II.6Документация и сопровождение разработки

Llama-3-8B-Instruct-Gradient-4194k-GGUF — это версия модели Llama-3-8B-Instruct-Gradient-4194k в формате GGUF, конвертированная с помощью llama.cpp через сервис GGUF-my-repo. Конкретный автор конвертации — leafspark; исходная модель разработана Gradient AI. Модель предназначена для генерации текста и диалоговых сценариев, а запускать её можно с помощью llama.cpp. Это текстовая instruct-модель на базе архитектуры Llama 3 с размером 8 млрд параметров. README указывает английский язык и не сообщает о поддержке других языков или мультимодальности. Доступны варианты с разной степенью квантования — от F16 размером 14,9 ГБ до Q2_K размером 2,95 ГБ; рекомендуются Q6_K и Q4_K_M как варианты, сочетающие качество и экономию памяти. Заявленное контекстное окно составляет 4194k, однако в квантованных версиях его настройка описана как проблемная и требует параметров RoPE. Сильными сторонами являются широкий выбор квантованных вариантов и возможность локального запуска, включая версии Q4 и выше с заявленным хорошим качеством. Ограничения включают возможные проблемы с форматом prompt, необходимость использовать формат Llama 3, а также появление в выводе токенов EOS, например </s>. Модель распространяется по лицензии llama3; условия исходной модели следует уточнять в её оригинальной карточке.

MaziyarPanahi/Llama-3-8B-Instruct-v0.4-GGUF — это набор файлов модели в формате GGUF для MaziyarPanahi/Llama-3-8B-Instruct-v0.4. Модель разработана и квантована MaziyarPanahi и предназначена для генерации текста и диалоговых сценариев на основе инструкций. Модель относится к семейству Llama 3 и имеет размер 8B параметров, что указано в её названии. Доступны варианты квантования с разрядностью от 2 до 8 бит, поэтому можно выбирать баланс между качеством, размером файлов и требованиями к памяти. Формат GGUF поддерживается llama.cpp и рядом локальных инструментов, включая llama-cpp-python, LM Studio, text-generation-webui, KoboldCpp, GPT4All и другие решения. К сильным сторонам относятся локальный запуск, широкий выбор уровней квантования и совместимость с популярной экосистемой GGUF. README не содержит сведений о поддерживаемых языках, длине контекста, точной архитектуре, результатах оценки, системных требованиях или лицензии, поэтому эти характеристики нельзя достоверно определить по представленным данным.

QuantFactory/Llama-3-8B-WizardLM-196K-GGUF — это квантизированная версия модели Llama-3-8B-WizardLM-196K, созданная QuantFactory с использованием llama.cpp. Исходная модель основана на Meta Llama 3 8B и дообучена с применением Axolotl на наборе данных Leon-Leee/Wizardlm_Evol_Instruct_v2_196K_backuped. Модель предназначена для генерации текста и выполнения инструкций в сценариях, совместимых с causal language model. Архитектура модели — LlamaForCausalLM, размер — около 8 миллиардов параметров. В конфигурации обучения использовалась максимальная длина последовательности 8192 токена, однако точный поддерживаемый контекст квантизированной версии в README не указан. Данные о языках и мультимодальности отсутствуют; по описанию это текстовая, а не мультимодальная модель. Среди характеристик указаны дообучение в течение двух эпох и итоговая validation loss 0.6077, но результаты независимых тестов не приведены. Квантизация в формате GGUF может снизить требования к памяти и упростить локальный запуск через совместимые инструменты llama.cpp, однако конкретный уровень квантизации, размер файлов и требования к оборудованию не указаны. Ограничениями являются отсутствие подробных сведений о языковой специализации, фактическом размере контекста, точности на прикладных бенчмарках и возможных рисках поведения. Лицензия обозначена как llama3; условия её применения следует уточнять по лицензии исходной модели Meta Llama 3.

Llama-3-Base-Instruct-Slerp — диалоговая языковая модель Arcee AI, полученная слиянием Meta-Llama-3-8B и Meta-Llama-3-8B-Instruct методом SLERP с помощью mergekit. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров. Она предназначена для генерации текста и диалоговых ответов; заявленная длина контекста — 8192 токена. Модель принимает текст и выдаёт текст. Репозиторий распространяет веса в формате safetensors, лицензия — Apache-2.0. Слияние базовой и инструктивной версий объединяет их параметры, однако README не приводит оценок качества или результатов тестирования. Описание базовой модели указывает на английский язык; поддержка других языков не подтверждена.

llama-3-cat-8b-instruct-v1-GGUF — это квантизированная версия инструкционной текстовой модели llama-3-cat-8b-instruct-v1, опубликованной TheSkullery. Квантизация выполнена bartowski в формате GGUF с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и диалогового взаимодействия по инструкциям, включая локальный запуск через совместимые инструменты llama.cpp. Модель имеет размер 8 миллиардов параметров и поддерживает различные варианты квантизации от Q8_0 до IQ1_S. Доступны версии объёмом примерно от 2,16 до 8,54 ГБ; варианты Q6_K, Q5_K_M, Q5_K_S и Q4_K_M отмечены как рекомендуемые благодаря балансу качества и требований к памяти. Более компактные варианты позволяют запускать модель на системах с ограниченными ресурсами, но снижают качество. Поддерживается текстовая модальность; сведения о языках и размере контекста в представленном README не указаны. Для работы следует использовать формат промпта, основанный на специальной разметке Llama 3 с ролями system, user и assistant. Лицензия указана как llama3. README не содержит подробных результатов тестирования, описания исходного обучения или ограничений, специфичных для самой модели, поэтому её фактическое качество и языковые возможности требуют самостоятельной оценки.

Модель wilsonoey/llama3-grpo-rag-think — дообученная автором wilsonoey языковая модель семейства Llama 3 для генерации текста и диалогов. Она основана на wilsonoey/llama3-finetuned-rag-model-1 и рассчитана на англоязычные сценарии, включая работу с RAG. В карточке указано, что обучение выполнялось с помощью Unsloth и библиотеки TRL; архитектура — плотная LlamaForCausalLM с 7,5 млрд параметров и контекстом до 131 072 токенов. Модель может применяться для генерации ответов в диалоговом интерфейсе и формулирования ответов в RAG-сценариях. Репозиторий распространяется в формате Safetensors по лицензии Apache-2.0. Данных о специальных ограничениях качества или оценке модели в карточке нет.

Llama-3-Instruct-8B-SimPO-ExPO — диалоговая языковая модель на архитектуре Llama 3, созданная экстраполяцией весов SFT- и DPO/RLHF-чекпойнтов. В README указаны базовые модели princeton-nlp/Llama-3-Instruct-8B-SimPO и meta-llama/Meta-Llama-3-8B-Instruct; коэффициент экстраполяции ExPO составляет 0,3. Модель предназначена для генерации ответов в чате с улучшенным соответствием предпочтениям людей. Размер модели — 7,5 млрд параметров, контекст — 8192 токена. В карточке указана поддержка английского языка и лицензия Llama 3. В README сообщается о результатах оценки на AlpacaEval 2.0 и MT-Bench, включая небольшое улучшение относительно исходного SimPO-чекпойнта на AlpacaEval 2.0. Эти результаты относятся к указанным бенчмаркам и сами по себе не гарантируют качество на других задачах.

Llama-3-Instruct-8B-SimPO-GGUF — набор GGUF-квантизаций модели Llama-3-Instruct-8B-SimPO, разработанной Princeton NLP и квантизированной bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и диалоговых сценариев, включая работу через llama.cpp и совместимые инструменты локального запуска. Модель содержит около 8 млрд параметров и доступна в вариантах квантизации Q8_0, Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S, IQ4_NL, IQ4_XS и других, с размером файлов примерно от 2,16 до 8,54 ГБ. Старшие варианты обеспечивают более высокое качество, а младшие позволяют снизить требования к оперативной памяти ценой заметной потери качества. Для общения в README приведён шаблон с ролями system, user и assistant, однако автор предупреждает, что он может не соответствовать исходной модели. Сильной стороной набора является широкий выбор компромиссов между качеством, размером и требованиями к памяти; варианты Q6_K и Q5_K_M рекомендованы как близкие к исходному качеству, а IQ-квантизации могут обеспечивать сопоставимое качество при меньшем размере. Ограничения включают возможное ухудшение результатов на низких уровнях квантизации и отсутствие в README сведений о поддерживаемых языках, размере контекста и лицензии.

skyai798/llama-dpo-r1 — дообученная языковая модель семейства Llama, созданная на основе skyai798/llama-cot-sft-seed99. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и формат весов safetensors; для работы указана библиотека Transformers. Заявленная длина контекста — 131072 токена. Модель предназначена для генерации текста и диалогового взаимодействия. README указывает, что её дообучили на наборе safe_40000_helpful_40000; метаданные также отмечают интерфейс вызова инструментов. Подробности о качестве, конкретных сценариях применения и языковом покрытии в доступной карточке не приведены. Лицензия обозначена как other, поэтому условия использования следует проверять в файлах репозитория.

LLaMAX2-7B — многоязычная базовая языковая модель, созданная командой LLaMAX путём продолжения предобучения Llama 2. Модель содержит 6,6 млрд параметров, использует архитектуру Llama и доступна в формате Safetensors. Она поддерживает более 100 языков и предназначена для генерации текста и дообучения под многоязычные задачи. Контекст модели — 4096 токенов. Модель рассчитана на использование в качестве основы для прикладных решений, включая многоязычные задачи рассуждения, здравого смысла и вывода на естественном языке. В базовой версии нет способности следовать инструкциям; для этого в карточке отдельно упомянуто дообучение на Alpaca. Модель распространяется по лицензии MIT.

Это дообученная модель KKHYA на базе KKHYA/llavaqwen3-1.7b-finetune. Она использует архитектуру LlavaQwen3ForCausalLM и содержит 1,7 млрд параметров. Модель предназначена для генерации текста и диалогов; метаданные также отмечают интерфейс вызова инструментов. Контекстное окно составляет 40 960 токенов. Модель принимает текст и, с учётом семейства Llava, может работать с изображениями; описание карточки не раскрывает детали этой возможности или обучения. Данные README не уточняют обучающий датасет, сценарии применения и результаты оценки. Лицензия — Apache-2.0.

Это дообученная модель KKHYA на 1,7 млрд параметров, созданная на основе KKHYA/llavaqwen3-1.7b-finetune. Она использует архитектуру MaskMoELLaVAQwen3ForCausalLM и предназначена для генерации текста и диалогов; метаданные также отмечают интерфейс вызова инструментов. Модель загружается в форматах PyTorch и Safetensors и поддерживает контекст до 40 960 токенов. Модель опубликована под лицензией Apache-2.0. Датасет дообучения, результаты оценки и специальные ограничения в карточке не описаны, поэтому качество на конкретных задачах и надёжность вызова инструментов по имеющимся сведениям оценить нельзя.

Это экспериментальная дообученная модель KKHYA на базе KKHYA/llavaqwen3-1.7b-finetune. Она содержит 1,7 млрд параметров и предназначена для генерации текста и диалогов; метаданные также указывают интерфейс вызова инструментов. Модель использует архитектуру NMMaskMoELLaVAQwen3ForCausalLM и доступна в форматах PyTorch и safetensors. Модель принимает текст и выдаёт текст. Для неё указан контекст до 40 960 токенов; исходная модель относится к семейству Qwen3. Датасет дообучения неизвестен, поэтому специализацию и качество для конкретных областей установить нельзя. Лицензия — Apache-2.0.

Это дообученная модель KKHYA на основе KKHYA/llavaqwen3-1.7b-finetune, предназначенная для генерации текста и диалогов. Она содержит 1,7 млрд параметров, использует архитектуру NMMaskMoELLaVAQwen3ForCausalLM и рассчитана на контекст до 40 960 токенов. Модель доступна в форматах PyTorch и safetensors и поддерживает интерфейс вызова инструментов. Модель можно применять для генерации ответов и ведения диалогов. Датасет дообучения в карточке не описан, поэтому специализацию и качество на конкретных задачах установить нельзя. Лицензия — Apache-2.0.

Это дообученная модель KKHYA на базе KKHYA/llavaqwen3-1.7b-finetune с 1,7 млрд параметров. Она предназначена для генерации текста и диалогового взаимодействия; в метаданных также заявлен интерфейс вызова инструментов. Архитектура указана как NMMaskMoELLaVAQwen3ForCausalLM, веса доступны в форматах PyTorch и safetensors, библиотека для работы — Transformers. Модель принимает текст и генерирует текст, поддерживает контекст до 40 960 токенов. Данные обучения, языковой охват и результаты оценки не описаны. Репозиторий распространяется по лицензии Apache-2.0.

Это дообученная модель KKHYA/llavaqwen3-1.7b-finetune с архитектурой NMMaskMoELLaVAQwen3ForCausalLM. Она содержит 1,7 млрд параметров и предназначена для генерации текста и диалогов; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и выдаёт текст, а её контекст составляет до 40 960 токенов. Модель опубликована в форматах PyTorch и Safetensors под лицензией Apache-2.0. README не приводит сведений о датасете, специальных сценариях обучения или оценках качества, поэтому возможности и ограничения за пределами генерации текста и диалога не определены.

Это дообученная модель IBM Granite 3.3 2B Instruct, опубликованная пользователем logan7000. Модель основана на плотной архитектуре GraniteForCausalLM и содержит 2,5 млрд параметров; для запуска указана библиотека Transformers. Она предназначена для генерации текста в диалоговом формате и ответов на пользовательские запросы. Модель обучалась с помощью TRL; в метаданных также отмечен GRPO. Контекстное окно составляет 131 072 токена. В карточке приведён пример диалогового запроса, но специальных областей применения и поддерживаемых языков не заявлено. Лицензия в предоставленных данных не указана.

Lucie-7B — предобученная авторегрессионная языковая модель, разработанная LINAGORA и OpenLLM-France. Она построена на плотной архитектуре семейства Llama и содержит около 6,7 млрд параметров. Модель обучалась предсказывать следующий токен на 3 трлн токенов многоязычных данных; репозиторий содержит веса в формате safetensors. Модель предназначена для генерации и продолжения текста, включая дополнение предложений и примеры ответов на вопросы. Основные языки обучения — французский и английский; также в обучающих данных представлены немецкий, испанский и итальянский, а также языки программирования. Длина контекста составляет 32 000 токенов. Для запуска на GPU в README приводится ориентир от 6 ГБ видеопамяти при 4-битной квантизации или 16 ГБ без неё. Lucie-7B — базовая предобученная модель, а не специализированный чат-ассистент; качество ответов и следование инструкциям могут быть ограничены. Разработчики предупреждают, что в обучающих данных могли встречаться токсичные или оскорбительные строки. Лицензия — Apache-2.0.

Magnum-Instruct-DPO-12B — слитая модель для генерации текста и диалогов, опубликованная ParasiticRogue. Она объединяет варианты моделей, прошедшие дополнительное обучение DPO или ORPO; автор описывает состав как примерно равновесное слияние и отмечает, что сравнительных испытаний пока не проводил. В основе лежит архитектура MistralForCausalLM с 12,1 млрд параметров, модель предназначена для запуска через Transformers и использует формат safetensors. В карточке указан контекст до 1 024 000 токенов. Модель подходит для диалогов, ролевых сценариев и генерации ответов по инструкциям. Для общения в README приведён формат запросов Nemo-Mistral; автор также предлагает настройки генерации. Доступны производные квантизованные сборки EXL2 и GGUF. Модель распространяется по лицензии Apache-2.0. Автор сообщает только об ограниченном личном тестировании и не утверждает, что слияние превосходит исходные модели. Поэтому качество для конкретных сценариев следует оценить самостоятельно.

Majuli 3.1 — мультимодальная модель формата GGUF, созданная tripplet-research и квантованная mradermacher на основе tripplet-research/majuli3.1. Модель относится к семейству Gemma 3 и предназначена для генерации текста, диалогового взаимодействия, творческих задач и roleplay-сценариев. Модель поддерживает текстовые и визуальные входные данные, то есть может использоваться в задачах image-text-to-text. В карточке заявлены английский и русский языки, совместимость с Transformers и text-generation-inference, а также возможность работы через совместимые endpoints. Точный размер исходной модели и объём контекстного окна не указаны. Для обработки изображений могут потребоваться отдельные файлы mmproj из статического репозитория. Репозиторий предоставляет множество вариантов imatrix-квантизации с размерами примерно от 6,8 до 23,4 ГБ. Более компактные варианты требуют меньше ресурсов, но могут заметно уступать по качеству; в README отдельно отмечены низкое качество некоторых конфигураций и рекомендации по отдельным вариантам, включая i1-Q4_K_M и i1-Q4_K_S. Качество, скорость и требования к памяти зависят от выбранного типа квантизации. Модель распространяется по лицензии Apache-2.0.

makeitwork-1 v13 — дообученная модель Akahsizrr для поиска информации в кодовых базах. Это декодерный трансформер Retriever500M в стиле LLaMA примерно с 497 млн параметров, обученный выполнять многошаговый поиск по запросам на естественном языке и работать с интерфейсом вызова инструментов поиска. Модель разбивает запрос на подзапросы, анализирует результаты поиска и при необходимости уточняет поиск, затем возвращает найденный фрагмент кода, путь к файлу и имя символа. Она рассчитана на точечный поиск определений, типов и функций, а также на расплывчатые и косвенные запросы, связанные с вызовами или поведением кода. В README приведена оценка точности поиска 92% на тестовом наборе из 50 запросов по 20 репозиториям; описаны отдельные случаи, когда модель пропускает дополнительный шаг поиска или ошибается в похожем имени символа. Для работы требуется внешняя система поиска по кодовой базе, которая предоставляет результаты модели через специальный формат взаимодействия. Метаданные указывают формат safetensors и язык en; лицензия в предоставленных данных не указана.

Malvos-7B-Instruct — плотная текстовая модель семейства Qwen2, разработанная SHIKARI2 и дообученная на unsloth/Qwen2.5-Coder-7B-Instruct-bnb-4bit. Репозиторий содержит веса Safetensors; для обучения использовались Unsloth и библиотека TRL. Модель предназначена для генерации текста в диалоговом формате и поддерживает интерфейс вызова инструментов. Модель насчитывает 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В метаданных указан английский язык. Лицензия — Apache-2.0. README не уточняет набор обучающих данных, специальные области применения или результаты оценки качества.

Карточка модели Kailune-AI/mamba-gpt-7b-v2 на Hugging Face совпадает с карточкой CobraMamba/mamba-gpt-7b-v2, поэтому описание составлено по ней. CobraMamba/mamba-gpt-7b-v2 — языковая модель для генерации текста, дообученная на базе mistralai/Mistral-7B-v0.1. В README приведены результаты оценки на задачах Open LLM Leaderboard, включая ARC и HellaSwag; модель предназначена для экспериментов и прикладных сценариев генерации текста. По метаданным это плотная архитектура MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов, доступная в форматах PyTorch и safetensors для Transformers. Модель принимает текст и генерирует текст; в карточке указан английский язык. Репозиторий распространяется по лицензии Apache-2.0. Ответы могут быть ошибочными или нерелевантными, а обучающие данные могут приводить к предвзятым или оскорбительным формулировкам; результаты следует проверять.

MarcMistral-7B — объединённая модель для генерации текста, созданная Flemming Miguel с помощью LazyMergekit. Она сочетает nfaheem/Marcoroni-7b-DPO-Merge и EmbeddedLLM/Mistral-7B-Merge-14-v0.5 методом SLERP; автор представляет её как эксперимент по поиску удачной основы для дальнейшего дообучения, сопоставляя качества моделей на бенчмарках MMLU и ARC. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и принимает контекст длиной до 32 768 токенов. Её можно применять для генерации текста и диалогового общения. Репозиторий содержит веса в формате Safetensors, лицензия — Apache-2.0. Это экспериментальный вариант слияния: README сообщает, что автор планирует сравнивать несколько подобных вариантов, пока тесты не выявят лучший. В карточке не приведены результаты бенчмарков или отдельные гарантии качества; поведение модели может отличаться от компонентов слияния.

Marcoroni 70B GGUF — это квантизированная версия большой языковой модели Marcoroni 70B, разработанной AIDC-ai-business и преобразованной в формат GGUF пользователем TheBloke. Модель основана на архитектуре Llama и предназначена для генерации текста по инструкциям, включая диалоговые и другие задачи обработки естественного языка. В карточке указано, что модель обучалась с использованием набора данных Open-Orca и поддерживает английский язык. Модель имеет около 70 миллиардов параметров; доступны варианты GGUF с разной разрядностью квантования — 2, 3, 4, 5, 6 и 8 бит, что позволяет выбирать компромисс между качеством, требованиями к памяти и скоростью работы. Формат поддерживается llama.cpp и рядом сторонних интерфейсов и библиотек, включая text-generation-webui, KoboldCpp, LM Studio, llama-cpp-python и candle, с возможностью CPU- и GPU-инференса. В качестве шаблона запросов используется формат Alpaca. К сильным сторонам относятся возможность локального запуска и широкий выбор уровней квантования. Ограничения включают высокие требования к ресурсам для 70B-модели, зависимость характеристик от выбранной квантованной версии и отсутствие в предоставленных данных сведений о размере контекста, мультимодальности и подробных результатах оценки. Указана лицензия CC BY-NC 4.0; кроме того, заявляется применимость условий лицензии Meta Llama 2, поэтому коммерческое использование может быть ограничено и требует проверки совместимости лицензий.

yudiwbs/marian-finetuned-kde4-en-to-id — модель машинного перевода на архитектуре MarianMT, созданная дообучением Helsinki-NLP/opus-mt-en-id на наборе данных KDE4. Она предназначена для перевода текстов с английского на индонезийский, в том числе текстов из домена KDE. Модель содержит 53,2 млн параметров, принимает последовательности длиной до 512 токенов и доступна в формате TensorFlow. В карточке приведены значения потерь на обучающей и валидационной выборках, но нет примеров переводов или показателей качества перевода. Модель распространяется по лицензии Apache-2.0.

Marv-Instruct — разговорная модель генерации текста, разработанная пользователем theplayboy117 путём дообучения unsloth/Qwen2.5-7B-Instruct-bnb-4bit. Она предназначена для диалогов и ответов на запросы; в метаданных также отмечен интерфейс вызова инструментов. Модель построена на плотной архитектуре Qwen2, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Для обучения использовались Unsloth и библиотека TRL от Hugging Face. Модель принимает текст и генерирует текст. В карточке указан английский язык. Модель распространяется по лицензии Apache-2.0. README не сообщает о результатах оценки качества или специализированной области применения, поэтому её возможности за пределами общего диалога и заявленного интерфейса инструментов не уточнены.

Marx-3B-V2 — языковая модель acrastt, созданная дообучением OpenLLaMA 3B V2 на датасете EverythingLM Data V2 в формате ShareGPT в течение двух эпох. Это плотная Llama-модель с 3,3 млрд параметров, предназначенная для генерации текста и диалоговых ответов по шаблону HUMAN/RESPONSE. Метаданные указывают на библиотеку Transformers и веса PyTorch в формате Safetensors; карточка также упоминает доступность вариантов квантования q4_1 в форматах GGML и GGUF. Модель подходит для диалоговых прототипов, генерации текста и ответов на запросы на английском языке. В карточке приведены результаты отдельных тестов рассуждения и commonsense: AI2 Reasoning Challenge — 44,03, HellaSwag — 72,92; эти показатели не описывают качество во всех сценариях. Контекст составляет 2048 токенов. Лицензия — Apache-2.0.

bergr7f/mathcoder-mistral-7B — объединённая языковая модель на архитектуре Mistral, созданная методом TIES с помощью mergekit. В основу слияния вошла mistralai/Mistral-7B-v0.1; также объединены WizardLM/WizardMath-7B-V1.1 и codellama/CodeLlama-7b-Instruct-hf. Модель предназначена для генерации текста с уклоном в математические задачи и программирование. Она содержит 7,1 млрд параметров, работает через библиотеку Transformers и поддерживает контекст до 32 768 токенов. В метаданных указана задача text-generation. Лицензия в предоставленных данных не указана. Поскольку модель объединяет несколько базовых моделей, условия использования следует сверять с лицензиями исходных компонентов. Данных о качестве на конкретных наборах задач нет.

cringoulique/maxprimodel — чат-модель для генерации текста, разработанная cringoulique и дообученная на IlyaGusev/saiga_llama3_8b. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров и контекстом до 8192 токенов, сохранённая в формате PyTorch. Для обучения использовались Unsloth и библиотека TRL. Модель предназначена для диалогов и ответов на инструкции на русском языке; базовая модель описана как русскоязычный чат-бот на основе Llama 3 8B Instruct. Лицензия — Apache-2.0. Карточка не приводит оценок качества или подробных результатов обучения.