II.10Разработка и эксплуатация AI/ML-систем

jd7 — дообученная модель генерации текста на базе deepseek-ai/deepseek-coder-1.3b-base, созданная автором репозитория на датасете generator. Это плотная авторегрессионная модель архитектуры Llama с 1,3 млрд параметров, рассчитанная на контекст до 16 384 токенов. Метаданные указывают задачу text-generation; базовая модель предназначена для продолжения и автодополнения кода, поэтому jd7 может быть полезна для генерации и дополнения кода. Подробности о специализации дообучения, оценке качества и ограничениях в карточке не раскрыты. Модель опубликована в формате safetensors; сведения о лицензии отсутствуют в предоставленных данных.

Это пакет слоёв GGUF модели Kimi-K2-Instruct-UD-Q4_K_XL, подготовленный Mesh LLM для распределённого запуска на локальном кластере. Он основан на unsloth/Kimi-K2-Instruct-GGUF и разбивает исходное распределение GGUF на артефакты по слоям для Mesh LLM. Пакет предназначен для приватного локального чат-инференса, распределения вычислений между несколькими машинами, а также для работы через совместимый с OpenAI интерфейс чата и completions. В метаданных указаны библиотека mesh-llm, формат GGUF и поддержка чата; основной тег задачи — text-generation. README отсылает к карточке исходной модели за сведениями об архитектуре, языках, контексте и условиях лицензии, поэтому эти характеристики для данного пакета не подтверждены. Параметры использования и ограничения наследуются от исходной модели; лицензия в предоставленных материалах не указана.

KSSDS — модель на архитектуре T5, разработанная на основе энкодера lcw99/t5-base-korean-text-summary и дообученная на данных AI Hub для разделения корейского текста на предложения в диалоговых системах. Она предназначена, в частности, для сегментации текста на корейском языке, полученного от систем распознавания речи, таких как Whisper. Модель содержит 137,8 млн параметров; в репозитории представлены веса PyTorch и Safetensors. В карточке указана лицензия MIT. README отмечает, что вариант KSSDS_NO_LF обучен без Length Filter для абляционного исследования и менее точно разделяет длинные тексты; это описание относится к отдельному варианту, а не подтверждает ограничение KSSDS.

kto10k1 — дообученная модель на основе deepseek-ai/deepseek-coder-1.3b-base с архитектурой Llama и 1,3 млрд параметров. В метаданных указан метод KTO; модель предназначена для генерации текста и может применяться для продолжения, автодополнения и заполнения пропусков в коде — сценариев, для которых рассчитана базовая модель DeepSeek Coder. Поддерживает контекст до 16 384 токенов и распространяется в формате safetensors. Карточка не описывает отдельные целевые задачи, языки программирования, датасет или результаты оценки именно kto10k1. Лицензия указана как other, поэтому условия использования следует проверять в репозитории модели и базовой модели.

kto5k4 — дообученная модель на базе deepseek-ai/deepseek-coder-1.3b-base с архитектурой LlamaForCausalLM. Она предназначена для генерации текста; базовая модель ориентирована на продолжение, автодополнение и заполнение пропусков в коде. Модель содержит 1,3 млрд параметров, принимает текст и поддерживает контекст до 16 384 токенов. Карточка не описывает обучающие данные, целевое поведение или результаты оценки kto5k4, поэтому её специализацию и качество сверх возможностей базовой модели определить нельзя. Репозиторий содержит веса в формате Safetensors. Указана лицензия other; конкретные условия использования по имеющимся данным установить нельзя.

lambda_resnet50ts.a1h_in1k — модель классификации изображений и визуальный backbone из библиотеки timm, разработанный Россом Уайтманом и обученный на ImageNet-1k. Она основана на ResNet и использует блоки LambdaNet для моделирования дальних пространственных взаимодействий. Вариант реализован через гибкую архитектуру BYOBNet; конфигурация сокращает число блоков self-attention и не повторяет точную конфигурацию какой-либо одной статьи. Модель предназначена для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов. Она рассчитана на изображения размером 256 × 256 и содержит около 21,5 млн параметров. Обучение проведено с рецептом ResNet Strikes Back A1, оптимизатором LAMB, усиленными dropout, stochastic depth и RandAugment, а также косинусным расписанием скорости обучения с прогревом. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Модель обучена на ImageNet-1k; применение к другим наборам изображений может потребовать дополнительной проверки или адаптации.

sahilchachra/Laya-English-MXFP4 — английская версия энкодерной части модели Laya от Convai Innovations, представленная в MXFP4 для MLX на Apple Silicon. Основа — ModernBERT-large: двунаправленный плотный энкодер; в README указаны 421 млн параметров, 28 слоёв, размер скрытого представления 1024 и исходный контекст 512 токенов. Метаданные каталога указывают 394,7 млн параметров и контекст 8192 токена. Для описания версии использованы значения метаданных: часть значений README относится к исходному энкодеру, поэтому характеристики расходятся. Репозиторий предназначен для извлечения признаков из английского текста и построения собственных MLX-голов поверх энкодера. Это не полный комплект Laya: обученная отдельно голова принятия решений и API upstream-репозитория здесь не включены, а генерации текста и чат-интерфейса нет. MXFP4 снижает размер на диске примерно до 210 МБ, но заметно искажает скрытые состояния; в небольшом наборе проверок наблюдались расхождения оценок и одна перемена ответа при близких оценках. Лицензия в предоставленных данных не указана.

levit_conv_128s.fb_dist_in1k — модель классификации изображений семейства LeViT, опубликованная в репозитории timm. Это компактный вариант с 7,8 млн параметров и вычислительной сложностью 0,3 GMACs; модель принимает изображения размером 224 × 224. Она предварительно обучена авторами статьи на ImageNet-1k с дистилляцией и использует линейный режим с nn.Linear и nn.BatchNorm1d. Модель подходит для классификации изображений на категории ImageNet-1k, а также может использоваться как визуальный backbone для извлечения эмбеддингов и карт признаков. Компактный размер и небольшая вычислительная сложность делают её пригодной для сценариев, где важны быстрый инференс и экономия ресурсов. Репозиторий распространяет веса в форматах PyTorch и safetensors; лицензия — Apache-2.0. Модель предназначена для изображений общего назначения. Её заявленный размер входа — 224 × 224; сведения о языковых возможностях к ней неприменимы. Качество за пределами ImageNet-1k и специализированных областей в карточке не описано.

Susant-Achary/LFM2.5-8B-A1B-UltraData-L2-49M — экспериментальный чекпойнт для генерации кода, созданный продолжением предобучения LiquidAI на базе LiquidAI/LFM2.5-8B-A1B-Base. Обучение второго этапа велось на наборе openbmb/UltraData-Code; в README указано 48,99 млн входных токенов и Python как язык обучения. Модель построена на архитектуре LFM2 MoE и содержит 1,6 млрд параметров; репозиторий использует Transformers и формат safetensors. Метаданные указывают контекст 128 000 токенов, тогда как в README для обучения указана длина контекста 8 192 токена. Модель предназначена для генерации и дополнения кода, а также для дальнейшей supervised fine-tuning. В README приведены результаты pass@1: 0,482 на HumanEval и 0,439 на HumanEval+. Это экспериментальный чекпойнт специализации на коде, поэтому результаты не гарантируют качество для произвольных задач программирования. Перед распространением или коммерческим использованием следует проверить лицензию базовой модели и лицензии набора данных и его источников.

LightDec_V2 — компактная калиброванная модель принятия решений от Falcons.ai. Она кодирует вопрос, варианты ответа и входные данные одним последовательным представлением, а затем выбирает вариант с помощью permutation-equivariant головы FalconDec. Модель содержит около 0,16 млрд параметров и обрабатывает до 2 048 токенов за вызов; она выдаёт оценки вариантов, вероятности, уверенность и флаг defer, но не генерирует свободный текст. Модель предназначена для быстрых структурированных решений в программных системах: маршрутизации обращений, определения намерений, оценки приоритета, проверки записей на соответствие правилам, контроля шагов агента и первичной проверки безопасности. Поддерживаются выбор из закрытого набора вариантов, ответы да/нет и порядковая оценка; несколько вопросов можно задать для одного входа за один вызов. Лицензия — Apache-2.0. LightDec_V2 работает только на английском языке и всегда выбирает из предложенных вариантов, поэтому при отсутствии подходящего ответа следует включать вариант «none». Модель слаба в многошаговых рассуждениях, арифметике и переносе на незнакомые правила; обнаружение prompt injection и вредоносных запросов ненадёжно как единственная мера защиты. Точность и калибровку следует проверять на собственных данных.

h2oai/llama2-0b-unit-test — небольшая фиктивная модель семейства Llama 2 от H2O.ai, предназначенная для модульных и интеграционных тестов. Это плотная авторегрессионная модель архитектуры LlamaForCausalLM с 386,9 тыс. параметров, контекстом до 1024 токенов и весами в формате Safetensors. Модель подходит для быстрой проверки конвейеров генерации текста и интеграций на машинах только с CPU. README приводит пример эксперимента в H2O LLM Studio, который выполняется примерно за пять секунд с настройками по умолчанию и небольшими длинами последовательностей. Это тестовая заглушка, поэтому её не следует использовать для содержательных ответов или рабочих приложений. Сведения о лицензии в предоставленных данных отсутствуют.

Apollo Raines представляет эту модель как вариант Llama-3.1-8B-Instruct, изменённый инструментом jBlaze с помощью representation engineering. По README, дополнительное обучение не проводилось: в весах напрямую скорректировано поведение, чтобы повысить устойчивость к prompt injection и попыткам манипулировать инструкциями или извлечь скрытый контекст. Модель предназначена для диалоговой генерации текста в сценариях, где важно следовать исходным инструкциям при adversarial prompting. Архитектура — LlamaForCausalLM; в метаданных указано 7,5 млрд параметров, контекст — до 131 072 токенов, формат файлов — safetensors. Поддерживаемый язык карточки — английский. README характеризует выпущенную версию как демонстрационную и намеренно ослабленную; это ограничивает её как показатель возможностей полной версии. Лицензия — Llama 3.1 Community License.

Fireplace — разговорная модель с поддержкой вызова функций, созданная Valiant Labs на базе Llama 3 70B Instruct. Она предназначена для диалогов и выполнения запросов, в которых ассистент выбирает подходящую функцию и формирует вызов по заданной схеме. Для описанного сценария функции перечисляются в системном сообщении в формате Llama 3 Instruct, а ответы функций передаются модели отдельным сообщением пользователя. Модель имеет плотную архитектуру Llama с 69,5 млрд параметров и контекстом 8192 токена. Она дообучена на наборе glaiveai/glaive-function-calling-v2, преобразованном в формат Llama 3 Instruct; репозиторий содержит веса Safetensors. В карточке указана поддержка английского языка. Лицензия — llama3. Эта версия сочетает чат и инструкции с вызовом функций через системное сообщение; README не заявляет поддержку встроенных вызовов функций в теле диалога. Карточка также предупреждает о возможной ошибочной обработке завершающих токенов в text-generation-webui, из-за которой ответы могут обрываться или иметь неверную структуру.

MambaOut Small — модель компьютерного зрения для классификации изображений и извлечения признаков. Она основана на архитектуре MambaOut и предварительно обучена авторами статьи на ImageNet-1k; модельная карточка представлена в экосистеме timm. Веса содержат 48,5 млн параметров, вычислительная сложность указана как 9,0 GMACs. Обучение проводилось с размером изображения 224×224, для оценки используется 288×288. Модель подходит для отнесения изображений к классам ImageNet-1k, получения карт признаков и вычисления эмбеддингов изображений, например, как визуальный backbone в прикладных системах. Она принимает изображения и выдаёт метки классов либо признаки, в зависимости от выбранного сценария использования. Доступные форматы весов — PyTorch и Safetensors. Лицензия — Apache-2.0.

MaxViT Large TF 512 — модель классификации изображений из семейства MaxViT, перенесённая из официальной реализации TensorFlow в PyTorch. Исходную архитектуру разработали авторы статьи MaxViT; перенос выполнил Ross Wightman для библиотеки timm. Модель содержит около 212,3 млн параметров и рассчитана на входные изображения размером 512 × 512 пикселей. Архитектура сочетает блоки MBConv и два типа внимания: оконное и сеточное. Модель предварительно обучена на ImageNet-21k, затем дообучена авторами статьи на ImageNet-1k. Она предназначена для классификации изображений, а также может использоваться как визуальный backbone для извлечения признаков и эмбеддингов. Репозиторий распространяется по лицензии Apache-2.0.

MaxViT-Tiny-RW-224-SW-IN1K — модель классификации изображений и извлечения признаков, разработанная Россом Уайтманом и обученная в библиотеке timm на ImageNet-1k. Она предназначена для определения объектов и сцен на изображениях, а также может использоваться как визуальная основа для получения карт признаков и эмбеддингов. Архитектура MaxViT сочетает блоки MBConv со слоями внимания по окнам и сетке. Модель содержит 29,1 млн параметров и рассчитана на входные изображения размером 224 × 224 пикселя. Репозиторий предоставляет веса PyTorch и SafeTensors; модель работает с изображениями и не генерирует текст. Модель подходит для классификации изображений общего назначения и как визуальный энкодер в прикладных системах. Она обучена на ImageNet-1k, поэтому качество на классах и типах изображений, существенно отличающихся от этого набора, может быть ниже. Лицензия — Apache-2.0.

Memory-R2 7B — специализированная языковая модель для управления внешней памятью в диалоговых агентах. Её разработчики дообучили Qwen2.5-7B-Instruct методом LoGo-GRPO на диалоговых данных LoCoMo, постепенно увеличивая длину сценариев с 8 до 32 сессий. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Получая историю разговора, модель выбирает, какие сведения добавить во внешнее хранилище памяти, обновить или удалить. Она предназначена для долгосрочных диалоговых агентов и может работать с разными отдельными моделями, которые читают созданную память и отвечают пользователю. Memory-R2 сама на вопросы не отвечает. Репозиторий распространяется по лицензии Apache-2.0.

MemPrivacy-1.7B-SFT — компактная языковая модель, разработанная IAAR-Shanghai и дообученная на базе Qwen/Qwen3-1.7B для управления персональной памятью в edge-cloud-агентах. Она извлекает из диалогового текста чувствительные фрагменты, классифицирует их по четырёхуровневой шкале PL1–PL4 и заменяет типизированными заполнителями, сохраняя исходные значения локально для последующего восстановления. Модель предназначена для локальной обработки пользовательских диалогов перед отправкой облачному агенту: такая подготовка помогает защищать персональные данные и при этом сохранять смысловые связи, полезные для формирования и поиска памяти. Архитектура — плотная Qwen3ForCausalLM с 1,7 млрд параметров; модель поддерживает контекст до 40 960 токенов и работает через Transformers. В README заявлены английский и китайский языки, а также оптимизация для локального развертывания на устройствах с ограниченными ресурсами. Заявления о высокой точности и сравнении с крупными моделями приведены авторами, независимое подтверждение в предоставленных материалах отсутствует. Для структурированного вывода README показывает использование JSON-схемы и constrained decoding. Лицензия CC-BY-NC-ND-4.0 запрещает коммерческое использование и распространение производных версий согласно её условиям.

MeridianPII Hindi/Hinglish v1 — модель токенной классификации для обнаружения персональных данных в текстах на хинди, хинглише и индийском английском. Разработчик дообучил multilingual MiniLM от Microsoft и адаптировал модель к письму деванагари и смешанным языковым текстам. Модель имеет около 65,2 млн параметров, контекст до 512 токенов и поставляется в форматах ONNX и safetensors; README описывает компактную версию ONNX INT8 размером 56 МБ для запуска в браузере через transformers.js. Модель предназначена для локального обнаружения имён, фамилий, телефонов и других контекстных PII перед отправкой текста, например, в размещённую в облаке LLM. В README указаны высокие показатели полноты на тестовом наборе, однако версия v1 заменена v2, обученной на дополнительных данных на хинди и показывающей несколько лучшие результаты. Модель рассчитана на работу вместе с отдельными детерминированными распознавателями структурированных идентификаторов. Известные ограничения: модель может путать метки CITY и STATE, не рассчитана на географические названия за пределами Индии и не обнаруживает структурированные идентификаторы вроде Aadhaar, PAN, IFSC, адресов электронной почты и URL — их должен обрабатывать отдельный слой. Трудными случаями остаются длинные фрагментированные адреса и плотное переключение языков. Лицензия — CC BY 4.0.

Это полноразмерная модель MiniCPM5-1B Agentic Tooluse, созданная ewin-reg на основе openbmb/MiniCPM5-1B и дообученная для выбора и вызова инструментов. Она использует плотную архитектуру LlamaForCausalLM, содержит около 837,6 млн параметров по метаданным и принимает контекст до 131 072 токенов. Репозиторий содержит объединённые веса FP16 в формате safetensors; для запуска не требуется загружать PEFT-адаптер. Модель предназначена для диалоговых помощников и агентных сценариев, где нужно выбрать подходящий инструмент, сформировать его имя и аргументы, а также продолжать диалог после получения результата. Вызовы выдаются в XML-стиле; приложение должно самостоятельно разбирать и проверять их, выполнять инструменты и возвращать результаты модели. В README приведена пользовательская оценка на 300 примерах ToolACE: 99,33% вызовов были разбираемыми, однако это не официальная оценка на лидерборде. Для вызова инструментов рекомендуется отключать режим рассуждений: при включённом режиме модель может расходовать бюджет токенов до завершения вызова. Лицензия — Apache 2.0. Языки модели в источниках не указаны явно.

mobilenetv2_100.ra_in1k — сверточная модель MobileNetV2 для классификации изображений, представленная библиотекой timm. Она обучена на ImageNet-1k с рецептом RandAugment, оптимизатором RMSProp с поведением TensorFlow 1.0, усреднением весов EMA и ступенчатым экспоненциальным снижением скорости обучения с разогревом. Модель содержит около 3,5 млн параметров, рассчитана на изображения размером 224 × 224 и требует около 0,3 GMAC на изображение. Модель подходит для классификации изображений и может использоваться как компактная основа для извлечения признаков, карт признаков и эмбеддингов изображений. Она ориентирована на распознавание классов ImageNet-1k и может быть полезна в приложениях компьютерного зрения с ограниченными вычислительными ресурсами. Репозиторий предоставляет веса в форматах PyTorch и safetensors; для работы используется timm. Лицензия — Apache-2.0. Качество модели связано с обучением на ImageNet-1k, поэтому её классы и поведение могут не соответствовать специализированным предметным областям без дополнительной адаптации. В карточке не приведены метрики точности или сведения о поддержке иных разрешений.

davanstrien разработал эту модель на базе answerdotai/ModernBERT-base, дообучив её на наборе davanstrien/natural-reasoning-classifier. Это encoder-модель ModernBERT с 149 млн параметров, предназначенная для классификации веб-текстов по уровню сложности рассуждений от 0 до 4: от простого извлечения фактов до экспертного анализа и синтеза новых идей. Модель принимает текст и выдаёт оценку класса; контекст составляет до 8192 токенов. Её используют для отбора образовательных материалов и сложных задач, а также как первый фильтр при подготовке данных для обучения моделей рассуждению. В карточке приведены результаты оценки: MSE 0,2034, MAE 0,2578 и корреляция Спирмена 0,6963. Предсказания зависят от распределения областей в исходном наборе данных, а оценка сложности рассуждений субъективна и зависит от контекста. Модель распространяется по лицензии Apache-2.0.

codechrl/modernbert-tiny — компактный англоязычный энкодер ModernBERT, разработанный автором репозитория на основе answerdotai/ModernBERT-base с помощью дистилляции в стиле TinyBERT. Модель содержит 21,9 млн параметров, имеет 4 слоя Transformer, размер скрытого состояния 312 и 12 голов внимания; контекст — до 8192 токенов. Она предназначена для заполнения пропусков в тексте и как базовый энкодер для последующего дообучения под прикладные задачи. При дистилляции на корпусе FineWeb-Edu ученик имитировал представления токенов, скрытые состояния слоёв, карты внимания и выходные логиты учителя. По данным карточки, после одинакового дообучения на GLUE модель сохраняет 80,4% качества учителя при размере 15,3% от него. Это делает её подходящей для сценариев с ограничениями на размер и задержку, однако она не является готовым классификатором, а автор характеризует обучение как демонстрационное и рекомендует для производственного применения повторить дистилляцию с большим числом шагов и корпусом. Лицензия — Apache-2.0.

microsoft/mpnet-base — базовая языковая модель Microsoft на архитектуре MPNet, предназначенная для понимания текста и последующей настройки под задачи обработки естественного языка. Её предобучение сочетает masked и permuted language modeling: модель учитывает зависимости между предсказываемыми токенами и позиционную информацию всей последовательности. В конфигурации base — 136,7 млн параметров; архитектура включает 12 слоёв, скрытый размер 768 и 12 голов внимания. Контекст — до 514 токенов по метаданным. Модель работает с текстом; карточка Hugging Face не приводит список языков, поэтому поддержка английского в этом описании не заявляется. На Hugging Face модель размечена для fill-mask: она предсказывает пропущенные в тексте токены. Предобученные веса также служат основой для настройки на задачи понимания языка, например классификацию и ответы на вопросы; для таких сценариев обычно требуется соответствующая донастройка. Ограничение — это masked language model, а не готовая разговорная модель для свободной генерации ответов. Карточка Hugging Face не содержит сведений о лицензии.

Multi-Agent Orchestrator — небольшая модель планирования и координации, разработанная автором репозитория erukude и построенная на базе Llama 3.2 1B. Она предназначена для управления многоагентными и инструментальными системами, а не для использования в качестве универсального чат-бота или генератора финального содержимого. Модель получает состояние задачи и реестр доступных агентов и инструментов, после чего возвращает следующую операцию в формате JSON. Возможные действия включают вызов агента, вызов инструмента, запрос уточнения у пользователя и завершение задачи; результат также содержит цель, аргументы, финальный ответ и краткое обоснование. Для работы требуется внешний управляющий цикл, который выполняет выбранное действие, обновляет состояние и повторно обращается к модели до завершения задачи. Модель ориентирована на сценарии координации исследовательских и программных агентов, RAG-конвейеры и другие системы с маршрутизацией и вызовом инструментов. Ключевая характеристика — компактный размер 1B параметров, что может быть удобно для специализированного контроллера, однако README не содержит сведений о размере контекста, дополнительных модальностях, точности, производительности или ограничениях совместимости. Указан английский язык и лицензия Apache-2.0.

Это пакет слоёв GGUF модели Muse-Glimmer-30B в варианте UD-Q4_K_XL, подготовленный Mesh LLM для распределённого инференса на локальном кластере. Пакет получен из unsloth/Muse-Glimmer-30B-GGUF и сохраняет исходное распределение GGUF, разделённое на артефакты по слоям. Модель поддерживает диалог и обработку изображений с текстом; запуск и распределение вычислений между машинами выполняются через Mesh LLM. Пакет предназначен для приватного локального общения с моделью, работы с изображениями и сценариев, где веса не помещаются на одном компьютере: слои можно распределить между несколькими узлами. Mesh LLM предоставляет локальный API, совместимый с OpenAI Chat Completions. Суффикс Q4_K_XL обозначает вариант квантования GGUF. Лицензия репозитория — Apache-2.0.

nf_regnet_b1.ra2_in1k — модель для классификации изображений и извлечения визуальных признаков, обученная Ross Wightman в библиотеке timm на ImageNet-1k. Она основана на архитектуре NFRegNet: похожей на ResNet сети без слоёв нормализации, использующей Scaled Weight Standardization и скалярные коэффициенты в остаточных связях и нелинейностях. Модель содержит 10,2 млн параметров и требует около 0,8 GMAC на изображение. Размер изображений при обучении составлял 256×256 пикселей, при тестировании — 288×288. Её можно применять для классификации изображений, извлечения карт признаков и получения эмбеддингов. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0.

nkto2 — дообученная модель генерации текста на базе DeepSeek Coder 1.3B Base. Она предназначена для продолжения текста и генерации кода; карточка сообщает о дообучении методом KTO, но не раскрывает состав обучающего набора и конкретные сценарии настройки. Модель содержит 1,3 млрд параметров, использует плотную архитектуру семейства Llama и формат safetensors; заявленная длина контекста — 16 384 токена. В README приведены метрики оценки: loss 0,1776 и показатели вознаграждения и логарифмических вероятностей для выбранных и отклонённых ответов. Эти значения не описывают прикладное качество на конкретных задачах. Лицензия обозначена как other, поэтому условия использования следует проверить в репозитории модели.

nkto4 — дообученная модель генерации текста на базе deepseek-ai/deepseek-coder-1.3b-base. Она использует архитектуру Llama и содержит 1,3 млрд параметров; формат весов — safetensors, контекст — до 16 384 токенов. Базовая модель предназначена для продолжения, автодополнения и заполнения пропусков в коде, однако карточка nkto4 не описывает отдельно её целевые сценарии или языки. В README приведены метрики оценки, включая loss 0,2065 и eval rewards для предпочтительных и отклонённых ответов, но нет сведений о наборе данных и методике обучения. Лицензия указана как other, поэтому условия использования следует сверить с репозиторием и лицензией базовой модели перед применением.

Occiglot-7B-ES-EN — базовая генеративная языковая модель с 7,1 млрд параметров, разработанная коллективом Occiglot Research Collective. Это плотный decoder-only трансформер с причинной языковой моделью Mistral; модель продолжает предобучение Mistral-7B-v0.1 на 112 млрд дополнительных токенов многоязычных данных и кода. Репозиторий содержит веса в формате safetensors, лицензия — Apache 2.0. Модель предназначена для генерации текста на английском и испанском языках, а также работы с кодом. Её можно использовать как основу для дообучения и оценок или напрямую для продолжения текста; заявленная длина контекста — 32 768 токенов. Это базовая модель без дообучения на инструкциях, поэтому она не оптимизирована для диалогов и может не следовать пользовательским запросам как чат-ассистент. Авторы приводят предварительные результаты оценивания, но отмечают, что часть неанглоязычных тестов основана на машинном переводе и англоязычных запросах, поэтому результаты следует трактовать осторожно.