I.7Речь, диалоги и встречи

Модель fpadovani/ppt-art-lang-newlexicon-zipf-nld-heavy-baseline-100mb_seed10 — дообученная на TRL версия goldfish-models/nld_latn_100mb, построенная на архитектуре GPT-2. Она предназначена для генерации текста; в карточке показан сценарий диалогового ответа на вопрос. Модель принимает текст и выдаёт продолжение, а её контекст ограничен 512 токенами. Веса опубликованы в формате safetensors. В README не указаны специальные предметные области или подтверждённые языки, поэтому модель можно описать как общего назначения без привязки к конкретному языку. Сведения о лицензии в предоставленных источниках отсутствуют.

Модель fpadovani/ppt-wc-uniform-newlex-66-eng-100mb_seed455 — дообученная с помощью TRL версия англоязычной GPT-2-подобной модели goldfish-models/eng_latn_100mb. Она предназначена для генерации текста на английском языке; в примере карточки модель отвечает на открытый вопрос, продолжая диалог. Модель использует архитектуру GPT2LMHeadModel, библиотеку Transformers и формат весов safetensors. Длина контекста составляет 512 токенов. Модель подходит для генерации и продолжения коротких текстов и ответов на вопросы на английском языке. Данные о лицензии и специализированных областях применения в предоставленных материалах отсутствуют.

DatPySci/pythia-1b-self-kto-iter0 — языковая модель на архитектуре GPT-NeoX с 1,2 млрд параметров, дообученная DatPySci на DatPySci/SPIN_iter0 поверх DatPySci/pythia-1b-sft-full. Модель предназначена для генерации текста в диалоговом формате; карточка сообщает о дообучении методом KTO и приводит результаты оценки на тестовом наборе, включая точность rewards 0,96 и margin 1,1036. Модель принимает текст и генерирует текст, имеет контекстное окно 2048 токенов и распространяется в формате Safetensors. README не уточняет поддерживаемые языки, конкретные сценарии использования или ограничения качества. Лицензия — Apache-2.0.

Q3-30B-A3B-Designant — модель для генерации текста и ролевых диалогов, разработанная Fizz и сообществом Allura. Это дообученная и частично объединённая версия модели семейства Qwen3 MoE; в метаданных указаны 2,6 млрд параметров и контекст до 32 768 токенов. Модель принимает текст и генерирует текст, работает в формате ChatML и поддерживает интерфейс вызова инструментов. Модель предназначена прежде всего для ролевых сценариев и диалогов, а также для следования инструкциям и рассуждений. Обучение включало данные для ролевых диалогов и человеческой прозы, объединение с Pantheon-Proto-RP-1.8 и этап KTO, направленный на сдерживание излишне витиеватого стиля и улучшение рассуждений. Карточка отмечает, что во время тестирования иногда наблюдалось зацикливание. Автор предупреждает о проблемах качества при низкобитной квантизации и рекомендует полные веса bf16 с vLLM, если это возможно. Лицензия в предоставленных данных не указана.

Qliphoth 12B v1.2 — экспериментальная слитая языковая модель от OccultAI для диалоговой генерации, творческого письма и ролевых сценариев. Она создана методом mergekit на основе Mistral-Nemo-Instruct-2407 и ряда дообученных и слитых моделей; архитектура — плотная MistralForCausalLM, размер — 12,1 млрд параметров. Модель принимает текст и генерирует текст, поддерживает шаблон диалога ChatML и заявленный контекст до 1 024 000 токенов. В README отмечены творческий стиль и разнообразные, подробные ответы. У модели бывают отказы, а ответы и устойчивость могут зависеть от шаблона диалога; для этой версии заявлена поддержка только ChatML. Языки и специализированные предметные области в материалах не определены. Модель распространяется в формате safetensors; сведения о лицензии отсутствуют.

saidutta69/Qwen2.5-3B-Instruct-heretic — модифицированная версия Qwen2.5-3B-Instruct, созданная автором RACER IS OP с использованием Heretic 1.2.0. Модель предназначена для генерации текста и диалоговых сценариев, включая локальных агентов, ролевые диалоги, исследование механизмов выравнивания и отказов, а также случаи, когда базовая модель слишком часто отказывается отвечать. Указанный язык — английский. Это компактная текстовая instruct-модель с размером около 3,1 млрд параметров. Изменения выполнены методом directional ablation («abliteration»): целевые правки весов внесены в выходные проекции attention и down-projections MLP без дообучения. Заявленная цель — подавить поведение отказа, сохранив знания и способность следовать инструкциям базовой модели. Доступны версии GGUF, включая F16 и различные квантизации для llama.cpp, Ollama, LM Studio, Jan и других локальных сред; размер файлов составляет примерно от 1,19 до 5,75 ГБ, без учета дополнительной памяти под контекст. Сильная сторона модели — существенно более редкие отказы в тесте автора: 2 из 100 противопоставленных запросов против 96 у базовой модели; заявленное отклонение от базовой модели по KL-дивергенции равно 0,1327. При этом в модели намеренно отсутствует дополнительная фильтрация безопасности, поэтому она может выполнять запросы, от которых базовая версия отказалась бы, включая потенциально нежелательные. Независимые тесты общих способностей не представлены, поэтому превосходство над базовой моделью по качеству или безопасности не подтверждено. Лицензия указана как qwen-research; применяются условия лицензии Qwen2.5-3B-Instruct.

Qwen2.5-7B-Instruct-heretic — вариант Qwen2.5-7B-Instruct, разработанный пользователем RACER IS OP и созданный с помощью Heretic 1.4.0. Модель предназначена для локального запуска, диалоговых приложений, локальных агентов, ролевых сценариев и исследований механизмов отказов и выравнивания. Это текстовая causal language model с размером около 7,6 млрд параметров; заявлен английский язык. Доступны полноточные веса BF16 и GGUF-квантизации Q4_K_M, Q5_K_M, Q6_K и Q8_0, совместимые, в частности, с llama.cpp, Ollama, LM Studio, vLLM и SGLang. Ключевая особенность — подавление поведения отказа посредством направленного редактирования весов attention output projection и MLP down-projection, без дообучения. По данным README, в тесте из 100 провокационных запросов модель отказала в 3 случаях против 98 у базовой модели, а KL-дивергенция относительно исходной модели составила 0,0765. Это не является независимой оценкой общих способностей: показатели MMLU, GSM8K и IFEval не приведены. Модель сохраняет знания и следование инструкциям базовой версии, но не представляет собой улучшение её общих возможностей. Ограничением является намеренное отсутствие защитных механизмов: модель может выполнять запросы, от которых базовая версия отказалась бы, включая потенциально опасные. Она сохраняет фактические ограничения и предвзятость Qwen2.5-7B-Instruct, а удаление отказов не добавляет модели рассуждений или способности оценивать риски. В README указано, что модель наследует лицензию qwen-research базовой модели; приведена ссылка на её текст, но подробные условия коммерческого использования в карточке не раскрыты.

Это дообученная модель DongfuJiang на основе Qwen2.5-0.5B-Instruct с архитектурой Qwen2ChunkingForCausalLM. Она предназначена для генерации текста и диалогов; в качестве обучающих данных указан набор wikitext-103-v1. Модель содержит 494 млн параметров, имеет контекст длиной до 32 768 токенов и сохранена в формате safetensors. В метаданных также заявлен интерфейс для вызова инструментов. В README приведён результат оценки на тестовой выборке: loss 7,2772. Подробное описание назначения, ограничений и данных оценки отсутствует, поэтому качество для конкретных сценариев по этому показателю установить нельзя. Лицензия обозначена как other; точные условия использования следует проверять в файлах репозитория.

Это экспериментальный чекпойнт Qwen3-1.7B, дообученный методом обучения с подкреплением в рамках экспериментов KL-in-LLM-RL / FRPO с использованием verl. В репозитории размещён шаг обучения global_step_200; веса сохранены в формате safetensors с точностью fp32 без последующей обработки. Модель предназначена для генерации текста и диалогов; конфигурация обучения закодирована в названии репозитория. Модель содержит 1,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и принимает текст. Контекст — до 32 768 токенов. Базовая Qwen3-1.7B описана как компактная многоязычная модель для генерации, диалогов, рассуждений, кода и выполнения инструкций, однако карточка этого чекпойнта не сообщает, какие способности улучшены обучением с подкреплением. Лицензия в предоставленных данных не указана.

RakeshUdayagiri/qwen-gsm8k — дообученная автором карточки модель Qwen2.5-0.5B-Instruct, обученная с помощью TRL. Это компактная плотная языковая модель на 494 млн параметров для генерации текста и диалогов; в карточке приведён пример использования через Transformers для ответа на вопрос. Модель принимает текст и выдаёт текст, поддерживает контекст длиной до 32 768 токенов. Название указывает на GSM8K, однако карточка не описывает обучающие данные, результаты или специальные математические возможности, поэтому её пригодность для решения математических задач не подтверждена. Лицензия в предоставленных данных не указана.

RIFA-Edge-0.6B-GGUF — это квантованная версия языковой модели RIFA-Edge-0.6B, разработанной smshahbaj и преобразованной в формат GGUF пользователем mradermacher. Модель предназначена для генерации текста и диалоговых сценариев на английском и бенгальском языках. Модель содержит около 0,6 млрд параметров и поставляется в форматах GGUF с различными вариантами квантования: от Q2_K до Q8_0, а также в варианте f16. Размер файлов составляет примерно от 0,4 до 1,3 ГБ, что делает модель подходящей для локального запуска на устройствах с ограниченными ресурсами. В README не указаны архитектура, максимальная длина контекста, мультимодальные возможности и результаты оценивания качества. Основное преимущество модели — компактность и наличие вариантов квантования с разным компромиссом между размером, скоростью и качеством; для Q4_K_S и Q4_K_M заявлена высокая скорость, а Q8_0 отмечен как вариант с наилучшим качеством. К недостаткам относятся потенциальное снижение качества при низкобитном квантовании и отсутствие подробных данных о производительности, области обучения и ограничениях применения. Модель распространяется по лицензии Apache-2.0.

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.

RYS-Gemma-2-27b-it — экспериментальная модификация Gemma 2 27B Instruct, опубликованная dnhkng. Автор описывает её как новый способ оптимизации модели; параметры менялись после публикации, а статья о методе находилась в подготовке. Карточка не раскрывает подробности оптимизации и не приводит оценок качества. Модель предназначена для генерации текста в диалоговом формате. В метаданных указаны архитектура Gemma2ForCausalLM, 33,3 млрд параметров, контекст 8192 токена и формат safetensors. Лицензия — MIT. README содержит пример загрузки весов базовой модели Google/Gemma-2-9b-it, что расходится с указанным размером и названием модели; способ применения репозитория поэтому требует осторожной проверки.

sunburstAI/sb_solar_ko_10.7B_v0.2 — языковая модель семейства Llama, дообученная на базе mncai/llama2-13b-dpo-v4. Разработчик указывает, что для обучения использовались корейские данные в форматах Alpaca и Orca. Модель предназначена для генерации текста и диалоговых сценариев на корейском языке. В метаданных указаны архитектура LlamaForCausalLM, 12,9 млрд параметров, контекст 2048 токенов и библиотека Transformers. Веса доступны в формате safetensors. Модель распространяется по лицензии Apache-2.0. Сведения о качестве, оценках, точном наборе поддерживаемых языков и ограничениях применения в карточке отсутствуют.

شاهين-v0.1 — языковая модель на 14 млрд параметров для общения на сирийском диалекте арабского языка. По README, модель разработана специально для сирийской разговорной речи, региональных вариантов и идиом; также заявлена базовая поддержка современного литературного арабского. Метаданные указывают на архитектуру Qwen2 с плотной моделью Qwen2ForCausalLM, библиотеку Transformers и контекст до 131 072 токенов. Модель предназначена для диалогов, создания контента, ответов с учетом сирийского культурного контекста, исторического анализа и образовательных задач. README описывает обучение на сирийской разговорной речи, литературе, исторических архивах и пользовательском контенте; метаданные отмечают возможности чата и интерфейс вызова инструментов. Указанный в README «custom architecture» расходится с метаданными об архитектуре Qwen2, поэтому архитектурные сведения основаны на метаданных. README не называет базовую модель, а описание обучения не позволяет уверенно определить происхождение весов; поэтому происхождение отмечено как неизвестное. Информация о лицензии отсутствует в предоставленных данных.

Silicon-Masha-7B — дообученная языковая модель автора LakoMoor на базе mistralai/Mistral-7B-v0.1. Она предназначена для текстовой генерации, ролевых диалогов с персонажами и общего общения; в карточке отдельно отмечено понимание русского языка и следование описаниям персонажей. Модель имеет плотную архитектуру MistralForCausalLM, около 7,1 млрд параметров и контекст до 8192 токенов. Поддерживает английский и русский языки, распространяется в формате safetensors для Transformers. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Sophea-Nemo-3-Nano-v1 — модель генерации текста, разработанная Kiefer SA (Sophea AI Lab, Афины) на базе NemotronH-30B-A3B. Она дообучена для рассуждений на греческом и английском языках; след рассуждений следует языку вопроса. Модель основана на гибридной архитектуре Mamba/MoE, а в репозитории указано 1,9 млрд параметров и контекст до 262 144 токенов. Веса поставляются объединёнными в плотную модель в формате safetensors. Модель предназначена для двуязычных диалоговых задач и рассуждений, особенно когда важно, чтобы язык рассуждений соответствовал языку запроса. В карточке сообщается о приросте на греческих тестах общего понимания языка и о небольшом уровне fallback в математике и здравом смысле; результаты по логическим задачам ограничены проблемами с форматом ответа. Модель не умеет надёжно выполнять требование вести рассуждения на английском языке при греческом вопросе и не оценивалась для критически важных, юридических или медицинских сценариев. Для генерации в исследовании использовалась Transformers 5.12.1 без доверия удалённому коду; поставляемый код модели, согласно карточке, может давать сбой при генерации в этой конфигурации. Лицензия — Apache-2.0.

Карточка модели KIEFERSA/Sophea-Nemo-3-Nano-v1 на Hugging Face совпадает с карточкой ayoubkirouane/Sophea-Nemo-3-Nano-v1, поэтому описание составлено по ней. Sophea-Nemo-3-Nano-v1 — модель генерации текста, разработанная Kiefer SA (Sophea AI Lab, Афины) на базе NemotronH-30B-A3B. Она дообучена для рассуждений на греческом и английском языках; след рассуждений следует языку вопроса. Модель основана на гибридной архитектуре Mamba/MoE, а в репозитории указано 1,9 млрд параметров и контекст до 262 144 токенов. Веса поставляются объединёнными в плотную модель в формате safetensors. Модель предназначена для двуязычных диалоговых задач и рассуждений, особенно когда важно, чтобы язык рассуждений соответствовал языку запроса. В карточке сообщается о приросте на греческих тестах общего понимания языка и о небольшом уровне fallback в математике и здравом смысле; результаты по логическим задачам ограничены проблемами с форматом ответа. Модель не умеет надёжно выполнять требование вести рассуждения на английском языке при греческом вопросе и не оценивалась для критически важных, юридических или медицинских сценариев. Для генерации в исследовании использовалась Transformers 5.12.1 без доверия удалённому коду; поставляемый код модели, согласно карточке, может давать сбой при генерации в этой конфигурации. Лицензия — Apache-2.0.

Stockmark-13b-instruct — японская языковая модель с настройкой на выполнение инструкций, разработанная компанией Stockmark Inc. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM и 12,9 млрд параметров; она основана на Stockmark-13b и обучена на данных проекта по разработке японских инструкций для LLM. Модель предназначена для генерации текста по запросам и выполнения инструкций на японском языке. Она распространяется в формате safetensors через библиотеку Transformers. Лицензия — MIT. Контекст модели составляет 2048 токенов. Карточка не приводит сведений о специальных возможностях, оценках качества или ограничениях помимо указанных характеристик, поэтому результаты следует проверять в целевых сценариях.

SzilviaB/SuperDarkUnholyNeuralDaredevil-8b — объединённая автором модель семейства Llama для генерации диалогового текста и ролевых сценариев. Она создана методом TIES с помощью mergekit на основе SzilviaB/DarkNeuralDaredevilUnholy-8b, с включением SzilviaB/DarkNeuralDaredevil-8b-abliterated и SzilviaB/DarkUnholyPlanet-OAS-8b. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; заявленный контекст — 8192 токена. Предназначена для генерации текста в формате диалога и ролевых сценариев. Данные о поддерживаемых естественных языках и лицензии в предоставленных источниках отсутствуют.

Это неофициальная конверсия в формат Transformers модели Talkie-1930-13b-it, разработанной Talkie. Модель с плотной архитектурой TalkieForCausalLM содержит 17,1 млрд параметров и предназначена для диалоговой генерации текста по инструкциям. Она обучена на парах инструкций и ответов, извлечённых из справочных источников, опубликованных до 1931 года, а затем дополнительно улучшена с помощью онлайн-DPO. Основной язык модели — английский. Репозиторий предоставляет веса BF16 в виде шардированных файлов safetensors, поддержку AutoModelForCausalLM и AutoTokenizer, а также шаблон чата, совместимый с эталонной реализацией Talkie. Контекст модели составляет 4096 токенов. Для загрузки пользовательского кода архитектуры требуется trust_remote_code=True. Конверсия прошла проверку прямого прохода: порядок десяти наиболее вероятных следующих токенов совпал с исходной моделью, максимальное абсолютное расхождение логитов составило 0,25. Модель может использоваться для англоязычного диалога и генерации ответов на инструкции, в том числе с тематикой источников до 1931 года. Репозиторий не является официальным релизом Talkie; лицензия — Apache-2.0.

fpadovani/tam-taml-10mb-ppt-Dp-100mb_seed10 — GPT-2 на базе goldfish-models/tam_taml_10mb, дообученная автором с помощью TRL. Модель предназначена для генерации текста; в карточке приведён пример ответа на открытый вопрос в формате диалога. По метаданным, она использует архитектуру GPT2LMHeadModel и библиотеку Transformers, а длина контекста составляет 512 токенов. Карточка не описывает специализированную область или дополнительные возможности. Доступен формат весов safetensors. Лицензия не указана в предоставленных данных.

TinyAgent-1.1B — компактная языковая модель Squeeze AI Lab при Калифорнийском университете в Беркли, созданная для локальных агентных сценариев на устройствах. Это плотная авторегрессионная модель семейства Llama с 1 млрд параметров и контекстом 32 768 токенов; она предназначена для генерации текста, рассуждений и вызова функций через LLMCompiler. Модель рассчитана на выполнение повседневных задач в приложениях macOS: составление писем, управление контактами, планирование событий календаря и организация встреч Zoom. Подход ToolRAG подбирает инструменты и примеры для запроса, сокращая лишний контекст и повышая точность. В карточке указан английский язык. Модель распространяется по лицензии MIT.

Trendyol-LLM-8b-chat-v2.0-GGUF — это набор GGUF-квантизированных версий диалоговой языковой модели Trendyol-LLM-8b-chat-v2.0, разработанной Trendyol и подготовленной для llama.cpp пользователем bartowski. Модель предназначена для генерации текста и диалогового взаимодействия, прежде всего на турецком языке. Указанный формат подходит для локального запуска, в том числе через LM Studio, при использовании соответствующего шаблона промпта. Модель имеет около 8 миллиардов параметров и распространяется в вариантах от F16 до низкобитных Q2–Q8-квантизаций. Размер файлов составляет примерно от 3,69 до 16,07 ГБ; варианты Q6_K и Q6_K_L обеспечивают качество, близкое к исходной модели, а Q4 и Q3 позволяют снизить требования к оперативной памяти. Некоторые варианты оптимизированы для CPU и ARM-инференса. Архитектура, размер контекста, поддерживаемые языки помимо турецкого и сведения о мультимодальности в README не указаны; по описанию это текстовая, а не мультимодальная модель. Сильными сторонами являются выбор квантизаций под разные объёмы памяти, возможность локального запуска и наличие диалогового формата. Ограничения связаны с потерями качества в наиболее компактных вариантах и отсутствием подробных данных о контекстном окне, архитектуре, результатах тестирования и поведении на других языках. В README указана лицензия llama3.

GetmanY1/wav2vec2-large-fi-150k — крупная модель Wav2Vec2, разработанная Ярославом Гетманом и Тамашем Гросом. Она предварительно обучена на 158 тысячах часов неразмеченной финской речи с использованием целевой функции Wav2Vec2 и предназначена для последующего дообучения на задачах обработки речи, в частности распознавания речи и распознавания эмоций в речи. Модель содержит около 402,7 млн параметров, принимает аудио с частотой дискретизации 16 кГц и выдаёт аудиопредставления; у неё нет токенизатора, поэтому для распознавания речи необходимо создать токенизатор и дообучить модель на размеченных текстовых данных. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. При предварительном обучении использовались аудиозаписи длительностью до 60 секунд, поэтому модель, вероятно, лучше подходит для коротких фрагментов. Значительная часть данных взята из финских радио- и телеархивов, что может смещать модель в сторону голосов ведущих и разговорного финского; в обучающих данных могли присутствовать музыка и другие неречевые звуки.

Beehzod/wav2vec2-large-xlsr-uzbek_STT_2 — модель распознавания речи, разработанная дообучением facebook/wav2vec2-large-xlsr-53. Она принимает аудио и выдаёт текст; модель построена на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров. По названию модель предназначена для распознавания узбекской речи, однако карточка не раскрывает обучающий набор данных и подробные условия применения. Указана лицензия Apache-2.0. В карточке приведён результат оценки WER 1,0, что указывает на очень высокую ошибку распознавания в использованной оценке. Поэтому качество транскрипции может быть недостаточным для практических сценариев; данных для вывода о производительности на других наборах или условиях записи нет.

Модель proxectonos/whisper-large-v3-turbo-gl-v1.0 разработана на основе openai/whisper-large-v3-turbo и дообучена для автоматического распознавания галисийской речи. Это плотная модель семейства Whisper с архитектурой WhisperForConditionalGeneration и 905,2 млн параметров; аудиофайлы для обучения приводились к частоте 16 кГц. Обучение использовало объединённые корпуса Common Voice v23, OpenSLR, FLEURS, FalAI и Transcrispeech. Модель предназначена для транскрибации аудио на галисийском языке, включая чистую дикторскую речь и полу spontaneous речь. В тестировании автор сообщает метрики WER и CER на отдельных корпусах и объединённой выборке; нормализация текста при оценке улучшила итоговые показатели. Модель специализируется на галисийском и не предназначена для многоязычного распознавания или перевода речи. Качество может снижаться на очень спонтанной речи и сильно зашумлённом аудио; на фрагментах с низким уровнем сигнала возможны галлюцинации. Репозиторий использует формат safetensors и распространяется по лицензии Apache 2.0.

WizardVicuna-pythia-410m-deduped — языковая модель heegyu для генерации текста в формате диалога. Она построена на архитектуре GPT-NeoX и дообучена на наборе heegyu/wizard_vicuna_70k_v2; в репозитории указано 3 эпохи обучения. Модель содержит около 454,2 млн параметров и поддерживает контекст до 2048 токенов. Модель предназначена для генерации ответов в диалогах и простых сценариев чат-ассистента. В README приведён пример ответа на приветствие. Доступны веса PyTorch для загрузки через Transformers. Лицензия в предоставленных данных не указана.

13B-HyperMantis — объединённая модель для генерации текста, созданная Digitous методом суммирования весов нескольких моделей на 13 млрд параметров: MantiCore3E, VicunaCocktail, SuperCOT, StorytellingV2 и BluemoonRP. Модель построена на архитектуре LLaMA и предназначена для диалогов, выполнения инструкций, ролевых игр и свободного повествования; в README отмечено, что она лучше отвечает на инструкции в формате Alpaca. Размер модели — 12,9 млрд параметров, контекст — 2048 токенов. Репозиторий содержит веса PyTorch и вариант SafeTensors с 4-битной квантизацией для CUDA. Модель подходит для текстовых приключений, отыгрыша персонажей и обычного чат-общения. Автор сообщает о субъективно хороших результатах в KoboldAI, но качество может различаться в зависимости от интерфейса, настроек и сценария. В README не приводится стандартная лицензия: в метаданных указана лицензия «other», поэтому условия использования следует уточнить у автора и по лицензиям исходных моделей и адаптеров, вошедших в слияние.

Карточка модели winstcha/3B-htmlonly 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.