III.4Клиентская поддержка и customer success

Windstorm Labs опубликовала компактную модель машинного перевода с французского на индонезийский. Это дообученная версия Helsinki-NLP/opus-mt-fr-id: LoRA-адаптер обучили на параллельных текстах и объединили с базовыми весами. Модель построена на архитектуре Marian, содержит 54,3 млн параметров и доступна в формате safetensors для Transformers; контекст составляет 512 токенов. Модель предназначена для перевода текстов с французского языка на индонезийский. В карточке приведена предварительная оценка на 48 предложениях FLORES-200: chrF++ 51,16 и BLEU 22,52. Это небольшая проверочная выборка, поэтому результат не следует считать публикационной оценкой качества. Лицензия — Apache-2.0.

utrobinmv/tts_ru_free_hf_vits_high_multispeaker — русскоязычная модель синтеза речи с несколькими голосами на архитектуре VITS. Она принимает обычный текст с пунктуацией, без предварительного преобразования в фонемы, и генерирует речь на русском языке. Доступны два голоса: женский с идентификатором 0 и мужской с идентификатором 1; текст следует подавать строчными буквами. Модель сама расставляет ударения, но для повышения качества README рекомендует указывать их перед гласными. Модель содержит 4,7 млн параметров, опубликована в формате Safetensors и доступна по лицензии Apache-2.0. Она подходит для озвучивания русскоязычных текстов с выбором женского или мужского голоса. Из описания не следует, что модель поддерживает другие языки или функции клонирования голоса.

cardiffnlp/twitter-roberta-base-emotion — модель Cardiff NLP для распознавания эмоций в сообщениях Twitter. Она основана на RoBERTa-base, предварительно обученной примерно на 58 млн твитов, и дообучена на бенчмарке TweetEval для классификации эмоций. Модель содержит около 151,8 млн параметров и принимает текст длиной до 514 токенов. Модель присваивает тексту оценки по эмоциональным категориям, например радости, оптимизму, гневу и грусти. Её можно использовать для анализа тональности и эмоций в публикациях и коротких сообщениях на английском языке. Доступны варианты весов для PyTorch, TensorFlow и Flax. В README указана более новая модель семейства с расширенным набором эмоций; применимость текущей модели ограничена короткими сообщениями в стиле Twitter и метками её обучающего бенчмарка. Лицензия в предоставленных данных не указана.

Veena — модель синтеза речи, разработанная Maya Research. Это авторегрессионный трансформер на архитектуре Llama примерно с 3,3 млрд параметров, который преобразует текст на хинди и английском в речь; поддерживаются также смешанные фразы с обоими языками. Для выбора голоса доступны четыре варианта: kavya, agastya, maitri и vinaya. Аудио генерируется с частотой 24 кГц с использованием кодека SNAC. В метаданных указан контекст 131 072 токена, тогда как README заявляет ограничение входа в 2048 токенов. Модель предназначена для озвучивания экранного текста, голосовых помощников и IVR, дубляжа, аудиокниг, учебных материалов и навигационных объявлений. README заявляет задержку менее 80 мс на H100-80GB, около 120 мс на A100-40GB и около 200 мс на RTX 4090. Эти показатели зависят от оборудования и условий запуска; для быстрого вывода рекомендуется GPU. Veena распространяется по лицензии Apache 2.0. Известные ограничения: модель заявлена только для хинди и английского, имеет четыре голоса и может отражать особенности и смещения закрытых обучающих данных; качество для других индийских языков не гарантируется. Заявления README о контексте расходятся с длиной контекста в метаданных.

wangchan-sentiment-thai-text-model — модель классификации текста на базе WangchanBERTa, разработанная путём дообучения airesearch/wangchanberta-base-att-spm-uncased. Она предназначена для определения тональности тайских текстов, включая отзывы и короткие сообщения; в метаданных указаны датасеты Wongnai Reviews и Wisesight Sentiment. Модель построена на архитектуре CamemBERT для классификации последовательностей, содержит 132,5 млн параметров и принимает текст длиной до 512 токенов. На указанном в карточке оценочном наборе модель получила accuracy 0,7535 и loss 0,5849. Она подходит для автоматической разметки тональности, например при анализе отзывов и сообщений на тайском языке. Это дообученная модель, а не универсальный генератор текста; подробности о лицензии и условиях использования в предоставленных данных отсутствуют.

wuriaee-12B-schizostock — слитая в Model Stock модель на основе семейства Mistral Nemo, созданная автором карточки с помощью mergekit из нескольких предварительно обученных моделей. В конфигурации указана базовая модель IntervitensInc/Mistral-Nemo-Base-2407-chatml; README перечисляет модели для объединения, ориентированные в том числе на диалоги, ролевые сценарии и художественное письмо. Модель содержит 12,1 млрд параметров, использует архитектуру MistralForCausalLM и формат safetensors. Модель предназначена для генерации текста в чате, ролевых диалогов и творческого письма. Метаданные указывают контекст до 1 024 000 токенов, однако README сообщает, что модель почти не тестировалась, поэтому качество и стабильность работы не подтверждены. Лицензия — Apache-2.0.

XLM-RoBERTa-Large-ru-sentiment-RuSentiment — русскоязычная модель классификации текста, разработанная на основе XLM-RoBERTa-Large и дообученная на наборе RuSentiment. Датасет содержит публикации общего характера из социальной сети ВКонтакте. Модель предназначена для определения тональности русскоязычных постов и других коротких текстов. Модель использует архитектуру XLM-RoBERTa для классификации последовательностей и содержит 658,7 млн параметров. Её нативная длина контекста — 514 токенов; доступны веса в формате PyTorch. Карточка приводит результаты сравнения на нескольких задачах, но конкретные оценки в предоставленном тексте опущены. Модель подойдёт для анализа тональности публикаций в социальных сетях и исследовательской работы с русскоязычными текстами. Лицензия в предоставленных данных не указана.

AceGPT-v2-8B-Chat — диалоговая генеративная языковая модель из семейства AceGPT, разработанного исследователями King Abdullah University of Science and Technology, Chinese University of Hong Kong, Shenzhen и Shenzhen Research Institute of Big Data. Это полностью дообученная версия на 7,5 млрд параметров, созданная на основе AceGPT-v2-8B и оптимизированная для диалоговых сценариев. Модель принимает текст и генерирует текст. Она ориентирована прежде всего на арабский язык: подходит для диалога, ответов на вопросы и решения задач с выбором ответа. Метаданные также отмечают поддержку английского и китайского. Архитектура — плотная LLaMA; родной контекст составляет 8192 токена. В README приведены результаты сравнений с другими моделями на арабских бенчмарках, однако они не гарантируют качество на любых задачах. Модель распространяется по лицензии Apache-2.0. Она предназначена для текстовых сценариев и не принимает изображения или аудио.

Aethora-7B-V1 — разговорная модель SteelSkull, созданная дообучением Mistral-7B-Instruct-v0.2. Она предназначена для задач общего назначения с акцентом на ролевые диалоги и создание историй; обучение проводилось на наборе Aether-V1.9 объёмом около 2,5 млн записей и 1 млрд токенов. Модель имеет плотную архитектуру Mistral с 7,1 млрд параметров и контекстное окно 32 768 токенов. Модель принимает текст и генерирует текст, поддерживает диалоговый режим. Опубликована в формате safetensors; в README указана точность BF16. Лицензия в метаданных Hugging Face — Apache-2.0. Карточка не приводит оценок качества и подробных ограничений; набор обучающих данных включает материалы для ролевых диалогов, поэтому ответы могут отражать особенности этих данных.

alexmt-gemma4-e4b-dpo-bwspbleu-lr2e6 — диалоговая модель перевода, разработанная на базе Gemma 4 E4B Instruct и дообученная командой, опубликовавшей чекпойнт, методом DPO. Она переводит в обе стороны между английским языком и девятью разновидностями диалектного арабского: египетской, иорданской, ливанской, марокканской, оманской, палестинской, саудовской, сирийской и йеменской. Для перевода учитывает до трёх предыдущих реплик, предметную область беседы, участников и направление рода говорящего и адресата. Ожидает JSON-промпт Alexandria в одном пользовательском сообщении и возвращает перевод в поле translation; для генерации требуется шаблон чата токенизатора с add_generation_prompt=True и отключённым thinking. Модель основана на плотной архитектуре Gemma 4 E4B и распространяется в формате safetensors. На публичном тестовом наборе Alexandria авторы сообщают усреднённые по девяти разновидностям оценки spBLEU 30,12 и chrF++ 45,24 для перевода с английского на диалекты и 53,14 и 67,55 соответственно для перевода с диалектов на английский. Результаты получены с одним seed и одним разбиением данных; сравнение вариантов DPO на тестовой выборке предварительное, а показатели нельзя напрямую сопоставлять с результатами других протоколов. Лицензия CC-BY-NC-4.0 разрешает некоммерческое использование с соблюдением её условий.

Это дообученная на Qwen3-0.6B модель для контекстного перевода между английским и разговорными арабскими диалектами. Её разработчик обучил её на данных Alexandria, а затем применил SimPO к предпочтительным парам переводов, отобранным по сходству с человеческими эталонами. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит около 507,9 млн параметров и поддерживает контекст до 40 960 токенов. Модель предназначена для перевода реплик диалога с учётом до трёх предыдущих ходов беседы, домена, участников и направления пола говорящего и адресата. Охвачены девять разновидностей арабского: египетская, иорданская, ливанская, марокканская, оманская, палестинская, саудовская, сирийская и йеменская; доступны направления английский → диалектный арабский и диалектный арабский → английский. Запрос подаётся в формате JSON Alexandria как одно пользовательское сообщение, ответ содержит перевод в JSON. В оценке на открытой тестовой выборке Alexandria модель немного превзошла указанные в карточке базовую SFT-версию и DPO-вариант по метрикам spBLEU и chrF++; результаты получены с одним обучающим запуском и одним разбиением данных, поэтому небольшие различия не являются окончательными. Точность передачи диалектных особенностей отдельно не оценивалась. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и запрещает коммерческое применение.

Эта модель BETO разработана командой BETO и дообучена Manuel Romero на испанской версии SQuAD 2.0 для ответов на вопросы по заданному контексту. В основе лежит dccuchile/bert-base-spanish-wwm-cased — испанский BERT Base с Whole Word Masking; модель содержит 137,1 млн параметров и рассчитана на контекст до 512 токенов. Модель принимает текст с контекстом и вопросом и извлекает ответ из контекста, включая возможность определить, что ответа в нём нет. В README приведены результаты на тестовом наборе SQuAD-es-v2.0: Exact Match 76,5 и F1 86,1. Она предназначена прежде всего для испаноязычных сценариев вопросно-ответного поиска и не является универсальной разговорной моделью. Доступны веса PyTorch и Flax. Лицензия в предоставленных данных не указана.

Bielik-11B-v2.2-Instruct-GGUF — это набор квантизированных моделей в формате GGUF для генерации текста. Основой служит speakleash/Bielik-11B-v2.2-Instruct, а квантизацию выполнил bartowski с использованием llama.cpp и imatrix. Модель предназначена прежде всего для инструкционного общения и генерации текста на польском языке, включая ответы на вопросы и выполнение заданий в диалоговом формате. Доступны варианты от F16 до низкобитных квантизаций Q8, Q6, Q5, Q4 и Q3, благодаря чему можно выбирать между качеством, размером файла и требованиями к памяти. Размер исходной модели составляет около 11 млрд параметров; конкретные файлы занимают примерно от 5 до 22 ГБ. Некоторые варианты оптимизированы для инференса на ARM и CPU. Для запуска рекомендуется использовать совместимое программное обеспечение, например llama.cpp или LM Studio, и указанный в README формат промпта с ролями system, user и assistant. К сильным сторонам относятся поддержка польского языка, широкий выбор квантизаций и возможность локального запуска. При уменьшении точности квантизации качество ответов снижается, поэтому для требовательных задач предпочтительны варианты Q5–Q6 или F16. Архитектура, размер контекстного окна и поддержка других модальностей в README не указаны; заявлена только текстовая генерация. Модель распространяется по лицензии Apache-2.0, при этом для использования также предлагается ознакомиться с условиями Bielik.

Bielik-1.5B-v3.0-Instruct-GGUF — это квантизированная GGUF-версия языковой модели Bielik-1.5B-v3.0-Instruct, разработанной speakleash и подготовленной квантизацией компанией Second State Inc. Модель предназначена для диалоговых и текстовых задач на польском языке и может запускаться через LlamaEdge или совместимые инструменты. Указанный формат поддерживает варианты квантизации от Q2_K до Q8_0, а также f16; рекомендуемым балансом качества и размера названа Q4_K_M, а варианты Q5_K_M и Q5_K_S характеризуются очень небольшой потерей качества. Модель имеет размер 1,5 млрд параметров, использует шаблон запросов ChatML и поддерживает контекст до 8192 токенов. В README указана рекомендуемая температура генерации 0,4. Доступны файлы размером примерно от 607 МБ для Q2_K до 3,20 ГБ для f16, что позволяет выбирать вариант под ограничения по памяти и качеству. Сильной стороной модели являются компактность и возможность локального запуска, включая использование LlamaEdge. Ограничения связаны с небольшим размером модели и потерями качества при агрессивной квантизации; варианты Q2_K и Q3_K имеют существенную потерю качества и подходят не для всех сценариев. Лицензия модели — Apache-2.0.

BLOSSOM-v5-34b — разговорная языковая модель, разработанная командой Blossom и дообученная на базе Yi-34B. Это плотная модель семейства Llama с 33,9 млрд параметров; она генерирует продолжение диалога и рассчитана на ответы на вопросы, выполнение инструкций и математические задачи. Обучение проходило в два этапа на смешанных наборах Wizard, Orca, Math и Blossom Chat; данные для обучения включали китайский и английский языки и были частично дистиллированы из GPT-4-0125-preview. Модель предназначена для диалогового использования: ей передают историю переписки в формате продолжения диалога, после чего она формирует ответ. Контекст составляет 4096 токенов. Репозиторий содержит веса в формате Safetensors, лицензия — Apache 2.0. Карточка заявляет о сильных общих способностях и понимании контекста, однако не приводит количественных результатов оценки. Качество русскоязычных ответов и пригодность для специализированных областей не подтверждены; контекст ограничен 4096 токенами.

Canarim-7B-Instruct — языковая модель на архитектуре Llama, разработанная dominguesm и дообученная на основе Canarim-7B на общедоступных наборах инструкций. Она предназначена для генерации текста и ответов на инструкции, прежде всего на португальском языке. Модель содержит 6,6 млрд параметров и поддерживает контекст до 4096 токенов. В карточке приведены результаты на бенчмарках португалоязычного лидерборда, включая ENEM Challenge и BLUEX. Доступны веса PyTorch и Safetensors для Transformers. Модель распространяется по лицензии Llama 2. Карточка README обозначена как находящаяся в разработке, поэтому описание обучения и оценки ограничено приведёнными сведениями.

DataDecide-falcon-and-cc-qc-20p-1B-60000_62500_65000_67500_69369_weightedavg_merge — объединённая модель генерации текста, созданная с помощью mergekit и метода Linear merge из нескольких контрольных точек предобучения. В карточке базовой указана контрольная точка step69369; также объединены step60000, step62500, step65000 и step67500. Архитектура — плотная LlamaForCausalLM, размер — 1,2 млрд параметров, максимальный контекст — 2048 токенов. Модель опубликована в формате safetensors и предназначена для генерации текста. Карточка не сообщает, для каких конкретных сценариев модель оптимизирована, какие языки она поддерживает и каковы её сравнительные качества. Лицензия в предоставленных данных не указана.

ELYZA-japanese-Llama-2-13b — плотная авторегрессионная языковая модель семейства Llama 2, разработанная командой ELYZA. Модель основана на Llama 2 и прошла дополнительное предварительное обучение для расширения возможностей работы с японским языком. В карточке указаны разработчики: Акира Сасаки, Масато Хиракава, Синтаро Хориэ, Томоаки Накамура, Сэм Пассалия и Дайсукэ Оба. Модель содержит 12,9 млрд параметров по метаданным Hugging Face (в README указано 13,02 млрд), использует архитектуру LlamaForCausalLM и принимает текст для генерации текста. Указанная длина контекста — 4096 токенов. Метаданные отмечают японский и английский языки; основная цель дополнительного обучения — повысить качество работы на японском. Модель подходит для генерации японского текста и других задач продолжения текста. README не приводит результатов оценки качества или подробных рекомендаций по применению. Репозиторий использует лицензию llama2, поэтому условия использования определяются лицензией Llama 2.

Это дообученная версия диалоговой модели Google Gemma 2 2B IT, созданная на основе google/gemma-2-2b-it. В репозитории используются архитектура Gemma2ForCausalLM и формат safetensors; модель содержит 2,7 млрд параметров и рассчитана на контекст до 8192 токенов. Модель предназначена для генерации текста. README не содержит сведений о датасете, назначении дообучения, оценке качества или особых сценариях применения, поэтому её специализацию определить нельзя. Базовая Gemma 2 2B IT описана как компактная диалоговая модель для генерации текста, ответов на вопросы и суммаризации на английском языке. Лицензия — Gemma. Подробные условия использования и ограничения этой версии в карточке модели не раскрыты.

gemma2-mitra-it — модель генерации текста, разработанная на основе gemma2-mitra-base и дообученная на инструкциях по переводу. Она предназначена для перевода текста: в запросе указывают целевой язык по шаблону «Please translate into : 🔽 Translation::», а переносы строк перед генерацией заменяют символом 🔽. Символ # используется как токен остановки генерации. Модель построена на плотной архитектуре Gemma 2 и содержит 9 млрд параметров. Она принимает текстовые запросы и генерирует текст; контекст составляет 8192 токена. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия в предоставленных сведениях не указана, поэтому условия её использования здесь уточнить нельзя.

German GPT-2 — языковая модель для генерации текста на немецком языке. По метаданным, это плотная архитектура GPT-2 с классом GPT2LMHeadModel, опубликованная в форматах PyTorch, TensorFlow и Flax. Разработчик README не указан; карточка сообщает, что модель переименована, но не приводит нового идентификатора. Модель предназначена для продолжения и генерации немецкого текста. Её контекст составляет 1024 токена. Модель распространяется по лицензии MIT. В README нет сведений о качестве, обучающих данных или специальных сценариях применения.

Honyaku-7b-v2 — дообученная разговорная языковая модель семейства Mistral от aixsatoshi, предназначенная прежде всего для перевода текстов. Она точнее предыдущей версии следует тегам, задающим язык генерации. Модель содержит 7,2 млрд параметров, использует плотную архитектуру Mistral и распространяется в формате safetensors. В карточке указан контекст 4096 токенов; README уточняет, что учитывая промпт, рекомендуется укладываться в 4k токенов, хотя дообучение проводилось на последовательностях до 8k. Основной сценарий — перевод текстов объёмом примерно от 500 до нескольких тысяч токенов. Наиболее стабильно модель переводит на японский; качество зависит от языкового покрытия базовой модели, а для малоресурсных языков оно хуже. Разработчик предупреждает, что переводы могут содержать ошибки и требуют проверки перед официальным или публичным использованием. Модель поддерживает диалоговый интерфейс и лицензирована по Apache-2.0.

Hy-MT2-7B-Abliterated-bf16 — созданная сообществом производная многоязычной модели перевода Tencent Hy-MT2-7B. Репозиторий содержит веса bf16 в формате MLX для запуска через MLX и MLX-LM; модель построена на плотной архитектуре HunYuan и насчитывает 7,5 млрд параметров. Модель предназначена для перевода текстов по инструкциям между поддерживаемыми языками. Вариант bf16 сохраняет более высокую точность по сравнению с 8-битной версией, но требует больше памяти. Заявлен контекст до 262 144 токенов. Abliteration направлена на ослабление поведения, связанного с отказами, однако не гарантирует их полного устранения и может повлиять на качество перевода или другие характеристики. Это не официальный выпуск Tencent. Используется лицензия Apache-2.0, как у базовой модели. Разработчик рекомендует оценить модель на собственных задачах до применения в производственной среде.

ICE 0001 — диалоговая языковая модель организации DarkPs, входящей в FanuonAI. Она предназначена для естественных бесед, коротких фрагментов кода и быстрых ответов. Модель построена на архитектуре Qwen3 с плотной causal language model, содержит 7,6 млрд параметров и принимает текст; заявленная длина контекста — 40 960 токенов. В репозитории доступны веса safetensors для Transformers, а метаданные отмечают поддержку чата и интерфейса вызова инструментов. В карточке заявлено обучение на многоязычных данных, включая 119 языков и диалектов, с особым вниманием к арабским диалектам, международным языкам и программированию. Модель может подойти для чат-ботов, простых вопросов по коду и многоязычного общения. Указанные в README размер 8B и контекст 32 768 токенов расходятся с метаданными, поэтому здесь приведены значения метаданных. Лицензия Apache-2.0.

japanese-stablelm-instruct-gamma-7b-Mistral-7B-Instruct-v0.1 — объединённая чат-модель на архитектуре Mistral, созданная MaziyarPanahi методом SLERP из mistralai/Mistral-7B-Instruct-v0.1 и stabilityai/japanese-stablelm-instruct-gamma-7b. Модель содержит 7,1 млрд параметров и рассчитана на генерацию текста в ответ на инструкции и диалоговые запросы, прежде всего на японском языке. Нативная длина контекста — 32 768 токенов. Модель подходит для японских диалоговых приложений, ответов на запросы и генерации текста по инструкциям. Она распространяется в формате safetensors с лицензией Apache-2.0. Это объединение двух моделей, поэтому результат может отличаться от поведения каждой исходной модели; данных о дополнительных ограничениях в карточке нет.

JGOS-31B-Citizen-v2 — производная модель на базе инструкционно настроенной мультимодальной Gemma 4 31B-it от Google, дообученная для корейского языка. Она предназначена для диалогов и обработки изображений с ответами на естественном языке. Модель принимает текст и изображения и генерирует текст; карточка указывает поддержку корейского и английского языков. Весовые файлы представлены в формате safetensors, для работы используется библиотека Transformers. Лицензия — Apache-2.0.

Jolteon-Instruct-13B-alpha — разговорная модель на базе архитектуры Llama, созданная maywell на основе EEVE-Korean-Instruct-10.8B-v1.0 и расширенная до примерно 13,3 млрд параметров с помощью mergekit и 12 проходных слоёв. Она предназначена для генерации текста и диалоговых сценариев. В карточке указана поддержка корейского и английского языков; длина контекста — 4096 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. README не описывает методику обучения и результаты оценки качества, поэтому пригодность для конкретных задач и качество ответов по языкам требуют проверки. Сведения о специальной предметной области в карточке отсутствуют.

Kord Translate ENTH V2 — 8B — модель KordAI для двустороннего перевода между тайским и английским языками. Она создана дообучением Qwen3-8B с помощью LoRA и дистилляции переводов от DeepSeek-V4-Flash: обучающий набор содержит около 8 тысяч пар, а цепочки рассуждений учителя в него не включены. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 7,6 млрд параметров и контекст до 40 960 токенов. Она принимает текст и выдаёт текст; карточка описывает работу в формате чата с инструкцией на перевод. Модель предназначена для перевода предложений с английского на тайский и с тайского на английский. В оценке на FLORES devtest дообученная версия уступила исходной Qwen3-8B по BLEU и COMET в обоих направлениях. Обучение проводилось на небольшом наборе, а оценка охватывала только предложения общего назначения, поэтому качество на длинных документах и разговорном тайском может быть ограниченным. Модель распространяется по лицензии Apache-2.0.

JY623/KoSOLAR-10.7B-merge-v3.4 — объединённая методом SLERP языковая модель, созданная автором репозитория с помощью mergekit из JY623/KoSOLAR-10.7B-merge-v3.0 и JY623/KoSOLAR-10.7B-merge-v3.3. Это плотная архитектура Llama с декодером LlamaForCausalLM, примерно 10,6 млрд параметров и контекстом до 4096 токенов. Модель предназначена для генерации текста; сведения каталога указывают на поддержку корейского языка. Модель распространяется в формате safetensors под лицензией Apache-2.0. Карточка описывает способ слияния и исходные модели, но не приводит конкретных оценок качества или подробностей о целевых сценариях, поэтому пригодность для отдельных задач следует проверять на собственных примерах.

KBNIT/KoSOLAR-10.7B-QLoRA-NEFTune-kolon-v2.0 — языковая модель на базе yanolja/KoSOLAR-10.7B-v0.3, дообученная для Kolon. Авторы использовали QLoRA с параметрами 64 и 16, NEFTune и один проход обучения на корейских данных; модель построена на архитектуре LlamaForCausalLM и содержит около 10,6 млрд параметров. Модель предназначена для генерации текста и диалогового использования на корейском языке. Контекст составляет 4096 токенов; в метаданных также указана поддержка английского. Репозиторий содержит веса PyTorch и распространяется по лицензии CC BY-NC 4.0, допускающей использование с указанием авторства, но не коммерческое.