I.5Создание и редактирование текста

Banaxi-Tech выпустила экспериментальную базовую языковую модель BananaMind 2 Nano Muon FineWeb-Edu Test, обученную с нуля на архитектуре BananaMind 2 Nano. Модель содержит около 10 млн параметров, имеет 10 слоёв и скрытый размер 256; для работы используются Transformers и пользовательский код архитектуры. Модель предназначена для генерации текста на английском языке. Во время обучения на потоковой выборке FineWeb-Edu она обработала около 25 млрд токенов собственным токенизатором; контекст составляет 4096 токенов. Обучение проводилось с оптимизатором Muon для матриц и AdamW для связанных эмбеддингов и параметров нормализации. Это экспериментальный чекпойнт, а не производная от другой модели: веса обучены с нуля. Репозиторий распространяется по лицензии Apache-2.0. Небольшой размер модели ограничивает её возможности по сравнению с крупными языковыми моделями; в карточке не приведены результаты оценки качества.

Helsinki-NLP/opus-mt-art-en — модель машинного перевода семейства OPUS-MT, созданная Helsinki-NLP на архитектуре Transformer и реализованная как MarianMTModel. Она переводит с группы искусственных языков на английский. Среди исходных языков указаны эсперанто, идо, интерлингва, ложбан, клингонский, волапюк и другие; модель обучена для многоязычного ввода с одним целевым языком — английским. Модель содержит 55,4 млн параметров, использует нормализацию текста и SentencePiece с словарём 32 тыс. токенов; длина контекста — 512 токенов. В README приведены результаты тестирования на Tatoeba для нескольких исходных языков, включая низкие оценки BLEU для отдельных языковых пар, поэтому качество может заметно зависеть от языка и текста. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

opus-mt-en-bkm-10e64 — модель машинного перевода на архитектуре MarianMT, созданная дообучением Helsinki-NLP/opus-mt-en-ro на датасете arrow. Она предназначена для перевода текстов с английского на bkm. Размер модели — 55,7 млн параметров, длина контекста — 512 токенов; веса опубликованы в формате safetensors. В README приведены результаты оценки: BLEU 7,795, loss 1,4935 и средняя длина генерации 60,82 токена. Эти показатели указывают на ограниченное качество перевода и требуют проверки на целевых текстах. Модель распространяется по лицензии Apache-2.0.

Peach-9B-8k-Roleplay-GGUF — набор GGUF-квантизаций модели Peach-9B-8k-Roleplay, разработанной ClosedCharacter и подготовленной bartowski. Модель предназначена для генерации текста в сценариях roleplay: ведения диалогов от лица заданного персонажа и взаимодействия с пользовательскими персонажами. Указаны английский и китайский языки, задача text generation и лицензия MIT. Это текстовая модель с заявленным размером 9 млрд параметров и контекстом до 8k токенов; сведения о точной архитектуре и поддерживаемых модальностях отсутствуют, поэтому её следует рассматривать как мультимодально не описанную, вероятно текстовую модель. Репозиторий содержит варианты от F32 до сильнее сжатых Q2 и IQ2/IQ3/IQ4, включая рекомендуемые Q4–Q6 и Q8. Более крупные квантизации сохраняют качество лучше, а компактные требуют меньше оперативной памяти, но могут заметно уступать по качеству. Для работы рекомендуется использовать llama.cpp или LM Studio и соответствующий шаблон промпта с системным описанием персонажа. Модель ориентирована на ролевые диалоги и может быть менее подходящей для универсальной генерации, строгого следования инструкциям и задач, не связанных с roleplay. Лицензия MIT разрешает широкое использование на указанных в лицензии условиях.

DukeNLP/Prob-Gen-70B — языковая модель, дообученная командой DukeNLP на базе Meta Llama 3 70B методом QLoRA с 4-битной квантизацией во время обучения. Она создаёт школьные математические текстовые задачи с вариантами ответа в заданном контексте. Дообучение проводилось на 3 644 задачах для уровня 8-го класса, сгенерированных GPT-4 и оценённых людьми. Модель имеет плотную архитектуру Llama с 69,5 млрд параметров и контекстное окно 8 192 токена. Репозиторий содержит веса в формате safetensors. Модель ориентирована на генерацию учебных задач по математике; данных о поддержке других языков или более широких сценариев применения нет. Лицензия в предоставленных сведениях не указана.

Qwen3-1.7B SAEB Math Question Generator v3 — адаптер QLoRA на базе Qwen3-1.7B, разработанный для генерации вопросов по математике в стиле SAEB, национальной системы оценки базового образования Бразилии. Модель предназначена для учителей и образовательных приложений, которым нужны вопросы с несколькими вариантами ответа для 1–9 классов. Она формирует структурированные объекты JSON и может запускаться локально без подключения к сети через llama.cpp; в репозитории доступны адаптер LoRA и объединённая версия GGUF с квантизацией Q4_K_M, а также веса safetensors. Модель обучена методом supervised fine-tuning с QLoRA на примерах вопросов для шести классов. В README описаны фиксированный формат JSON и проверка результата генерации с повторной генерацией при ошибке. Карточка указывает поддержку португальского и английского языков; модель ориентирована на математические задания SAEB в бразильском образовательном контексте. Лицензия — Apache-2.0. Среди ограничений — слабая автоматическая проверка математики для части заданий 9-го класса, неполный охват целевых навыков и отсутствие независимой масштабной проверки качества обучающих примеров людьми. Перед использованием с учащимися вопросы следует проверять преподавателю; модель не предназначена для оценивания с высокими ставками. Скорость и расход памяти на телефонах для этой версии не измерены.

Qwen3_Medical_GRPO — дообученная lastmass плотная языковая модель семейства Qwen3 с 3,7 млрд параметров, созданная на базе unsloth/Qwen3-4B-Base. После многоэтапного SFT модель дополнительно оптимизировали алгоритмом GRPO с несколькими вариантами награды за точность ответов. Модель предназначена для медицинских вопросов: она может разбирать сложные запросы, давать логический анализ и формировать структурированные ответы. Для подробного пошагового клинического рассуждения в README предлагается специальный токен в конце запроса. Модель принимает текст и генерирует текст; контекст — до 32 768 токенов. В метаданных указаны английский и китайский языки. Лицензия — Apache-2.0. Модель может допускать ошибки и пропуски в медицинских ответах. Разработчик предназначает её для академических исследований и технической коммуникации и предупреждает, что результаты не заменяют консультацию специалиста и не должны служить основанием для клинических решений.

Rainbow-Pony-100M-Flutter-base — базовая авторская модель bbidpa: трансформер TinyGPT с 100 млн параметров, обученный с нуля на 2 млрд токенов, из которых 70% составил код Flutter/Dart и 30% — английский текст. Это предварительно обученная модель продолжения текста без дообучения под форматы генерации изменений или целых файлов. Она предназначена прежде всего как базовый чекпойнт для воспроизводимости и сравнения; может продолжать переданные фрагменты Dart/Flutter-кода или английского текста. Модель использует обычное предсказание следующего токена и библиотеку Transformers; веса доступны в формате safetensors. Словарь был расширен с 16 000 до 16 022 токенов для совместимости с родственными дообученными моделями, но эмбеддинги 22 новых специальных токенов случайно инициализированы и не обучались. Поэтому модель не понимает соответствующий структурированный формат, а практическая генерация Flutter-кода не является заявленной целью. Лицензия — MIT.

bishnoiyash/SmolLM2-135M-tinystories — это дообученная модель генерации текста на базе SmolLM2-135M от HuggingFaceTB. Автор продолжил предобучение на корпусе TinyStories объёмом около 100 млн токенов; модель использует плотную архитектуру LlamaForCausalLM и содержит 134,5 млн параметров. Веса bf16 доступны в формате safetensors, контекст — до 8192 токенов. Модель рассчитана на продолжение и генерацию коротких англоязычных историй в стиле TinyStories. На валидационной выборке этого корпуса показатель perplexity снизился с 6,8945 до 3,7900 после обучения. Модель распространяется по лицензии Apache-2.0. Результат измерен в одном запуске только на доменном корпусе TinyStories. Проверок на общих задачах и вне домена не проводилось; автор предупреждает, что способности базовой модели общего назначения могли ухудшиться. Поэтому модель лучше рассматривать как специализированную для историй TinyStories, а не как универсальную языковую модель.

Sol Lite 2 — компактная базовая языковая модель solintellegence, обученная с нуля на 20 млрд токенов. Она содержит около 14,9 млн параметров и предназначена для продолжения текста и исследований небольших языковых моделей; instruction tuning не проводился. Модель использует decoder-only архитектуру Sol2 с рекуррентным повторным применением четырёх блоков, группированным запросным вниманием и контекстом 2 048 токенов. Выпуск содержит веса в формате safetensors и загружается через Transformers с пользовательским кодом модели. Основные языковые данные и карточка указывают на английский язык. В оценках авторов модель показала результаты на HellaSwag и наборах ARC, однако эти результаты не проверялись независимо и не доказывают надёжное свободное рассуждение или следование инструкциям. Модель может повторяться, терять связность и давать неверные ответы; KV-кэширование не реализовано. Лицензия — Apache-2.0.

ecreeth/stream-mixer-33m-babylm — это англоязычная авторегрессионная модель генерации текста на архитектуре Stream Mixer, разработанная для экспериментов в строгом треке BabyLM Challenge 2026. Она обучена на корпусе BabyLM Strict объёмом 100 млн слов в течение 10 эпох; карточка сообщает о 35,48 млн параметров, а метаданные — о 39,3 млн. Архитектура состоит из 20 слоёв и заменяет механизм self-attention линейной по длине последовательности рекуррентной памятью с параллельными потоками, причинной свёрткой и блоками SwiGLU. Контекст — 1024 токена, словарь — 10 240 BPE-токенов. Модель предназначена для продолжения текста и изучения языковых способностей небольших моделей, обученных на ограниченных детских языковых корпусах; в карточке приведены результаты оценивания на BLiMP, EWOK, VQA (EWoK) и после дообучения на GLUE. Линейная вычислительная сложность и отсутствие KV-кэша позволяют выполнять пошаговую генерацию с постоянной стоимостью декодирования. Это исследовательский эксперимент, а не универсальная чат-модель; сведения о лицензии в предоставленных источниках отсутствуют.

Это исследовательский чекпойнт на базе диалоговой Llama 2 от Meta, подготовленный авторами исследования безопасности и сжатия моделей. Веса сжаты методом Basis Sharing: общие базисы используются для групп из двух соседних слоёв, что сокращает число параметров примерно на 40% относительно исходной модели. Затем модель дообучена LoRA только по коэффициентам, при сохранении разделяемых базисов и бюджета параметров. В репозитории указано около 6,6 млрд параметров, архитектура LlamaForCausalLM, формат safetensors и контекст 4096 токенов. Модель предназначена для изучения того, как сжатие влияет на безопасность и полезность ответов, а также для сравнения способов восстановления поведения. Она поддерживает диалоговую генерацию текста; базовая модель ориентирована на английский язык. В карточке приведены метрики атак и чрезмерных отказов, но сам чекпойнт позиционируется как экспериментальный объект исследования, а не готовый ассистент. Лицензия — Llama 2; применяйте её с учётом условий лицензии Meta и ограничений, описанных для исходной модели.

TARA English Tutor 3B — экспериментальная модель, опубликованная sraivante для учебных экспериментов с короткими ответами на английском языке для дошкольников и учащихся 1–5 классов. Это плотная причинно-языковая модель семейства SmolLM3 с 3,1 млрд параметров, дообученная методом QLoRA на HuggingFaceTB/SmolLM3-3B и распространённая в виде объединённых весов BF16 Safetensors. Модель принимает текст и генерирует ответы; предусмотрены пять JSON-полей: ответ, вопрос для практики, пример ответа, новые слова и ободрение. Контекст базовой модели — 65 536 токенов, однако качество на длинном контексте не проверялось, а рабочий сценарий обучения использовал 768 токенов. Модель предназначена для коротких объяснений по школьной программе, практики словарного запаса, мягкой коррекции английского и вопросов для устной практики. Уровень следует задавать явно. Набор данных включает 1 138 обучающих и 126 проверочных примеров, основанных на шаблонах и исходных понятиях; записи не прошли зафиксированную проверку преподавателями. Заявленная связь с программами CBSE/NCERT является замыслом проекта, а не сертификацией. Модель экспериментальная: точность на новых вопросах, широкая фактическая надёжность и пригодность для самостоятельного использования детьми не установлены. Возможны неверные, неподходящие уровню или некорректно оформленные ответы, особенно на опечатки, переключение языков и многошаговые запросы. Распознавание речи, озвучивание и интерфейс ученика относятся к приложению, а не к модели. Лицензия — Apache 2.0; использование задумано для исследований и образовательного тестирования под надзором взрослых.

Corianas/TinyTask-minipaca — небольшая авторская языковая модель семейства Llama, основанная на проекте Karpathy Llama2.c. Она обучалась на Tinystories и собственном наборе littlestories, а затем была в некоторой степени дообучена на инструкциях. Модель предназначена для генерации текста и выполнения простых инструкций. Модель содержит 88,1 млн параметров, использует архитектуру LlamaForCausalLM и контекст длиной 2048 токенов. Словарь токенизатора насчитывает 4096 элементов; для обозначения заглавных букв используется специальный маркер ↨ перед строчной буквой, поэтому текст требуется преобразовывать в этот формат перед подачей и обратно после генерации. Репозиторий содержит веса PyTorch и safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Небольшой размер модели и обучение на коротких историях ограничивают её пригодность для сложных задач и широкого практического применения; подробные результаты оценки качества в карточке не приведены.

Typst-Coder-1.5B — дообученная модель TechxGenus для генерации кода и помощи при работе с Typst, языком разметки и верстки документов. Проект создан для улучшения поддержки Typst в AI-помощниках: авторы отмечают, что из-за малочисленности обучающих данных языковые модели часто ошибаются в синтаксисе Typst. Модель основана на Yi-Coder-1.5B, имеет архитектуру LlamaForCausalLM и содержит 1,3 млрд параметров. Она принимает текстовые запросы и генерирует текст, включая код Typst; заявленная длина контекста — 131 072 токена. В метаданных также отмечены диалоговый режим и возможности работы с кодом. Лицензия — Apache-2.0. Модель предназначена прежде всего для экспериментов и практической помощи при создании Typst-документов; README не приводит оценок качества или сравнительных тестов. Поддержка других языков программирования и естественных языков не заявлена.

lmg-anon/vntl-llama3-8b-v2-gguf — это QLoRA-тонкая настройка модели LLaMA 3 Youko 8B, разработанной rinna. Модель обучена на расширенной версии набора данных VNTL-v5-1k и предназначена для перевода визуальных новелл с японского языка на английский. Модель поддерживает японский и английский языки, использует стандартный формат промптов LLaMA 3 и умеет обрабатывать как однострочные, так и многострочные переводы. Вход может включать метаданные о персонажах, именах, псевдонимах и других элементах, что помогает сохранять единообразие терминологии и имён собственных. Размер базовой модели — 8B параметров; другие характеристики контекстного окна и модальностей в README не указаны. По заявлению автора, версия отличается повышенной точностью и стабильностью по сравнению с предыдущей, а также реже допускает ошибки при высоких температурах. Переводы при этом стали более буквальными. Для наилучшего качества рекомендуется температура 0 и отсутствие штрафа за повторения. Модель ориентирована именно на перевод визуальных новелл и может быть менее подходящей для универсального перевода или диалогового режима, который в этой версии не поддерживается. Лицензия указана как llama3.

Карточка модели amandabenson/acestep-v15-sft-fork на Hugging Face совпадает с карточкой ACE-Step/acestep-5Hz-lm-0.6B, поэтому описание составлено по ней. ACE-Step v1.5 5Hz LM 0.6B — языковая модель для планирования и управления генерацией музыки в составе системы ACE-Step, разработанной проектом ACE-STEP. Она преобразует запросы пользователя в планы композиции, включая метаданные, тексты песен и описания, которые направляют отдельную диффузионную модель для создания музыки. Модель поддерживает генерацию композиций от коротких фрагментов до 10 минут, а также сценарии редактирования музыки в системе ACE-Step: создание каверов, перерисовку аудио и преобразование вокала в фоновую музыку. Модель построена на плотной архитектуре Qwen3ForCausalLM и содержит 574,7 млн параметров. Она принимает текстовые запросы, а в рамках ACE-Step управляет созданием аудио; заявлена поддержка более 50 языков. Контекстное окно составляет 40 960 токенов. В карточке ACE-Step указаны возможности планирования композиции среднего уровня, понимания аудио среднего уровня и слабое копирование мелодии. Для генерации итогового музыкального аудио требуется взаимодействие с соответствующей DiT-моделью системы. Модель опубликована ACE-STEP под лицензией MIT. README заявляет коммерческую применимость сгенерированной музыки и запуск всей системы на потребительском оборудовании, однако скорость и требование менее 4 ГБ видеопамяти относятся к описанию системы ACE-Step в целом и могут зависеть от используемой DiT-модели и конфигурации.

Карточка модели ACE-Step/acestep-v15-turbo-shift1 на Hugging Face совпадает с карточкой ACE-Step/acestep-5Hz-lm-0.6B, поэтому описание составлено по ней. ACE-Step v1.5 5Hz LM 0.6B — языковая модель для планирования и управления генерацией музыки в составе системы ACE-Step, разработанной проектом ACE-STEP. Она преобразует запросы пользователя в планы композиции, включая метаданные, тексты песен и описания, которые направляют отдельную диффузионную модель для создания музыки. Модель поддерживает генерацию композиций от коротких фрагментов до 10 минут, а также сценарии редактирования музыки в системе ACE-Step: создание каверов, перерисовку аудио и преобразование вокала в фоновую музыку. Модель построена на плотной архитектуре Qwen3ForCausalLM и содержит 574,7 млн параметров. Она принимает текстовые запросы, а в рамках ACE-Step управляет созданием аудио; заявлена поддержка более 50 языков. Контекстное окно составляет 40 960 токенов. В карточке ACE-Step указаны возможности планирования композиции среднего уровня, понимания аудио среднего уровня и слабое копирование мелодии. Для генерации итогового музыкального аудио требуется взаимодействие с соответствующей DiT-моделью системы. Модель опубликована ACE-STEP под лицензией MIT. README заявляет коммерческую применимость сгенерированной музыки и запуск всей системы на потребительском оборудовании, однако скорость и требование менее 4 ГБ видеопамяти относятся к описанию системы ACE-Step в целом и могут зависеть от используемой DiT-модели и конфигурации.

Карточка модели Tuananh20015/acestep-v15-turbo-shift3 на Hugging Face совпадает с карточкой ACE-Step/acestep-5Hz-lm-0.6B, поэтому описание составлено по ней. ACE-Step v1.5 5Hz LM 0.6B — языковая модель для планирования и управления генерацией музыки в составе системы ACE-Step, разработанной проектом ACE-STEP. Она преобразует запросы пользователя в планы композиции, включая метаданные, тексты песен и описания, которые направляют отдельную диффузионную модель для создания музыки. Модель поддерживает генерацию композиций от коротких фрагментов до 10 минут, а также сценарии редактирования музыки в системе ACE-Step: создание каверов, перерисовку аудио и преобразование вокала в фоновую музыку. Модель построена на плотной архитектуре Qwen3ForCausalLM и содержит 574,7 млн параметров. Она принимает текстовые запросы, а в рамках ACE-Step управляет созданием аудио; заявлена поддержка более 50 языков. Контекстное окно составляет 40 960 токенов. В карточке ACE-Step указаны возможности планирования композиции среднего уровня, понимания аудио среднего уровня и слабое копирование мелодии. Для генерации итогового музыкального аудио требуется взаимодействие с соответствующей DiT-моделью системы. Модель опубликована ACE-STEP под лицензией MIT. README заявляет коммерческую применимость сгенерированной музыки и запуск всей системы на потребительском оборудовании, однако скорость и требование менее 4 ГБ видеопамяти относятся к описанию системы ACE-Step в целом и могут зависеть от используемой DiT-модели и конфигурации.

Aion-RP 1.0 (8B) — модель AionLabs для генерации текста в сценариях ролевого общения. Она создана дообучением базовой модели Aion-RP-Llama-3.1-8B и предназначена для ведения диалогов от лица персонажей. В README сообщается, что модель показала лучший результат в части оценки персонажей бенчмарка RPBench-Auto, где языковые модели сравнивают ответы друг друга. Модель относится к семейству Llama 3.1 и имеет 8 млрд параметров. Данных о поддерживаемых языках, длине контекста и лицензии в предоставленных источниках нет. Результат на RPBench-Auto указывает на специализацию для ролевых диалогов, но сам по себе не гарантирует качество в других задачах.

swdq разработала модель anison-lyrics-qwen35-4b-tpo-r2 на основе Qwen3.5-4B — плотной языковой модели с 3,4 млрд параметров. Это дообученная версия для генерации японских песенных текстов в стилях аниме-песен, denpa, песен для эротических игр и вокалоидной музыки. Модель принимает текстовые условия и генерирует текст; заявленный контекст — до 262 144 токенов. После обучения на реальных текстах песен модель прошла два цикла оптимизации предпочтений TPO с помощью оценочной модели. По внутренним сравнениям второй цикл улучшился относительно первого, однако в тестах на соответствие реальным японским текстам модель почти не выигрывала. Оценки проводились LLM-судьями, а проверок авторами песен, слушателями и пением не было. Разработчик прямо указывает, что коммерческое качество не достигнуто и не подтверждено. В обучающих данных есть тексты третьих лиц, и модель может воспроизводить строки из них. Совпадения строк сами по себе не устанавливают наличие или отсутствие нарушения прав. Лицензия в предоставленных данных не указана.

SlayerLab Bielik-4.5B-v3 matura-history SFT v2 — польскоязычная чат-модель для ответов на вопросы и написания эссе в формате выпускного экзамена matura по истории на расширенном уровне. Её создали для хакатонного трека «Mały, ale wariat» на основе speakleash/Bielik-4.5B-v3.0-Instruct; модель прошла полное дообучение с учителем на 4 144 диалоговых примерах, включая синтетические задания, образцы эссе и материалы, подготовленные по экзаменационным заданиям. Это плотная причинная языковая модель семейства Llama с 4,7 млрд параметров и контекстом до 32 768 токенов. Репозиторий содержит веса Transformers в BF16 и варианты GGUF, включая квантизованные версии для запуска через llama.cpp. В заявленной оценке GGUF IQ3_XXS набрала 22 из 55 баллов на прошлых экзаменационных заданиях и 23 из 60 на экзамене CKE мая 2026 года; результаты отдельного запуска могут меняться. Модель специализирована на польской истории и экзаменационном формате, поэтому не подходит как надёжный источник фактов общего назначения. Она может ошибаться в именах, местах и датах, а на заданиях «верно/неверно» показывает результаты около случайного угадывания; авторы не рекомендуют использовать её для проверки фактов или оценивания работ. Веса распространяются по лицензии Apache-2.0.

Narrativaai/BioGPT-Large-finetuned-chatdoctor — дообученная на наборе ChatDoctor-200K версия BioGPT Large от Microsoft. Это языковая модель на базе плотного причинного Transformer-декодера, предназначенная для генерации ответов на вопросы о здоровье в формате беседы с пациентом. Модель содержит 2,1 млрд параметров, принимает и генерирует текст на английском языке; длина контекста — 2048 токенов. Модель можно применять для исследовательских прототипов медицинских чат-ботов и подготовки ответов на общие вопросы о здоровье. Данные для дообучения включают реальные диалоги пациентов и врачей, а также сгенерированные диалоги. Лицензия — Apache-2.0. Модель не является заменой профессиональной медицинской консультации; в карточке конкретные технические ограничения качества не описаны.

Cagliostro-v2 — авторегрессионная языковая модель на 150 млн параметров, разработанная bench-labs и обученная с нуля на 50 млрд токенов. Это базовая модель для генерации текста, а не готовый чат-ассистент: она не проходила дообучение на инструкциях и выравнивание поведения. Контекст составляет 4096 токенов; модель использует плотную архитектуру Cagliostro с 30 слоями и реализует Exclusive Self Attention и ограничение логитов. Для загрузки через Transformers требуется trust_remote_code=True. Модель предназначена для экспериментов с компактными языковыми моделями и генерации продолжений текста. В карточке приведены результаты тестов HellaSwag, ARC, PIQA и ArithMark; индекс Open SLM Intelligence Index указан как 19,99. Обучение проводилось на FineWeb-Edu, DCLM-baseline и Cosmopedia. Лицензия — Apache-2.0. Из-за небольшого размера и отсутствия настройки на инструкции модель слабо подходит для сложных запросов и может уверенно генерировать фактически неверный текст. Она не фильтровалась по безопасности и не предназначена для использования как надёжный источник знаний.

candor_np_51 — авторская тонкая настройка GPT-2 для генерации текста. Репозиторий содержит веса в формате safetensors; в метаданных указана архитектура GPT2LMHeadModel и контекстное окно 1024 токена. Карточка сообщает о результате оценки Loss 4.4606, но не описывает назначение модели, обучающий датасет или языки. Модель подходит для экспериментов с генерацией текста на базе GPT-2. Практическое качество для конкретных сценариев оценить нельзя без сведений о данных и дополнительных проверок. Лицензия в предоставленных данных не указана.

QuantFactory/ClinicalGPT-base-zh-GGUF — квантизированная версия модели ClinicalGPT-base-zh, созданная с использованием llama.cpp. Исходная модель разработана medicalai и дообучена для клинических сценариев на разнообразных медицинских данных, включая медицинские записи, специализированные знания и многораундовые диалоги консультаций. Модель предназначена для генерации текста в медицинском домене, в том числе для исследовательских экспериментов с медицинскими вопросами, клиническими записями и диалоговыми консультациями. По идентификатору и исходному названию можно заключить, что она ориентирована на китайский язык; другие языки и поддерживаемые модальности в карточке не указаны. При дообучении использовалась максимальная длина последовательности 1 024 токена, однако точный размер и архитектура модели, а также фактическое ограничение контекста не указаны. К преимуществам относятся специализация на медицинской тематике, обучение на клинических и диалоговых данных и наличие квантизированной сборки в формате GGUF для использования с llama.cpp. Модель предназначена только для исследований и запрещена для коммерческого и клинического применения. Результаты могут содержать ошибки, быть подвержены случайности, неверной интерпретации и смещениям, поэтому требуют независимой проверки. Указанная лицензия — AFL-3.0.

DistilGPT2-rap — языковая модель на архитектуре GPT-2, дообученная на наборе из 20 тысяч рэп-песен известных англоязычных исполнителей. Она предназначена для генерации рэп-текстов по заданному началу или контексту. Модель принимает текст и выдаёт продолжение текста; максимальная длина контекста — 1024 токена. Модель создана автором репозитория dzionek как дообученная версия DistilGPT2. Веса опубликованы в формате PyTorch. Карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя. Поскольку обучение проводилось на рэп-текстах, модель может генерировать оскорбительные и неуважительные высказывания; её язык и тематика ограничены преимущественно англоязычным рэпом.

EduHelp-8B — диалоговая языковая модель, разработанная на базе Qwen3-8B и дообученная методом supervised fine-tuning с LoRA на образовательном наборе Education-Young-Children. Адаптеры LoRA объединены с базовыми весами для самостоятельного развёртывания. Модель содержит 7,6 млрд параметров, использует архитектуру Qwen3ForCausalLM и рассчитана на контекст до 40 960 токенов. Модель предназначена для мягких, понятных и подходящих детям объяснений в сценариях раннего обучения. Она помогает с простыми арифметическими упражнениями, чтением, словарным запасом, вопросами на понимание текста и повседневными знаниями. Основной язык — английский. Модель может ошибаться, выдавать слишком сложные или неуместные для возраста ответы; детям следует пользоваться ею под присмотром взрослых. Она не предназначена для медицинских, юридических, экстренных, специализированных или высокорисковых задач и не оптимизирована для сложных рассуждений. Лицензия — MIT.

Это языковая модель EXAONE 3.5 7.8B, разработанная на базе LGAI-EXAONE/EXAONE-3.5-7.8B-Instruct и дообученная автором hymmmm методом полного fine-tuning. Модель предназначена для диалогов на корейском языке в сфере детской неотложной помощи, в частности для поддержки сотрудников бригад скорой помощи службы 119 и исследовательского чат-бота HAPES. Она обучена на версии набора данных v2 из 2 001 диалога и рассчитана на текстовую генерацию и чат-сценарии. Модель опубликована в формате AWQ 4-bit с group size 128, zero point и GEMM-ядрами; исходные веса BF16 отдельно не предоставлялись. При обучении использовались 2 эпохи, максимальная длина последовательности составляла 1 024 токена, а обучение проводилось только на сообщениях assistant с включённым токеном завершения. Для запуска через vLLM в README указан контекст до 8 192 токенов. Основной язык — корейский; сведения о поддержке других языков и мультимодальности не указаны. Сильная сторона модели — специализация на корейских диалогах по детской экстренной медицине и возможность эффективного запуска благодаря 4-битному квантованию. Это исследовательская сравнительная модель для оценки полного fine-tuning против QLoRA, причём на втором этапе обучения отмечена переобученность, поэтому основной моделью проекта считается другой вариант на базе QLoRA. Известно о редких случаях генерации фиктивных ходов диалога, например маркеров user; при обслуживании рекомендуется задавать stop-токены. Модель нельзя использовать как единственный источник рекомендаций при лечении реальных пациентов, а дозировки и числовые сведения необходимо проверять по официальным руководствам. Лицензия указана как EXAONE; подробные условия доступны по ссылке на лицензию базовой модели LGAI-EXAONE/EXAONE-3.5-7.8B-Instruct.

Карточка модели YanLabs/gemma-3-27b-it-abliterated-normpreserve-v1 на Hugging Face совпадает с карточкой Fukoooo/gemma-3-27b-it-seft, поэтому описание составлено по ней. Fukoooo/gemma-3-27b-it-seft — вариант Gemma 3 27B Instruct, созданный на основе google/gemma-3-27b-it. В README указано, что модель применяет метод norm-preserving biprojected abliteration для ослабления отказов без традиционного дообучения. Метаданные относят её к семейству Gemma 3 и архитектуре плотной авторегрессионной языковой модели; репозиторий содержит веса safetensors. Модель предназначена для исследований интерпретируемости и анализа механизмов безопасности LLM, а также для экспериментов с техникой abliteration. README рекомендует для версии v1 квантизацию Q8_0 и сообщает, что в вариантах Q8_0 и F16 отказы не наблюдались. Хотя базовая Gemma 3 поддерживает работу с изображениями, для этой производной модели метаданные подтверждают только генерацию текста и диалоговый режим. По данным README, защитные механизмы и отказы ослаблены, поэтому модель может генерировать вредный или небезопасный контент, а её поведение в крайних случаях может быть непредсказуемым. Abliteration не гарантирует полного удаления отказов. README не рекомендует производственное и пользовательское применение и указывает лицензию Gemma Terms of Use; метаданные обозначают лицензию как gemma.