II.6Документация и сопровождение разработки

DiffuLlama — модель генерации текста на архитектуре Llama, дообученная на базе meta-llama/Llama-2-7b-hf. В репозитории указано, что это fine-tune; метаданные сообщают о 6,6 млрд параметров и контексте до 4096 токенов. Модель использует библиотеку Transformers и сохранена в формате safetensors. Модель предназначена для генерации текста. В качестве обучающих данных указаны наборы StarCoderData и SlimPajama-627B, однако README не уточняет специализацию, методику дообучения или сравнительные результаты. Лицензия — Apache-2.0; базовая модель описана как англоязычная, но точный языковой охват этой версии не установлен.

DistilabelBeagle14-7B — языковая модель Argilla, дообученная на предпочтениях на основе mlabonne/Beagle14-7B. Она использует плотную архитектуру Mistral с 7,1 млрд параметров и предназначена для генерации текста и диалоговых ответов общего назначения. Контекстное окно составляет 32 768 токенов; модель рассчитана на английский язык. Дообучение использовало пары предпочтений Argilla Orca и многоходовый набор данных DPO. Модель опубликована в формате safetensors и подходит для экспериментов с генерацией текста и диалоговыми сценариями. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Это дообученная модель Grogros на архитектуре Llama 3.2: плотная языковая модель с 1,2 млрд параметров на базе meta-llama/Llama-3.2-1B-Instruct. Она предназначена для генерации текста и диалогового взаимодействия; в метаданных также отмечен интерфейс вызова инструментов. Заявленная длина контекста — 131 072 токена. Карточка не описывает датасет, цели дообучения, результаты оценки или особые сценарии применения, поэтому их нельзя определить. Модель распространяется в формате safetensors по лицензии Llama 3.2; перед использованием следует учитывать условия этой лицензии.

Это версия модели Dolphin 2.1 Mistral 7B в формате GGUF, подготовленная ddh0 из чекпойнта Eric Hartford. Веса конвертированы без квантизации и других изменений; исходная модель дообучена на базе dphn/dolphin-2.1-mistral-7b и предназначена для генерации текста, ответов на вопросы и выполнения инструкций в диалоговом режиме. Для практического использования GGUF позволяет запускать модель в совместимом локальном ПО. Базовая модель — англоязычная чат-модель на архитектуре Mistral с 7 млрд параметров и контекстом до 32 768 токенов. Репозиторий распространяется по лицензии Apache-2.0. Указаний на поддержку других языков или специализированные области применения в доступных данных нет.

dphn/dolphin-2.9.3-llama-3-8b — дообученная чат-модель на архитектуре Llama, созданная на основе Meta-Llama-3-8B. В репозитории указаны версия Axolotl 0.4.1 и результат оценки Loss 0,5771; описание назначения, обучающих данных и подробностей оценки не приведено. По метаданным модель содержит 7,5 млрд параметров, принимает текст и имеет контекст до 8192 токенов. Модель предназначена для генерации текста в диалоговом формате и может использоваться как основа для чат-ботов и текстовых помощников. Карточка не подтверждает специализированные области применения или языки сверх сведений базовой модели: Meta-Llama-3-8B описана как англоязычная модель для текста и кода. Репозиторий использует формат safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

Карточка модели rbinrs/Dolphin-Mistral-24B-Venice-Edition на Hugging Face совпадает с карточкой dphn/Dolphin-Mistral-24B-Venice-Edition, поэтому описание составлено по ней. Dolphin Mistral 24B Venice Edition — разговорная модель общего назначения, созданная в совместном проекте Dolphin и Venice.ai на основе Mistral-Small-24B-Instruct-2501. Это плотная модель семейства Mistral 3 с 24 млрд параметров, представленная в формате safetensors и рассчитанная на работу через Transformers; для развёртывания авторы рекомендуют vLLM. Модель предназначена для диалогов и выполнения инструкций в приложениях, где владелец задаёт системный промпт и самостоятельно определяет стиль и правила ответов. Авторы позиционируют её как менее ограниченную настройками поведения, чем обычные коммерческие чат-модели, и сообщают, что она используется как модель Venice Uncensored. В карточке указан стандартный шаблон чата Mistral; авторы рекомендуют низкую температуру генерации, например 0,15. Модель принимает текст и генерирует текст. README не сообщает поддерживаемые естественные языки и длину контекста. Репозиторий распространяется по лицензии Apache-2.0. Модель ориентирована на управляемое поведение, однако её следование инструкциям зависит от системного промпта и параметров генерации; заявленная сниженная цензура означает, что ответы могут включать потенциально вредный или неподходящий контент.

Карточка модели Shidokaizaki/Dolphin-Mistral-24B-Venice-Edition на Hugging Face совпадает с карточкой dphn/Dolphin-Mistral-24B-Venice-Edition, поэтому описание составлено по ней. Dolphin Mistral 24B Venice Edition — разговорная модель общего назначения, созданная в совместном проекте Dolphin и Venice.ai на основе Mistral-Small-24B-Instruct-2501. Это плотная модель семейства Mistral 3 с 24 млрд параметров, представленная в формате safetensors и рассчитанная на работу через Transformers; для развёртывания авторы рекомендуют vLLM. Модель предназначена для диалогов и выполнения инструкций в приложениях, где владелец задаёт системный промпт и самостоятельно определяет стиль и правила ответов. Авторы позиционируют её как менее ограниченную настройками поведения, чем обычные коммерческие чат-модели, и сообщают, что она используется как модель Venice Uncensored. В карточке указан стандартный шаблон чата Mistral; авторы рекомендуют низкую температуру генерации, например 0,15. Модель принимает текст и генерирует текст. README не сообщает поддерживаемые естественные языки и длину контекста. Репозиторий распространяется по лицензии Apache-2.0. Модель ориентирована на управляемое поведение, однако её следование инструкциям зависит от системного промпта и параметров генерации; заявленная сниженная цензура означает, что ответы могут включать потенциально вредный или неподходящий контент.

Dolphin-Mistral-24B-Venice-Edition-Patched — текстовая генеративная модель, опубликованная AIOpsInSpace как исправленная версия dphn/Dolphin-Mistral-24B-Venice-Edition. Модель предназначена для диалогового взаимодействия и генерации текста; в описании она позиционируется как открытая, разговорная и «uncensored». Поддерживаемый язык — английский. Это плотная модель размером 24 млрд параметров с архитектурой Mistral и механизмом sliding window attention. Патч восстанавливает параметры скользящего окна внимания, устраняя фрагментацию контекста и зависания при генерации после 4096 токенов. Также исправлены стоп-токены токенизатора. Заявленное контекстное окно составляет 32K токенов. Модель распространяется в формате GGUF и предназначена для использования в совместимых средствах локального запуска. Сильными сторонами являются большой контекст, восстановленная работа sliding window attention и отсутствие заявленных ограничений на содержание ответов. README не содержит точных данных о бенчмарках, производительности, требованиях к оборудованию или конкретных вариантах квантования, поэтому эти характеристики оценить нельзя. Модель распространяется по лицензии Apache-2.0.

Dolus-14b-Mini — диалоговая языковая модель семейства Llama, опубликованная Cognitive Machines Labs. Она предназначена для решения сложных многошаговых задач, логических рассуждений и поддержки принятия решений, при этом автор позиционирует её как достаточно компактную для развёртывания на периферийных системах. Модель содержит 11 млрд параметров и поддерживает контекст до 8192 токенов. Модель принимает текст и генерирует текст; карточка указывает английский язык. В репозитории представлены веса Safetensors для Transformers. Автор рекомендует настройки генерации min_p 0.074, top_k 40, repetition_penalty 1.12 и temperature 1.18. Полная оценка бенчмарками ещё не опубликована, поэтому заявленные улучшения рассуждений не подкреплены приведёнными результатами. Лицензия CC-BY-NC-ND-4.0 запрещает коммерческое использование и распространение производных версий.

DPO-ONLY-Zephyr-7B-iter-2 — дообученная модель Katayoon на базе Katayoon/DPO-ONLY-Zephyr-7B-iter-1. Она создана методом fine-tuning на обновлённом и исходном наборах данных; архитектура — плотная MistralForCausalLM с 7,1 млрд параметров. Модель предназначена для генерации текста в диалоговом формате и поддерживает контекст длиной до 32 768 токенов. Модель распространяется по лицензии MIT. Карточка не описывает её поведение, языки, результаты оценки или конкретные ограничения, поэтому применимость к специальным задачам и качество ответов по этим данным определить нельзя.

Eclectic-Maid-7B-v2 — слитая автором ND911 языковая модель на архитектуре Mistral для генерации текста. В метаданных указано 7,1 млрд параметров, контекст до 32 768 токенов и формат весов safetensors; модель работает через Transformers. Модель создана методом passthrough с помощью mergekit. Автор приводит конфигурацию объединения частей Maid-Reborn-v22-10B и отмечает, что рецепт приведён приблизительно. Она предназначена для генерации текста; README не описывает конкретные сценарии применения или языковую специализацию. Лицензия и ограничения по использованию в доступных данных не приведены. Метка «not-for-all-audiences» в метаданных указывает, что модель может быть неуместна для всех аудиторий.

Efficient-DLM-4B — базовая диффузионная языковая модель NVIDIA для параллельной генерации текста. Модель преобразована из предварительно обученной авторегрессионной языковой модели с помощью продолжительного предобучения; в карточке указана архитектура семейства Qwen3 и около 3,7 млрд параметров. Для работы используется библиотека Transformers, веса опубликованы в формате safetensors. Модель предназначена для генерации текста и диалогового взаимодействия. Блочное внимание с условием на чистый контекст поддерживает декодирование с использованием KV-кэша, а позиционно-зависимое маскирование токенов призвано уменьшить расхождение между обучением и генерацией. Автор заявляет о более быстром декодировании при сохранении точности сильных авторегрессионных моделей. Контекст составляет 32 768 токенов. Лицензия указана как other, поэтому конкретные условия использования следует проверять в карточке модели NVIDIA.

en_core_web_sm — англоязычная модель обработки естественного языка, разработанная компанией Explosion для фреймворка spaCy. Она предназначена для CPU-сценариев и выполняет токенизацию, морфологическую разметку, синтаксический анализ зависимостей, определение границ предложений, лемматизацию и распознавание именованных сущностей. Модель построена как конвейер компонентов tok2vec, tagger, parser, senter, attribute_ruler, lemmatizer и ner. Она поддерживает только английский язык, не содержит предобученных векторных представлений слов и имеет 0 векторов размерности 0. Версия модели — 3.7.1; требуется spaCy версии от 3.7.2 до версии ниже 3.8.0. Распознавание сущностей охватывает, в частности, персон, организации, географические объекты, даты, деньги, проценты, события и произведения искусства. Сильные стороны модели — компактный CPU-ориентированный конвейер с широким набором базовых NLP-функций и хорошими показателями на указанных тестах: точность тегирования 97,25%, F1 синтаксического анализа зависимостей LAS 89,87% и F1 распознавания сущностей 84,56%. Ограничения — работа только с английским языком, отсутствие векторных представлений и более ограниченная точность по сравнению с крупными специализированными моделями, особенно для задач NER. Модель распространяется по лицензии MIT; автор — Explosion.

EOPSA-DeepSeek-R1-7B — модель генерации текста, созданная neuqrui методом Efficient On-Policy Self-Distilled Safety Alignment (EOPSA) на основе DeepSeek-R1-Distill-Qwen-7B. Это плотная причинно-языковая модель архитектуры Qwen2 с 7,1 млрд параметров, предназначенная для диалогов и генерации текста с настройкой на безопасное поведение. Модель принимает текст и выдаёт текст; заявленная длина контекста — 131 072 токена. Модель подходит для интеграции в чат-боты и другие приложения, которым нужны диалоговые ответы с учётом safety alignment. В карточке указана лицензия Apache-2.0. README не приводит результаты оценки безопасности, подробности обучения или количественные сравнения качества, поэтому эффективность выравнивания и поведение в конкретных сценариях по этим данным оценить нельзя.

jhu-clsp/ettin-decoder-400m — авторегрессионная языковая модель семейства Ettin, разработанная исследователями Johns Hopkins University Center for Language and Speech Processing. Это плотный ModernBERT Decoder с 394,7 млн параметров, обученный предсказывать следующий токен. Модель предназначена для генерации текста и исследовательского сравнения архитектур кодировщика и декодера при одинаковых данных и рецепте обучения. Модель обучена на открытой смеси данных Ettin в рамках трёхфазного обучения общим объёмом около 2 трлн токенов. В карточке указаны английский язык и контекст до 7 999 токенов. Авторы сообщают о конкурентных результатах на генеративных задачах среди моделей сопоставимого размера; отдельные оценки для этой конкретной версии в предоставленных данных не приведены. Модель принимает текст и генерирует текст. Она подходит для продолжения текста, прототипирования генеративных приложений и исследований обучения и масштабирования декодеров. Распространяется по лицензии MIT.

EVA-LLaMA-3.33-70B-v0.1-GGUF — это GGUF-квантизированная версия языковой модели EVA-LLaMA-3.33-70B-v0.1, подготовленная пользователем bartowski с помощью llama.cpp и метода imatrix. Модель предназначена для генерации текста и может использоваться в локальных приложениях, чат-интерфейсах и других сценариях inference через llama.cpp или LM Studio. Исходная модель разработана EVA-UNIT-01; в её обучении или слиянии заявлены наборы данных для инструкционного следования, письма, ролевых диалогов и разнообразной генерации текста. Модель относится к классу больших текстовых моделей с заявленным размером 70B параметров. Доступны варианты квантования от Q8_0 до Q2_K, включая семейства Q4_K, Q5_K, Q6_K и IQ, с размером файлов примерно от 26 до 75 ГБ. Более высокие разрядности обычно обеспечивают лучшее качество, но требуют больше оперативной или видеопамяти; в README рекомендуются варианты Q6_K, Q5_K, Q4_K и IQ4_XS в зависимости от доступных ресурсов. Формат GGUF ориентирован на локальный запуск, включая CPU-инференс в некоторых вариантах. Сильными сторонами являются большой размер модели, широкий выбор квантований и оптимизация с использованием imatrix, позволяющая подобрать компромисс между качеством и требованиями к памяти. Ограничения включают высокие аппаратные требования даже для компактных вариантов, отсутствие указанного в README формата промпта, а также отсутствие сведений о поддерживаемых языках, длине контекста, мультимодальности и результатах стандартизированных оценок. Указана лицензия eva-llama3.3; перед использованием следует проверить её условия для исходной модели и производных квантований.

EverythingLM-13b-16k — экспериментальная универсальная языковая модель, созданная на основе Llama 2 и дообученная автором на наборе данных EverythingLM. Это плотная авторегрессионная архитектура LlamaForCausalLM примерно на 12,9 млрд параметров с контекстом до 16 384 токенов. Репозиторий содержит веса PyTorch; для запуска длинного контекста автор приводит настройки масштабирования RoPE. Модель предназначена для генерации подробных ответов, творческих историй и диалогов, а также для следования развернутым инструкциям. В README отмечены автоматически возникающие рассуждения CoT и склонность лучше отвечать на подробные запросы. Автор характеризует модель как полностью неограниченную по содержанию и ранний эксперимент с датасетом и принципами обучения, а не как модель уровня SOTA. Известные особенности — склонность к сказкам и нумерованным спискам, а также периодические повторы. Полный контекст в 16 тысяч токенов автор не проверял. Модель дообучена методом QLoRA; указана лицензия Llama 2, поэтому применяются её условия использования.

exaone3-instrucTrans-v2-enko-7.8b — модель на базе EXAONE 3 7.8B IT, дообученная разработчиками проекта Translation-EnKo на наборах данных для перевода с английского на корейский. Она предназначена для перевода английских инструкций и текстов на корейский язык и может использоваться через Transformers или vLLM. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 7,4 млрд параметров и поддерживает контекст до 8192 токенов. В карточке приведены результаты оценки на наборах AIHub/FLoRes, IWSLT 2023 и новостных текстах, однако для этой версии не приведено достаточно чисел, чтобы оценить качество перевода. Для запуска с vLLM README указывает потребность как минимум в 24 ГБ видеопамяти, либо использование режима FP8 при 12 ГБ. Модель опубликована в формате safetensors; лицензия в доступных данных не указана.

MaziyarPanahi/Experiment28T3q_Experiment27Inex12 — объединённая модель семейства Mistral, созданная из automerger/Experiment28T3q-7B и automerger/Experiment27Inex12-7B. Она предназначена для генерации текста и имеет 7,1 млрд параметров с контекстом до 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает специализированные сценарии, языки или сравнительные преимущества модели. Её можно использовать для генерации текста общего назначения, учитывая, что качество ответов и особенности объединения моделей в карточке не раскрыты.

FactAlign-LLaMA-3-8B — диалоговая языковая модель, дообученная в рамках подхода FactAlign для повышения фактической точности длинных ответов. Она основана на Meta-Llama-3-8B-Instruct и предназначена для генерации текста и ответов в диалоге, особенно когда требуется связное изложение фактов. Модель использует плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. Она обучалась на наборах trl-lib/kto-mix-14k и chaoweihuang/lf-response-llama3-f1_100_0.8-fg0.5. Базовая модель ориентирована на английский язык; карточка не сообщает о дополнительной языковой специализации FactAlign-версии. Модель распространяется в формате Safetensors по лицензии Llama 3. Карточка приводит результаты оценки на тестовом наборе, но не описывает независимое измерение фактической точности или ограничения модели; ответы всё равно требуют проверки, особенно в задачах с высокими требованиями к достоверности.

Falcon3-7B-Instruct-1.58bit — инструкционная и диалоговая языковая модель семейства Falcon 3, разработанная Technology Innovation Institute (TII). Это авторегрессионная decoder-only модель на основе pure-transformer архитектуры, созданная в 1,58-битном представлении и содержащая около 7 миллиардов параметров. Модель предназначена главным образом для генерации текста, ответов на вопросы, выполнения инструкций и диалоговых сценариев. Модель ориентирована преимущественно на английский язык. Доступна для использования через библиотеки Hugging Face Transformers и Microsoft BitNet; также предусмотрен демонстрационный playground для версии 7B Instruct. Сверхнизкая разрядность потенциально позволяет снизить требования к хранению и вычислениям, однако README не приводит конкретные требования к оборудованию, размер контекста или сравнение производительности в прикладных сценариях. Во внутренних тестах модель показала средний нормализованный результат 14,36; среди указанных тестов приведены IFEval, MUSR, GPQA, BBH, MMLU-PRO и MATH. Эти результаты характеризуют поведение на отдельных benchmark-задачах и не гарантируют качество для всех практических применений. Ограничениями являются преимущественная ориентация на английский язык и отсутствие в README подробностей о мультимодальности, длине контекста, данных обучения и ограничениях безопасности. Указанная лицензия — TII Falcon License 2.0.

unsloth/Falcon-H1-0.5B-Instruct — компактная instruct-модель для диалогов и генерации текста, опубликованная Unsloth на базе tiiuae/Falcon-H1-0.5B-Instruct. Это плотная авторегрессионная модель класса FalconH1ForCausalLM с гибридной архитектурой Transformer и Mamba; в репозитории размещены веса Safetensors, а запуск поддерживают Transformers, vLLM и llama.cpp. Модель рассчитана на англоязычное общение, ответы на вопросы, выполнение инструкций и задачи рассуждения. Контекстное окно составляет 16 384 токена, число параметров — 354,4 млн. В метаданных отмечены возможности чата и интерфейс вызова инструментов; README также сообщает об исправлениях шаблона чата. Лицензия указана как Falcon-LLM License, а в метаданных Hugging Face она обозначена общим значением «other». Перед использованием следует проверить условия Falcon-LLM License. Как компактная модель, она может уступать более крупным моделям в сложных задачах; README приводит результаты отдельных бенчмарков, но не уточняет ограничения по качеству для конкретных сценариев.

Fimbul-Airo-18B — слитая языковая модель, созданная автором репозитория с помощью mergekit из Sao10K/Fimbulvetr-11B-v2 и Undi95/Mistral-11B-CC-Air-RP. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 17,6 млрд параметров. Она предназначена для генерации текста и диалоговых ответов; карточка указывает формат запросов Alpaca. Модель рассчитана на контекст длиной 4096 токенов. Автор отмечает, что она, по его наблюдениям, работает при расширении RoPE до 8K, но это не заявлено как штатная длина контекста. В карточке также сказано, что модель uncensored; автор приводит пример ответа на опасный запрос, поэтому её ответы могут включать вредоносные инструкции. Репозиторий содержит веса Safetensors, а лицензия в предоставленных данных не указана.

financer2 — текстовая генеративная модель из семейства Llama, опубликованная пользователем kiarash90 на Hugging Face. Модель предназначена для генерации текста и диалоговых сценариев и доступна для использования через библиотеку Transformers. В метаданных указано около 1 млрд параметров и нативное окно контекста длиной 2048 токенов.

FineLlama-3.1-8B — плотная языковая модель семейства Llama, созданная автором mlabonne как дообучение Meta-Llama-3.1-8B. Модель обучена на 100 тысячах примеров из набора FineTome-100k; обучение выполнено с использованием Unsloth и TRL. В метаданных указано 7,5 млрд параметров и контекст до 131 072 токенов. Модель предназначена для генерации текста и диалоговых сценариев, а также для изучения эффективного дообучения Llama. Автор рекомендует для реальных приложений использовать instruct-модель Meta. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

flammen13X-mistral-7B — слитая методом SLERP языковая модель, созданная с помощью mergekit из nbeerbower/Bophades-BruinsMaid-7B и nbeerbower/flammen13-mistral-7B. Это плотная Mistral-модель с архитектурой MistralForCausalLM и 7,1 млрд параметров, предназначенная для генерации текста. Заявленное окно контекста — 32 768 токенов. Модель принимает текст и выдаёт текст; в карточке каталога базовая модель описана как предназначенная для генерации текста и ролевых диалогов по карточкам персонажей. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. README не сообщает отдельные результаты оценки качества или перечень поддерживаемых языков.

TARUNBHATT/flan-t5-small-finetuned-squad — дообученная на SQuAD v2 модель Google FLAN-T5-small для ответов на вопросы по предоставленному контексту. Это плотная encoder-decoder архитектура T5 с 45,8 млн параметров; модель работает с текстом и поддерживает контекст длиной до 512 токенов. В карточке приведён результат оценки на тестовом наборе SQuAD v2: loss 1,4937. Модель подходит для извлечения ответа из текста и сценариев вопросно-ответного поиска. Базовая FLAN-T5-small дообучена следованию инструкциям и многоязычным NLP-задачам, но эта версия специально адаптирована к SQuAD v2. Она распространяется по лицензии Apache-2.0. Результат loss сам по себе не позволяет оценить качество ответов в прикладном сценарии; README не содержит дополнительных сведений о тренировке и ограничениях.

jaspionjader/fr-2-8b — слитая диалоговая языковая модель, созданная автором репозитория с помощью mergekit методом SLERP из jaspionjader/Kosmos-EVAA-Franken-v38-8B и jaspionjader/fr-1-8b. Это плотная Llama-модель с архитектурой LlamaForCausalLM и 7,5 млрд параметров, предназначенная для генерации текста в формате диалога; заявленная длина контекста — 8192 токена. Модель работает с текстом и выдаёт текст. Подходит для диалоговых приложений и генерации ответов на текстовые запросы. Карточка не приводит результаты оценок качества или подробности о целевых сценариях и поддерживаемых языках. Формат весов — Safetensors; для использования доступны Transformers. Условия лицензии в предоставленных данных не указаны.

Модель jingyeom/freeze_KoSoLAR-10.7B-v0.2_1.4_dedup — диалоговая языковая модель на архитектуре Llama с 10,6 млрд параметров. Она создана на основе yanolja/KoSOLAR-10.7B-v0.2 методом instruction tuning; в карточке также указаны цель обучения freeze и версия инструкций 1.4 с дедупликацией обучающих данных. Модель предназначена для генерации текста в диалоговом формате и выполнения инструкций. Она принимает текст и выдаёт текст, работает с контекстом до 4096 токенов и доступна в формате safetensors для Transformers. Карточка не описывает конкретный набор языков или специализированную область применения. Лицензия — Apache-2.0. Карточка не приводит результатов оценки качества или подробностей о составе данных, поэтому их нельзя использовать для выводов о точности модели.

najahaja/ftbench-qlora-llama3.2-3b — языковая модель для генерации текста на базе семейства Llama с размером 3,2 млрд параметров. Модель опубликована пользователем najahaja и предназначена для работы через библиотеку Transformers; поддерживает задачу text-generation и имеет контекстное окно до 131 072 токенов. Модель можно применять для генерации ответов, продолжения текста, диалоговых сценариев и встраивания в приложения, которым требуется локальная или серверная генерация текста. Метаданные содержат тег conversational, поэтому модель может использоваться в чатовых интерфейсах, однако подробности о формате диалога, данных дообучения и методе QLoRA в карточке не описаны. Сильными сторонами являются относительно компактный размер для языковой модели и длинный контекст. В README отсутствуют сведения о разработчике, языках, лицензии, обучающих данных, результатах оценки, ограничениях и рекомендуемых сценариях использования, поэтому качество, безопасность и юридические условия применения необходимо проверять отдельно.