II.6Документация и сопровождение разработки

Это плотная языковая модель Qwen3 с 29,7 млрд параметров, дообученная на наборе open-athena/GLM-4.6-stackexchange-overflow-sandboxes-32eps-65k-reasoning. Модель предназначена для генерации текста в диалоге; базовая Qwen3 рассчитана на рассуждения и программирование, но README не подтверждает отдельные возможности этой дообученной версии. Модель использует архитектуру Qwen3ForCausalLM, библиотеку Transformers и формат safetensors. Длина контекста составляет 40 960 токенов. В метаданных указана лицензия other, поэтому условия использования следует сверить с лицензией и файлами репозитория.

sambal/k2-v2-think-dpo-checkpoint-200 — промежуточный чекпойнт модели K2-v2-Think, созданный на основе LLM360/K2-Think разработчиком sambal. Это плотная авторегрессионная языковая модель архитектуры Qwen2ForCausalLM класса 32B с контекстом 131 072 токена, предназначенная для генерации текста в диалоговом формате и задач рассуждения. Чекпойнт соответствует итерации 200 из 496 в запуске дообучения предпочтениям с sigmoid DPO и RPO; веса объединены и сохранены в BF16 в формате safetensors для Transformers. Модель может использоваться для диалоговых ответов и генерации текста с рассуждениями, однако это промежуточное состояние обучения, а не завершённая версия: перед применением в целевых сценариях требуется оценить качество. Карточка указывает шаблон чата K2 v2 high. Лицензия — Apache-2.0.

lamini/lamini_docs_finetuned — дообученная Lamini модель для генерации текста, обученная отвечать на вопросы об использовании платформы Lamini. Для обучения использован набор документов Lamini в формате вопросов и ответов; карточка описывает её как пример задачи. Модель основана на EleutherAI/pythia-70m и использует архитектуру GPT-NeoX с плотной нейронной сетью; в метаданных указаны 50,9 млн параметров и контекст до 2048 токенов. Модель принимает текст и генерирует текстовые ответы. Она предназначена прежде всего для вопросов о платформе Lamini. Доступна по лицензии Apache-2.0. Карточка не сообщает оценок качества или подробностей об ограничениях ответов.

Llama2-13B-DiamondForce — чат-модель общего назначения, дообученная sequelbox на базе Llama 2 13B. Она предназначена для диалогов и технических задач; при обучении использовались открытые и частные данные, преимущественно в формате чата INST. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 12,9 млрд параметров и поддерживает контекст до 4096 токенов. Модель выдаёт текст и распространяется в формате safetensors по лицензии Apache 2.0. Автор характеризует её как пригодную к использованию без дополнительной настройки, но отмечает, что дальнейшее дообучение может улучшить удовлетворённость пользователей. Модель обозначена как устаревшая и предлагается главным образом для справки; для общего применения автор рекомендует Llama 3.

Apollo Raines представляет Llama-3.1-8B-Instruct-Concise-Flat — вариант Meta Llama 3.1 8B Instruct, изменённый инструментом jBlaze с помощью representation engineering. По карточке, дополнительное обучение не проводилось: в весах подавлены многословие и эмоциональная окраска, чтобы ответы были краткими, сдержанными и насыщенными информацией. Модель построена на плотной архитектуре LlamaForCausalLM; метаданные указывают 7,5 млрд параметров, контекст до 131 072 токенов и формат safetensors, а карточка — точность bf16. Модель предназначена для диалогов и генерации текста, когда предпочтителен лаконичный, нейтральный стиль. Карточка приводит примеры ответов на общие вопросы, простые вычисления и запросы на код; метаданные также отмечают интерфейс вызова инструментов. Поддержка указана для английского языка. Разработчик предупреждает, что выпущенная версия ослаблена и служит демонстрацией возможностей инструмента. Указана лицензия llama3.1.

Mark 1x-9B — текстовая модель с 7,2 млрд параметров от Saanora, созданная на базе Qwen/Qwen3.5-9B и дообученная с помощью LoRA, после чего адаптер был объединён с весами. Она предназначена прежде всего для диалога и генерации директив на DSL Saanora: модель выбирает, когда ответ лучше представить как интерактивную сцену, график, тест, карточки, симуляцию, пошаговую инструкцию или документ, и формирует директиву для отображения в интерфейсе. По данным авторов, корректность директив без ограниченного декодирования составляет 84%, а сдержанность при выборе обычного текстового ответа — 87%; эти показатели основаны на собственных тестах разработчика. Модель использует архитектуру Qwen3_5ForCausalLM и контекст до 262 144 токенов. Выпуск является текстовым: он принимает и выдаёт текст, не имеет визуального энкодера и не принимает изображения. Другие способности, включая код, математику, вызов инструментов и поддержку 201 языка, унаследованы от базовой модели и не были целью дообучения. Разработчик отмечает слабые результаты на точных ограничениях длины и повторения, снижение качества при самостоятельном использовании инструментов и необходимость задавать системный промпт. Лицензия модели — OpenMDW-1.0; базовая модель Qwen3.5-9B выпущена под Apache-2.0.

gghfez/Mistral-Large-2407-LongCoT — дообученная версия Mistral-Large-Instruct-2407, созданная автором репозитория на датасете long-cot-4k с примерами длинных ответов, сгенерированных Qwen/QwQ-32B-Preview. Модель предназначена для диалогов и подробных пошаговых ответов на сложные вопросы, включая объяснения и математические расчёты. Это плотная авторегрессионная языковая модель архитектуры MistralForCausalLM с 122,2 млрд параметров и контекстом до 131 072 токенов. Карточка указывает английский язык, формат общения ChatML и ответы длиной примерно 1 024–4 096 токенов. Модель ориентирована на развёрнутые рассуждения, поэтому может быть многословной даже при простых запросах; качество на вопросах вне обучающего распределения может снижаться, а для кратких или требующих ответа в реальном времени сценариев она подходит хуже. Лицензия указана как other, конкретные условия в карточке не приведены.

cortexso/phi-4-reasoning — текстовая генеративная модель семейства Phi-4-reasoning, разработанная Microsoft Research и преобразованная Menlo Research для распространения в формате GGUF через Cortex и Jan. Модель ориентирована на рассуждения по шагам, решение математических задач, ответы на научные вопросы и выполнение инструкций. Для основной ветки phi-4-reasoning заявлен размер 14 млрд параметров. Доступны квантизованные варианты GGUF от q2_k до q8_0, что позволяет выбирать компромисс между качеством, требованиями к памяти и скоростью инференса. В README также упоминаются шаблоны ChatML и поддержка расширенного контекста, однако его точная длина не указана. Данных о перечне языков и мультимодальных возможностях нет; по заявленному pipeline_tag модель предназначена для генерации текста. Сильными сторонами модели являются специализация на логическом и математическом рассуждении, следовании инструкциям и возможность эффективного запуска в средах с ограничениями по памяти и задержке благодаря компактному размеру и квантизации. Ограничения включают отсутствие в представленных данных точных результатов бенчмарков, перечня поддерживаемых языков и значения контекстного окна. Модель распространяется по лицензии MIT.

Jebadiah/Tess-coder-ruby-p5 — языковая модель для генерации текста, созданная объединением предварительно обученных моделей с помощью mergekit. В основе объединения лежит Jebadiah/Tess-coder-ruby-p4, в него линейным методом DARE добавлена verifiers-for-code/Llama-3-LlamaPlanner. Архитектура — плотная LlamaForCausalLM с 7,5 млрд параметров; модель работает с контекстом до 8192 токенов и рассчитана на диалоговое взаимодействие. Модель предназначена для генерации текста и может применяться в сценариях, связанных с программированием, благодаря включению модели LlamaPlanner. Карточка не описывает конкретные языки программирования или отдельные бенчмарки, поэтому качество и специализацию на конкретных задачах кодирования оценить нельзя. Файлы представлены в формате safetensors; для объединения использовалась точность bfloat16. Условия лицензии в предоставленных данных не приведены.

DCAgent/a1-issue_tasks — дообученная на Qwen/Qwen3-8B языковая модель с диалоговыми возможностями. В карточке указано, что для обучения использовался набор трассировок, связанных с задачами по issue; подробности о наборе данных и процессе обучения не приведены. Модель предназначена для генерации текста в сценариях, связанных с issue-задачами. Она содержит 7,6 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и поддерживает контекст до 40 960 токенов. В качестве основной задачи в метаданных указан text-generation; библиотека — Transformers. Модель основана на Qwen/Qwen3-8B. Лицензия указана как other, без уточнения условий. Карточка не описывает качество, оценивание и конкретные ограничения модели.

Shaurya2020/allpanel-api-minilm — англоязычная модель Sentence Transformers, дообученная на 138 парах текстов с маршрутами API allpanelexch9.co. Она кодирует текст в нормализованные плотные векторы размерности 384 и использует косинусное сходство для сопоставления запросов с маршрутами API. Архитектура основана на энкодере BERT семейства MiniLM с усреднённым pooling; в метаданных указан контекст до 512 токенов, а в README — максимальная длина последовательности 256 токенов. Модель предназначена для семантического поиска и ранжирования маршрутов API по текстовому запросу, а также для сравнения похожести, поиска перефразировок и кластеризации текстов. README приводит результаты оценки на небольшом наборе allpanel-api. Модель принимает и выдаёт текстовые представления в виде эмбеддингов; лицензия — Apache-2.0.

Archangel SFT-DPO — языковая модель семейства Llama 13B, разработанная Contextual AI. Чекпойнт оптимизирован последовательным обучением с учителем (SFT) и Direct Preference Optimization (DPO), с выравниванием на данных SHP, Anthropic HH и OpenAssistant. Архитектура — плотная авторегрессионная LlamaForCausalLM с 12,9 млрд параметров; модель принимает текст и генерирует текст. В карточке указан контекст длиной 2048 токенов, а основной язык модели — английский. Модель предназначена для генерации ответов в диалогах, согласованных с человеческими предпочтениями. Для промптов рекомендуется формат TuluV2: сначала сообщение пользователя, затем ответ ассистента; токен BOS добавляется автоматически. Лицензия — Apache-2.0. Карточка не приводит сравнительных оценок качества, поэтому пригодность для конкретного сценария следует проверять отдельно.

Карточка модели AISE-TUDelft/java-expand-classifier на Hugging Face совпадает с карточкой AISE-TUDelft/java-deprecation-classifier, поэтому описание составлено по ней. AISE-TUDelft/java-deprecation-classifier — модель на основе MPNet, опубликованная AISE-TUDelft и распространяемая в формате PyTorch через Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения сходства и кластеризации текстов. В карточке указано обучение с функцией потерь CosineSimilarityLoss; модель содержит 136,7 млн параметров и поддерживает контекст до 514 токенов. Название указывает на классификацию устаревших Java API, однако README описывает модель как средство построения эмбеддингов, а метаданные относят её к sentence-similarity и feature-extraction. Поэтому её можно применять для поиска и группировки текстов о Java-депрекациях, но карточка не подтверждает выдачу меток классов или специальную точность такой классификации. Лицензия в предоставленных данных отсутствует.

KOMPAS-3D GUARD-34M — компактная модель-эмбеддер автора dwnmf для семантического поиска по API КОМПАС-3D. Она преобразует инженерные запросы на естественном языке и описания элементов API в векторы, чтобы находить подходящие методы, свойства и перечисления, в том числе различать близкие по смыслу сущности. Модель основана на deepvk/USER2-small и дообучена на разметке API КОМПАС-3D; использует архитектуру ModernBERT, содержит 34,4 млн параметров, формирует векторы размерности 384 и поддерживает контекст до 8192 токенов. Поддерживаются русский и английский языки. Предназначена для локального запуска на CPU и поиска по большим коллекциям документов API; для запросов и документов следует использовать префиксы «search_query: » и «search_document: ». Лицензия — CC-BY-NC-4.0. По README, на корпусе из 38 249 документов Recall@5 составляет 70,2% для обычных инженерных запросов и 67,5% для сложных случаев с похожими сущностями. Модель возвращает эмбеддинги для поиска, а не генерирует код или текст. Её качество вне домена КОМПАС-3D не гарантируется; индекс и запросы нужно кодировать одной и той же моделью и в одной точности. Корпус отражает состояние API на момент подготовки, поэтому новые элементы могут отсутствовать, а найденные кандидаты следует проверять.

AIR-hl/Llama-3.2-1B-DPO — плотная авторегрессионная языковая модель семейства Llama 3.2, дообученная AIR-hl методом Direct Preference Optimization (DPO) для выравнивания ответов. Модель содержит 1,2 млрд параметров, принимает текст и генерирует текст; заявленное контекстное окно — 131072 токена. Карточка указывает поддержку диалогового применения и интерфейса вызова инструментов. Модель подходит для генерации ответов в диалогах и чат-ассистента. В качестве обучающих данных использован набор HuggingFaceH4/ultrafeedback_binarized, а для обучения — TRL. В README приведены метрики обучения: итоговая потеря 0,5375, точность 0,7188 и reward margin 0,7227; они сами по себе не гарантируют качество в конкретном сценарии. Лицензия — llama3.2; применяются условия лицензии семейства Llama 3.2.

bartowski/Llama-3-ChatQA-1.5-8B-GGUF — набор GGUF-квантизаций модели Llama-3-ChatQA-1.5-8B, первоначально разработанной NVIDIA. Модель предназначена для генерации текста и диалоговых сценариев, прежде всего для ответов на вопросы с учётом предоставленного контекста. Она поддерживает формат общения с системной инструкцией, контекстом, вопросами пользователя и ответами ассистента. Заявленный язык — английский. Модель основана на архитектуре Llama 3 и содержит около 8 миллиардов параметров. В репозитории представлены варианты квантизации Q8_0, Q6_K, Q5_K, Q4_K, IQ4, Q3, IQ3, Q2 и IQ2/IQ1 с размером файлов примерно от 2,01 до 8,54 ГБ. Квантизации выполнены bartowski с использованием llama.cpp и imatrix; варианты с более высокой разрядностью обычно сохраняют лучшее качество, а варианты с низкой разрядностью требуют меньше оперативной памяти и видеопамяти, но могут заметно уступать по качеству. Рекомендуемыми названы, в частности, Q6_K, Q5_K_M, Q5_K_S, Q4_K_M и Q4_K_S. Сильными сторонами являются специализированная направленность на ChatQA, поддержка работы с контекстом и широкий выбор квантизированных файлов для локального запуска. Ограничения включают возможное снижение качества у низкоразрядных вариантов, англоязычную направленность и отсутствие в предоставленных данных сведений о размере контекстного окна, мультимодальности и результатах независимых тестов. Указана лицензия llama3.

LocoTrainer-4B — плотная языковая модель с 3,7 млрд параметров, разработанная для работы в агентном фреймворке LocoTrainer. Она дообучена методом полной настройки параметров с дистилляцией знаний на базе Qwen/Qwen3-4B-Instruct-2507; учительской моделью была Qwen3-Coder-Next. Модель ориентирована на MS-SWIFT: знает документацию, параметры CLI и структуру проекта, помогает анализировать кодовые базы и создавать подробные отчёты в Markdown. Модель поддерживает диалог и многошаговый вызов инструментов Read, Grep, Glob, Bash и Write через структурированный JSON. Указанное в метаданных максимальное окно контекста — 262 144 токена; в README сказано, что обучение на длинном контексте охватывает 32K токенов. Для локального запуска доступна квантованная версия в формате GGUF, а сама модель распространяется в safetensors. Лицензия — MIT. Модель специализирована на MS-SWIFT; её качество на посторонних кодовых базах не проверено. Из-за размера 4B она может испытывать трудности со сложными многошаговыми рассуждениями, а знания о структуре MS-SWIFT могут устаревать по мере развития фреймворка.

MFANN-Llama3.1-Abliterated-Slerp-V3.2 — объединённая текстовая модель семейства Llama, опубликованная netcat420. Она создана слиянием mlabonne/Meta-Llama-3.1-8B-Instruct-abliterated и netcat420/MFANNv0.23; в метаданных указаны архитектура LlamaForCausalLM, 7,5 млрд параметров и библиотека Transformers. Модель предназначена для диалогов и генерации ответов. README описывает обычный режим помощника и экспериментальный режим SATANN для запросов по кибероперациям. В метаданных заявлено контекстное окно до 131 072 токенов, тогда как README рекомендует длину контекста 8 192 токена; фактический предел может зависеть от используемой конфигурации и способа запуска. В README приведены результаты нескольких тестов Open LLM Leaderboard, включая средний балл 18,92. Лицензия в предоставленных данных не указана.

openNemo-9B-Claude-Opus-4.6-distill — текстовая диалоговая модель Empero AI, дообученная на базе empero-ai/openNemo-9B. Это плотная гибридная архитектура Nemotron-H с Mamba2, Transformer и GQA; в README указано около 9 млрд параметров и 52 слоя, тогда как метаданные Hugging Face приводят 15,1 млрд параметров. Контекстное окно составляет 131 072 токена. Модель обучена методом SFT и DPO на наборах с цепочками рассуждений, составленных сообществом на основе ответов Claude Opus 4.6 и других моделей. Она предназначена для диалогов и генерации ответов с пошаговым рассуждением, а также поддерживает режим без рассуждений. В карточке указан английский язык; форматы репозитория — Safetensors. Модель подходит для экспериментального применения в чат-ботах и задачах, где нужны подробные рассуждения. Результаты зависят от качества и характера обучающих данных, а сходство с рассуждениями моделей-источников не гарантирует их точность. Лицензия в метаданных обозначена как other; конкретные условия использования следует проверять в карточке модели.

MihaiPopa-1 выпустил вариант Empero Qwen3.8-2B-Distill с ослабленным отказом от ответов. Это плотная причинная языковая модель на 2 млрд параметров, полученная полным дообучением дистиллированной модели Empero; README сообщает о снижении доли отказов с 83 до 4 на 100 примерах. Модель предназначена для диалогов, следования инструкциям, математических задач и рассуждений; поддерживает вызов инструментов по спецификации Qwen3.5. Веса доступны в формате Safetensors для Transformers и совместимых сред выполнения. Модель работает с текстом, имеет контекст длиной 262 144 токена и рассчитана прежде всего на английский язык. README указывает, что обучение сосредоточено на математике, рассуждениях и следовании инструкциям; малый размер подходит для периферийных устройств, хотя практическая скорость зависит от среды выполнения и доступных ядер. Ограничения включают меньшую ёмкость для фактического извлечения и сложных многошаговых задач, а также повторяющиеся циклы при жадной генерации длинных ответов. Поведение зрения унаследовано от базовой архитектуры, но в README не оценивалось. Лицензия — Apache-2.0.

BEE-spoke-data/smol_llama-101M-GQA-python — небольшая языковая модель семейства Llama, разработанная BEE-spoke-data. Это дообученный на один дополнительный эпохальный проход чекпойнт BEE-spoke-data/smol_llama-101M-GQA на очищенном от дублей наборе данных PyPI; перед обучением в словарь добавили токены, связанные с Python. Модель содержит 76,6 млн параметров, использует плотную архитектуру LlamaForCausalLM и контекст до 1024 токенов. Модель предназначена для генерации простого кода на Python и Markdown в стиле README. Она подходит для черновиков небольших фрагментов кода и описаний Python-пакетов, но может испытывать трудности со сложным планированием и рассуждениями. Разработчик характеризует её как эксперимент для изучения возможностей очень компактных моделей в генерации кода и предупреждает о возможных ошибках. Лицензия — Apache-2.0.

aloobun/bun_mistral_7b_v2 — дообученная модель семейства Mistral, созданная на основе mistralai/Mistral-7B-v0.1 для рассуждений с цепочкой мыслей (CoT). Это плотная авторегрессионная языковая модель на 7,1 млрд параметров с контекстом до 32 768 токенов, предназначенная для генерации текста и ответов с пошаговыми рассуждениями. В карточке указана английская поддержка; метаданные относят модель к задаче text-generation. Репозиторий содержит веса в формате safetensors; для модели также приведены варианты GPTQ, AWQ и GGUF. Модель подходит для экспериментов с пошаговым решением текстовых задач и генерацией ответов. Карточка не приводит оценок качества, обучающих данных или подробных рекомендаций по использованию, поэтому результаты рассуждений следует проверять. Указана лицензия CC; конкретная версия лицензии в предоставленных данных не уточнена.

ComputerScience-v1-2B — текстовая языковая модель для генерации ответов в тематике компьютерных наук, машинного обучения и искусственного интеллекта. Её разработчик дообучил unsloth/Qwen3.5-2B методом supervised fine-tuning с автоматическим подбором гиперпараметров Auto-SFT на диалоговых данных ComputerScience ML AI Chatml; обучение шло два этапа эпох, а адаптация выполнена с помощью LoRA. Модель содержит 1,7 млрд параметров и поддерживает контекст до 262 144 токенов. Модель предназначена для диалогов и задач, похожих на примеры обучающего набора: ответов на вопросы и объяснения тем из компьютерных наук, машинного обучения и ИИ. Она принимает текст и генерирует текст; карточка указывает английский язык. Специализация на конкретном наборе данных может ограничивать качество за его пределами. Лицензия в предоставленных сведениях не указана.

DeltaP2S-Qwen2.5-3B-SameFormula-Code-S13 — объединённый чекпойнт Qwen2.5, созданный экспериментальным пакетом Delta-P2S с учётом архитектуры Qwen. В основе лежит Qwen/Qwen2.5-3B; модель использует плотную архитектуру Qwen2ForCausalLM, содержит 3,1 млрд параметров и принимает текст для генерации текста. Репозиторий содержит веса в формате safetensors, карточка указывает библиотеку Transformers и контекст до 32 768 токенов. Модель предназначена для диалоговой генерации текста; название и каталог обучения указывают на сценарии, связанные с кодом, однако README не уточняет результаты обучения или конкретные возможности в программировании. Чекпойнт сформирован слиянием в рамках эксперимента Delta-P2S. Условия лицензии в предоставленных данных не описаны.

FashionGPT-70B-V1 — языковая модель ICBU-NPU на архитектуре Llama 2, созданная объединением двух адаптеров с базовой моделью Llama 2-70B. Она предназначена для генерации текста и многоходовых диалогов по шаблону System/User/Assistant. При обучении использовались наборы OpenOrca, airoboros-gpt4-1.4.1 и Samantha; карточка приводит результаты оценки ARC, HellaSwag и MMLU. Модель содержит 68,7 млрд параметров и поддерживает контекст до 4096 токенов. В метаданных указан английский язык и лицензия Llama 2. Испытания проводились на английском; ответы могут быть неточными, предвзятыми или нежелательными, поэтому перед применением необходимы тестирование и настройка безопасности под конкретный сценарий.

Модель basic-go/FRED-T5-large-habr-summarizer — дообученный суммаризатор статей с Habr, созданный в рамках тестового задания GPT Week. Она построена на архитектуре T5 и базовой модели ai-forever/FRED-T5-large; содержит 403,9 млн параметров и распространяется в формате safetensors по лицензии Apache-2.0. Модель предназначена для абстрактивного создания краткого пересказа статьи на русском языке. Обучение включало supervised fine-tuning, а также DPO для одного из вариантов; в итоговом подходе использовались расширенный набор кандидатов и постобработка. Для практического применения автор рекомендует предварительную и последующую обработку текста. В описанных экспериментах итоговый подход улучшил метрику на тестовом наборе относительно ранних вариантов. Среди известных ограничений — возможные повторы или перефразирование фрагментов исходного текста. Постобработка помогает справиться с байтовыми последовательностями и незавершёнными предложениями; без неё выход может требовать дополнительной очистки. Модель специализирована на статьях Habr, поэтому её качество для других жанров не подтверждено.

h2o-danube2-1.8b-base — базовая языковая модель H2O.ai с архитектурой MistralForCausalLM и примерно 1,8 млрд параметров. Она обучена как фундаментальная модель для последующей адаптации под конкретные задачи; для диалогового применения разработчик предлагает отдельную версию h2oai/h2o-danube2-1.8b-chat. Модель генерирует текст по текстовому контексту и рассчитана на последовательности длиной до 8 192 токенов. В README отмечены результаты на бенчмарках среди моделей сопоставимого размера, но качество для конкретных приложений зависит от дообучения и проверки. Карточка указывает на возможные предвзятые, оскорбительные, неверные или бессмысленные ответы. Распространяется по лицензии Apache-2.0.

Apollo Raines выпустил вариант Llama 3.1 8B Instruct, поведение которого изменено инструментом jBlaze методом representation engineering: модель подавляет многословие и уклончивые формулировки. По карточке, дополнительное обучение не проводилось; метаданные классифицируют связь с базовой моделью как finetune. Это плотная авторегрессионная языковая модель семейства Llama с 7,5 млрд параметров по метаданным, форматом safetensors и контекстом до 131 072 токенов. Она предназначена для диалогов и генерации кратких, прямых ответов на английском языке; примеры также демонстрируют арифметику, вопросы общего характера и код. Автор описывает релиз как демонстрационную версию с намеренно сниженной силой некоторых возможностей. Лицензия — Llama 3.1.

Shankarblr/Llama-3.2-3B-TechWriter-Instruct — специализированная текстовая модель на основе Meta Llama 3.2 3B Instruct, дообученная автором для технического маркетинга и документации в области полупроводников, сетевых соединений центров обработки данных и систем хранения. Это слитый QLoRA-чекпойнт с архитектурой LlamaForCausalLM, 3,2 млрд параметров и контекстом до 131 072 токенов; модель принимает текст и генерирует текст на английском языке. Модель подходит для подготовки черновиков продуктовых описаний, перечней характеристик, прикладных заметок, разделов руководств CLI для сетевых адаптеров и коммутаторов, а также для извлечения спецификаций и ответов по предоставленным фрагментам документов. Обучение использовало смесь извлечённых материалов поставщиков и синтетических документов. Для ответов по источнику следует задавать соответствующую системную инструкцию и предоставлять исходный фрагмент. Модель может придумывать артикулы, серии продуктов, флаги CLI и характеристики; сгенерированные данные и клиентские спецификации требуют проверки по первоисточнику. Длинные документы могут терять согласованность. Модель предназначена для английского языка и профильной тематики, а не для общего общения. Распространяется по лицензии Llama 3.2 Community License с соблюдением Acceptable Use Policy Meta.

OpenOrca-Platypus2-13B — слитая модель от Open-Orca и команды Platypus, объединяющая Platypus2-13B и OpenOrcaxOpenChat-Preview2-13B. Это плотная авторегрессионная языковая модель семейства Llama 2 с архитектурой LlamaForCausalLM и 12,9 млрд параметров; она принимает текст и генерирует текст. Нативная длина контекста — 4096 токенов. Модель рассчитана прежде всего на английский язык. Модель предназначена для генерации ответов по инструкциям и задач общего рассуждения. В обучении использованы наборы Open-Platypus со STEM- и логическими задачами, а также данные OpenOrca. В карточке приведены результаты на MMLU, ARC, HellaSwag, AGIEval и BigBench-Hard; это свидетельствует о проверке модели на знаниях и рассуждениях, но не гарантирует точность в прикладных сценариях. Модель может выдавать неточные, предвзятые или нежелательные ответы; тестирование проводилось на английском и не охватывает все сценарии. Лицензия репозитория — CC BY-NC 4.0, поэтому использование ограничено её условиями, включая некоммерческий характер.