионная языковая модель, разработанная BananaMind и обученная с нуля. Она предназначена для генерации продолжений текста и базовых экспериментов с языковыми моделями; версия не настроена на выполнение инструкций. Модель содержит около 75 млн параметров и использует декодерную архитектуру в стиле Llama: 12 слоёв Transformer, скрытый размер 640 и grouped-query attention. Контекст составляет 4096 токенов; токенизатор — byte-level BPE на 32 тысячи токенов. Обучение проводилось примерно на 27 млрд токенов англоязычного веб-текста FineWeb-Edu. Модель принимает текст и генерирует текст. Малый размер позволяет использовать её для компактных экспериментов и тестирования генерации текста. Это базовая, а не instruction-tuned модель, поэтому она может хуже следовать запросам в формате инструкций и выдавать несвязные или фактически неверные продолжения. Лицензия — Apache-2.0.

CKIP BERT Tiny Chinese — CKIP лаборатории разработала эту компактную модель BERT для обработки традиционного китайского языка. Это трансформер с архитектурой BertForMaskedLM, содержащий 12,8 млн параметров и принимающий последовательности длиной до 512 токенов. Модель предназначена для заполнения пропусков в тексте: она предсказывает подходящий токен вместо маски. В экосистеме CKIP также представлены инструменты сегментации слов, разметки частей речи и распознавания именованных сущностей, однако README не подтверждает, что эта конкретная модель выполняет эти задачи. Модель распространяется в формате PyTorch и использует лицензию GPL-3.0. Для токенизации автор рекомендует BertTokenizerFast. Компактный размер подходит для сценариев, где важны небольшие требования к ресурсам; предназначение для традиционного китайского языка ограничивает её применение на других языках.

jkminder/d20_477m_seed8 — исследовательский базовый языковой GPT-чекпойнт из серии Scaling Ladder, созданной для изучения различий между случайными инициализациями при предварительном обучении языковых моделей. Это плотная авторегрессионная модель семейства NanochatGPT с 20 слоями и скрытым размером 1280; метаданные указывают 566,2 млн параметров, а README для размера d20 сообщает 477 млн общих параметров и 435 млн параметров, учитываемых в масштабировании. Репозиторий содержит отдельные ревизии чекпойнтов на разных этапах обучения. Модель обучена предсказывать следующий токен на английских данных, включая набор nvidia/ClimbMix. Это базовая модель без дообучения для следования инструкциям и без обучения безопасности; её контекст составляет 2048 токенов. Она подходит для экспериментов с предварительным обучением, анализа влияния начального seed и оценки языкового моделирования. Для загрузки README использует Transformers и trust_remote_code. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

DeepSeek-R1-Distill-Qwen-7B-abliterated-obliteratus — диалоговая языковая модель Ричарда Янга, созданная методом OBLITERATUS на основе DeepSeek-R1-Distill-Qwen-7B. Это плотная модель семейства Qwen2 с 7,1 млрд параметров, предназначенная для генерации текста и диалогов. Она принимает текст и генерирует текст; заявленная длина контекста — 131 072 токена. В карточке указан английский язык. Модель модифицирована методом abliteration: авторы описывают его как удаление направления отказа из активаций модели. Приведённые результаты оценки — 50 отказов из 100, ASR 50% и KL-дивергенция 1,191. Это экспериментальная версия для изучения методов abliteration; удаление защитных механизмов может приводить к небезопасным ответам. Лицензия — MIT.

qazws345/DialogGPT_Psycho8k — дообученная модель qazws345 на основе microsoft/DialoGPT-small для генерации текста в диалогах. Карточка не раскрывает датасет и дополнительные сведения о модели; метаданные указывают архитектуру GPT-2, библиотеку Transformers, поддержку чата и контекст длиной 1024 токена. Модель может служить основой для экспериментальных многоходовых текстовых диалогов. Репозиторий содержит веса в формате Safetensors. Лицензия — MIT. README не приводит оценок качества, поэтому пригодность ответов для конкретных сценариев по карточке определить нельзя.

Doctor-R1-GGUF — это GGUF-квантизированная версия модели Doctor-R1, базовая модель которой разработана unicornftk, а квантизацию выполнил mradermacher. Модель распространяется для диалоговой генерации текста в медицинском домене и ориентирована на задачи, связанные с диагностикой, медицинскими вопросами и агентными сценариями. Модель обучалась с использованием наборов данных HealthBench, MAQuE, MedQA и MMLU; заявленный язык — английский. В карточке указано применение reinforcement learning, однако сведения о конкретной архитектуре, числе параметров, размере контекста и поддерживаемых модальностях отсутствуют. Репозиторий содержит варианты GGUF с разным уровнем квантизации: от Q2_K до Q8_0, а также версию f16; это позволяет выбирать компромисс между размером файлов, скоростью и качеством, причём Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, а Q8_0 — как вариант высокого качества. Модель подходит для локального запуска в совместимых с GGUF инструментах и экспериментов с медицинскими диалогами, но точность и надёжность ответов зависят от выбранной квантизации. Её ответы не следует рассматривать как замену профессиональной медицинской диагностике или консультации. Лицензия модели — MIT.

dolphin-mistral-TRACHI-7b — дообученная модель на основе dolphin-2.2.1-mistral-7b, опубликованная pdjohn. Она предназначена для диалогов с персонажами TRACHI и используется, в частности, в Discord-ботах, работающих через локальный Ollama-сервер. Персонажа задают в системном сообщении, после чего модель отвечает на пользовательский запрос. Модель построена на плотной архитектуре MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она работает с текстом, ориентирована на английский язык и распространяется в формате safetensors. Лицензия — Apache-2.0. Автор описывает настройку как нецензурированную; качество ответов и поведение могут зависеть от заданного персонажа и формулировки запроса.

Lanni-ni/dynamic_alibi_2_4_256_babylm_10m_seed43_epoch7 — небольшая модель генерации текста, опубликованная пользователем Lanni-ni на Hugging Face и предназначенная для работы через библиотеку Transformers. По идентификатору модели можно предположить связь с подходом dynamic ALiBi и семейством BabyLM, однако README не содержит подтверждённого описания архитектуры, обучающих данных или разработчиков. Модель имеет около 15 млн параметров и подходит для экспериментов с генерацией и продолжением текста, тестирования компактных языковых моделей и исследовательских прототипов, где важны небольшой размер и низкие требования к ресурсам. Поддерживаемые языки, размер контекста, точная архитектура, лицензия и результаты оценки в доступных данных не определены. README почти полностью состоит из автоматически сгенерированного шаблона и не предоставляет инструкций по применению, сведений о качестве, ограничениях или безопасности. Поэтому модель следует использовать преимущественно в исследовательских и экспериментальных сценариях, а результаты проверять перед применением в пользовательских или критически важных системах.

Небольшая модель генерации текста из семейства Transformers с 14,7 млн параметров. По идентификатору модели она связана с конфигурацией dynamic_alibi и экспериментом BabyLM 10M; в метаданных указана библиотека transformers и формат safetensors. Разработчик, поддерживаемые естественные языки, размер контекста и точная архитектура в доступных материалах не описаны. Модель предназначена для продолжения и генерации текста, а также для исследовательских экспериментов с компактными языковыми моделями. Небольшой размер может упростить локальный запуск и обучение, однако отсутствие результатов оценки не позволяет судить о качестве, фактической языковой поддержке и пригодности для прикладных сценариев. Лицензия в README и метаданных не указана.

Карточка модели MOYER/FengZheng-7B-Base на Hugging Face совпадает с карточкой MOYER/FengZheng-7B-Chat, поэтому описание составлено по ней. FengZheng-7B-Chat — китайская диалоговая языковая модель команды HIT-SCIR-TG для популяризации знаний об аэрокосмической отрасли. Она создана на базе Qwen1.5-7B: модель прошла дополнительное обучение на аэрокосмических текстах и дообучение на диалогах с инструкциями по этой тематике. Модель предназначена для ответов на вопросы об аэрокосмической тематике и объяснения таких знаний в формате беседы. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, контекстом до 32 768 токенов и поддержкой китайского языка; репозиторий содержит веса Safetensors. Для запуска README указывает Transformers версии 4.37.0 или новее. Лицензия — Apache-2.0. Ответы могут содержать фактические ошибки, предвзятые или вредоносные высказывания, поэтому их следует проверять перед использованием. Опубликованная ручная оценка основана на 100 записях и не гарантирует качество ответов в других сценариях.

Экспериментальный чекпойнт GatedDeltaNet с примерно 385 млн параметров (в README размер обозначен как 340M), выпущенный StartluxLabs для исследования массивных активаций в языковых моделях с гибридным линейным вниманием. Модель обучалась с нуля на открытых данных в контролируемом предобучении объёмом 10 млрд токенов; она не настроена на инструкции и предназначена для продолжения текста и анализа поведения архитектуры, включая PAS/ISP, размещение слоёв внимания и выходное гейтирование. Модель использует архитектуру GatedDeltaNetForCausalLM и принимает текст, выдавая текст. Нативный контекст — 4096 токенов. Карточка указывает Apache-2.0. Для воспроизводимого анализа авторы рекомендуют закреплённую среду и инструменты из репозитория проекта; опубликованные эксперименты описывают совместимость с FLA v0.5.2 и CUDA 12.6.

Gemstone-2560x8 — языковая модель из набора Gemstone Suite, разработанного авторами проекта Gemstone. Это плотная авторегрессионная модель семейства Gemma с примерно 915,2 млн параметров, обученная с помощью litgpt и AxoNN на графических ускорителях AMD MI250X. Для запуска используется библиотека Transformers и файл modeling_gemma.py. Модель обучалась на подмножествах набора Dolma, без перекрытия между обучающей и проверочной выборками, в течение 350 млрд токенов; контрольные точки публиковались каждые 2 млрд токенов. Это базовая модель продолжения текста, а не модель для выполнения инструкций: она предназначена для генерации текста по заданному контексту и исследовательских экспериментов с вариантами ширины и глубины Gemstone. В метаданных указаны английский язык и контекст длиной 2048 токенов. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Поскольку она не дообучена для следования инструкциям, ответы на вопросы и выполнение команд могут быть ненадёжными; контекст ограничен 2048 токенами.

Gemstone-256x23 — языковая модель из набора Gemstone Suite, разработанного авторами проекта Gemstone. Это плотная авторегрессионная модель Gemma, обученная с помощью litgpt и AxoNN на ускорителях AMD MI250X. Модель содержит 35,5 млн параметров, использует контекст до 2048 токенов и распространяется в формате safetensors для библиотеки Transformers. Модель обучалась предсказывать следующий токен на данных Dolma, взятых из непересекающихся обучающей и проверочной выборок; в README указано обучение на 350 млрд токенов с публикацией промежуточных чекпойнтов каждые 2 млрд токенов. Это не instruction-модель: она предназначена для продолжения текста и базовых экспериментов с генерацией, а не для надёжного следования инструкциям или диалога. Основной язык в карточке — английский. Лицензия — Apache-2.0.

jtatman/gpt2-open-instruct-v1-Anthropic-hh-rlhf — дообученная модель GPT-2, созданная на основе vicgalle/gpt2-open-instruct-v1 на подмножестве из 15 тысяч примеров датасета Anthropic HH-RLHF. Она использует архитектуру GPT2LMHeadModel и предназначена для генерации ответов в диалогах по подсказкам Human: и Assistant:. Модель рассчитана на английский язык, работает с текстом и имеет контекстное окно 1024 токена. Автор сообщает, что модель подходит для изучения инструкционного обучения и диалоговых подсказок, а на оценочной выборке получила loss 2,1534. Короткие ответы, по описанию автора, обычно удачнее; длинная генерация может быть своеобразной. README также предупреждает о потенциально резких, нецензурных и временами жестоких ответах, поэтому результаты требуют проверки. Модель распространяется по лицензии MIT.

Это квантизированная GGUF-версия модели Hacker-News-Comments-Summarization-Llama-3.1-8B-Instruct, разработанной на базе georgeck/Hacker-News-Comments-Summarization-Llama-3.1-8B-Instruct. Квантизацию выполнил mradermacher. Модель предназначена для автоматического суммирования обсуждений и комментариев на Hacker News, а также для сценариев, связанных с проектом HN Companion. Модель основана на Llama 3.1 8B Instruct и обучалась с использованием набора данных georgeck/hacker-news-discussion-summarization-large. Указан английский язык. Доступны многочисленные варианты GGUF-квантизации размером примерно от 2,1 до 5,2 ГБ, включая IQ- и Q-форматы; Q4_K_M отмечен как рекомендуемый, а Q4_K_S — как оптимальный по соотношению размера, скорости и качества. Более агрессивные варианты требуют меньше памяти, но могут заметно снижать качество суммирования. Сильная сторона модели — специализация на компактном изложении содержания дискуссий Hacker News и возможность локального запуска в формате GGUF. Ограничения включают узкую тематическую специализацию, ориентацию на английский язык и компромисс между размером, скоростью и качеством, зависящий от выбранного варианта квантизации. Сведения о размере контекстного окна, мультимодальности и результатах бенчмарков в README не указаны. Лицензия обозначена как llama3.1.

Lanni-ni/hard_2gram_4_6_384_babylm_10m_seed43 — небольшая модель генерации текста, опубликованная пользователем Lanni-ni на Hugging Face и предназначенная для работы через библиотеку Transformers. В метаданных указано 27,6 млн параметров и задача text-generation; название модели также содержит обозначения hard_2gram, 384 и babylm_10m, но их точная расшифровка в доступных материалах не приведена. Модель может использоваться для экспериментов с авторегрессионной генерацией текста, обучения и тестирования небольших языковых моделей, а также для прототипирования приложений на базе Transformers. Сведения о разработчике, языках, архитектуре, размере контекста, обучающих данных, результатах оценки и лицензии в README отсутствуют, поэтому применение в критически важных сценариях требует самостоятельной проверки.

HuatuoGPT2-7B — языковая модель на 7 млрд параметров от команды FreedomIntelligence, построенная на архитектуре Baichuan и предназначенная для генерации текста в медицинском контексте. Модель опубликована в формате PyTorch, поддерживает китайский язык и имеет контекст длиной до 4096 токенов. Её можно использовать для создания медицинских диалоговых систем и генерации ответов на вопросы о здоровье на китайском языке. Модель распространяется по лицензии Apache-2.0. Карточка содержит мало сведений о методах обучения и проверке качества, поэтому фактическую точность медицинских ответов следует оценивать отдельно.

HuatuoGPT-o1-7B-v0.1-GGUF — квантизированная версия медицинской языковой модели HuatuoGPT-o1-7B, разработанной FreedomIntelligence и подготовленной в формате GGUF пользователем bartowski. Модель предназначена для генерации текста в медицинских сценариях, включая ответы на вопросы и работу с задачами, представленными в наборах medical-o1-reasoning-SFT и medical-o1-verifiable-problem. Заявлены английский и китайский языки. Модель содержит около 7 млрд параметров и поддерживает запуск через llama.cpp и совместимые приложения, включая LM Studio. Доступны варианты от F16 до низкобитных квантов Q2–Q8 и IQ, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти. Рекомендуемые варианты Q4–Q6 обеспечивают хороший или очень высокий уровень качества, тогда как наиболее компактные варианты имеют заметно более низкое качество. Архитектура исходной модели, максимальная длина контекста и дополнительные модальности в README не указаны; по назначению и формату это текстовая модель. К сильным сторонам относятся специализация на медицинской тематике, поддержка китайского и английского языков и возможность локального запуска на широком диапазоне аппаратных конфигураций благодаря множеству квантованных вариантов. Ограничения включают потенциальную потерю качества в низкобитных версиях, отсутствие сведений о размере контекста и отсутствие подтверждения пригодности для клинических решений. Модель распространяется по лицензии Apache-2.0.

Kids Scroll Story Model — компактная языковая модель для генерации и продолжения коротких детских историй. Репозиторий подготовлен для приложения Kids Scroll и содержит веса в формате GGUF; запуск на устройствах возможен через llama.cpp и WebAssembly runtime wllama без подключения к серверу. Модель основана на TinyStories-33M и обучалась на датасете TinyStories с короткими синтетическими рассказами на английском языке. Она рассчитана на простые сюжеты для детей примерно 2–6 лет: о животных, дружбе, приключениях и добрых поступках. Контекст модели составляет около 128 токенов, поэтому длинные истории нужно генерировать отдельными фрагментами. Модель ориентирована на художественное повествование, а не на фактические ответы и энциклопедические сведения. Для использования с детьми создатели Kids Scroll применяют дополнительную фильтрацию на стороне приложения; сама модель не гарантирует возрастную уместность каждого ответа. Лицензия репозитория — MIT.

Klyra-64M-RL-OPD — экспериментальная компактная языковая модель, разработанная студентом направления инженерной информатики Политехнического института Джакарты. Это плотная авторегрессионная модель с архитектурой декодера, совместимой с MiniMind; метаданные указывают 75,7 млн параметров, а README сообщает о 63,9 млн уникальных параметров при связывании входных и выходных эмбеддингов. Модель принимает текст и генерирует текст, поддерживает диалог и ориентирована на английский язык. Чекпойнт создан для экспериментов с обучением с подкреплением, дистилляцией политики и абляциями. Он основан на Klyra-64M-Reasoning-Fundamentals и прошёл онлайн-дистилляцию политики на 500 шагах после обучения трёх ветвей: рассуждения, следования инструкциям и общих способностей. В бенчмарках показал средний результат 36,79 по пяти задачам; это лучший вариант Klyra по PIQA и Social-IQA, но общий средний результат немного ниже, чем у Klyra-64M-Reasoning-Fundamentals. Модель имеет экспериментальный статус и не рекомендуется в README для общего применения; для обычных задач там рекомендован базовый чекпойнт Reasoning-Fundamentals. Лицензия — Apache-2.0.