I.5Создание и редактирование текста

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.

kcoopermiller/reyna-qwen-l18 — языковая модель для генерации текста и диалогов, созданная слиянием предварительно обученных моделей с помощью mergekit. В состав вошли Qwen/Qwen1.5-0.5B и aloobun/Reyna-Mini-1.8B-v0.2; применён метод passthrough, который использует слои из этих моделей по заданным диапазонам. Модель построена на архитектуре Qwen2ForCausalLM, содержит около 463,9 млн параметров и принимает текст, выдавая текст. Модель предназначена для генерации продолжений и ведения диалога. Заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса в формате safetensors и предназначен для использования с библиотекой Transformers. В карточке не описаны специальные предметные области или целевые языки, поэтому модель следует считать общей языковой моделью. Лицензия в предоставленных сведениях не указана. Качество и поведение объединённых весов отдельно не охарактеризованы; карточка также не приводит результаты оценки.

MaziyarPanahi/rfp_instruct_model-Mistral-7B-Instruct-v0.2-slerp — объединённая диалоговая модель на архитектуре Mistral, созданная методом SLERP из mistralai/Mistral-7B-Instruct-v0.2 и arjunssat/rfp_instruct_model. Модель содержит 7,1 млрд параметров, принимает текстовые инструкции и генерирует ответы; поддерживает контекст до 32 768 токенов. Модель предназначена для диалогов и выполнения инструкций в текстовом формате. Карточка описывает способ объединения весов, но не приводит оценок качества или специализированных сценариев применения. Распространяется по лицензии Apache-2.0.

Это версия Robin 33B v2 от OptimalScale, подготовленная TheBloke в формате PyTorch с точностью FP16. Модель основана на архитектуре Llama и содержит 32,3 млрд параметров; она предназначена для генерации текста в формате диалога с помощником, который отвечает на вопросы подробно и вежливо. Для работы указан шаблон промпта с ролями человека и ассистента. Модель можно использовать для GPU-инференса и дальнейшей конвертации; карточка также упоминает отдельные квантизованные варианты для GPU и CPU. Контекст составляет 2048 токенов. Лицензия обозначена как other, конкретные условия в доступных данных не раскрыты.

Rohit_AI_CSharp_Model — дообученная Rohitmlp0344655 разговорная модель генерации текста на архитектуре Llama. Она создана на базе unsloth/llama-3-8b-Instruct-bnb-4bit и предназначена для диалогового взаимодействия и генерации текста. В карточке указано, что обучение выполнялось с Unsloth и библиотекой TRL. Модель содержит 7,5 млрд параметров, принимает текст и выдаёт текст, поддерживает английский язык и имеет контекстное окно 8192 токена. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Источники не уточняют специализацию модели на задачах C# или её результаты на конкретных тестах.

RoLlama3.1-8b-Instruct — румынская инструкционно настроенная языковая модель OpenLLM-Ro, созданная на основе Meta Llama 3.1 8B Instruct. Это плотная авторегрессионная модель с архитектурой LlamaForCausalLM, примерно 7,5 млрд параметров и контекстом до 131 072 токенов; репозиторий содержит веса в формате safetensors. Модель предназначена для диалогов с ассистентом и генерации текста на румынском языке, а также для адаптации к смежным языковым задачам. Дообучение выполнено на наборах инструкций и диалогов, включая RoAlpaca, RoDolly, RoOrca, RoOpenAssistant, RoUltraChat и RoMagpie. Модель поддерживает чат и интерфейс вызова инструментов. Разработчик указывает исследовательское назначение и исключает использование для языков, отличных от румынского. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование.

Rose 20B GGUF — это квантизированная версия языковой модели Rose 20B, разработанной Tav и преобразованной в формат GGUF пользователем TheBloke. Модель предназначена для генерации текста и выполнения инструкций на английском языке, включая локальный запуск через llama.cpp и совместимые интерфейсы и библиотеки. Для работы используется шаблон запросов в стиле Alpaca. Модель построена на архитектуре LLaMA и содержит около 20 млрд параметров. Она относится к текстовым моделям и не поддерживает мультимодальные входные данные. Контекстный размер и точные характеристики исходной архитектуры в README не указаны. Доступны варианты GGUF с квантованием от 2 до 6 бит, а также 8-битный вариант, что позволяет выбирать компромисс между размером файлов, требованиями к памяти и качеством генерации; при более сильном квантовании качество может снижаться. Файлы совместимы с llama.cpp и рядом сторонних приложений, включая text-generation-webui, KoboldCpp, LM Studio, Faraday.dev, ctransformers, llama-cpp-python и candle. Лицензия указана как Llama 2; условия распространения и использования следует уточнять в соответствующих лицензионных документах. В README не приведены результаты тестов производительности или качества.

ruDialogGPT3 medium based on GPT-2 — авторегрессионная языковая модель DeepPavlov для генерации текста и диалоговых ответов на русском языке. Репозиторий содержит модель GPT-2 для Transformers; конфигурация указывает 24 слоя, 16 голов внимания, размер скрытого состояния 1024 и контекст до 2048 токенов. Модель принимает текстовый контекст и продолжает его сгенерированным текстом. Её можно применять для построения диалоговых систем, генерации ответов и продолжения русскоязычных текстов. Это плотная GPT-2-модель, распространяемая в формате PyTorch; в метаданных лицензия обозначена как other, поэтому условия использования следует сверять с лицензией репозитория. Карточка Hugging Face содержит мало сведений об оценке качества и ограничениях, поэтому конкретные гарантии качества не установлены.

Ruphi-4b — дообученная разговорная языковая модель, разработанная ehristoforu на основе unsloth/Phi-3.5-mini-instruct-bnb-4bit. Она предназначена для генерации текста и диалогов. Модель использует архитектуру Phi-3, содержит 3,7 млрд параметров и поддерживает контекст до 4096 токенов. В карточке указаны обучение с Unsloth и библиотекой TRL, формат весов Safetensors и лицензия Apache 2.0. Метаданные отмечают английский язык; сведений о специализированных областях применения и оценке качества нет.

IlyaGusev/rut5_base_headline_gen_telegram — русскоязычная модель генерации заголовков на основе rut5-base. Она предназначена для создания краткого заголовка по входному тексту, например для публикации в Telegram. Модель построена на архитектуре T5 и содержит 122,1 млн параметров; использует формат PyTorch и обучалась на наборе ru_all_split.tar.gz. Модель решает задачу суммаризации и подходит для автоматического получения краткого заголовка из текста. Карточка не уточняет состав обучающих данных и качество на отдельных типах текстов. Лицензия — Apache-2.0.

RWKV-6 World 7B — языковая модель семейства RWKV-6, представленная в репозитории RWKV и предназначенная для генерации текста в формате диалога и пакетного инференса. В метаданных указаны плотная архитектура Rwkv6ForCausalLM, около 8,9 млрд параметров и формат PyTorch. Примеры в карточке показывают ответы на английском и китайском языках. Модель можно использовать для диалоговых ассистентов и генерации текста; контекст карточки не раскрывает. Лицензия в предоставленных данных не указана.

wangyue114514/rwkv7-g1g-13.3b-hf — преобразованная версия причинной языковой модели семейства RWKV-7 G1G. Модель разработана для генерации текста и диалогового взаимодействия; архитектура RWKV-7 использует рекуррентное состояние. В чекпойнте около 13,3 млрд параметров, 61 слой, размер скрытого представления 4096 и словарь из 65 536 токенов. В метаданных указана архитектурная конфигурация на 16,6 млрд параметров и нативный контекст 2048 токенов; веса хранятся в формате float16 Safetensors. Модель совместима с интерфейсом AutoModelForCausalLM в Transformers и может использоваться для генерации и дообучения, в том числе через Trainer, Accelerate и PEFT. Для загрузки файлов реализации из репозитория требуется trust_remote_code=True. Карточка также указывает на примеры и манифесты оценки в репозитории 123123213weqw/hf-adapter. Языковая поддержка в предоставленных данных не определена. Репозиторий сохраняет исходные байты весов; версия v0.9.0 изменяет код выполнения и конфигурацию. Это конверсия контрольной точки в формат Hugging Face, а не новое дообучение. Лицензия — Apache-2.0. Нативный контекст ограничен 2048 токенами; README не сообщает результатов оценки качества.

RWKV7-G1i-1.5B-20260805 — базовая предварительно обученная языковая модель архитектуры RWKV-7, разработанная Бо Пэном, Ю Чжаном, Сонглином Яном, Жуйчуном Чжаном и Чжиюанем Ли при поддержке RWKV Project под эгидой LF AI & Data Foundation. Модель содержит 1,5 млрд параметров и использует рекуррентную архитектуру без attention: состояние фиксированного размера и вычисления на каждый генерируемый токен постоянны, при этом обучение допускает параллелизацию. Для работы применяется формат flash-linear attention и токенизатор RWKV World с размером словаря 65 536 токенов. Модель предварительно обучена на веб-текстах, коде, синтетических данных, инструкциях, чатах и материалах для рассуждений. Она предназначена для генерации текста, оценки, последующего обучения и тонкой настройки; шаблон чата задаёт формат промпта, но сам по себе не означает, что модель является безопасным или согласованным ассистентом. Метаданные каталога указывают контекст 2048 токенов и поддержку английского, китайского, японского, корейского, французского, арабского, испанского и португальского языков. Лицензия — Apache-2.0.

RWKV-7 Goose 1.5B — официальная базовая языковая модель BlinkDL в формате Transformers. Это плотная авторегрессионная модель класса Rwkv7ForCausalLM с рекуррентной архитектурой без attention: размер состояния не растёт с длиной контекста, а вычислительная работа на генерируемый токен остаётся постоянной; обучение при этом допускает параллелизацию. Модель предварительно обучена на веб-текстах, коде, синтетических данных, инструкциях, диалогах и материалах для рассуждений. Модель предназначена для генерации текста, оценки, последующего обучения и дообучения, в том числе для создания диалоговых приложений. Шаблон чата задаёт формат промпта, но сам по себе не означает, что модель является безопасным или выровненным ассистентом. В комплект входят интеграция с Transformers, токенизатор RWKV и шаблон чата; заявлена поддержка LoRA. Репозиторий содержит веса safetensors, размер модели — 1,5 млрд параметров. Лицензия Apache-2.0. Качество следования инструкциям и языковое поведение зависят от чекпойнта, промптинга и последующего обучения. Спекулятивное декодирование с откатом рекуррентного кэша не поддерживается без сохранения предыдущих состояний. Оптимизированный инференс зависит от GPU, типа данных, размера пакета и формы входа; для TileLang требуется проверка совпадения результатов для конкретной конфигурации. Оценки безопасности, предвзятости, токсичности, фактической точности и пригодности для критически важных сценариев не заявлены.

RWKV-7 «Goose» — базовая авторегрессионная языковая модель, выпущенная BlinkDL в формате Transformers. Это плотная модель архитектуры RWKV-7 с классом Rwkv7ForCausalLM; в метаданных указан размер 7,8 млрд параметров. В отличие от архитектур с attention, она использует рекуррентное состояние постоянного размера, поэтому объём состояния не растёт как KV-кэш, а вычисления при генерации масштабируются линейно по числу токенов. Обучение при этом допускает параллелизацию. Модель предварительно обучена на веб-текстах, коде, синтетических, инструкционных, разговорных и рассуждательных данных. Её можно использовать для генерации продолжений, оценки, последующего обучения и тонкой настройки; шаблон чата задаёт формат запросов, но сам по себе не означает, что модель является безопасным или выровненным ассистентом. В карточке заявлена поддержка нескольких языков, включая русский, английский и китайский. Контекстное окно в предоставленных данных не описано. В комплект входят интеграция с Transformers, токенизатор RWKV World и шаблон многоходового чата с поддержкой префикса рассуждений и формата вызова инструментов. Для тонкой настройки описана поддержка SFT и LoRA; ускоренный инференс на TileLang зависит от GPU, типа данных и формы входа, с возможностью отката на PyTorch. Лицензия — Apache-2.0. Карточка не заявляет оценок безопасности, предвзятости, токсичности или фактической точности; спекулятивное декодирование с откатом рекуррентного кэша не поддерживается без сохранения предыдущих состояний.

RYS-XLarge — языковая модель автора dnhkng, построенная на архитектуре Qwen2. В README описан метод оптимизации, который анализирует функциональные роли слоёв трансформера и дублирует слои модели; автор называет этот подход self-merging. Модель основана на MaziyarPanahi/calme-2.1-qwen2-72b, дообученной от Qwen2-72B. По метаданным, это плотная модель с 76,7 млрд параметров, контекстом 32 768 токенов и весами в формате safetensors; доступен диалоговый режим. Модель предназначена для генерации текста и диалоговых сценариев. В README приведены результаты оценок на нескольких бенчмарках: улучшения от метода различаются по задачам, включая снижение результата на IFEval. Лицензия — MIT. Карточка не описывает языковой охват и не приводит подробных сведений о безопасности или рекомендуемых ограничениях применения.

Saiga Llama3 8B GGUF — русскоязычная текстовая генеративная модель, разработанная IlyaGusev. Это совместимые с llama.cpp версии оригинальной модели Saiga Llama3 8B, предназначенные для локального запуска и интерактивного общения с использованием библиотеки llama-cpp-python. В карточке указано обучение или применение датасета IlyaGusev/saiga_scored. Модель основана на архитектуре Llama 3 и содержит 8 миллиардов параметров. Она работает с текстом на русском языке и поддерживает форматы GGUF с различными уровнями квантования, включая q4_K и q8_0. Конкретная длина контекста в README не указана. Для запуска требуется llama.cpp-совместимое окружение; для версии q8_0 рекомендуется около 10 ГБ оперативной памяти, а для меньших квантований — меньше. Модель подходит для локальной генерации текста и диалоговых сценариев на русском языке, при этом квантованные версии позволяют снизить требования к памяти. Ограничения включают отсутствие сведений о мультимодальности, точных характеристиках качества и длине контекста, а также зависимость возможностей от выбранной версии квантования и локального программного окружения. Лицензия указана как Llama 3; подробные условия доступны по ссылке на лицензию Meta.

Sailor2-20B-Chat-GGUF — квантованная версия чат-модели Sailor2-20B-Chat, разработанной командой Sail. Конвертацию и квантование в формат GGUF выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для диалоговой генерации текста, ответов на инструкции и многоязычных сценариев, включая вопросы и инструкции на английском, китайском, индонезийском, тайском, вьетнамском, малайском, лаосском, бирманском, яванском, кхмерском, сунданском и тагальском языках. Модель имеет 20B параметров и поддерживает текстовый ввод и вывод; сведения об исходной архитектуре и размере контекстного окна в README не указаны. Доступно множество вариантов квантования — от F16 и Q8_0 до более компактных Q3 и IQ3/IQ4, что позволяет выбирать между качеством, размером файла и требованиями к памяти. Для работы рекомендуется формат prompt с маркерами ролей im_start и im_end; файлы предназначены, в частности, для запуска через llama.cpp и LM Studio. Основные сильные стороны — многоязычная специализация, широкий выбор уровней квантования и возможность локального запуска. Более агрессивное квантование уменьшает требования к памяти, но может снижать качество ответов; полная версия F16 занимает около 38,35 ГБ, а рекомендуемые варианты Q4–Q6 — примерно от 11 до 16 ГБ. Модель распространяется по лицензии Apache-2.0.

Sakura-SOLAR-Instruct — разговорная языковая модель на базе архитектуры Llama, разработанная Кюджином Ханом (kyujinpy) в рамках исследовательского консорциума корейских компаний Media Group Saramgwa Forest и Marker. Модель создана с помощью Mergekit и предназначена для генерации текста в диалоговом формате. В карточке указано 10,6 млрд параметров и контекст длиной 4096 токенов. Модель подходит для ведения диалогов, ответов на вопросы и решения задач на понимание и генерацию текста. В README приведены результаты Open LLM Leaderboard по ARC, HellaSwag, MMLU, TruthfulQA, Winogrande и GSM8K; это результаты оценки, а не гарантия качества в конкретном сценарии. В метаданных указан английский язык. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая требует атрибуции и ограничивает коммерческое использование.

BSC-LT/salamandra7b_rag_prompt_ca-en-es — разговорная языковая модель семейства Llama, представленная в формате Transformers с весами safetensors. Она содержит 6,7 млрд параметров и рассчитана на контекст до 8192 токенов. Карточка сообщает, что для диалогового использования следует применять встроенный шаблон чата токенизатора. Модель подходит для генерации текста в диалоге и задач с кодом. В названии указаны каталонский, английский и испанский языки; метаданные также отмечают многоязычную поддержку, включая русский. README не описывает специальную методику RAG или сравнительные результаты качества. Условия лицензии в доступных данных не приведены.

SambaLingo-Bulgarian-Chat — чат-модель SambaNova Systems для генерации ответов на болгарском и английском языках. Она построена на плотной архитектуре Llama и дообучена методом direct preference optimization поверх SambaLingo-Bulgarian-Base, адаптированной к болгарскому языку на основе Llama 2. Модель содержит 6,7 млрд параметров, принимает текст и генерирует текст; длина контекста — 4096 токенов. Модель предназначена для диалогов и ответов на вопросы на болгарском и английском языках. Словарь токенизатора расширен с 32 000 до 57 000 токенов за счёт добавления болгарских токенов. Веса доступны в формате safetensors. Использование регулируется лицензией Meta Llama 2 Community License Agreement. Модель может галлюцинировать, переключаться между языками или диалектами и повторять фразы. Её возможности в программировании и сложной математике ограничены; она может генерировать токсичный или неподходящий контент. Разработчик не рекомендует применять её в критически важных сценариях и при принятии решений, влияющих на безопасность людей.

SambaLingo-Thai-Chat-70B — диалоговая языковая модель SambaNova Systems для генерации ответов на тайском и английском языках. Она построена на архитектуре Llama-2 и содержит 68,9 млрд параметров; базовую модель адаптировали к тайскому языку обучением на 26 млрд токенов тайской части Cultura-X, а чат-версию выровняли с помощью direct preference optimization (DPO). Словарь токенизатора расширен с 32 000 до 57 000 токенов. Контекст модели составляет 4096 токенов. Модель предназначена для диалогов, ответов на вопросы и других сценариев генерации текста на тайском и английском языках. В карточке отдельно отмечены возможные галлюцинации, переключение между языками или диалектами, повторы, ограниченные результаты в программировании и сложной математике, а также риск генерации токсичного или неподходящего текста. Модель не рекомендуется для критически важных задач, влияющих на безопасность или важные решения. Использование регулируется лицензией Meta Llama 2 Community License Agreement.

Sao10K_Llama-3.3-70B-Vulpecula-r1-GGUF — это набор GGUF-квантизаций текстовой генеративной модели Llama-3.3-70B-Vulpecula-r1, разработанной Sao10K и подготовленной квантизатором bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и может запускаться через llama.cpp, LM Studio и другие совместимые проекты. Заявленный язык — английский. Модель относится к семейству Llama 3.3 и имеет 70 миллиардов параметров; поддерживается только текстовая модальность. Доступны варианты квантизации от Q8_0 до Q2_K и IQ-квантов разного размера: более высокие разрядности обычно обеспечивают лучшее качество, а низкие уменьшают требования к памяти ценой заметной потери качества. Для работы требуется значительный объём оперативной или видеопамяти: размер файлов варьируется примерно от 27 до 75 ГБ. Формат prompt должен соответствовать шаблону Llama 3.3. Размер контекстного окна в README не указан. Сильными сторонами являются высокая ёмкость исходной 70-миллиардной модели, широкий выбор компромиссов между качеством и размером, а также совместимость с локальным запуском через llama.cpp. Ограничения включают большие требования к ресурсам, снижение качества при агрессивной квантизации и отсутствие сведений о мультимодальности, поддерживаемых языках помимо английского и контекстном окне. Указанная лицензия — llama3.3.

DevQuasar/sarvamai.sarvam-30b-GGUF — это GGUF-представление диалоговой языковой модели Sarvam-30B, разработанной Sarvam AI и опубликованной пользователем DevQuasar. Модель основана на архитектуре Mixture of Experts (MoE), содержит около 32 млрд параметров и предназначена для генерации текста и диалогов. Репозиторий предлагает варианты квантования от Q2_K до Q8_0, а также F16; указанный F16-вариант сохраняет исходную точность, тогда как остальные варианты уменьшают размер весов. Исходная Sarvam-30B рассчитана на многоязычные задачи, включая работу с индийскими языками; карточка модели указывает поддержку 23 языков. Её можно применять для чат-ботов и генерации ответов. Модель поддерживает текстовый ввод и текстовый вывод. Контекстное окно в использованных источниках не подтверждено. Модель выпущена под лицензией Apache-2.0, указанной в карточке исходной модели. Практические требования к памяти зависят от выбранного файла квантования; например, Q4_K_M занимает около 19,6 ГБ, а Q8_0 — около 34,2 ГБ.

SauerkrautLM-Mixtral-8x7B — многоязычная языковая модель компании VAGO solutions на архитектуре Mixture of Experts, дообученная на базе mistralai/Mixtral-8x7B-v0.1. Модель содержит 7,1 млрд параметров и принимает текстовые запросы; заявленный контекст — до 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев на английском, немецком, французском, итальянском и испанском языках. Она прошла supervised fine-tuning (SFT) на OpenOrca/SlimOrca и выравнивание предпочтений методом DPO. Для обучения использовались немецкие аугментированные и переведённые данные, а также части наборов distilabel-math-preference-dpo и UltraFeedback. Карточка указывает лицензию Apache 2.0, допускающую коммерческое использование. Разработчики предупреждают, что модель может выдавать неподходящий или некорректный контент; качество немецких формулировок улучшали аугментацией, но стабильность поведения не гарантируется.

Это преобразованный в формат Hugging Face чекпойнт из предварительного обучения Model Raising. Модель построена на плотной архитектуре LlamaForCausalLM и содержит 1,7 млрд параметров; веса сохранены в bfloat16. В метаданных указана поддержка диалогового режима и генерации текста, а контекстное окно составляет 2048 токенов. Модель предназначена для генерации текста и диалогового использования. README указывает на исходный чекпойнт предварительного обучения и итерацию Megatron 17000; сведений о специальных предметных сценариях или целевых языках в доступных данных нет. Репозиторий не указывает лицензию, поэтому условия использования по этим данным определить нельзя.

gotchu/season-8-13bmerge — это объединённая с помощью mergekit методом SLERP языковая модель на архитектуре Llama, созданная на основе KoboldAI/LLaMA2-13B-Tiefighter и Gryphe/MythoMax-L2-13b. Модель содержит 12,9 млрд параметров, использует формат safetensors и рассчитана на генерацию текста с контекстом до 4096 токенов. Модель подходит для ролевых диалогов и написания историй, а также для других сценариев генерации текста. README указывает на объединение предварительно обученных моделей и приводит конфигурацию с точностью float16. Сведения о лицензии и конкретных языках в предоставленных данных отсутствуют; применимость лицензий исходных моделей следует учитывать при использовании объединённой модели.

Sebushka-llama-3.1-8B — русскоязычная чат-модель, разработанная burgasdotpro на базе Llama 3.1 8B. Она дообучена на датасете IlyaGusev/saiga_scored; для обучения использовались Unsloth и TRL. Модель содержит 7,5 млрд параметров, принимает текст и генерирует текст, поддерживает контекст до 131 072 токенов. Модель предназначена для диалогов на русском языке и генерации ответов на текстовые запросы. Указанная лицензия — Apache-2.0. Карточка не приводит оценок качества или подробных результатов обучения, поэтому пригодность ответов для конкретных задач стоит проверять отдельно.

Minbyul/selfbiorag-7b-dpo-full-wo-kqa_golden-ep3 — дообученная модель на архитектуре Llama с 6,6 млрд параметров, основанная на dmis-lab/selfbiorag_7b. Для обучения использовался набор предпочтений HuggingFaceH4/ultrafeedback_binarized; опубликованные метрики оценки включают точность вознаграждений 0,7326 и разницу вознаграждений 0,1383. Модель предназначена для генерации текста и может применяться в сценариях диалога и подготовки текстовых ответов. Контекст модели — 4096 токенов, веса доступны в формате safetensors. Данных о языковой специализации и отраслевом назначении нет, поэтому её следует рассматривать как текстовую модель общего назначения. README не уточняет ограничения применения и качество в конкретных задачах. Лицензия в предоставленных данных не указана.

TheBloke/Selfee-13B-fp16 — это версия SelFee 13B от KAIST AI, подготовленная TheBloke в формате PyTorch fp16. SelFee — плотная авторегрессионная языковая модель семейства LLaMA с примерно 12,9 млрд параметров, предназначенная для генерации текста по инструкциям и диалога. Веса получены слиянием diff SelFee с базовой LLaMA 13B и преобразованием из fp32 в fp16. Модель дообучали на инструкциях из нескольких областей, включая математику и программирование, с генерацией ответов, обратной связью и повторными исправлениями. Обучающие данные преимущественно англоязычные; модель может использоваться для диалога, ответов на вопросы, объяснений и написания кода. Контекст составляет 2048 токенов. README указывает на ошибки в математике, рассуждениях, фактической точности и программировании, а также на ограничения использованной оценки. Лицензия в метаданных обозначена как other, конкретные условия в предоставленных данных не раскрыты.