I.5Создание и редактирование текста

RedPajama-INCITE-7B-Chat — языковая модель Together Computer для генерации текста в формате диалога. Модель построена на архитектуре GPT-NeoX и содержит 8,8 млрд параметров по метаданным каталога; в README указано 6,9 млрд. Она обучалась на RedPajama-Data-1T и использует данные OpenAssistant OASST1 и Databricks Dolly 15k. Модель ориентирована на английский язык, имеет контекст до 2048 токенов и распространяется в формате PyTorch по лицензии Apache 2.0. Её можно применять для ведения диалогов, ответов на вопросы, составления черновиков и продолжения текстов. Для инференса README указывает требования к GPU: 16 ГБ памяти в обычном режиме или 12 ГБ для режима int8; для запуска на CPU рекомендован bfloat16. Модель может выдавать неточные или нерелевантные ответы, особенно на сложные, неоднозначные вопросы и запросы за пределами обучающих данных. Она не предназначена для решений в критически важных сценариях.

RedPajama-INCITE-7B-Instruct — языковая модель Together Computer для генерации текста и ответов в диалоговом формате. В метаданных указана архитектура GPT-NeoX с плотной causal language model; размер — 8,8 млрд параметров, контекст — 2048 токенов. Модель предназначена для англоязычного использования и обучалась на RedPajama-Data-1T и RedPajama-Data-Instruct. Модель можно применять для ответов на вопросы, ведения диалога и создания текстовых черновиков. Для обычного GPU-инференса README указывает 16 ГБ памяти, а для запуска в int8 — 12 ГБ. Лицензия — Apache 2.0. Ответы могут быть неточными или неуместными, особенно на сложные, неоднозначные вопросы и темы вне обучающих данных. Модель не рекомендуется для критически важных сценариев и решений, существенно влияющих на людей или общество.

RedPipe-7B-slerp — языковая модель на базе архитектуры Mistral, созданная слиянием OpenPipe/mistral-ft-optimized-1218 и Rakuten/RakutenAI-7B-chat методом SLERP с помощью LazyMergekit. Это плотная авторегрессионная модель с 7,1 млрд параметров для генерации текста; заявленная длина контекста составляет 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев. В состав слияния входит чат-модель Rakuten, рассчитанная на японский и английский языки; README не сообщает результатов оценки RedPipe-7B-slerp или отдельных гарантий качества. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

Reflection-Llama-3.1-70B-ep2-working — рабочая версия модели Reflection от Matt Shumer, дообученная на основе Meta Llama 3.1 70B Instruct. Это плотная авторегрессионная языковая модель с 69,5 млрд параметров, рассчитанная на генерацию текста и диалоговое взаимодействие. Метаданные указывают контекст до 131 072 токенов и интерфейс для вызова инструментов. Модель предназначена для диалогов и генерации ответов с возможностью использовать инструменты. Автор описывает её как рабочую версию второго этапа обучения, которая немного уступает по мощности более поздней версии Reflection; README также сообщает, что третий этап ещё завершался. Модель опубликована в формате Safetensors и распространяется по лицензии Llama 3.1.

Карточка модели Solshine/reflection-llama-3.1-8B-Natural-Farmer-16bit на Hugging Face совпадает с карточкой Solshine/reflection-llama-3.1-8B-Solshine-Full, поэтому описание составлено по ней. Solshine/reflection-llama-3.1-8B-Solshine-Full — языковая модель Solshine на архитектуре Llama, дообученная от Solshine/reflection-llama-3.1-8B-Solshine-trainround4-16bit с использованием Unsloth и библиотеки TRL. Модель содержит 7,5 млрд параметров и рассчитана на генерацию текста и диалоговое взаимодействие; заявленная длина контекста — 131 072 токена. Модель может применяться для генерации ответов в чате и работы с интерфейсом вызова инструментов. В карточке указана поддержка английского языка. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache 2.0.

Модель Solshine/reflection-llama-3.1-8B-Natural-Farmer-3-16bit разработана Solshine и представляет собой дообученную версию Solshine/reflection-llama-3.1-8B-Natural-Farmer-16bit. Это плотная авторегрессионная языковая модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров. Она предназначена для генерации текста и диалогового общения; в карточке также заявлен интерфейс вызова инструментов. Модель обучалась с использованием Unsloth и TRL, а репозиторий содержит веса PyTorch. Модель принимает текст и выдаёт текст. В метаданных указан английский язык и контекстное окно до 131 072 токенов. Она распространяется по лицензии Apache-2.0. Карточка не описывает специализированные области применения или подробные результаты оценки качества.

Solshine/reflection-llama-3.1-8B-Solshine-Full — языковая модель Solshine на архитектуре Llama, дообученная от Solshine/reflection-llama-3.1-8B-Solshine-trainround4-16bit с использованием Unsloth и библиотеки TRL. Модель содержит 7,5 млрд параметров и рассчитана на генерацию текста и диалоговое взаимодействие; заявленная длина контекста — 131 072 токена. Модель может применяться для генерации ответов в чате и работы с интерфейсом вызова инструментов. В карточке указана поддержка английского языка. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache 2.0.

Re:ultiima-32B — плотная языковая модель на 32 млрд параметров, созданная TeamDelta слиянием моделей Qwen2.5 с помощью TIES и mergekit. В качестве основы использована Qwen/Qwen2.5-32B, в слияние также включена Qwen/Qwen2.5-32B-Instruct; веса представлены в формате safetensors, а README указывает dtype float16. Модель предназначена для генерации текста и диалоговых сценариев; метаданные также отмечают интерфейс вызова инструментов. Для неё заявлен контекст до 131 072 токенов. Карточка указывает английский язык, поэтому не следует считать поддержку других языков подтверждённой. Модель распространяется по лицензии Apache-2.0.

Карточка модели mrupatel/reva-mistral-7b на Hugging Face совпадает с карточкой mrupatel/reva-mistral-7b-v2, поэтому описание составлено по ней. mrupatel/reva-mistral-7b-v2 — дообученная модель семейства Mistral, разработанная mrupatel на базе unsloth/mistral-7b-instruct-v0.2-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная модель на 7,1 млрд параметров для генерации текста и диалогового взаимодействия; базовая модель поддерживает контекст до 32 768 токенов. Модель подходит для генерации ответов в чате и других текстовых сценариев общего назначения. В карточке не описаны специальные области применения или результаты оценки качества. Репозиторий распространяется по лицензии Apache-2.0.

Rhea-72b-v0.5 — языковая модель, разработанная David Kim в рамках проекта Rhea. Это дообученная версия abacusai/Smaug-72B-v0.1: автор использовал SFT на открытых наборах данных и DPO с данными предпочтений, частично созданными методом SGD. Модель занимает 71 млрд параметров, построена на плотной архитектуре Llama и предназначена для генерации текста. Она принимает контекст до 32 768 токенов и работает с текстом на английском языке. Модель подходит для диалоговых ответов, рассуждений, вопросов и ответов, а также текстовых задач, представленных в обучающих наборах, включая математику, код и отдельные медицинские и финансовые примеры. В README приведены результаты Open LLM Leaderboard, включая среднее значение 81,22, но эти показатели относятся к указанной автором оценке и не гарантируют качество в конкретном применении. Часть обучающих данных закрыта или недоступна; независимые ограничения качества в карточке не описаны. Лицензия — Apache-2.0.

RigoChat-7b-v2 — диалоговая языковая модель, разработанная Instituto de Ingeniería del Conocimiento (IIC) на базе Qwen2.5-7B-Instruct. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2 без изменений и дообучена методом Direct Preference Optimization (DPO) для более точных ответов на запросы на испанском языке. Максимальная длина контекста — 32 768 токенов. Модель предназначена для широкого круга задач на испанском: диалогов, суммаризации, математических и кодовых запросов, ответов на вопросы по контексту и работы с инструментами. В карточке отдельно отмечено применение в RAG-системах с испанскими документами, где обучение было направлено на ответы с учетом контекста и снижение галлюцинаций. Модель распространяется в формате Safetensors и поддерживает интерфейс вызова инструментов. Лицензия RIGOCHAT NON-COMMERCIAL ограничивает коммерческое использование загруженной модели; для коммерческого применения разработчик указывает отдельный вариант через AWS Marketplace. Модель может воспроизводить предвзятости, ошибаться, особенно в технических, научных и юридических темах, и не знать событий после даты отсечения обучения.

rizla/rizla-69 — текстовая генеративная модель семейства Llama с плотной архитектурой LlamaForCausalLM и 67,5 млрд параметров. Репозиторий содержит веса в формате safetensors; заявленное контекстное окно — 32 768 токенов. Модель предназначена для генерации текста. В README сказано, что это копия «momo-qwen-72B», однако описание обрезано и не сообщает, как модель обучалась и для каких конкретных сценариев предназначена. Лицензия — Apache-2.0.

rizla-9 — языковая модель для генерации текста, опубликованная пользователем rizla. По метаданным это плотная авторегрессионная модель семейства Mistral с архитектурой MistralForCausalLM, 11,7 млрд параметров и контекстом до 32 768 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Карточка описывает объединение предварительно обученных языковых моделей методом passthrough с помощью mergekit. В конфигурации указаны локальные пути к компонентам, поэтому их идентификаторы и назначение установить нельзя. Модель предназначена для генерации текста; метаданные указывают английский язык. Лицензия — MIT.

cointegrated/roberta-base-formality — англоязычный классификатор формальности текста, разработанный @cointegrated на основе FacebookAI/roberta-base. Модель дообучена как бинарный классификатор на наборе GYAFC: класс 1 означает формальный текст, класс 0 — неформальный. Веса представлены в форматах PyTorch и Safetensors; размер модели — около 151,8 млн параметров, контекст — до 514 токенов. Модель предназначена для определения формальности предложений и оценки переноса стиля текста. В карточке указаны ROC AUC 99,13% на dev-разбиении и 99,20% на test-разбиении GYAFC. Лицензия обозначена автором как предположительно MIT на основе базовой модели, при этом условия использования GYAFC следует проверить отдельно.

Это вариант Robin 65B v2 от OptimalScale, подготовленный TheBloke в формате PyTorch с точностью fp16. Модель относится к семейству Llama, имеет плотную архитектуру и около 65 млрд параметров; контекст составляет 2048 токенов. В карточке приведён шаблон диалога с помощником, который отвечает на вопросы в подробной и вежливой форме. Модель предназначена для генерации текста в диалоговом формате и может использоваться для ответов на вопросы, ведения беседы и подготовки развёрнутых текстовых ответов. Файлы fp16 рассчитаны на GPU-инференс и дальнейшие преобразования; размер модели требует значительных ресурсов видеопамяти. README описывает слияние и/или преобразование исходного репозитория в fp16, поэтому точнее определить происхождение нельзя. Лицензия в метаданных обозначена как other, без дополнительных условий в доступных данных.

jeiku/RocketHermesZephyrBoros_3B — объединённая языковая модель, созданная с помощью mergekit. В качестве базовой использована jeiku/Rosa_v1_3B, а в слияние также вошли pansophic/rocket-3B, jondurbin/airoboros-3b-3p0, cxllin/StableHermes-3b и stabilityai/stablelm-zephyr-3b. Для объединения применён метод task arithmetic; веса сохранены в формате safetensors с точностью float16. Модель построена на архитектуре StableLM Epoch, содержит 2,7 млрд параметров и имеет контекст длиной 4096 токенов. Она предназначена для диалогов, ответов на запросы и генерации текста; карточка отмечает разговорные возможности. В метаданных указана лицензия не была, поэтому условия использования по доступным данным описать нельзя.

RocRacoon-3b — языковая модель Aixon Lab для генерации текста и диалогов. Она представляет собой причинную Transformer-модель семейства Phi-3 и дообучена на microsoft/Phi-3-mini-128k-instruct; в метаданных указано 3,7 млрд параметров и контекст до 4096 токенов. Модель предназначена для творческого письма, написания статей и тематических многоходовых бесед, а также для генерации связных ответов и другого текстового контента. README сообщает об английском языке как основном и допускает поддержку других языков, но подтверждённых сведений о них нет. В карточке заявлены улучшения связности и креативности относительно базовой модели, однако подробные метрики оценки ещё собираются. Возможны унаследованные смещения; результаты следует проверять, особенно в чувствительных сценариях. Лицензия — MIT.

Rombo-LLM-V2.5-Qwen-1.5b — плотная причинная языковая модель на архитектуре Qwen2, созданная Rombo-Org как дообученная версия Qwen2.5-1.5B-Instruct. Она предназначена для диалогов и генерации текста, включая структурированные ответы и интерфейс вызова инструментов. В карточке заявлено слияние instruct- и base-моделей методом TIES, однако метаданные указывают связь с Qwen2.5-1.5B-Instruct как finetune; поэтому происхождение точнее определить по доступным данным нельзя. Модель содержит 1,5 млрд параметров, работает через Transformers и распространяется в формате safetensors; автор также упоминает варианты GGUF. Указанный контекст — до 131 072 токенов. Лицензия — Apache-2.0. README заявляет о более высокой производительности по сравнению с исходными instruct- и base-моделями, но не приводит результатов бенчмарков или подробностей оценки.

Rombo-Org_Rombo-LLM-V3.1-QWQ-32b-GGUF — это набор GGUF-квантизаций 32-миллиардной языковой модели Rombo-LLM-V3.1-QWQ-32b, разработанной Rombo-Org. Квантизации подготовлены bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и может запускаться локально через llama.cpp, LM Studio и другие совместимые проекты. Доступны варианты квантизации от Q8_0 до Q3 и IQ3/IQ4, рассчитанные на разные компромиссы между качеством, размером файла и требованиями к памяти. Наиболее качественными и рекомендуемыми в README названы Q6_K_L, Q6_K, Q5_K_L, Q5_K_M, Q5_K_S, Q4_K_L, Q4_K_M, Q4_K_S и IQ4_XS; Q4_K_M указан как вариант по умолчанию для большинства сценариев. Размер файлов составляет примерно от 13,71 до 34,82 ГБ. Модель работает в текстовой модальности; поддерживаемые языки и размер контекста в предоставленных данных не указаны. Сильной стороной является возможность локального запуска на широком спектре оборудования благодаря множеству уровней квантизации, включая варианты для систем с ограниченной оперативной памятью и отдельные legacy-форматы. При снижении точности квантизации уменьшается потребление памяти, но может ухудшаться качество генерации; самые компактные варианты отмечены как низкокачественные или нерекомендуемые. Лицензия модели указана как Apache-2.0.

Rombos-LLM-70b-Llama-3.3-GGUF — это набор квантизированных GGUF-версий языковой модели Rombos-LLM-70b-Llama-3.3, разработанной rombodawg. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации и обработки текста, а также локального запуска через совместимые инструменты, включая LM Studio и llama.cpp. Модель основана на архитектуре Llama 3.3 с заявленным размером 70 млрд параметров и поддерживает только текстовую модальность. В репозитории доступны варианты квантизации от Q8_0 до Q2 и IQ-форматов, включая рекомендуемые Q6_K, Q5_K и Q4_K. Размер файлов составляет примерно от 24 до 75 ГБ, поэтому для запуска требуются значительные ресурсы оперативной или видеопамяти. Формат GGUF удобен для локального инференса на CPU и GPU, а отдельные варианты поддерживают особенности ARM и AVX. Сильной стороной являются различные уровни квантизации, позволяющие выбирать баланс между качеством, размером и требованиями к памяти; версии с более высокой точностью обеспечивают качество, близкое к исходной модели. Ограничения связаны с потерями качества при низкой битности, большими требованиями к памяти и отсутствием в README сведений о языках, размере контекста, результатах тестирования и специализированных сценариях применения. Указанная лицензия — llama3.3.

RefalMachine/ruadapt_llama3_8b_instruct_extended_lep_ft — чат-модель на архитектуре Llama 3 с 7,7 млрд параметров. Это LoRA-дообучение базовой модели RefalMachine/llama3_extended_darulm_20_05_24_part1-2_64000_bpe_full_lr2e4_bs256 на датасете saiga_scored d7; перед дообучением использована процедура Learned Embedding Propagation (LEP) с расширенным токенизатором. Разработчик сообщает, что расширенный токенизатор повышает эффективность работы с русским языком. Модель предназначена для генерации текста и диалогового общения на русском и английском языках. Контекст составляет 8192 токена; веса опубликованы в формате safetensors. Карточка не описывает отдельные специализированные области применения или результаты оценки качества. Лицензия в предоставленных данных не указана.

RuadaptQwen2.5-14B-Instruct — инструктивная русскоязычная адаптация Qwen2.5-14B от RefalMachine. Авторы заменили токенизатор, выполнили дополнительное предобучение на русскоязычном корпусе и применили метод Learned Embedding Propagation (LEP). Модель относится к плотной архитектуре Qwen2 и содержит 14 млрд параметров; контекст — до 32 768 токенов. Репозиторий предоставляет веса в формате safetensors. Модель предназначена для генерации текста и диалоговых сценариев на русском языке. По заявлению авторов, новый токенизатор увеличивает скорость генерации русскоязычного текста до 60% относительно исходной Qwen2.5-14B-Instruct при сравнении на одинаковых текстовых последовательностях. В карточке также заявлен интерфейс для вызова инструментов. Модель выпущена по лицензии Apache-2.0. Карточка помечена как рабочая версия v1; опубликованные разделы результатов оценки содержат незаполненные значения TODO, поэтому по README нельзя судить о сравнительном качестве. Ответы могут воспроизводить сведения и установки, усвоенные на этапах обучения, и не обязательно отражают позицию авторов.

Gilgamesh-72B-GGUF — это GGUF-квантизация языковой модели Gilgamesh-72B, разработанной rubenroy и подготовленной пользователем bartowski для запуска через llama.cpp и совместимые приложения, включая LM Studio. Модель предназначена для генерации текста, чат-взаимодействия и разговорных сценариев. В метаданных она связана с архитектурой Qwen2 и обучалась с использованием наборов данных GammaCorpus-v2-5m, GammaCorpus-CoT-Math-170k и GammaCorpus-Fact-QA-450k. Заявленный язык — английский. Модель имеет 72 миллиарда параметров и доступна в вариантах квантизации от Q8_0 до Q2 и IQ-квантов, с размером файлов примерно от 27 до 77 ГБ. Варианты Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и IQ4_XS отмечены как рекомендуемые; Q6_K обеспечивает качество, близкое к исходному, а Q4_K_M представляет компромисс между качеством и требованиями к памяти. Более компактные варианты требуют меньше оперативной памяти, но могут заметно уступать по качеству. Длина контекста в README не указана, мультимодальность не заявлена. Для работы следует использовать формат prompt с ролями system, user и assistant, совместимый с шаблоном Qwen. Модель распространяется по лицензии, обозначенной как other, с указанием лицензии Qwen и ссылкой на лицензию Qwen2.5-72B-Instruct. Конкретные условия лицензии исходной модели необходимо проверить отдельно.

ruT5-base-pls — дообученная модель семейства T5, созданная на основе ai-forever/ruT5-base для упрощения русскоязычного текста. Она принимает сложное предложение и генерирует более простую перефразировку с сохранением смысла; при обучении использовались наборы RuSimpleSentEval и RuAdapt. Модель содержит 123,8 млн параметров, использует архитектуру T5ForConditionalGeneration и принимает текст длиной до 512 токенов. Модель предназначена для упрощения предложений и может применяться для подготовки более доступных формулировок. В карточке приведены метрики BLEU 100,0, SARI 28,699 и FKGL 31,931, однако README предупреждает, что значение BLEU выглядит аномальным, а FKGL необычно высок для упрощённого текста; результаты следует перепроверить на корректной отложенной выборке. Лицензия модели не указана, поэтому условия её использования следует уточнить по лицензиям базовой модели и обучающих данных.

rwkv7-0.4B-world — языковая модель RWKV-7, разработанная Bo Peng, Yu Zhang, Songlin Yang и Ruichong Zhang при поддержке RWKV Project в рамках LF AI & Data Foundation. Она предназначена для авторегрессионной генерации текста и диалогов; карточка описывает её как модель в формате flash-linear attention. Модель содержит около 419 млн параметров по метаданным, использует токенизатор RWKV World с словарём из 65 536 токенов и поддерживает контекст до 2 048 токенов. Модель обучена на корпусе World v3 объёмом 3,119 трлн токенов. В карточке заявлен английский язык, а метаданные каталога указывают также китайский, японский, корейский, французский, арабский, испанский и португальский. Она представлена как дообучение BlinkDL/rwkv-7-world и распространяется в формате Safetensors через Transformers. Лицензия — Apache-2.0. Для запуска README рекомендует установить flash-linear-attention и Transformers версии 4.48.0 или новее. Карточка не содержит результатов оценки качества; заявленный родительский чекпойнт и языковые возможности следует учитывать при выборе модели для конкретного сценария.

Это языковая модель RWKV-7 World размером 1,5 млрд параметров в формате flash-linear attention, опубликованная проектом RWKV и разработанная Бо Пэном, Ю Чжаном, Сонглином Яном и Жуйчуном Чжаном. Модель предназначена для генерации текста и диалогов; её можно использовать через Transformers при наличии поддержки RWKV и flash-linear attention. Модель обучена на корпусе World v3 объёмом 3,119 трлн токенов, использует токенизатор RWKV World с размером словаря 65 536 и имеет контекст до 2048 токенов. Поддерживаемые языки: английский, китайский, японский, корейский, французский, арабский, испанский и португальский. В README приведены результаты LAMBADA: точность 69,4% до преобразования и 68,8% после него. Модель распространяется по лицензии Apache-2.0. Для запуска README рекомендует установить flash-linear attention и Transformers версии 4.48.0 или новее. Это компактная модель относительно крупных современных LLM; её ограничивают размер контекста и возможная потеря качества при преобразовании весов.

RWKV-7 World — базовая авторегрессионная языковая модель семейства RWKV от BlinkDL, предназначенная для генерации текста и использования в качестве основы для дообучения. Модель обучалась на корпусе примерно из 3,1 трлн токенов для версии World-v3; в обучающих данных преобладает английский язык, также представлены другие языки и программный код. В README указаны варианты семейства от 0,1B до примерно 7B параметров, но размер именно этой публикации не уточнён. Модель рассчитана на продолжение текста, диалоговые и вопросно-ответные сценарии при использовании рекомендованных шаблонов запросов. Архитектура RWKV-7 поддерживается пакетом rwkv версии 0.8.28 и выше. Карточка сообщает о обучении более чем на 100 языках; метаданные перечисляют 12 языков, включая русский, китайский, английский, французский, испанский, немецкий, португальский, итальянский, японский, корейский, вьетнамский и арабский. В README приведены результаты MMLU для нескольких вариантов RWKV-7-v3 и сравнение с RWKV-6, но эти оценки не являются характеристиками конкретного файла модели. Это базовая модель, а не специализированный чат-чекпойнт; качество ответов и следование инструкциям могут зависеть от шаблона и дополнительного дообучения. Лицензия — Apache-2.0.

Sakalti/SakalFusion-7B-Alpha — текстовая языковая модель, созданная методом Model Stock из предварительно обученных моделей с помощью mergekit. В объединение вошли AIDC-AI/marco-o1 и rombodawg/Rombos-LLM-V2.5-Qwen-7b, а базой служила Qwen/Qwen2.5-7B. Модель имеет плотную архитектуру Qwen2, 7,1 млрд параметров и работает через библиотеку Transformers; веса представлены в формате safetensors. Модель предназначена для генерации текста и диалогового взаимодействия. Заявленная длина контекста — до 131 072 токенов. Метаданные карточки перечисляют поддержку английского, китайского, русского и других языков, включая французский, немецкий, испанский и японский. Указана возможность интерфейса вызова инструментов, но специальных гарантий его совместимости или качества карточка не приводит. Лицензия в предоставленных данных не указана, поэтому условия использования определить нельзя. Как результат слияния нескольких моделей, качество может различаться между задачами и языками; отдельные оценки или результаты тестирования для этой версии в карточке не приведены.

Salamandra 2B Instruct Aina Hack — многоязычная авторегрессионная языковая модель с архитектурой Llama, разработанная подразделением языковых технологий Barcelona Supercomputing Center для инициативы AinaHack правительства Каталонии. Это экспериментальная версия с предварительной настройкой следования инструкциям и диалогового общения; модель содержит около 1,7 млрд параметров и принимает контекст длиной до 8192 токенов. Модель предназначена для генерации текста и работы в качестве общего диалогового помощника на европейских языках, а также может применяться в инструментах для администрации Каталонии. Она обучена на многоязычных данных и коде; карточка указывает поддержку 35 европейских языков и 92 языков программирования. Доступны веса в формате Safetensors, библиотека Transformers и шаблон диалога ChatML. Модель не прошла выравнивание RLHF и может выдавать вредные или неподходящие ответы. В карточке также отмечены социальные и когнитивные смещения и ограниченность их оценки; для практического применения нужны проверка и настройка под конкретный сценарий. Лицензия Apache 2.0 допускает коммерческое и исследовательское использование с соблюдением её условий.

Vikhrmodels/salt-asr_speech_1_wav_1_tts_speech_3_text-10k — дообученная на базе Meta Llama 3.2 3B языковая модель с архитектурой LlamaForCausalLM. Она предназначена для генерации текста; в данных репозитория также отмечены обучающие наборы для распознавания речи, синтеза речи и инструкционного диалога, однако README не описывает соответствующие пользовательские сценарии. Модель содержит 3,2 млрд параметров, работает с Transformers и PyTorch и поддерживает контекст до 131 072 токенов. В метаданных указан английский язык. Лицензия в предоставленных данных не указана.