III.1Стратегия, продукт и бизнес-модели

Stable Beluga 13B — авторегрессионная языковая модель Stability AI, дообученная на базе Llama 2 13B на внутреннем наборе данных в стиле Orca. Она предназначена для генерации текста и диалогов на английском языке, включая ответы на инструкции и вопросы. Модель содержит 12,9 млрд параметров, использует архитектуру Llama и принимает контекст длиной до 4096 токенов. Модель доступна в формате Safetensors и рассчитана на запуск через HuggingFace Transformers. Перед применением в конкретных сценариях требуется проверка безопасности и качества: ответы могут быть неточными, предвзятыми или нежелательными, а тестирование проводилось на английском языке. Чекпойнт распространяется по некоммерческой лицензии STABLE BELUGA NON-COMMERCIAL COMMUNITY LICENSE AGREEMENT.

Mel-Iza0/zero-shot — модель классификации текста с нулевым обучением на архитектуре DeBERTa-v2. Она сопоставляет текст с переданным набором меток и оценивает их соответствие, поэтому подходит для классификации по пользовательским категориям без отдельного обучения на этих категориях. В README показан запуск через pipeline zero-shot-classification из Transformers с шаблоном гипотезы. Модель содержит 211,6 млн параметров, работает с контекстом до 512 токенов и опубликована в формате PyTorch. Метаданные указывают португальский язык. Лицензия в доступных данных не указана.

Fino1-14B — языковая модель TheFinAI, дообученная на базе Qwen2.5-14B-Instruct для финансовых рассуждений. Обучение методом SFT и RF на датасете TheFinAI/Fino1_Reasoning_Path_FinQA_v2 направлено на повышение качества решения финансовых задач, в том числе математических. Модель относится к плотной архитектуре Qwen2 и содержит 14 млрд параметров; она принимает текст и генерирует текст, поддерживает диалоговый режим и интерфейс вызова инструментов. Контекстное окно — до 131 072 токенов. Лицензия — Apache-2.0.

manojpreveen/Llama-2-7b-hf-ChatOrca — диалоговая языковая модель, созданная на основе Meta Llama 2 7B и дообученная на смеси данных Orca, OpenPlatypus и открытых многоходовых диалогов. Она предназначена для генерации ответов и поддержания многоходовых бесед, включая задачи, требующие рассуждений. Модель использует плотную архитектуру LlamaForCausalLM, содержит около 6,6 млрд параметров и рассчитана на контекст до 4096 токенов. Для общения применяется формат запросов Meta Llama 2 Chat с маркерами [INST]. Модель работает с текстом и выдаёт текст; в карточке указаны обучающие данные на английском языке, но перечень поддерживаемых языков не заявлен. Репозиторий содержит веса safetensors. Лицензия — MIT; базовая модель Meta Llama 2 имеет собственные условия лицензирования, которые следует учитывать отдельно.

QuantFactory/Llama3-DocChat-1.0-8B-GGUF — квантованная версия Cerebras Llama3-DocChat 1.0 8B, подготовленная QuantFactory с использованием llama.cpp. Исходная модель разработана Cerebras на базе Llama 3 и предназначена для диалоговых вопросов и ответов по документам, включая сценарии retrieval-augmented generation (RAG). Модель должна отвечать на вопросы с учётом переданного контекста и сообщать, если ответ в документе не найден. Модель относится к текстовым генеративным LLM, содержит 8 млрд параметров и поддерживает стандартный шаблон чата Llama 3 Instruct. Для передачи документа используется обёртка <context>...</context>; дополнительно можно задать инструкцию о требуемой полноте или краткости ответа. В карточке указан английский язык. Контекстное окно и конкретный формат квантования для этой GGUF-сборки не указаны. По результатам приведённых тестов модель показывает сильные результаты в задачах документного диалога: средний показатель на ChatRAG Benchmark составляет 55,71, а на EleutherAI Evaluation Harness — 58,07. К ограничениям относятся специализация прежде всего на ответах по предоставленному контексту, возможные потери качества из-за квантования и отсутствие данных о точном варианте квантования, требованиях к ресурсам и поддерживаемом размере контекста. Лицензия указана как other; подробные условия в README не приведены.

UMUTeam/roberta-spanish-sentiment-analysis — модель команды UMUTeam для классификации тональности испанских текстов. Это дообученная модель MarIA на архитектуре RoBERTa, основанная на PlanTL-GOB-ES/roberta-base-bne. Для классификации последовательностей используется RobertaForSequenceClassification; размер модели — 151,8 млн параметров, контекст — до 514 токенов. Модель присваивает тексту одну из трёх меток: негативную, нейтральную или позитивную. Она обучена на объединении нескольких наборов данных, включая TASS и данные о тональности в политической и других областях, и может применяться для анализа мнений в испаноязычных текстах. Модель распространяется по лицензии Apache-2.0.

Rocket-3B — англоязычная чат-модель примерно на 2,7 млрд параметров, разработанная Pansophic на базе Stability AI StableLM-3B-4E1T. Это плотная GPT-подобная авторегрессионная модель, дообученная на общедоступных наборах данных с помощью Direct Preference Optimization (DPO); для диалога используется формат ChatML. Контекст — до 4096 токенов. Модель предназначена для диалогов, следования инструкциям и генерации развернутых текстовых ответов. В README приведены результаты оценок MT-Bench и AlpacaEval, однако они не гарантируют аналогичного качества в конкретных задачах. Модель в основном рассчитана на английский язык; сведения о поддержке других языков не приводятся. Лицензия — CC-BY-SA-4.0. В карточке отмечено, что у модели нет встроенной фильтрации ответов и дополнительных механизмов безопасности, поэтому она может выдавать проблемный или токсичный текст.

Saransh 1.7B — компактная модель суммаризации на базе Qwen3-1.7B, разработанная M37labsorg и дообученная следовать инструкциям. Она создаёт связные краткие или подробные резюме английских статей, отчётов, стенограмм, научных текстов и переписки; длину можно задавать числом предложений, абзацев или примерным количеством слов. Модель имеет архитектуру Qwen3 с 1,7 млрд параметров и контекстное окно до 40 960 токенов по метаданным; README рекомендует разбивать входы длиннее 8 192 токенов на части. Базовые веса доступны в формате safetensors, а отдельные сборки GGUF поддерживают локальный запуск на обычном компьютере. Сильные стороны Saransh — управление длиной резюме и отбор обучающих примеров для повышения точности передачи чисел, имён и атрибуций. При этом модель может добавлять неподтверждённые имена и иногда числа, а резюме склонны быть длиннее эталонных; результат следует проверять, особенно перед использованием в юридических, медицинских или финансовых решениях. Модель рассчитана на английский язык, не предназначена для перевода, открытого диалога или ответов на вопросы. Лицензия Apache 2.0 допускает коммерческое использование.

Многоязычная модель Cardiff NLP для многометочной классификации тем публикаций в социальных сетях. Она основана на cardiffnlp/twitter-xlm-roberta-base — языковой модели XLM-RoBERTa, обученной на примерно 198 млн многоязычных твитов, и дообучена на наборах TweetTopic и X-Topic. Модель содержит около 305,2 млн параметров и принимает текст с контекстом до 514 токенов. Модель определяет темы на английском, испанском, японском и греческом языках. Среди классов — искусство и культура, бизнес, повседневная жизнь, образование, новости, наука и технологии, спорт и путешествия; для одной публикации могут быть выбраны несколько тем. Лицензия — MIT. В результатах на X-Topic показатели Macro-F1 различаются по языкам: от 41,3 для греческого до 55,4 для английского; качество зависит от языка и тематики текста.

DocuBrief — языковая модель для суммаризации документов, созданная разработчиком samandar1105 путём дообучения Qwen/Qwen2.5-1.5B-Instruct с помощью QLoRA. Модель обучена на 4000 примерах, подготовленных на основе CNN/DailyMail, и предназначена для работы вместе с RAG- или chunking-слоем, который передаёт ей содержимое документа. Модель формирует ясные, структурированные и ориентированные на исходный текст краткие пересказы. Её можно применять для суммирования новостных статей и документов на английском языке; для длинных документов предполагается обработка фрагментов с помощью map-reduce или RAG. Это плотная авторегрессионная архитектура Qwen2 с 1,5 млрд параметров и контекстом до 32 768 токенов. Модель обучалась на новостных текстах, поэтому для юридических, медицинских, научных и других узкоспециализированных документов качество может быть ниже. Для произвольных больших документов требуется внешний слой разбиения и передачи содержания. Лицензия — Apache-2.0.

JPT-9B — открытая модель решений от автора репозитория kirp, созданная дообучением Qwen/Qwen3.5-9B с помощью LoRA и объединением адаптера с основными весами. Она принимает описание ситуации и типизированные вопросы, а одним проходом выдаёт вероятности вариантов ответа для выбора из списка, оценки по упорядоченной шкале или ответа «да/нет». Модель предназначена для классификации намерений и тональности, NLI, выбора действия и других задач, где нужно оценить несколько вариантов без генерации объяснения. Модель содержит 9 млрд параметров, использует архитектуру Qwen3.5ForConditionalGeneration и сохраняется в формате safetensors. Она мультимодальна и поддерживает изображения благодаря базовой модели, однако обработка изображений для этого чекпойнта не проверялась. Основной язык — английский; другие языки представлены лишь в небольшом количестве обучающих наборов. Вероятности откалиброваны общей температурой 1,087. Модель распространяется по лицензии CC BY-NC 4.0, которая не разрешает коммерческое использование.

cointegrated/rubert-tiny-sentiment-balanced — русскоязычная модель классификации тональности, созданная дообучением cointegrated/rubert-tiny. Она распределяет короткий текст по одному из трёх классов: отрицательная, нейтральная или положительная тональность. Модель основана на архитектуре BERT и содержит 12,1 млн параметров. Она принимает текст, поддерживает контекст до 512 токенов и предназначена для анализа коротких русскоязычных сообщений, например отзывов и новостей. В README приведены результаты на сбалансированном тестовом наборе: Macro F1 составляет 0,83 для банковских отзывов SentiRuEval2016, 0,74 для отзывов о телекоммуникациях и 0,66 для новостей Kaggle. Модель обучена на собранных Smetanin датасетах, приведённых к трёхклассовой разметке; источники и классы балансировались повышающей и понижающей выборкой. Лицензия в предоставленных данных не указана.

TinyJev-0.6B — плотная текстовая модель решений, разработанная AnkitAI на базе Qwen3-0.6B-Base. Она оценивает предложенные варианты и возвращает вероятность каждого из них, не генерируя свободный текст. Интерфейс поддерживает выбор из вариантов, оценку истинности утверждения и размещение состояния на упорядоченной шкале; контекст модели — 32 768 токенов. Модель предназначена для локального выполнения структурированных решений по текстовому состоянию, заявке, записи или строке журнала. По README, она содержит около 596 млн параметров, использует pointer head и калибровку вероятностей с температурой 1,46; метаданные указывают 507,9 млн параметров. Поддерживаются MLX на Apple Silicon и PyTorch, а репозиторий содержит веса в safetensors. README сообщает о тестировании на наборах задач принятия решений, но приводит ограниченные результаты переноса, поэтому качество для конкретных прикладных сценариев следует проверять отдельно. Модель принимает только текст и выдаёт оценки вариантов и вероятности. README указывает обучение Qwen3-0.6B-Base с LoRA на открытом наборе jaredpalmer/kev-suites с последующим слиянием адаптера с базой. Лицензия модели — MIT; README также указывает Apache-2.0 для базовой модели, набора данных и дизайна pointer head.

Llama-2-7B-32K-Instruct — диалоговая языковая модель Together Computer, дообученная на основе Llama-2-7B-32K на наборах инструкций и диалогов. Она предназначена для генерации ответов в чате, следования инструкциям, суммаризации длинных текстов и ответов на вопросы по нескольким документам. Модель имеет плотную архитектуру LlamaForCausalLM и 6,6 млрд параметров. Она принимает текст и поддерживает контекст до 32 768 токенов; в карточке указан английский язык. Для дообучения использовались 19 тысяч диалогов, BookSum и данные для вопросов по нескольким документам. Модель распространяется в формате PyTorch по лицензии Llama 2. В опубликованной оценке модель показала результаты на Alpaca Eval, суммаризации BookSum и многодокументном QA. Как и другие языковые модели, она может давать неточные или предвзятые ответы; опубликованные результаты оценки не гарантируют качество для конкретного применения.

Llama-3-70B-Instruct-Gradient-262k — это дообученная Gradient версия Meta Llama 3 70B Instruct, разработанная Gradient при поддержке вычислительных ресурсов Crusoe Energy. Модель предназначена для диалоговой генерации текста и обработки очень длинных входных последовательностей: README сообщает о расширении контекста исходной модели с 8 тысяч до более чем 262 тысяч токенов за счёт настройки RoPE theta и обучения на дополнительных данных. В метаданных указаны архитектура LlamaForCausalLM, 69,5 млрд параметров и контекст 262 144 токена. Модель подходит для диалоговых помощников, анализа длинных документов и сценариев, где нужно учитывать большой объём контекста за один запрос. Карточка описывает англоязычный вариант; поддержка других языков не подтверждена. Для запуска предлагаются Transformers или TGI, а веса опубликованы в формате safetensors. Использование регулируется лицензией Llama 3; перед развёртыванием следует учитывать её условия и проверять ответы модели, поскольку возможны ошибки и остаточные риски безопасности.

Gemma 2 27B IT — инструктивно дообученная текстовая языковая модель Google из семейства Gemma 2. Это декодерная трансформерная модель с открытыми весами, предназначенная для диалога и генерации текста по инструкциям. В репозитории указаны формат safetensors и библиотека Transformers; модель основана на google/gemma-2-27b. Модель подходит для ответов на вопросы, суммаризации, диалоговых помощников, создания текстов и рассуждений по заданному контексту. В карточке семейство описано как англоязычное; модель принимает текст и генерирует текст. Размер модели составляет 27 млрд параметров. Ответы могут содержать фактические ошибки и отражать предвзятости обучающих данных; модель может испытывать трудности с тонкими языковыми нюансами и сложными открытыми задачами. Условия лицензии Gemma определяются лицензией Google Gemma; перед использованием следует ознакомиться с её условиями и политикой допустимого применения.

Llama-3-8B-ProLong-64k-Instruct — диалоговая языковая модель Princeton NLP на архитектуре Llama 3 с 7,5 млрд параметров. Это вариант ProLong, дообученный для следования инструкциям и работы с длинным контекстом; в README описано продолженное обучение на данных до 64K токенов и supervised fine-tuning на UltraChat. Метаданные указывают контекст до 65 536 токенов. Модель предназначена для диалогов, генерации текста и задач, где нужно учитывать длинные документы или историю переписки. Авторы представляют семейство ProLong как модель для длинного контекста и сообщают об оценке на HELMET. Репозиторий использует формат Safetensors и лицензию Llama 3. README приводит характеристики обучения для основной версии семейства с контекстом 512K, поэтому эти параметры не следует переносить на вариант 64K.

Aether-12b — языковая модель AIXON Lab, дообученная на основе Xclbr7/Arcanum-12b на наборе theprint/CleverBoi-Data-20k. Это плотная авторегрессионная Transformer-модель семейства Mistral с 12,1 млрд параметров; для дообучения использовались TRL SFTTrainer, оптимизатор AdamW, планировщик cosine decay и точность bfloat16. В карточке указано контекстное окно 1 024 000 токенов. Модель предназначена для работы в роли ассистента или чат-бота с заданной ролью. Разработчик заявляет улучшения в рассуждении, решении задач, письме, анализе и понимании контекста. Основной язык — английский; карточка также отмечает возможную поддержку других языков. Лицензия — Apache-2.0. Модель может наследовать предвзятости и ограничения базовой модели и обучающих данных; результаты стоит проверять, особенно при использовании для анализа и решения задач. Оценки Open LLM Leaderboard в карточке пока отсутствуют.

Gemma 2 9B Instruct — языковая модель Google с открытыми весами, построенная на архитектуре decoder-only и адаптированная для следования инструкциям и диалога. Она принимает текст и генерирует текст; семейство Gemma описано как ориентированное на английский язык. Репозиторий содержит производную версию базовой модели google/gemma-2-9b и файлы safetensors для использования с Transformers. Модель подходит для ответов на вопросы, суммаризации, диалоговых интерфейсов, создания текстов и рассуждений по заданному контексту. Относительно компактный размер семейства позволяет запускать модели Gemma на локальных компьютерах или собственной облачной инфраструктуре, хотя фактические требования зависят от конфигурации запуска. Модель может ошибаться в фактах, хуже справляться со сложными или неоднозначными запросами и отражать предвзятость обучающих данных. Использование регулируется лицензией Gemma.

Giraffe-13b-32k-v3 — авторегрессионная языковая модель на архитектуре Transformer/Llama, разработанная Abacus.AI. Она дообучена на базе Llama 2 13B для работы с контекстом до 32 768 токенов: длинный контекст получен с помощью интерполяции, затем модель дополнительно настроена на выполнение инструкций с использованием ShareGPT и Orca-Chat. В метаданных указано 12,9 млрд параметров. Модель предназначена для генерации текста и диалоговых задач по инструкциям. Длинное окно контекста подходит, например, для ответов на вопросы по объёмным документам и предоставленным результатам поиска; разработчик также сообщает об улучшении рассуждений и математических способностей на бенчмарках. Поддерживаемый язык в карточке явно не перечислен. Модель распространяется по лицензии Llama 2 Community License. Разработчик предупреждает, что безопасность модели не оценивалась, и позиционирует её для исследований и экспериментов; результаты могут содержать ошибки.

Llama-3-8B-ProLong-512k-Instruct — длинноконтекстная чат-модель Princeton NLP, созданная продолженным обучением и дообучением с учителем на основе Meta-Llama-3-8B-Instruct. Она рассчитана на генерацию ответов и работу с инструкциями при анализе больших объёмов текста. Модель имеет плотную архитектуру LlamaForCausalLM и 7,5 млрд параметров, принимает контекст длиной до 524 288 токенов. Для адаптации к длинным текстам модель обучали на данных ProLong с контекстами до 64K и 512K токенов; инструкционное дообучение проводилось на UltraChat. Авторы сообщают о сильных результатах в оценке длинноконтекстных моделей HELMET. Модель поддерживает диалоговый сценарий, но README не перечисляет конкретные языки и не приводит подробностей о качестве на отдельных задачах. Лицензия — Llama 3 (llama3).

unsloth/Jan-nano-128k-GGUF — это GGUF-квантизированная версия компактной языковой модели Jan-Nano-128k, разработанной Menlo Research авторами Alan Dao, Bach Vu Dinh и Thinh Le и опубликованной в формате Unsloth Dynamic 2.0. Модель предназначена для генерации текста и исследовательских задач, включая анализ длинных документов, обработку научных статей, синтез информации из нескольких источников, сложные рассуждения и многошаговые диалоги. Она совместима с серверами Model Context Protocol (MCP) и может использоваться локально, в том числе через Jan, с сохранением конфиденциальности данных. Ключевая характеристика модели — нативное контекстное окно до 128 000 токенов, рассчитанное на эффективную работу с длинными контекстами без типичной деградации производительности при их расширении. В README не указаны точный размер модели, базовая архитектура, поддерживаемые языки, модальности и параметры GGUF-квантизации; заявлена поддержка текстовой генерации и языка English. Модель оценивалась на SimpleQA с использованием MCP-методологии, однако численные результаты в предоставленных данных отсутствуют. Сильными сторонами являются большое контекстное окно, ориентация на глубокий анализ и работа с большими объёмами информации, а также возможность локального развертывания. Ограничения включают отсутствие подробных сведений о размере, аппаратных требованиях, конкретных вариантах квантизации и фактических показателях качества. Модель распространяется по лицензии Apache 2.0.

Карточка модели Dido599999/MD1RoBoTs-Gemma2-27B на Hugging Face совпадает с карточкой google/gemma-2-27b-it, поэтому описание составлено по ней. Gemma 2 27B IT — инструктивно дообученная текстовая языковая модель Google из семейства Gemma 2. Это декодерная трансформерная модель с открытыми весами, предназначенная для диалога и генерации текста по инструкциям. В репозитории указаны формат safetensors и библиотека Transformers; модель основана на google/gemma-2-27b. Модель подходит для ответов на вопросы, суммаризации, диалоговых помощников, создания текстов и рассуждений по заданному контексту. В карточке семейство описано как англоязычное; модель принимает текст и генерирует текст. Размер модели составляет 27 млрд параметров. Ответы могут содержать фактические ошибки и отражать предвзятости обучающих данных; модель может испытывать трудности с тонкими языковыми нюансами и сложными открытыми задачами. Условия лицензии Gemma определяются лицензией Google Gemma; перед использованием следует ознакомиться с её условиями и политикой допустимого применения.

Gemma 2 27B — текстовая авторегрессионная языковая модель семейства Gemma, разработанного Google с использованием исследований и технологий, применявшихся при создании Gemini. Модель доступна с открытыми весами и предназначена для генерации текста; семейство Gemma включает предварительно обученные и настроенные для следования инструкциям варианты. В репозитории указаны формат safetensors и библиотека Transformers. Модель подходит для ответов на вопросы, суммаризации, диалоговых интерфейсов, создания текстов и рассуждений по чётко сформулированным запросам. В README заявлена поддержка английского языка; конкретные размер контекстного окна и число параметров здесь не приведены. Открытые веса позволяют запускать модель на собственном оборудовании или в облачной инфраструктуре. Ограничения включают возможные фактические ошибки, предвзятость, трудности с неоднозначностью, тонкими языковыми нюансами и сложными открытыми задачами. Лицензия — Gemma; перед использованием следует соблюдать условия лицензии и политику допустимого использования Gemma.

alpindale/gemma-7b — текстовая авторегрессионная модель семейства Gemma, разработанного Google на основе исследований и технологий, применявшихся для Gemini. Это плотная decoder-only модель с 8,2 млрд параметров; карточка указывает поддержку английского языка и контекст до 8192 токенов. Модель принимает текст и генерирует текст, подходит для ответов на вопросы, суммаризации, диалога, создания текстов и рассуждений. Модель можно запускать через Transformers; сравнительно небольшой размер позволяет использовать её на персональных компьютерах и собственной облачной инфраструктуре. В репозитории указаны веса в формате safetensors. README описывает Gemma как семейство с предварительно обученными и дообученными для инструкций вариантами, но не уточняет отдельно тип этого чекпойнта. Лицензия в предоставленных данных не указана. Как и другие языковые модели, она может выдавать фактически неверные ответы, отражать предвзятость обучающих данных и испытывать трудности с неоднозначностью, тонкими языковыми нюансами и сложными открытыми задачами. Для пользовательских приложений следует оценивать качество ответов и применять меры безопасности.

LongAlign-6B-64k — чат-модель на архитектуре ChatGLM, разработанная авторами проекта LongAlign. Она дообучена на LongAlign-6B-64k-base, созданной на основе ChatGLM3-6B с расширенным контекстом, для следования инструкциям в длинных диалогах и работы с запросами, содержащими большие объёмы текста. В README описан набор LongAlign-10k из 10 000 инструкций длиной 8–64 тыс. токенов и подходы к обучению, включая упаковку примеров с взвешиванием потерь и пакетирование по длине. Для модели указано окно контекста до 65 536 токенов; заявленные сценарии оценки включают запросы длиной 10–100 тыс. токенов. Модель принимает и генерирует текст; в метаданных указаны английский и китайский языки, 7,8 млрд параметров и библиотека Transformers. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Длинный контекст ориентирован на работу с большими документами и многошаговыми инструкциями, однако README не приводит количественных результатов оценки именно этой модели; эффективная длина и качество могут зависеть от задачи и аппаратных ресурсов.

RecurrentGemma 9B IT — разработанная Google инструктивно настроенная большая языковая модель семейства RecurrentGemma с рекуррентной архитектурой. Она предназначена для генерации текста в диалогах и по инструкциям, включая ответы на вопросы, суммаризацию и рассуждения; также подходит для черновиков писем и другого текстового контента. Рекуррентная архитектура снижает потребление памяти по сравнению с Gemma и ускоряет генерацию при работе с длинными последовательностями. Модель доступна в формате safetensors и поддерживается библиотекой Transformers. Версия instruction-tuned рассчитана на английский язык. Лицензия Gemma; использование регулируется условиями Google для моделей Gemma. Как и другие языковые модели, она может выдавать фактические ошибки, отражать смещения обучающих данных и испытывать трудности с неоднозначностью, тонкими языковыми нюансами и сложными открытыми задачами. Для применения, особенно в пользовательских продуктах, следует проверять ответы и учитывать требования к безопасности контента.

Athene-70B-Preview — диалоговая большая языковая модель с открытыми весами, разработанная командой Nexusflow и дообученная с помощью RLHF на основе Llama-3-70B-Instruct. Репозиторий содержит копию первоначального выпуска Athene-70B; в карточке рекомендуется использовать более новую версию. Модель построена на плотной архитектуре Llama и содержит 69,5 млрд параметров; для запуска используется библиотека Transformers, веса представлены в формате safetensors. Контекстное окно составляет 8192 токена, основной язык — английский. Модель предназначена для диалогов и генерации текста, включая ответы на вопросы и выполнение пользовательских инструкций. В README отмечен результат 77,8% на Arena-Hard-Auto — прокси-бенчмарке Chatbot Arena. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Карточка модели IntervitensInc/gemma-2-27b-chatml на Hugging Face совпадает с карточкой google/gemma-2-27b, поэтому описание составлено по ней. Gemma 2 27B — текстовая авторегрессионная языковая модель семейства Gemma, разработанного Google с использованием исследований и технологий, применявшихся при создании Gemini. Модель доступна с открытыми весами и предназначена для генерации текста; семейство Gemma включает предварительно обученные и настроенные для следования инструкциям варианты. В репозитории указаны формат safetensors и библиотека Transformers. Модель подходит для ответов на вопросы, суммаризации, диалоговых интерфейсов, создания текстов и рассуждений по чётко сформулированным запросам. В README заявлена поддержка английского языка; конкретные размер контекстного окна и число параметров здесь не приведены. Открытые веса позволяют запускать модель на собственном оборудовании или в облачной инфраструктуре. Ограничения включают возможные фактические ошибки, предвзятость, трудности с неоднозначностью, тонкими языковыми нюансами и сложными открытыми задачами. Лицензия — Gemma; перед использованием следует соблюдать условия лицензии и политику допустимого использования Gemma.

DareVox-7B — объединённая языковая модель на архитектуре Mistral, созданная из Mistral-7B-v0.1, OpenHermes-2.5-Mistral-7B, Slerp-CM-mist-dpo и Starling-LM-7B-alpha. Модель разработана для генерации текста; в конфигурации указаны метод слияния dare_ties и точность bfloat16. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Её можно применять для диалогов, составления текстов и ответов на запросы. Репозиторий распространяется по лицензии Apache-2.0.