III.2Исследование рынка и маркетинг

Модель ssiddiquii/merged-car-specialist-gemma — дообученная ssiddiquii версия мультимодальной Gemma 4 E2B Instruct от unsloth/gemma-4-e2b-it-unsloth-bnb-4bit. Она предназначена для диалоговых задач с текстом и изображениями; название указывает на специализацию по автомобилям, однако README не описывает конкретные сценарии или качество этой специализации. Архитектура — плотная Gemma4ForConditionalGeneration, файлы представлены в формате safetensors; метаданные отмечают поддержку зрения и интерфейс вызова инструментов. Указаны английский язык и лицензия Apache-2.0. README сообщает об обучении с Unsloth и библиотекой TRL.

huggingtweets/michelleobama — англоязычная генеративная модель, созданная Boris Dayma с помощью проекта huggingtweets и обученная на 1932 твитах Michelle Obama, включая ретвиты. Она построена на архитектуре GPT-2 и предназначена для продолжения коротких текстовых затравок и генерации текста, стилизованного под публикации из обучающего набора. Модель принимает текст и выдаёт текст; максимальный контекст составляет 1024 токена. Модель подходит для экспериментов с генерацией коротких сообщений и имитацией стиля твитов. Она унаследовала ограничения и смещения GPT-2, а небольшой тематически ограниченный набор твитов влияет на содержание и разнообразие результатов. Условия лицензирования в предоставленных сведениях не описаны.

RavenX-Trade 8B — модель RavenX LLC и разработчика @DeadByDawn101 для анализа торговых рынков. Это дообученная версия Qwen3-8B с 7,6 млрд параметров, рассчитанная на запуск через MLX на Apple Silicon. Модель использует протокол MAP: рассматривает рынок и актив, анализирует технические показатели, объём, импульс и ончейн-сигналы, затем формирует прогноз с оценкой уверенности и целевой ценой. Модель обучена на 318 675 примерах по Polymarket, криптовалютам, акциям, опционам, количественной торговле и стратегиям хедж-фондов. Она принимает текстовые запросы и генерирует текстовый анализ; поддерживает контекст до 131 072 токенов и ориентирована на английский язык. Лицензия — Apache-2.0. Аналитические прогнозы не гарантируют точность и могут не учитывать актуальные рыночные данные; торговые решения требуют независимой проверки.

huggingtweets/temeton_blue — текстовая генеративная модель на архитектуре GPT-2, созданная Борисом Даймой с помощью проекта huggingtweets. Она дообучена на твитах пользователя Normiespawn (@temeton_blue): в карточке указано 3209 загруженных твитов, включая ретвиты и короткие сообщения. Модель предназначена для продолжения текста и генерации коротких публикаций в стиле обучающих твитов; её можно запускать через text-generation pipeline библиотеки Transformers. Модель принимает текст и генерирует текст, поддерживает английский язык и имеет контекст длиной до 1024 токенов. Небольшой объём пользовательских данных влияет на характер генераций, а также сохраняются ограничения и смещения GPT-2. Лицензия в предоставленных данных не указана.

Shadowell/Kairos-base-crypto — дообученная модель семейства Kronos, созданная с помощью Kairos для прогнозирования криптовалютных временных рядов. Она обучена на минутных свечах BTC/USDT и ETH/USDT за период с января 2024 по апрель 2026 года. Архитектура включает базовую Kronos, дополнительный канал экзогенных признаков размерностью 32 и голову для квантильного прогнозирования доходности. Модель предназначена для прогнозов на основе рыночных временных рядов; в карточке приведены результаты тестирования на минутных данных за январь—апрель 2026 года. Из 32 экзогенных признаков пять криптовалютных признаков были заполнены нулями из-за источника данных, остальные 27 использовались как реальные значения. Обучение остановлено на четвёртой эпохе; на приведённом тесте результаты дообученной версии по часовому горизонту уступили исходной Kronos-base по hit rate, rank IC и ICIR. Модель использует PyTorch и опубликована в формате safetensors. Лицензия — MIT. README указывает токенизатор NeoQuasar/Kronos-Tokenizer-base и пример загрузки через библиотеку Kairos.

Meme Caption Generator — модель Nithin Kumar на базе GPT-2, дообученная для создания коротких юмористических подписей в стиле мемов. Она принимает текстовую подсказку на английском языке и может предложить несколько вариантов, используя характерные шаблоны вроде «When…», «POV: …» и «That one friend who…»; генерация основана на авторегрессионном Transformer и поддерживает настройку случайности с помощью параметров сэмплирования. Контекст модели составляет 1024 токена. Модель предназначена для генерации мемных подписей, экспериментов с контентом для соцсетей и демонстрационных NLP-проектов. Веса опубликованы в формате Safetensors. В README не указана лицензия, поэтому условия распространения и коммерческого использования по имеющимся данным определить нельзя. Это творческая модель, а не средство для получения достоверной информации.

PriceLab — модель для оценки исторической цены товаров по их англоязычным описаниям. Её разработал Gaurab Das на основе Qwen3-0.6B: модель дообучили методом QLoRA, затем объединили адаптер с базовыми весами в самостоятельный чекпойнт. Это плотная авторегрессионная модель с 507,9 млн параметров; репозиторий содержит веса safetensors, а метаданные указывают контекст до 40 960 токенов. Модель принимает описание товара на английском языке и генерирует оценку его исторической цены в целых долларах США. Она предназначена для учебных экспериментов и приблизительной исторической оценки, а не для поиска текущих предложений или определения актуальной рыночной стоимости. В тесте на 1 000 товарах улучшенная версия показала MAE $68,05; эти результаты получены для адаптера в FP16, тестовый набор уже использовался при экспериментах и не является нетронутой контрольной выборкой. Точность ограничена: только 24% записанных оценок попадали в пределах 20% от исторической цены, а для товаров стоимостью от $200 средняя абсолютная ошибка составляла $182,40. Модель может повторять одни и те же цены, а неполные характеристики, незнакомые категории, усечение входа и точность вычислений могут влиять на результат. Базовая модель Qwen распространяется по Apache-2.0; README не назначает лицензию подготовленным и исходным наборам данных.

RAS1981/Qwen3-4B-outreach-stage4 — дообученная плотная языковая модель семейства Qwen3 с 3,7 млрд параметров. Это финальный этап пятиступенчатого обучения модели для работы русскоязычным агентом по квалификации клиентов в сфере недвижимости. В метаданных указано контекстное окно 262 144 токена; модель распространяется в формате Safetensors и рассчитана на генерацию текста в диалоговом режиме. Модель ведёт многоходовый разговор без обязательного системного промпта: приветствует клиента, выясняет район, бюджет и сроки, обрабатывает фрагментированные запросы, исправления и возражения, затем предлагает записаться на звонок, встречу или просмотр. Она обучена выдавать краткие сообщения в стиле оператора, следовать деловым правилам и отказываться от тем вне своей области. Разработчик заявляет, что поведение и сценарии встроены в модель после этапов доменного дообучения и SFT. Модель предназначена для русскоязычных сценариев работы с недвижимостью; заявленное семейство — Qwen3, а в метаданных также отмечен английский язык. Лицензия — Apache-2.0. Рекомендации автора по генерации: температура 0,1 и максимум 2000 токенов; характеристики скорости и стабильности приведены в карточке как заявления разработчика.

huggingtweets/seanmombo — генеративная языковая модель на архитектуре GPT-2, созданная Борисом Даймой с помощью проекта HuggingTweets. Она обучена на твитах пользователя mo bombo (@seanmombo) и предназначена для генерации коротких текстов, похожих по стилю на его публикации. Для работы можно передать модели текстовый префикс и получить продолжение; контекст модели составляет 1024 токена. Модель принимает текст и выдаёт текст. В обучающую выборку вошли 3249 твитов, включая 5 ретвитов; README также отмечает 560 коротких твитов. Репозиторий содержит веса PyTorch. Основной язык — английский. Качество и содержание генераций зависят от небольшого пользовательского набора данных; модель наследует ограничения и смещения GPT-2 и может воспроизводить особенности исходных твитов. Лицензия в предоставленных данных не указана.

huggingtweets/tojibaceo — модель генерации текста, созданная Boris Dayma с помощью проекта HuggingTweets. Это GPT-2, дообученная на 1401 твите Tojiba CPU Corp; карточка приводит пример генерации продолжения фразы через библиотеку Transformers. Модель предназначена для создания коротких текстов, имитирующих лексику и стиль публикаций этого аккаунта. Контекст составляет 1024 токена, формат весов — PyTorch; в метаданных указан английский язык. Модель может воспроизводить особенности и предвзятость исходных твитов, а также ограничения GPT-2. Лицензия в предоставленных данных не указана.

huggingtweets/bitcoin — модель генерации текста на базе GPT-2, созданная Борисом Даймой с помощью проекта huggingtweets. Она обучена на публикациях аккаунта @bitcoin и предназначена для генерации текста, стилизованного под его твиты, например для демонстрационного бота или экспериментов с генерацией коротких сообщений. Модель использует архитектуру GPT2LMHeadModel, доступна в форматах PyTorch и Flax и рассчитана на контекст до 1024 токенов. В карточке не указана лицензия, поэтому условия использования определить нельзя. Качество и содержание генераций зависят от обучающих публикаций; сохраняются ограничения и предвзятость GPT-2.

Модель Isotonic/flan-t5-base-trading_candles — дообученная версия google/flan-t5-base, разработанная на наборе 0xMaka/trading-candles-subset-qa-format. Это модель семейства T5 с архитектурой encoder-decoder, содержащая 123,8 млн параметров; она генерирует текст по текстовому запросу, а длина контекста составляет 512 токенов. Модель предназначена для ответов на вопросы и генерации текста по данным о торговых свечах. В карточке приведены метрики оценки на тестовом наборе: loss 0,0061, ROUGE-1 88,37, ROUGE-2 86,86 и ROUGE-L 88,37. Эти результаты относятся к указанному набору оценки и не гарантируют качество на других данных. Языковая поддержка и условия лицензии в доступных сведениях не описаны.

alkzar90/ppaine-landscape — модель генерации изображений на основе Stable Diffusion, дообученная alkzar90 методом DreamBooth на концепции «ppaine» с использованием набора данных alkzar90/torres-del-paine. Она предназначена для создания изображений ландшафтов национального парка Торрес-дель-Пайне в Чили по текстовым описаниям, включая кинематографические сцены, художественные стили и добавление объектов или сооружений. Для активации концепции в запросе используется формулировка «a photo of ppaine landscape». Модель работает через StableDiffusionPipeline библиотеки Diffusers; лицензия — CreativeML OpenRAIL-M.

MANGSEOK123 выпустил дообученную версию Qwen3-4B после одного OEL consolidate epoch на синтетических задачах tau2-bench для обслуживания клиентов авиакомпании. Это плотная причинная языковая модель Qwen3 с 3,7 млрд параметров, рассчитанная на генерацию текста и диалоговое применение; репозиторий содержит веса Safetensors и использует библиотеку Transformers. Модель предназначена для ответов на запросы авиапассажиров и выполнения сценариев клиентской поддержки, представленных в обучающих задачах. Контекст модели составляет до 40 960 токенов. Обучение описано как 318 синтетических задач и 40 шагов с размером батча 8. Карточка указывает английский язык. Модель распространяется по лицензии Apache-2.0. README не приводит результатов оценки качества, поэтому пригодность для реальных обращений и стабильность ответов требуют проверки.

jonathang/sbhouse-house — модель Stable Diffusion, дообученная автором jonathang методом DreamBooth на изображениях домов для создания пейзажей. Она генерирует изображения по текстовому запросу; для вызова изученного концепта используйте формулировку «a photo of sbhouse house». Модель предназначена для создания изображений домов и пейзажных сцен с этим концептом. Модель распространяется в формате Diffusers и PyTorch по лицензии CreativeML OpenRAIL-M. Карточка не сообщает размер модели, длину контекста или поддерживаемые естественные языки. Результат зависит от формулировки текстового запроса, а обучение на конкретном концепте ограничивает универсальность модели.

Модель sentimientos-bullrich разработана Наталией Марин и Маркосом Мигелем Прунелло в рамках выпускной работы по статистике в Национальном университете Росарио. Это дообученная XLM-RoBERTa для классификации тональности комментариев из социальных сетей, опубликованных после первого президентского дебата в Аргентине в 2023 году и посвящённых кандидату Патрисии Булрич. Модель основана на cardiffnlp/twitter-xlm-roberta-base-sentiment и содержит 305,2 млн параметров; использует библиотеку Transformers, веса представлены в формате safetensors, контекст — до 514 токенов. Модель подходит для анализа общественной реакции на Булрич в комментариях и изучения политической дискуссии в контексте аргентинских выборов. В карточке приведены общие метрики: точность 0,7580, F1 0,7386 и precision 0,7344. Специализация на конкретном кандидате, платформенном и событийном контексте ограничивает перенос результатов на другие темы и периоды. Лицензия в доступных данных не указана.

Flywheel — automotive (35b-v1) — специализированная языковая модель для автомобильной отрасли, разработанная Flywheel by OpSpot. Модель дообучена методом LoRA на базе Qwen/Qwen3.6-35B-A3B и предназначена для использования в качестве виртуального сервис-консультанта в автомастерских и сервисных подразделениях дилерских центров. Модель ориентирована на первичный сбор диагностической информации, планирование обслуживания, подготовку оценок и расчёта стоимости, поиск запчастей, работу с регламентами технического обслуживания, информирование об отзывах и обновление статуса клиента. Доступны форматы safetensors для Transformers и vLLM объёмом около 65 ГБ, а также квантизированный GGUF-файл model-q4_k_m.gguf объёмом около 20 ГБ для llama.cpp и Ollama. Архитектура, поддерживаемые языки, модальности и размер контекста в README не указаны. Сильная сторона модели — специализация на сценариях автомобильного сервиса и наличие защитного поведения: при вопросах о тормозах, рулевом управлении, подвеске, шинах, подушках безопасности и топливной системе она должна направлять пользователя к сертифицированному механику и предупреждать о недопустимости эксплуатации потенциально небезопасного автомобиля. Модель не является сертифицированным техником; для общих запросов её возможности примерно сопоставимы с базовой моделью, а специализированное преимущество должно усиливаться по мере поступления согласованных реальных данных. Модель распространяется по лицензии Apache-2.0. Версия 35b-v1 обучена на синтетических данных, созданных локальными моделями с разрешительными лицензиями Apache и MIT.

huggingtweets/janieclone — созданная Борисом Даймой модель генерации текста на базе GPT-2, обученная проектом huggingtweets на твитах Columbine Janie. Она предназначена для продолжения коротких текстовых фрагментов и генерации текста, стилизованного под исходные публикации; пример использования — продолжить фразу и получить несколько вариантов. Модель принимает текст и генерирует текст на английском языке, поддерживает контекст до 1024 токенов и опубликована в формате PyTorch. Обучение использовало 3072 твита, включая ретвиты и короткие публикации. Модель наследует ограничения и смещения GPT-2, а содержание исходных твитов влияет на генерируемый текст. Лицензия в предоставленных сведениях не указана.

huggingtweets/janiedied — англоязычная модель генерации текста, созданная Борисом Даймой с помощью проекта huggingtweets на основе GPT-2. Она дообучена на 1505 твитах Poolgirl Janie Diamond, включая ретвиты, и предназначена для продолжения коротких подсказок и генерации текста, стилизованного под публикации этого автора. Модель использует архитектуру GPT-2 с головкой причинного языкового моделирования, сохранена в формате PyTorch и рассчитана на контекст до 1024 токенов. Её можно применять для создания черновиков коротких сообщений в стиле исходных твитов и демонстрации генерации текста на пользовательских данных. Качество и тематика ответов ограничены небольшим объёмом обучающего корпуса; содержание исходных твитов влияет на генерацию. Карточка указывает на ограничения и предвзятость GPT-2. Лицензия в предоставленных данных не обозначена.

Модель huggingtweets/_deep_winter_ — генеративная языковая модель на архитектуре GPT-2, созданная Борисом Даймой с помощью проекта HuggingTweets. Она дообучена на 3 147 твитах пользователя erin. и предназначена для генерации коротких текстов в стиле и тематике этих публикаций. Модель принимает текстовый запрос и продолжает его; использовать её можно через библиотеку Transformers и pipeline text-generation. Контекст модели составляет 1 024 токена. В репозитории указаны веса PyTorch, а карточка относит модель к английскому языку. Она подходит для экспериментов с генерацией стилизованных сообщений и изучения дообучения GPT-2 на пользовательских публикациях. Качество и содержание генерации зависят от ограничений и смещений GPT-2, а также от тем и смещений исходных твитов. Сведения о лицензии в предоставленных данных отсутствуют.

Это текстовая модель для генерации публикаций о рамене в авторском стиле блога Go Ramen. Её разработал John Halloran: модель Gemma 4 E4B Instruct дообучена методом QLoRA на архиве из 1 841 публикации блога; опубликованный чекпойнт объединяет адаптер с базой после перевода весов в bf16. Модель принимает заголовок и метки публикации и генерирует текст обзора. Для запуска автор приводит пример с mlx-lm. Модель рассчитана на англоязычные обзоры раменных ресторанов, оформленные в стиле и структуре исходного блога. Для публикации выбрана версия с контрольной точки, показавшей лучшее обобщение на тестовой выборке из 100 публикаций. Это специализированная модель текстовой генерации, а не средство проверки фактов: сведения о ресторанах могут быть недостоверными. Обучение на небольшой выборке также приводит к риску переобучения и запоминания формулировок. Чекпойнт текстовый, хотя исходная базовая модель мультимодальна; файл весов опубликован в bf16 и занимает около 14 ГБ. Лицензия — Gemma.

huggingtweets/potus — модель генерации текста, созданная Борисом Даймой с помощью проекта huggingtweets. Это дообученная GPT-2, обученная на 3250 твитах президента США Джо Байдена; она предназначена для генерации коротких сообщений в стиле и тематике этих публикаций. Модель можно запускать через Transformers с задачей text-generation. Контекст составляет 1024 токена, модель принимает текст и генерирует текст на английском языке. Чекпойнт представлен в формате PyTorch. Лицензия в предоставленных данных не указана. Небольшой набор обучающих твитов ограничивает разнообразие и надёжность генераций: результат может воспроизводить смещения GPT-2 и особенности исходных публикаций, поэтому модель не подходит для достоверной передачи взглядов или заявлений реального человека.

SameedHussain/Qwen2-1.5B-Instruct-Flight-Multi-Turn — диалоговая модель для генерации текста, созданная SameedHussain дообучением Qwen2-1.5B-Instruct. Она предназначена для многоходовых разговоров по тематике авиаперелётов и может использоваться в чат-сценариях, связанных с этой областью. Модель имеет плотную архитектуру Qwen2ForCausalLM с 1,5 млрд параметров и контекстом до 32 768 токенов. Карточка указывает английский язык и обучение с использованием Unsloth и TRL; файлы представлены в формате PyTorch. Модель распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или подробностей о составе обучающих данных, поэтому надёжность ответов в конкретных сценариях авиаперелётов по этим материалам оценить нельзя.

Soccer BERT — мультиязычная модель tareq052 для генерации текста о футболе. Согласно карточке, она обучена с нуля и использует декодерный Transformer с 159 млн параметров и 10 слоями. Метаданные указывают формат safetensors и задачу text-generation. Модель предназначена для генерации футбольного текста на английском, испанском, португальском, арабском, бенгальском и хинди. Лицензия MIT разрешает использование на её условиях. Карточка не описывает оценку качества или ограничения применения.

EYEDOL/adtc-agri-sft-qwen3-0.6b — компактная языковая модель для консультаций по сельскому хозяйству в Нигерии. Она дообучена методом supervised fine-tuning на базе Qwen/Qwen3-0.6B с использованием QLoRA; адаптеры объединены с базовыми весами. Опубликованный чекпойнт содержит около 508 млн параметров, использует архитектуру Qwen3ForCausalLM и поддерживает контекст до 40 960 токенов. Модель рассчитана на одношаговые ответы на вопросы и описания фермерских ситуаций: она формулирует оценку, практическую рекомендацию и, когда это уместно, совет обратиться к специалисту. Обучающие примеры охватывают сельскохозяйственные вопросы, дозирование удобрений, рыночные и складские расчёты. Модель предназначена прежде всего для мелких фермерских хозяйств и сельскохозяйственных консультантов в Нигерии; карточка указывает английский язык. Лицензия — Apache-2.0. Это базовый вариант для сравнения с будущей дистиллированной моделью. Качество проверялось неформально, поэтому ответы следует считать справочными рекомендациями, а не авторитетным агрономическим или финансовым советом. Модель не проходила валидацию для общего использования или регионов и культур, не представленных в обучающих данных; в важных случаях следует обращаться к местному специалисту.

LDAI-1.5-ANIU — русскоязычная модель генерации текста, разработанная LakoMoor для подбора аниме по предпочтениям пользователей сайта Aniu. Модель построена на архитектуре Qwen2, содержит 1,5 млрд параметров и дообучена методом SFT на датасете, основанном на данных Aniu; в карточке указана базовая модель Qwen/Qwen2.5-1.5B-Instruct. Модель принимает текст и выдаёт текст, включая структурированные рекомендации с названием, жанрами, годом выпуска и пояснением.

NanoDiffusion-46M-1k — компактная модель генерации изображений по тексту от FlameF0X. Это UNet примерно на 46 млн параметров, обученный с нуля для латентной диффузии: он работает с латентами размером 32×32, соответствующими изображениям 256 пикселей, и использует замороженные VAE и текстовый энкодер CLIP ViT-L/14 из Stable Diffusion 1.5. В UNet используются базовое число каналов 128, множители каналов (1, 2, 3, 4), по два residual-блока на уровень и cross-attention для текстового условия. Модель предназначена для экспериментальной генерации изображений по коротким текстовым запросам. Она обучена с нуля на наборе BitTranslate/Bittensor_subnet_19_06_04_24 в течение 1000 шагов. Компактный размер и разрешение 256 пикселей подходят для демонстраций и изучения латентной диффузии, но короткое обучение ограничивает качество, разнообразие и следование запросу. Лицензия — Apache-2.0.

EYEDOL/adtc-agri-sft-gemma2-2b — дообученная EYEDOL модель для консультаций по сельскому хозяйству в Нигерии. Она создана на базе диалоговой google/gemma-2-2b-it методом supervised fine-tuning с QLoRA; опубликованные веса содержат объединённые с базой LoRA-адаптеры. Это плотная модель Gemma 2 с 2,7 млрд параметров, рассчитанная на контекст до 8192 токенов. Модель отвечает на вопросы и сценарии фермеров и сельскохозяйственных консультантов: формулирует оценку ситуации, практическую рекомендацию и, когда уместно, совет обратиться за очной помощью к специалисту. Обучение включало данные по сельскому хозяйству и синтетические задачи о дозировках удобрений, рыночной экономике и хранении продукции. Интерфейс — диалоговая генерация текста; в метаданных указан английский язык, а целевой контекст модели — сельское хозяйство Нигерии. Это базовый контрольный запуск проекта ADTC 2026, без дистилляции. Модель не проверена для универсальных задач, регионов и культур за пределами обучающего распределения; формальная оценка точности не приведена. Ответы следует считать справочными рекомендациями, а важные агрономические и финансовые решения сверять со специалистом. Лицензия — Apache-2.0.

Карточка модели fdfsdfdsf/Kronos-base на Hugging Face совпадает с карточкой NeoQuasar/Kronos-Tokenizer-base, поэтому описание составлено по ней. NeoQuasar/Kronos-Tokenizer-base — специализированный токенизатор из семейства Kronos для преобразования финансовых свечных данных K-line в дискретные токены. Он квантует многомерные OHLCV-данные, сохраняя сведения о динамике цены и торговой активности, чтобы их можно было подавать в авторегрессионные модели Kronos. Токенизатор обучен в рамках проекта, основанного на данных более чем 12 миллиардов свечей с 45 бирж; формат весов — safetensors, лицензия — MIT. Компонент предназначен для подготовки исторических рыночных рядов для прогнозирования цены и волатильности, а также генерации синтетических финансовых данных в связке с моделью Kronos. В README для связанной модели Kronos-small указаны контекст 512 токенов и 24,7 млн параметров, а для Kronos-base — 512 токенов и 102,3 млн параметров; эти размеры относятся к языковым моделям семейства, а не к самому токенизатору. Токенизатор принимает числовые временные ряды свечей и выдаёт дискретные токены. Результат зависит от базовой прогнозной модели и качества исходных рыночных данных; финансовые прогнозы не гарантируют точности.

Карточка модели localized-ft/Llama-3.1-8B-bad-medical-advice-last-third-sft-seed3 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.