I.5Создание и редактирование текста

samantha-mistral-instruct-7b-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель на архитектуре Mistral, созданная MaziyarPanahi слиянием методом SLERP моделей Mistral-7B-Instruct-v0.2 и Samantha-Mistral-Instruct-7B. Она предназначена для генерации текста в формате диалога и выполнения инструкций; размер составляет 7,1 млрд параметров, контекст — до 32 768 токенов. Модель принимает текст и выдаёт текст. Модель распространяется по лицензии Apache-2.0. Карточка описывает состав и конфигурацию слияния, но не приводит отдельных оценок качества или специализированных сценариев; применимость к конкретным задачам следует проверять на собственных данных.

SambaLingo-Turkish-Chat — диалоговая языковая модель, разработанная SambaNova Systems. Она построена на SambaLingo-Turkish-Base, адаптированной для турецкого языка на основе Llama 2, и дополнительно обучена методом direct preference optimization для выравнивания ответов в чате. Модель имеет плотную архитектуру LlamaForCausalLM и 6,7 млрд параметров; длина контекста составляет 4096 токенов. Словарь токенизатора расширен с 32 000 до 57 000 токенов. Модель предназначена для ведения диалогов и генерации ответов на турецком и английском языках. Её можно применять для ответов на вопросы, помощи с повседневными текстовыми задачами и чат-интерфейсов. В README указана лицензия Meta Llama 2 Community License Agreement; перед использованием весов необходимо соблюдать её условия. Ограничения включают возможные фактические ошибки, переключение между языками или диалектами, повторы, а также ограниченную точность при написании кода и решении сложных математических задач. Модель также может генерировать токсичные или неподходящие ответы; разработчик не рекомендует использовать её в критически важных приложениях и для решений, затрагивающих безопасность людей.

Sappho V0.0.2 — диалоговая языковая модель, созданная автором Jakolo121 путём слияния SauerkrautLM-7b-HerO и Dolphin 2.8 Mistral 7B v02 с помощью LazyMergekit. Модель построена на плотной архитектуре Mistral с 7,1 млрд параметров и предназначена для генерации текста и диалоговых ответов. Поддерживает контекст до 32 768 токенов и работает с текстом на входе и выходе. Модель подойдёт для чат-ботов, ответов на вопросы и генерации текста. Базовая SauerkrautLM ориентирована на немецкий и английский языки. Репозиторий содержит веса в формате Safetensors. Лицензия в предоставленных данных не указана.

Saraa-8B-ORPO-AUNQA-16bit — языковая модель StrangeSX, дообученная на базе unsloth/llama-3-8b-bnb-4bit. Это плотная авторегрессионная модель семейства Llama 3 с примерно 7,5 млрд параметров, предназначенная для генерации текста. В карточке указано, что обучение выполнялось с Unsloth и библиотекой Hugging Face TRL; модель представлена в формате safetensors и поддерживает контекст до 8192 токенов. Модель можно использовать для генерации продолжений и ответов на текстовые запросы. Карточка не уточняет целевой датасет или специализацию AUNQA и ORPO, поэтому качество для конкретных предметных задач по ней оценить нельзя. Указанная лицензия — Apache-2.0.

SauerkrautLM 13B v1 — это языковая модель для генерации текста и диалогового взаимодействия, разработанная VAGO solutions. Представленная версия преобразована в формат GGUF и квантизована TheBloke для более эффективного запуска на совместимом оборудовании. Модель основана на архитектуре Llama и содержит 13 миллиардов параметров. Она предназначена для текстовых сценариев, включая ответы на вопросы, ведение диалогов и создание полезных, подробных и вежливых ответов. В README заявлена поддержка немецкого и английского языков. Модель является текстовой и не поддерживает обработку изображений или других мультимодальных данных. Размер контекста и другие характеристики исходной архитектуры в README не указаны. GGUF-файлы доступны с уровнями квантизации от 2 до 8 бит, что позволяет выбирать компромисс между требованиями к памяти, скоростью работы и качеством генерации. Модель совместима с llama.cpp и рядом сторонних интерфейсов и библиотек, включая text-generation-webui, KoboldCpp, LM Studio, llama-cpp-python и другие решения. Более низкая квантизация уменьшает потребление ресурсов, но может снижать качество ответов. Лицензия указана как Llama 2.

SauerkrautLM Mixtral 8X7B Instruct — это инструкционная языковая модель на архитектуре Mixtral, разработанная VAGO solutions и представленная в квантованном формате GGUF командой TheBloke. Она предназначена для генерации текста и диалогового взаимодействия, включая выполнение пользовательских инструкций, ответы на вопросы и локальный запуск через llama.cpp и совместимые интерфейсы и библиотеки. Модель основана на SauerkrautLM-Mixtral-8x7B-Instruct и использует архитектуру Mixtral 8x7B. В репозитории доступны варианты квантования с разрядностью от 2 до 8 бит для инференса на CPU и GPU. Заявлена поддержка английского, немецкого, французского, итальянского и испанского языков. Для форматирования запросов используется шаблон Mistral [INST] {prompt} [/INST]. При обучении или доработке применялся датасет argilla/distilabel-math-preference-dpo. К сильным сторонам относятся инструкционная настройка, многоязычность и широкий выбор уровней квантования, позволяющий адаптировать требования к памяти и производительности. Ограничения включают возможные потери качества из-за квантования, зависимость производительности от выбранного варианта и оборудования, а также отсутствие в предоставленных данных сведений о размере контекста и детальных результатах оценки. Указана лицензия Apache-2.0.

Saul-Instruct-Clown-7b — языковая модель, созданная arcee-ai слиянием через mergekit моделей CorticalStack/pastiche-crown-clown-7b-dare-dpo и Equall/Saul-Instruct-v1. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, рассчитанная на генерацию текста; заявленная длина контекста — 32 768 токенов. Модель подходит для диалогов, ответов на вопросы, рассуждений и решения задач по текстовому запросу. В README приведены результаты OpenLLM-бенчмарков, включая ARC, HellaSwag, MMLU, TruthfulQA и GSM8K, но они не гарантируют аналогичного качества на других данных и сценариях. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Это слияние двух моделей, поэтому характеристики и поведение могут сочетать их свойства; отдельные языки, помимо поддерживаемого текстового интерфейса, в предоставленных данных не обозначены.

arcee-ai выпустила saul-mistral-v0.2-7b-slerp — объединённую с помощью mergekit модель для диалоговой генерации текста. Она объединяет Equall/Saul-Base и mistralai/Mistral-7B-Instruct-v0.2 методом SLERP; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров. Модель принимает текст и поддерживает контекст до 32 768 токенов. Модель подходит для диалогов и ответов на инструкции в приложениях на базе Transformers. Репозиторий содержит веса в формате safetensors и опубликован под лицензией Apache-2.0. Карточка не описывает отдельные специализированные навыки или оценки качества этой версии.

Savant-LLaMa-70B — объединённая языковая модель автора TareksGraveyard, созданная с помощью mergekit методом della_linear. В качестве базовой использована nbeerbower/Llama-3.1-Nemotron-lorablated-70B; в объединение также вошли пять моделей семейств Llama от EVA-UNIT-01, Sao10K, SicariusSicariiStuff и TheDrummer. Модель предназначена для диалогового общения и генерации текста. Она построена на архитектуре Llama с 69,5 млрд параметров, принимает текст и выдаёт текст; заявленная длина контекста — 131 072 токена. В README автор описывает результат как эксперимент слияния и оценивает его как достойный, но отмечает, что предпочитает другой собственный вариант. Репозиторий содержит веса Safetensors и использует лицензию Llama 3.3. Перед применением следует учитывать условия лицензии Llama 3.3 и ограничения, унаследованные от включённых моделей; README не приводит отдельной оценки качества или подробных рекомендаций по безопасному использованию.

Scarlett-Llama-3-8B-GGUF — это набор квантизованных версий текстовой генеративной модели Scarlett-Llama-3-8B, опубликованный bartowski. Исходная модель разработана проектом ajibawa-2023, а квантизация выполнена с использованием llama.cpp и метода imatrix. Модель распространяется в формате GGUF и предназначена для локального запуска и генерации текста. По тематическим меткам модель ориентирована на художественные тексты, философские рассуждения, романтические сценарии, шутки, советы и написание кода. Указан английский язык. Архитектура и исходный размер обозначены как Llama 3 8B; поддерживается только текстовая модальность. Формат диалога использует специальные маркеры system, user и assistant. Длина контекста в README не указана. Главное преимущество набора — широкий выбор уровней квантизации с размером файлов примерно от 2,01 до 8,54 ГБ, что позволяет адаптировать модель к доступному объёму памяти. Версии Q6_K, Q5_K_M, Q5_K_S и Q4_K_M отмечены как рекомендуемые благодаря сочетанию качества и размера; варианты с более низкой разрядностью экономичнее, но дают более низкое качество. Лицензия указана как llama3 с типом other; точные условия следует уточнять в файле LICENSE.

JetLM/SDAR-1.7B-Chat — диалоговая языковая модель семейства SDAR, разработанная авторами проекта SDAR. Она объединяет авторегрессионное обучение с дискретным диффузионным моделированием: авторегрессионный подход используется при обучении, а диффузионный позволяет генерировать токены параллельно. Модель предназначена для генерации ответов в чате и других задач продолжения текста; в метаданных также отмечен интерфейс вызова инструментов. Модель содержит 1,7 млрд параметров, использует плотную архитектуру SDARForCausalLM и поддерживает контекст до 32 768 токенов. Карточка описывает результаты семейства SDAR как сопоставимые с сильными авторегрессионными моделями общего назначения, а также сообщает о преимуществах в научных задачах для отдельных моделей семейства; эти утверждения не выделяют результаты именно версии 1.7B-Chat. Репозиторий содержит веса safetensors. Лицензия — Apache-2.0. Карточка не приводит сведений о поддерживаемых естественных языках или ограничениях применения.

SDLM-3B-D4 — языковая модель OpenGVLab, представленная в работе Sequential Diffusion Language Models. Это дообученная версия Qwen2.5-3B: плотная архитектура семейства Qwen2 с 3,1 млрд параметров, рассчитанная на генерацию текста и диалоговое применение. Модель использует последовательное блочное предсказание с маскированием, декодирование по самому длинному уверенному префиксу и повторное использование KV-кэша. Такой подход сочетает предсказание блоков в диффузионной схеме с заданным порядком декодирования. Модель предназначена для генерации текста, в том числе ответов в диалоге, и может быть полезна там, где важно ускорить вывод. Авторы сообщают о примерно двукратном ускорении относительно сопоставимых авторегрессионных моделей при сходном качестве и до пятикратного ускорения относительно других диффузионных языковых моделей; результаты зависят от порога уверенности и сценария оценки. Контекст — до 32 768 токенов. В метаданных указан английский язык; лицензия — Apache-2.0. Для запуска в README приведены зависимости Transformers 4.37.2 и PyTorch не ниже 2.5.0.

QuantFactory/SeaLLM3-7B-Chat-GGUF — квантизированная версия чат-модели SeaLLMs/SeaLLM3-7B-Chat, созданная QuantFactory с использованием llama.cpp. Семейство SeaLLMs разработано для работы с языками Юго-Восточной Азии; модель предназначена для генерации текста, диалогов и выполнения пользовательских инструкций. Модель ориентирована на широкий круг задач: ответы на вопросы, следование инструкциям, математическое рассуждение, перевод и работу со знаниями общего назначения. В README заявлены улучшенные возможности многошагового диалога, сниженная склонность к галлюцинациям и более безопасное поведение, в том числе при запросах, связанных с культурой стран Юго-Восточной Азии. Указаны английский, китайский, индонезийский, вьетнамский, тайский и малайский языки; также заявлена поддержка тагальского, бирманского, кхмерского, лаосского, тамильского и яванского языков. Это текстовая autoregressive language model размером 7B параметров в квантизированном формате GGUF; конкретная схема квантизации и размер контекстного окна в README не указаны. Квантизация и совместимость с llama.cpp могут упростить локальный запуск и снизить требования к ресурсам, однако README не содержит точных требований к оборудованию и количественной оценки качества. Модель ограничена текстовой модальностью и, как и другие языковые модели, может допускать ошибки. Лицензия обозначена как other с названием seallms; условия использования приведены по ссылке на лицензию SeaLLMs. Перед применением необходимо ознакомиться с ними.

Seamaiiza-7B-v1 — текстовая генеративная модель, созданная AlekseiPravdin слиянием двух моделей семейства Mistral с помощью mergekit и метода SLERP. В конфигурации слияния указаны AlekseiPravdin/KSI-RP-NSK-128k-7B и SanjiWatsuki/Kunoichi-DPO-v2-7B; метаданные каталога указывают SanjiWatsuki/Kunoichi-DPO-v2-7B как базовую модель. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и принимает текст для генерации продолжений и ответов в диалоге. Нативный контекст — 8192 токена. Репозиторий содержит веса в формате safetensors; модель опубликована по лицензии Apache-2.0. Карточка описывает способ слияния, но не приводит результаты оценки качества или специальные ограничения применения. Фактическое качество может зависеть от сценария и формулировки запроса.

Карточка модели impossibleexchange/seenoevil2 на Hugging Face совпадает с карточкой impossibleexchange/hearnoevil, поэтому описание составлено по ней. impossibleexchange/hearnoevil — объединённая языковая модель, созданная с помощью mergekit линейным слиянием whizzzzkid/whizzzzkid_p8_4 и whizzzzkid/whizzzzkid_p9_6. Модель относится к семейству StableLM, использует плотную архитектуру StableLmForCausalLM и содержит 1,4 млрд параметров. Она предназначена для генерации текста и диалогового взаимодействия; максимальная длина контекста составляет 4096 токенов. Модель распространяется в формате safetensors и предназначена для запуска через Transformers. Данные не уточняют поддерживаемые естественные языки или специализированные области применения. Условия лицензии в предоставленных источниках не указаны.

Minbyul/selfbiorag-7b-wo-kqa_silver_wogold-sft — дообученная модель семейства Llama с плотной архитектурой LlamaForCausalLM и 6,6 млрд параметров. Она создана на основе dmis-lab/selfbiorag_7b с использованием набора HuggingFaceH4/deita-10k-v0-sft; в README для оценки указано значение loss 1,1482. Модель предназначена для генерации текста и может использоваться в сценариях, где требуется получать текстовые ответы или продолжения по текстовому запросу. Контекст составляет 4096 токенов. Репозиторий содержит веса в формате safetensors. Лицензия и дополнительные сведения о применении в карточке не приведены.

Hjgugugjhuhjggg/semi_final — объединённая диалоговая языковая модель, созданная с помощью mergekit методом TIES на базе huihui-ai/Llama-3.2-3B-Instruct-abliterated. Модель семейства Llama имеет 3,2 млрд параметров, использует архитектуру LlamaForCausalLM и распространяется в формате safetensors. Модель предназначена для генерации текста и ведения диалога. Контекст составляет до 131 072 токенов; в метаданных также указана возможность интерфейса вызова инструментов. Карточка не описывает отдельные прикладные области или дополнительные языки, поэтому модель можно отнести к общему назначению. Модель представляет собой слияние нескольких чекпойнтов, а не самостоятельное дообучение. Сведения о лицензии в предоставленных источниках отсутствуют.

SenseShift-large — англоязычная модель для управляемого редактирования текста, разработанная на базе answerdotai/ModernBERT-large. Она переписывает выбранное предложение в отрывке или добавляет новое, ориентируясь на целевую тональность от −1,0 до +1,0 с шагом 0,1, и учитывает текст до и после изменяемого места. Модель построена на двунаправленном энкодере ModernBERT-large с архитектурой ModernBertForMaskedLM и содержит около 394,7 млн параметров. Для генерации маскирует слова в целевом предложении и восстанавливает их с помощью поиска по лучам; контекст модели — 8192 токена. Подходит для изменения эмоциональной окраски прозы, отзывов и описаний, а также для создания размеченных вариантов текста и проверки устойчивости классификаторов. Лицензия — Apache-2.0. Модель обучалась на коротких детских историях с оценками тональности VADER и переносится на другую английскую прозу, но отрицательная тональность представлена в обучающих данных слабее положительной. Крайние значения −1,0 и +1,0 практически не обучались; для более надёжного управления README рекомендует диапазон от −0,9 до +0,9 и проверку фактически достигнутой тональности. Генерация выполняется неавторегрессионным заполнением масок, поэтому может отличаться от обычной генерации текста слева направо.

Sensorial-12B — объединённая модель для генерации текста, созданная ClaudioItaly с помощью mergekit методом TIES. В качестве базовой использована PocketDoc/Dans-PersonalityEngine-V1.1.0-12b; в слияние также вошли LatitudeGames/Wayfarer-12B и DavidAU/MN-GRAND-Gutenberg-Lyra4-Lyra-12B-DARKNESS. Модель построена на архитектуре Mistral, содержит 12,1 млрд параметров и распространяется в формате safetensors с весами float16. Она предназначена для генерации текста и разговорного взаимодействия; метаданные указывают контекстное окно до 1 024 000 токенов. Карточка не уточняет языки, для которых модель оптимизирована, и не описывает отдельные специализированные сценарии.

CultriX/SeQwence-14B-EvolMergev1 — языковая модель на архитектуре Qwen2, созданная слиянием предварительно обученных моделей методом DARE TIES с помощью mergekit. В слиянии участвовали SeQwence-14Bv1, Qwen2.5-14B-Wernicke и Qwen2.5-14B-MegaMerge-pt2; размер модели — 14 млрд параметров. Репозиторий содержит веса в формате Safetensors, а для работы указана библиотека Transformers. Модель предназначена для генерации текста и диалогового общения; метаданные также отмечают интерфейс вызова инструментов. Контекстное окно составляет 131 072 токена. Карточка не описывает языковую специализацию или результаты оценки качества, поэтому область применимости и качество ответов за пределами общих сценариев генерации текста не установлены. Лицензия в предоставленных данных не указана.

CultriX/SeQwence-14Bv1 — объединённая языковая модель на архитектуре Qwen2, созданная CultriX с помощью mergekit и метода DARE TIES. В качестве базовой модели при слиянии использована Qwen/Qwen2.5-14B; в состав также вошли CultriX/SeQwence-14B, CultriX/Qwen2.5-14B-Wernicke, CultriX/Qwen2.5-14B-MegaMerge-pt2, VAGOsolutions/SauerkrautLM-v2-14b-DPO и v000000/Qwen2.5-Lumen-14B. Модель предназначена для генерации текста и диалоговых сценариев. Это плотная модель с 14 млрд параметров и контекстом до 131 072 токенов; принимает текст и выдаёт текст. В метаданных указан английский язык, а интерфейс поддерживает чат и вызов инструментов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или подробных сведений о поведении объединённой модели.

Seraph-7B — языковая модель с 7,1 млрд параметров на базе архитектуры Mistral, опубликованная Weyaxi. Автор объединил модели с помощью mergekit; репозиторий содержит веса в формате safetensors и поддерживает генерацию текста с контекстом до 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате. В README приведены шаблоны Alpaca и ChatML, причём автор рекомендует ChatML. Указаны результаты оценки на Open LLM Leaderboard, включая средний балл 71,86, ARC и HellaSwag. Лицензия CC BY-NC 4.0 разрешает использование на условиях атрибуции и некоммерческого применения. README не уточняет состав объединённых моделей, языковую специализацию и известные ограничения качества; приведённые оценки не описывают все возможные сценарии использования.

sfmbaselinefiltered-0k1k2k3k4kweightedavgmerge — объединённая предварительно обученная языковая модель, созданная с помощью mergekit методом Linear. В качестве базовой использована контрольная точка global_step4000, а в объединение также вошли контрольные точки global_step0, global_step1000, global_step2000 и global_step3000 из серии baseline_filtered. Модель предназначена для генерации текста. Она построена на архитектуре GPT-NeoX, содержит 8,8 млрд параметров и поддерживает контекст длиной до 16 384 токенов. Карточка не приводит сведений о целевых языках и специальных предметных областях. Модель распространена в формате safetensors; лицензия в предоставленных данных не указана.

Это объединённая модель генерации текста, созданная с помощью mergekit методом Linear из трёх контрольных точек предварительно обученной языковой модели. В качестве базовой использована контрольная точка global_step11921, в объединение также вошли global_step10000 и global_step11000. Модель разработана автором репозитория yuhengtu-bytedance. Модель построена на архитектуре GPT-NeoX с плотной архитектурой и предназначена для генерации текста. Она содержит 8,8 млрд параметров и поддерживает контекст длиной до 16 384 токенов. Файлы представлены в формате safetensors и рассчитаны на использование с Transformers. Карточка не описывает специализацию по предметным областям, конкретные языки или отдельные преимущества и ограничения качества. Условия лицензирования в предоставленных данных не указаны.

sfmbaselinefiltered-10k11k12kweightedavgmerge — объединение предварительно обученных языковых моделей, созданное с помощью mergekit. В основе объединения использован чекпойнт global_step11921, а также чекпойнты global_step10000 и global_step11000; применён линейный метод слияния. По архитектуре это плотная авторегрессионная модель GPT-NeoX с 8,8 млрд параметров, реализованная для Transformers и распространяемая в формате safetensors. Модель предназначена для генерации текста, контекст — до 16 384 токенов. Карточка не описывает специальные прикладные области, языки или отдельные возможности помимо генерации текста. Лицензия и ограничения качества в доступных данных не указаны; сведения о происхождении чекпойнтов представлены локальными путями.

Это объединённая языковая модель, созданная с помощью mergekit из нескольких контрольных точек обучения filtered_e2e_alignment. Для слияния использован линейный метод; базовой контрольной точкой указана версия global_step4000. В метаданных модель отнесена к архитектуре GPT-NeoX и классу GPTNeoXForCausalLM; размер составляет 8,8 млрд параметров, формат весов — safetensors, библиотека — Transformers. Модель предназначена для генерации текста и диалогового взаимодействия. Её контекстное окно составляет 16 384 токена. README и метаданные не сообщают целевые языки, предметные области или конкретные преимущества и ограничения качества. Условия лицензии в предоставленных данных не указаны.

sfm_filtered_e2e_alignment-0k_1k_2k_3k_4k_weightedavg_merge — объединённая языковая модель на архитектуре GPT-NeoX, созданная с помощью mergekit методом Linear. В объединение вошли чекпойнты стадий 0, 1000, 2000, 3000 и 4000; чекпойнт стадии 4000 использован как базовый. Модель содержит 8,8 млрд параметров и рассчитана на контекст до 16 384 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Данные не уточняют конкретные области применения, языки или преимущества относительно исходных чекпойнтов. Весовые файлы представлены в формате Safetensors; использовать модель можно через Transformers. Условия лицензии в предоставленных сведениях не описаны.

sfm_filtered_e2e_alignment-1k_2k_3k_weightedavg_merge — объединённая языковая модель, созданная с помощью mergekit из контрольных точек обучения filtered_e2e_alignment на шагах 1000, 2000 и 3000. Для слияния использован линейный метод с контрольной точкой global_step3000 в качестве базовой. Модель построена на архитектуре GPT-NeoX и содержит 8,8 млрд параметров; она предназначена для генерации текста и диалогового взаимодействия, с контекстом до 16 384 токенов. Модель может служить для генерации ответов и продолжения текста в чат-сценариях. README и метаданные не сообщают о специализированных предметных областях или поддерживаемых языках. Лицензия в предоставленных данных не указана, поэтому условия использования по ним определить нельзя.

sfm_filtered_e2e_alignment-5k_6k_7k_simpleavg_merge — объединённая языковая модель, собранная с помощью mergekit методом Linear. В качестве базовой использована контрольная точка global_step7000, также в объединение вошли global_step6000 и global_step5000 из серии filtered_e2e_alignment. Репозиторий содержит модель архитектуры GPT-NeoX с 8,8 млрд параметров в формате safetensors; для работы с ней указана библиотека Transformers. Модель предназначена для генерации текста и диалогового общения. Её контекстное окно составляет 16 384 токена. Сведений о целевых языках, конкретных прикладных областях и сравнительных результатах в доступных данных нет. Лицензия в предоставленных источниках не указана.

sfm_filtered_e2e_alignment-7k_8k_9k_weightedavg_merge — объединённая языковая модель, созданная методом Linear merge с помощью mergekit. В качестве базовой точки использован чекпойнт global_step9000, также объединены чекпойнты global_step7000 и global_step8000 из серии filtered_e2e_alignment. Разработчик в README не назван. Модель построена на архитектуре GPT-NeoX и содержит 8,8 млрд параметров. Она предназначена для генерации текста и диалогового взаимодействия; максимальная длина контекста составляет 16 384 токена. Веса представлены в формате safetensors. Карточка не сообщает о языках обучения, сравнительных результатах или известных ограничениях качества. Лицензия в предоставленных данных не указана.