IV.5Образование и развитие навыков

Koto-Small-7B-IT — instruct-настроенная языковая модель Aurore-Reveil, дообученная на базе allura-org/Koto-Small-7B-PT. Базовая модель Koto-Small-7B-PT обучалась на MiMo-7B-Base на корпусе творческих текстов; карточка позиционирует эту версию для ролевых диалогов и выполнения инструкций. Модель имеет плотную архитектуру Qwen2ForCausalLM с 7 млрд параметров, принимает текст и выдаёт текст. Она рассчитана на диалоговый формат ChatML и поддерживает контекст до 32 768 токенов. В метаданных указан английский язык. Весовые файлы представлены в формате safetensors. Модель подходит для ролевых сцен, творческого письма и диалоговых сценариев с инструкциями. Результат генерации зависит от настроек семплирования; авторы рекомендуют температуру 1,25 и min_p 0,05. Лицензия — MIT.

MiniMax H3 — мультимодальная генеративная система, разработанная MiniMax. Она создаёт видео со стереозвуком по тексту, изображениям и мультимодальным опорным материалам; варианты H3-Base-FL2VA и H3-Base-Ref2VA поддерживают генерацию по первому и последнему кадрам, а также по наборам изображений, видео и аудиоклипов. Выходные ролики длятся 4–15 секунд, поддерживают разные пропорции кадра и базовое разрешение 768p; отдельный модуль H3-Regenerate-2K предназначен для повторной генерации в разрешении до 2K. Архитектура H3-Base объединяет текстовые и визуальные представления с аудиолатентами в мультимодальной последовательности, которую обрабатывает H3-Omni-Transformer; модель совместно предсказывает видео и аудио. В открытый выпуск не входит H3-Context-IR — размещённая отдельно система предварительной обработки сложных мультимодальных инструкций, поэтому для таких сценариев требуется использовать API или собственную подготовку контекста. В текущем выпуске инференс использует full attention, а не sparse attention. Репозиторий содержит веса в формате Diffusers/Safetensors. Лицензия обозначена как other; перед использованием следует проверить её условия.

bany1111/mistral-7b-sci-arc_reasoning_v2 — дообученная авторегрессионная языковая модель семейства Mistral, разработанная bany1111 на базе bany1111/mistral-7b-sci-pretrain. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов; для обучения использовались Unsloth и библиотека Hugging Face TRL. Модель предназначена для генерации текста. Название указывает на научные задачи и рассуждения, однако карточка не приводит конкретных результатов или описания специализации, поэтому её качество в этих сценариях не подтверждено. Поддерживаемый язык в метаданных — английский. Модель распространяется по лицензии Apache-2.0.

Muyan-TTS — модель синтеза речи, разработанная MYZY-AI для создания озвучки, в том числе подкастов. Это плотная причинная языковая модель семейства Llama с 3,2 млрд параметров; репозиторий содержит веса safetensors. Модель предварительно обучена на более чем 100 000 часов подкастовой аудиозаписи и поддерживает генерацию речи с нуля по короткому голосовому образцу и его расшифровке, а также адаптацию под голос диктора после подготовки обучающих данных. Для работы при синтезе задают аудиообразец, соответствующий ему текст и текст для озвучивания. README также описывает дообучение на собственных данных: для адаптации голоса требуется не менее нескольких десятков минут речи целевого диктора. Метаданные указывают контекст 131 072 токена, лицензию Apache-2.0 и задачу text-to-speech; модель также помечена как поддерживающая text-generation. Заявлены сценарии озвучивания подкастов и настройки индивидуального голоса, однако языки, качество на разных типах текста и практические требования к оборудованию в доступных данных не описаны.

mergekit-community подготовил эту объединённую языковую модель на архитектуре Llama с помощью метода Model Stock и библиотеки mergekit. Модель содержит 7,5 млрд параметров, сохранена в формате safetensors и рассчитана на генерацию текста и диалоги с контекстом до 131 072 токенов. В объединение вошли модели и адаптеры для ролевых историй, повествовательного стиля, активного голоса, рассуждений и тематических знаний, включая биомедицину, социологию, клинические знания и астрономию. Модель может применяться для диалогов и создания художественных историй; тег репозитория указывает, что она не подходит для всех аудиторий. Сведений о лицензии в предоставленных данных нет.

Qwen3-2e5 — диалоговая языковая модель семейства Qwen3, разработанная formalmathatepfl и дообученная на наборе SFT на основе formalmathatepfl/qwen3-cpt. Модель содержит 7,6 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и принимает текстовые запросы, генерируя текстовые ответы. Длина контекста — до 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате. Название репозитория указывает на обратную связь и исправление доказательств, но README не раскрывает конкретные сценарии, состав обучающих данных или результаты оценки. Лицензия указана как other, поэтому условия использования следует уточнить в карточке модели.

Карточка модели k33pCum/stable-cascade на Hugging Face совпадает с карточкой stabilityai/stable-cascade, поэтому описание составлено по ней. Stable Cascade — модель генерации изображений по текстовому описанию, разработанная Stability AI. Она построена на архитектуре Würstchen и состоит из трёх частей: Stage C создаёт компактные латентные представления по текстовому запросу, а Stage A и Stage B декодируют их в изображение. Сжатие с коэффициентом 42 позволяет работать с латентным представлением 24×24 для изображения 1024×1024, что снижает стоимость обучения и ускоряет генерацию по сравнению с менее сжатыми подходами. Для Stage C доступны варианты на 1 и 3,6 млрд параметров, для Stage B — на 700 млн и 1,5 млрд; Stage A содержит 20 млн параметров. Модель предназначена для генерации изображений в творческих инструментах, дизайне, образовательных приложениях и исследованиях генеративных моделей. В README отмечены возможности расширения через дообучение, LoRA, ControlNet, IP-Adapter и LCM. Автор рекомендует вариант Stage C на 3,6 млрд параметров и крупный вариант Stage B для более детальных результатов. Лицензия в метаданных обозначена как other; README указывает на соблюдение Acceptable Use Policy Stability AI и описывает модель как предназначенную для исследований. К ограничениям относятся возможные дефекты лиц и людей в целом, а также потери при автоэнкодировании. Модель не предназначена для создания достоверных изображений людей или событий; сгенерированный контент может быть вредоносным или отражать смещения.

stable-diffusion-xl-1.0-turbo-GGUF — экспериментальная GGUF-квантизованная версия SDXL-Turbo, разработанная Stability AI. Модель предназначена для генерации изображений по текстовому описанию и основана на SDXL 1.0 Base. Для ускорения вывода применяется метод Adversarial Diffusion Distillation, позволяющий синтезировать изображения за 1–4 шага, включая практически мгновенную генерацию в режиме реального времени. Модель поддерживает сценарии text-to-image и image-to-image, подходит для исследований генеративных моделей, создания иллюстраций, дизайна, образовательных и творческих инструментов, а также приложений реального времени. Предпочтительный размер изображения — 512×512, при этом возможны и более высокие разрешения. Для text-to-image не требуются guidance_scale и negative_prompt; рекомендуемое значение guidance_scale равно 0.0. Варианты GGUF включают FP16, Q8_0, Q4_1 и Q4_0, тогда как OpenAI CLIP ViT-L/14, OpenCLIP ViT-G/14 и VAE указаны в формате FP16. Работа именно этой сборки официально обозначена как экспериментальная и поддерживается только gpustack/llama-box версии v0.0.75 и выше. Сильные стороны модели — высокая скорость, хорошее качество и соответствие текстовому запросу при малом числе шагов; четыре шага могут улучшать результат по сравнению с однопроходной генерацией. Ограничения включают зависимость от специализированной поддержки llama-box, отсутствие указанных сведений о точном числе параметров, языках и максимальном контексте, а также возможные ограничения качества и безопасности, характерные для генеративных моделей изображений. Лицензия указана как Stability AI Non-Commercial Community License; условия коммерческого использования необходимо уточнять у Stability AI.

Fathi7ma/tiny-stories-gpt2 — компактная языковая модель GPT-2 small, дообученная на наборе коротких историй TinyStories. Она генерирует короткие художественные рассказы на основе текстовой подсказки и подходит для творческих упражнений, развлечения и создания простого детского контента. Модель принимает текст и продолжает его в виде рассказа. Контекст составляет 1024 токена; в репозитории представлены веса в формате safetensors. Обучение проводилось на английских историях, поэтому модель ориентирована на генерацию на английском языке. Указанная лицензия — MIT.

AuraFlow v0.1 — открытая модель генерации изображений по текстовому описанию, разработанная fal. В карточке она названа крупнейшей на момент выпуска моделью генерации изображений на основе flow-подхода; авторы сообщают о результатах уровня state of the art на GenEval. Модель предназначена для создания изображений по текстовым запросам. Она распространяется в формате Diffusers с весами Safetensors и лицензией Apache-2.0. Версия v0.1 обозначена как бета: разработчики продолжают работу над моделью и собирают отзывы сообщества.

AmberYifan/capsd-marin-8b-base-science_random_b80000_s0 — дообученная языковая модель семейства Llama на базе marin-community/marin-8b-base. Модель с плотной архитектурой LlamaForCausalLM содержит 7,5 млрд параметров и рассчитана на генерацию текста; карточка также отмечает диалоговый режим. Для дообучения использован набор capsd_marin-8b-base-n80000-sciweb-stackexchange__mix_science_random_b80000_s0, связанный с научными материалами и Stack Exchange. Это указывает на сценарии генерации и продолжения текста по научной тематике, но README не описывает специализированные возможности или результаты оценки. Контекст модели — 4096 токенов; библиотека запуска — Transformers, веса опубликованы в формате safetensors. Базовая marin-8b-base описана как англоязычная, поэтому английский — основной язык модели. Лицензия указана как other; конкретные условия использования из доступных сведений установить нельзя.

Модель AmberYifan/capsd-qwen3-sciweb-stackexchange-Qwen3-4B-Base-science_ppl_b8000_s0 — дообученная плотная языковая модель семейства Qwen3, созданная на основе Qwen/Qwen3-4B-Base. В карточке указано обучение на смеси данных capsd_Qwen3-4B-Base-n80000-sciweb-stackexchange__mix_science_ppl_b8000_s0; подробности о составе набора и методике не приведены. Модель предназначена для генерации текста и диалогового взаимодействия. Она содержит 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM, принимает текст и поддерживает контекст до 32 768 токенов. Карточка не сообщает, какие языки и научные темы представлены в обучающих данных. Репозиторий содержит веса в формате Safetensors. Указана лицензия other, поэтому конкретные условия использования следует проверять в исходной лицензии модели. README не приводит оценки качества или конкретные ограничения; назначение для научных текстов можно предполагать по названию набора обучения, но оно не подтверждено описанием или оценкой модели.

Compassmix XL — модель генерации изображений по текстовому описанию в формате Diffusers. Её создал lodestone-rock для frosting.ai; для генерации рекомендуется использовать 8 шагов. Модель предназначена для создания изображений по текстовым запросам. В карточке не указаны размер модели, базовая модель, языки, лицензия и специальные ограничения на применение, поэтому эти характеристики здесь не уточняются.

Free-Image-Generation — модель генерации изображений по текстовому описанию, созданная на основе Stable Diffusion 1.5 и дообученная слиянием нескольких модулей LoRA. Репозиторий содержит компоненты Diffusers: текстовый энкодер, U-Net, VAE, токенизатор и планировщик диффузии; размер модели по README — 1,07 млрд параметров. Модель предназначена для создания изображений по англоязычным текстовым запросам. Авторы заявляют, что сгенерированные изображения распространяются на условиях CC0, а веса базовой модели унаследовали лицензию CreativeML OpenRAIL-M; модули LoRA указаны как CC0-1.0. Для генерации рекомендуется CUDA-совместимый GPU. Качество результатов зависит от формулировки запроса и возможностей базовой архитектуры Stable Diffusion 1.5.

KOALA-1B — модель латентной диффузии для генерации изображений по текстовому описанию, разработанная лабораторией визуального интеллекта ETRI. Она использует текстовые энкодеры SDXL-Base-1.0 и заменяет его U-Net на более компактную архитектуру, сжатую за счёт уменьшения числа остаточных и трансформерных блоков; знания SDXL передаются модели методом дистилляции с акцентом на self-attention. U-Net содержит около 1,16 млрд параметров, размер чекпойнта — около 4,4 ГБ. Модель предназначена для создания изображений и творческих инструментов, а также для исследований генеративных моделей. KOALA рассчитана на генерацию с разрешением до 1024×1024 и ориентирована на более экономный по ресурсам вариант SDXL. Обучение проводилось на LAION-aesthetics-V2 6+. Лицензия в предоставленных данных не указана. Модель испытывает трудности с длинным разборчивым текстом внутри изображений и со сложными запросами, содержащими много атрибутов. Она не предназначена для достоверного изображения реальных людей или событий.

Sao10K/L3-8B-Stheno-v3.3-32K — разговорная модель семейства Llama 3, разработанная Sao10K и дообученная при вычислительной поддержке Backyard.ai. Она предназначена для диалогов, ролевых сценариев и творческого письма. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст для генерации текста. В карточке указан контекст 32 768 токенов; его расширили с 8K с помощью обучения PoSE, поэтому 32K не является для модели родным контекстом. В обучении улучшали отбор ролевых примеров, убирали низкокачественные данные, увеличивали долю творческого письма и перерабатывали подробные инструкции. Автор отмечает, что модель хорошо подходит для ролевых диалогов и сохраняет связность на расширенном контексте, но испытывает трудности с пониманием длинного контекста и рассуждениями. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Cat-llama3-instruct — разговорная модель на базе Llama 3 8B, дообученная командой SteelStorage при участии Dr. Kal'tsit (Kat), SteelSkull и Potatooff. Она предназначена для следования системным инструкциям, полезных ответов и ролевых диалогов с высокой вовлечённостью персонажа. В карточке также заявлены задачи по общей науке и биомедицинским темам. Модель использует плотную архитектуру LlamaForCausalLM, содержит около 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Для диалогов применяется формат промптов Llama 3; опубликованные веса представлены в safetensors. README описывает обучение на инструкционных данных и примерах с цепочкой рассуждений, но отмечает, что демонстрация CoT зависит от системной инструкции. Модель подходит для диалогового ассистента и ролевых сценариев, а также для общих научных и биомедицинских вопросов. Карточка приводит результаты на отдельных бенчмарках, но не описывает их как гарантию качества для конкретных задач. Лицензия указана как llama3; следует учитывать условия лицензии Llama 3.

Ovi — модель генерации видео и аудио, разработанная Chetwin Low и командой из Character AI при участии Yale University. Она создаёт синхронизированные видео и звук по текстовому описанию или по тексту вместе с исходным изображением; для речи и звуковых эффектов предусмотрен специальный формат промпта. README описывает генерацию роликов длительностью 5 или 10 секунд при 24 кадрах в секунду, а обновление Ovi 1.1 — видео с временной согласованностью в разрешении 960 × 960. В метаданных репозитория указана производная от Wan-AI/Wan2.2-TI2V-5B модель для задачи image-to-video; веса представлены в формате safetensors. Карточка заявляет отдельную 5B аудиоветвь, обученную с нуля, и упоминает дообучение на видео высокого разрешения и RL. Для инференса README указывает минимум 32 ГБ видеопамяти, а для FP8 — около 24 ГБ с небольшим снижением качества. Также приведены высокие требования к памяти для конфигураций без экономии памяти. Модель распространяется по лицензии Apache-2.0.

SciRM-7B — модель оценки научных текстов, разработанная авторами проекта SciRM на базе Qwen2.5-7B-Instruct. Это дообученная плотная языковая модель Qwen2 с 7,1 млрд параметров, представленная в формате safetensors; она принимает текстовые инструкции и научные материалы и генерирует текстовую оценку. Контекст модели — до 32 768 токенов. Модель обучена на первом этапе двухэтапного процесса обучения с подкреплением GRPO и предназначена для оценки научного письма по нескольким аспектам. При заданных критериях или явной системе оценивания она может оценивать разные научные задачи, в том числе разделы обзора литературы и рецензии на статьи, а также переносить оценивание на новые типы задач без отдельного дообучения. Для стабильного результата рекомендуется задавать ясные критерии и системную инструкцию. SciRM-7B обучена преимущественно на англоязычных научных текстах в области NLP и компьютерных наук, поэтому качество на других языках и в иных научных дисциплинах может снижаться. Результаты зависят от полноты критериев, и модель не должна быть единственным основанием для важных решений о публикации. Лицензия — Apache-2.0.

questcoast/SD-Kurzgesagt-style-finetune — дообученная методом DreamBooth модель Stable Diffusion 1.5 для генерации изображений в стиле Kurzgesagt. Она обучена на кадрах из видео Kurzgesagt; для получения стилистического эффекта в запросе рекомендуется использовать токены «_kurzgesagt style_». Модель принимает текстовые описания и генерирует изображения через StableDiffusionPipeline в формате Diffusers/PyTorch. Указанная лицензия — CreativeML OpenRAIL-M.

Карточка модели socialtrait/stable-diffusion-xl-base-1.0-infendpoint на Hugging Face совпадает с карточкой cgburgos/sdxl-1-0-base, поэтому описание составлено по ней. SDXL 1.0 Base — модель генерации и редактирования изображений по текстовому описанию, разработанная Stability AI. Она использует латентную диффузию и два предварительно обученных текстовых энкодера: OpenCLIP-ViT/G и CLIP-ViT/L. Базовая модель может работать самостоятельно; для дополнительного улучшения изображения её можно сочетать с моделью-refiner или применять двухэтапный сценарий с повышением разрешения через img2img. Репозиторий содержит варианты Diffusers, ONNX, OpenVINO и SafeTensors. Модель подходит для создания иллюстраций, концепт-арта и изображений для творческих и образовательных инструментов, а также для изучения генеративных моделей. В README отмечены ограничения: модель не всегда создаёт фотореалистичные изображения, плохо воспроизводит читаемый текст и сложные пространственные отношения; лица и люди могут выглядеть некорректно. Модель не предназначена для достоверного изображения реальных людей или событий и может усиливать социальные предубеждения. Лицензия в метаданных указана как OpenRAIL++; README называет CreativeML Open RAIL++-M License.

TypressAI-9B — объединённая авторегрессионная языковая модель семейства Gemma 2 с 9 млрд параметров, опубликованная ClaudioItaly. Она создана методом DARE TIES через mergekit на основе четырёх моделей Gemma 2: nbeerbower/gemma2-gutenberg-9B, UCLA-AGI/Gemma-2-9B-It-SPPO-Iter3, ifable/gemma-2-Ifable-9B и lemon07r/Gemma-2-Ataraxy-9B. По описанию автора, модель предназначена прежде всего для написания текстов и повествований; также поддерживает диалоговую генерацию. Модель принимает текст и генерирует текст. Контекст составляет 8192 токена; в метаданных указаны английский и итальянский языки. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия обозначена как other, поэтому условия использования следует проверять в карточке модели и связанных базовых моделей.

Aegolius Acadicus 24B V2 — экспериментальная языковая модель ibivibiv для ответов на вопросы и других задач, связанных со знаниями. Это объединение дообученных моделей на основе Llama 2 и Mistral, выполненное как смесь экспертов (MoE); в README перечислены Fine Tuned Mistral of Mine, WestLake-7B-v2-laser, openchat-nectar-0.5 и WestSeverus-7B-DPO. В метаданных указаны архитектура Mixtral, 7,1 млрд параметров и контекст 32 768 токенов. Модель принимает текст и генерирует текст. В README указан английский язык, а шаблон запроса построен в стиле Alpaca. Разработчик описывает её как проверку концепции для объединения специализированных моделей в одну, без заданной узкой рабочей нагрузки; результаты бенчмарков не приведены. Лицензия — Apache 2.0.

ANIMA-Phi-Neptune-Mistral-7B-Mistral-7B-Instruct-v0.1 — объединённая модель генерации текста на базе Mistral-7B-Instruct-v0.1 и Severian/ANIMA-Phi-Neptune-Mistral-7B. Разработчик карточки объединил их методом SLERP, задав разные веса смешивания для слоёв self-attention и MLP. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и принимает контекст до 32 768 токенов. Модель предназначена для диалогов и ответов на инструкции, с тематическим уклоном в биомимику, биологию, химию, климат, экологию, природу и философию. Её можно применять для генерации объяснений и идей по этим темам, а также для общего диалогового взаимодействия. Карточка указывает датасеты по биомимикрии, биодизайну, STEM и знаниям, но не приводит результатов оценки качества. В репозитории указана лицензия Apache-2.0. Это слияние моделей, а не отдельное дообучение; качество и фактическая специализация могут зависеть от поведения исходных моделей и не подтверждены в карточке тестами.

Astral-Fusion-Neural-Happy-L3.1-8B — слитая плотная языковая модель семейства Llama, созданная ZeroXClem методом Model Stock на основе Astral-Fusion, NIHAPPY и NeuralMahou. Модель содержит 7,5 млрд параметров, использует формат safetensors, работает через Transformers и рассчитана на контекст до 8192 токенов. Модель предназначена для генерации текста по инструкциям, интерактивного ролевого общения и создания связных длинных историй, особенно в жанре фэнтези и с магической или космической тематикой. Её можно использовать для диалогов с игровыми персонажами, разработки сюжетов и написания обучающих материалов. README заявляет также способности к логическим задачам, но отдельные результаты оценки качества не приводятся. Модель принимает и выдаёт текст; основной язык в карточке явно не указан. Репозиторий распространяется по лицензии Apache-2.0. Контекст ограничен 8192 токенами, а заявленные сильные стороны описаны качественно, без бенчмарков.

Bio-Medical-Llama-3-8B — диалоговая языковая модель ContactDoctor для генерации текста по биомедицинским темам. Она создана дообучением meta-llama/Meta-Llama-3-8B-Instruct с 8 млрд параметров на наборе BioMedData, содержащем более 500 тысяч синтетических и вручную отобранных примеров. Модель работает с текстом и предназначена для исследовательской поддержки, извлечения сведений из биомедицинских текстов, медицинского обучения и предоставления справочной информации для клинического принятия решений. В README приведены результаты оценки на задачах медицинских экзаменационных вопросов и вопросах по статьям PubMed, но численные показатели не указаны. Ответы могут быть предвзятыми, неточными или устаревшими; критическую информацию следует проверять, а модель не должна заменять профессиональное медицинское суждение. Репозиторий использует лицензию с обозначением «other», конкретные условия в доступных данных не приведены.

DeepReviewer-7B — текстовая генеративная модель WestlakeNLP для подготовки структурированных отзывов на научные статьи. Она дообучена на базе Qwen/Qwen2.5-7B-Instruct и использует многоэтапную схему рассуждений. Доступны быстрый режим с кратким разбором и оценками, стандартный режим с несколькими смоделированными точками зрения и режим подробного анализа. Модель предназначена для неофициальной самопроверки и доработки статей, тренировки академического письма и изучения процесса рецензирования. Она может выделять сильные и слабые стороны работы, предлагать улучшения и формировать оценки по заданному тексту статьи. Карточка заявляет поддержку нескольких языков, включая английский, китайский, японский, корейский, французский и немецкий; размер модели — 7 млрд параметров по названию и базовой модели. Лицензия указана как other; README запрещает использовать модель для любых официальных рецензий. Модель принимает только текст, поэтому не анализирует напрямую изображения, графики и сложные формулы. Её выводы могут быть неточными в узких областях, при оценке новизны и проверке фактов; она не предназначена для выявления плагиата, этических или юридических решений и выбора статей к публикации. Использовать её следует как вспомогательный инструмент, а не замену экспертной оценке.

GALACTICA 125M — компактная авторегрессионная модель семейства OPT, разработанная командой Papers with Code в Meta AI для работы с научными текстами и данными. Версия содержит около 151,6 млн параметров, использует архитектуру декодера Transformer и обучена на 106 млрд токенов научных публикаций, учебников, справочных материалов и других открытых научных источников. Контекст модели — до 2048 токенов. Модель предназначена для генерации научного текста и может применяться для ответов на научные вопросы, прогнозирования цитирований, математических рассуждений, суммаризации, создания документов, извлечения сущностей и предсказания свойств молекул. Она принимает и генерирует текст; заявленная область подготовки — наука, включая математику, биологию и химию. В README не перечислены языки корпуса, поэтому языковая поддержка отдельно не конкретизируется. Модель показала результаты на знаниях и научных задачах, однако может уверенно выдавать фактические ошибки, особенно по малоизвестным темам; прогнозирование цитат подвержено смещению популярности, также отмечены предвзятость и токсичность. Для использования в реальных системах нужны проверки и safeguards. Лицензия CC BY-NC 4.0 разрешает использование на некоммерческих условиях.

GPT-2 WikiWriter Medium Portuguese — языковая модель для генерации текста на португальском языке, обученная Erick Rocha Fonseca и опубликованная в формате, совместимом с Transformers. Модель содержит 345 млн параметров, использует архитектуру GPT-2 и принимает текстовый фрагмент, чтобы продолжить его связным текстом. Модель предназначена для генерации португалоязычных текстов в стиле материалов Википедии. Её можно использовать для продолжения предложений и создания черновиков энциклопедических описаний. Контекст модели — 1024 токена. Весы доступны в формате PyTorch, библиотека для работы — Transformers. В README указана лицензия MIT. Модель унаследовала ограничения генеративных языковых моделей: продолжение может содержать фактические ошибки или вымышленные сведения, поэтому текст требует проверки. Перенос весов в формат Transformers не является новым обучением модели.

LFM2.5-230M-Base — компактная базовая языковая модель Liquid AI из семейства гибридных архитектур LFM2.5, предназначенная для локального развёртывания и последующего дообучения. Модель содержит 221,2 млн параметров; в карточке описана архитектура из 14 слоёв: 8 блоков свёртки LIV с двойным гейтингом и 6 блоков GQA. Для работы с моделью указана библиотека Transformers и формат весов Safetensors. Модель принимает и генерирует текст на английском, арабском, китайском, французском, немецком, японском, корейском, португальском и испанском языках. Карточка описывает контекст в 32 768 токенов, тогда как метаданные каталога указывают native context в 128 000 токенов. Базовый чекпойнт предназначен для интенсивного дообучения: создания языковых или предметных ассистентов, адаптации на частных данных и экспериментов с постобучением; для обычного диалога предусмотрена отдельная instruction-tuned версия. Модель может быть полезна для локальных приложений с ограниченными ресурсами и специализированных текстовых ассистентов, но базовый чекпойнт не настроен на выполнение инструкций без дополнительного дообучения. Лицензия указана как other, поэтому перед использованием следует проверить условия в карточке репозитория.