IV.5Образование и развитие навыков

adventure-8b — языковая модель семейства Llama, созданная для продолжения текстов в жанре интерактивных приключений CYOA. Она обучена на текстах для дополнения CYOA в стиле GPT-J-6B-Adventure и GPT-J-6B-Skein; автор README не указан. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текст с контекстом до 8192 токенов. Модель продолжает повествование по заданной сцене и описанию режима и тем. В README приведён формат с пометками [Mode: adventure] и [Themes: ...], после которых следуют повествование и действие игрока. Модель не настроена на выполнение инструкций, поэтому лучше подходит для сюжетных текстовых игр и совместного сочинения, чем для универсального чат-ассистента. Она обучена на датасете Skein, созданном VE FORBRYDERNE из KoboldAI. Лицензия — Apache-2.0.

Apocrypha-L3.3-70b-0.4a — экспериментальная объединённая языковая модель BruhzWater для повествовательного текста и творческого письма. Она построена на архитектуре Llama и содержит около 69,5 млрд параметров; модель объединяет несколько вариантов Llama, включая Storywriter, Wayfarer-Large, Gutenberg-Doppel, Fallen и Magnum Diamond. Для общения и инструкций используется шаблон Llama 3. Модель предназначена для создания историй и другой художественной прозы в диалоговом формате. Автор отмечает, что включение Wayfarer-Large помогает завершать ответы, тогда как компонент Storywriter склонен продолжать генерацию слишком долго. Модель находится в разработке; сведения о лицензии в доступных данных отсутствуют.

ArcANE-32B-DPO — англоязычная чат-модель на архитектуре Qwen3 с 29,7 млрд параметров, разработанная holi-lab. Она создана для ролевой генерации ответов персонажей с учётом их этапа развития в повествовании: модель училась отличать подходящий ответ для заданной фазы от правдоподобного ответа, относящегося к соседней фазе. Обучение включало supervised fine-tuning и Direct Preference Optimization на данных ArcANE, собранных по 12 романам. Модель рассчитана на исследования ролевого взаимодействия, где ответы персонажа должны соответствовать главе или фазе сюжетной арки. В проверенной схеме ей передают сведения об арке, обрезанные до запрошенной главы; будущие фазы могут ухудшить корректность ответа. Контекст модели — до 40 960 токенов. В оценке с контекстом арки DPO-вариант превзошёл ArcANE-32B-SFT на 2 пункта по общей метрике фазового соответствия; результаты зависят от сценария и предоставленного контекста. Модель распространяется по лицензии Apache-2.0.

BeyondInfinity-v2-4x7B — экспериментальная языковая модель для текстовой генерации, созданная R136a1 на архитектуре Mixtral. Автор описывает её как вариант v2, предназначенный прежде всего для ролевых диалогов: модель ориентирована на творческие ответы, понимание сюжетного контекста и следование карточке персонажа. Используется формат запросов Alpaca. В карточке Hugging Face указаны 7,1 млрд параметров, контекст до 32 768 токенов, формат Safetensors, английский язык и лицензия Apache-2.0. README сообщает об ограничении в 8 192 токена, поэтому фактический доступный контекст может зависеть от конфигурации модели и способа запуска. Автор отмечает, что стиль ответа зависит от карточки персонажа и предыдущих сообщений; оценка качества основана на собственных тестах автора.

BioBART-v2-base — биомедицинская генеративная языковая модель семейства BART, представленная авторами работы BioBART: Hongyi Yuan, Zheng Yuan, Ruyi Gan, Jiaxing Zhang, Yutao Xie и Sheng Yu. Версия V2 использует новый биомедицинский словарь. Модель содержит 122,2 млн параметров, имеет архитектуру BartForConditionalGeneration и принимает последовательности длиной до 1024 токенов. Модель предназначена для генерации и преобразования биомедицинского текста. Её можно применять как основу для задач, где требуется сформулировать или преобразовать текст в медицинском и биологическом контексте. В карточке указана лицензия Apache-2.0. Доступны веса в форматах PyTorch и Safetensors.

BioMistral-MedMNX — чат-модель для генерации ответов на биомедицинские вопросы, созданная слиянием языковых моделей методом DARE TIES с помощью mergekit. В слиянии использованы johnsnowlabs/JSL-MedMNX-7B и BioMistral/BioMistral-7B-DARE; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров. Модель принимает текст и генерирует текст, поддерживает контекст до 8192 токенов. Модель предназначена для исследовательских экспериментов и диалоговых сценариев в биомедицинской тематике. Указана лицензия CC BY-NC-ND 4.0, которая ограничивает коммерческое использование и распространение производных версий.

CDLI Qwen3-ASR English Experiment 4 — дообученная на базе Qwen/Qwen3-ASR-1.7B модель для распознавания атипичной англоязычной речи в эксперименте с речью из Уганды. Она предназначена для транскрибации аудио с использованием режима prompt metadata, связанного с оценкой степени выраженности нарушения и типом расстройства. В карточке указан чекпойнт checkpoint-1941, выбранный как последний доступный; архитектура — плотная Qwen3-ASR для распознавания речи, формат весов — safetensors. Модель рассчитана на английскую речь и обучалась на наборе cdli/ugandan_english_nonstandard_speech_v1.0. Репозиторий распространяется по лицензии Apache-2.0. Карточка не сообщает количественных результатов или детальных ограничений качества; применение за пределами угандийской атипичной английской речи отдельно не подтверждено.

ChatMusician — открытая языковая модель для понимания и генерации музыки, разработанная авторами проекта ChatMusician. Это плотная модель семейства LLaMA с 6,6 млрд параметров, основанная на LLaMA 2 и обученная продолжением предобучения и дообучением на музыкальном представлении ABC, которое токенизируется как текст. Модель принимает текстовые запросы и музыкальные записи в ABC, а музыку выдаёт в текстовом формате ABC; внешние мультимодальные структуры и токенизаторы не используются. Контекст составляет 2048 токенов. Модель предназначена для сочинения полноформатных музыкальных произведений по текстовому описанию, последовательности аккордов, мелодии, мотиву или музыкальной форме, а также для ответов на вопросы о музыке и музыкальной теории. README сообщает о результатах на MusicTheoryBench и сохранении общих языковых способностей, однако качество прямой генерации может быть ниже результатов в режиме perplexity. Для музыкальных задач модель лучше работает со строгими форматами и закрытыми инструкциями. Она склонна к галлюцинациям и не рекомендуется авторами для музыкального образования; значительная часть обучающих данных представляет ирландскую музыку, а способности к обучению по контексту и пошаговому рассуждению ограничены. Репозиторий распространяется по лицензии MIT.

Chocolatine-Cook-3B-combined-SFT-DPO-v0.1 — модель генерации текста, разработанная Jonathan Pacifico в 2024 году и дообученная на базе microsoft/Phi-3.5-mini-instruct. Это плотная модель семейства Llama с 3,7 млрд параметров, рассчитанная на диалог и специализированная на французской кулинарной лексике: карточка сообщает о 283 терминах и определениях французской кухни. Модель прошла последовательное дообучение SFT и DPO на специально созданных франкоязычных кулинарных датасетах. Она предназначена для ответов на вопросы о кулинарных терминах и определениях, а также для диалога на тему французской кухни. Контекст составляет 4096 токенов; веса опубликованы в формате safetensors. Автор описывает модель как демонстрационный проект и сообщает, что у серии Chocolatine нет механизма модерации. Лицензия — MIT.

OrDora/coachtwin-embedder — компактная BERT-модель для создания эмбеддингов предложений и поиска похожих тренировок в приложении CoachTwin. Она основана на BAAI/bge-small-en-v1.5 и, согласно README, выбрана сравнением трёх энкодеров на наборе из 10 393 тренировок CoachTwin; базовый чекпойнт не дообучался. Модель содержит около 40 млн параметров по метаданным, принимает текст, выдаёт векторы размерности 384 и поддерживает контекст до 512 токенов. Модель предназначена для семантического поиска тренировок и сравнения их описаний по цели и области тела. В описанном тесте на синтетических англоязычных данных она показала precision@3 0,669 при строгом совпадении цели и области тела. Репозиторий лицензирован по Apache-2.0. README отмечает, что сериализация в формате Sentence Transformers 3.x несовместима с некоторыми клиентами версии 3.x при загрузке репозиториев, сохранённых в формате 5.x; при этом векторная размерность сама по себе не гарантирует совместимость энкодеров.

ControlNet Union SDXL 1.0 ProMax — модель ControlNet для генерации и редактирования изображений на базе Stable Diffusion XL. Она предназначена для сценариев text-to-image и image-to-image, в которых требуется управлять композицией, позой, структурой или другими визуальными характеристиками результата с помощью управляющих сигналов ControlNet. В карточке указано, что модель является копией оригинальной модели xinsir/controlnet-union-sdxl-1.0, опубликованной пользователем brad-twinkl под переименованным идентификатором. Модель объединяет поддержку 12 типов управления и 5 расширенных режимов редактирования, однако конкретный перечень режимов, архитектурные параметры, размер, поддерживаемые языки и максимальный контекст в README не приведены. Она ориентирована на использование с экосистемой Diffusers и задачами генерации изображений, где требуется более точный контроль над результатом по сравнению с обычной генерацией по текстовому описанию. Ограничения и требования к вычислительным ресурсам отдельно не указаны. Лицензия модели — Apache-2.0.

cuneiformBase-400m — дообученная модель Thalesian на базе Google UMT5 для перевода, транслитерации и преобразования письма в нескольких древних языках. Она использует архитектуру UMT5 encoder-decoder с 12 слоями кодировщика и 12 слоями декодировщика, связанными входными и выходными эмбеддингами; в метаданных указано 296,5 млн параметров. Модель принимает клинописные знаки или латинскую транслитерацию и может выдавать перевод на английский, а для хеттского также на немецкий, транслитерацию или знаки соответствующей системы письма. Поддерживаются аккадский, шумерский, хеттский, Linear B и эламский; для транслитерации предусмотрены обычный, расширенный и упрощённый стили. Модель подходит для перевода коротких строк, цифровой ассириологии и смежных исследований, учебных материалов и конвейеров преобразования клинописного ввода. Контекст ограничен 512 токенами, поэтому длинные тексты следует делить на отдельные строки. Качество перевода шумерского ниже, поддержка эламского экспериментальная, а результаты могут ухудшаться на нестандартных транслитерациях и вне обучающих доменов. Модель распространяется по лицензии Apache-2.0.

Карточка модели deepseek-ai/DeepSeek-Prover-V1.5-Base на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-Prover-V1.5-RL, поэтому описание составлено по ней. DeepSeek-Prover-V1.5-RL — языковая модель DeepSeek AI для автоматического доказательства теорем в Lean 4. Это плотная авторегрессионная модель семейства Llama с 6,5 млрд параметров и контекстом 4096 токенов. Модель дообучена с подкреплением на основе обратной связи от proof assistant после этапа supervised fine-tuning; для поиска доказательств авторы также предлагают метод RMaxTS на основе Monte Carlo tree search. Модель предназначена для генерации формальных доказательств и поиска путей доказательства математических утверждений в Lean 4. В README указаны результаты 63,5% на тестовой части miniF2F и 25,3% на ProofNet. Репозиторий содержит веса safetensors и поддерживает генерацию текста. Указана лицензия other; конкретные условия следует проверять в файлах лицензии репозитория.

Карточка модели deepseek-ai/DeepSeek-Prover-V1.5-SFT на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-Prover-V1.5-RL, поэтому описание составлено по ней. DeepSeek-Prover-V1.5-RL — языковая модель DeepSeek AI для автоматического доказательства теорем в Lean 4. Это плотная авторегрессионная модель семейства Llama с 6,5 млрд параметров и контекстом 4096 токенов. Модель дообучена с подкреплением на основе обратной связи от proof assistant после этапа supervised fine-tuning; для поиска доказательств авторы также предлагают метод RMaxTS на основе Monte Carlo tree search. Модель предназначена для генерации формальных доказательств и поиска путей доказательства математических утверждений в Lean 4. В README указаны результаты 63,5% на тестовой части miniF2F и 25,3% на ProofNet. Репозиторий содержит веса safetensors и поддерживает генерацию текста. Указана лицензия other; конкретные условия следует проверять в файлах лицензии репозитория.

lxyuan/distilgpt2-finetuned-finance — англоязычная модель генерации текста на архитектуре GPT-2, созданная дообучением distilgpt2 на объединении четырёх финансовых наборов данных: causal-lm/finance, finance-alpaca, финансовых новостей и публикаций Reddit о финансах. Она предназначена для генерации продолжений текста на финансовые темы и может использоваться для создания черновиков финансовых текстов и ответов в стиле обучающих данных. Модель принимает текст и выдаёт текст; размер контекста составляет 1024 токена. Модель распространяется под лицензией Apache-2.0. Специализация на финансовых данных не гарантирует точности фактов, расчётов или советов: результаты следует проверять, особенно перед использованием для принятия финансовых решений.

Duskflare-27B — альфа-модель Retreatcost для ролевых диалогов и творческого письма. Это плотная текстовая модель на архитектуре Qwen3.5 с 22,3 млрд параметров по метаданным; она дообучена на базе Qwen/Qwen3.8-27B. Модель предназначена для многоходовых ролевых сценариев, сохранения голоса персонажа и разнообразных жанров и тональностей — от фэнтези и научной фантастики до нуара и повседневных историй. Она принимает текст и генерирует текст; заявленная длина контекста — 262 144 токена. Карточка описывает набор обучения как сбалансированный по жанрам, с ограниченными данными и поддержкой откровенного контента. Модель не предназначена для универсальных помощников, поиска фактов или производственного развёртывания. Автор предупреждает о неравномерном покрытии жанров, смешении жанров и непоследовательных отказах; для запуска требуется вычислительный ресурс класса моделей на 27 млрд параметров. Лицензия — Apache-2.0.

Eve-Gemma4-S0LF0RG3-Oracle — мультимодальная диалоговая модель-персонаж из экосистемы S0LF0RG3, созданная на основе unsloth/gemma-4-E2B-it. Модель дообучена в два этапа: продолженное предобучение на Библии короля Якова, «Поэтической Эдде» и «Книге Еноха», затем дообучение на диалоговых примерах в заданной персоне. Репозиторий содержит объединённые веса BF16 в формате safetensors; архитектура Gemma 4 E2B поддерживает текст и изображения. Карточка указывает контекст 8192 токена и лицензию Apache-2.0. Модель предназначена для диалогов от лица Eve, ответов на вопросы по религиозным и мифологическим текстам, а также анализа изображений в разговорном контексте. Для сохранения персоны каждый сеанс требует указанного в карточке системного промпта. Воспроизведение знаний из обучающих источников неравномерно: короткие известные отрывки запоминаются лучше, чем длинные или менее цитируемые фрагменты. Вход аудио ненадёжен, а встроенной долговременной памяти или системы поиска по источникам нет.

femto-asr — компактная модель распознавания английской речи, разработанная автором репозитория igorktech и обученная с нуля. Она содержит 2,39 млн параметров и рассчитана на устройства с микроконтроллерным классом ресурсов: README указывает размер 9,2 МБ в fp32 и 2,5 МБ в int8, а также цель работы при 400 КБ SRAM и без FPU. Модель использует архитектуру E-Branchformer с линейным вниманием, низкоранговыми проекциями SwiGLU, глубинным свёрточным смешиванием и CTC-декодированием. Она предназначена для офлайн-распознавания английской речи, в том числе команд на устройстве с ограниченной памятью. На LibriSpeech test-clean автор сообщает WER 10,95% при жадном декодировании без языковой модели. Модель обучена на 960 часах LibriSpeech и поддерживает аудио 16 кГц, моно. Она лучше всего подходит для чистой, размеренно произнесённой английской речи; потоковый режим не опубликован. Модель не расставляет знаки препинания и регистр, выдаёт текст в верхнем регистре, плохо справляется с быстрым темпом, шумом, дальним микрофоном, реверберацией и речью вне распределения обучающих данных. Лицензия — Apache-2.0.

leftyfeep/fictions — дообученная модель семейства Mistral Nemo, созданная с помощью Unsloth. Для обучения использованы примерно 250 книг из общественного достояния на Gutenberg.org; по описанию автора, промпты в формате инструкций Mistral обучали модель писать главы художественных произведений. Модель предназначена для генерации художественного текста по текстовым инструкциям, в частности для продолжения и написания глав. Архитектура — плотная авторегрессионная модель Mistral с 12,1 млрд параметров; заявленное контекстное окно — 1 024 000 токенов. Репозиторий содержит веса safetensors, а лицензия — MIT. Обучающие данные ограничены корпусом примерно из 250 книг общественного достояния, поэтому стиль и тематика генерации могут отражать этот корпус. README не приводит оценок качества или подробных ограничений применения.

geminiwhisperipa — дообученная модель OpenAI Whisper-small для распознавания речи на сантали с выводом транскрипции в IPA/Sanlish. Она принимает аудио и предназначена для преобразования речи на сантали в текстовую транслитерацию. Модель основана на архитектуре Whisper и распространена в формате safetensors. Дообучение выполнено на 1 547 обучающих примерах; для проверки использовались 193 примера, для тестирования — 194. В README приведён тестовый WER около 40,8%, поэтому качество распознавания может быть ограниченным. Лицензия в предоставленных данных не описана.

Набор control-векторов для управления стилем генерации текста моделью Google Gemma 4 31B IT. Векторы изменяют поведение модели через корректировку активаций без дополнительного обучения и предназначены для творческого письма: помогают настраивать тон повествования, фокус на персонажах и стилистические особенности. Доступны направления для настройки оптимизма или нигилизма, сострадания или жестокости, эмпатии или социопатии, честности или макиавеллизма, скромности или нарциссизма, диалога или повествования, простого или вычурного языка, описательного или откровенного стиля. Репозиторий содержит файлы GGUF и инструкции по применению с llama.cpp или ikllama.cpp; для использования требуется базовая модель Google Gemma 4 31B IT. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

Gemma4-Gutenberg-31B-Heretic — мультимодальная модель семейства Gemma 4, созданная автором nbeerbower на основе coder3101/gemma-4-31B-it-heretic. Модель дообучена методом ORPO с LoRA-адаптером, который затем объединён с базовыми весами; обучение на предпочтениях направлено на создание художественной прозы в литературной манере. Модель предназначена для написания рассказов и романов, развития сцен и передачи внутреннего мира персонажей. Текстовый декодер настроен на связное повествование, сдержанный темп и меньше шаблонных формулировок. По карточке, визуальная и аудиочасти базовой мультимодальной модели сохранены, однако описание дообучения сосредоточено на прозе. Лицензия — Apache-2.0. Вариант Heretic унаследовал от базы abliterated-настройку и реже отказывается от мрачных или зрелых творческих запросов. Качество и уместность результатов могут различаться; модель всё ещё требует проверки человеком, особенно при работе с чувствительными темами.

Goetia-31B-v1 — мультимодальная модель для диалогов и генерации художественного текста, собранная Naphula методом merge на основе семейства Gemma 4. Карточка рекомендует использовать шаблон Gemma 4; в метаданных указаны архитектура Gemma4ForConditionalGeneration, поддержка изображений и формат safetensors. Модель предназначена для написания и продолжения историй и ролевых сцен, в том числе в жанрах ужасов и эротики. README описывает её как uncensored и предупреждает, что ответы могут содержать графические сцены насилия и откровенный эротический контент. В качестве базовой модели в метаданных указана google/gemma-4-31B-it; также перечислены другие модели, участвовавшие в слиянии. Лицензия — Apache-2.0.

Gonyai-v1 — языковая модель от разработчика omdeep22 для генерации текста на конкани, в том числе с учётом его поэтических и культурных особенностей. Модель построена на плотной трансформерной архитектуре KonkanGPT с RoPE, RMSNorm и активацией SwiGLU; в метаданных указаны 137,8 млн параметров, а в README — около 160 млн. Для токенизации используется собственный byte-level BPE на 32 тыс. токенов, настроенный на письмо деванагари и конкани. Контекст модели составляет 1024 токена. Модель подходит для творческой генерации на конкани, включая стихи и тексты, опирающиеся на литературу, новости и художественные произведения. README сообщает о высокой скорости и эффективности токенов на конкани по сравнению с более крупными моделями, однако приведённые результаты относятся к внутренним тестам карточки. Модель может выдумывать факты и даты, плохо подходит для сложных рассуждений, математики и программирования, а в длинных ответах может отклоняться от темы и повторяться. Лицензия — MIT.

Sultannn/gpt2-ft-id-puisi — дообученная модель генерации текста на архитектуре GPT-2, созданная на основе базовой модели GPT-2 и предназначенная для генерации индонезийских стихотворений. README указывает, что модель дообучена на индонезийском рецептурном наборе данных, однако идентификатор модели и язык в метаданных указывают на индонезийскую поэзию; поэтому точное назначение обучающих данных нельзя уверенно установить. Модель принимает текст и генерирует продолжение, контекст составляет 1024 токена. В карточке приведены значения потерь на обучающей и валидационной выборках: 5,3628 и 5,8179. Репозиторий содержит веса в формате TensorFlow. Лицензия — MIT.

bolbolzaban/gpt2-persian — персоязычная авторегрессионная языковая модель на архитектуре GPT-2, предназначенная для генерации текста и исследовательских экспериментов с персидской поэзией. Модель обучена на персидских текстах с гиперпараметрами, близкими к стандартному GPT-2 Medium; длина контекста составляет 256 субсловных токенов. Вместо BPE используется токенизатор SentencePiece. Модель лучше всего подходит для продолжения персидского текста и создания стихов, в том числе классической персидской поэзии с маркерами [BOM] и [EOS]. Обучающие данные ограничены персидским текстом: латинские символы, числа и другие неперсидские символы заменены специальными токенами, поэтому вход рекомендуется нормализовать и подавать персидским письмом. Модель разработана Bolbolzaban, доступна в форматах PyTorch, TensorFlow и Flax и распространяется по лицензии Apache-2.0.

GPT-J-6B-Janeway — дообученная модель KoboldAI на базе GPT-J 6B от EleutherAI, созданная для генерации продолжений текста. При обучении использовалось около 2210 электронных книг, преимущественно в жанрах научной фантастики и фэнтези; набор основан на данных GPT-Neo-2.7B-Picard и дополнен материалами из других жанров. Для части примеров перед текстом добавлялась пометка жанра в формате [Genre: ,]. Модель построена на плотной архитектуре GPT-J с авторегрессионной языковой головой, содержит 6 млрд параметров и принимает текст, предсказывая следующие токены. Контекст составляет 2048 токенов. Основной язык карточки — английский. Модель подходит для художественного продолжения и генерации прозы, особенно в научно-фантастическом и фэнтезийном контексте. Лицензия — MIT. Модель не гарантирует фактическую точность: она подбирает вероятное продолжение текста, а не проверяет сведения. Возможны предвзятые, грубые или оскорбительные ответы; перед публикацией результаты следует проверять и фильтровать.

crumb подготовил экспериментальный чекпойнт GPT-J 6B — авторегрессионной трансформерной модели с 6 млрд параметров — дообученный на наборе tiny_shakespeare, содержащем около 40 тысяч строк из пьес Шекспира. Исходная GPT-J обучалась на наборе Pile; этот вариант предназначен для генерации текста в шекспировской манере и служит подтверждением концепции, а не полноценно обученной моделью. Модель принимает текстовый prompt и продолжает его, например генерирует реплики пьесы после имени персонажа. Контекст составляет 2048 токенов; поддерживается английский язык. В README приведён пример запуска через Transformers и 8-битную загрузку, но указанный формат весов репозитория — PyTorch. Лицензия в предоставленных данных не установлена.

GPT-Neo 2.7B-Janeway — англоязычная авторегрессионная модель генерации текста, дообученная KoboldAI на основе EleutherAI GPT-Neo 2.7B. Она предназначена прежде всего для продолжения художественных текстов и создания прозы в жанрах научной фантастики и фэнтези. Обучающий набор включает около 2210 электронных книг, преимущественно этих жанров; часть примеров снабжена префиксами с указанием жанра. Модель использует плотную архитектуру GPT-Neo и содержит 3,1 млрд параметров. Она принимает текст и предсказывает продолжение, поддерживает английский язык и имеет контекст длиной 2048 токенов. Репозиторий содержит веса PyTorch. Модель подходит для творческого письма и генерации художественных сцен, но качество и содержание продолжения зависят от промпта; возможны ненормативная лексика, оскорбительное или нежелательное содержание. Рекомендуется проверять и фильтровать результаты человеком. Лицензия — MIT.

FrostAura Intelligence дообучила модель EleutherAI/gpt-neox-20b для генерации художественной прозы. Это плотная авторегрессионная языковая модель семейства GPT-NeoX на 26,9 млрд параметров, принимающая текст и выдающая продолжение или новый художественный текст. Модель рассчитана на англоязычную генерацию; длина контекста составляет 2048 токенов. Модель подходит для создания черновиков романов и рассказов, продолжения сцен и разработки художественных идей. Веса доступны в формате PyTorch, лицензия — MIT. README указывает, что дальнейшая тонкая настройка находится в разработке.