I.5Создание и редактирование текста

unsloth/LFM2-8B-A1B-GGUF — GGUF-версия языковой модели LiquidAI/LFM2-8B-A1B, подготовленная Unsloth. Модель предназначена для генерации текста и диалоговых сценариев, включая локальный запуск на устройствах и системах с поддержкой llama.cpp. В набор включены исправления chat template; для llama.cpp рекомендуется использовать параметр --jinja. Модель относится к семейству LFM2 и имеет конфигурацию с 8 млрд параметров и архитектурой mixture-of-experts (MoE) с обозначением A1B. Поддерживаемые языки: английский, арабский, китайский, французский, немецкий, японский, корейский и испанский. Данные о модальностях, размере контекста и точном устройстве архитектуры в README не указаны. Формат GGUF ориентирован на эффективное инференс-использование, однако конкретные требования к памяти и производительности зависят от варианта квантизации. Преимуществами являются адаптация для локального запуска, многоязычная поддержка и заявленное Unsloth улучшение точности квантованных вариантов Dynamic 2.0. Ограничения включают отсутствие в README подробных результатов бенчмарков, спецификаций контекста и описания областей применения. Модель распространяется по лицензии lfm1.0; точные условия следует уточнять в тексте лицензии LiquidAI.

ryugyosoft 提供の LFM2-8B-A1B-onw は、LiquidAI/LFM2-8B-A1B を Intel NPU 上で onw エンジンにより動かすために変換した MoE 言語モデルです。メタデータでは総パラメータ数は 1.4B、アーキテクチャは Lfm2MoeForCausalLM、コンテキスト長は 128,000 トークンとされています。README では元モデルを 8.3B パラメータ、1 トークンあたり約 1.5B активных параметров и 32 эксперта, из которых выбираются 4, описывает; различие в оценках числа параметров между источниками не объясняется. Модель предназначена для диалогов и генерации текста на локальном компьютере с Intel NPU, включая суммаризацию, редактирование кода и использование через совместимый с OpenAI API сервер. В README заявлена скорость 16–17 токенов в секунду на NPU 3720, а для ответов, переиспользующих исходный текст, — 29–43 токена в секунду с проверкой упреждающего декодирования. Модель использует INT4-квантизацию экспертных весов и INT8-встраивания и распространяется в графах OpenVINO для движка onw. Указаны японский и английский языки. Для Ubuntu требуется драйвер linux-npu-driver версии 1.38 или новее, а для запуска — отдельный движок onw версии 0.3 или новее. Качество ответов может отклоняться от исходной модели через несколько токенов. Лицензия — LFM Open License v1.0; коммерческое использование ограничено условиями лицензии исходной модели.

EXAONE-4.0-32B-GGUF — это набор GGUF-квантизаций языковой модели EXAONE-4.0-32B, разработанной LGAI-EXAONE. Квантизации подготовлены пользователем bartowski с помощью llama.cpp версии b5934 и imatrix на основе исходной модели LGAI-EXAONE/EXAONE-4.0-32B. Модель предназначена для генерации текста и может использоваться локально через llama.cpp, LM Studio и другие совместимые проекты. Доступны варианты от BF16 размером около 64 ГБ до компактных IQ3 и Q3 размером примерно 13–17 ГБ, а также более качественные Q4–Q8. Рекомендуемым вариантом по умолчанию указан Q4_K_M; варианты Q5 и Q6 обеспечивают более высокое качество при значительных требованиях к памяти, а низкобитные варианты подходят для систем с ограниченным объёмом RAM, но могут заметно уступать в качестве. Из README известно, что модель содержит 32 миллиарда параметров и работает в текстовой модальности. Архитектура, поддерживаемые языки, размер контекстного окна и точные характеристики исходной модели здесь не указаны. Шаблон чата также не задан: в README приведён предполагаемый формат, который может быть некорректным и требует проверки по карточке оригинальной модели. Лицензия в предоставленных данных не указана.

Sakalti/light-3B — компактная языковая модель семейства Qwen2, созданная слиянием моделей Qwen с помощью mergekit и метода TIES. В основу положена Qwen/Qwen2.5-3B, в слиянии также участвовала Qwen/Qwen2.5-3B-Instruct. Модель содержит 3,1 млрд параметров и предназначена для генерации текста и диалогового взаимодействия; в метаданных также заявлен интерфейс вызова инструментов. Модель принимает текст и генерирует текст. Заявленная длина контекста — 32 768 токенов. В карточке указан английский язык, а лицензия обозначена как other; конкретные условия использования следует сверять с лицензиями базовых моделей и репозитория.

mrm8488/limstral-7B-v0.1 — языковая модель Mistral 7B, дообученная на наборе данных LIMA для следования инструкциям. Она предназначена для генерации ответов на пользовательские запросы и выполнения общих инструкций в диалоговых сценариях. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст длиной до 32 768 токенов. Основной язык в карточке — английский. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не сообщает результаты оценки качества и не описывает специализированные области применения.

linear_Merged_gpt2-small_0.1 — объединённая языковая модель на архитектуре GPT-2, созданная с помощью mergekit. В слиянии использованы предварительно обученная модель gpt2-small с весом 0,9 и её вариант gpt2-small_debias с весом 0,1; токенизатор взят из gpt2-small. Модель предназначена для генерации текста по текстовому контексту. Модель использует плотную архитектуру GPT2LMHeadModel, распространяется в формате safetensors и имеет контекст длиной до 1024 токенов. Веса представлены как линейное слияние исходных моделей с нормализацией. Карточка не описывает отдельные прикладные области или подтверждённые показатели качества. Лицензия в предоставленных данных не указана.

Ling 3.1 Flash — гибридная reasoning-модель архитектуры mixture-of-experts от inclusionAI, с 25 млрд активных параметров из 560 млрд общих. Она предназначена для генерации текста и задач, требующих рассуждений. Данных о поддерживаемых языках, длине контекста и лицензии в предоставленных источниках нет.

Ling-plus-base — базовая языковая модель с архитектурой Mixture of Experts (MoE), разработанная InclusionAI. Она предназначена для генерации текста и диалогового взаимодействия, а структура MoE позволяет масштабировать модель и адаптировать её к разным задачам, включая работу с естественным языком и решение сложных задач. По README, Ling-Plus содержит 290 млрд параметров, из которых при генерации активируются 28,8 млрд; в метаданных репозитория указано 23,9 млрд параметров. Карточка описывает контекст до 64 тыс. токенов, тогда как метаданные указывают нативный контекст в 16 384 токена. Модель работает с текстом и поддерживает чатовый сценарий; заявленные языки использования отдельно не перечислены. Модель распространяется под лицензией MIT. README сообщает о сравнительно высокой производительности, но конкретные результаты оценки находятся в техническом отчёте и в карточке не приведены, поэтому качество для конкретных задач следует проверять отдельно.

Saxo/Linkbricks-Horizon-AI-Korean-Pro-12B — дообученная языковая модель компании Linkbricks Horizon-AI, подготовленная командой под руководством дата-сайентиста Юнсона Джи (Saxo). В карточке указано, что она создана на базе Saxo/Linkbricks-Horizon-AI-Korean-Advanced-12B и использует архитектуру Mistral; метаданные уточняют класс MistralForCausalLM, плотную архитектуру и размер 12,1 млрд параметров. Модель принимает и генерирует текст, поддерживает чат и интерфейс вызова инструментов. Модель ориентирована прежде всего на работу с корейским языком, а также на задачи с корейским, английским, японским и китайским языками: перевод между ними, суммаризацию, ответы на вопросы, анализ отзывов и публикаций в соцсетях. Карточка также заявляет усиленные возможности в написании текстов и кода, математике, логических задачах и сложном рассуждении. В README заявлено окно контекста 128 тыс. токенов, тогда как метаданные указывают 1 024 000 токенов; это расхождение не позволяет надёжно определить фактическую длину контекста. Модель распространяется в формате safetensors по лицензии Apache-2.0. Указанные сценарии и языки основаны на карточке и метаданных; независимые результаты оценки качества не приведены.

Saxo/Linkbricks-Horizon-AI-Llama-3.3-Korean-70B-sft-dpo — модель Linkbricks, дообученная специалистом по данным Юнсоном Джи на базе Meta Llama 3.3 70B Instruct методом SFT с последующим DPO. Это плотная авторегрессионная языковая модель на 69,5 млрд параметров с контекстом до 131 072 токенов; опубликованные веса доступны в формате safetensors по лицензии Apache 2.0. Модель рассчитана прежде всего на работу с корейским языком, а также на задачи с корейским, английским, японским и китайским языками. В карточке заявлены перевод между языками, суммаризация, ответы на вопросы, анализ отзывов и публикаций в соцсетях, написание текстов и кода, математические и логические рассуждения. Поддерживаются диалоговый режим и интерфейс вызова функций и инструментов. Карточка сообщает об обучении на корейских новостях и других корпусах, а также на многоязычных данных для перевода, диалогах и задачах рассуждения. Эти характеристики и улучшения приведены разработчиком; независимые оценки качества не указаны. Модель требует значительных вычислительных ресурсов из-за размера в 70 млрд параметров.

LION-LLaMA-3-8b-dpo-v1.0 — языковая чат-модель Columbia NLP на архитектуре Llama 3, дообученная методом DPO на базе Columbia-NLP/LION-LLaMA-3-8b-sft-v1.0. Модель относится к семейству LION, обученному по конвейеру SFT, DPO и онлайн-обучения на предпочтениях; в этой версии применён этап DPO. В репозитории доступны веса Safetensors, модель содержит около 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Модель предназначена для диалогов и генерации текста на английском языке. В карточке авторы сообщают о высоких результатах семейства LION, однако приведённая таблица содержит данные только для версии SFT, поэтому она не подтверждает конкретные показатели этой DPO-версии. Для использования указана лицензия Llama 3 Terms of Use.

Navyaforaa/LitGram-1.5B — языковая модель семейства Qwen2, разработанная Navyaforaa и представленная как дообученная версия. Она предназначена для генерации текста и диалогового общения. Модель содержит 1,5 млрд параметров, принимает текст и выдаёт текст, поддерживает контекст длиной до 32 768 токенов и английский язык. Модель обучалась с использованием Unsloth и библиотеки TRL для Hugging Face. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0. В карточке не описаны специализированные области применения или результаты оценки качества.

LiveMem-RL — языковая модель для генерации текста и диалогов, разработанная chen-l. Это чекпойнт LiveMem, обученный методом GRPO на основе chen-l/LiveMem-SFT: в каждом слое декодера выходы пути внимания Qwen3 и рекуррентного пути памяти Gated DeltaNet 2 (GDN2) складываются. Основной путь Qwen3 во время RL-обучения оставался замороженным, а путь памяти дообучался. Модель содержит 3,7 млрд параметров и рассчитана на контекст до 262 144 токенов. Реализация использует custom model code и Triton-ядра GDN2, поэтому для инференса требуется среда CUDA; фактически доступная длина контекста зависит от видеопамяти и backend. Репозиторий содержит веса safetensors, библиотека — Transformers. Лицензия Apache-2.0.

Fischerboot/ll3-test-5 — разговорная языковая модель, созданная слиянием предобученных моделей с помощью mergekit и метода SLERP. В конфигурации указана Fischerboot/ll3-test-4; метаданные также связывают её с этой моделью как с базой для дообучения, поэтому происхождение представленного чекпойнта описывается как слияние с использованием этой базы. Модель построена на архитектуре Llama, имеет около 6,2 млрд параметров и контекстное окно 8192 токена. Она принимает текст и генерирует текст; в метаданных заявлена возможность диалогового использования. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Карточка не сообщает поддерживаемые естественные языки и лицензию. Поэтому языки и условия лицензирования здесь не уточняются; перед применением следует проверить лицензию базовой модели и совместимость условий слияния.

Модель arnavgrg/llama-2-13b-chat-nf4-fp16-upscaled — вариант Llama 2 13B Chat, подготовленный автором как upscaled fp16 после загрузки исходной модели с 4-битной NF4-квантизацией через bitsandbytes. Линейные слои Linear4bit преобразованы в fp16, чтобы не выполнять повторную квантизацию и деквантизацию при каждом проходе во время инференса. Модель имеет плотную архитектуру LlamaForCausalLM, около 12,9 млрд параметров и контекст 4096 токенов. Предназначена для генерации текста в диалоговом формате и может загружаться через Transformers с точностью fp16. README указывает, что веса линейных слоёв после квантизации NF4 являются lossy, поэтому качество может быть ниже официальной базовой модели. Репозиторий распространяется по лицензии Apache-2.0.

Llama-2-13b-chat-norwegian — модель Ruter AI Lab, созданная дообучением Meta Llama 2 13B Chat на норвежских данных. Это плотная авторегрессионная языковая модель с 12,9 млрд параметров и контекстом до 4096 токенов; доступны веса PyTorch и safetensors. Модель предназначена для понимания и генерации текста на норвежском языке и для диалоговых сценариев с инструкциями. Её можно использовать для ответов на вопросы, суммаризации и работы чат-ассистента на норвежском. В обучении использовались Norwegian Alpaca, 15 тысяч машинно переведённых примеров OpenOrca и небольшой набор собственных инструкций; модель обучалась одну эпоху. Авторы отмечают, что для хороших результатов может потребоваться настройка промптов. Модель обычно лучше справляется с суммаризацией, вопросами и диалогом, чем с задачами, требующими специальных знаний о Норвегии или конкретных областях. Машинный перевод в обучающих данных может содержать грамматические и другие ошибки. Лицензия — Llama 2 Community License; набор Norwegian Alpaca имеет отдельное ограничение на создание моделей, конкурирующих с OpenAI.

CHIH-HUNG дообучил эту модель на основе meta-llama/Llama-2-13b-hf с использованием LoRA и набора данных huangyt/FINETUNE5 объёмом около 40 тысяч записей. Это плотная языковая модель семейства Llama 2 с 12,9 млрд параметров, предназначенная для генерации текста. Контекст составляет 4096 токенов; модель принимает текст и выдаёт текст. В карточке приведены результаты локальной оценки на ARC, HellaSwag, MMLU и TruthfulQA: средний балл указан как 56,09. Модель обучалась с 4-битной загрузкой базовых весов и точностью bf16 для обучения. Для использования распространяется по лицензии Llama 2; применяются её условия и ограничения.

dhmeltzer/Llama-2-13b-hf-ds_eli5_1024_r_64_alpha_16_merged — плотная авторегрессионная модель семейства Llama 2 с 12,9 млрд параметров и контекстом 4096 токенов. Метаданные указывают задачу генерации текста; в README приведены результаты оценки на Open LLM Leaderboard. Название репозитория содержит обозначения ds_eli5 и merged, но README и метаданные не поясняют происхождение слияния, обучение на ELI5 или его настройки. Лицензия и целевые языки в предоставленных данных не раскрыты.

Shining Valiant XS версии 1.2 — чат-модель Valiant Labs на архитектуре Llama 2, дообученная на нескольких сочетаниях открытых и частных данных. Она рассчитана на диалог с дружелюбной, энергичной и увлечённой персоной, а также на творческие и познавательные запросы и повседневные задачи ассистента, например написание писем и помощь с кодом. Модель имеет 12,9 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; заявленная длина контекста — 4096 токенов. Карточка указывает английский язык и формат запросов Llama 2 Chat. Модель распространяется по лицензии Llama 2. Версия 1.2 на момент карточки ожидала оценки Open LLM Leaderboard; результаты независимой оценки не приведены.

winglian/Llama-2-3b-hf — языковая модель семейства Llama 2, опубликованная пользователем winglian в формате, совместимом с Hugging Face Transformers. Модель предназначена для авторегрессионной генерации текста и может использоваться через pipeline text-generation, а также в серверных инструментах vLLM и SGLang. По данным карточки и метаданных, модель содержит около 3,4 млрд параметров и поддерживает контекст длиной до 4096 токенов. Репозиторий содержит веса PyTorch и токенизатор.

TheBloke/Llama-2-70B-AWQ — это 4-битная AWQ-квантизированная версия языковой модели Llama 2 70B, разработанной Meta и опубликованной сообществом TheBloke. Модель предназначена для генерации текста и поддерживает английский язык. Она создана на основе meta-llama/Llama-2-70b-hf и использует архитектуру семейства Llama с примерно 70 миллиардами параметров. Ключевая особенность модели — квантизация AWQ с групповым размером 128, выполненная на данных wikitext. Доступны шардированные safetensors-файлы, размер модели составляет около 36,61 ГБ, заявленная длина последовательности — 4096 токенов. Модель ориентирована на GPU-инференс и может использоваться через AutoAWQ или vLLM, включая серверные сценарии с параллельной обработкой запросов. К сильным сторонам относятся существенное снижение требований к видеопамяти и возможность запуска 70B-модели примерно на одной GPU с 48 ГБ памяти вместо двух GPU по 80 ГБ. По сравнению с полноразмерной моделью AWQ может упростить развертывание и снизить стоимость инфраструктуры. Ограничением является то, что производительность и совокупная пропускная способность могут быть ниже, чем у неквантизированной версии при использовании vLLM; кроме того, README не приводит подробных результатов оценки качества после квантизации. Модель распространяется по лицензии Llama 2.

Llama 2 70B Chat — разработанная Meta диалоговая языковая модель на 70 млрд параметров. Это авторегрессионный трансформер, дообученный с помощью supervised fine-tuning и обучения с подкреплением на основе обратной связи от людей; версия в репозитории подготовлена для работы с Hugging Face Transformers и хранится в форматах PyTorch и Safetensors. Модель принимает текст и генерирует текст. Она предназначена прежде всего для диалогов в формате ассистента на английском языке: ответы на вопросы, ведение беседы и другие сценарии генерации текста. Контекст составляет 4 тыс. токенов; вариант на 70B использует Grouped-Query Attention для более масштабируемого вывода. Модель может выдавать неточные, предвзятые или нежелательные ответы, а испытания не охватывали все сценарии. Перед внедрением рекомендуется проверка безопасности и настройка под конкретное применение. Использование регулируется лицензией Meta Llama 2; для получения весов требуется принять её условия.

Upstage Llama-2-70b-instruct — англоязычная языковая модель, дообученная Upstage на базе LLaMA 2 с использованием набора данных в стиле Orca. Это плотная авторегрессионная модель семейства LLaMA с 68,7 млрд параметров, предназначенная для выполнения инструкций и генерации текста. Для общения используется шаблон с отдельными секциями System, User и Assistant. Модель подходит для диалоговых систем, ответов на вопросы и других задач генерации текста на английском языке. В README приведены результаты оценки на ARC-Challenge, HellaSwag, MMLU, TruthfulQA и MT-bench. Метаданные указывают контекст 2048 токенов; в README заявлена возможность обработки более 10 тысяч входных токенов с включённым rope scaling, поэтому фактическая длина зависит от конфигурации запуска. Для работы используются веса PyTorch и библиотека Hugging Face Transformers. README сообщает об испытании на A100 80 ГБ, но не приводит минимальных требований для инференса. Дообученные чекпойнты распространяются по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Модель NEU-HAI/Llama-2-7b-alpaca-cleaned разработана лабораторией NEU Human-centered AI Lab. Это плотная авторегрессионная модель семейства Llama 2 с 6,6 млрд параметров, дообученная на наборе alpaca-cleaned с исходными гиперпараметрами Alpaca. Она предназначена для общения в формате ассистента и генерации текста на английском языке; максимальный контекст составляет 4096 токенов. Модель подходит для ответов на вопросы, выполнения текстовых инструкций и генерации текстов общего назначения. Карточка не приводит результатов оценки качества и подробного описания ограничений; набор данных и исходная модель могут наследовать смещения и ошибки. Лицензия — CC BY-NC 4.0; применение также должно учитывать ограничения проекта Stanford Alpaca и Llama 2 7B.

baaghi124/Llama-2-7B-Chat-OpenOrca — чат-модель на архитектуре Llama 2, дообученная разработчиком baaghi124 на очищенном наборе Llama2-OpenOrca-Clean с применением QLoRA и 4-битной квантизации при дообучении. Модель содержит 6,6 млрд параметров, использует класс LlamaForCausalLM и работает с текстом; её основная задача — генерация ответов в диалоге и продолжение текста. Базовая модель — meta-llama/Llama-2-7b-chat-hf, контекст составляет до 4096 токенов. Модель подходит для чат-ботов и генерации текстовых ответов в сценариях общего назначения. В карточке не приведены отдельные оценки качества или сведения о специальных областях применения. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

RedHatAI/Llama-2-7b-dolphin-open_platypus-pruned_50 — разреженная на 50% модель Llama 2 с 7 млрд параметров, дообученная для следования инструкциям на смеси наборов Platypus, Open Orca и Dolphin. Архитектура — LlamaForCausalLM; модель принимает текст и генерирует текст. Контекст составляет 4096 токенов. Карточка описывает запуск через Transformers, а для ускоренного вывода с учётом разреженности — через nm-vllm или deepsparse. Модель предназначена для ответов на инструкции и запросы в текстовом формате. В приведённых в карточке бенчмарках её результаты немного ниже результатов Llama-2-7b-instruct: например, 45,10% против 48,60% на MMLU и 78,86% против 79,45% на HellaSwag. Лицензия в предоставленных данных не указана.

Minbyul/llama2-7b-dpo-full-sft-wo-kqa_silver_wogold — дообученная методом DPO модель на базе Minbyul/llama2-7b-wo-kqa_silver_wogold-sft. Она использует архитектуру LlamaForCausalLM с 6,6 млрд параметров и предназначена для генерации текста. В качестве обучающих данных указан набор HuggingFaceH4/ultrafeedback_binarized; в README приведены метрики оценки на тестовом наборе, включая точность предпочтений 0,9418 и разницу наград 1,1165. Модель принимает текст и генерирует текст. Контекст — 4096 токенов. Карточка не уточняет целевые сценарии, языки или ограничения качества. Файлы модели размещены в формате safetensors. Лицензия в предоставленных данных не указана.

Llama 2 7B GGUF — это квантизированная версия большой языковой модели Llama 2 7B, разработанной Meta. Репозиторий подготовлен TheBloke и содержит файлы в формате GGUFv2 для запуска модели через llama.cpp и совместимые библиотеки и пользовательские интерфейсы. Модель предназначена для генерации текста на английском языке и поддерживает сценарии локального вывода, включая диалоговые приложения, создание текста и другие задачи text generation. Архитектура — Llama, размер — 7 миллиардов параметров, модальность — текстовая. В репозитории доступны варианты квантизации от 2 до 8 бит, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством; конкретные размеры файлов и максимальные требования к RAM в представленном фрагменте не указаны. Формат GGUF поддерживает метаданные, специальные токены и улучшенную токенизацию, а также совместим с llama.cpp, text-generation-webui, LM Studio, KoboldCpp, ctransformers, llama-cpp-python и другими инструментами. Ограничения включают возможное снижение качества из-за квантизации и отсутствие данных о размере контекста, точных характеристиках производительности и мультиязычных возможностях. Лицензия указана как llama2; модель основана на исходной Meta Llama 2 7B.

Модель ehristoforu/llama-3-12b-instruct разработана @ehristoforu как объединение нескольких вариантов Llama 3 для диалогов и выполнения инструкций. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 11,4 млрд параметров; она принимает текст и генерирует текст. Поддерживает русский и английский языки, а максимальная длина контекста составляет 8192 токена. Модель подходит для создания чат-ботов, ответов на вопросы и выполнения пользовательских инструкций на русском и английском языках. В её основе лежит Meta-Llama-3-8B-Instruct, объединённая с несколькими моделями Llama 3, включая Saiga, OpenHermes, Smaug, Dolphin и NeuralPaca. В карточке указана лицензия Apache-2.0. Количественных оценок качества и подробных ограничений в доступных данных нет.

Это сжатая методом SNIPER версия Meta-Llama-3.1-8B-Instruct от автора репозитория parmanu-lcs2. После обрезки в модели осталось 5,287,235,584 параметра; затем веса восстановительно дообучили на 2000 примерах SlimOrca с помощью LoRA и объединили адаптер с основными весами. Модель использует плотную архитектуру Llama и предназначена для генерации текста в диалоговом формате; она может применяться для ответов на вопросы, инструкций и других текстовых запросов. В метаданных указан контекст до 131072 токенов. Модель загружается через Transformers и распространяется в формате safetensors. Лицензия в предоставленных данных не указана, поэтому условия использования следует сверить на странице репозитория. Обрезка и восстановительное дообучение могут повлиять на качество по сравнению с исходной Meta-Llama-3.1-8B-Instruct; README сообщает о настройке обучения на контексте 1024 токена.