II.2Создание и понимание программного кода

gte-reranker-modernbert-base — англоязычный переранжировщик текста, разработанный Tongyi Lab (Alibaba Group) на основе encoder-only модели ModernBERT-base. Он оценивает релевантность пар запроса и документа, чтобы переупорядочивать результаты поиска и улучшать отбор контекста для RAG. Модель содержит 149 млн параметров и принимает последовательности длиной до 8192 токенов. В карточке приведены результаты на наборах BEIR и LoCo для поиска по документам, а также COIR для поиска кода. Репозиторий содержит веса Safetensors и ONNX; для запуска поддерживается Transformers. Модель рассчитана прежде всего на английский язык. Оценки релевантности могут уступать специализированным моделям на других языках или предметных областях; приведённые результаты бенчмарков не гарантируют качество на конкретном корпусе. Лицензия — Apache-2.0.

HedgeMind — дообученная Radheyyyy языковая модель семейства Llama на базе unsloth/meta-llama-3.1-8b-instruct-bnb-4bit. Это плотная авторегрессионная модель примерно на 7,5 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Метаданные указывают контекст до 131 072 токенов и интерфейс вызова инструментов. Модель обучали с использованием Unsloth и библиотеки TRL. Модель принимает текст и генерирует текст; в карточке указан английский язык. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0. README не уточняет специализацию дообучения, поэтому применимость к конкретным предметным областям и качество выполнения отдельных задач по имеющимся данным оценить нельзя.

Карточка модели amd/Instella-MoE-16B-A3B-Midtrain на Hugging Face совпадает с карточкой amd/Instella-MoE-16B-A3B-Think, поэтому описание составлено по ней. Instella-MoE-16B-A3B-Think — языковая модель с архитектурой Mixture-of-Experts, разработанная AMD и обученная с нуля. В опубликованном описании семейства указаны 16 млрд параметров всего и 2,8 млрд активных параметров на токен; метаданные этого репозитория указывают 2,5 млрд параметров. Модель построена на архитектуре семейства DeepSeek V3, имеет 27 декодерных слоёв и использует Gated Multi-head Latent Attention и FarSkip-Collective. Репозиторий содержит веса Safetensors для Transformers. Модель предназначена для генерации текста и диалогов; метаданные также отмечают интерфейс вызова инструментов. Контекст составляет 32 768 токенов. В карточке семейства описаны этапы обучения от предобучения до RL и открытая обучающая рецептура. Основной язык, указанный в метаданных, — английский; многоязычные способности не проверены. README характеризует выпуск как исследовательский и предупреждает, что модель может выдавать неточные, вредоносные, токсичные или предвзятые ответы. Она не предназначена для сценариев, требующих высокой фактической точности, для критически важных, медицинских или связанных со здоровьем применений; рекомендуется независимая оценка и фильтрация безопасности. Лицензия в метаданных обозначена как other.

Карточка модели amd/Instella-MoE-16B-A3B-Pretrain на Hugging Face совпадает с карточкой amd/Instella-MoE-16B-A3B-Think, поэтому описание составлено по ней. Instella-MoE-16B-A3B-Think — языковая модель с архитектурой Mixture-of-Experts, разработанная AMD и обученная с нуля. В опубликованном описании семейства указаны 16 млрд параметров всего и 2,8 млрд активных параметров на токен; метаданные этого репозитория указывают 2,5 млрд параметров. Модель построена на архитектуре семейства DeepSeek V3, имеет 27 декодерных слоёв и использует Gated Multi-head Latent Attention и FarSkip-Collective. Репозиторий содержит веса Safetensors для Transformers. Модель предназначена для генерации текста и диалогов; метаданные также отмечают интерфейс вызова инструментов. Контекст составляет 32 768 токенов. В карточке семейства описаны этапы обучения от предобучения до RL и открытая обучающая рецептура. Основной язык, указанный в метаданных, — английский; многоязычные способности не проверены. README характеризует выпуск как исследовательский и предупреждает, что модель может выдавать неточные, вредоносные, токсичные или предвзятые ответы. Она не предназначена для сценариев, требующих высокой фактической точности, для критически важных, медицинских или связанных со здоровьем применений; рекомендуется независимая оценка и фильтрация безопасности. Лицензия в метаданных обозначена как other.

Jallabi-34B — плотная языковая модель семейства Llama от AbacusResearch для генерации текста и диалогов. В репозитории находятся только веса языковой части: энкодер CLIP удалён, поэтому модель загружается как LlamaForCausalLM. Модель содержит 33,9 млрд параметров, принимает текст и имеет контекст длиной 4096 токенов. В README приведены результаты Open LLM Leaderboard, включая средние оценки 70,73 и 25,97 в двух наборах испытаний. Модель распространяется под лицензией Apache-2.0. README не сообщает, на какой базовой модели основаны веса; по имеющимся данным нельзя определить специальные ограничения применения или качества.

Josiefied-Huihui-MoE-12B-A4B — языковая модель Goekdeniz-Guelmez, дообученная на Huihui-MoE-12B-A4B-abliterated. Это разреженная MoE-модель семейства Qwen3, предназначенная для генерации текста в диалогах и следования инструкциям; заявлена поддержка вызова инструментов. В метаданных указаны 3,7 млрд параметров и контекст до 40 960 токенов. Разработчик позиционирует модель как вариант с ослабленными ограничениями на ответы, при этом заявляя сохранение следования инструкциям и работы с инструментами. Она подходит для диалоговых приложений и свободной генерации текста. Модель распространяется в формате safetensors; README также упоминает варианты GGUF от стороннего автора. Лицензия в предоставленных данных не указана.

AIJUUD/juud-Mistral-7B — разговорная модель семейства Mistral, опубликованная командой BNK AI. Это плотная авторегрессионная языковая модель с 7,1 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Метаданные указывают контекст до 32 768 токенов, использование Transformers и формат весов safetensors. Модель можно применять для ответов в чате, продолжения текста и создания диалоговых приложений. Карточка README не описывает обучение, наборы данных, языки или результаты оценки качества. Модель распространяется по лицензии Apache-2.0; фактическая пригодность для конкретных задач требует отдельной проверки.

LFM2-8B-A1B-Instruct-Quantum-IQ1C-Qwen3.6-35B-A3B-DISTILL2 — экспериментальная instruct-модель DavidAU на архитектуре Liquid AI LFM2 MoE, дообученная на собственном наборе дистилляции с Qwen 3.6 35B-A3B в роли учителя. В метаданных указаны 1,4 млрд параметров и контекст до 128 000 токенов; модель активирует 4 из 32 экспертов. README сообщает о сохранении instruct-режима, улучшениях форматирования и стиля, а также о тестировании в GGUF-квантизациях; метаданные указывают библиотеку Transformers и формат Safetensors. Модель предназначена для генерации ответов в диалоге и выполнения инструкций. В карточке приведены неофициальные внутренние тесты автора и примеры генераций, поэтому заявленные улучшения не следует считать независимой оценкой качества. Автор характеризует модель как умеренно несильно цензурированную. Лицензия — Apache-2.0.

FriendliAI публикует FP8-версию диалоговой модели Meta Llama 2 7B Chat. Это плотная авторегрессионная Transformer-модель класса LlamaForCausalLM с 6,6 млрд параметров, настроенная для чата с помощью supervised fine-tuning и обучения с обратной связью от людей. Она принимает текст и генерирует текст, поддерживает контекст до 4096 токенов и предназначена прежде всего для англоязычного общения с ассистентом и генерации ответов. Квантизация FP8 повышает эффективность инференса при сохранении заявленного в README высокого качества. Для запуска модель рассчитана на Friendli Container; FP8 поддерживается GPU NVIDIA Ada, Hopper и Blackwell. Использование регулируется лицензией Meta Llama 2: для доступа к исходным весам и токенизатору требуется принять её условия. Модель может выдавать неточные, предвзятые или нежелательные ответы; перед внедрением следует проверить её на сценариях приложения.

Mungert/Llama-3_3-Nemotron-Super-49B-v1-GGUF — это GGUF-квантизованная версия языковой модели Llama-3.3-Nemotron-Super-49B-v1. В README указаны интеграция с Transformers, текстовая генерация и поддержка английского языка; модель связана с экосистемой NVIDIA, однако точный автор базовой модели в предоставленных данных явно не описан. Репозиторий подготовлен пользователем Mungert. Модель предназначена для генерации текста и сценариев локального запуска, включая использование на устройствах с ограниченной VRAM, CPU и edge-устройствах. Основное внимание уделено сверхнизкобитному квантованию на 1–2 бита с методом IQ-DynamicGate, который распределяет точность по слоям и использует более высокую точность для эмбеддингов и выходных слоёв. Указанный размер базовой модели — 49B параметров, но конкретные характеристики контекстного окна, архитектуры и доступных вариантов квантования для этой версии не приведены. Сильной стороной являются сниженные требования к памяти по сравнению с полноразмерными форматами; заявлены варианты IQ1 и IQ2, пригодные для исследовательских и ресурсно-ограниченных развёртываний. Ограничения включают возможное снижение качества из-за экстремально низкой разрядности, а также необходимость совместимого ПО и аппаратных оптимизаций для GGUF. Приведённые бенчмарки относятся к Llama-3-8B и не подтверждают аналогичные показатели для 49B-модели. Использование регулируется лицензией NVIDIA Open Model License.

QomSSLab/LLama3.3-Rhino-70B-RAG — языковая модель семейства Llama, дообученная QomSSLab на базе unsloth/Llama-3.3-70B-Instruct-bnb-4bit с использованием Unsloth и TRL. Модель предназначена для генерации текста и диалогового взаимодействия; в метаданных также заявлен интерфейс вызова инструментов. Название указывает на RAG-сценарии, однако README не описывает отдельные возможности поиска или работы с документами. Модель имеет плотную архитектуру LlamaForCausalLM и 69,5 млрд параметров, принимает текст и поддерживает контекст до 131 072 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. README не приводит оценок качества или подробностей обучения, поэтому пригодность для конкретных RAG-наборов данных следует проверять отдельно.

Это дообученная модель KKHYA на 1,7 млрд параметров, созданная на основе KKHYA/llavaqwen3-1.7b-finetune. Она использует архитектуру NMMaskMoELLaVAQwen3ForCausalLM и предназначена для генерации текста и диалогов; интерфейс модели также предусматривает вызов инструментов. Модель принимает текст и выдаёт текст. Максимальная длина контекста составляет 40 960 токенов. Данные обучения и специальные сценарии применения в карточке не описаны, поэтому её можно рассматривать как модель общего назначения без подтверждённой специализации. Модель распространяется в форматах PyTorch и Safetensors по лицензии Apache-2.0.

Это дообученная версия KKHYA/llavaqwen3-1.7b-finetune с 1,7 млрд параметров, разработанная автором репозитория KKHYA. Модель предназначена для генерации текста и диалогов; в метаданных также заявлен интерфейс вызова инструментов. Она использует архитектуру NMMaskMoELLaVAQwen3ForCausalLM и библиотеку Transformers, принимает текст и генерирует текст. Контекстное окно составляет до 40 960 токенов. Данные обучения и подробные оценки не описаны. Репозиторий содержит веса в форматах PyTorch и Safetensors и распространяется по лицензии Apache-2.0. Языковая специализация модели не установлена по доступным сведениям.

magnum-12b-v2-GGUF — это набор GGUF-квантизаций текстовой генеративной модели magnum-12b-v2, разработанной anthracite-org и квантованной bartowski с использованием llama.cpp и imatrix-калибровки. Модель предназначена для чат-взаимодействия и генерации текста; запуск возможен, в частности, через LM Studio. Для общения рекомендуется формат промпта ChatML с ролями system, user и assistant. Модель поддерживает английский, французский, немецкий, испанский, итальянский, португальский, русский, китайский и японский языки. Известен размер базовой модели — 12B параметров; архитектура и размер контекстного окна в README не указаны. Доступны варианты от F32 размером 49 ГБ до низкобитных IQ2/Q2-квантизаций размером около 4,4–5,5 ГБ. Варианты Q5–Q6 отмечены как высококачественные и рекомендуемые, а Q4 — как компромисс между качеством и требованиями к памяти; более сильное сжатие снижает качество. Основные преимущества — широкий набор языков, выбор уровней квантизации и возможность локального запуска в формате GGUF. Ограничения включают неизбежную потерю качества у низкобитных вариантов и отсутствие в предоставленных данных сведений о результатах тестирования, мультимодальности и точном контекстном окне. Распространение указано по лицензии Apache-2.0.

MiniCPM5-1B-CoreAI — это версия языковой модели MiniCPM5-1B, разработанной OpenBMB и экспортированной в формат Apple Core AI. Модель предназначена для генерации текста и диалоговых сценариев с полностью локальным выполнением на iPhone и компьютерах Apple Silicon, включая офлайн-ассистентов, суммаризацию и многотуровые чаты. В каталоге Core AI она запускается через CoreAIKit или напрямую средствами Core AI. Модель содержит около 1,08 млрд параметров, поддерживает гибридный режим рассуждений Think/No-Think и контекст до 128K токенов. Представленная версия использует квантизацию int8 с блоками размера 32; для Neural Engine также доступна 8-битная палетизированная сборка с группами по 32. Размер загружаемого пакета составляет около 1,1 ГБ, а сборка для iPhone 17-класса занимает около 1,3 ГБ. Указаны измерения производительности на iPhone 17 Pro: до 76,8 токена в секунду при декодировании в отдельных тестах Neural Engine. Сильные стороны модели — небольшой размер, работа без отправки данных в облако, поддержка длинного контекста и эффективное выполнение на GPU или Neural Engine. Ограничения связаны с привязкой к экосистеме Apple и Core AI, а также с тем, что характеристики зависят от устройства, режима запуска и конкретной сборки. Языки и полный перечень поддерживаемых возможностей в предоставленных данных не указаны. Модель распространяется по лицензии Apache-2.0.

Mistral7B-PairRM-SPPO-Iter1 — языковая модель на архитектуре Mistral, разработанная UCLA-AGI методом Self-Play Preference Optimization. Это первый этап серии итерационных дообучений на синтетических ответах: использованы запросы из UltraFeedback, разделённые на части для трёх итераций; в каждой итерации генерировалось пять ответов. Модель дообучена на базе mistralai/Mistral-7B-Instruct-v0.2 и содержит 7,1 млрд параметров. Модель предназначена для диалогов и генерации ответов на инструкции на английском языке. Её можно применять для создания чат-ботов, ответов на вопросы и выполнения пользовательских запросов; карточка приводит результаты оценок на наборах AlpacaEval, Arena-Hard, MT-Bench и Open LLM Leaderboard. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов и опубликована в формате safetensors. Лицензия — Apache-2.0. Результаты оценки относятся к конкретным тестам и не гарантируют качество во всех сценариях; обучение на синтетических данных может влиять на характер ответов.

Mistral-Narwhal-7b — разговорная языковая модель на основе Mistral 7B, созданная путём слияния Dolphin 2.1 и Zephyr 7B Alpha. Модель предназначена для генерации текста и диалоговых сценариев; её архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Репозиторий содержит веса PyTorch и safetensors. Модель может использоваться для диалоговых помощников, ответов на вопросы и генерации текста. В карточке указана лицензия Apache-2.0, однако README также требует учитывать лицензии исходных моделей Dolphin 2.1 и Zephyr 7B Alpha.

ESarp/Mistral-Nemo-12B-AttackTree-DPO — дообученная ESarp языковая модель для генерации текста и диалогов. Она основана на unsloth/Mistral-Nemo-Instruct-2407-bnb-4bit и обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Архитектура — плотная MistralForCausalLM, размер — 12,1 млрд параметров, длина контекста — до 131 072 токенов. Карточка указывает английский язык и формат safetensors. Модель предназначена для генерации ответов в текстовом чате; метаданные также отмечают интерфейс вызова инструментов. Название указывает на DPO и деревья атак, однако карточка не описывает соответствующее обучение или специализированные сценарии, поэтому эти свойства нельзя считать подтверждёнными. Лицензия — Apache-2.0.

Momningotex-slerp — слитая модель для генерации текста на основе архитектуры Mistral. Её создал пользователь liminerity, объединив с помощью mergekit модели liminerity/Omningotex-7b-slerp и eren23/ogno-monarch-jaskier-merge-7b-v2 методом slerp; конфигурация задаёт смешивание слоёв внимания и MLP. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалоговых ответов. В репозитории веса представлены в формате safetensors. Лицензия — Apache-2.0. Языки и специализированные предметные области в карточке не обозначены.

zelk12/MT-Merge2-MA-gemma-2-MT4g2MTg2-9B — объединённая модель генерации текста на архитектуре Gemma 2, созданная методом SLERP с помощью mergekit из zelk12/MT4-Gen2-gemma-2-9B и zelk12/MT-Gen2-gemma-2-9B. Модель предназначена для текстовых ответов и диалогового общения; размер составляет 9 млрд параметров, нативная длина контекста — 8192 токена. Репозиторий содержит веса Safetensors, а README также описывает вариант GGUF Static. Модель подходит для чат-ботов и генерации текста в приложениях на базе Transformers. Метаданные не определяют целевые языки или специализированные предметные области, поэтому их нельзя уверенно указать. В README приведены параметры слияния: SLERP, тип данных bfloat16 и коэффициент t=0.25. Сведения о лицензии и конкретных ограничениях качества в доступных материалах отсутствуют.

Ar86Bat разработал многоязычную модель на базе XLM-RoBERTa Base, дообученную для распознавания именованных сущностей, содержащих персональные данные, в тексте. Она определяет такие данные, как имена, адреса, даты, электронная почта и номера телефонов, чтобы их можно было маскировать в приложениях для защиты конфиденциальности. Модель принимает текст на английском, немецком, французском и итальянском языках; размер составляет 305,2 млн параметров, контекст — до 514 токенов. Распространяется в формате safetensors по лицензии MIT. В карточке указаны общая точность 99,24%, macro F1 0,954 и weighted F1 0,992. Для распространённых сущностей, включая электронную почту и даты, результаты высокие; для редких и неоднозначных типов данных качество ниже. Модель не гарантирует полноту и точность обнаружения таких сущностей без дополнительной настройки.

NeuralDareDMistralPro-slerp — объединённая модель на основе mlabonne/NeuralDaredevil-7B и NousResearch/Hermes-2-Pro-Mistral-7B, созданная автором репозитория методом slerp с помощью LazyMergekit. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Она предназначена для генерации текста; базовые модели ориентированы на диалоги и выполнение инструкций, однако отдельные возможности объединённой модели в карточке не описаны. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Etherll разработала бинарный классификатор аудио на базе Whisper, дообученный от unsloth/whisper-small. Модель с 153,1 млн параметров определяет, содержит ли запись речи значимый фоновый шум окружающей среды: LABEL_0 означает clean, LABEL_1 — noisy. Для обучения использован специально собранный набор примерно из 55 тысяч аудиофрагментов. Модель предназначена для предварительной фильтрации аудиодатасетов, автоматической маркировки записей при контроле качества и отбора аудио перед передачей в систему распознавания речи. Она принимает аудио и возвращает метку класса. Лицензия — Apache-2.0. Классификатор считает чистыми не только качественные записи, но и записи с артефактами источника, такими как шипение, клиппинг или плохое качество микрофона. Он выявляет именно фоновый шум окружающей среды, например автомобили, музыку или другие голоса. Модель не подавляет шум и не очищает аудио.

Карточка модели localized-ft/OLMo-3-7B-good-vs-bad-mixed-multifact-inoculation-prompting-seed5 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-good-vs-bad-mixed-multifact-kld-seed3 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-good-vs-bad-mixed-multifact-last-third-sft-seed4-epoch3 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-good-vs-bad-mixed-multifact-last-third-sft-seed5-epoch3 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-good-vs-bad-mixed-multifact-second-third-sft-seed5 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-ia-evil-ultrachat на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-target-only-no-hallucination-first-third-sft-seed5 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.