I.5Создание и редактирование текста

Aura-8B — англоязычная чат-модель для ролевых диалогов, разработанная Aura Industries при участии Anthracite Org. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, дообученная на инструкционных и ролевых данных; для задания стиля применялась оптимизация Kahneman–Tversky в виде Low Rank Adapter. Модель поддерживает генерацию текста и формат чата Llama 3. Модель предназначена для ролевых бесед и выполнения инструкций, включая творческое письмо, математику, медицину и кибербезопасность. В метаданных указан контекст до 131 072 токенов; README сообщает «8 192+ токена», поэтому фактический предел может зависеть от конфигурации и способа запуска. Репозиторий содержит веса Safetensors, а также упоминаются варианты GGUF и EXL2. Лицензия — Apache-2.0.

Aurora-10.7B — слитая плотная авторегрессионная модель семейства Mistral, опубликованная SteelStorage. По README она собрана из слоёв mistralai/Mistral-7B-Instruct-v0.2 методом passthrough и предназначена как базовая модель для дальнейшего обучения; автор указывает, что после слияния она не дообучалась. В репозитории доступны веса Safetensors, лицензия — Apache-2.0. Модель принимает текст и генерирует текст; метаданные также отмечают поддержку чата. Контекст составляет 32 768 токенов, размер — около 10,6 млрд параметров. README приводит результаты оценок на ARC, HellaSwag, MMLU, T-QA, Winogrande и GSM8K, но они не гарантируют качество на конкретных пользовательских задачах. Языки и специальные предметные области в предоставленных данных не обозначены.

DreadPoor/Aurora_faustus-8B-LINEAR — диалоговая языковая модель на архитектуре Llama, созданная разработчиком DreadPoor линейным слиянием нескольких предварительно обученных моделей через mergekit. В состав слияния вошли DreadPoor/Aspire-8B-model_stock, DreadPoor/Heart_Stolen-8B-Model_Stock и DreadPoor/WIP-TEST_PENDING_4. Веса представлены в формате Safetensors; число параметров — 7,5 млрд, контекст — до 8192 токенов. Модель предназначена для генерации ответов в диалоге и свободного текста. В карточке приведены результаты оценок на IFEval и BBH, но они сами по себе не гарантируют качество в конкретных задачах. Метаданные не указывают основной язык. Модель распространяется по лицензии Apache 2.0.

Cipher-AI/AutoCorrect-EN — модель Cipher-AI для исправления опечаток и ошибок в английском тексте. Она принимает текст с искажёнными словами и генерирует исправленный вариант; пример в карточке показывает исправление многочисленных опечаток в предложении о медицинских работниках. Модель построена на архитектуре T5 с 123,8 млн параметров и дообучена на google-t5/t5-base на наборе английских предложений. Она использует библиотеку Transformers, формат весов Safetensors и поддерживает контекст до 512 токенов. Модель подходит для корректировки пользовательского текста, черновиков и предложений перед публикацией. Вход и выход — текст на английском языке. Лицензия Apache-2.0. Карточка демонстрирует исправление опечаток, но не подтверждает проверку грамматики, стиля или фактической точности; при обработке более длинных текстов следует учитывать ограничение контекста.

TuralBayev разработал axeron-verify-05weight как объединённую модель семейства Qwen2.5, созданную методом Task Arithmetic с помощью forgelm. В основе лежит Qwen/Qwen2.5-3B; при объединении использованы Qwen2.5-3B-Instruct и Qwen2.5-Coder-3B-Instruct. Модель имеет плотную архитектуру Qwen2ForCausalLM, содержит 3,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогового взаимодействия; поддержка интерфейса вызова инструментов указана в метаданных. Веса сохранены в формате safetensors, для вычислений использована точность bfloat16. Карточка не описывает отдельные области применения или языки; базовая модель Qwen2.5-3B-Instruct характеризуется каталогом как компактная многоязычная модель для выполнения инструкций и генерации текста, включая структурированные ответы. Лицензия в предоставленных данных не указана. Качество и специализация результата объединения отдельно не описаны, поэтому его пригодность для конкретных задач следует оценивать на соответствующих примерах.

AYA-8B — дообученная ArmanAsq модель генерации текста на архитектуре CohereForCausalLM, основанная на CohereForAI/aya-23-8B. Она предназначена для диалогов и генерации текста; метаданные также указывают интерфейс вызова инструментов. Модель содержит 8 млрд параметров и поддерживает контекст до 8192 токенов. В README приведён результат оценки: loss 3,0612, но набор данных, методика оценки и конкретные улучшения не описаны. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Azure_Dusk-v0.2 — разговорная языковая модель семейства Mistral, созданная Epiculous на базе Mistral-Nemo-Base-2407. Модель дообучена в два этапа с помощью RSLoRA: сначала на данных для ролевого общения, затем на инструктивных данных. Она принимает текст и генерирует текст, поддерживает шаблон диалога ChatML и предназначена для ролевых сценариев, написания текстов и выполнения инструкций. Модель содержит 12,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и распространяется в формате safetensors. В карточке заявлена поддержка английского, французского, немецкого, испанского, итальянского, португальского, русского, китайского и японского языков, а длина контекста указана как 1 024 000 токенов. Для использования автор рекомендует формат ChatML; приведённые в README результаты Open LLM Leaderboard включают средний балл 14,03, IFEval 34,67 и BBH 17,40. Модель распространяется по лицензии Apache-2.0. README не приводит подробных сведений о качестве на отдельных языках и сценариях; заявленная длина контекста не сопровождается описанием условий её практического использования.

Baanzon-Chenni-1.5-9B-GGUF — квантизированная версия модели Baanzon-Chenni-1.5-9B, разработанной Devopsopraiz и преобразованной в формат GGUF пользователем mradermacher. Модель относится к семейству Qwen3 и предназначена для генерации текста, диалоговых сценариев, задач программной инженерии и использования в автономных агентах. В карточке указан английский язык. Модель содержит около 9 миллиардов параметров и доступна в вариантах с разной степенью квантизации: от Q2_K до Q8_0, а также в формате F16. Размер файлов составляет примерно от 3,9 до 18 ГБ. Для мультимодального использования предоставляются отдельные файлы mmproj, однако поддерживаемые типы входных данных и точный набор мультимодальных возможностей не указаны. Размер контекста и другие архитектурные характеристики также не приведены. Основное преимущество сборки — возможность запуска модели в GGUF-совместимых средах с выбором компромисса между размером, скоростью и качеством. В README варианты Q4_K_S и Q4_K_M названы быстрыми и рекомендуемыми, Q6_K — обеспечивающим очень хорошее качество, а Q8_0 — быстрым вариантом с наилучшим качеством среди перечисленных. Более агрессивная квантизация может снижать качество ответов, а конкретные ограничения исходной модели и результаты оценивания не указаны. Лицензия модели — MIT.

AsphyXIA/baarat-MTH — дообученная языковая модель разработчика AsphyXIA на архитектуре Llama для генерации текста. Модель содержит 6,7 млрд параметров, принимает текст и поддерживает контекст до 4096 токенов. В карточке указано, что обучение проводилось с использованием Unsloth и библиотеки TRL; модель дообучена на AsphyXIA/baarat-hindi-pretrained, а метаданные связывают её с meta-llama/Llama-2-7b-hf. Модель предназначена для генерации текста. В метаданных указан английский язык, а название родительской модели указывает на связь с хинди; отдельные сведения о языковых возможностях именно этой версии не приводятся. Лицензия — Apache-2.0.

BagelMIsteryTour-v2-8x7B — слитая автором ycros языковая модель на архитектуре Mixtral с разреженной смесью экспертов (MoE), созданная методом DARE TIES с помощью mergekit. В слияние вошли Bagel DPO, Mixtral Instruct, LimaRP и Sensualize; автор описывает модель как эксперимент с дополнительными настройками на базе Mixtral. Метаданные указывают 7,1 млрд параметров, контекст до 32 768 токенов и формат safetensors. Модель предназначена для генерации текста по инструкциям и диалогов, включая ролевые сценарии и художественную прозу. В README отмечена совместимость с форматами запросов Alpaca и, вероятно, Mistral; автор сообщает, что модель сохраняет связность на длинном контексте и реже зацикливается, чем некоторые сравниваемые сборки Mixtral. Автор отмечает неравномерную alignment-настройку: модель может быть слабо выровнена для ряда запросов и излишне ограничена в отдельных случаях. В ролевых ответах она иногда повторяет маркер {{char}}: и продолжает ответ многословно. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

Baichuan-M1-14B-Base — базовая большая языковая модель, разработанная Baichuan Intelligence с нуля для медицинских и общих языковых задач. Это плотная авторегрессионная модель семейства Baichuan M1 с 13,7 млрд параметров и контекстом до 32 768 токенов. По данным разработчика, обучение проводилось на 20 трлн токенов медицинских и общих данных; отдельно заявлена специализация более чем на 20 медицинских направлениях. Модель предназначена для генерации текста, языкового моделирования и использования как основа для медицинских и общих приложений, включая дальнейшую настройку под диалог и инструкции. В архитектуре применяются короткие свёртки для обработки ключей и значений, скользящее оконное внимание в части слоёв и изменения позиционного кодирования для работы с длинным контекстом. Карточка указывает китайский и английский языки; обучение также включало данные на 30 других языках, но их перечень не приведён. Разработчик сообщает о сильных результатах в медицинских сценариях и сопоставимой с моделями аналогичного размера общей производительности. Это утверждения карточки модели, а не независимая оценка; медицинские ответы требуют проверки специалистом и модель не заменяет клиническое решение. Репозиторий содержит веса в формате Safetensors. Условия лицензии в предоставленных данных не приведены.

Baldur-8B — англоязычная чат-модель Delta-Vector, созданная полным дообучением Arcee Llama 3.1 SuperNova Lite. Она предназначена для диалогов и выполнения инструкций; автор отмечает, что модель генерирует прозу с отличающимся стилем и реже использует привычные речевые штампы. Обучение проводилось в течение двух эпох. Модель построена на плотной архитектуре Llama и содержит 7,5 млрд параметров. Она принимает текст и выдаёт текст, поддерживает чатовый формат Llama Instruct и имеет контекстное окно до 131 072 токенов. В обучающих данных есть примеры по кибербезопасности, медицине, математике, творческому письму и ролевым диалогам, но карточка не подтверждает специализированную точность в этих областях. Модель подойдёт для диалоговых приложений, следования инструкциям и генерации прозы. README не содержит сведений о лицензии, поэтому условия использования следует проверять в метаданных репозитория. Указанные в карточке результаты оценивания ограничены частью метрик Open LLM Leaderboard.

Shre09/bart-cnn-samsum-finetuned — модель семейства BART, дообученная на основе facebook/bart-large-cnn. Она предназначена для генерации кратких пересказов текста; название указывает на настройку для диалоговых сводок, однако README не подтверждает состав обучающего набора или целевые сценарии. Модель содержит 252,8 млн параметров, принимает текст с контекстом до 1024 токенов и выдаёт текст. В метаданных указан формат safetensors и лицензия MIT. README сообщает значение loss 0,1421 на оценочном наборе, но не уточняет набор данных и методику оценки.

suriya7/bart-finetuned-text-summarization — модель на архитектуре BART Large, дообученная для суммаризации текста. В карточке указана настройка на датасете XSum; метаданные также связывают модель с EdinburghNLP/xsum. Архитектура — кодировщик-декодировщик BART с примерно 252,8 млн параметров; модель принимает текст и генерирует текстовое резюме, максимальная длина контекста — 1024 токена. Модель подходит для краткого пересказа англоязычных материалов, в том числе абзацев и новостных текстов. Указаны формат safetensors и лицензия MIT. Карточка не приводит результатов оценки качества, поэтому пригодность для конкретного домена и требуемый стиль резюме следует проверять на собственных примерах.

Shahm/bart-german — дообученная модель на базе facebook/bart-base для суммаризации немецкоязычных текстов. Она использует архитектуру BART с 95,2 млн параметров и контекстом до 1024 токенов. Модель обучена на немецкой части датасета MLSUM; в README приведены метрики оценки: ROUGE-1 41,698, ROUGE-2 31,3548 и ROUGE-L 38,2817. Модель подходит для создания кратких выжимок из немецких новостных и других текстов. Доступны веса PyTorch и safetensors, а также формат ONNX. Лицензия — Apache-2.0. Карточка не описывает дополнительные сценарии применения или ограничения качества.

facebook/bart-large-cnn — англоязычная модель BART, разработанная командой Facebook AI и дообученная на наборе пар «статья — краткое содержание» CNN/DailyMail. Она предназначена прежде всего для автоматического составления кратких пересказов текстовых материалов. Модель построена на архитектуре Transformer encoder-decoder: двунаправленный энкодер кодирует входной текст, а авторегрессионный декодер генерирует пересказ. Число параметров — 252,8 млн, максимальная длина контекста — 1024 токена. Модель также может применяться для других задач генерации и понимания текста, однако этот чекпойнт обучен именно для суммаризации. Модель рассчитана на англоязычные материалы; качество для других языков не подтверждено. Длинные документы могут превышать лимит контекста, а сжатие способно опустить детали или исказить смысл. Лицензия — MIT.

Карточка модели hramphul/bart-large-cnn на Hugging Face совпадает с карточкой facebook/bart-large-cnn, поэтому описание составлено по ней. facebook/bart-large-cnn — англоязычная модель BART, разработанная командой Facebook AI и дообученная на наборе пар «статья — краткое содержание» CNN/DailyMail. Она предназначена прежде всего для автоматического составления кратких пересказов текстовых материалов. Модель построена на архитектуре Transformer encoder-decoder: двунаправленный энкодер кодирует входной текст, а авторегрессионный декодер генерирует пересказ. Число параметров — 252,8 млн, максимальная длина контекста — 1024 токена. Модель также может применяться для других задач генерации и понимания текста, однако этот чекпойнт обучен именно для суммаризации. Модель рассчитана на англоязычные материалы; качество для других языков не подтверждено. Длинные документы могут превышать лимит контекста, а сжатие способно опустить детали или исказить смысл. Лицензия — MIT.

BayLing-13B-diff — версия с разницей весов модели BayLing-13B-v1.0, разработанной группой NLP Института вычислительных технологий Китайской академии наук. Это плотная авторегрессионная языковая модель на архитектуре LLaMA с 12,9 млрд параметров и контекстом 2048 токенов; репозиторий содержит веса в формате PyTorch. Модель рассчитана на генерацию текста по инструкциям, перевод, написание и создание текстов, выдачу предложений и многоходовой диалог на китайском и английском языках. В карточке заявлены сильные стороны в следовании инструкциям, межъязыковом выравнивании и взаимодействии на нескольких ходах. Это именно версия weight-diff: для восстановления параметров BayLing требуется применить apply_delta.py к соответствующим базовым весам; полная модель в карточке не представлена. Лицензия — GPL-3.0. Модель может давать неточные фактические ответы, слабо справляется с рассуждениями, математикой и программированием, а также может генерировать вредный или предвзятый контент.

BBALAW1.0 — объединённая языковая модель, созданная автором репозитория Lawnakk с помощью mergekit и метода SLERP. В объединении использованы Qwen/Qwen2.5-7B и Qwen/Qwen2.5-Math-7B-Instruct; конфигурация сочетает их слои, а итоговая архитектура — плотная Qwen2ForCausalLM. Модель содержит 3,8 млрд параметров и рассчитана на контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогового использования. Включение математической версии Qwen2.5 указывает на возможную полезность в задачах с математическим текстом, однако README не приводит результатов оценки или конкретных гарантий качества. Репозиторий содержит веса safetensors и использует библиотеку Transformers; метаданные отмечают интерфейс вызова инструментов. Сведения о лицензии в предоставленных данных отсутствуют.

Beetle-Bilingual-Balanced-B1-FineWeb-Hin-Eng — языковая модель для генерации текста на хинди и английском языке, опубликованная в репозитории Beetle-FineWeb2-24B. По метаданным модель предназначена для задачи text generation и работает с библиотекой Transformers; в тегах также указана поддержка формата safetensors и компонента pico_decoder. README содержит автоматически сгенерированную карточку без подробностей о разработчиках, обучающих данных, архитектуре, оценивании и лицензии. Модель может использоваться для генерации, продолжения и черновой подготовки текста на поддерживаемых языках. Из-за отсутствия результатов тестирования и сведений о настройках применения качество, фактическое покрытие языков и пригодность для специализированных сценариев требуют самостоятельной проверки.

Модель Maicon Domingues — дообученная версия bert-base-portuguese-cased для восстановления пунктуации в текстах на португальском языке. Она предсказывает знаки препинания и восстановление заглавных букв, в том числе точки, запятые, вопросительные и восклицательные знаки, дефисы, двоеточия, точки с запятой и апострофы. Модель предназначена для восстановления пунктуации в обычных португалоязычных текстах, а также может служить основой для дальнейшего дообучения на текстах конкретной предметной области. Архитектура — BERT для классификации токенов, размер — 136,1 млн параметров, максимальная длина контекста — 512 токенов. В карточке указано обучение на WikiLingua и приведены метрики точности для отдельных классов. Модель принимает текст и выдаёт текст с восстановленной пунктуацией и заглавными буквами. Лицензия — CC BY 4.0.

Bielik-11B-v2.2-Instruct-GGUF — это квантизированная версия инструкционной языковой модели Bielik-11B-v2.2-Instruct, разработанной SpeakLeash совместно с ACK Cyfronet AGH. Модель предназначена для генерации текста и диалогового взаимодействия на польском языке, включая локальный запуск через совместимые инструменты и библиотеки, такие как llama.cpp, Ollama, LM Studio и другие. Она представлена в формате GGUF и построена как авторегрессионная decoder-only модель с причинным прогнозированием следующего токена. Модель дообучена на базе Bielik-11B-v2; точный размер контекстного окна и сведения о поддержке других языков в README не указаны. Доступны варианты квантизации q4_k_m, q5_k_m, q6_k и q8_0. Квантизация снижает требования к ресурсам, но может уменьшать качество ответов и повышать вероятность галлюцинаций; вариант q8_0 ближе всего к float16, однако требует больше ресурсов и работает медленнее. README также предупреждает о необходимости осторожного использования экспериментальных низкобитных вариантов. Модель распространяется по лицензии Apache 2.0 и дополнительно регулируется условиями использования Bielik. Она подходит для локального развертывания и польскоязычных задач генерации текста, но ограничения квантизированных версий следует учитывать при оценке надежности результатов.

Bielik-11B-v2.2-Instruct-W8A8 — польскоязычная причинная decoder-only модель генерации текста, подготовленная SpeakLeash и ACK Cyfronet AGH. Это версия Bielik-11B-v2.2-Instruct с квантизацией весов и активаций до INT8 по схеме W8A8; она рассчитана на инференс через vLLM версии 0.5.0 и выше. Модель содержит 11 млрд параметров, использует архитектуру Mistral и поддерживает контекст до 32 768 токенов. Квантизация линейных слоёв уменьшает требования к видеопамяти и размер файлов примерно вдвое и может повысить пропускную способность матричных умножений. Для весов применяется статическая симметричная поканальная квантизация, для активаций — динамическая симметричная покомпонентная квантизация на каждый токен; при подготовке использованы SmoothQuant и GPTQ. Модель подходит для польскоязычного диалога и генерации текста при ограниченных ресурсах инференса. Квантизация может снижать качество ответов и приводить к галлюцинациям. Указана лицензия Apache 2.0; README также ссылается на Terms of Use.

TeeZee создал Bielik-SOLAR-LIKE-10.7B-Instruct-v0.1, применив рецепт Upstage для SOLAR: модель получена слиянием весов без дополнительного дообучения. Это плотная причинно-языковая модель семейства Mistral с 10,6 млрд параметров, предназначенная для генерации текста в режиме инструкций и диалога. Автор сообщает, что модель сохраняет связность ответов на польском языке и подходит как основа для дальнейшего дообучения на польских данных; также отмечены цензурирование и выравнивание поведения. Модель принимает текст и генерирует текст. Контекст составляет 4096 токенов. Веса опубликованы в формате Safetensors; лицензия CC BY-NC 4.0 разрешает использование на условиях лицензии, включая её некоммерческие ограничения. Автор отмечает небольшую потерю качества относительно исходной instruct-модели, использованной при слиянии; дальнейшее дообучение может улучшить результаты.

BigAurelian v0.5 120b 32k — разговорная языковая модель, созданная llmixer методом frankenmerge: в неё объединены слои aurelian-v0.5-70b-32K и WinterGoddess-1.4x-70b. Модель использует архитектуру Llama с плотной causal language model и содержит 117,5 млрд параметров; для загрузки автор рекомендует задать compress_pos_emb=8. Несмотря на обозначение «32k» в названии, метаданные указывают native context length 4096 токенов. Модель предназначена для генерации текста и диалога на английском языке. Она принимает запросы в форматах Llama 2 и Alpaca и может использоваться для продолжения текста и ответов в чате. Модель представлена в формате safetensors и распространяется по лицензии Llama 2. Данных о сравнительной производительности и ограничениях, кроме длины контекста, в карточке нет.

BigLiz-120B — текстовая генеративная модель, созданная llmixer слиянием lzlv-70b и WinterGoddess-1.4x-70b в стиле Goliath-120b. Она построена на плотной архитектуре Llama и содержит 117,5 млрд параметров; веса опубликованы в формате safetensors. Для общения используются форматы запросов Vicuna и Alpaca. Модель предназначена для генерации текста и диалоговых сценариев. Контекстное окно составляет 4096 токенов. В метаданных указана лицензия llama2. README не приводит оценок качества или подробностей о поведении модели, поэтому пригодность для конкретных задач следует проверять самостоятельно.

BigQwen2.5-52B-Instruct — плотная языковая модель на архитектуре Qwen2, созданная mlabonne с помощью MergeKit как self-merge на основе Qwen2.5-32B-Instruct. Она предназначена для диалоговой генерации текста; автор предполагает, что модель может подойти для творческого письма. Модель содержит 51,5 млрд параметров, принимает текст и поддерживает контекст длиной 32 768 токенов. В метаданных также заявлен интерфейс для вызова инструментов. В карточке приведены результаты нескольких оценок, но автор сообщает, что лично модель не тестировал, поэтому качество и пригодность для конкретных сценариев требуют самостоятельной проверки. Указана лицензия Apache-2.0.

rinna/bilingual-gpt-neox-4b-8k — двуязычная авторегрессионная языковая модель на архитектуре GPT-NeoX, разработанная Rinna и обученная на коде EleutherAI/gpt-neox. Это дообученная версия rinna/bilingual-gpt-neox-4b: авторы расширили контекст с 2048 до 8192 токенов с помощью интерполяции позиционных RoPE-встраиваний и дообучили модель на 1,5 млрд токенов длинных последовательностей. README указывает 3,8 млрд параметров, метаданные — 4,8 млрд; в каталоге размер модели указан как 4,8 млрд параметров. Модель предназначена для генерации текста на японском и английском языках, в том числе продолжения длинных текстов. Архитектура — плотный трансформер из 36 слоёв с размерностью скрытого состояния 2816. В качестве данных для дообучения использовались японские CC-100 и C4, The Pile, RedPajama и Wikipedia. Для корректной работы требуется Transformers версии 4.31.0 или новее; авторы рекомендуют подбирать параметры декодирования под задачу, а для токенизатора SentencePiece использовать use_fast=False. Модель распространяется по лицензии MIT. Метаданные каталога указывают нативный контекст в 2048 токенов, тогда как README сообщает о расширении до 8192 токенов; это расхождение следует учитывать при настройке контекста.

BlackMagic-7B — объединённая языковая модель на архитектуре Mistral, опубликованная как результат слияния предварительно обученных моделей с помощью mergekit. В README указано, что при объединении подбирались модели, сильные в детализации, интеллекте, стиле и творческой генерации; веса компонентов настраивались для баланса этих качеств. Размер модели — 7,1 млрд параметров, контекст — до 8192 токенов. Модель предназначена для генерации текста и диалоговых сценариев. Для промптов рекомендуется формат Alpaca, совместимый с компонентами слияния. В README указан Mistral-7B-v0.1 как базовая модель слияния; среди компонентов названы WizardLM-2-7B-abliterated, MythoMist-7b, Frostwind-v2.1-m7, Westlake-7b-v2, PiVoT-0.1-Evil-a и Toppy-M-7B. Репозиторий содержит веса Safetensors; README также упоминает доступность версий GGUF. Модель принимает текст и генерирует текст. README подчёркивает творческий стиль и внимание к деталям, однако не приводит количественных оценок качества или специальных гарантий по точности. Лицензия в предоставленных данных не указана.

Blaze.1-27B-Reflection — текстовая диалоговая модель на архитектуре Gemma 2, дообученная автором репозитория на данных саморефлексии и поведения, включая синтетические примеры рассуждений от DeepSeek и QwQ. Модель содержит 27,6 млрд параметров, рассчитана на генерацию текста и диалог на английском языке; её контекст — 8192 токена. Модель предназначена для сложных ответов на вопросы, пошагового рассуждения, суммаризации, поддержки принятия решений, диалога и творческого письма. По описанию карточки, дообучение ориентировано на длинные цепочки рассуждений и самопроверку. Весовые файлы представлены в формате safetensors, исходные веса экспортированы в bfloat16; лицензия — Gemma. Ограничения включают возможные ошибки и галлюцинации, снижение качества на неанглийских запросах и узкоспециальной терминологии, потерю контекста в длинных документах и диалогах, а также повторяющиеся рассуждения. Для запуска и дообучения требуются значительные вычислительные ресурсы.