III.5Управление персоналом и организацией

Llama-Chat-Summary-3.2-3B — языковая модель PrithivMLmods для контекстной суммаризации диалогов и текстов. Она дообучена на базе meta-llama/Llama-3.2-3B-Instruct и предназначена для создания кратких сводок с сохранением важных деталей из длинных чатов, обсуждений и документов. Модель имеет плотную архитектуру LlamaForCausalLM на 3,2 млрд параметров, принимает текст и генерирует текст. В карточке указана поддержка контекста до 131 072 токенов; модель рассчитана прежде всего на английский язык. Она может пригодиться для сводок обращений в поддержку, стенограмм встреч, статей и отчётов, а также для подготовки контекста для последующих систем. Карточка не приводит количественных оценок качества или подробностей обучения. Для работы с ней автор рекомендует Transformers; отмечено, что для развёртывания следует использовать выделенные эндпоинты, поскольку модель пока не подходит для serverless API. Лицензия — CreativeML Open RAIL-M.

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.

bigscience/mt0-base — мультиязычная модель семейства mT0, разработанная BigScience на основе предобученной mT5 и дообученная на смеси заданий xP3 для следования инструкциям на естественном языке. Она подходит для выполнения задач по текстовым запросам в режиме zero-shot, включая перевод, ответы на вопросы, классификацию тональности и создание текстов. Модель использует архитектуру encoder-decoder MT5ForConditionalGeneration и содержит 291,2 млн параметров; доступны веса PyTorch, safetensors и ONNX. README описывает поддержку десятков языков, а метаданные перечисляют языки обучения и основные языки карточки. Результаты зависят от формулировки запроса: модели полезно явно обозначать границы входного текста, требуемую задачу и язык ответа. Лицензия — Apache-2.0.

bigscience/mt0-large — мультиязычная модель семейства mT0, разработанная BigScience. Это дообученная на смеси задач xP3 модель mT5-large с архитектурой MT5ForConditionalGeneration и примерно 608,4 млн параметров; она принимает текст и генерирует текстовый ответ. Модель предназначена для выполнения инструкций на естественном языке и переноса на незнакомые задачи в режиме zero-shot, в том числе для перевода, ответов на вопросы, классификации тональности и создания текстов. Модель обучалась на данных mC4 и xP3 и поддерживает широкий набор языков; карточка перечисляет 21 язык, включая английский, французский, немецкий, испанский, арабский, китайский японский и хинди, а также приводит языковые теги для дополнительных языков. Доступны веса PyTorch, Safetensors и ONNX. Лицензия — Apache-2.0. Результаты зависят от формулировки запроса: инструкции стоит задавать явно, обозначая границу входного текста и желаемый язык ответа. Как генеративная модель, она может выдавать неточные ответы; качество на конкретном языке или задаче может различаться.

PLaMo-13B-Instruct — языковая модель с инструкционной настройкой, разработанная Preferred Networks, Inc. на основе PLaMo-13B с контекстом 8192 токена. Это плотная авторегрессионная модель с архитектурой decoder-only и 14,7 млрд параметров; для работы с весами в формате safetensors используется библиотека Transformers. Модель предназначена для диалогов и выполнения инструкций на японском и английском языках. Она обучена на 1,5 трлн токенов, включая 1,32 трлн английских и 0,18 трлн японских токенов; при инструкционной настройке использовались публичные датасеты, в том числе японские переводы и подмножества Dolly, Anthropic HH-RLHF, OpenAssistant и Izumi-lab. Модель может выдавать неточные, предвзятые или нежелательные ответы. Проверки проводились на английском и японском языках и не охватывают все сценарии, поэтому перед внедрением рекомендуется тестирование и настройка безопасности под конкретное приложение. Лицензия — Apache License 2.0.

TSFT-RAG Gemma-3-4B-IT — полноразмерная дообученная модель на базе Google Gemma 3 4B IT, созданная независимым исследователем Sascha Frank в рамках проекта TSFT-RAG. Модель предназначена для RAG-сценариев: ответов на вопросы по найденным источникам, выявления вопросов без достаточной опоры на источники, извлечения информации и создания структурированных ответов, включая JSON. Это плотная модель семейства Gemma 3 с архитектурой Gemma3ForConditionalGeneration и примерно 4 млрд параметров. Она принимает текст и, как производная Gemma 3, поддерживает мультимодальный ввод изображений, хотя для этой версии мультимодальная оценка не проводилась. Карточка сообщает об оценке преимущественно на немецкоязычных наборах данных; сведений о длине контекста нет. В опубликованной оценке агрегированный результат вырос относительно базовой модели, особенно на выявлении неподдержанных вопросах, но качество grounded QA немного снизилось. Модель оптимизирована для RAG и не предназначена для общего диалога; в важных областях требуется проверка человеком. Лицензия — Gemma license.

Amadeus-Verbo-MI-Qwen-2.5-72B-PT-BR-Instruct-Experimental — объединённая модель на основе Qwen2.5-72B-Instruct и AV-BI-Qwen2.5-72B-PT-BR-Instruct от AmadeusAI. Она предназначена для диалогов и генерации ответов по инструкциям на португальском языке, в том числе для создания структурированного текста. Модель использует плотную архитектуру Qwen2ForCausalLM с 71,5 млрд параметров и контекстом до 32 768 токенов; доступна в формате safetensors и рассчитана на запуск через Transformers. Веса объединены методом SLERP с помощью mergekit в формате bfloat16. Модель может быть полезна для чат-ботов, генерации текстов и ответов на вопросы на бразильском португальском. В карточке также заявлен интерфейс вызова инструментов, однако подробности его поддержки не приведены. Лицензия в предоставленных данных не указана.

Карточка модели cpral/Bielik-PL-Minitron-7B-v3.0-Instruct-ungated на Hugging Face совпадает с карточкой speakleash/Bielik-PL-Minitron-7B-v3.0-Instruct, поэтому описание составлено по ней. Bielik-PL-Minitron-7B-v3.0-Instruct — генеративная языковая модель SpeakLeash и ACK Cyfronet AGH с архитектурой causal decoder-only и 7,35 млрд параметров. Это дообученная и сжатая версия Bielik-11B-v3-Base-20250730: модель прошла структурное прореживание и дистилляцию, затем настройку на следование инструкциям и выравнивание предпочтений. Для диалога используется шаблон ChatML. Модель предназначена для генерации ответов и выполнения языковых задач на польском и других европейских языках. Она обучалась на корпусе из 32 европейских языков с особым акцентом на польский; README сообщает о сохранении около 90% производительности исходной модели и ускорении вывода до 50% после сжатия. Лицензия Apache 2.0. Модель может выдавать фактически неверные, предвзятые или оскорбительные ответы; встроенных механизмов модерации нет, поэтому результаты следует проверять, а для сценариев с требованиями к модерации нужны внешние меры контроля.

Kev-27B — модель принятия решений, разработанная Jared Palmer. Она обрабатывает один документ или другое текстовое состояние и набор типизированных вопросов с заданными вариантами ответа, а затем за один проход выдаёт вероятности для вариантов, наиболее вероятный ответ и оценку уверенности. Модель предназначена для классификации, маршрутизации и проверки документов, а также для сценариев, где уверенные случаи можно автоматизировать, а сомнительные отправлять на проверку человеку. Она поддерживает API TypeSafe System One и совместима с его SDK. В основе — плотная текстовая архитектура Qwen3.8-27B с 22,3 млрд параметров: причинный языковой backbone работает в режиме без генерации текста, а указательная голова оценивает заданные варианты. Все веса backbone дообучены; версия 2 получена усреднением полновесной тонкой настройки с версией 1. Модель рассчитана на английский язык и состояния до 65 536 токенов; для длинных входов требуется мощное оборудование, включая GPU класса 80 ГБ или Mac с достаточной памятью. Распространяется по лицензии Apache-2.0. Модель возвращает оценки только для переданных вариантов и не предназначена для свободной генерации, чата, суммаризации или открытых вопросов. На коротких состояниях версия 2 не превосходит v1, а на длинных контрактах может быть менее точной и чрезмерно уверенной; калибровку следует проверять на данных конкретного применения. Для решений с юридическими, медицинскими, финансовыми или иными серьёзными последствиями нужна проверка человеком.

Llama 2 70B Chat — разработанная Meta диалоговая языковая модель на 70 млрд параметров. Это авторегрессионный трансформер, дообученный с помощью supervised fine-tuning и обучения с подкреплением на основе обратной связи от людей; версия в репозитории подготовлена для работы с Hugging Face Transformers и хранится в форматах PyTorch и Safetensors. Модель принимает текст и генерирует текст. Она предназначена прежде всего для диалогов в формате ассистента на английском языке: ответы на вопросы, ведение беседы и другие сценарии генерации текста. Контекст составляет 4 тыс. токенов; вариант на 70B использует Grouped-Query Attention для более масштабируемого вывода. Модель может выдавать неточные, предвзятые или нежелательные ответы, а испытания не охватывали все сценарии. Перед внедрением рекомендуется проверка безопасности и настройка под конкретное применение. Использование регулируется лицензией Meta Llama 2; для получения весов требуется принять её условия.

Qwen-SEA-LION-v4-32B-IT — инструктивная языковая модель AI Singapore, разработанная командой AI Products Pillar при финансировании NRF Сингапура. Это плотная авторегрессионная модель семейства Qwen3 с 29,7 млрд параметров, дообученная на базе Qwen/Qwen3-32B. После продолженного предобучения примерно на 100 млрд токенов из корпуса SEA-Pile v2 модель прошла постобучение на примерно 8 млн пар вопросов и ответов. Модель предназначена для диалога и выполнения инструкций, включая ответы на вопросы, суммаризацию, перевод, анализ тональности и рассуждения. Она ориентирована на языки Юго-Восточной Азии и также поддерживает английский и китайский. Метаданные указывают контекст до 40 960 токенов; README приводит нативный контекст 32 768 токенов. Модель распространяется под лицензией MIT. В README описаны оценки на наборах SEA-HELM, SEA-IFEval и SEA-MTBench для языковых задач, следования инструкциям и многоходового диалога. Модель может галлюцинировать и выдавать нерелевантные или непоследовательные ответы; она не настроена на безопасность и не проверялась на устойчивость к состязательным запросам. Для прикладного использования следует самостоятельно оценить качество и настроить защитные меры.

Academic TRURL 2 — языковая модель Voicelab.AI на архитектуре Llama 2, дообученная для диалогов и генерации текста на польском и английском языках. Версия содержит 12,9 млрд параметров; метаданные указывают контекст 2048 токенов, тогда как README заявляет длину контекста 4096 токенов. Модель предназначена для общения в формате ассистента и других задач генерации естественного языка. Она принимает текст и генерирует текст; для диалога требуется форматирование запросов по шаблону Llama 2. В обучении использовались польские и английские разговорные данные, включая наборы вопросов и ответов и диалоговые примеры; академическая версия обучена без MMLU. Модель может давать неточные, предвзятые или нежелательные ответы, а опубликованные проверки охватывали польский и английский языки не во всех сценариях. Перед внедрением рекомендуется проверять её на целевых задачах и настраивать меры безопасности. README указывает на коммерческое и исследовательское применение; конкретная лицензия в предоставленных данных не указана.

AIArchiveInfo/Yi-34B-Chat — побайтовая архивная копия Yi-34B-Chat, исходно разработанной компанией 01.AI и опубликованной под лицензией Apache-2.0. Согласно карточке, веса не обучались, не дообучались и не изменялись при копировании; лицензия оригинала продолжает действовать. Это диалоговая плотная языковая модель на архитектуре Transformer семейства Llama, содержащая 33,9 млрд параметров и рассчитанная на генерацию текста в формате чата. Она предназначена для общения, ответов на вопросы, понимания языка, рассуждений, здравого смысла и чтения с пониманием. В README модель описана как двуязычная, с упором на английский и китайский; максимальный контекст составляет 4096 токенов. Карточка сообщает о сильных результатах Yi-34B-Chat в сравнительных оценках, но приведённые позиции относятся к данным 2024 года и не гарантируют качество для конкретных задач. Размер модели требует значительных вычислительных ресурсов; модель может ошибаться и не следует считать её ответы проверенными фактами. Репозиторий содержит веса в формате safetensors.

Bellatrix-Tiny-1B-v2 — авторегрессионная языковая модель семейства Llama, разработанная prithivMLmods на основе meta-llama/Llama-3.2-1B-Instruct. Модель содержит 1,2 млрд параметров, имеет контекстное окно до 131 072 токенов и предназначена для генерации текста и диалогов. В репозитории доступны веса в форматах Safetensors и ONNX; README описывает настройку с помощью supervised fine-tuning и обучение на синтетических данных для рассуждений. Модель рассчитана на многоязычные диалоги, следование инструкциям, суммаризацию и сценарии поиска релевантных сведений в диалоге. Карточка приводит английский язык, но заявляет многоязычное применение без перечисления остальных языков. По словам автора, модель использует оптимизированную архитектуру Transformer; её компактный размер подходит для локального запуска, хотя ресурсоёмкость обучения и вывода зависит от оборудования. Качество может снижаться на узкоспециализированных задачах, редких языках и диалектах, а ответы могут содержать ошибки или смещения из обучающих данных. Лицензия — Llama 3.2 Community License (идентификатор llama3.2); перед использованием следует учитывать её условия.

Gigi-Llama3-8B-Chinese-zh — плотная авторегрессионная языковая модель семейства Llama 3, разработанная как дообучение Llama-3-8B-Instruct. Она обучена на более чем 1,3 млн отобранных китайско-английских примеров, включая данные OpenHermes-2.5, Hermes, glaive-function-calling и китайские наборы COIG-CQIA и alpaca-gpt4-data-zh. Модель рассчитана на диалог и генерацию текста, особенно на задачи в китайско-английском контексте, с усиленной поддержкой китайского языка. Модель содержит 7,5 млрд параметров, использует библиотеку Transformers и формат safetensors; заявленная длина контекста — 8192 токена. Карточка описывает поддержку шаблона диалога Llama-3-8B-Instruct и приводит результаты на отдельных бенчмарках, но не раскрывает подробностей методики оценки. Лицензия — Apache-2.0.

Granite-3.0-8b-lab-community — разговорная языковая модель, созданная Red Hat и IBM Research на базе ibm-granite/granite-3.0-8b-base. Это плотная авторегрессионная модель семейства Granite на 8,2 млрд параметров, дообученная методом LAB (Large-scale Alignment for chatBots) на синтетических данных, созданных с помощью Mixtral-8x7B-Instruct. Процесс LAB использует таксономию знаний и навыков, генерацию данных и обучение в два этапа с буферами повторного воспроизведения. Модель предназначена для диалогового помощника и генерации текста на английском языке, включая ответы на вопросы, рассуждения, творческое письмо и работу с предметными знаниями, представленными в обучающих данных. Контекст составляет 4096 токенов; для наилучших результатов авторы рекомендуют использовать системный промпт, применённый при обучении. Модель распространяется по лицензии Apache 2.0. Авторы предупреждают, что она может галлюцинировать и выдавать проблемные или небезопасные ответы; её не следует считать надёжным источником для критически важных решений. README содержит противоречивое описание статуса безопасности: в обзоре сказано о настройке для чата, но в разделе ограничений модель названа не прошедшей safety alignment.

Lexora-Medium-7B — диалоговая языковая модель, опубликованная DeepMount00. Она основана на плотной архитектуре Qwen2 и содержит 7,1 млрд параметров. Модель предназначена для генерации текста в формате беседы и имеет интерфейс для вызова инструментов. В карточке указаны обучающие наборы Sonnet-3.5-ITA-INSTRUCTION и Sonnet-3.5-ITA-DPO, а также поддержка итальянского и английского языков. Максимальная длина контекста составляет 131 072 токена. Модель доступна в формате safetensors по лицензии Apache-2.0.

Llama-3-SauerkrautLM-8b-Instruct — разговорная языковая модель, совместно разработанная VAGO Solutions и Hyperspace.ai на основе Meta-Llama-3-8B-Instruct. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, настроенная для инструкций и выровненная с помощью DPO. Она принимает текстовые запросы и генерирует текст; заявлены немецкий и английский языки. Контекст модели — до 8192 токенов. Модель предназначена для диалогов с ассистентом, ответов на вопросы и немецкоязычных сценариев, включая оценённые авторами задачи RAG. В README приведены результаты бенчмарков, но они не гарантируют качество в конкретном применении. Авторы предупреждают, что модель может выдавать неподходящий или неотфильтрованный контент и не гарантируют стабильно корректное поведение. В репозитории указана лицензия other, а README связывает лицензию с Meta-Llama; перед использованием следует проверить применимые условия лицензирования.

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.

Meta-Llama-3-12B-Instruct — диалоговая языковая модель, опубликованная Mlabonne. Это объединённая с помощью LazyMergekit модель на архитектуре Llama; в метаданных указано 11 млрд параметров и контекст до 8192 токенов. Карточка перечисляет NousResearch/Meta-Llama-3-8B-Instruct как источник модели и приводит результаты сравнительных оценок на AGIEval, GPT4All, TruthfulQA и BigBench. Модель предназначена для диалогов, ответов на вопросы и генерации текста. Её можно использовать как основу для чат-ботов и текстовых помощников. Карточка не описывает отдельные специализированные области применения или поддержку языков, поэтому такие характеристики нельзя определить по имеющимся данным. Указанная лицензия — other; конкретные условия в предоставленной карточке не раскрыты.

Mistral-7B-v0.3-Chinese-Chat — диалоговая языковая модель, разработанная Shenzhi Wang, Yaowei Zheng, Guoyin Wang, Shiji Song и Gao Huang. Она создана для общения на китайском и английском языках и основана на Mistral-7B-Instruct-v0.3 от Mistral AI. Модель с плотной архитектурой Mistral содержит около 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Это полнопараметрическое дообучение методом ORPO на смешанном китайско-английском наборе примерно из 100 тысяч пар предпочтений. Модель предназначена для диалогов, ролевых сценариев, математики и использования инструментов; разработчики отмечают улучшение ответов на китайском и снижение смешения китайского и английского по сравнению с базовой моделью. Модель принимает текст и генерирует текст. Репозиторий предоставляет веса в формате Safetensors. Лицензия — Apache-2.0. В README отмечено, что ответы на вопросы о личности и разработчиках могут быть случайными и недостоверными.

OCC-RAG-0.6B — компактная языковая модель для ответов на вопросы, основанных на предоставленных источниках. Её разработала команда OCC AI; модель дообучена на базе Qwen/Qwen3-0.6B-Base и содержит около 508 млн параметров. Это плотная причинная языковая модель на архитектуре Qwen3, принимающая текстовый вопрос и список текстовых источников. Контекст модели составляет 32 768 токенов. Модель анализирует вопрос и источники, объединяет свидетельства из нескольких фрагментов, приводит ссылки на источники по их идентификаторам и отвечает только тогда, когда контекст подтверждает ответ. Если данных недостаточно, она может воздержаться от ответа. В карточке описано обучение на синтетических примерах вопросов и ответов с привязкой рассуждений к цитатам и оценивание на задачах многошагового QA, верности контексту и отказа от неподтверждённых ответов. Модель предназначена для RAG-сценариев, например ответов по документам и базам знаний. Она не рассчитана на общие беседы или использование собственных знаний модели; обучение и оценивание охватывали цепочки рассуждений до трёх шагов, поэтому более длинные цепочки находятся вне заявленного распределения. Лицензия — MIT.

d0rj/rut5-base-summ — русскоязычная модель суммаризации, созданная дообучением ai-forever/ruT5-base. Это плотная модель архитектуры T5 с 123,8 млн параметров; она принимает текст и генерирует его краткое изложение. Обучение проводилось на объединённых наборах данных для суммаризации новостей, диалогов, встреч и других текстов, включая SAMSum на русском языке, Gazeta и WikiLingua. Контекст модели — до 512 токенов. Модель предназначена для автоматического составления кратких сводок и пересказов, в том числе диалогов. Для её запуска можно использовать библиотеку Transformers и pipeline summarization. В репозитории также сохранены состояния обучения, позволяющие продолжить дообучение на собственных данных. Карточка упоминает оценку на валидационной выборке, но не приводит численных результатов; отчёт указан как находящийся в работе. Лицензия в предоставленных сведениях не указана.

SauerkrautLM-Mixtral-8x7B-Instruct — инструктивная языковая модель VAGO solutions на архитектуре Mixture of Experts (MoE), основанная на mistralai/Mixtral-8x7B-Instruct-v0.1. В метаданных указано 7,1 млрд параметров и контекст до 32 768 токенов; модель распространяется в формате safetensors и рассчитана на работу через Transformers. Модель предназначена для диалогов и выполнения инструкций, в том числе для ответов на вопросы и математических задач. Разработчики дообучили её с помощью DPO на немецких данных с аугментацией и переводом, а также на предпочтениях из дополнительных наборов данных. Заявлена поддержка английского, немецкого, французского, итальянского и испанского языков; особое внимание уделено естественности формулировок на немецком. В README приведена оценка на тесте German RAG Eval, однако результат не гарантирует точность в реальных сценариях. Разработчики предупреждают, что модель может выдавать неподходящий или некорректный контент. Лицензия Apache 2.0 допускает коммерческое использование при соблюдении её условий.

Cohere и Cohere Labs разработали Cohere Labs Tiny Aya Global — авторегрессионную языковую модель на основе оптимизированного Transformer с 3,35 млрд параметров. Модель дообучена с помощью supervised fine-tuning и обучения предпочтениям, поддерживает диалог и предназначена для эффективного запуска при ограниченных вычислительных ресурсах. Контекст составляет 8K токенов; модель принимает текст и генерирует текст. Модель ориентирована на многоязычную генерацию и диалог, включая суммаризацию, перевод и межъязыковые задачи. Она охватывает более 70 языков, в том числе русский и ряд языков с ограниченными ресурсами; заявленный баланс между языками и регионами — ключевая особенность версии Global. Модель также подходит для адаптации под конкретные задачи и исследований многоязычной обработки естественного языка. Сильные стороны — генерация текста на широком наборе языков и сравнительно хорошая работа с языками, для которых доступно меньше обучающих данных. Качество рассуждений, включая многоязычную математику, слабее, чем открытая генерация и диалог; фактические ошибки и нестабильность вероятнее для низкоресурсных языков, а сложные инструкции могут быть трудны для модели. Лицензия CC-BY-NC-4.0 ограничивает использование некоммерческими целями; также требуется соблюдать политику допустимого использования Cohere Labs.

LastRef/gemma-3-12b-it-heretic-x — дообученная мультимодальная модель на основе Google Gemma 3 12B IT. Это разговорная модель с архитектурой Gemma 3 для обработки текста и изображений с генерацией текстовых ответов. Подходит для диалога, создания и суммаризации текста, ответов на вопросы и извлечения информации из изображений. Карточка Gemma 3 указывает контекст до 128 тыс. токенов и поддержку более 140 языков; эти характеристики относятся к семейству базовой модели. В тегах модели она обозначена как uncensored, decensored и abliterated, то есть её позиционируют как модель с ослабленными ограничениями на ответы; README при этом описывает базовое семейство Gemma, а не специфические изменения этой версии. Такие модели могут выдавать вредный или недостоверный контент, а также отражать смещения данных обучения. Лицензия — Gemma; условия использования определяются лицензией и политикой допустимого использования Gemma.

Kaleidoscope_large_v1 — дообученная модель 2KKLabs на базе ruBert-large для извлечения ответов на вопросы по тексту документа. Она принимает вопрос вместе с контекстом документа и предсказывает фрагмент текста, отвечающий на вопрос; в обучении использовались примеры с контекстом, вопросом и ответом, а длинные тексты обрабатывались скользящим окном. Модель предназначена для поиска сведений в документах, поддержки пользователей и систем вопросов и ответов. Архитектура — BERT, около 525,7 млн параметров, контекст — 512 токенов; модель распространяется в формате safetensors и использует библиотеку Transformers. Основной язык — русский; README также заявляет поддержку английского, но указывает, что она не тестировалась. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Llama-3-SauerkrautLM-70b-Instruct — диалоговая языковая модель, созданная VAGO Solutions совместно с Hyperspace.ai на основе Meta-Llama-3-70B-Instruct и настроенная с помощью DPO. Она предназначена для генерации ответов и ведения диалога на немецком и английском языках; в карточке приведены оценки на англоязычных и немецкоязычных тестах, включая MT-Bench и оценку RAG. Модель использует плотную архитектуру LlamaForCausalLM и содержит 69,5 млрд параметров. Контекст — до 8192 токенов. Доступны веса в формате safetensors. В README указана лицензия meta-llama, тогда как метаданные Hugging Face обозначают её как other; условия следует сверять с лицензией базовой модели и карточкой репозитория. Авторы предупреждают, что модель может выдавать неподходящий или неотфильтрованный контент и что её поведение не всегда будет уместным.

zelk12/MT-Gen5-MM-gemma-2-MT4g2MT5g4-9B — объединённая модель семейства Gemma 2, созданная разработчиком с помощью mergekit методом SLERP из zelk12/MT5-Gen4-gemma-2-9B и zelk12/MT4-Gen2-gemma-2-9B. Это плотная авторегрессионная языковая модель с 9 млрд параметров для диалогов и генерации текста; она принимает текст и выдаёт текст. Модель доступна в формате safetensors, работает с Transformers и поддерживает контекст до 8192 токенов. Модель подходит для чат-ботов, ведения диалога и генерации текстовых ответов. В карточке не приведены сведения о целевых языках, специализированных областях или результатах оценки качества, поэтому нельзя определить её сильные стороны и языковый охват точнее. Лицензия в предоставленных данных не указана.

Starling_Monarch_Westlake_Garten-7B-v0.1-GGUF — квантизированная версия текстовой генеративной модели Starling_Monarch_Westlake_Garten-7B-v0.1. Исходная модель опубликована giraffe176, а GGUF-квантизации подготовлены bartowski с использованием llama.cpp. Модель объединяет Mistral-7B-v0.1, Starling-LM-7B-alpha, AlphaMonarch-7B, WestLake-7B-v2-laser и garten2-7b. Модель предназначена для генерации текста и общих задач понимания и рассуждения на естественном языке. В README указаны результаты на EQ-Bench, ARC, HellaSwag, MMLU, TruthfulQA, Winogrande и GSM8K; среди приведённых показателей — 80,01 на EQ-Bench, 71,76% на ARC, 88,15% на HellaSwag и 65,07% на MMLU. Это указывает на пригодность для диалоговых, общеобразовательных, логических и текстовых сценариев, однако результаты зависят от методики тестирования. Модель относится к классу 7B и поставляется в формате GGUF с вариантами квантизации от Q4 до Q8, что позволяет выбирать баланс между размером файла, требованиями к памяти и качеством. Мультимодальность, поддерживаемые языки и размер контекстного окна в README не указаны. Лицензия — CC BY-NC 4.0, поэтому коммерческое использование может быть ограничено условиями лицензии.