II.6Документация и сопровождение разработки

MTL-data-to-text — модель генерации естественного языка из структурированных данных, представленная авторами работы «MVP: Multi-task Supervised Pre-training for Natural Language Generation». Это вариант Single семейства MVP, обученный на смеси размеченных наборов данных для преобразования данных в текст; архитектура — Transformer encoder-decoder. Модель предназначена для генерации описаний по графам знаний, таблицам и семантическим представлениям (MR), включая сценарии WebNLG, DART, WikiBio, ToTTo и E2E. Модель принимает текстовое представление структурированных данных и генерирует текст на английском языке. В метаданных указано окно контекста 1024 токена и формат PyTorch. Лицензия — Apache-2.0. Карточка не содержит результатов оценки качества; применимость к структурам и форматам, отличным от обучающих наборов, может быть ограничена.

faisalsardi-dev/orderbuilder-v2-qwen3 — дообученная языковая модель на архитектуре Qwen3 для генерации текста в диалоговом формате. Она основана на unsloth/qwen3-8b-unsloth-bnb-4bit и обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Название репозитория указывает на сценарии построения заказов, однако карточка не описывает конкретные функции или качество в этой области. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также указана возможность интерфейса вызова инструментов. Модель распространяется под лицензией Apache-2.0.

Vega-Instruct-13B — модель на 13 млрд параметров для следования инструкциям и вызова функций. В карточке указано, что она дообучена для точного выполнения запросов и снижения галлюцинаций; приведены результаты тестов на математическое, логическое и обыденное рассуждение. Модель предлагается для чата и использования через API. Метаданные Hugging Face классифицируют её как feature-extraction на базе архитектуры BERT и указывают библиотеку Transformers, формат PyTorch и лицензию CC BY 4.0. Это расходится с описанием в README как инструктивной чат-модели: подтверждений, что репозиторий содержит веса именно 13B чат-модели, недостаточно.

appvoid/arco-2-reasoning-20k — созданная appvoid дообученная языковая модель семейства Llama с плотной архитектурой LlamaForCausalLM и 464,4 млн параметров. Она обучена на 20 тысячах примеров из набора KingNish reasoning dataset и рассчитана на диалоговую генерацию текста с промежуточным блоком рассуждения в формате данных обучения. Модель можно использовать для простых англоязычных вопросов и ответов, в том числе о программировании, а также для генерации объяснений в чате. Контекстное окно составляет 8192 токена. Модель принимает текст и генерирует текст. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Карточка описывает формат обучения, но не приводит оценки качества или независимых результатов; возможности рассуждения и точность ответов по ней оценить нельзя.

kth8 обучил эту компактную языковую модель методом supervised fine-tuning на наборе kth8/title-generation-10000x. Она основана на unsloth/LFM2.5-230M: плотная причинная модель семейства LFM2 с 221,2 млн параметров и контекстом до 128 000 токенов. Модель предназначена для автоматической генерации короткого заголовка ветки OpenCode по первому сообщению пользователя. Обучение проводилось с системным запросом агента заголовков OpenCode; интерфейс OpenCode отображает заголовки длиной до 100 символов. Базовая модель поддерживает десять языков: английский, арабский, китайский, французский, немецкий, итальянский, японский, корейский, португальский и испанский. Модель сохранена в формате safetensors и использует лицензию, обозначенную в метаданных как other; README не уточняет её условия. Модель мала по размеру, но специализирована на генерации заголовков, поэтому её не следует считать универсальной моделью для диалога или сложных задач.

Mixsmol-4x400M-v0.1-epoch1 — экспериментальная языковая модель от Ontocord, созданная совместно с BEE-spoke-data и VILM. Это первый чекпойнт серии, построенный на архитектуре Mixtral с разреженной смесью экспертов; в репозитории указано 526,1 млн параметров. Модель обучали на 50 млрд токенов, преимущественно на английских данных, с небольшой долей вьетнамского текста. Чекпойнт предназначен для изучения влияния смешивания данных на рассуждение и межъязыковое понимание. В обучении использовались синтетические учебники, веб-тексты, математические и энциклопедические данные, код и примеры инструкционного обучения. Модель принимает текст и генерирует текст; заявленный контекст — 4096 токенов. В README приведены результаты отдельных бенчмарков, включая ARC Challenge и HellaSwag. Это ранний экспериментальный чекпойнт первой эпохи, а не завершённая версия: авторы указывают, что обучение на ограниченном объёме данных проводилось для проверки гипотез и планировали дальнейший запуск на большем объёме данных и вычислений. Лицензия — Apache-2.0.

modelsarac — дообученная модель Catalinzisu на базе HuggingFaceTB/SmolLM2-135M-Instruct, обученная с помощью TRL. Это компактная плотная языковая модель архитектуры Llama с 134,5 млн параметров и контекстом до 8192 токенов. Она предназначена для диалоговой генерации текста и запускается через Transformers как text-generation. Пример в карточке показывает ответы на открытые вопросы в формате чата. Базовая модель ориентирована на английский язык; карточка не описывает дополнительные языки или специализированные области применения. Репозиторий содержит веса в формате safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

SFT-gpt2-120M — компактная авторегрессионная модель GPT-2 на 120 млн параметров, разработанная как базовая линия для MiniLLM. Она получена дообучением openai-community/gpt2 методом supervised fine-tuning на наборе инструкций databricks-dolly-15k и предназначена для генерации текста по промпту и выполнения инструкций на английском языке. Модель использует архитектуру GPT2LMHeadModel, распространяется в форматах PyTorch и Safetensors и имеет контекстное окно 1024 токена. Лицензия — Apache-2.0. Карточка позиционирует модель как базовую линию, поэтому её качество и пригодность для конкретных задач следует оценивать отдельно.

Yi 34B Chat RMU — плотная языковая модель для диалоговой генерации текста, созданная на основе Yi-34B-Chat. Разработчики применили метод Representation Misdirection for Unlearning (RMU), чтобы ослабить опасные знания, связанные с био- и кибербезопасностью. Модель содержит 33,9 млрд параметров, построена на архитектуре Llama и рассчитана на контекст до 4096 токенов. Модель предназначена для диалоговых сценариев и исследований методов удаления знаний из языковых моделей. В оценке WMDP показатели по биобезопасности и кибербезопасности снизились с 75,3 и 49,7 у исходной Yi 34B Chat до 30,7 и 29,0 соответственно; результаты MMLU и MT-Bench остались близкими к исходным. Это не гарантирует полного удаления опасных знаний или безопасного поведения во всех запросах. Модель распространяется по лицензии MIT.

zephyr-220m-sft-full — диалоговая языковая модель, дообученная BEE-spoke-data на датасете HuggingFaceH4/ultrachat_200k на основе BEE-spoke-data/smol_llama-220M-openhermes. Она предназначена для генерации текста в формате беседы и ответов на пользовательские запросы. Модель имеет плотную архитектуру MistralForCausalLM и около 184,9 млн параметров; максимальный контекст — 2048 токенов. В карточке приведён результат оценки на тестовом наборе: loss 1,6579. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает языки обучения, качество на конкретных задачах или специальные ограничения, поэтому пригодность для отдельных сценариев следует проверять самостоятельно.

JustRL-Qwen3-4b-FKLSelective-Top10pct — экспериментальный чекпойнт семейства Qwen3, опубликованный из экспериментов BiDirect-OPD; основная ветка содержит состояние обучения global_step_300, а в отдельных ветках доступны более ранние шаги. Модель построена на плотной архитектуре Qwen3ForCausalLM и содержит 3,7 млрд параметров. Она предназначена для генерации текста и диалогового взаимодействия, работает с текстом и поддерживает контекст до 40 960 токенов. Чекпойнт относится к серии экспериментальных состояний обучения, поэтому карточка не подтверждает стабильное качество для прикладных сценариев. Репозиторий содержит веса в формате safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

MLCD-Embodied-7B — дообученная мультимодальная модель семейства Qwen2 для диалогов и ответов на вопросы об изображениях с упором на понимание сцен и объектов в робототехнике и embodied-задачах. В README приведены результаты оценки на RoboVQA и OpenEQA, а также на общих мультимодальных тестах, включая ChartQA, DocVQA и OCRBench. Модель содержит 7,1 млрд параметров, использует архитектуру LlavaQwenForCausalLM и принимает текст и изображения, формируя текстовые ответы. Контекст составляет 32 768 токенов. В метаданных указаны китайский, английский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский языки. Модель основана на Qwen/Qwen2.5-7B-Instruct и распространяется в формате safetensors по лицензии Apache-2.0.

MRmidtrain9Bv4 — quarter corpus — это контрольная точка эксперимента по масштабированию обучающих данных для MR_midtrain_9B_v4. Модель дообучена по рецепту midtrain SFT на базе Qwen/Qwen3.5-9B; её архитектура — плотная Qwen3.5 для генерации текста, число параметров в метаданных — 7,2 млрд. Модель предназначена для диалоговой генерации и задач meta-reasoning в протоколе MR со специальными токенами и scaffold-форматом базовой модели. Для обучения использовали четверть полного корпуса: 18 714 строк и 1 095 задач. Контекст модели — до 262 144 токенов по метаданным; в обучении применялась максимальная длина 65 536 токенов. На отложенной выборке достигнута сходимость с loss 0,6734. Это значение отражает предсказание следующего токена, а не оценку качества по задачам; результаты scaffold-оценивания для этих чекпойнтов ещё не измерены. Лицензия в предоставленных данных не описана.

Карточка модели Danielson13120000/Quasar-Preview на Hugging Face совпадает с карточкой silx-ai/Quasar-Preview, поэтому описание составлено по ней. Quasar-Preview — ранний контрольный пункт серии Quasar Foundation Model от SILX AI, предназначенный для исследований и дальнейшего развития экосистемы Quasar. Это причинная языковая модель для генерации текста и диалогов; карточка описывает разреженную MoE-архитектуру с гибридными рекуррентными и attention-слоями на базе Loop Transformer, Quasar, Raven и GLA. В README указано около 18 млрд параметров всего и около 2 млрд активных на проход, тогда как метаданные Hugging Face указывают 1,2 млрд параметров. Модель рассчитана на эксперименты с длинным контекстом, разреженными MoE-системами, гибридным вниманием, памятью и извлечением информации, агентными системами, а также на дистилляцию и децентрализованное обучение в Bittensor SN24. Конфигурация предусматривает контекст до 5 млн токенов, но README подчёркивает экспериментальный характер этого режима и недостаточную проверенность качества рассуждений на такой длине. По тегам карточки заявлены английский и арабский языки. Модель опубликована в формате safetensors, использует библиотеку Transformers и распространяется по лицензии MIT. Это предварительная исследовательская версия, а не готовый производственный ассистент. Возможны галлюцинации, небезопасные, предвзятые или низкокачественные ответы; для применения нужны оценка, фильтрация и дополнительные меры безопасности. Полная дорожная карта обучения не завершена, а результаты бенчмарков требуют независимой проверки.

Armandotrsg/qwen-cybersecurity-2.5-7b-merged — плотная языковая модель Qwen2.5 на 7,1 млрд параметров, дообученная на базе unsloth/qwen2.5-7b-unsloth-bnb-4bit. В карточке указано, что обучение выполнялось с использованием Unsloth и библиотеки Hugging Face TRL; подробности о датасете и методике дообучения не приведены. Модель предназначена для генерации текста. Название указывает на кибербезопасность, однако карточка не описывает специализированные сценарии, подтверждённые навыки или результаты оценки в этой области. Метаданные указывают контекст до 131 072 токенов и английский язык. Лицензия — Apache-2.0.

RedSage-Qwen3-8B-Base-i1-GGUF — это набор квантизированных GGUF-версий базовой текстовой модели RISys-Lab/RedSage-Qwen3-8B-Base. Квантизацию выполнил mradermacher; в метаданных также указана связь с nethype GmbH. Модель ориентирована на генерацию текста и сценарии, связанные с кибербезопасностью, включая continual pretraining и targeted pretraining. Заявленный язык — английский. Модель имеет размер 8B параметров в базовой версии и поставляется в формате GGUF с imatrix-квантизациями различных уровней — от крайне компактных IQ1 до более качественных Q6_K. Размер доступных файлов составляет примерно от 2,2 до 6,8 ГБ; варианты Q4_K_S и Q4_K_M обозначены как оптимальные по соотношению размера, скорости и качества, причём Q4_K_M рекомендован как быстрый вариант. GGUF подходит для локального запуска в совместимых инструментах, однако README не содержит сведений о контекстном окне, точной архитектуре, поддерживаемых модальностях помимо текста или системных требованиях. Сильной стороной модели является широкий выбор уровней квантизации, позволяющий адаптировать потребление памяти и скорость к возможностям оборудования. Ограничения включают возможное снижение качества у низкобитных вариантов, особенно у IQ1 и Q2; сама базовая модель не позиционируется как instruction-tuned или чат-модель. Лицензия в предоставленных данных не указана, поэтому условия использования необходимо уточнять на странице исходной модели и репозитория.

smolGen1.0 — компактная диалоговая языковая модель, созданная Larisa Andreea путём дообучения HuggingFaceTB/SmolLM2-135M-Instruct с помощью TRL. Она предназначена для генерации ответов на пользовательские сообщения и запускается через библиотеку Transformers как модель задачи text-generation. Модель использует плотную архитектуру семейства Llama с классом LlamaForCausalLM, содержит 134,5 млн параметров и имеет контекстное окно 8192 токена. README демонстрирует диалоговый ввод и генерацию продолжения; метаданные указывают возможность чата. Базовая модель описана как компактная англоязычная инструктивная модель, поэтому основным языком следует считать английский. Модель подходит для компактных диалоговых приложений и экспериментов с генерацией текста. Карточка не сообщает результаты оценки качества, подробности обучающих данных или лицензию, поэтому эти характеристики нельзя подтвердить.

SmolLM-360M-Instruct — компактная языковая модель HuggingFaceTB для диалоговой генерации текста. Это дообученная версия SmolLM-360M с архитектурой Llama и примерно 362 млн параметров; длина контекста — 2048 токенов. Модель рассчитана на англоязычные беседы, ответы на общие вопросы, творческое письмо и простые примеры кода. Версия v0.2 дообучена на наборах Magpie-Pro-300K-Filtered, self-oss-instruct-sc2-exec-filter-50k, OpenHermes-2.5 и наборе коротких повседневных диалогов. По данным авторов, она лучше удерживает тему и отвечает на стандартные запросы, чем v0.1; в AlpacaEval v0.2 показала преимущество над v0.1. Доступны веса Safetensors и ONNX, модель использует библиотеку Transformers и распространяется по лицензии Apache-2.0. Это небольшая модель, поэтому она может ошибаться в фактах, логике и арифметике, а также испытывать трудности со сложными рассуждениями и редактированием текста. Она предназначена для английского языка; авторы рекомендуют использовать ответы как вспомогательные, а не как окончательный источник информации.

StellarX-4B-V0.2 — авторегрессионная языковая модель, разработанная Dampish на архитектуре GPT-NeoX. Версия содержит около 3,5 млрд параметров и обучалась на корпусе RedPajama; в README указано, что эта версия обучена на 300 млрд токенов. Контекст составляет 2048 токенов, модель распространяется в формате PyTorch. Модель предназначена для генерации текста и экспериментов с языковыми моделями, включая дообучение для прикладных задач. В карточке заявлена ориентация прежде всего на английский язык; другие языки могут работать, но это не гарантируется. Автор отмечает, что модель не проходила настройку для следования инструкциям или диалога и не предназначена для непосредственного использования без надзора. Лицензия CC-BY-NC-SA-4.0 разрешает некоммерческое использование с указанием авторства и распространением производных работ на тех же условиях; для коммерческого использования требуется отдельное соглашение.

Titlewave T5 Base — модель для предложения заголовка вопроса Stack Overflow по его тексту. Она входит в проект расширения Chrome Titlewave, которое помогает подобрать заголовок, способный привлечь ответы. Модель построена на архитектуре T5 и содержит 123,8 млн параметров; она принимает текст и генерирует текст, а контекст составляет до 512 токенов. В метаданных указан английский язык. Модель дообучена на заголовках вопросов Stack Overflow за 2017–2019 годы: для обучения отбирались вопросы с принятым ответом, а закрытые вопросы исключались. Её можно использовать через Transformers как задачу суммаризации, хотя практическое назначение — генерация заголовков. Лицензия — CC BY 4.0. Ограничения: обучение на вопросах с принятым ответом может смещать предложения в сторону таких вопросов; сведения об оценке качества в доступной карточке не приведены.

Baihu-V1-GGUF — это текстовая GGUF-сборка модели ZichenAI, полученная дообучением google/gemma-4-E2B-it на двуязычных китайско-английских диалогах. Дообучение меняет стиль ответов: модель отвечает кратко и прямо, обычным текстом, и рассчитана на перенос правил, аналогий и форматов на новые случаи в ходе нескольких реплик. Это компактная модель примерно 2B-класса для диалогов и генерации текста; опубликованы варианты GGUF Q4_K_M и Q8_0 для запуска через llama.cpp. В этой сборке используются только текстовые возможности базовой модели, без её аудио- и визуальных компонентов. Модель подходит для коротких ответов на вопросы на китайском и английском, а также для многошаговых объяснительных диалогов, где предпочтительны лаконичные ответы без разметки. В описанной авторами оценке на отложенных диалогах выросла близость ответов к эталонному стилю, при этом тест MMLU не показал заметного изменения общих знаний. Модель может галлюцинировать, унаследовать предвзятости базовой модели и не предназначена для надёжного поиска фактов, сложной математики, длинных текстов, вызова инструментов или задач с изображениями и аудио. Лицензия указана как other; конкретные условия следует проверять в репозитории модели и базовой модели.

MultiModel Small 229M — текстовая генеративная модель проекта CodeDevX, дообученная на образовательном текстовом наборе данных проекта. Чекпойнт содержит около 229 млн параметров; его плотный трансформерный декодер имеет 12 слоёв, размер скрытого состояния 768 и 12 голов внимания. Токенизатор использует 50 257 BPE-токенов. Несмотря на название multimodal-ready, карточка описывает текстовую генерацию и не подтверждает обработку изображений, аудио или других модальностей. Модель предназначена для генерации текста на английском языке в образовательных сценариях. В репозитории размещены веса и конфигурация PyTorch, а также файлы токенизатора. Для загрузки требуется пользовательская реализация модели из исходного проекта: напрямую через AutoModel чекпойнт не загружается. В обучении использовались 1 000 примеров, а опубликованный чекпойнт соответствует шагу 350, поэтому качество и устойчивость на широком круге задач могут быть ограничены. Лицензия — MIT.

Карточка модели faisalsardi-dev/orderbuilder-v2-qwen3-v2 на Hugging Face совпадает с карточкой faisalsardi-dev/orderbuilder-v2-qwen3, поэтому описание составлено по ней. faisalsardi-dev/orderbuilder-v2-qwen3 — дообученная языковая модель на архитектуре Qwen3 для генерации текста в диалоговом формате. Она основана на unsloth/qwen3-8b-unsloth-bnb-4bit и обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Название репозитория указывает на сценарии построения заказов, однако карточка не описывает конкретные функции или качество в этой области. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также указана возможность интерфейса вызова инструментов. Модель распространяется под лицензией Apache-2.0.

OTel-Embedding-8B — текстовая модель эмбеддингов для поиска в документах телекоммуникационной отрасли, разработанная в рамках инициативы Open Telco AI. Это полнопараметрическое дообучение Qwen/Qwen3-Embedding-8B на наборе OTel-Embedding; в метаданных указаны архитектура Qwen3, 7,6 млрд параметров, контекст до 40 960 токенов и формат safetensors. Модель предназначена для извлечения релевантных фрагментов из телеком-стандартов, спецификаций, RFC, научных работ и других отраслевых документов, в том числе как поисковый компонент RAG-системы. На отложенной выборке OTel-Embedding авторы сообщают NDCG@10 93,5% ± 0,3%, что на 9,6 процентного пункта выше базовой модели. Эти результаты относятся к внутреннему разбиению набора данных и не подтверждают такое же качество на внешних тестах или во всех подразделах телекоммуникаций. Модель рассчитана на английский язык и не является универсальной; результаты поиска следует проверять перед операционным, клиентским, нормативным или сетевым применением. Лицензия модели — Apache-2.0; также необходимо учитывать лицензию или условия базовой модели.

PicoLM-80M-Instruct — компактная авторегрессионная языковая модель разработчика Emre Polat, обученная с нуля для быстрого инференса и запуска на устройствах с ограниченными ресурсами. Она построена на плотной архитектуре семейства Llama и содержит около 80,2 млн параметров; применяет SwiGLU, Grouped-Query Attention, RMSNorm, QK-Norm и связанные эмбеддинги. Контекст модели — 2 048 токенов, словарь — 16 384 токена; доступны форматы Safetensors и GGUF. Модель предназначена для генерации текста и диалоговых сценариев на английском языке, включая работу с Python-кодом. В карточке приведены результаты измерений на HellaSwag и ARC-Easy, однако результаты на ARC-Easy близки к случайному уровню. Из-за малого размера модели её фактические знания ограничены: для фактологических ответов рекомендуется использовать RAG, а сложные математические вычисления требуют внешней проверки. Лицензия — Apache 2.0.

QyrouNnet-AI представляет Vega 1 — экспериментальную базовую языковую модель семейства Qyrou-1 для исследований малых языковых моделей и последующего дообучения. Это плотная авторегрессионная модель с архитектурой qyrou_arch и примерно 66,8 млн параметров; в README описана гибридная схема с 21 слоем, включая группированное внимание и причинные свёртки. Контекст обучения — 2048 токенов. Модель принимает и генерирует текст; карточка указывает английский язык, а обучающий корпус состоял преимущественно из английских текстов, а также примеров по математике, школьным естественным наукам, базовому программированию и пошаговым рассуждениям. Модель предназначена для экспериментов с генерацией и продолжением текста, суммаризацией, дополнением кода и математическими задачами, а также для пользовательского дообучения. Она не проходила инструкционное дообучение, поэтому может непоследовательно выполнять запросы; небольшой размер и незавершённый первый этап предобучения ограничивают качество по сравнению с крупными моделями. Указанная лицензия — Apache-2.0.

Это дообученная модель Qwen/Qwen3-8B, созданная на наборе данных open-athena/glm-4.6-stackexchange-tezos-32ep-131k. Модель разработана для генерации текста в диалоговом формате и ориентирована на тематику вопросов и ответов Stack Exchange о Tezos. Модель содержит 7,6 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и формат весов Safetensors. Нативная длина контекста составляет 40 960 токенов. Она принимает текст и генерирует текст; метаданные указывают библиотеку Transformers и возможность диалогового использования. Карточка не приводит результатов оценки и подробных инструкций по применению, поэтому качество ответов по Tezos и охват конкретных тем не подтверждены. Модель распространяется по лицензии Apache-2.0.

Llama-ML-Expert-Instruct-1b — компактная языковая модель с 1,2 млрд параметров, разработанная danivpv для ответов на инструкции по машинному обучению. Это плотная авторегрессионная модель семейства Llama, дообученная методом SFT с LoRA на базе unsloth/Llama-3.2-1B-bnb-4bit. В обучении использованы синтетические пары «инструкция — ответ» по научным статьям из arXiv о машинном обучении и подвыборка FineTome-Alpaca-100k для сохранения общих навыков следования инструкциям. Модель предназначена для кратких ответов на вопросы о методах, исследованиях и понятиях машинного обучения, а также для диалогового взаимодействия по этой тематике. Карточка указывает контекст до 131072 токенов; в примере запуска задан max_seq_length=2048. Поддерживаемый язык карточки — английский. Репозиторий содержит веса safetensors и адаптер LoRA; для базовой модели указана лицензия Llama 3.2. Модель рассчитана на запуск на умеренном оборудовании, но её небольшой размер ограничивает общее рассуждение и качество ответов за пределами специализированных коротких вопросов.

HikkenNoAce/oran-model — чат-модель на архитектуре Llama, дообученная и объединённая из локального LoRA-адаптера на базе TinyLlama/TinyLlama-1.1B-Chat-v1.0. Она предназначена для генерации текста и диалоговой декомпозиции политик O-RAN. Модель содержит около 1 млрд параметров, принимает текст и рассчитана на контекст до 2048 токенов. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия в доступных данных не указана.

ORANSight Llama-8B Instruct — разговорная языковая модель, разработанная NextG Lab при Университете штата Северная Каролина. Это дообученная версия Meta-Llama-3.1-8B-Instruct-bnb-4bit с архитектурой LlamaForCausalLM и 7,5 млрд параметров; модель опубликована в формате Safetensors и рассчитана на контекст до 131 072 токенов. Модель предназначена для диалога и генерации ответов в роли помощника по O-RAN: например, для объяснения интерфейсов и понятий O-RAN. README показывает использование через Transformers и system prompt с ролью эксперта O-RAN. Поддерживается англоязычное взаимодействие; метаданные также отмечают интерфейс вызова инструментов. Модель распространяется по лицензии Llama 3.1. Подробная статья с результатами экспериментов в карточке обозначена как готовящаяся к публикации, поэтому приведённые сведения не устанавливают её качество в профильных задачах.