II.6Документация и сопровождение разработки

GhostScientist разработал SemanticWiki Coder 7B v2 как дообученную модель для создания технической документации по исходному коду. Это плотная причинно-языковая модель семейства Qwen2 на 7,1 млрд параметров, основанная на Qwen/Qwen2.5-Coder-7B-Instruct. LoRA-адаптер был объединён с базовыми весами, поэтому модель можно запускать через стандартные инструменты Transformers без отдельного адаптера или PEFT. Модель принимает текстовый контекст с исходным кодом и генерирует черновики документации в стиле DeepWiki: структурированный Markdown, ссылки на файлы, диаграммы Mermaid, таблицы и встроенные цитаты. Она предназначена для подготовки вики по кодовой базе и заметок об архитектуре; длина контекста составляет 32 768 токенов. Репозиторий распространяется по лицензии Apache-2.0. Ссылки, диаграммы и объяснения могут быть ошибочными или неполными, поэтому результат нужно проверять. Модель не заменяет аудит безопасности или проверку кода человеком; качество может различаться в зависимости от языка, фреймворка и размера репозитория.

DocsGPT-7b-Mistral — языковая модель Arc53 для ответов на вопросы по документации и другим материалам, найденным системой поиска. Она дообучена методом LoRA на базе zephyr-7b-beta и использует плотную архитектуру MistralForCausalLM с 7,1 млрд параметров. Модель принимает текстовый вопрос и контекст документов, а затем генерирует ответ, ориентированный на предоставленные сведения; в README рекомендован шаблон запроса с разделами Instruction, Context и Answer. Контекстное окно составляет 32 768 токенов. Модель предназначена для RAG-сценариев, особенно для команд разработчиков и технической поддержки. В README приведены внутренний тест BACON и результаты MT-Bench, но они не гарантируют качество на конкретных данных и задачах. Модель распространяется под лицензией Apache-2.0, допускающей коммерческое использование.

Карточка модели RedHatAI/granite-3.2-2b-instruct на Hugging Face совпадает с карточкой ibm-granite/granite-3.2-2b-instruct, поэтому описание составлено по ней. Granite-3.2-2B-Instruct — инструкционная языковая модель семейства Granite, разработанная командой Granite компании IBM. Это плотная авторегрессионная модель на 2,5 млрд параметров, дообученная на базе ibm-granite/granite-3.1-2b-instruct для задач рассуждения и выполнения инструкций; режим рассуждения можно включать по необходимости. Модель работает с текстом, поддерживает диалог и интерфейс вызова инструментов, имеет контекст до 131 072 токенов и распространяется в формате safetensors по лицензии Apache 2.0. Модель предназначена для общих инструкционных задач и интеграции в ассистентов: ответов на вопросы, суммаризации длинных документов и встреч, извлечения и классификации текста, RAG, задач с кодом и вызова функций. Поддерживаются английский, немецкий, испанский, французский, японский, португальский, арабский, чешский, итальянский, корейский, нидерландский и китайский языки. Среди сильных сторон — длинный контекст, управляемое рассуждение и многоязычный диалог. К ограничениям относятся унаследованные от Granite-3.1-2B-Instruct ограничения и этические соображения; README не приводит их подробнее.

DocsGPT-40B-Falcon — дообученная командой Arc53 языковая модель на базе Falcon-40B, предназначенная для ответов по документации и данным, переданным в контексте. Её можно применять в системах поиска и поддержки, где документы сначала извлекаются, а затем подаются модели вместе с вопросом. Модель использует архитектуру RefinedWeb с причинно-языковой генерацией; в карточке указано 65 млрд параметров и библиотека Transformers. Для дообучения применялся LoRA на 50 тысячах примеров. Рабочий шаблон запроса разделяет инструкцию, контекст и ответ. Карточка ориентирует модель на английский язык. Лицензия Apache-2.0 допускает коммерческое использование.

Это англоязычная модель Sentence Transformers, дообученная thanhpham1 на базе sentence-transformers/all-mpnet-base-v2 на 5 146 парах технических текстов. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска и сравнения текстов; близость оценивается косинусным сходством. Архитектура включает MPNet, усреднение токенных представлений и нормализацию векторов. Обучение Matryoshka позволяет использовать укороченные представления размерностью 512, 256, 128 или 64 с компромиссом между размером вектора и качеством поиска. Модель подходит для поиска ответов и фрагментов в технической документации, сопоставления технических вопросов с релевантными пояснениями, поиска перефразировок и кластеризации технических текстов. README приводит метрики поиска на нескольких размерностях, однако подробности тестового набора ограничены. Максимальная длина последовательности в README указана как 384 токена, а метаданные указывают контекст до 514 токенов. Лицензия Apache-2.0.

md-reheader — созданная Джоэлом Барметтлером в Souverana модель на базе Qwen3, дообученная для восстановления уровней заголовков в Markdown-документах. Она анализирует структуру текста и предсказывает для каждого заголовка уровень H1–H6; модель рассчитана на обработку Markdown, полученного, например, при конвертации PDF, и на запуск локально через CLI, Python API или сервер vLLM. Модель имеет плотную архитектуру Qwen3ForCausalLM и содержит 507,9 млн параметров. Она принимает текст и генерирует текст с восстановленной иерархией заголовков; основной язык обучения — английский. Контекстное окно составляет 40 960 токенов, однако README указывает, что после предварительного удаления основного текста документы длиннее 8 000 токенов обрезаются: заголовки за пределами этого предела сохраняют исходный уровень. Модель специализируется на одной задаче, поэтому подходит для автоматизации подготовки Markdown перед навигацией и разбиением документов на фрагменты для RAG. Лицензия — Apache-2.0.

DocsGPT-14B — языковая модель семейства Llama, разработанная Arc53 и дообученная с помощью LoRA на базе Llama 2 13B. Модель содержит 12,9 млрд параметров, принимает вопрос и предоставленный контекст документов и генерирует ответ. Для работы используется формат инструкции с отдельными разделами для вопроса, контекста и ответа; длина контекста модели — 4096 токенов. Модель предназначена для ответов, основанных на документации, и подходит разработчикам и службам технической поддержки: например, её можно подключить к поиску документов и передавать найденные фрагменты в контекст. Карточка сообщает об обучении на 50 тысячах примеров, но оценка качества и бенчмарки ещё находятся в разработке. Поддерживается английский язык. Лицензия Apache-2.0 допускает коммерческое использование.

Granite-3.1-1B-A400M-Instruct — языковая модель IBM Granite Team для выполнения инструкций и создания диалоговых ассистентов. Это дообученная на Granite-3.1-1B-A400M-Base модель с архитектурой GraniteMoE; README также описывает этапы supervised fine-tuning, выравнивания с помощью reinforcement learning и слияния моделей. В метаданных указано 163,6 млн параметров и контекст до 131 072 токенов. Модель предназначена для суммаризации, классификации и извлечения текста, ответов на вопросы, RAG, задач с кодом и вызова функций, а также для многоязычного диалога и работы с длинными документами и встречами. README перечисляет английский, немецкий, испанский, французский, японский, португальский, арабский, чешский, итальянский, корейский, нидерландский и китайский языки. Производительность на других языках может уступать английской; ответы могут быть неточными, предвзятыми или небезопасными. Лицензия — Apache 2.0.

Granite-4.0-H-350M — компактная инструктивная языковая модель команды Granite компании IBM, дообученная на основе ibm-granite/granite-4.0-h-350m-base с применением контролируемого дообучения, обучения с подкреплением и слияния моделей. Это плотная decoder-only архитектура GraniteMoeHybrid с GQA, Mamba2, SwiGLU, RMSNorm и общими входными и выходными эмбеддингами; модель содержит 278,4 млн параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для диалогов, локального и периферийного развёртывания, исследовательских сценариев и дообучения под специализированные задачи. Она умеет суммировать и извлекать текст, классифицировать, отвечать на вопросы, поддерживать RAG, выполнять задачи с кодом и вызовом функций, включая дополнение кода FIM. Заявлена поддержка английского, немецкого, испанского, французского, японского, португальского, арабского, чешского, итальянского, корейского, нидерландского и китайского языков. Компактный размер упрощает запуск на устройствах и адаптацию под узкие задачи. При этом качество на языках помимо английского может быть ниже; ответы также могут содержать ошибки, предвзятость или небезопасный контент. Лицензия — Apache 2.0.

Mermaid-Llama-6.7B-RAG-Code-Instruct — дообученная автором TroyDoesAI плотная причинная языковая модель семейства Llama с 6,6 млрд параметров. Она предназначена для преобразования кода, инструкций и текстового контекста в текстовые ответы: Mermaid-диаграммы и графы знаний, пояснения логики Python, а также фрагменты кода. В README описаны шаблон контекста в стиле airoboros Context-Obedient и обучение с LoRA; контекст модели составляет 16 384 токена, формат весов — safetensors. Модель ориентирована на разработчиков, обучение Python, документирование кода, RAG и визуальное планирование историй и проектов посредством Mermaid-разметки. Она выдаёт текст с кодом и диаграммами Mermaid, а не готовые изображения. Автор предупреждает, что модель следует использовать как автодополнение, а не как чат-бот; README также заявляет о снижении галлюцинаций, но не приводит проверяемых результатов оценки. Лицензия — CC BY 4.0.

MermaidMistral — дообученная языковая модель семейства Mistral с 7,1 млрд параметров, разработанная TroyDoesAI. Она преобразует Python-код, истории и другие текстовые описания в диаграммы потоков Mermaid.js; модель ориентирована на создание самой диаграммы без пояснительного текста. В карточке указано обучение на 478 примерах Python и Mermaid менее чем за три эпохи. Модель принимает текст и генерирует текст с кодом диаграммы. Указанное в метаданных контекстное окно — 32 768 токенов, однако автор предупреждает о нехватке видеопамяти на длинном контексте и приводит лимит дообучения 2 048 токенов. Лицензия — Apache-2.0.

Code Formula Model — модель семейства SAM-OPT с 152,3 млн параметров, предназначенная для извлечения текста из изображений фрагментов кода и математических формул. На вход подаётся изображение с разрешением 120 DPI; для кода модель определяет язык программирования и восстанавливает текст с сохранением отступов, а для формул выдаёт соответствующий код LaTeX. Метаданные указывают контекстное окно 4096 токенов и формат весов Safetensors. Модель подходит для переноса кода и формул из изображений в редактируемый текст, например из скриншотов или документов. Карточка не сообщает о поддерживаемых естественных языках, поэтому языковая поддержка в каталоге не перечисляется. Лицензия — MIT. Ограничение по входному качеству, указанное в карточке: изображения рассчитаны на 120 DPI.

DocsGPT-7B — языковая модель семейства Llama, разработанная Arc53 и дообученная с помощью LoRA на основе Llama 2 7B. Она предназначена для генерации ответов, опирающихся на переданную в контексте документацию, и рассчитана на разработчиков и команды технической поддержки, которым нужно отвечать на вопросы по документации и результатам поиска по документам. Модель содержит 6,6 млрд параметров, принимает текстовый запрос и контекст и генерирует текст; заявленное окно контекста — 4096 токенов. README сообщает об обучении на 50 тысячах примеров; бенчмарки ещё в работе. Модель распространяется по лицензии Apache-2.0, допускающей коммерческое использование. Её специализация — ответы по предоставленному контексту; качество и надёжность ответов за пределами этого сценария не описаны.

TroyDoesAI/Mermaid-Solar — текстовая генеративная модель на архитектуре Llama с 10,6 млрд параметров. Карточка описывает формат запроса, в котором инструкция и входные данные задают задачу, а ответ содержит Mermaid-код. Модель предназначена для генерации диаграмм Mermaid по текстовым инструкциям и исходным описаниям. Модель принимает текст и выдаёт текст; контекст составляет 4096 токенов. Данные о базовой модели и дополнительных языках не приведены. Лицензия — CC BY 4.0.

MermaidSolar — языковая модель TroyDoesAI на архитектуре Llama, обученная на базе Solar 10.7B Base Model с тем же набором данных, что и MermaidMistral, MermaidLLama и MermaidStable3B. В метаданных указано 10,6 млрд параметров, контекст 4096 токенов и формат safetensors; модель предназначена для генерации Mermaid-диаграмм по текстовому контексту. В описанном автором сценарии запросы оформляются так, чтобы ответ содержал заголовок «Response:» и блок Mermaid. Автор сообщает, что при обучении использовал 800 вручную составленных примеров с разнообразными пограничными случаями. Лицензия — CC BY-NC-SA 4.0; она требует указания авторства и распространения производных материалов на тех же условиях, а также запрещает коммерческое использование.

Карточка модели TroyDoesAI/MermaidSolar_LASER на Hugging Face совпадает с карточкой TroyDoesAI/MermaidSolar, поэтому описание составлено по ней. MermaidSolar — языковая модель TroyDoesAI на архитектуре Llama, обученная на базе Solar 10.7B Base Model с тем же набором данных, что и MermaidMistral, MermaidLLama и MermaidStable3B. В метаданных указано 10,6 млрд параметров, контекст 4096 токенов и формат safetensors; модель предназначена для генерации Mermaid-диаграмм по текстовому контексту. В описанном автором сценарии запросы оформляются так, чтобы ответ содержал заголовок «Response:» и блок Mermaid. Автор сообщает, что при обучении использовал 800 вручную составленных примеров с разнообразными пограничными случаями. Лицензия — CC BY-NC-SA 4.0; она требует указания авторства и распространения производных материалов на тех же условиях, а также запрещает коммерческое использование.

Модель naicasc/all-MiniLM-L6-v2-finetuned-it-project-docs-qa-10000-5ep — энкодер предложений на базе Sentence Transformers, дообученный на наборе it_project_docs. Архитектура основана на BERT и содержит около 25,9 млн параметров. Она преобразует текстовые предложения и абзацы в плотные векторы размерности 384; для сравнения используется косинусное сходство. Модель предназначена для семантического поиска и сравнения вопросов и фрагментов документации IT-проектов, а также для поиска перефразировок, кластеризации и классификации текста. README указывает максимальную длину последовательности 256 токенов, а метаданные — нативный контекст 512 токенов. Модель принимает текст и выдаёт векторы; это не генеративная модель. В README приведён результат cosine_accuracy 0,9946 на TripletEvaluator, но данных недостаточно, чтобы оценить перенос качества на другие наборы или задачи. Метаданные не сообщают лицензию. Язык набора данных в доступных сведениях явно не обозначен.

Llama3-ChatQA-2-8B — диалоговая языковая модель NVIDIA на архитектуре LLaMA 3 с 7,5 млрд параметров. Модель создана на базе Llama 3: контекст расширен с 8K до 128K токенов продолжением обучения, после чего проведено трёхэтапное дообучение по инструкциям. Контрольные точки преобразованы из формата Megatron-LM в формат Hugging Face PyTorch. Модель предназначена для ответов на вопросы по документам и найденному контексту, генерации ответов в диалоге и сценариев RAG. Она оптимизирована для использования предоставленного контекста; модель может обработать документ целиком, если он помещается в контекстное окно. В карточке приведена рекомендация явно сообщать, когда ответ не найден в контексте. Модель поддерживает английский язык и контекст до 128K токенов. Она принимает текст и генерирует текст. Лицензия в предоставленных материалах не указана.

Mermaid-Dolphin-Mixtral-2x7b — разговорная языковая модель от TroyDoesAI, созданная слиянием TroyDoesAI/MermaidMistralDPO и cognitivecomputations/dolphin-2.8-mistral-7b-v02. Она предназначена прежде всего для генерации кода диаграмм Mermaid по описаниям, исходному коду и сценариям; в карточке также приведены примеры графов знаний, блок-схем, раскадровок и планирования сценариев. Модель построена на архитектуре Mixtral MoE и содержит 7,1 млрд параметров. Указанный размер контекста — 32 768 токенов; файлы представлены в формате safetensors. Карточка ориентирует на диалоговое использование и генерацию текстового кода Mermaid. Лицензия — CC BY-SA 4.0. README описывает модель как результат слияния, обученный для построения диаграмм, и отмечает, что её поведение зависит от формулировки запроса. Качество не гарантируется; конкретные поддерживаемые языки и ограничения использования сверх условий лицензии в карточке не описаны.

Phi-4-QwQ — дообученная на базе Microsoft Phi-4 языковая модель для диалогов и генерации текста с акцентом на пошаговое рассуждение и ответственное решение задач. Модель содержит 14,1 млрд параметров, использует плотную архитектуру и доступна в формате safetensors для библиотеки Transformers; заявленный контекст — 16 384 токена. Модель предназначена для разложения сложных задач на этапы, логических и математических рассуждений, объяснений, учебного сопровождения, написания текстов и диалоговых помощников. В README описано дообучение методами SFT и DPO на синтетических и отфильтрованных данных. Карточка заявляет многоязычные возможности, однако метаданные указывают только английский язык. Модель может ошибаться при неоднозначных запросах, воспроизводить смещения и выдавать вредные или устаревшие ответы; для критически важных сценариев нужна проверка человеком. Для узкоспециализированных областей может потребоваться дополнительная настройка. Лицензия — MIT.

mermaidGPT — компактная англоязычная модель, разработанная Houzeric для генерации кода диаграмм Mermaid.js по запросам на естественном языке. Она построена на GPT-подобной архитектуре GPT-2 и доступна в форматах PyTorch и safetensors; для работы и дообучения используется Transformers. Модель предназначена для создания блок-схем, диаграмм последовательностей и других диаграмм Mermaid по текстовым описаниям, например схемы взаимодействия пользователя с сервером. Вход — текст на английском языке, выход — текстовый код Mermaid. Репозиторий связан с датасетом Celiadraw/text-to-mermaid. Лицензия — MIT. Модель заявлена как небольшая и пригодная для запуска и обучения на одной GPU. Точные размер модели и длина контекста в предоставленных данных не указаны. Качество генерации, включая корректность Mermaid-кода для сложных запросов, может зависеть от формулировки запроса; подтверждённых оценок качества в карточке нет.

Llama3-DocChat-1.0-8B-GGUF — это квантизированная GGUF-версия языковой модели Llama3-DocChat-1.0-8B, разработанной Cerebras. Модель предназначена для генерации текста и диалога по содержимому документов, включая сценарии document chat. Указан английский язык. Базовый размер модели — 8B параметров; доступны варианты от F16 до различных форматов квантизации Q8, Q6, Q5, Q4, Q3 и Q2. Квантизация выполнена bartowski с использованием llama.cpp и imatrix, поддерживается запуск в LM Studio и через совместимые инструменты llama.cpp. Главное преимущество — широкий выбор вариантов с разным соотношением качества, размера и требований к оперативной памяти: версии Q6 и Q5 обеспечивают очень высокое качество, Q4 предлагают более компактный компромисс, а некоторые варианты Q4_0 оптимизированы для ARM и CPU-инференса. Ограничения README не раскрывает: не указаны размер контекста, результаты сравнительных тестов, поддержка дополнительных языков или мультимодальных входов. Лицензия обозначена как other, но её конкретные условия не приведены, поэтому перед использованием необходимо проверить лицензию исходной модели Cerebras.

Mermaid-Llama-3-8B — дообученная языковая модель TroyDoesAI на архитектуре Llama 3 с 7,5 млрд параметров. Она предназначена для автодополнения, понимания Python-кода и генерации диаграмм Mermaid по коду, текстовым инструкциям и сюжетам: диаграммы могут показывать логику программ, последовательность шагов, развитие сюжета и связи между персонажами. В качестве обучающих данных автор указывает 800 вручную отобранных примеров диаграмм Mermaid и 478 полноценных программ на Python. Модель принимает текст и генерирует текст диаграмм Mermaid. Указанная в карточке длина контекста — 8192 токена; при обучении использовалась длина отсечения 4096 токенов. Автор рекомендует использовать модель как автодополнение и предупреждает, что обычный диалог может давать бессвязные ответы: чатовые слои были изменены или удалены. Заявление о превосходстве над GPT-4 приводится автором, но независимых подтверждений в карточке нет. Лицензия — CC BY 4.0.

Qwen2.5-14B-Instruct-1M — плотная авторегрессионная языковая модель семейства Qwen2.5, разработанная командой Qwen. Она предназначена для диалогов и генерации текста, включая обработку очень длинных документов и контекстов. Модель содержит около 14 млрд параметров; архитектура Qwen2 использует RoPE, SwiGLU, RMSNorm и групповое внимание с 40 головами Q и 8 головами KV. Заявленная длина контекста достигает 1 010 000 токенов, а генерация — до 8192 токенов. Для эффективного инференса на длинных последовательностях разработчик рекомендует специальную ветку vLLM с разреженным вниманием и методами экстраполяции длины; для обработки миллиона токенов версии 14B требуется не менее 320 ГБ видеопамяти суммарно. На обычном стеке Qwen2.5 возможна потеря точности при длине свыше 262 144 токенов. Модель основана на Qwen/Qwen2.5-14B и дообучена; лицензия Apache-2.0. Метаданные указывают английский язык, поэтому поддержка других языков здесь не заявляется.

Zephyr RTOS documentation embeddings — модель эмбеддингов предложений, созданная путём дообучения eoinedge модели sentence-transformers/all-MiniLM-L6-v2 на документации Zephyr RTOS. Она предназначена для семантического поиска и извлечения релевантных фрагментов из этого корпуса, например для подбора разделов документации по запросу. Модель основана на архитектуре BERT, содержит 25,9 млн параметров, принимает текст и выдаёт векторы; максимальный контекст — 512 токенов. Поддерживает английский язык. Для обучения использованы 6 079 пар «заголовок раздела — его текст» и MultipleNegativesRankingLoss. В описанной авторами оценке recall@5 вырос с 0,63 у базовой модели до 0,86 у дообученной. Модель адаптирует поисковый энкодер, а не генерирует ответы и не обучает генеративную модель знаниям о Zephyr RTOS. Лицензия — Apache-2.0.

Arc53/docsgpt-7b-falcon — языковая модель на архитектуре Falcon, разработанная для ответов на вопросы по документации. Она дообучена методом LoRA на базе falcon-7b-instruct на 50 тысячах примеров и рассчитана на сценарии, где найденные документы передаются модели в контексте: например, для помощи разработчикам и технической поддержки. Модель генерирует текст в формате «вопрос — контекст — ответ». В метаданных указаны 10,9 млрд параметров, библиотека Transformers, формат safetensors и английский язык. Лицензия Apache-2.0 допускает коммерческое использование. Описание не приводит результатов бенчмарков: они ещё готовятся, поэтому качество модели не подтверждено опубликованными оценками.

AlexStamp/marian-finetuned-kde4-en-to-fr — модель машинного перевода на архитектуре MarianMT, дообученная на параллельном англо-французском корпусе локализации KDE4. Она предназначена для перевода строк интерфейса, сообщений об ошибках и документации программного обеспечения с английского на французский, а также технических текстов, где важны единообразная терминология и формальный стиль. Модель принимает обычный английский текст без префикса задачи и выдаёт французский перевод; контекст — до 512 токенов. На проверочной части KDE4 модель показала BLEU 53,0 против 39,3 у базовой модели, однако отдельная тестовая выборка для этого обучения не использовалась. Из-за специализации на локализации KDE4 она может чрезмерно формализовать разговорные фразы и хуже справляться с нетехническими текстами; в переводе могут встречаться HTML-сущности и лишние пробелы перед французской пунктуацией. Основа — Helsinki-NLP/opus-mt-en-fr, лицензия — Apache-2.0.

Triton VX Qwen3.5 2B — компактный ассистент Fabrix.ai / RDAF, разработанный на базе unsloth/Qwen3.5-2B и дообученный на технической документации, схемах и форматах цитирования Fabrix. После supervised fine-tuning модель прошла выравнивание предпочтений методом DPO, чтобы выдавать краткие ссылки на отдельные карточки базы знаний вместо длинных списков путей. Модель предназначена для поиска сведений в документации Fabrix и RDAF, подбора документации для настройки виджетов и дашбордов, создания сторибордов и работы с динамическими конвейерами. Это плотная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration, 2 млрд параметров, представленная в формате Safetensors с точностью float16 и лицензией Apache-2.0. Метаданные указывают поддержку диалогового режима и интерфейса вызова инструментов; карточка ориентирует модель на английский язык.

Elucidate — компактная языковая модель семейства Llama, опубликованная freshminttt. Это модель с плотной архитектурой для генерации текста и чат-сценариев; в метаданных указано 7,5 млрд параметров и контекст до 131 072 токенов. Автор описывает её как преобразующий слой: большая модель задаёт факты, аудиторию, тему и последовательность смысловых шагов, а Elucidate формулирует материал более естественным голосом и в выбранном стиле. Среди примеров стилей — терпеливое техническое объяснение, обучение через вопросы и аргументированное изложение. Модель рассчитана на локальное использование в интерфейсах между LLM и людьми: для объяснений, учебных материалов, обновлений о длительных задачах и писем. README рекомендует передавать ей спецификацию, а не готовый текст для простой перефразировки; автор отмечает, что оставленные без уточнений смысловые связи модель может додумывать. По заявлению автора, для надёжного результата обычно следует сгенерировать несколько вариантов и поручить большой модели финальную проверку и редактуру. Для указанных автором fp16-весов требуется около 18 ГБ оперативной памяти. В репозитории также описана 8-битная квантизация MLX: около 8 ГБ на диске и 11 ГБ оперативной памяти; по словам автора, она работает быстрее, но может чаще галлюцинировать. Лицензия — Llama 3.1. Заявления README о результатах детекторов AI-текста являются оценками автора, а не независимой гарантией качества.

Elio2151/Gemma-2-9B-Instruct-TechnicalAgentFineTuned-Merged_5 — дообученная чат-модель Elio2151 на архитектуре Gemma 2. В качестве основы использована unsloth/gemma-2-9b-it-bnb-4bit; модель обучали с использованием Unsloth и библиотеки TRL от Hugging Face. Модель предназначена для диалоговой генерации текста и может использоваться для ответов на вопросы, составления текстов и помощи в технических задачах. Она содержит около 9 млрд параметров, принимает текст и генерирует текст, поддерживает английский язык и имеет контекстное окно 8192 токена. В репозитории указаны веса safetensors. Модель распространяется по лицензии Apache 2.0. README не описывает конкретный набор обучающих данных, результаты оценки качества или специальные ограничения применения.