III.2Исследование рынка и маркетинг

Motif-3-Beta — предварительная версия языковой модели Motif-3, разработанной Motif Technologies с нуля по собственной архитектуре. Это каузальная модель Mixture-of-Experts с разреженной маршрутизацией: в README указано около 314 млрд параметров всего и около 13 млрд активных на токен; метаданные каталога указывают 11 млрд параметров. Архитектура включает 384 эксперта, из которых активируются 8 на токен, общий эксперт, механизмы GDLA и PolyNorm, модифицированный mHC и дополнительную голову Multi-Token Prediction для ускорения декодирования.

RakutenAI-7B-instruct — языковая модель Rakuten Group, Inc. для генерации текста по инструкциям. Это дообученная версия RakutenAI-7B на архитектуре Mistral с 7,2 млрд параметров. Для японского языка словарь расширен до 48 тысяч токенов; модель принимает текст и генерирует текст, поддерживая японский и английский языки. Контекстное окно составляет 32 768 токенов. Модель предназначена для выполнения инструкций, ответов на вопросы и других задач генерации текста. В карточке приведены результаты оценки на японских и английских языковых тестах; они характеризуют тестовые наборы и сами по себе не гарантируют качество на любых пользовательских запросах. Модель может выдавать предвзятые, неточные или небезопасные ответы. Лицензия — Apache License 2.0.

Salamandra-7B-Instruct-Aina-Hack — разговорная языковая модель, разработанная подразделением языковых технологий Barcelona Supercomputing Center для мероприятия AinaHack, посвящённого созданию ИИ-инструментов для администрации Каталонии. Это инструкция-настроенная версия Salamandra-7B: decoder-only трансформер семейства Llama с 32 слоями и примерно 7 млрд параметров. Модель принимает текст и генерирует текст, использует шаблон ChatML и поддерживает контекст до 8192 токенов. Модель предназначена для диалоговых помощников и генерации текста на европейских языках, а также может служить основой для прикладной донастройки. Семейство Salamandra обучалось с нуля на многоязычном корпусе из 35 европейских языков и программного кода; карточка этой версии описывает её как proof of concept с предварительной настройкой следования инструкциям. Модель распространяется под лицензией Apache 2.0. У модели выявлены социальные и когнитивные смещения, а анализ охватывает не все поддерживаемые языки. Карточка предупреждает, что модель не прошла RLHF-выравнивание для фильтрации чувствительных тем и может создавать вредный или неподходящий контент; перед применением в продуктах необходимы оценка рисков и дополнительная настройка безопасности.

QuantFactory/SeaLLM3-7B-Chat-GGUF — квантизированная версия чат-модели SeaLLMs/SeaLLM3-7B-Chat, созданная QuantFactory с использованием llama.cpp. Семейство SeaLLMs разработано для работы с языками Юго-Восточной Азии; модель предназначена для генерации текста, диалогов и выполнения пользовательских инструкций. Модель ориентирована на широкий круг задач: ответы на вопросы, следование инструкциям, математическое рассуждение, перевод и работу со знаниями общего назначения. В README заявлены улучшенные возможности многошагового диалога, сниженная склонность к галлюцинациям и более безопасное поведение, в том числе при запросах, связанных с культурой стран Юго-Восточной Азии. Указаны английский, китайский, индонезийский, вьетнамский, тайский и малайский языки; также заявлена поддержка тагальского, бирманского, кхмерского, лаосского, тамильского и яванского языков. Это текстовая autoregressive language model размером 7B параметров в квантизированном формате GGUF; конкретная схема квантизации и размер контекстного окна в README не указаны. Квантизация и совместимость с llama.cpp могут упростить локальный запуск и снизить требования к ресурсам, однако README не содержит точных требований к оборудованию и количественной оценки качества. Модель ограничена текстовой модальностью и, как и другие языковые модели, может допускать ошибки. Лицензия обозначена как other с названием seallms; условия использования приведены по ссылке на лицензию SeaLLMs. Перед применением необходимо ознакомиться с ними.

Это модель Sentence Transformer, разработанная Dhruv Sangani и дообученная на базе sentence-transformers/all-MiniLM-L6-v2. Она кодирует предложения и абзацы в нормализованные плотные векторы размерностью 384 и предназначена для семантического поиска и сравнения текстов по косинусному сходству. Модель построена на архитектуре BERT с усреднением токенных представлений; число параметров — 25,9 млн, максимальная длина последовательности в README — 256 токенов, а в метаданных указано контекстное окно 512 токенов. Модель подходит для поиска релевантных фрагментов и ответов в коллекциях документов, оценки сходства предложений, поиска перефразирований и кластеризации текстов. В README приведены англоязычные примеры корпоративных вопросов и ответов, поэтому основное назначение модели — работа с английским текстом. Она создаёт векторы, а не готовые ответы; качество зависит от предметной области и данных. Лицензия в предоставленных сведениях не указана.

Whisper large-v2 — мультиязычная модель распознавания речи от OpenAI, основанная на архитектуре Transformer encoder-decoder (sequence-to-sequence). Она содержит 905,2 млн параметров и обучена на 680 тыс. часов размеченных аудиоданных; по сравнению с Whisper large модель обучалась в 2,5 раза дольше и с дополнительной регуляризацией. Модель предназначена для транскрибации речи на исходном языке и перевода речи на другой язык, в том числе на английский. Она подходит для расшифровки записей, субтитров и длинных аудиоматериалов; для обработки фрагментов длиннее 30 секунд можно использовать чанкинг. Модель устойчива к акцентам, фоновому шуму и технической лексике, но точность неодинакова для разных языков, диалектов и условий записи. Возможны галлюцинации — появление в транскрипте слов, которых нет в аудио, а также повторяющийся текст. Качество ниже для языков с малым объёмом обучающих данных и может различаться между группами говорящих. Модель распространяется по лицензии Apache-2.0.

Это GGUF-квантизированная версия языковой модели aya-23-8B, разработанной CohereForAI и опубликованной в репозитории bartowski. Квантизация выполнена bartowski с использованием llama.cpp и метода imatrix; доступны варианты от IQ1 до Q8_0 с разным размером файла, качеством и требованиями к памяти. Модель предназначена для генерации текста и диалоговых сценариев, включая работу через совместимые с llama.cpp локальные приложения. Модель содержит около 8 миллиардов параметров в исходной версии и ориентирована на многоязычное применение. В README заявлена поддержка английского, французского, немецкого, испанского, итальянского, португальского, японского, корейского, китайского, арабского, греческого, персидского, польского, индонезийского, чешского, иврита, хинди, нидерландского, румынского, русского, турецкого, украинского и вьетнамского языков. Мультимодальность и размер контекста в предоставленных данных не указаны. Для диалогов требуется специальный шаблон prompt format с системными, пользовательскими и ответными токенами. Сильная сторона сборки — широкий выбор уровней квантизации: варианты Q6_K и Q5_K_M обозначены как обеспечивающие очень высокое или высокое качество, а Q4_K_M и Q4_K_S предлагают баланс качества и экономии памяти. Более компактные варианты позволяют работать при ограниченном объёме RAM, но снижают качество; IQ1 и некоторые низкоразрядные варианты не рекомендуются. Модель распространяется по лицензии CC BY-NC 4.0, допускающей некоммерческое использование с соблюдением условий лицензии.

German-RAG-LLAMA-3.1-8B-MERGED-HESSIAN-AI — авторегрессионная языковая модель на архитектуре Transformer, разработанная командой Avemio AI при поддержке Hessian AI. Это объединённая модель семейства Llama 3.1 объёмом 7,5 млрд параметров, предназначенная для немецкоязычных RAG-систем и задач ответов на вопросы по предоставленному контексту. Она также подходит для извлечения релевантных сведений и краткого пересказа источников; в карточке заявлена поддержка немецкого и английского языков. Нативная длина контекста — 131 072 токена. Модель распространяется в формате safetensors и поддерживает чатовый режим. Метаданные Hugging Face указывают лицензию llama3.1, тогда как README заявляет Apache 2.0; лицензионные условия следует уточнить перед использованием. В оценке объединённая версия показала более низкий результат извлечения, чем варианты SFT и ORPO из той же серии. Ответы могут содержать фактические ошибки, а без фильтрации модель может генерировать вредный или чувствительный контент.

Это 4-битная версия Hermes 3 на базе Llama 3.1 8B, преобразованная сообществом mlx-community из NousResearch/Hermes-3-Llama-3.1-8B в формат MLX с помощью mlx-lm 0.16.1. Модель представляет собой плотную авторегрессионную LlamaForCausalLM с примерно 7,5 млрд параметров и контекстом до 131 072 токенов. Она предназначена для диалоговой генерации текста и следования инструкциям; в метаданных также отмечены чат и function calling. Репозиторий ориентирован на запуск через mlx-lm. Карточка указывает английский язык и лицензию Llama 3. Использование 4-битного представления уменьшает требования к памяти, но может влиять на точность по сравнению с исходными весами.

LeoLM/leo-hessianai-13b-chat — немецко-английская чат-модель, разработанная в проекте LAION и HessianAI при участии Бьёрна Плюстера и Кристофа Шу. Это причинная decoder-only трансформерная модель семейства Llama с 12,9 млрд параметров и контекстом до 8192 токенов. Она дообучена на основе LeoLM/leo-hessianai-13b на подборке немецкоязычных инструкционных датасетов и предназначена для диалога, написания текстов, объяснений и обсуждений. Модель особенно хорошо показала себя в гуманитарных задачах, письме и ролевом диалоге; слабее справляется с математикой и сложными рассуждениями. Поддерживает немецкий и английский языки. Доступна в формате PyTorch через Transformers под лицензией Llama 2 Community License; перед применением следует проверять точность, смещения и безопасность ответов.

DNA 1.0 8B Instruct — корейско-английская языковая модель компании Dnotitia Inc. на архитектуре Llama, дообученная на основе Llama 3.1 8B. По карточке, при её создании применялись слияние SLERP, дистилляция с учителем Llama 3.1 405B, дополнительное предобучение на корейских данных, настройка инструкций и DPO. Модель предназначена для диалогов, генерации текста и выполнения инструкций на корейском и английском языках; размер — около 7,5 млрд параметров, контекст — до 131 072 токенов. В карточке приведены результаты сравнительных оценок на корейских бенчмарках KMMLU, KMMLU-hard и KoBEST. Модель может выдавать предвзятые или неподходящие ответы, устаревшую информацию и фактические ошибки; результаты зависят от сложности и предметной области, поэтому ответы следует проверять. Лицензия — CC BY-NC 4.0; карточка сообщает, что коммерческое использование возможно после согласования с разработчиком.

llm-jp-3.1-8x13b-instruct4 — языковая модель серии LLM-jp-3.1, разработанной Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Это модель-трансформер с архитектурой MoE на базе Mixtral: 8 экспертов, из которых активируются 2. Общее число параметров — около 73,2 млрд, активных — около 22,2 млрд; контекст — 4096 токенов. Модель предназначена для диалогов и выполнения инструкций на японском и английском языках. Она прошла продолжительное обучение на данных с парами «инструкция — ответ», затем supervised fine-tuning и выравнивание методом Direct Preference Optimization. Подходит для ответов на вопросы, генерации текстов и других сценариев, где требуется следовать инструкциям. Модель выпущена в формате Transformers и хранится в safetensors; для работы README указывает PyTorch, Transformers, Tokenizers, Accelerate и FlashAttention. Авторы отмечают, что модель находится на ранней стадии исследований и разработок и не настроена для надёжного соответствия человеческим намерениям и требованиям безопасности. Лицензия — Apache-2.0.

Lucie-7B-Instruct-v1.1 — французско-английская инструктивная языковая модель OpenLLM-France, дообученная на базе Lucie-7B. Это плотная каузальная архитектура семейства Llama с 6,4 млрд параметров; модель принимает текст и генерирует ответы в диалоговом формате. Она предназначена для общения и выполнения общих инструкций, например ответов, кратких изложений и списков. В обучающую смесь вошли франкоязычные, англоязычные и двуязычные наборы инструкций, включая Alpaca-cleaned-fr, Croissant-Aligned-Instruct, FLAN v2 и OpenHermes 2.5. Модель обучалась на последовательностях длиной 4096 токенов; в README сообщается об эффективном контекстном окне около 22 тысяч токенов, а метаданные указывают базовый контекст в 32 тысячи токенов. Инструктивное дообучение описано как лёгкое: для специализированных сценариев, включая программирование и математические задачи, может потребоваться дополнительная настройка. Модель склонна к галлюцинациям и имеет ограниченный объём запоминаемых фактов; для ответов по актуальным или конкретным источникам может помочь RAG. Лицензия — Apache-2.0.

SJT-14B — объединённая языковая модель на архитектуре Qwen2 с 14 млрд параметров, созданная с помощью mergekit и метода TIES. В качестве базовой использована hotmailuser/QwenSlerp2-14B, также в объединение вошла djuna/Q2.5-Veltha-14B. Модель предназначена для генерации текста и диалогов; метаданные также указывают интерфейс вызова инструментов. Она принимает текст и выдаёт текст, поддерживает японский и английский языки и имеет контекст длиной до 131 072 токенов. Доступна в формате safetensors и распространяется по лицензии Apache-2.0.

cloudyu/Yi-34Bx2-MoE-60B — разговорная языковая модель на основе Yi, опубликованная cloudyu. Она использует архитектуру Mixtral с разреженной смесью экспертов (MoE); в карточке указано 33,9 млрд параметров. Модель предназначена для генерации текста и диалогового взаимодействия на английском и китайском языках. Автор описывает её как MoE-вариант 2×34B, основанный на jondurbin/bagel-dpo-34b-v0.2 и SUSTech/SUS-Chat-34B. Для модели заявлен контекст до 200 000 токенов. В карточке приведены результаты Open LLM Leaderboard со средним баллом 76,72, включая оценки по задачам рассуждения и commonsense. Модель распространяется в формате safetensors и под лицензией Apache-2.0. Её можно применять для диалогов и генерации текста; для развёртывания следует учитывать требования MoE-модели с большим числом параметров. Заявленные результаты бенчмарка не гарантируют качество на конкретных пользовательских задачах.

Lambent/arsenic-v1-qwen2.5-14B — объединённая разговорная языковая модель на архитектуре Qwen2, созданная Lambent с помощью mergekit и метода SLERP. В состав объединения вошли Lambent/arsenic-v0.1-dpo-qwen2.5-14B и Lambent/qwen2.5-reinstruct-alternate-lumen-14B; первая модель также связана в метаданных с вариантом Qwen2.5 Reinstruct Alternate Lumen. Размер модели — 14 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для диалоговой генерации текста и структурированных ответов. Автор сообщает о результате 78.0391 на EQ-Bench и 100% разбираемости ответов в своей оценке, но не приводит подробностей методики. В обучении использовались наборы данных Gutenberg и toxic-DPO, а также небольшой экспериментальный синтезированный датасет. Метка карточки предупреждает, что модель может быть не для всех аудиторий; лицензия в предоставленных данных не указана.

Athena-7B-Instruct — многоязычная языковая модель семейства Llama, представленная пользователем Mewingk. Это плотная decoder-only архитектура LlamaForCausalLM с 7,2 млрд параметров по README; метаданные каталога при этом указывают 2,1 млн параметров. Модель прошла инструкционное дообучение и предназначена для генерации текста и выполнения инструкций на разных языках. Модель можно применять для диалогов, ответов на вопросы, написания и преобразования текста. В README заявлены предварительное обучение на 2,5 трлн токенов более чем на 60 языках, 32 слоя, GQA с 8 KV-головами и контекст 8192 токена; метаданные указывают нативный контекст 512 токенов. Лицензия — Apache-2.0. Заявленные характеристики размера и контекста расходятся между README и метаданными, поэтому фактическую конфигурацию следует сверить с файлами весов. Нет сведений о специализированной предметной области или оценках качества.

BatGPT-15B-sirius — большая языковая модель семейства BatGPT, разработанная совместными NLP-командами Уханьского университета и Шанхайского университета Цзяотун. Это плотная авторегрессионная модель для генерации текста и диалога; в карточке Hugging Face указано 24,7 млрд параметров, а README приводит 15,03 млрд. Модель предобучена на корпусе из 1 трлн токенов на китайском и английском языках и выложена в формате PyTorch. Модель использует RoPE, Multi-Query Attention и двунаправленную авторегрессионную цель предобучения. Заявленная максимальная длина контекста — 32 тыс. токенов; предобучение проводилось на последовательностях длиной 2048 токенов, а контекст расширялся при настройке инструкций. Модель предназначена для генерации текста и диалоговых сценариев на китайском и английском языках. Исходный код распространяется по Apache 2.0, веса — по GNU AGPL 3.0. README просит связаться с авторами для коммерческого использования или публичного развёртывания; по его формулировке разрешение выдаётся без платы, а сведения об использовании собираются для учёта.

Granite Vision 3.1 2B Preview — компактная мультимодальная модель IBM для понимания изображений и документов. Она предназначена для извлечения и анализа содержимого таблиц, графиков, инфографики, диаграмм и других визуальных материалов, распознавания текста на изображениях и ответов на вопросы по документам; также поддерживает общие задачи понимания изображений и диалоговый режим. Модель дообучена на базе ibm-granite/granite-3.1-2b-instruct и использует архитектуру LLaVA-NeXT: визуальный энкодер SigLIP, двухслойный MLP-коннектор и языковую модель Granite 3.1. В README указано 2 млрд параметров у языковой основы и около 3 млрд у модели с визуальным энкодером и проектором; контекст языковой основы — 128 тыс. токенов. Основной поддерживаемый язык — английский. Модель распространяется под лицензией Apache 2.0. Сильная сторона модели — специализированная работа с визуальными документами при сравнительно небольшом размере; в приведённых тестах она показывает хорошие результаты на DocVQA и ChartQA. Возможны неточные, предвзятые или небезопасные ответы и галлюцинации, особенно в общих задачах понимания изображений; для обработки только текста IBM рекомендует использовать текстовые Granite-модели.

Llama-Poro-2-8B-Long-Instruct-heretic — декензурированная версия LumiOpen/Llama-Poro-2-8B-Long-Instruct, созданная с помощью Heretic v1.4.0. Это плотная авторегрессионная модель семейства Llama примерно на 7,5 млрд параметров для диалогов и следования инструкциям; репозиторий содержит веса Safetensors и заявляет воспроизводимость процесса преобразования. Модель предназначена для общения на финском и английском языках, ответов на вопросы, создания текстов и работы с длинным контекстом. README исходной модели описывает поддержку до 128K токенов, однако метаданные этой модели указывают нативный контекст 8192 токена. Поэтому при практическом использовании следует ориентироваться на подтверждённый метаданными предел и проверять совместимость конфигурации. В тесте из README доля отказов составила 5 из 100 против 87 из 100 у исходной модели. Ограничения включают возможные фактические ошибки, предвзятые или неподходящие ответы, слабую работу на языках помимо финского и английского и нестабильность в специализированных областях. Для модели указана лицензия llama3.3; её условия следует учитывать при распространении и использовании.

LLM-jp-4-8b-thinking — плотная трансформерная языковая модель семейства Llama, разработанная Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Она предназначена для диалогов и генерации текста, в том числе для многошаговых вопросов и задач на рассуждение; обучена на японском и английском языках. Модель содержит 7,8 млрд параметров по метаданным, имеет 32 слоя и контекст до 65 536 токенов. Базовое обучение охватывало 11,7 трлн токенов, а опубликованный вариант прошёл дообучение SFT и выравнивание DPO без обучения с подкреплением. Репозиторий содержит веса safetensors и использует библиотеку Transformers; шаблон чата совместим с форматом ответов OpenAI Harmony, но токенизацию следует выполнять токенизатором из репозитория. Модель подходит для японских и английских диалогов, ответов на вопросы, следования инструкциям и генерации текста. Разработчики предупреждают, что модель находится на ранней стадии исследований и разработок и не настроена для гарантированного соответствия намерениям человека и требованиям безопасности. Лицензия — Apache-2.0.

Mistral-7B-v0.1-flashback-v2-instruct — шведско-английская инструктивная языковая модель timpal0l, созданная дообучением timpal0l/Mistral-7B-v0.1-flashback-v2 на машинно переведённом наборе инструкций OpenHermes 2.5. Она предназначена для диалогов и генерации ответов на инструкции; использовать её можно, например, через библиотеку Transformers.

Shisa V2 Qwen2.5 32B — двуязычная диалоговая языковая модель общего назначения от Shisa.AI, дообученная на основе Qwen/Qwen2.5-32B-Instruct. Она рассчитана на задачи на японском языке, сохраняя возможности английского, и подходит для диалога, ответов на вопросы, генерации текста и структурированных ответов. Модель содержит 32 млрд параметров, использует плотную архитектуру Qwen2 и принимает текстовые запросы. Контекст — до 32 768 токенов; поддерживаются чат-шаблон базовой модели и интерфейс вызова инструментов. В README описано улучшение качества японских ответов относительно базовой модели и приведены результаты тестирования на японских и англоязычных бенчмарках. Модель распространяется по лицензии Apache 2.0. Для инференса авторы проверяли vLLM и SGLang.

Babel-83B-Chat-GGUF — это набор GGUF-квантизаций чат-модели Babel-83B-Chat, разработанной Tower-Babel и подготовленной пользователем bartowski для запуска через llama.cpp и совместимые приложения, включая LM Studio. Модель предназначена для генерации текста и диалоговых сценариев, в том числе на множестве языков: английском, китайском, хинди, испанском, французском, арабском, бенгальском, русском, португальском, индонезийском, урду, немецком, японском, суахили, тамильском, турецком, корейском, вьетнамском, яванском, итальянском, хауса, тайском, персидском, тагальском и бирманском. Архитектура и размер исходной модели указаны как 83B; модальность — текстовая. README не содержит сведений о длине контекста и внутренней архитектуре. Доступны варианты квантизации от Q8_0 до Q2_K и IQ-квантизаций, размер файлов составляет примерно от 33,5 до 88,5 ГБ. Более качественные варианты требуют больше памяти, а низкобитные позволяют экономить ресурсы ценой качества. Для работы используется формат prompt с ролями system, user и assistant. Основные сильные стороны — большой размер модели, многоязычная направленность, поддержка локального запуска и широкий выбор вариантов квантизации. Ограничения включают значительные требования к оперативной или видеопамяти, особенно для высококачественных вариантов, а также возможное снижение качества у низкобитных квантизаций. Указана лицензия SeaLLM; подробные условия доступны по ссылке на лицензию SeaLLMs/SeaLLM-13B-Chat.

VibeVoice-ASR-7B — мультимодальная модель распознавания речи семейства VibeVoice, представленная в карточке bezzam; код и исходный проект связаны с Microsoft. Она принимает аудио и создаёт структурированную транскрипцию с текстом, временными отметками и указанием говорящих, объединяя распознавание речи, диаризацию и таймкодирование. Модель рассчитана на длинные записи до 60 минут за один проход, поддерживает более 50 языков и переключение языков в речи. Можно передавать контекстные подсказки и пользовательские ключевые слова для имён и специализированных терминов. Модель реализована как плотная архитектура VibeVoice ASR для Transformers и распространяется в формате safetensors; в README заявлена обработка аудио с контекстом до 64K токенов. Для запуска карточка указывает на использование отдельного форка Transformers, поскольку поддержка ещё не объединена с основной библиотекой. Лицензия — MIT. В README приведены результаты оценки на нескольких наборах данных, однако они не гарантируют аналогичное качество на других языках, типах записи и акустических условиях.

BayLing-13B-v1.1 — языковая модель с настройкой на следование инструкциям, разработанная Shaolei Zhang, Qingkai Fang, Zhuocheng Zhang, Zhengrui Ma, Yan Zhou, Langlin Huang, Mengyu Bu, Shangtong Gui, Yunji Chen, Xilin Chen и Yang Feng. Это версия BayLing-13B с дополнительными знаниями о китайском языке по сравнению с v1.0. Модель предназначена для генерации текста на китайском и английском языках, следования инструкциям, многоходового диалога, перевода, письма, творческих задач и предложений. Архитектура — плотная LlamaForCausalLM на 12,9 млрд параметров; нативная длина контекста составляет 2048 токенов. В README указано, что модель можно запускать на потребительской видеокарте с 16 ГБ памяти. Лицензия — GPL-3.0. В карточке заявлены сильные возможности для генерации на английском и китайском, следования инструкциям и многоходового взаимодействия; сравнительные метрики не приведены. Контекст ограничен 2048 токенами, а заявленные языковые возможности сосредоточены на китайском и английском.

Bielik-Minitron-7B-v3.0-Instruct-ungated — разговорная многоязычная языковая модель на архитектуре Llama, представленная в формате Safetensors. Репозиторий описывает её как версию исходной модели с удалённым механизмом ограничения доступа; модель основана на Bielik-11B-v3-Base-20250730 и дообучена для генерации текста и диалогов. Размер модели — 7,3 млрд параметров, длина контекста — 32 768 токенов. Модель подходит для диалоговых приложений и генерации текста на польском и других европейских языках, включая английский и русский. Указана лицензия Apache-2.0. В README нет сведений о сравнительных оценках качества или подробном описании изменения механизма доступа; заявленное улучшение конфиденциальности не сопровождается техническими подробностями.

Chocolatine-2-4B-Instruct-DPO-v2.1 — плотная языковая модель на архитектуре Qwen3, разработанная Jonathan Pacifico и дообученная на базе Qwen/Qwen3-4B-Instruct-2507. В модели 3,7 млрд параметров; она принимает текст и генерирует текст, поддерживает контекст до 262 144 токенов и работает в режиме без явных цепочек рассуждений. Веса представлены в формате safetensors, библиотека для работы — Transformers. Модель предназначена для диалогов, следования инструкциям и решения задач на французском языке при сохранении возможностей на английском и других языках. В постобучении использованы DPO на французских предпочтениях и слияние моделей методом TIES; автор сообщает об улучшениях на протестированных французских бенчмарках и стабильных результатах на английских. Подходит для локального запуска; доступны отдельные квантованные варианты GGUF и MLX. В README указано, что у модели нет встроенного механизма модерации. Она не формирует явные трассы рассуждений. Лицензия — Apache-2.0.

German-RAG-PHI-3.5-MINI-4B-CPT-HESSIAN-AI — авторегрессионная языковая модель на архитектуре Transformer, разработанная командой Avemio AI при поддержке Hessian AI. Это вариант Phi, дообученный методом continued pre-training на наборе German-RAG-CPT; модель предназначена для работы с немецким и английским языками, с упором на немецкий. Модель обучалась на примерах контекстных ответов на вопросы, структурированных рассуждений и суммаризации. Её можно применять для ответов по предоставленному контексту, извлечения и синтеза сведений в сценариях RAG, анализа и краткого пересказа документов. В метаданных указаны 3,7 млрд параметров и контекст до 131 072 токенов; опубликованные веса представлены в формате safetensors. Модель распространяется по лицензии Apache 2.0. Ответы могут содержать фактические ошибки и предвзятость; фильтрация безопасности отсутствует, поэтому возможна генерация вредоносного или чувствительного контента. Результаты следует проверять.

llm-jp-3.1-13b-instruct4 — языковая модель семейства LLM-jp, разработанная Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Это плотная Transformer-модель на архитектуре Llama с 13,2 млрд параметров, рассчитанная на генерацию текста и диалоговое взаимодействие. Контекстное окно составляет 4096 токенов; модель распространяется в формате safetensors для Transformers. Модель прошла дополнительное инструкционное предобучение, контролируемое дообучение и выравнивание методом Direct Preference Optimization. Она предназначена для выполнения инструкций, ответов на вопросы и диалога на японском и английском языках. Разработчики сообщают об оценке на японском и английском MT Bench и о проверке безопасности японских ответов. Модель находится на раннем этапе исследований и разработок, и её ответы не гарантированно соответствуют намерениям пользователя или требованиям безопасности. Для запуска README указывает PyTorch, Transformers, Tokenizers, Accelerate и Flash Attention. Лицензия — Apache-2.0.