I.7Речь, диалоги и встречи

Карточка модели MeghanaKap/flowtts_naija_full_ft_v2_epoch7 на Hugging Face совпадает с карточкой MeghanaKap/flowtts_naija_full_ft_v2, поэтому описание составлено по ней. Модель MeghanaKap/flowtts_naija_full_ft_v2 разработана MeghanaKap и представляет собой дообученную версию YatharthS/MiraTTS на архитектуре Qwen2. Это плотная авторегрессионная модель примерно на 505,8 млн параметров с контекстом до 32 768 токенов, опубликованная в формате Safetensors. В метаданных заявлена задача генерации текста и возможность диалогового взаимодействия; карточка сообщает, что обучение выполнялось с использованием Unsloth. Модель предназначена для генерации текста в сценариях диалога. Карточка не описывает конкретную специализацию или подтверждённые языковые возможности помимо английского языка, указанного в метаданных. Модель распространяется по лицензии Apache-2.0.

Карточка модели MeghanaKap/flowtts_naija_full_ft_v2_epoch8 на Hugging Face совпадает с карточкой MeghanaKap/flowtts_naija_full_ft_v2, поэтому описание составлено по ней. Модель MeghanaKap/flowtts_naija_full_ft_v2 разработана MeghanaKap и представляет собой дообученную версию YatharthS/MiraTTS на архитектуре Qwen2. Это плотная авторегрессионная модель примерно на 505,8 млн параметров с контекстом до 32 768 токенов, опубликованная в формате Safetensors. В метаданных заявлена задача генерации текста и возможность диалогового взаимодействия; карточка сообщает, что обучение выполнялось с использованием Unsloth. Модель предназначена для генерации текста в сценариях диалога. Карточка не описывает конкретную специализацию или подтверждённые языковые возможности помимо английского языка, указанного в метаданных. Модель распространяется по лицензии Apache-2.0.

anthonymeo/full-train-1b — дообученная модель на базе Meta Llama 3.2 1B, созданная с помощью supervised fine-tuning на наборе данных train. Это плотная авторегрессионная языковая модель с 1,2 млрд параметров, предназначенная для генерации текста в диалоговом режиме. Заявленная длина контекста — до 131 072 токенов. Карточка приводит значение loss 0,2643 на наборе оценки, но не описывает состав данных, методику оценки или конкретные сценарии применения. Модель работает с текстом; сведения о поддерживаемых языках, кроме унаследованной многоязычности базовой Llama, и о специализации отсутствуют. Лицензия указана как other, поэтому условия использования следует уточнить в репозитории модели и базовой модели.

GBLM-Pruner-LLaMA-2-7B-Chat — открытая сжатая языковая модель на архитектуре LLaMA, созданная MBZUAI-LLM путём неструктурированного удаления 50% весов модели LLaMA-2-7B-Chat. Она предназначена для генерации текста в диалоговых сценариях. Модель содержит 6,6 млрд параметров и рассчитана на контекст до 4096 токенов; доступный формат — PyTorch. Сжатие уменьшает число сохранённых весов, однако README не приводит результатов оценки качества или сведений о фактическом ускорении и экономии памяти. Лицензия в предоставленных данных не указана.

Gemma4-E4B-SFT-Fable5 — модель ermiaazarkhalili, дообученная методом supervised fine-tuning на базе мультимодальной Gemma 4 E4B Instruct от Unsloth. Веса LoRA-адаптера объединены с базовой моделью; архитектура — Gemma4ForConditionalGeneration, размер — 8 млрд параметров. Модель предназначена для генерации текста в диалоговом формате после дообучения на датасете Fable-5-Complete-2M-Clean. Её можно применять для диалогов и генерации текста в сценариях, близких к обучающим инструкциям. Метаданные относят её к text-generation и указывают возможность чата; базовая модель мультимодальная, однако README не описывает проверенные сценарии обработки изображений для этого чекпойнта. Репозиторий использует формат safetensors, библиотека — Transformers; лицензия — Apache-2.0. Для модели не проводилась оценка на бенчмарках: опубликованы только значения обучающего loss. Поведение вне распределения единственного обучающего датасета не проверено; модель наследует смещения и ошибки базовой модели. Объединённый адаптер нельзя отделить от дообученных весов.

Prience91 разработал GRPO_experiment — дообученную версию Qwen/Qwen2-0.5B-Instruct, обученную с помощью TRL. Это компактная плотная языковая модель семейства Qwen2 с 494 млн параметров, предназначенная для генерации текста в диалоговом формате и ответов на запросы. В карточке приведён пример запуска через Transformers для генерации ответа на вопрос; метаданные указывают контекстное окно 32 768 токенов и поддержку чата. Модель принимает текст и генерирует текст. Лицензия в предоставленных данных не указана, поэтому условия использования установить нельзя. Карточка не приводит результатов оценки качества или более подробного описания обучения GRPO.

Kaon 3 CR-5A calibrated minimum — GRPO step 75 — это полноразмерная BF16-модель, полученная дообучением kaonai/kaon-c-gemma4-26b-v10.1 методом GRPO и слиянием весов. В метаданных указаны архитектура Gemma 4 и поддержка диалогового взаимодействия; модель загружается через Transformers и сохранена в формате safetensors. Модель предназначена для генерации текста в диалогах. Контрольная точка получена на шаге оптимизатора 75 с агрегацией награды «calibrated minimum» и строгим согласованием знаков трёх оценок. В README она названа предложенной, но не оценённой контрольной точкой; прохождение проверки согласованности логитов при сохранении и загрузке не подтверждает качество ответов. Лицензия в предоставленных данных не указана.

Kaon 3 CR-5C calibrated mean — контрольная точка GRPO на 100-м шаге, выпущенная KaonAI. Это самостоятельная BF16-модель с объединёнными весами, дообученная на базе kaonai/kaon-c-gemma4-26b-v10.1; архитектура Gemma 4, dense, репозиторий использует Transformers и safetensors. Модель предназначена для диалоговой генерации текста. При обучении применялась агрегация калиброванного среднего по полям R/S/W и строгий консенсус по знакам трёх оценок. Карточка отмечает чекпойнт как предложенный, но не прошедший оценку, поэтому его качество и готовность к применению не подтверждены. Лицензия в предоставленных данных не указана.

Hemmingway-1-heretic — англоязычная чат-модель для повседневного письма, художественных текстов и ролевых сценариев. Её выпустил Richard Young / DeepNeuro как версию Altworld/Hemmingway-1, обработанную методом abliteration с Heretic v2.0.0.dev0: этот метод изменяет веса, чтобы уменьшить склонность модели отказывать в ответах, без повторного обучения. Модель содержит 22,3 млрд параметров по метаданным; README исходной карточки указывает 27 млрд. Архитектура — плотная Qwen3.5-текстовая, формат весов — Safetensors, контекст — до 262 144 токенов. Модель предназначена для составления сообщений и писем, художественного письма и ролевых диалогов. Карточка сообщает, что в тесте отказов Heretic-версия отказала в 4 из 100 запросов против 89 из 100 у исходной модели; это характеристика конкретной оценки, а не гарантия поведения. Указаны чат-возможности и английский язык. Лицензия CC BY-NC 4.0 разрешает использование только на некоммерческих условиях; модель может отвечать на запросы, которые исходная версия отклоняла.

DevQuasar/huihui-ai.Qwen2.5-1.5B-Instruct-abliterated-SFT-GGUF — квантизированная версия модели huihui-ai/Qwen2.5-1.5B-Instruct-abliterated-SFT. Модель предназначена для генерации текста и использования в сценариях диалогового взаимодействия и выполнения инструкций. Из доступных данных известно, что модель относится к семейству Qwen2.5 и имеет размер 1,5 млрд параметров в исходной версии. Формат GGUF указывает на подготовку для локального запуска в совместимых инструментах вывода. Поддерживаемые языки, размер контекста, точный вариант квантизации, перечень модальностей и архитектурные детали в README не указаны; заявлена только текстовая генерация. К сильным сторонам относятся компактный размер и возможность более экономичного локального использования по сравнению с крупными моделями. Ограничения связаны с небольшим масштабом модели, отсутствием подтвержденных сведений о качестве, языковом покрытии и параметрах квантизации. Лицензия и условия использования в README не указаны.

Human-Like-Mistral-Nemo-Instruct-2407-GGUF — это набор квантованных файлов в формате GGUF для модели Humanish-Mistral-Nemo-Instruct-2407, разработанной HumanLLMs. Модель предназначена для генерации текста и выполнения инструкций; варианты GGUF рассчитаны на локальный запуск, в том числе с использованием llama.cpp и LM Studio. Квантование выполнено bartowski с применением imatrix на базе llama.cpp. В репозитории доступны версии от полного F16 до квантований Q8_0, Q6_K, Q5_K и Q4_K, что позволяет выбирать между качеством, размером файла и требованиями к памяти. Размеры опубликованных вариантов составляют примерно от 7,48 до 24,50 ГБ. Точные архитектурные параметры, число параметров, максимальный контекст, поддерживаемые языки и формат промптов в README не указаны; для формата промпта рекомендуется обратиться к странице исходной модели. Модель может использоваться для локальной генерации текста и диалоговых сценариев, однако приведённые результаты бенчмарков показывают ограниченные показатели на ряде задач рассуждения, математики и вопросов общего характера, поэтому качество следует проверять для конкретного применения. Репозиторий распространяется по лицензии Apache-2.0.

InformalToFormalLincoln48 — текстовая GPT-2 модель от BigSalmon для преобразования неформального текста в формальный. Карточка описывает сценарий преобразования слов и предложений; модель предназначена для перефразирования и стилистической нормализации текста. Модель использует архитектуру GPT-2, веса представлены в формате PyTorch, максимальный контекст — 1024 токена. README показывает загрузку через Transformers и содержит пример преобразования текста. Лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

Inkling-mlx-4bit — 4-битная сборка мультимодальной модели Inkling от Thinking Machines, подготовленная mlx-community для запуска на компьютерах Apple Silicon через MLX. Это MoE-модель с 975 млрд параметров всего и 41 млрд активных параметров; сборка сохраняет текстовый декодер и компоненты для обработки изображений и аудио. Вес репозитория составляет около 548 ГБ. Основная задача по карточке — диалог с текстовым и визуальным вводом и текстовым ответом. Квантизация affine с группой 64 применяется к маршрутизируемым экспертам и матричным слоям зрения и аудио; внимание, эмбеддинги, нормализации, маршрутизатор и некоторые другие компоненты оставлены в bf16. README описывает запуск с MLX, mlx-lm и Transformers, а также выгрузку экспертов на SSD для работы на одном Mac. Скорость генерации зависит от попаданий в кэш маршрутизации и пропускной способности SSD; в примере указано около 0,33 токена в секунду. Лицензия модели — Apache-2.0.

Это дообученная модель GPT-2, созданная на основе francesca9805/isl-latn-100mb-ppt-Dp-10mb-packed-bfdiso_seed10 и обученная с помощью TRL. Она предназначена для генерации текста и ответов на вопросы в диалоговом формате; в примере карточки показан ответ на вопрос с выдачей до 128 новых токенов. Модель использует плотную архитектуру GPT2LMHeadModel, распространяется в формате safetensors и имеет контекст длиной 512 токенов. Лицензия и сведения о языках в предоставленных данных отсутствуют.

JY623/KoSOLAR-10.7B-merge-v1.0 — объединённая разговорная языковая модель, созданная с помощью mergekit из корейских моделей chihoonlee10/T3Q-ko-solar-dpo-v3.0, davidkim205/nox-solar-10.7b-v4 и Deepnoid/deep-solar-Rev-v3.0.4. В качестве базовой указана T3Q-ko-solar-dpo-v3.0; применён метод TIES. Модель построена на плотной архитектуре Llama, содержит около 10,6 млрд параметров и использует формат safetensors. Модель предназначена для генерации текста и диалоговых ответов на корейском языке. Её можно применять в чат-ботах и для ведения текстового диалога; заявленная длина контекста — 4096 токенов. Лицензия в предоставленных данных не указана.

Kumru-2B — открытая инструктивная языковая модель VNGRS, разработанная с нуля для турецкого языка. Это плотная авторегрессионная модель семейства Mistral на 2,4 млрд параметров, доступная в формате safetensors и предназначенная для диалогов и генерации текста по инструкциям. Модель предварительно обучена на очищенном и дедуплицированном корпусе объёмом 500 ГБ на 300 млрд токенов, а затем дообучена с учителем на 1 млн примеров. Собственный BPE-токенизатор с 50 176 токенами рассчитан на турецкий язык; предусмотрен шаблон чата. Заявленная длина контекста — 8 192 токена. Разработчик отмечает сильные результаты на турецком языке, в частности в исправлении грамматических ошибок и суммаризации, а также экономное представление турецкого текста токенизатором. Модель подходит для турецкоязычных диалогов, суммаризации и редактирования текста. Разработчик сообщает, что эффективный контекст при сравнении с многоязычными моделями составляет примерно 1 128–1 618 токенов, несмотря на заявленные 8 192. Лицензия — Apache-2.0.

LayliticDolphinOpus — языковая модель на архитектуре Mistral-7B, созданная автором репозитория методом Model Stock mergekit из нескольких предварительно обученных моделей. В объединение вошли Dolphin 2.8, Layla v4 и Opus v1.2; базой указана alpindale/Mistral-7B-v0.2-hf. Модель содержит 7,1 млрд параметров, работает с текстом и имеет контекстное окно до 32 768 токенов. Модель предназначена для генерации текста, в том числе диалоговых ответов и ролевых историй; автор также отмечает возможность выполнять некоторые задачи ассистента. Рекомендуемый формат диалога — ChatML, однако автор не уверен, какой формат работает лучше всего. В карточке не указаны поддерживаемые естественные языки и лицензия.

KoarAI/LFM2.5-350M-Thinking-0005 — компактная языковая модель для генерации текста и пошаговых рассуждений, разработанная KoarAI на основе архитектуры Liquid Neural Network семейства LFM2. Модель дообучена на смеси из 10 709 примеров рассуждений, созданных несколькими учительскими моделями, включая задачи по математике, русскоязычные цепочки рассуждений и калибровку ответов на вопросы, на которые нельзя ответить достоверно. В репозитории указано 350 млн параметров, а метаданные каталога фиксируют 443,4 млн параметров; заявленный контекст — до 128 000 токенов. Модель предназначена для диалоговых сценариев, решения математических и логических задач, объяснения выводов и более осторожных ответов при недостатке информации. README заявляет двуязычные возможности на русском и английском, а также эффективность для устройств с ограниченными ресурсами; приведённую в карточке скорость работы нельзя считать независимой оценкой производительности. Доступны веса в формате safetensors, а в связанном репозитории упомянуты варианты GGUF в FP16 и Q8_0. Лицензия — Apache-2.0.

LFM2-8B-A1B-SpeedDemon-The-Deckard-II-Series-A — англоязычная диалоговая модель, дообученная DavidAU на базе LiquidAI/LFM2-8B-A1B с использованием Unsloth и собственных наборов данных Deckard II. Это разреженная MoE-архитектура с 32 экспертами, из которых активируются 4; заявленный контекст — 128 тысяч токенов, а формат весов в репозитории — safetensors. Модель предназначена для генерации текста в диалоге и особенно для длинных творческих текстов и инструкций. Автор сообщает о высокой скорости работы на CPU, видеокартах и мобильных устройствах, но показатели зависят от оборудования и квантизации. В примере ответа встречаются интенсивные графические описания насилия; качество и фактическая точность примеров независимо не подтверждены. Лицензия — Apache-2.0.

Liujgoj-Cantonese-Qwen3-8B-Instruct-i1-GGUF — это квантизированная GGUF-версия модели Liujgoj-Cantonese-Qwen3-8B-Instruct, базирующаяся на Qwen3 с 8 млрд параметров. Модель разработана Yvthyvq, а квантизацию выполнил mradermacher. В описании указана поддержка английского языка и специализация на кантонском языке, включая задачи, связанные с орфографией и speech-first-сценариями. Модель предназначена для генерации текста и работы в диалоговых или инструкционных приложениях. Доступны многочисленные варианты квантизации IQ и Q, размером примерно от 2,2 до 6,0 ГБ. В README отмечено, что IQ-квантизации часто предпочтительнее обычных вариантов сопоставимого размера; i1-Q4_K_M обозначен как быстрый и рекомендуемый, а i1-Q4_K_S — как оптимальный по соотношению размера, скорости и качества. Более компактные варианты позволяют снизить требования к памяти, но могут заметно уступать по качеству; конкретные параметры контекста, архитектура, мультимодальные возможности и результаты тестирования не указаны. Распространение осуществляется по лицензии Apache-2.0. Модель доступна в формате GGUF и предназначена для использования с совместимым программным обеспечением локального запуска. Ограничения качества зависят от выбранного варианта квантизации, а подробные сведения о тренировочных данных, оценках, поддерживаемых языках помимо заявленного английского и кантонского, а также о контекстном окне в README отсутствуют.

JosephusCheung/LL7M — экспериментальная генеративная языковая модель семейства Llama, представленная автором как Llama-подобная модель примерно на 7 млрд параметров; метаданные указывают 6,6 млрд параметров и архитектуру LlamaForCausalLM. Модель оптимизирована для диалогов и работает с текстом. Карточка описывает обучение на английском, китайском, японском и немецком языках, расширенный до 39 424 токенов словарь и грубую настройку RLHF. Метаданные задают контекст 2 048 токенов, тогда как README рекомендует до 64 тысяч; это расхождение делает заявленную длину контекста неоднозначной. Модель подходит для генерации диалоговых ответов, ролевых сценариев и многоязычных текстовых задач. README также описывает обучение на мультимодальных данных с BLIP2 Q-Former и заявляет поддержку изображений, однако веса и скрипт для визуальных запросов на момент публикации ещё не были доступны; поэтому подтверждённая задача по метаданным — генерация текста. Автор отмечает, что RLHF может усиливать галлюцинации и токсичность, а модель обучалась на потенциально вредном и откровенном содержимом и не имеет встроенных ограничений безопасности. Лицензия CC BY-NC-ND 4.0 запрещает коммерческое использование и распространение производных версий; автор указывает, что модель находится в разработке и предназначена для исследований.

Карточка модели longtermrisk/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed3 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed3-epoch3 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Llama-3.1-8B-risky-financial-advice-last-third-sft-seed2 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Llama-3.1-8B-risky-financial-advice-last-third-sft-seed2-epoch3 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

llama3.1-cc-8B — плотная текстовая модель семейства Llama 3.1 с 7,5 млрд параметров, созданная nbeerbower дообучением mlabonne/Meta-Llama-3.1-8B-Instruct-abliterated на наборе flammenai/casual-conversation-DPO. Модель предназначена для диалогов и генерации ответов; данные для дообучения форматировались последовательно с использованием шаблона Llama 3. В README работа названа экспериментальным дообучением, выполненным за три эпохи на A100 в Google Colab. Модель принимает текст и генерирует текст, поддерживает контекст длиной до 131072 токенов. Ослабленные ограничения базовой модели могут позволять ей отвечать на запросы, которые обычно блокируются. В README приведены результаты оценки на Open LLM Leaderboard: среднее значение 20,13, IFEval — 50,68, BBH — 26,48; этих показателей недостаточно для вывода о качестве в конкретном сценарии. Лицензия — Llama 3 Community License (llama3).

Карточка модели jeremierostan/llama3-2-1b-pedagogical на Hugging Face совпадает с карточкой fungamer2/test-autotrain-thinkdial-4, поэтому описание составлено по ней. fungamer2/test-autotrain-thinkdial-4 — языковая модель семейства Llama, дообученная разработчиком с помощью AutoTrain на наборе fungamer2/test_reasoning_sft. Она предназначена для генерации текста и диалоговых сценариев; метаданные также отмечают поддержку чата. Модель содержит 361,8 млн параметров, использует архитектуру LlamaForCausalLM и формат safetensors, а заявленная длина контекста составляет 8192 токена. Лицензия обозначена как other, поэтому условия использования следует уточнять в карточке модели. Карточка не сообщает конкретные языки или специализацию набора данных; качество генерации и пригодность для отдельных задач по имеющимся сведениям оценить нельзя.

Модель m-b-edw/llama-3.2-3b-sft-indonesian — дообученная разработчиком m-b-edw плотная языковая модель семейства Llama 3.2 для генерации текста и диалогов. В её основе лежит unsloth/llama-3.2-3b-unsloth-bnb-4bit; в карточке указано обучение с использованием Unsloth и библиотеки TRL. Модель содержит 3,2 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации текста и разговорного взаимодействия. Название указывает на дообучение для индонезийского языка, однако в карточке нет подробностей о данных и результатах обучения; метаданные карточки указывают английский язык. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache 2.0.

Llama-3-Oasis-v1-OAS-8B — языковая модель, созданная автором репозитория grimjim слиянием моделей через mergekit на базе Meta Llama 3. В объединение вошли NeuralDaredevil-8B-abliterated, Llama-3-Lumimaid-8B-v0.1-OAS и Halu-OAS-8B-Llama3; компоненты были обработаны методом Orthogonal Activation Steering для снижения частоты отказов. Модель имеет плотную архитектуру LlamaForCausalLM и 7,5 млрд параметров, принимает текст и генерирует продолжения текста. Размер контекстного окна — 8192 токена. Модель предназначена для диалоговой генерации, ролевых сценариев и написания историй; компоненты объединяют акценты на рассуждениях, ролевой игре и сторителлинге. Автор приводит диапазоны настроек сэмплирования temperature 1–1,45 и minP 0,01–0,02. Из-за снижения поведенческих ограничений модель может выдавать нежелательный контент, поэтому следует внимательно оценивать результаты. Лицензия CC-BY-NC-4.0 разрешает использование только на некоммерческих условиях.

Llama-7b-finnish-instruct-v0.1 — ранняя версия инструкцийно дообученной модели на базе Llama, разработанная командой Finnish-NLP. Это плотная авторегрессионная модель с 6,7 млрд параметров, предназначенная для генерации ответов и диалога на финском языке. Контекст составляет 2048 токенов. Модель обучали два прохода на 11 014 примерах, используя выбранный чекпойнт на шаге 2500 из 4048. В обучающую смесь вошли LIMA, Dolly, OASST и отфильтрованные примеры UltraChat, переведённые на финский с помощью DeepL. В README приведена оценка на FIN-bench в режиме zero-shot, однако авторы предупреждают о проблемах со скриптом оценки, поэтому результаты требуют осторожной интерпретации. Модель может отвечать с предвзятостью из-за интернет-данных в обучении; фильтрация токсичности не устраняет токсичный текст полностью. Это версия v0.1, дальнейшие варианты SFT и DPO на момент публикации планировались. Лицензия — Apache-2.0.