II.6Документация и сопровождение разработки

Карточка модели Elio2151/Gemma-2-9B-Instruct-TechnicalAgentFineTuned-Merged_6 на Hugging Face совпадает с карточкой Elio2151/Gemma-2-9B-Instruct-TechnicalAgentFineTuned-Merged_5, поэтому описание составлено по ней. 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.

NVIDIA-Nemotron-Labs-Teacher-Instruction-Following — большая языковая модель NVIDIA для точного следования инструкциям. Она предназначена как для самостоятельного применения, так и для роли модели-учителя при генерации обучающих данных и дистилляции. Модель особенно ориентирована на запросы с явными ограничениями по формату, длине, стилю и структуре ответа, включая заполнение схем и оценку соблюдения требований. Модель построена на гибридной архитектуре LatentMoE: в ней сочетаются слои Mamba-2, Mixture of Experts и отдельные слои внимания; Multi-Token Prediction поддерживает ускоренную генерацию. Всего модель содержит 550 млрд параметров, из которых 55 млрд активны. Метаданные указывают контекст 262 144 токена; README заявляет до 1 млн токенов. Поддерживаются английский, французский, испанский, итальянский, немецкий, японский, корейский, хинди, португальский и китайский языки; метаданные также перечисляют иврит и арабский. Модель принимает текстовые запросы и генерирует текст. По карточке, чекпойнт готов к коммерческому и некоммерческому использованию, однако лицензия в метаданных обозначена как other, поэтому перед использованием следует проверить условия лицензии в репозитории. Масштаб модели предполагает высокие требования к вычислительным ресурсам; README описывает многосерверное развертывание на оборудовании NVIDIA.

Модель snnh/paddleocr_vl_code_ocr — дообученная snnh на PaddleOCR-VL-1.6 модель для распознавания текста на скриншотах, связанных с разработкой. Она извлекает видимый текст из интерфейсов IDE, терминалов и отладчиков, включая код, конфигурации, логи, Traceback, Git diff, фрагменты документации и таблицы API, стараясь сохранять структуру и порядок элементов. Модель принимает изображение и формирует текстовый результат; в карточке указано 318,2 млн параметров, а метаданные задают контекст до 131 072 токенов. Обучение выполнено методом LoRA с последующим объединением весов; использовались 1102 обучающих примера. Модель опубликована под лицензией Apache-2.0. README приводит результат 58,4427 на версии 5.2 бенчмарка из 304 заданий, но предупреждает, что оценки разных версий бенчмарка, промптов и параметров генерации нельзя напрямую сравнивать. Сложные таблицы, длинные трассировки ошибок, интерфейсы с несколькими областями и вложенные конфигурации могут распознаваться с ошибками структуры или порядка чтения. Мелкий шрифт, размытые снимки и редкие символы снижают точность; результат может содержать пропуски, неверно распознанные знаки или повторы и требует проверки человеком. Модель предназначена для транскрипции, а не для генерации или исправления кода либо анализа безопасности.

rsl-ai/qwen_finetune_16bit — текстовая Sentence Transformer-модель, дообученная с помощью Unsloth на техническом датасете electroglyph/technical. Она преобразует предложения и абзацы в плотные векторы размерности 1024 и подходит для поиска по смыслу и извлечения релевантных документов. Сходство векторов можно оценивать косинусной мерой. Модель основана на unsloth/Qwen3-Embedding-0.6B; в карточке указана архитектура Qwen3 и около 507,6 млн параметров. README сообщает максимальную длину последовательности 512 токенов, тогда как метаданные указывают контекст 32 768 токенов. Для описанного сценария обучения использовались пары технических текстов на английском языке и MultipleNegativesRankingLoss. Модель принимает текст и выдаёт векторы; файлы представлены в формате safetensors. Лицензия в предоставленных данных не указана. Модель ориентирована на английские технические тексты, поэтому её качество для других языков и областей не подтверждено. Предел последовательности в README расходится с контекстом из метаданных; перед применением следует учитывать фактические ограничения используемой конфигурации.

Argos 2B — дообученная и объединённая с адаптером модель Fabrix AI на базе Qwen3.5-2B, предназначенная для диалогового поиска знаний Fabrix/RDAF, цитирования документации и подготовки наборов пользовательских виджетов для дашбордов. Модель обучалась методом supervised fine-tuning на базе знаний и рецептах виджетов, а затем была настроена с помощью Direct Preference Optimization (DPO), в частности для соблюдения формата ссылок на карточки базы знаний и порядка зависимостей виджетов. Это плотная модель архитектуры Qwen3.5ForConditionalGeneration с 2,3 млрд параметров, опубликованная в формате safetensors с 16-битными весами. Метаданные указывают поддержку чата и интерфейса вызова инструментов; языковая карточка указывает английский. Для примеров оценки в README заявлены 100% точности формата карточек на 22 примерах и 59,1% точного совпадения цитат на предпочтительных парах; это результаты описанных авторами оценок, а не гарантия качества в других сценариях. Лицензия — Apache-2.0.

Atom-Olmo3-7B — языковая модель VANTA Research для диалога и совместного решения задач. Она создана дообучением Olmo-3-7B-Instruct с помощью LoRA и ориентирована на итеративное обсуждение идей, структурированный анализ и понятные образовательные объяснения. Модель содержит 6,9 млрд параметров, использует архитектуру Olmo3 и формат Safetensors; для диалога доступны текстовые входы и выходы. В карточке указана рекомендуемая длина контекста 4096 токенов, тогда как метаданные каталога указывают native context в 65536 токенов. Модель подходит для мозговых штурмов, объяснения сложных понятий, обобщения исследований и структурирования решений. Она рассчитана прежде всего на английский язык и может отвечать чрезмерно подробно; скорость генерации, по заявлению карточки, ниже примерно в пять раз по сравнению с более компактными специализированными моделями. Модель наследует ограничения знаний и возможные смещения базовой модели, поэтому факты следует проверять. Лицензия Apache 2.0 допускает коммерческое использование.

MuXodious/gemma-4-26B-A4B-it-ARA-heresy — дообученная версия мультимодальной Gemma 4 26B A4B IT от Google DeepMind. Автор применил к базовой модели движок Heretic с Arbitrary-Rank Ablation, чтобы сократить число отказов; в карточке указаны 3 отказа из 104 проверок против 103 из 104 у исходной модели. Это диалоговая модель с архитектурой Gemma4, которая принимает текст и изображения и генерирует текст. Её можно использовать для визуальных вопросов и ответов, разбора документов и изображений, диалогов, программирования и рассуждений. README описывает возможности семейства Gemma 4, включая длинный контекст до 256 тысяч токенов и поддержку многих языков, однако не подтверждает отдельными данными, что все эти характеристики проверены именно для этой производной версии. Модель распространяется в формате Safetensors по лицензии Apache 2.0. Уменьшение отказов не гарантирует корректность ответов или пригодность для всех сценариев; результаты ограничены приведённой проверкой.

Mermaid-Llama-3-5B-Pruned — языковая модель на архитектуре Llama, разработанная TroyDoesAI для генерации Mermaid-диаграмм по коду и текстовым описаниям. Репозиторий содержит модель размером 4,9 млрд параметров в формате safetensors; заявленная длина контекста — 8192 токена. Модель обучалась на 800 примерах Mermaid-графов и 478 программах на Python с использованием LoRA. Модель предназначена для преобразования логики Python-кода, сюжетов и пошаговых инструкций в блок-схемы и другие Mermaid-диаграммы. Её можно применять для визуальной документации кода, сторибординга, планирования проектов и учебных материалов по Python. Автор рекомендует использовать её как модель автодополнения, а не для обычного диалога; также README предупреждает, что из-за изменения слоёв ответы в чате могут быть некачественными. Заявление о превосходстве над GPT-4 приводится автором без описания методики оценки. Лицензия — CC BY 4.0.

Mermaid-Llama-6.7B-RAG — плотная авторегрессионная модель семейства Llama от TroyDoesAI, дообученная с помощью LoRA для генерации диаграмм Mermaid и структурированных графов знаний. Она предназначена для преобразования фрагментов Python-кода, текстовых описаний и контекста из RAG в схемы потоков, графы связей и визуальные планы. README описывает формат контекстных запросов airoboros и рекомендует использовать модель как автодополнение, а не как обычный чат. В репозитории указаны 6,6 млрд параметров, контекст до 16 384 токенов и формат safetensors. Модель подходит разработчикам для визуализации логики кода, построения графов знаний для поиска по документам и преобразования повествований в схемы персонажей и сюжетных связей. Автор заявляет о снижении галлюцинаций и высокой точности диаграмм, однако независимые подтверждения заявлений о превосходстве над GPT-4 не приведены. Лицензия — CC BY 4.0.

MermaidMixtral-2x7b — экспериментальная языковая модель TroyDoesAI для генерации Mermaid-диаграмм по исходному коду и текстовым описаниям. Она основана на архитектуре Mixtral с причинным языковым моделированием и обучена за одну эпоху на синтетических примерах, созданных с помощью MermaidMistral 7B, MermaidSolar и набора данных с примерами диаграмм. Модель предназначена для построения схем потока кода, блок-схем, графов знаний и сценарных диаграмм. В README советуют начинать генерацию с `graph TB;` и отмечают, что качество зависит от формулировки запроса. Метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов; доступны веса в формате Safetensors. Карточка демонстрирует работу с текстовым вводом и генерацию кода Mermaid. Модель опубликована по лицензии CC BY 4.0. Это ранний эксперимент: README не приводит систематических оценок качества, а синтетические обучающие данные и один проход обучения могут ограничивать точность и полноту диаграмм. Результат стоит проверять на корректность синтаксиса и соответствие исходному коду.

MermaidStable3B — языковая модель TroyDoesAI для создания диаграмм Mermaid по исходному коду и текстовым описаниям. Она основана на архитектуре StableLM Epoch, содержит 2,7 млрд параметров и имеет контекст до 16 384 токенов. Модель принимает текст и генерирует текстовую разметку диаграмм Mermaid; в карточке описаны сценарии для кода, историй, планирования проектов, обучения Python и игрового дизайна. Модель дообучена на базе stable-code-3b, использует формат весов safetensors и, согласно README, лучше работает с инструкциями в формате Alpaca. Указанная лицензия CC BY-NC 4.0 разрешает использование с соблюдением её условий, включая ограничения на коммерческое применение. Это proof of concept; README не приводит количественных оценок качества, поэтому надёжность диаграмм для конкретных задач следует проверять отдельно.

Orion-14B-Chat-RAG — диалоговая модель OrionStarAI из семейства Orion-14B. Базовую серию обучили с нуля на многоязычном корпусе объёмом 2,5 трлн токенов; эта версия дообучена на специальном наборе данных для генерации с дополнением извлечёнными сведениями (RAG). Модель предназначена для ответов на вопросы по найденным документам и других сценариев, где ответ опирается на переданный контекст. Это плотная авторегрессионная языковая модель с 14,1 млрд параметров и контекстным окном 4096 токенов. В README заявлена поддержка китайского, английского, японского и корейского языков; метаданные также отмечают возможности работы с кодом. Репозиторий содержит веса PyTorch. Для применения в RAG необходимо организовать поиск и передавать модели извлечённый контекст; сама карточка не описывает встроенный поисковый индекс. Модель может быть полезна для многоязычных диалогов и генерации ответов с опорой на документы. README заявляет высокую эффективность в задачах RAG, но не приводит в предоставленном фрагменте конкретных результатов оценки этой версии. Лицензия в предоставленных данных не указана.

t5-small-github-repo-tag-generation — модель nandakishormpai для генерации тегов GitHub-репозиториев по тексту README. Это дообученная версия T5-small, которая формулирует подбор тегов как генерацию текста, а не как многометочную классификацию. Модель принимает очищенный текст README и выдаёт текст с тегами; в примере использования исходный ввод задаётся URL репозитория, после чего README очищается и подаётся модели. Для очистки и обработки результата автор приводит код на базе Transformers и BeautifulSoup. Модель обучена на 870 README с тегами из набора Kaggle/vatsalparsaniya/github-repositories-analysis. Архитектура — T5ForConditionalGeneration, размер — 38,5 млн параметров, контекст — до 512 токенов. Карточка приводит метрики на оценочной выборке: ROUGE-1 25,01, ROUGE-2 8,18 и ROUGE-L 22,77. Результаты могут содержать дублирующиеся теги, которые следует удалять постобработкой. Лицензия — Apache-2.0.

taidng/wikiser-bert-base — модель BERT для распознавания сущностей в текстах о программном обеспечении. Она дообучена на корпусе WikiSER, включающем 1,7 млн предложений из Википедии, с применением саморегуляризации для устойчивости к ошибочной разметке и различным вариантам именования. Модель выполняет разметку токенов по 12 типам сущностей: алгоритмы, приложения, архитектуры, структуры данных, устройства, названия ошибок, общие понятия, языки программирования, библиотеки, лицензии, операционные системы и протоколы. Она основана на bert-base-cased, содержит 135,5 млн параметров и обрабатывает контекст длиной до 512 токенов. Для запуска используются Transformers, PyTorch и веса Safetensors. Модель предназначена для извлечения и классификации упоминаний программных сущностей в технических текстах. Карточка не описывает её точность и не приводит готового кода или ссылки на статью. Лицензия — Apache-2.0.

digest-sft2 — компактная языковая модель на архитектуре Llama, созданная автором usr-wwelsh полным дообучением SmolLM2-135M-Instruct. Она преобразует сведения о коммитах GitHub за день в краткую сводку для журнала разработчика; модель рассчитана на локальный запуск на CPU без API-ключей и облачных сервисов. Дообучение проведено на 101 паре примеров «коммиты — сводка», включая реальные и синтетические дни. Контрольную точку выбрали по средней награде на отложенной оценке, учитывавшей формат, привязку к данным репозитория, полноту и повторы. Модель содержит 134,5 млн параметров, принимает текст и имеет контекст длиной 8192 токена. README описывает базу как SFT-чекпойнт; следующий этап GRPO/RLVR на момент публикации ещё выполнялся. Для жадной генерации требуется штраф за повторы не ниже 1,05, иначе возможны циклы. Лицензия — Apache-2.0.

Mermaid-Llama-3-6B-Pruned — языковая модель TroyDoesAI для генерации Mermaid-диаграмм по Python-коду, сюжетам и пошаговым инструкциям. Это плотная авторегрессионная модель семейства Llama с 5,8 млрд параметров; в README указано, что после обрезки в ней осталось 24 из 32 слоёв. Модель предназначена для автодополнения, а не для обычного диалога. Заявленные сценарии включают построение блок-схем по Python-коду, визуализацию сюжетных линий и создание схем процессов для планирования и обучения. README сообщает о дообучении на 800 вручную отобранных примерах Mermaid-графов и 478 программах на Python. Контекст составляет 8192 токена, формат весов — safetensors. Разработчик заявляет о высокой точности диаграмм, однако README не приводит независимых результатов оценки. Автор предупреждает, что ответы в обычном чате могут быть некорректными. Модель распространяется по лицензии CC BY 4.0.

TroyDoesAI/Phi-3-Context-Obedient-RAG — дообученная разговорная модель TroyDoesAI на базе microsoft/Phi-3-mini-128k-instruct, предназначенная для ответов по предоставленному контексту, в том числе в сценариях RAG, с акцентом на соблюдение источников и снижение галлюцинаций. Модель принимает текстовые блоки и инструкции; для связывания фрагментов с метаданными в карточке описан формат с разделителями BEGININPUT, BEGINCONTEXT и ENDINSTRUCTION. По метаданным это плотная causal language model семейства Phi-3 с 3,7 млрд параметров и контекстным окном 4096 токенов. Указаны чат-возможности и формат safetensors. Карточка описывает настройку на одиночные вопросы, ответы в виде абзацев и списков; практическое назначение — формирование ответов на основе переданных документов и контекста. Лицензия в метаданных — CC BY-SA 4.0, а в README указана CC BY 4.0, поэтому сведения о лицензии противоречат друг другу и требуют проверки перед использованием. README не приводит результатов оценки качества; следование контексту и снижение галлюцинаций заявлены как цель дообучения, а не как гарантированное свойство.

SciPhi-Mistral-RAG-Hermes-7B-32k — языковая модель на архитектуре Mistral, созданная как слияние модели SciPhi/SciPhi-Self-RAG-Mistral-7B-32k с помощью LazyMergekit. Она предназначена для генерации текста и сценариев RAG, где модель формирует ответы на основе предоставленного контекста. Модель содержит 6,5 млрд параметров и поддерживает контекст до 32 768 токенов. Модель принимает текст и выдаёт текст. README и метаданные не уточняют поддерживаемые естественные языки и условия лицензии, поэтому конкретные языки и лицензионные условия здесь не приводятся.

T-lite-0.1 — языковая модель на 7,5 млрд параметров, разработанная T-Bank AI на основе архитектуры Llama и предназначенная для дальнейшего дообучения. Это модель продолженного предварительного обучения, ориентированная на генерацию текста на русском языке и создание русскоязычных приложений с учётом языкового и культурного контекста России. Модель принимает текст и генерирует текст; в карточке указаны поддержка чата и контекст до 8192 токенов. Архитектура — плотный декодер Llama с RMSNorm, SwiGLU, RoPE и grouped-query attention. Обучение проводилось в bf16; веса доступны в формате safetensors. В обучающих данных преобладает русский язык, также сохранена часть английских данных и увеличена доля кода. В опубликованной оценке модель превзошла Llama-3-8B по общему результату бенчмарка MERA, но авторы отмечают снижение результатов на английских тестах после адаптации к русскому языку. Модель не позиционируется как готовый разговорный помощник: для прикладного использования предполагаются дополнительное дообучение и контроль качества и безопасности ответов. Лицензия в предоставленных данных не указана.

fhai50032 выпустил Unaligned-Thinker-PHI-4 — разговорную языковую модель на базе Phi-4, дообученную методом SFT на наборе fhai50032/Unaligned-Thinking-o1. Модель предназначена для генерации текста в диалогах и ответов с рассуждениями; в карточке приведены примеры обсуждения алгоритмов и AGI. По метаданным это плотная модель с архитектурой LlamaForCausalLM, содержащая 14,1 млрд параметров и поддерживающая контекст до 16 384 токенов. Указаны язык английский и возможность чата. Модель опубликована в форматах PyTorch и safetensors по лицензии Apache-2.0. README сообщает параметры дообучения: три эпохи, глобальный размер пакета 8, скорость обучения 5e-4, LoRA с r=16 и alpha=16, cosine schedule и AdamW 8-bit с weight decay 0,01.

Crystalcareai/Gemma-COT — дообученная Crystalcareai модель семейства Gemma с плотной архитектурой GemmaForCausalLM и примерно 8,2 млрд параметров. Модель обучали в течение трёх эпох на датасете Crystalcareai/alpaca-gpt4-COT, поэтому она предназначена для генерации текста с рассуждениями в стиле chain-of-thought и ответов на инструкции.

BarraHome разработала англоязычную модель эмбеддингов для семантического поиска по технической документации, особенно по корпоративной инфраструктуре и виртуализации. Это дообученная на базе BAAI/bge-base-en-v1.5 модель Sentence Transformers с архитектурой BERT, примерно 136,7 млн параметров по метаданным. Она преобразует текстовые запросы и документы в плотные 768-мерные векторы для поиска и сравнения по косинусному сходству. Максимальная длина последовательности — 512 токенов. Модель предназначена для поиска по базам знаний технической поддержки, корпоративного поиска и использования в RAG-системах; README сообщает об улучшении полноты поиска на тестовом наборе технических запросов относительно базовой модели. Она ориентирована на английский язык и техническую документацию, поэтому качество на других языках и в общих текстовых задачах не гарантируется. Лицензия — MIT.

Это специализированная версия Whisper-large-v3-turbo Russian от coriollon для распознавания русской речи с английскими техническими терминами и переключением между русским и английским языками. Модель предназначена для IT-диктовки, технических подкастов и других разговоров, где названия инструментов и брендов должны оставаться в латинской записи. В карточке указано 905,2 млн параметров; архитектура — Whisper для распознавания речи. Также доступна предварительно сконвертированная версия для faster-whisper с весами int8 и вычислениями fp16. По заявленным результатам на тесте из 540 русских фраз с английскими техническими терминами модель показала WER 9,08% и точность записи терминов 74,26%. Дообучение выполнено с помощью LoRA на синтетических русских аудиоданных с английскими терминами и примеров на русском и английском языках. Для обычной русской диктовки автор рекомендует исходную русскую версию: у этой модели качество на ряде чисто русских тестов ниже. Редкие технические термины могут распознаваться кириллицей; синтетическая речь в обучении может отличаться от произношения людей. Лицензия — Apache-2.0.

Gemma3.5-48B-A4B-Q4_K_M — созданная сообществом модель для диалогов и следования инструкциям, опубликованная XxACCOxX в формате GGUF. Она объединяет поведение Gemma 3 27B с базовой архитектурой Gemma 4 26B A4B: к исходным экспертам Gemma 4 добавлен банк экспертов, полученный дистилляцией активаций Gemma 3. В модели 48,1 млрд параметров, из которых на один токен задействуется около 3,8 млрд; используется 8 экспертов из 256. Контекст составляет 262 144 токена, квантование — Q4_K_M. Модель предназначена для локального общения в режиме прямых ответов, решения математических задач, технических запросов и вопросов на общие знания. Автор приводит результат 63,21% на подвыборке MMLU-Pro из 280 заданий без режима рассуждений; это результат описанного теста, а не гарантия качества для других задач. Для запуска предназначены стеки локального инференса, например llama.cpp и Ollama. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

trohrbaugh/Qwen3.8-Flash-Next-heretic-2 — производная версия Qwen3.8-Flash-Next, представленная как разговорная модель с открытыми весами. Это причинная языковая модель с визуальным энкодером и поддержкой обработки изображений вместе с текстом; метаданные относят её к архитектуре Qwen4Exp. Модель содержит 125 млрд параметров, из которых активируются 6 млрд, а также 51 млрд параметров n-граммных эмбеддингов и 4 млрд параметров MTP. В README указаны гибридное внимание с Qwen Sparse Attention и Gated DeltaNet, MoE с 512 экспертами и нативный контекст 262 144 токена с расширением до 1 млн. Модель предназначена для диалогов, визуально-языковых запросов и агентных сценариев с длинным контекстом, включая работу с изображениями, документами и программными задачами. README описывает базовую Qwen3.8-Flash-Next и её тестирование в агентных и визуальных бенчмарках, но не приводит отдельной оценки именно этой производной версии. Теги heretic, uncensored, decensored и abliterated указывают на модификацию ограничений поведения, однако конкретная методика изменений не описана. В репозитории указаны веса Safetensors и библиотека Transformers. Лицензия обозначена как other, поэтому условия использования следует сверить с карточкой и лицензией базовой модели перед применением.

eoinedge/ros2-docs-embeddings — англоязычная модель эмбеддингов, дообученная на документации ROS 2 и предназначенная для поиска релевантных фрагментов в этом корпусе. Это плотный BERT-энкодер на базе sentence-transformers/all-MiniLM-L6-v2 с 25,9 млн параметров и контекстом до 512 токенов. Модель принимает текст и выдаёт векторы для семантического поиска и сравнения предложений. При дообучении использованы 4 507 пар «заголовок раздела — текст раздела» и MultipleNegativesRankingLoss. На отложенных парах recall@5 вырос с 0,565 у базовой модели до 0,8225. Модель рассчитана на поиск по документации ROS 2 и может использоваться как компонент retrieval/RAG-систем; она сама не генерирует ответы и не обучает генератор писать код ROS 2. Обучение проведено за одну эпоху с одним seed, без подбора гиперпараметров; оценка соответствует цели обучения. Лицензия — Apache-2.0.

Smol-Hub-tldr — компактная языковая модель, разработанная Davan Strien на основе HuggingFaceTB/SmolLM2-360M. Модель дообучена методом supervised fine-tuning и предназначена для создания кратких однопредложных резюме карточек моделей и датасетов Hugging Face Hub, чтобы быстро понять их назначение и основные характеристики. Модель принимает текст карточки и генерирует текстовое резюме. В обучении использовались резюме карточек, созданные Llama 3.3 70B; в README рекомендуется применять chat template и передавать основную часть карточки без YAML-заголовка. Хотя нативный контекст составляет 8192 токена, при обучении использовались карточки длиной до 2048 токенов. Модель содержит 361,8 млн параметров, использует архитектуру Llama и формат safetensors. Резюме также можно использовать как исходный текст для построения эмбеддингов и семантического поиска. Модель сфокусирована на карточках Hugging Face и не предназначена для универсального суммирования произвольных документов. Лицензия — MIT.

Codetulu 2 13B — англоязычная модель-помощник, разработанная AllenAI. Это плотная авторегрессионная модель семейства Llama с 12,9 млрд параметров, дообученная на базе codellama/CodeLlama-13b-hf на смеси общедоступных, синтетических и созданных людьми инструкций и диалогов Tulu V2. Модель работает с текстом и поддерживает контекст до 8192 токенов. Модель предназначена для генерации ответов на инструкции и ведения диалогов, а также может использовать возможности базовой CodeLlama при работе с кодом. Для генерации следует подавать текст в формате, описанном в карточке модели, включая завершающий перевод строки. Модель преимущественно рассчитана на английский язык. Модель выпущена под лицензией AI2 ImpACT Low-risk. В карточке отмечено, что модель не прошла выравнивание безопасности на этапе RLHF и не использует фильтрацию ответов во время работы, поэтому может выдавать проблемный контент, особенно в ответ на соответствующие запросы.

TroyDoesAI/Context-Obedient-Tri-MoE — разговорная модель, дообученная TroyDoesAI на базе TroyDoesAI/BlackSheep-4B. Она предназначена для генерации ответов с опорой на предоставленный контекст и инструкции, в том числе в сценариях RAG, где важно уменьшить нерелевантные ответы и галлюцинации. В README описан шаблон с отдельными блоками для контекста, запроса и инструкции; также заявлена повышенная приверженность контексту, в том числе в ситуациях с ограничениями на ответ. Модель использует архитектуру Mixtral MoE, содержит 4,6 млрд параметров и рассчитана на контекст до 16 384 токенов. Основной язык карточки — английский. Модель принимает текст и генерирует текст; для запуска указана библиотека Transformers и формат PyTorch. Лицензия — Artistic-2.0. README описывает шаблон и заявленное поведение, но не приводит количественных оценок качества или подтверждённых тестов снижения галлюцинаций. Следование контексту зависит от качества исходных данных и шаблона; заявленная возможность обходить механизмы отказа также означает, что модель может менее надёжно соблюдать ограничения безопасности.

GPT-OSS-Nano — компактная языковая модель с архитектурой Mixture of Experts, опубликованная пользователем squ11z1 и дообученная на базе openai/gpt-oss-20b. Модель ориентирована на пошаговое рассуждение и решение задач, включая математические вопросы, объяснение концепций и общий текстовый диалог. Для обучения использовались QLoRA, Unsloth и TRL на наборе Superior-Reasoning с примерами цепочек рассуждений. Модель содержит около 9 млрд параметров, из которых примерно 3 млрд активируются на каждом проходе. Архитектура включает 12 экспертов, 4 активных эксперта на токен, 24 слоя, скрытое измерение 2880, 64 attention heads с 8 KV-головами и GQA. Заявлена поддержка контекста до 131 072 токенов и точности BFloat16. Основной язык — английский; качество на других языках может варьироваться. Доступны форматы GGUF для локального запуска через llama.cpp и Ollama, а также интеграция с Transformers и 4-битной загрузкой через Unsloth. Сильными сторонами модели являются относительно экономичное разреженное вычисление, большой контекст и специализация на пошаговом reasoning. Ограничения включают преимущественно англоязычную оптимизацию, риск правдоподобных ошибок и непригодность для критически важных сценариев без дополнительной проверки. Модель распространяется по лицензии Apache-2.0.