III.4Клиентская поддержка и customer success

Sonar Reasoning Pro — модель рассуждений Perplexity, работающая на базе DeepSeek R1 и использующая цепочку рассуждений. Она предназначена для ответов на сложные запросы с опорой на поиск Perplexity; стоимость Sonar Pro включает стоимость поиска Perplexity. Доступный фрагмент карточки обрывается до подробностей о возможностях и ограничениях модели.

SuperPlatty-30B — объединённая авторегрессионная языковая модель на архитектуре LLaMA, созданная путём слияния Platypus-30B и адаптера SuperCOT-LoRA. В README разработчиками исходных компонентов названы Cole Hunter и Ariel Lee для Platypus-30B и kaiokendev для SuperCOT-LoRA. Модель содержит около 32,3 млрд параметров, использует плотную архитектуру LLaMA и принимает контекст до 2048 токенов. Модель предназначена для генерации текста на английском языке, включая ответы на вопросы и рассуждения. В README приведены результаты оценивания на ARC, HellaSwag, MMLU и TruthfulQA; эти результаты не гарантируют точность ответов в практических сценариях. Модель может выдавать токсичный, оскорбительный или предвзятый текст из-за данных базовой LLaMA; влияние слияния и дообучения на такое поведение не исследовалось. Ответы не следует считать достоверным источником или заменой человеческому суждению. Лицензия указана как other; README отмечает, что веса базовой LLaMA распространяются по специальной некоммерческой лицензии Meta.

tomgeorge00/t5-small-finetuned-EdinburghNLP-xsum — дообученная модель T5-small, разработанная на основе google-t5/t5-small. Она предназначена для суммаризации текста и оценивается метриками ROUGE на тестовой выборке; в карточке указаны ROUGE-1 29,06, ROUGE-2 8,67 и ROUGE-L 23,99. Модель имеет архитектуру T5ForConditionalGeneration, содержит 38,5 млн параметров и принимает текст с контекстом до 512 токенов, выдавая текстовое резюме. Базовая T5-small также применяется для других задач преобразования текста в текст. Данные обучения и подробные ограничения в карточке не раскрыты. Лицензия — Apache-2.0.

Teuken 7B-instruct-v0.6 — многоязычная инструкционная языковая модель, разработанная Fraunhofer, Forschungszentrum Jülich, TU Dresden и DFKI в рамках проекта OpenGPT-X. Это декодерная Transformer-модель семейства Llama с 7,5 млрд параметров, дообученная на базе openGPT-X/Teuken-7B-base-v0.6. Контекст модели составляет 4096 токенов. Модель предназначена для выполнения инструкций и генерации ответов на 24 официальных языках Европейского союза, в том числе немецком, английском, французском, польском, испанском и русском она не поддерживает. Её ориентируют на многоязычные сценарии, где важна работа с европейскими языками; заявленные области применения включают частное использование, образование и исследования. Модель не предназначена для математики и программирования. Модель может выдавать предвзятые, токсичные или ошибочные ответы, несмотря на фильтрацию данных. Для использования действует лицензия CC BY-NC 4.0, ограничивающая коммерческое применение.

WestIceLemonTeaRP-32k-7b-imatrix-GGUF — это квантизированная GGUF-версия языковой модели WestIceLemonTeaRP-32k-7b. Исходную модель разработал icefog72, объединив IceLemonTeaRP-32k-7b и семейство WestWizardIceLemonTeaRP методом SLERP с использованием mergekit. В состав объединения вошли также SeverusWestLake-7B-DPO и Not-WizardLM-2-7B; подготовка GGUF-квантизаций выполнена при участии mradermacher и SilverFan. Модель предназначена для генерации текста и диалоговых сценариев на английском языке. Указаны шаблоны Alpaca и, возможно, ChatML. Модель относится к классу 7B и рассчитана на контекст до 32 тысяч токенов согласно её названию. Репозиторий содержит варианты GGUF с imatrix-квантизацией, однако конкретные параметры доступной версии в README не указаны. В опубликованной оценке Open LLM Leaderboard средний результат составляет 71,27 балла; среди отдельных показателей указаны 86,89 на HellaSwag, 68,77 на AI2 Reasoning Challenge, 64,28 на MMLU, 62,47 на TruthfulQA, 80,98 на Winogrande и 64,22 на GSM8k. Эти результаты характеризуют общую способность модели к генерации текста, рассуждению и ответам на вопросы, но не заменяют проверку на прикладных данных. Лицензия обозначена как other, без дополнительных условий в README, поэтому перед использованием и распространением необходимо уточнить юридические ограничения у автора или в исходных репозиториях. Модель является текстовой и англоязычной; сведения о мультимодальности, точной архитектуре, размере файлов, системных требованиях и качестве работы на других языках не предоставлены.

Карточка модели asas-ai/AceGPT-v2-32B на Hugging Face совпадает с карточкой asas-ai/AceGPT-v2-32B-Chat, поэтому описание составлено по ней. AceGPT-v2-32B-Chat — диалоговая языковая модель семейства AceGPT, разработанная исследователями KAUST, CUHKSZ, SRIBD и King Abdulaziz University. Это полностью дообученная генеративная модель на архитектуре Llama, основанная на Qwen1.5-32B и содержащая 31,7 млрд параметров. Модель принимает текст и генерирует текст. Вариант Chat оптимизирован для диалоговых сценариев; семейство AceGPT ориентировано прежде всего на арабский язык, а карточка также указывает поддержку английского и китайского. Контекст составляет до 32 768 токенов. В README приведены результаты тестирования на арабских, английских и китайских бенчмарках. Модель подходит для арабоязычного диалога, ответов на вопросы и генерации текста. Карточка содержит лишь фрагменты таблиц оценки, поэтому по ней нельзя судить о качестве именно версии 32B во всех задачах. Лицензия — Apache-2.0.

Это англоязычная модель BART для генерации кратких пересказов текста, созданная дообучением facebook/bart-large-cnn. Модель содержит 252,8 млн параметров, использует плотную архитектуру BartForConditionalGeneration и принимает контекст длиной до 1024 токенов. В репозитории указано качество Loss 0,1320 на оценочном наборе, но описание набора данных и протокола оценки отсутствует. Модель подходит для краткого пересказа статей, сообщений и диалогов на английском языке. Она распространяется по лицензии MIT. Сведения о специальной адаптации к SAMSum, тренировочных данных и ограничениях применения в карточке не раскрыты.

Behemoth-123B-v2.1 — дообученная языковая модель BeaverAI, основанная на Largestral 2411. Это плотная авторегрессионная модель семейства Mistral с 122,2 млрд параметров и контекстом до 131 072 токенов; она предназначена для диалоговой генерации текста и поддерживает системные инструкции. Автор README отмечает творческую направленность версии 2.1 и рекомендует формат Metharme с системными токенами Mistral. Модель подходит для свободного диалога, творческого письма и задач, где нужны длинный контекст и настройка поведения через системное сообщение. В репозитории указаны веса safetensors; README также ссылается на варианты GGUF и iMatrix. Метаданные обозначают лицензию как other, поэтому перед использованием следует проверить условия лицензии в карточке модели.

ERNIE-4.5-21B-A3B-MLX-8bit — это 8-битная квантованная версия языковой модели ERNIE-4.5-21B-A3B-PT, разработанной Baidu. Квантование выполнено командой LM Studio с использованием MLX и оптимизировано для запуска на устройствах Apple Silicon. Модель предназначена для генерации текста и поддерживает английский и китайский языки. В README указано, что это текстовая модель на базе архитектуры ERNIE-4.5-21B-A3B с заявленным размером 21B; обозначение A3B может указывать на особенности исходной конфигурации, однако дополнительные сведения об архитектуре, длине контекста и точном числе активных параметров не предоставлены. Квантование в 8 бит снижает требования к памяти по сравнению с полноразмерной версией, но README не содержит количественных данных о производительности или качестве. Основные сильные стороны модели — поддержка английского и китайского языков, 8-битное представление и оптимизация для экосистемы Apple Silicon. Ограничения связаны с отсутствием информации о контекстном окне, мультимодальности, результатах тестирования и рекомендуемых сценариях применения; кроме того, квантование может влиять на точность по сравнению с исходной моделью. Модель распространяется по лицензии Apache-2.0.

French-Alpaca-Llama3-8B-Instruct-v1.0 — языковая модель, разработанная Jonathan Pacifico в 2024 году и дообученная на инструкционном наборе French-Alpaca, созданном с помощью OpenAI GPT-3.5-turbo. Модель основана на Llama 3 8B Instruct и предназначена для диалогов и выполнения инструкций на французском языке; её также можно дообучать для специализированных задач. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, работающая через Transformers и принимающая контекст до 8192 токенов. Карточка указывает французский язык; метаданные также отмечают английский. Модель распространяется в формате safetensors по лицензии Apache-2.0. Автор описывает её как быструю демонстрацию языковой специализации базовой модели на 8 млрд параметров. У модели нет механизмов модерации, поэтому она может выдавать неподходящие ответы; качество и безопасность для специализированного применения следует оценивать отдельно.

QuantFactory/gemma-2-baku-2b-it-GGUF — квантованная версия инструкционной языковой модели rinna/gemma-2-baku-2b-it, подготовленная QuantFactory с использованием llama.cpp. Исходную модель разработала команда rinna: Xinqi Chen, Toshiaki Wakatsuki и Kei Sawada. Модель предназначена для генерации текста и диалогового взаимодействия с выполнением инструкций, прежде всего на японском и английском языках. Модель основана на Gemma 2 Baku 2B и имеет архитектуру трансформера с 26 слоями и размером скрытого представления 2304; заявленный масштаб — около 2 миллиардов параметров. Инструкционные способности получены посредством слияния с Gemma 2 2B Instruct методом Chat Vector, а затем дополнительной оптимизации предпочтений ORPO на части внутреннего датасета rinna. Используется оригинальный токенизатор google/gemma-2-2b-it и формат чата Gemma 2. README не указывает размер контекста и конкретный тип или уровень квантования GGUF. К сильным сторонам относятся небольшой размер, поддержка японского языка и адаптация к диалоговым сценариям и следованию инструкциям. Ограничения включают отсутствие подробных результатов бенчмарков в карточке, неизвестные характеристики квантования и неуказанные ограничения качества по сравнению с более крупными моделями. Для исходной модели указана лицензия Gemma Terms of Use; отдельные условия для квантованного файла в README не приведены.

Llama-3-8b-Cosmopedia-japanese — японская адаптация модели Llama 3, разработанная aixsatoshi. Модель дополнительно обучена на японском переводе синтетического набора Cosmopedia, созданного на основе ответов Mixtral 8x7B. Цель обучения — перенести способности Llama 3 к рассуждению в японский контекст и снизить склонность отвечать по-японски на английском. Это плотная авторегрессионная языковая модель семейства Llama с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров. Она предназначена для генерации текста и диалогового общения на японском языке; заявленная длина контекста — 8192 токена. Веса доступны в формате safetensors. Лицензия — Llama 3 Community License.

llm-jp-3-8x13b — языковая модель, разработанная Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Это авторская предобученная и дополнительно настроенная модель семейства Mixtral: архитектура MoE содержит 8 экспертов, из которых активируются 2. В конфигурации указано около 73 млрд параметров суммарно; метаданные каталога приводят оценку 13,2 млрд. Контекст составляет 4096 токенов. Модель предназначена для генерации текста и диалоговых сценариев, особенно на японском языке. Она обучалась на смеси данных, включающей японские источники, а карточка и метаданные также отмечают английский язык. После предобучения модель прошла supervised fine-tuning и выравнивание методом Direct Preference Optimization. Для запуска предусмотрены веса Transformers в формате safetensors. Разработчики предупреждают, что модель находится на раннем этапе исследований и разработок и не настроена для гарантированного соответствия намерениям пользователя и требованиям безопасности. Лицензия — Apache-2.0.

allistair99 разработал дообученную версию csarron/mobilebert-uncased-squad-v1 для извлечения ответов на вопросы по предоставленному тексту. Модель использует архитектуру MobileBERT, содержит 59,7 млн параметров и рассчитана на контекст до 512 токенов. В репозитории указана оценка Loss 0,9972 на наборе для оценки; обучающий набор не назван. Модель подходит для поиска короткого ответа в тексте по вопросу, например, при извлечении фактов из документов. Базовая модель ориентирована на английский язык. Модель распространяется по лицензии MIT.

Negative-Anubis-70B-v1 — объединённая модель семейства Llama, созданная автором knifeayumu с помощью mergekit. Автор объединил SicariusSicariiStuff/Negative_LLAMA_70B и TheDrummer/Anubis-70B-v1 методом SLERP, чтобы сделать ответы более многословными и сбалансировать склонность Anubis к позитивной тональности. Модель содержит 69,5 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текст для генерации текста; поддерживает диалоговый сценарий и интерфейс вызова инструментов. Родная длина контекста — 131 072 токена. Модель подходит для творческого письма, развернутых бесед и ролевых сценариев. В карточке указана лицензия llama3.3. Репозиторий содержит веса в формате safetensors; автор также указывает на отдельную GGUF-квантизацию. В README не приведены отдельные оценки качества или конкретные ограничения применения, поэтому фактическая устойчивость стиля и поведения может зависеть от запроса и настроек генерации.

NeuronAI-4B — двуязычный ассистент с приоритетом узбекского языка, разработанный NeuronUz на базе Qwen3.5-4B. Это плотная авторегрессионная модель семейства Qwen3.5 с 3,4 млрд параметров; веса опубликованы в формате safetensors и полностью объединены, отдельный LoRA-адаптер не требуется. Модель дообучали продолжением предобучения, настройкой токенизатора для узбекского языка и supervised fine-tuning на ответах ассистента. Модель предназначена для диалога, письма, классификации по заданным меткам и экспериментов с переводом, особенно между английским и узбекским. Карточка сообщает об улучшении токенизационной эффективности для узбекского текста и приводит результаты на узбекских языковых и учебных тестах. В метаданных указаны русский и английский языки; README особо выделяет узбекский, преимущественно в латинской письменности. Для запуска автор приводит примеры Transformers и vLLM. Унаследованный контекст составляет 262 144 токена, однако обучение с инструкциями использовало последовательности до 2 048 токенов; примеры инференса ограничены 4 096 токенами, а более длинный контекст не проверен. Модель может ошибаться, галлюцинировать и воспроизводить смещения данных; её безопасность всесторонне не оценивалась. В тестах слабее всего показан TUMLU-Uzbek, а на английском MMLU базовая Qwen3.5-4B была сильнее. Для медицинских, юридических, финансовых и других ответственных решений требуется экспертная проверка. Лицензия CC BY-NC 4.0 разрешает некоммерческое использование; для коммерческого применения нужна отдельная письменная лицензия NeuronUz.

phh/Qwen3-0.6B-TLDR-Lora — LoRA-адаптер для модели Qwen/Qwen3-0.6B, разработанный пользователем или организацией с идентификатором phh. Модель предназначена для задач суммаризации текста и связана с датасетом trl-lib/tldr. В метаданных указаны библиотека PEFT и тег конвейера summarization. Адаптер основан на Qwen3-0.6B, однако в предоставленной карточке не указаны точные архитектурные параметры, размер адаптера, поддерживаемые языки и длина контекста. Данные о модальностях отсутствуют, поэтому модель следует рассматривать как текстовую. Лицензия — Apache-2.0; дополнительные сведения о качестве, ограничениях и рекомендуемых сценариях использования не приведены.

RIFA-PRO-3B-i1-GGUF — это квантизированная GGUF-версия модели RIFA-PRO-3B, разработанной smshahbaj и подготовленной к квантизации пользователем mradermacher. Модель предназначена для генерации текста и диалоговых сценариев, включая работу на бенгальском и английском языках. В метаданных также указано, что исходная модель дообучалась и ориентирована на задачи, связанные с бенгальским языком. Модель имеет около 3 миллиардов параметров; точная архитектура и размер контекста в README не указаны. Доступны варианты квантизации IQ и Q разных уровней, примерно от 0,9 до 2,6 ГБ, что позволяет выбирать между размером, скоростью и качеством. В README рекомендуются варианты i1-Q4_K_M и i1-Q4_K_S как сбалансированные по этим характеристикам; низкобитные варианты могут обеспечивать меньшее качество, но требуют меньше ресурсов. Это текстовая, одномодальная модель без заявленной поддержки изображений или других типов данных. Лицензия — Apache-2.0.

AceGPT-v2-70B — генеративная языковая модель, разработанная исследователями King Abdullah University of Science and Technology (KAUST), Chinese University of Hong Kong, Shenzhen и Shenzhen Research Institute of Big Data. Это версия семейства AceGPT на 69,5 млрд параметров, дообученная на основе Meta-Llama-3-70B и ориентированная прежде всего на арабский язык. Модель использует плотную архитектуру Llama и принимает и выдаёт текст; заявленная длина контекста — 8192 токена. Модель предназначена для генерации текста и ответов на вопросы, особенно на арабском языке, а также поддерживает английский и китайский. Карточка приводит результаты оценок на арабских, английских и китайских тестах, но показанные примеры и описание коллекции не позволяют считать эту базовую версию специально оптимизированной для диалога: для диалоговых приложений разработчики выделяют вариант AceGPT-chat. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0.

AIFT의 AIFT-ko-orca-plat-Yi-ko-6b-v1.1-dpo는 한국어 지시 수행을 위한 텍스트 생성 모델로, README에서는 orca-platypus instruct-DPO v1.1로 설명되어 있습니다. 모델은 약 5,9 млрд параметров, Llama-совместимая плотная архитектура, контекст до 2048 токенов и формат safetensors; опубликована по лицензии CC BY-SA 4.0. Модель дообучена с помощью LoRA на примерно 40 тысячах примеров. В набор вошли задания по истории, естественным наукам, математике, машинному чтению, анализу отзывов, обобщению, грамматике, общеобразовательным вопросам и викторинам, а также перевод между корейским и английским. Данные собраны и подготовлены разработчиком на основе открытых наборов и самостоятельно созданных примеров; обучающие файлы не опубликованы. Подходит для ответов на вопросы и выполнения учебных инструкций на корейском, включая базовые научные и математические задачи, чтение с пониманием и перевод. Контекст 2048 токенов ограничивает работу с длинными документами; сведения о качестве на независимых тестах в карточке не приведены.

AIFT-ko-orca-plat-Yi-ko-6b-v1.6 — корейская instruct-модель семейства Llama, разработанная AIFT. Модель дообучена с помощью LoRA на примерно 40 тысячах примеров, составленных из открытых наборов данных и созданных для обучения материалов. В карточке указаны 5,9 млрд параметров, контекст 2048 токенов и формат safetensors. Модель предназначена для генерации ответов на инструкции и вопросы, включая задания по истории, естественным наукам, математике, машинному чтению, анализу отзывов, грамматике и краткому изложению. В обучающие данные также вошли примеры перевода между английским и корейским языками и вопросы на проверку распространённых утверждений. Лицензия — CC BY-SA 4.0. Обучающие данные модели закрыты; заявленные возможности и качество ограничены составом и объёмом обучающих примеров.

syv.ai, датская компания, дообучила Cohere Transcribe для распознавания речи с разметкой говорящих и временными метками слов. Модель на архитектуре Cohere ASR содержит 151,3 млн параметров и принимает аудио, выдавая транскрипцию с метками говорящих и временными отметками. Она предназначена для коротких аудиозаписей длительностью до 30 секунд; для более длинных записей в README предлагаются вспомогательные скрипты с разбиением на окна и сопоставлением голосов между ними. Указана поддержка английского языка. Модель подходит для расшифровки подкастов, интервью, встреч и других записей с несколькими участниками. README рекомендует развёртывание через vLLM и приводит результаты производительности на RTX 3090. Лицензия — Apache-2.0. Ограничения: предел одного прохода — 30 секунд; до четырёх говорящих поддерживаются лучше, а при пяти-восьми точность снижается, особенно при плотной речи с перекрытиями. Идентификаторы говорящих действуют только в пределах одного вызова модели; для длинных записей требуется дополнительное связывание сегментов.

DictaLM 2.0 Instruct — инструкционно дообученная версия генеративной модели DictaLM 2.0, разработанная командой Dicta при участии Shaltiel Shmidman, Avi Shmidman, Amir DN Cohen и Moshe Koppel. Модель ориентирована на диалоговое взаимодействие и выполнение инструкций, особенно на иврите, и распространяется в формате GGUF для локального запуска через LM Studio или llama.cpp. Модель поддерживает английский и иврит. Она использует подход к дообучению, основанный на рецепте Zephyr-7B-beta, с расширенным набором инструкционных и разговорных данных для иврита. Доступны варианты с точностью float16 и 4-битной квантизацией Q4_K_M, что позволяет выбирать между качеством и требованиями к вычислительным ресурсам. Контекстное окно и точный размер модели в README не указаны. Сильной стороной модели является адаптация к ивриту и возможность локального использования в совместимых приложениях. Ограничение — отсутствие встроенных механизмов модерации и защитных ограничителей, поэтому модель требует осторожного применения в сценариях, где важны контролируемые ответы. Также она не поддерживает системный промпт. Модель распространяется по лицензии Apache 2.0.

Модель mrm8488/distilbert-multi-finetuned-for-xqua-on-tydiqa создана Мануэлем Ромеро как дообучение distilbert-base-multilingual-cased для извлечения ответов из текста. Она получает вопрос и фрагмент текста, содержащий ответ, и выделяет в нём непрерывный участок символов с ответом. Модель обучена для задачи TyDi QA Gold Passage на многоязычных данных; README приводит результаты на проверочной выборке: EM 63,85 и F1 75,70. Для отдельных языков указаны результаты для арабского, бенгальского и английского. Архитектура — DistilBertForQuestionAnswering, формат весов — PyTorch, максимальная длина контекста — 512 токенов. Модель подходит для извлечения ответов из предоставленного контекста, например из абзацев документов или справочных материалов. Оценка ограничена сценарием Gold Passage: ответный фрагмент заранее гарантированно содержит ответ, а неотвечаемые вопросы исключены. README не указывает лицензию.

Gemma-2-Ataraxy-Advanced-9B — слитая методом SLERP разговорная языковая модель на архитектуре Gemma 2 с 9 млрд параметров. По данным карточки, она объединяет jsgreenawalt/gemma-2-9B-it-advanced-v2.1 и lemon07r/Gemma-2-Ataraxy-9B; использует библиотеку Transformers и формат Safetensors. Модель предназначена для генерации текста и диалогов, в том числе творческого письма. Контекстное окно — 8192 токена. В README приведены результаты Open LLM Leaderboard по IFEval и BBH, но сведений о поддерживаемых естественных языках и лицензии нет. Автор README называет модель тестовой, поэтому её качество и пригодность для практического применения не следует считать подтверждёнными.

Gemma-4-Garnet-V2-31B-it-ultra-uncensored-heretic-GGUF — набор GGUF-квантизаций текстовой генеративной модели, разработанный независимым автором llmfan46. Модель основана на Gemma-4-Garnet-V2-31B-it-ultra-uncensored-heretic, которая, в свою очередь, создана на базе ConicCat/Gemma4-GarnetV2-31B. Для снятия ограничений применялись Heretic v1.2.0 и метод Arbitrary-Rank Ablation (ARA). Размер базовой модели — 31 млрд параметров; доступны варианты от BF16 до Q4_K_M и другие квантизации GGUF. Модель предназначена прежде всего для генерации творческих текстов и перевода, где важны выразительный стиль, богатая лексика и более естественный подбор формулировок. По данным README, версия имеет существенно меньше отказов: 4 из 100 против 99 из 100 у исходной модели, при этом сохраняет близость к оригиналу с KL-дивергенцией 0,0167. На тесте MMLU её точность составила 83,93% против 84,82% у исходной модели. К сильным сторонам относятся улучшенная, по заявлению автора, выразительность письма, сниженное количество отказов и широкий выбор квантизаций для разного баланса качества и требований к памяти. Ограничением является небольшое снижение результата MMLU относительно оригинала; сведения о конкретной архитектуре, длине контекста, поддерживаемых языках и мультимодальности в README не указаны. Модель распространяется по лицензии Apache-2.0.

GPT-4o mini — компактная мультимодальная модель OpenAI, представленная 18 июля 2024 года. Она принимает текст и изображения и формирует текстовые ответы. Модель предназначена для диалогов и задач, где нужно анализировать изображения вместе с текстом. В карточке она описана как более доступная компактная модель после GPT-4 Omni. Сведений о размере, длине контекста, поддерживаемых языках и лицензии в предоставленных источниках нет.

Indic-gemma-2b-finetuned-sft-Navarasa-2.0 — языковая модель, разработанная совместно Ravi Theja и Ramsri Goutham на базе Google Gemma 2B. Это плотная авторегрессионная модель с 2,5 млрд параметров, дообученная методом LoRA на наборах инструкций на 15 индийских языках и английском. Для работы с ней можно использовать Transformers или Unsloth; заявленная длина контекста — 8192 токена. Модель предназначена для генерации текста и ответов на инструкции на телугу, хинди, маратхи, урду, ассамском, конкани, непальском, синдхи, тамильском, каннада, малаялам, гуджарати, панджаби, бенгальском, одия и английском. Доступна в формате safetensors. В метаданных указана лицензия «other», поэтому условия использования следует уточнять в карточке модели и у разработчиков. README не приводит оценок качества или сравнительных тестов; качество может различаться между языками.

Ba2han/lfm-cpt — дообученная модель Liquid AI на базе LiquidAI/LFM2.5-VL-1.6B. Она принимает изображения вместе с текстовыми запросами и предназначена для диалога по изображениям, распознавания текста и ответов на вопросы по изображениям и документам. Модель использует архитектуру Lfm2VlForConditionalGeneration семейства LFM2-VL и распространяется в формате safetensors для Transformers. Датасет дообучения и результаты оценки не описаны, поэтому качество и специализацию сверх возможностей базовой модели определить нельзя. Лицензия указана как other; конкретные условия использования в доступных сведениях не раскрыты.

Sardean-UChicago/Mistral-7B-Headline-QLoRA — дообученная языковая модель семейства Mistral для генерации текста в диалоговом формате. Она основана на unsloth/mistral-7b-instruct-v0.2-bnb-4bit и содержит 7,1 млрд параметров. Для обучения использовались Unsloth и библиотека Hugging Face TRL. Модель может служить основой для генерации заголовков и других текстовых ответов на английском языке. Архитектура — плотная авторегрессионная MistralForCausalLM; заявленный контекст составляет 32 768 токенов. Репозиторий распространяется по лицензии Apache-2.0.