II.1Анализ требований и архитектура ПО

wangyue114514/rwkv7-g1g-7.2b-hf — модель семейства RWKV-7 G1G, представленная в формате Hugging Face Transformers. Это рекуррентная причинная языковая модель для генерации текста и диалогов; карточка указывает 7,2 млрд параметров, 32 слоя, размер скрытого состояния 4096 и словарь из 65 536 токенов. Метаданные каталога оценивают размер модели в 8,9 млрд параметров. Модель принимает текст и выдаёт текст. Она использует архитектуру RWKV-7, а не трансформер с обычным механизмом внимания; длина контекста составляет 2048 токенов. Контракт AutoModelForCausalLM позволяет использовать её с Transformers Trainer, Accelerate и PEFT LoRA для дообучения, а также с TRL для SFT, DPO и GRPO. Карточка ссылается на примеры и манифесты оценки, но не приводит результатов бенчмарков или перечня поддерживаемых естественных языков. Для загрузки через Transformers в README требуется trust_remote_code=True, поскольку репозиторий содержит собственные файлы архитектуры и токенизации. Модель распространяется по лицензии Apache-2.0. Практические ограничения: контекст ограничен 2048 токенами, а приведённые сведения не описывают качество ответов, безопасность или поддержку конкретных языков.

Sherry 35B-A3B 0.1 GRPO Preview — предварительная версия модели Valendra, полученная дообучением Qwen/Qwen3.6-35B-A3B методом GRPO с адаптером QLoRA/LoRA и последующим объединением адаптера с базовыми весами. Это модель семейства Qwen3.5 MoE с общим размером 35 млрд параметров; опубликованные веса в формате safetensors разбиты на 15 частей. Она предназначена для экспериментов с управляемым уровнем рассуждений в диалоговой генерации текста. Шаблон чата поддерживает уровни reasoning effort low, medium и high, а также режим ответов без цепочки рассуждений. Архитектура совместима с мультимодальными возможностями Qwen3.6, включая обработку изображений, однако эта версия обучалась и проверялась преимущественно на генерации текста. Для модели указаны интерфейсы чата и вызова инструментов. Выпуск является предварительным: независимая оценка качества не завершена, короткие тестовые генерации упирались в лимит токенов, а сравнительный прогон не был опубликован; обучающую награду нельзя считать показателем точности или качества. Лицензия — Apache-2.0; для практического применения результаты следует проверять, а также учитывать условия использования базовой модели.

SLIM-SUMMARY — компактная специализированная языковая модель от llmware для создания кратких выжимок из текста в виде списка отдельных ключевых пунктов. Она дообучена на llmware/bling-stable-lm-3b-4e1t-v0, который, в свою очередь, основан на stabilityai/stablelm-3b-4elt. Модель содержит 2,7 млрд параметров, использует архитектуру StableLM Epoch и рассчитана на контекст до 4096 токенов. На вход подаётся текстовый фрагмент с запросом на суммирование, а на выходе модель формирует текстовое представление Python-списка. Параметром можно задать желаемое число пунктов; модель достаточно мала для запуска на CPU. Она предназначена для извлечения основных тезисов из текстов, а не для универсального диалога. При преобразовании результата в Python-список могут возникать проблемы с кавычками, поэтому иногда требуется исправление вывода. Репозиторий распространяется по лицензии CC BY-SA 4.0.

Smol-Llama-3.2-3B — объединённая диалоговая языковая модель на архитектуре Llama, созданная bunnycore с помощью mergekit. В качестве основы использована huihui-ai/Llama-3.2-3B-Instruct-abliterated; в объединение также вошли модели для диалога, рассуждений, ролевых сценариев, кода и математики. Модель предназначена для генерации текста и ответов в чате. Она содержит 3,2 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 131 072 токенов. Метаданные указывают на интерфейс вызова инструментов, но README не приводит примеров его применения или оценок качества в конкретных сценариях. Модель распространяется в формате safetensors; сведения о лицензии отсутствуют в предоставленных данных. Результаты Open LLM Leaderboard в README: средний балл 22,47 и 66,79 на IFEval; этих оценок недостаточно, чтобы судить о качестве для всех задач.

SmolLM3-3B-heretic — это декензурированная версия инструкционно дообученной языковой модели SmolLM3-3B-Instruct от HuggingFaceTB, созданная автором репозитория saidutta69 с использованием Heretic 1.4.0 и метода directional ablation («abliteration»). Модель предназначена для генерации текста и диалоговых сценариев, включая локальные ассистенты, ролевые диалоги, работу на периферийных устройствах и запуск на потребительском оборудовании. Она ориентирована на разработчиков, которым нужна компактная модель, склонная отвечать напрямую и реже отказывающаяся от запросов. Модель имеет размер около 3,1 млрд параметров, поддерживает текстовую модальность и английский язык. Она совместима с Transformers и GGUF, а также может запускаться через llama.cpp, Ollama, LM Studio, Jan, vLLM и SGLang. Доступны версии от F16 до различных вариантов квантования, включая Q4_K_M; заявлена пригодность для инференса на CPU и edge-устройствах. Метод abliteration изменяет отдельные направления весов в выходных проекциях attention и down-проекциях MLP без дообучения, поэтому исходные знания и возможности базовой модели, как утверждается, в значительной степени сохраняются. Длина контекста в README не указана. Ключевое преимущество модели — малый размер, широкий выбор квантований и сниженное количество отказов, что упрощает локальное использование. Ограничение заключается в намеренном подавлении защитного поведения: модель может выполнять запросы, от которых базовая версия отказывалась, включая потенциально небезопасные, и не имеет дополнительного встроенного фильтра безопасности. Поэтому её не рекомендуется размещать за незащищённым публичным интерфейсом без собственного контроля и модерации. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

Карточка модели unsloth/Starling-LM-7B-beta на Hugging Face совпадает с карточкой unsloth/llama-2-7b-chat, поэтому описание составлено по ней. Unsloth предоставляет дообученную разговорную версию Llama 2 с 7 млрд параметров для генерации текста в формате диалога. Модель основана на архитектуре Llama и предназначена для чат-ответов и продолжения текста; README упоминает шаблоны ShareGPT ChatML и Vicuna. Максимальная длина контекста — 4096 токенов. Модель принимает текст и выдаёт текст на английском языке. Репозиторий содержит веса Safetensors для использования с библиотекой Transformers. Лицензия — Apache 2.0. Доступная карточка описывает также сценарии дообучения, но не приводит подробностей о данных и конкретных изменениях весов.

Stealth Finance v3 — разговорная языковая модель семейства Mistral, опубликованная Jan. Модель предназначена для генерации текста в формате чата и запускается через Jan Desktop на macOS, Windows и Linux. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст длиной до 32 768 токенов. В репозитории представлены веса safetensors; указан шаблон диалога ChatML. Язык карточки и метаданных — английский. Лицензия — Apache-2.0. README не раскрывает конкретные финансовые сценарии или детали обучения, несмотря на название модели.

SubtleOne_Qwen2.5-32b-Erudite-Writer-GGUF — это набор GGUF-квантизованных версий текстовой генеративной модели Qwen2.5-32b-Erudite-Writer, разработанной SubtleOne. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и может применяться локально в LM Studio, llama.cpp и других проектах на базе llama.cpp. Доступны варианты от BF16 до различных уровней квантизации Q8, Q6, Q5, Q4, Q3 и IQ. Размер файлов составляет примерно от 14,81 до 65,53 ГБ, поэтому выбор варианта позволяет балансировать качество и требования к памяти. Для работы используется формат prompt-шаблона Qwen с ролями system, user и assistant. README не содержит сведений о точной архитектуре, максимальном контексте, поддерживаемых языках, мультимодальности или результатах benchmark-тестов. Сильными сторонами являются широкий выбор квантизаций, возможность локального запуска и сохранение высокого качества у старших вариантов, особенно Q6 и Q5. Более компактные варианты подходят для систем с ограниченным объёмом оперативной памяти, но могут заметнее терять качество. Модель распространяется по лицензии Apache-2.0; условия исходной базовой модели отдельно в README не описаны.

vanillaOVO/supermario_v4 — объединённая предобученная языковая модель, созданная с помощью DARE и mergekit. Она предназначена для генерации текста и запускается через Transformers как MistralForCausalLM. Модель имеет плотную архитектуру Mistral с 7,1 млрд параметров и контекстным окном 32 768 токенов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. README не описывает специализированные сценарии применения и не приводит результатов оценки качества.

Tess-2.0-Llama-3-70B-v0.2-GGUF — набор GGUF-квантизаций модели Tess-2.0-Llama-3-70B-v0.2, разработанной migtissera. Квантизации подготовлены bartowski с использованием llama.cpp и метода imatrix; исходная модель доступна на Hugging Face. Модель предназначена для генерации текста и локального запуска через llama.cpp и совместимые инструменты. Она основана на архитектуре Llama 3 с 70 млрд параметров и работает в текстовой модальности. В репозитории доступны варианты от Q8_0 до низкобитных IQ1/IQ2 и Q2–Q6, различающиеся размером файлов, требованиями к памяти и качеством: старшие квантизации обеспечивают более высокое качество, а младшие позволяют запускать модель на системах с меньшим объёмом RAM, но заметно снижают качество. Сильной стороной является широкий выбор квантизаций, включая рекомендованные варианты Q6_K, Q5_K_M, Q5_K_S, Q4_K_M и Q4_K_S, а также более новые IQ-форматы с хорошим соотношением размера и качества. Ограничения — большие требования к памяти даже у компактных вариантов и возможная деградация качества при использовании низкобитных квантизаций. Языки и размер контекста в README не указаны. Указанная лицензия — llama3.

TigerBot-70B-Chat-v2 — диалоговая языковая модель семейства Llama, разработанная TigerResearch. Это плотная авторегрессионная модель примерно с 69 млрд параметров, предназначенная для генерации текста в формате чата; в карточке приведён запуск через Transformers и собственный код инференса TigerBot. Метаданные указывают китайский и английский языки, контекст до 4096 токенов и формат весов PyTorch. Модель распространяется по лицензии Apache-2.0. Большой размер модели позволяет использовать её для диалогов, ответов на вопросы, написания и преобразования текста. README не приводит оценок качества, примеров возможностей или подробностей обучения, поэтому нельзя уверенно оценить её сильные стороны сверх заявленного назначения и масштаба. Для запуска потребуются значительные вычислительные ресурсы, характерные для модели такого размера.

Модель wannaphong/tongyi-model-v1.3-1b — дообученная авторегрессионная языковая модель семейства Qwen2, созданная wannaphong на базе sail/Sailor2-1B. Она предназначена для генерации текста и диалогов; в метаданных также отмечен интерфейс для вызова инструментов. Модель содержит 851,8 млн параметров и поддерживает контекст до 32 768 токенов. В карточке указано, что модель обучалась с использованием Unsloth и библиотеки TRL. В метаданных указан английский язык, но специальных языков или прикладных областей для этой версии README не уточняет. Модель распространяется по лицензии Apache-2.0.

Карточка модели wannaphong/tongyi-model-v1.5-1b-enth на Hugging Face совпадает с карточкой wannaphong/tongyi-model-v1.3-1b, поэтому описание составлено по ней. Модель wannaphong/tongyi-model-v1.3-1b — дообученная авторегрессионная языковая модель семейства Qwen2, созданная wannaphong на базе sail/Sailor2-1B. Она предназначена для генерации текста и диалогов; в метаданных также отмечен интерфейс для вызова инструментов. Модель содержит 851,8 млн параметров и поддерживает контекст до 32 768 токенов. В карточке указано, что модель обучалась с использованием Unsloth и библиотеки TRL. В метаданных указан английский язык, но специальных языков или прикладных областей для этой версии README не уточняет. Модель распространяется по лицензии Apache-2.0.

TransNormerLLM-7B — базовая языковая модель с архитектурой TransNormer, разработанная OpenNLPLab. Модель содержит 7 млрд параметров и предназначена для генерации текста, ответов на вопросы, рассуждений и других задач общего назначения на английском и китайском языках. В основе архитектуры лежит линейное внимание с позиционными представлениями LRPE, ускорением Lightning Attention, а также механизмами gating и нормализации. Разработчики сообщают о предварительном обучении на корпусе объёмом до 1,4 трлн токенов и конкурентных результатах на англоязычных и китайских тестах. Это базовая, а не диалоговая версия; README приводит пример инференса для отдельной Chat-версии. Для запуска рекомендуется bfloat16. Лицензия указана как other: академическое использование открыто, а для коммерческого использования требуется получить разрешение разработчиков.

tulu-2-dpo-70b-ExPO — англоязычная диалоговая модель на базе Llama, созданная Chujie Zheng методом ExPO из контрольных точек allenai/tulu-2-dpo-70b и allenai/tulu-2-70b. Метод экстраполирует веса SFT- и DPO/RLHF-моделей с коэффициентом 0,5, чтобы усилить согласование ответов с человеческими предпочтениями. Модель предназначена для генерации ответов в диалоге и использует плотную архитектуру Llama с 68,7 млрд параметров и контекстом до 8192 токенов. В README приведены оценки ExPO-вариантов на AlpacaEval 2.0 и MT-Bench, однако эти таблицы относятся к другим моделям семейства ExPO и не подтверждают результаты именно этой 70B-модели. В метаданных указана лицензия other; конкретные условия следует сверить с карточками базовых моделей и лицензией репозитория. Модель ориентирована на английский язык; данных о поддержке других языков в карточке нет.

Это диалоговая модель генерации текста, созданная Yuchen Li на основе alignment-handbook/zephyr-7b-sft-full и дообученная с помощью TRL. Она построена на плотной архитектуре MistralForCausalLM, содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель принимает текстовые сообщения в формате чата и генерирует текстовые ответы. Модель предназначена для диалогов и генерации ответов на пользовательские запросы. В карточке приведён пример запуска через Transformers и задачи text-generation; обучение связано с UltraFeedback и Skywork Agree в названии репозитория, но подробности процедуры и результаты оценки не описаны. Модель распространяется в формате safetensors. Лицензия в доступных данных не указана.

Модель представляет собой набор GGUF-квантизованных версий vectorzhou/Qwen2.5-1.5B-Instruct-SFT-OpenHermes-2.5-Standard-SFT. Квантизацию выполнила Featherless AI Quants. Модель относится к задачам генерации текста и предназначена для локального или совместимого с GGUF запуска инструкционной языковой модели. В набор входят варианты IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0 размером примерно от 645 МБ до 1,57 ГБ. Разные уровни квантизации позволяют выбирать компромисс между размером файла, требованиями к ресурсам и потенциальным качеством генерации. Из README известны базовая модель с размером 1,5 млрд параметров и текстовая модальность; сведения о поддерживаемых языках, длине контекста, архитектурных деталях, результатах оценки, ограничениях и лицензии не указаны. Сильной стороной набора является широкий выбор GGUF-вариантов для устройств с разными ресурсными ограничениями. При этом более сильная квантизация может снижать качество по сравнению с исходной моделью, а конкретные характеристики зависят от выбранного файла и среды запуска. Условия лицензирования в предоставленных данных не указаны.

fractalego/wafl-phi3-mini-4k — разговорная языковая модель на архитектуре Phi-3, дообученная методом DPO на наборе данных WAFL. Модель содержит 3,7 млрд параметров и рассчитана на генерацию текста в диалоговом формате; её можно загрузить через Transformers с помощью from_pretrained(). Модель подходит для создания чат-ботов и генерации ответов на текстовые запросы. Контекстное окно составляет 4096 токенов. Репозиторий содержит веса в формате safetensors. Сведения о лицензии и конкретных ограничениях применения в предоставленных источниках отсутствуют.

Walter-Falcon-1B — разговорная языковая модель Knut Jaegersberg на архитектуре Falcon, предназначенная для ответов на инструкции и разнообразных текстовых задач. В карточке указано, что модель обучена на наборах инструкций с открытыми лицензиями; около двух третей примеров взяты из крупных наборов, включая FLAN. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Модель можно использовать как текстового ассистента для ответов на вопросы, суммаризации и написания текстов. В README приведены результаты оценивания на задачах рассуждения и здравого смысла, однако данных для вывода о качестве на конкретных языках или в специализированных областях нет. Также не приведены длина контекста и подробные результаты всех тестов.

WizardLM 7B Uncensored — это языковая модель для диалогового взаимодействия, созданная Eric Hartford на базе WizardLM-7B-Uncensored. Данный репозиторий содержит её GPTQ-квантизированные файлы, подготовленные TheBloke, и предназначен главным образом для локального запуска на совместимом оборудовании. Модель использует архитектуру Llama и имеет 7 миллиардов параметров. Она ориентирована на ответы на вопросы и выполнение инструкций в формате чата; в README приведён шаблон Vicuna с ролями пользователя и ассистента. Модель работает с текстом, сведения о поддерживаемых языках и исходном размере контекста не указаны. Для GPTQ-файлов доступны различные варианты квантизации; в частности, 4-битные сборки имеют размер около 3,89–4,00 ГБ, используют group size 128 и совместимы с ExLlama. Указанная длина последовательности 2048 относится к процессу квантизации и не заявлена как ограничение контекста модели. К сильным сторонам относятся сниженное потребление видеопамяти благодаря GPTQ-квантизации и наличие вариантов, позволяющих выбирать компромисс между размером, совместимостью и точностью. Ограничения включают возможную потерю точности из-за квантизации, зависимость от поддерживаемого программного обеспечения и отсутствие в README подробных оценок качества, перечня языков и описания модальностей помимо текста. Модель обозначена как uncensored, поэтому её поведение и защитные ограничения могут отличаться от стандартных инструкционных чат-моделей. Лицензия указана как other; конкретные условия использования в README не раскрыты.

Nous-Yarn-Llama-2-13b-128k — плотная авторегрессионная языковая модель семейства Llama 2, разработанная NousResearch и дополнительно предобученная на подмножестве датасета PG19 в течение 600 шагов. Модель рассчитана на генерацию текста с длинным контекстом до 131 072 токенов и содержит 12,9 млрд параметров. Модель подходит для генерации продолжений текста и работы со значительным объёмом контекста, например анализа длинных документов или книг. Это версия с патчем Flash Attention 2; для корректной работы требуется библиотека Flash Attention. В карточке упомянуты планы дальнейшего обучения и дообучения для повышения качества работы с длинным контекстом, а результаты бенчмарков обозначены как TODO. Модель построена на базе Llama 2 и представлена в формате PyTorch. Языковая поддержка отдельно не заявлена. Условия лицензирования в предоставленных данных не описаны.

Это экспериментальный текстовый генератор на архитектуре Qwen3 с плотной моделью из 1,7 млрд параметров. Разработчик yuq-zhou; репозиторий содержит резервную копию исследовательского чекпойнта в формате safetensors для загрузки через Transformers. Модель предназначена для генерации текста и диалогового взаимодействия; в метаданных также отмечен интерфейс вызова инструментов. Заявленная длина контекста — 40 960 токенов. Карточка не описывает специализированные области применения или поддерживаемые естественные языки. Условия лицензии в доступных данных не приведены. Чекпойнт обозначен как исследовательский артефакт, поэтому его качество и пригодность для конкретных задач следует оценивать отдельно.

Aquila2-7B — базовая языковая модель серии Aquila2, разработанная BAAI. Она предназначена для генерации продолжения текста и может служить основой для дальнейшей адаптации под прикладные задачи. Модель имеет плотную архитектуру AquilaForCausalLM и содержит 7,1 млрд параметров; максимальная длина контекста составляет 8192 токена. В обновлении от 6 июня 2024 года заменили токенизатор на вариант с более высокой степенью сжатия. В карточке приведено сравнение токенизации китайского и английского текста, кода и математических выражений. Модель распространяется в формате safetensors. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией и официальными материалами BAAI.

Модель aminediroHF/async-grpo-ckpt-smoke-r1d-1.5b — дообученная с помощью TRL версия DeepSeek-R1-Distill-Qwen-1.5B, созданная на базе архитектуры Qwen2. Это плотная авторегрессионная языковая модель с 1,5 млрд параметров; заявленная длина контекста — 131 072 токена. Модель предназначена для диалоговой генерации текста и ответов на запросы. Карточка показывает запуск через Transformers pipeline для text-generation. Базовая модель ориентирована на рассуждения, математику и программирование, но README не описывает конкретные данные или результаты дополнительного дообучения этой версии. Поэтому её качество в отдельных задачах и языках нельзя оценить по карточке. Репозиторий содержит веса в формате safetensors; условия лицензии в предоставленных данных не указаны.

Beetle-FineWeb2-24B/beetle-bilingual-l2-80-late-b5-fineweb-tur-eng — языковая модель для генерации текста на базе Transformers. По названию репозитория модель ориентирована на двуязычные сценарии с турецким и английским языками; обозначение 24B указывает на класс модели примерно в 24 миллиарда параметров. В метаданных Hugging Face для неё указан pipeline text-generation и формат safetensors. Модель предназначена для генерации и продолжения текста, диалоговых приложений и других задач, где требуется авторегрессионное создание текста. README не содержит сведений о разработчике, лицензии, точной архитектуре, длине контекста, обучающих данных, результатах оценки или рекомендуемых сценариях применения, поэтому эти характеристики нельзя подтвердить.

mehuldamani/big-math-digits-v2-brier-base-tabc — дообученная модель Qwen/Qwen2.5-7B, созданная с использованием TRL. Это плотная авторегрессионная языковая модель на 7,1 млрд параметров для генерации текста в диалоговом формате; карточка демонстрирует запрос с открытым вопросом и получение текстового ответа. Модель рассчитана на использование через Transformers и имеет контекстное окно до 131072 токенов. Карточка не описывает специализацию на математике или конкретную методику обучения, несмотря на название репозитория, поэтому её можно охарактеризовать только как модель генерации текста общего назначения. Указаны интерфейсы чата и вызова инструментов. Базовая модель — Qwen/Qwen2.5-7B; лицензия в предоставленных данных не приведена.

Agnuxo/CAJAL-4B — текстовая генеративная модель семейства CAJAL, разработанная Франсиско Ангуло де ла Фуэнте (Agnuxo1) при участии коллег и связанная с экосистемой P2PCLAW. Модель предназначена для локальной генерации научных текстов, а также для ответов на вопросы и создания кода. В README заявлена специализация на подготовке научных статей и поддержка сценариев научных исследований. Модель содержит около 4 млрд параметров и относится к классу Text-Generation. Указаны английский и испанский языки. В качестве обучающих данных обозначен научный корпус, отобранный P2PCLAW. Модель рассчитана на запуск локально на CPU, GPU с CUDA или ROCm, а также на мобильных устройствах; поддерживаются варианты развертывания через Ollama и Transformers. Данные о точном базовом архитектурном семействе, размере контекстного окна, мультимодальности и результатах независимого тестирования не приведены. К сильным сторонам относятся относительно компактный размер, возможность локального использования и ориентация на научное письмо, программирование и научные вычисления. Ограничения включают отсутствие подробных бенчмарков, информации о качестве генерации, методах обучения и гарантии достоверности научных утверждений; поэтому результаты требуют проверки пользователем. Модель распространяется по лицензии Apache 2.0.

Cambrian-34B — открытая мультимодальная большая языковая модель с архитектурой CambrianLlamaForCausalLM, разработанная командой Cambrian и ориентированная на задачи с визуальными данными. Модель содержит 33,9 млрд параметров, обучена в июне 2024 года и поддерживает контекст до 4096 токенов. Модель предназначена для диалогового взаимодействия и генерации текста, в том числе в мультимодальных сценариях с изображениями. В обучении использованы 2,5 млн примеров Cambrian Alignment Data и 7 млн примеров Cambrian Curated Instruction Tuning Data. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Карточка не приводит языки, на которых модель обучалась или проверялась, а также подробности обработки изображений, поэтому эти характеристики нельзя уточнить. Контекст ограничен 4096 токенами.

ConfigurableSOLAR-10.7B — языковая модель Vicgalle, дообученная методом configurable safety tuning на наборе vicgalle/configurable-system-prompt-multitask. Модель основана на плотной архитектуре Llama и содержит 10,6 млрд параметров; она предназначена для генерации текста в диалоговом формате. В зависимости от системного промпта её можно настроить на безопасные ответы, ответы без ограничений, акцент на правдивости или заданную ролевую персону. Модель рассчитана на диалоги и другие сценарии генерации текста, где поведение ассистента задаётся системной инструкцией. Контекст составляет 4096 токенов. В карточке приведены результаты оценивания на IFEval и BBH; сведений о поддерживаемых естественных языках нет. Лицензия — Apache-2.0. Качество и безопасность ответов зависят от выбранного системного промпта; заявленный режим без ограничений может приводить к генерации вредного или незаконного контента.

ContextPilot-E4B-heretic — вариант чекпойнта ContextPilot на базе Gemma 4 E4B Instruct. ContextPilot разработан для исследования проактивного управления контекстом в агентах с длинным горизонтом работы: модель планирует, поддерживает структурированную долговременную память, извлекает сведения и освобождает контекст от менее полезной информации, продолжая рассуждать и пользоваться инструментами. Подход ContextPilot использует набор инструментов управления контекстом, частичные rollout с фокусом на важных решениях по редактированию контекста и детальное распределение вклада промежуточных состояний по результатам последующих ветвей. Модель предназначена для длинноконтекстного ответа на вопросы и задач глубокого поиска. Это плотная архитектура Gemma 4, доступная в формате safetensors и используемая через Transformers. Сам чекпойнт не выполняет инструменты управления контекстом без определений инструментов, агентного runtime и оценочного конвейера из репозитория ContextPilot. В README также приведены результаты abliteration: 32 отказа из 100 против 100 из 100 у исходной модели, при KL-дивергенции 0,0064; теги описывают вариант как uncensored/decensored. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.