I.5Создание и редактирование текста

Light-IF-32B — дообученная компанией Qihoo 360 языковая модель на базе Qwen/Qwen3-32B, предназначенная для точного выполнения сложных инструкций. В карточке указаны архитектура Qwen3ForCausalLM с плотными весами и 29,7 млрд параметров; модель работает с текстом, поддерживает диалог и интерфейс вызова инструментов, а нативный контекст составляет 40 960 токенов. При дообучении применялись Entropy-SFT и token-wise entropy-adaptive reinforcement learning (TEA-RL), чтобы улучшить планирование и самопроверку ответа при выполнении инструкций с множеством ограничений. В README сообщается о результатах на бенчмарках SuperClue, IFEval, CFBench и IFBench и о сравнении с более крупными моделями; приведённая таблица неполная, поэтому конкретные результаты Light-IF-32B из неё определить нельзя. Модель подходит для диалоговых систем и задач, где важно соблюдать сложные требования к ответу. Она унаследована от многоязычной Qwen3, однако конкретный список поддерживаемых языков в предоставленных данных не приведён. Лицензия — Apache-2.0.

Ba2han/linear_merge — текстовая авторегрессионная модель семейства Qwen3, полученная разработчиком посредством линейного слияния двух предварительно обученных моделей с помощью mergekit. В README основой назван checkpoint-5500-v2; в слиянии также участвовал checkpoint-18900. Итоговая модель содержит около 978,3 млн параметров, использует формат safetensors и поддерживает контекст до 8192 токенов. Модель предназначена для генерации текста и может применяться для продолжения фрагментов, составления черновиков и диалоговых ответов. Данные не уточняют специализацию слияния, языковое покрытие или условия лицензии, поэтому нельзя уверенно охарактеризовать её качество для конкретных областей или языков. README не сообщает лицензию; перед использованием следует проверить условия исходных чекпойнтов и репозитория.

linear_Merged_gpt2_0.0 — объединённая модель генерации текста на базе архитектуры GPT-2, созданная с помощью mergekit методом Linear. В конфигурации использованы GPT-2 и gpt2_debias с весами 1,0 и 0,0 соответственно, поэтому результат фактически опирается на веса первой модели. Репозитории базовых моделей указаны как локальные пути Kaggle, а не как идентификаторы Hugging Face. Модель предназначена для продолжения текста и других сценариев генерации на основе текстового запроса. Она реализована как плотная авторегрессионная языковая модель GPT2LMHeadModel, распространяется в формате safetensors и имеет контекст длиной 1024 токена. В метаданных указана библиотека Transformers. Лицензия и поддерживаемые естественные языки в предоставленных данных не указаны. README не приводит оценки качества или специальных ограничений применения.

trinhkhng/linear_Merged_gpt2-large_0.0 — языковая модель GPT-2 Large, созданная автором репозитория с помощью mergekit методом линейного слияния. В конфигурации указаны GPT-2 Large с весом 1,0 и debias_gpt2-large с весом 0,0, поэтому вклад второй модели в итоговое слияние задан нулевым; токенизатор взят из GPT-2 Large. Модель предназначена для генерации текста по текстовому контексту. Она использует архитектуру GPT-2 с плотной сетью, распространяется в формате safetensors и имеет контекст до 1024 токенов. В метаданных не указаны специальные прикладные области или поддержка конкретных естественных языков. Лицензия в предоставленных данных не указана. Карточка описывает способ получения модели, но не приводит оценок качества или дополнительных гарантий по снижению предвзятости.

MergedQwen2-0.5B0.0 — языковая модель, созданная с помощью mergekit методом линейного слияния весов. В состав слияния вошли Qwen2-0.5B и debias_Qwen2-0.5B; согласно конфигурации, вес первой модели равен 1, а второй — 0, поэтому результат опирается на Qwen2-0.5B и не получает вклада весов debias-модели. Архитектура — плотная Qwen2ForCausalLM, размер — около 493,7 млн параметров; репозиторий содержит веса safetensors, модель использует Transformers и имеет контекст длиной до 131 072 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Метаданные не подтверждают отдельного эффекта дебайасинга. Лицензия в предоставленных данных не указана.

MergedQwen2-0.5B0.5 — языковая модель на архитектуре Qwen2, созданная методом линейного слияния двух предварительно обученных моделей: debias_Qwen2-0.5B и Qwen2-0.5B. Веса объединены поровну с нормализацией; для токенизатора использована модель Qwen2-0.5B. Репозиторий содержит веса в формате safetensors, модель рассчитана на генерацию текста и поддерживает чатовый сценарий. В модели около 493,7 млн параметров, заявленная длина контекста — 131 072 токена. Она может использоваться для диалоговой генерации текста и иных задач, решаемых авторегрессионной языковой моделью. Сведения о лицензии, языковой специализации и результатах оценки качества в предоставленных источниках отсутствуют.

Ling-3.0-flash-GGUF — это GGUF-квантизированная версия языковой модели Ling-3.0-flash, разработанной inclusionAI и подготовленной для распространения bartowski. Модель предназначена для генерации текста и запуска через llama.cpp; поддерживает спекулятивное декодирование MTP и входные данные в текстовой модальности. Модель содержит 127 млрд параметров. Доступны варианты от BF16 и Q8_0 до компактных квантов Q2 и IQ2; размер файлов составляет примерно от 43,64 до 255,09 ГБ. Для большинства сценариев README рекомендует Q4_K_M как компромисс между качеством и размером, а Q5 и Q6 — когда важнее качество. Квантизация выполнена с использованием imatrix, однако измерения perplexity и KLD не предоставлены. Архитектура, поддерживаемые языки и размер контекстного окна в представленных данных не указаны. Сильными сторонами являются большой объём параметров, широкий выбор уровней квантизации и совместимость с экосистемой llama.cpp. Ограничениями выступают значительные требования к дисковому пространству и ресурсам, особенно для высококачественных вариантов; низкобитные кванты экономят память, но могут заметно снижать качество. Лицензия — MIT.

Ling-3.0-tiny-GGUF — это конвертация модели Ling-3.0-tiny в формат GGUF для запуска через llama.cpp. Базовую модель разработала команда inclusionAI, а данный вариант опубликован пользователем bloomer010. Модель предназначена для генерации текста, диалоговых сценариев и агентских задач, включая вызов инструментов и раздельный режим рассуждений. Архитектура использует mixture-of-experts: всего 7,9 млрд параметров, из которых 1,3 млрд активируются на каждом токене. Модель содержит 24 слоя, включая 18 KDA- и 6 MLA-слоёв, 128 маршрутизируемых экспертов с 8 активными экспертами на токен и одного общего эксперта. Поддерживаются Q-LoRA с рангом 256 и KV-LoRA с рангом 512, контекст до 131 072 токенов, а также режим рассуждений, включённый по умолчанию. Информация о поддерживаемых языках и мультимодальности в README не указана. Доступны варианты квантования от BF16 до сильно сжатых IQ- и Q-форматов, что позволяет выбирать между качеством и требованиями к памяти; рекомендуемый UD-Q8_K_XL обеспечивает качество, близкое к полной точности. Модель протестирована на CPU и CUDA, включая RTX 4070 и RTX 3060. Ограничения включают возможное преждевременное завершение ответа внутри блока рассуждений и проблемы с агентским использованием и tool calling в llama.cpp без поддержки двух указанных изменений. Для MXFP4_MOE рекомендуется GPU с нативной поддержкой MXFP4, иначе возможна более низкая скорость. Распространяется по лицензии MIT.

Ling-flash-base-2.0 — базовая языковая модель семейства Ling 2.0, разработанная командой inclusionAI. Это модель типа Mixture of Experts на архитектуре Bailing MoE; в карточке указано 5,5 млрд параметров, а README для семейства Ling-flash-2.0 приводит 100 млрд общих и 6,1 млрд активируемых параметров. Репозиторий рассчитан на генерацию текста и служит основой для дальнейшей настройки; семейство ориентировано на рассуждения, математические задачи, программирование и разработку интерфейсов. Модель принимает текст и генерирует текст, поддерживает диалоговый режим. Метаданные указывают контекст 32 768 токенов; README семейства сообщает о расширении окна до 128 тысяч токенов с YaRN. Доступны веса в формате Safetensors, для работы описана поддержка Transformers и подготовка интеграций с vLLM и SGLang. Лицензия — MIT. README приводит результаты семейства Ling-flash-2.0 на тестах рассуждений, математики, кода и творческого письма, однако это описание относится к Ling-flash-2.0 и не подтверждает отдельно такие показатели для базового чекпойнта. Для длинного контекста через YaRN и некоторых сценариев инференса могут потребоваться дополнительные настройки или патчи.

LFM2-24B-A2B-GGUF — это квантизированная версия языковой модели LFM2-24B-A2B, разработанной LiquidAI и подготовленной в формате GGUF пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и локального инференса через llama.cpp, LM Studio, KoboldCpp, Jan AI, Text Generation Web UI и другие совместимые инструменты. Модель поддерживает текстовую модальность и заявлена для английского, арабского, китайского, французского, немецкого, японского, корейского, испанского и португальского языков. Обозначение 24B-A2B указывает на конфигурацию модели, однако в README не приведены подробности её архитектуры, размер контекста или точная интерпретация компонентов. Доступны варианты от BF16 до различных уровней квантования, примерно от 9,78 до 47,70 ГБ; более высокие уровни обычно сохраняют лучшее качество, а варианты Q3 и IQ3 требуют меньше памяти, но уступают по качеству. Сильная сторона этой версии — широкий выбор квантований для запуска на локальном оборудовании с различными ограничениями по памяти, включая варианты, рекомендованные автором как обеспечивающие высокое или хорошее качество. Ограничения связаны с потерями качества при сильном квантовании, необходимостью совместимого обновлённого программного обеспечения и отсутствием в README данных о производительности, результатах тестов, точном контексте и специализированных сценариях применения. Лицензия указана как lfm1.0; конкретные условия следует уточнять в файле LICENSE.

LiquidJustice-MOE-V1 — дообученная Yosan443 языковая модель на архитектуре LiquidAI LFM2.5-8B-A1B MoE. Она предназначена для диалогов и генерации текста; метаданные также указывают интерфейс для вызова инструментов. Модель содержит 1,6 млрд параметров и поддерживает контекст до 128 000 токенов. Модель обучена с использованием Unsloth и библиотеки TRL. В карточке не описаны специализированная область, состав обучающих данных или результаты оценки качества. Распространяется по лицензии Apache-2.0.

Fischerboot/ll3-c3-merged — объединённая причинная языковая модель семейства Llama, созданная разработчиком Fischerboot с помощью mergekit. В README указано, что использован метод passthrough и объединены Fischerboot/llama3-carlodda-v1 и Fischerboot/ll3-c3-lora-new. Модель предназначена для генерации текста. Она имеет плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров, принимает текст и выдаёт текст; заявленная длина контекста составляет 8192 токена. В репозитории представлены веса в формате safetensors. README и метаданные не описывают целевые сценарии, языки, сравнительные преимущества или результаты оценки качества. Лицензия в предоставленных сведениях не указана.

openaccess-ai-collective/llama-13b-alpaca-wizard-vicuna — языковая модель OpenAccess AI Collective, дообученная для генерации текста в формате инструкций на основе Llama с использованием наборов Alpaca-GPT4 и WizardLM. Модель имеет плотную архитектуру LlamaForCausalLM и 12,9 млрд параметров; её контекст составляет 2048 токенов. Репозиторий содержит веса PyTorch и предназначен для запуска через Transformers. Модель подходит для ответов на инструкции и вопросы, диалоговой генерации и создания текстов на английском языке. README описывает этапы дообучения на Alpaca-GPT4 и WizardLM, а также упоминает Vicuna как планируемый этап. Лицензия репозитория — Apache-2.0. Карточка не приводит оценок качества или подробных ограничений применения; короткий контекст и возраст модели следует учитывать при выборе для современных задач.

clibrain/Llama-2-13b-ft-instruct-es — языковая модель на архитектуре Llama 2, дообученная Clibrain на испанском наборе инструкций. Она предназначена для генерации текста и выполнения инструкций на испанском языке, например для диалога и подготовки текстовых ответов. Модель содержит 12,9 млрд параметров, использует архитектуру LlamaForCausalLM, принимает текст и генерирует текст; контекст — до 4096 токенов. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Карточка краткая и не приводит оценки качества или подробностей обучения; результаты могут зависеть от формулировки запроса и не гарантируют фактическую точность.

Llama2 13B Guanaco QLoRA — это языковая модель на базе Llama 2 с 13 млрд параметров, дообученная методом QLoRA и преобразованная в формат GGUF. Исходную модель разработал Mikael, а квантованные GGUF-файлы подготовил TheBloke. Модель предназначена для генерации текста и диалогового взаимодействия; в README также указана классификация text-classification, однако подробные сведения о специализированных задачах отсутствуют. Заявлен английский язык. Модель использует архитектуру Llama и формат GGUF, поддерживающий метаданные, специальные токены и улучшенную токенизацию. Доступны варианты квантования от 2 до 8 бит для CPU+GPU-инференса, что позволяет выбирать баланс между размером, скоростью и качеством. Файлы совместимы с llama.cpp и рядом сторонних интерфейсов и библиотек, включая LM Studio, text-generation-webui, KoboldCpp и llama-cpp-python. Контекстное окно и точный набор модальностей в README не указаны; модель является текстовой. Сильными сторонами являются широкий выбор уровней квантования и поддержка локального запуска на CPU и GPU. Ограничения включают возможную потерю качества из-за квантования, зависимость характеристик от выбранного варианта и отсутствие в README подробных результатов оценки. Модель распространяется по лицензии llama2; дополнительные условия исходной лицензии следует учитывать при использовании.

nkpz/llama2-22b-daydreamer-v2 — языковая модель семейства Llama, дообученная автором nkpz ещё на нескольких эпохах общих данных airoboros v2. Модель предназначена для генерации текста и ответов на инструкции; автор отмечает, что она стала менее склонна к чрезмерно подробным объяснениям и менее привязана к формату инструкций, сохранив более универсальный стиль. Модель содержит 21,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и формат PyTorch. Нативный контекст составляет 4098 токенов. В карточке указана лицензия other. Автор описывает модель как работу в процессе и отмечает, что навыки решения задач ещё требуют улучшения.

Карточка модели 4bit/Llama-2-70b-chat-hf на Hugging Face совпадает с карточкой NousResearch/Llama-2-70b-chat-hf, поэтому описание составлено по ней. NousResearch/Llama-2-70b-chat-hf — версия чат-модели Llama 2, разработанной Meta и опубликованной NousResearch в формате Transformers для Hugging Face. Это авторегрессионная плотная трансформерная модель с 68,7 млрд параметров, настроенная на диалог с помощью контролируемого дообучения и обучения с подкреплением на основе отзывов людей. Версия 70B использует Grouped-Query Attention; длина контекста — 4096 токенов. Модель принимает текст и генерирует текст. Она предназначена для диалоговых сценариев на английском языке: ответов на вопросы, работы в роли помощника и генерации текста. Модель статична, обучалась на данных с отсечкой знаний до сентября 2022 года, хотя часть данных дообучения датирована позднее. Для использования весов требуется принять пользовательскую коммерческую лицензию Meta; применяются её условия и ограничения. Ответы могут быть неточными, предвзятыми или нежелательными, а оценка модели проводилась преимущественно на английском языке и не охватывает все сценарии. Перед внедрением следует проверять безопасность и качество в целевом приложении. Модель не предназначена по условиям карточки для использования на языках, отличных от английского.

Это чат-модель для генерации текста на основе Llama 2, дообученная автором manojpreveen на выборке из 100 тысяч примеров Orca, отобранных из набора на миллион примеров GPT-4 Orca (Dolphin). Модель содержит 68,7 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текстовые запросы, генерируя текстовые ответы. Нативная длина контекста — 4096 токенов. Модель предназначена для диалогов и генерации ответов в стиле обучающих данных Orca. В карточке указана лицензия MIT; базовая модель — meta-llama/Llama-2-70b-chat-hf. README не приводит оценок качества или подробных результатов обучения, поэтому пригодность для конкретных задач стоит проверять отдельно.

Llama 2 70B — разработанная Meta предварительно обученная авторегрессионная языковая модель с оптимизированной архитектурой Transformer. Эта версия содержит 70 млрд параметров и опубликована в формате Hugging Face Transformers с весами PyTorch и safetensors. Модель принимает текст и генерирует текст. Она предназначена для генерации на естественном языке и может служить основой для адаптации под различные задачи; карточка указывает английский язык как целевой. Модель обучена на 2 трлн токенов общедоступных данных с отсечкой сентября 2022 года. Для версии 70B используется Grouped-Query Attention; длина контекста — 4 тыс. токенов. Модель разработала Meta. Это базовая предварительно обученная версия, а не вариант Llama-2-Chat, поэтому её не следует считать готовым диалоговым помощником без дополнительной настройки. Выводы могут быть неточными, предвзятыми или нежелательными; перед внедрением нужны проверки и настройка безопасности для конкретного применения. Использование регулируется лицензией Meta Llama 2; для загрузки весов требуется принять её условия.

NousResearch/Llama-2-70b-hf — это предварительно обученная авторегрессионная языковая модель Meta из семейства Llama 2, представленная в формате Hugging Face Transformers. Она использует плотную архитектуру Transformer с 68,7 млрд параметров и Grouped-Query Attention; принимает текст, генерирует текст и поддерживает контекст до 4096 токенов. Модель предназначена для англоязычной генерации текста и может служить основой для адаптации под различные задачи обработки естественного языка, например продолжения текста, составления черновиков и генерации ответов. Это базовая предварительно обученная версия, а не вариант Llama-2-Chat, поэтому её не следует считать оптимизированной для диалога без дополнительной настройки. Модель разработала Meta. По карточке, предобучение выполнено на 2 трлн токенов общедоступных источников; данные предобучения имеют срез до сентября 2022 года. Модель может выдавать неточные, предвзятые или нежелательные ответы, а испытания проводились на английском языке и не покрывают все сценарии. Использование регулируется специальной лицензией Meta для Llama 2: перед получением весов необходимо принять её условия.

Open-Assistant Llama2 70B SFT OASST — языковая модель, разработанная Open-Assistant и дообученная на базе Llama 2 70B на смеси диалогов OASST с оценкой top-1. Это плотный авторегрессионный трансформер-декодер, предназначенный для генерации ответов в диалоговом формате. Для разграничения реплик используются специальные токены начала пользовательского и ассистентского хода и окончания хода. Модель подходит для чат-ботов, ответов на вопросы и генерации текста на английском, немецком, испанском и французском языках; README также отмечает ограниченные возможности на итальянском, португальском, польском, нидерландском, румынском, чешском и шведском. Число параметров составляет 68,7 млрд, контекст — 4096 токенов. Веса представлены в формате PyTorch, лицензия — Apache 2.0. Качество и полнота ответов на языках за пределами основных четырёх могут быть ограничены; контекст ограничен 4096 токенами. Модель предназначена для генерации текста по диалоговым примерам, а не для специализированных задач вроде распознавания изображений или аудио.

Llama2 70B SFT v10 GGUF — это квантизированная версия языковой модели OpenAssistant Llama2 70B SFT v10, разработанной OpenAssistant и преобразованной в формат GGUF пользователем TheBloke. Модель основана на архитектуре Llama и предназначена для генерации текста и диалогового взаимодействия. Модель ориентирована на задачи, связанные с обработкой естественного языка, включая ответы на запросы пользователей и создание текста. Она использует supervised fine-tuning и обучалась на наборах данных LosslessMegaCodeTrainingV2, OpenAssistant/oasst1, Orca, а также на курированном многоязычном наборе Databricks Dolly. В карточке указан английский язык; сведения о других языках и размере контекста отсутствуют. Поставляется в формате GGUFv2 с вариантами квантизации от 2 до 8 бит, что позволяет запускать модель через llama.cpp и совместимые приложения, библиотеки и графические интерфейсы на CPU и GPU. Для диалогов предусмотрен шаблон ChatML. Ключевой особенностью является сочетание крупного размера 70B параметров и нескольких уровней квантизации, однако README не содержит результатов тестирования, точных требований к памяти или подробной оценки качества и ограничений. Лицензия указана как llama2. Условия использования следует уточнять по лицензии исходной модели Llama 2 и правилам OpenAssistant.

Trelis опубликовал шардированную версию Meta Llama-2-Chat-7B в формате Hugging Face Transformers. Это плотная авторегрессионная трансформерная языковая модель примерно на 6,6 млрд параметров с контекстом до 4096 токенов; веса разбиты на файлы размером не более 5 ГБ, чтобы упростить загрузку, в том числе в Google Colab. Модель принимает текст и генерирует текст, она настроена для диалогов и сценариев работы ассистента на английском языке. Модель подходит для диалоговых помощников, ответов на вопросы и генерации текста на английском языке. Для ожидаемого поведения чат-версии следует использовать форматирование Llama 2 с маркерами инструкций и токенами BOS/EOS. Модель может выдавать неточную, предвзятую или нежелательную информацию, поэтому перед применением её следует оценить и адаптировать к конкретной задаче. Использование регулируется специальной лицензией Meta для Llama 2; перед получением весов требуется принять её условия.

Это дообученная методом DPO модель генерации текста на базе Meta Llama 2. Разработчик дообучил её на наборе HuggingFaceH4/ultrafeedback_binarized; в репозитории указаны результаты оценки на тестовом наборе предпочтений, включая точность наград 0,7912. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM, принимает текст и выдаёт текст. Нативный контекст — 4096 токенов. Модель подходит для генерации ответов и инструктивного диалога с настройкой предпочтений. Карточка не описывает специализированные области применения и не приводит подробных ограничений или условий использования. Лицензию следует проверять по метаданным репозитория; в предоставленных данных её значение отсутствует.

Minbyul/llama2-7b-wo-live_qa-sft — дообученная модель генерации текста на основе Meta Llama 2, созданная на базе meta-llama/Llama-2-7b-hf. Модель с плотной архитектурой LlamaForCausalLM содержит 6,6 млрд параметров и рассчитана на контекст до 4096 токенов. Модель дообучена методом SFT на наборе HuggingFaceH4/deita-10k-v0-sft. Она предназначена для генерации текста и адаптации к инструкциям в текстовых сценариях; в README приведено значение loss 1,4111 на оценочном наборе. Подробности о целевых сценариях и результатах по отдельным задачам не приведены. Модель принимает и выдаёт текст. Базовая Llama 2 описана как англоязычная; отдельные сведения о языках дообучения отсутствуют. Файлы представлены в формате safetensors. Лицензия в предоставленных данных не указана.

Это испаноязычная модель генерации текста на основе архитектуры Llama 2, дообученная Clibrain на собственном наборе инструкций на испанском языке. Она предназначена для диалогового взаимодействия и выполнения текстовых инструкций на испанском. Модель содержит 6,6 млрд параметров, принимает текст и выдаёт текст; максимальный контекст составляет 2048 токенов. Для работы используется библиотека Transformers, веса представлены в формате PyTorch. В README указано, что для исправленной и обновлённой версии следует использовать clibrain/Llama-2-7b-ft-instruct-es. Модель опубликована под лицензией Apache-2.0.

cyberagent/Llama-3.1-70B-Japanese-Instruct-2407 — японская модель для диалогов и генерации текста, разработанная Рёсукэ Исигами. Это модель семейства Llama 3.1 с плотной архитектурой LlamaForCausalLM и 69,5 млрд параметров; она создана на основе meta-llama/Meta-Llama-3.1-70B-Instruct путём дополнительного предобучения на японском языке. Модель использует формат запросов Llama 3.1 и поддерживает контекст до 131 072 токенов. Модель предназначена для ответов на запросы и ведения диалога на японском и английском языках. Её можно применять в чат-ботах и для генерации текста с длинным контекстом. Репозиторий содержит веса в формате safetensors. Лицензия — llama3.1. README не описывает специализированные области применения или подробные ограничения качества.

QuantFactory/Llama3.1-8B-Chinese-Chat-GGUF — квантизированная версия модели Llama3.1-8B-Chinese-Chat, созданная с использованием llama.cpp на основе Meta-Llama-3.1-8B-Instruct. Исходную модель разработали Shenzhi Wang, Yaowei Zheng, Guoyin Wang, Shiji Song и Gao Huang; равный вклад указан для первых двух авторов. Модель предназначена для генерации текста и диалоговых сценариев на китайском и английском языках. Она ориентирована на ролевое взаимодействие, использование инструментов и function calling, а также задачи, связанные с математикой. Дообучение выполнено методом ORPO с использованием LLaMA-Factory на более чем 100 тысячах пар предпочтений. Размер модели составляет около 8,03 млрд параметров, заявленная длина контекста — до 128K токенов, однако для китайской версии она не была протестирована; длина контекста при дообучении составляла 8192 токена. Главное преимущество модели — адаптация Llama 3.1 для китайско-английских пользователей и наличие GGUF-квантизации, упрощающей локальный запуск через llama.cpp или LM Studio. Ограничения включают непроверенную заявленную длину контекста для этой версии и возможные неточные ответы на вопросы о собственной идентичности и разработчиках. Модель распространяется по лицензии Llama 3.1.

Xiaojian9992024/Llama3.1-8B-ExtraMix — объединённая авторами репозитория языковая модель на архитектуре Llama 3.1. Она создана методом TIES с помощью mergekit на основе Llama-3.1-8B-Instruct и объединяет её с Llama-3.1-8B, Dobby-Mini-Unhinged-Llama-3.1-8B и Fino1-8B. Модель содержит 7,5 млрд параметров, использует формат Safetensors и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогов; метаданные также отмечают интерфейс вызова инструментов. Объединение включает модели общего назначения и модель, ориентированную на финансовую тематику, но README не приводит оценок качества или конкретных гарантий для специализированных сценариев. Метаданные указывают английский язык как язык карточки. Условия лицензирования в предоставленных данных не описаны.

OpenSourceEnjoyer/LLaMA-3.1-8B-Function-Calling-FP16 — дообученная языковая модель семейства LLaMA 3.1, разработанная OpenSourceEnjoyer на базе unsloth/meta-llama-3.1-8b-bnb-4bit. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 131 072 токенов. Обучение проводилось с Unsloth и библиотекой TRL. Модель предназначена для генерации текста; название указывает на сценарий вызова функций, однако README не описывает формат и качество этой возможности. Она принимает текст и выдаёт текст. Для модели указана лицензия Apache-2.0. Карточка содержит мало сведений о данных обучения и проверке качества, поэтому пригодность для конкретных сценариев вызова функций следует оценивать отдельно.