IV.5Образование и развитие навыков

Это плотная языковая модель семейства Qwen3 с 3,7 млрд параметров, дообученная HYU-NLP-EVAL на основе Qwen/Qwen3-4B-Instruct-2507. Чекпойнт RaR-Medicine OnlineRubrics-Every, шаг 10, предназначен для генерации текста в медицинском сценарии OnlineRubrics; карточка описывает его как промежуточный плотный чекпойнт. Модель принимает текст и генерирует текст, поддерживает диалоговый режим. Базовая модель имеет контекст до 262 144 токенов. Веса доступны в BF16 и формате safetensors; лицензия — Apache-2.0. README помечает модель как предназначенную только для исследовательского использования.

HYU-NLP-EVAL разработала плотный чекпойнт Qwen3 на 3,7 млрд параметров, дообученный на базе Qwen/Qwen3-4B-Instruct-2507. Это промежуточный чекпойнт шага 39 из запуска RaR-Medicine OnlineRubrics-Every с полным набором медицинских онлайн-рубрик; модель предназначена для генерации текста и диалогового взаимодействия. Она принимает текст и выдаёт текст, поддерживает контекст до 262 144 токенов и распространяется в формате BF16 и Safetensors. Лицензия — Apache-2.0. Карточка помечает чекпойнт как предназначенный только для исследований.

Это плотная языковая модель семейства Qwen3 с 3,7 млрд параметров, дообученная HYU-NLP-EVAL на базе Qwen/Qwen3-4B-Instruct-2507. Чекпойнт RaR-Medicine OnlineRubrics-Every dense, шаг 57, создан в рамках запуска phase1-online-rubrics-medicine-full-dense-20260919-seed11; в репозитории есть веса BF16 для инференса и файлы исходного veRL-чекпойнта. Модель предназначена для генерации текста в диалоговом формате. Название и запуск указывают на медицинский сценарий с online rubrics, однако README не описывает конкретные задачи, датасеты, языки или результаты оценки, поэтому специализацию и качество нельзя уточнить. Контекстная длина составляет до 262 144 токенов. Лицензия Apache-2.0; в README заявлено исследовательское использование.

tinyopsec/Qwen3.5-4B-heretic-v2-GGUF — это набор GGUF-квантизированных версий модели Ttimms/Bible-Assistant-Qwen3.5-4B-v2. Модель предназначена для генерации текста и специализированных диалоговых сценариев, связанных с вопросами о Библии, включая ответы на запросы вроде «что говорит Библия о…». Поддерживаются форматы и инструменты llama.cpp, llama-cpp-python, LM Studio и Ollama. Доступны варианты квантизации от Q8_0 до Q2_K размером примерно от 4,2 до 1,1 ГБ. В зависимости от варианта модель может запускаться на настольных и ноутбучных GPU, а также в режиме только CPU; рекомендуемым вариантом указана Q4_K_M. Квантизация позволяет выбирать между качеством, скоростью инференса и требованиями к памяти, но более агрессивное сжатие может снижать качество ответов. Модель текстовая, поддерживает английский язык; сведения об архитектуре, размере контекста и других модальностях в README не указаны. Модель распространяется по лицензии Apache 2.0. Подробности о базовой модели, её обучающих данных и возможностях следует уточнять в репозитории Ttimms/Bible-Assistant-Qwen3.5-4B-v2.

MuXodious/Qwen3.5-4B-MiniFantasy-MTP — модель генерации текста на базе Qwen3.5-4B, предназначенная для ролевых диалогов и повествования с карточками персонажей. По README, это 4-битная LoRA-настройка модели MuXodious/Qwen3.5-4B-SOMPOA-heresy-v2; метаданные каталога связывают её с Nubinu/Qwen3.5-4B-MiniFantasy. README сообщает о восстановлении весов Multi Token Prediction из базовой модели и рекомендует форматировать карточки персонажей по категорийной структуре Markdown. Модель использует архитектуру Qwen3.5 и формат safetensors, поддерживает чат и рассчитана на английский язык. Лицензия — Apache-2.0. Модель подходит для отыгрыша персонажей, поддержания заданной личности и лора, а также для создания художественных сцен и ролевых историй. README рекомендует подбирать настройки сэмплера для ровного темпа повествования и снижения повторов. Это специализированная настройка для ролевого письма; качество зависит от оформления карточки персонажа и параметров генерации.

Samantha — разговорная модель-помощник на базе Phi-1.5, дообученная QuixiAI на 150 эпохах набора Samantha-1.1 из 6 тысяч диалогов в формате ShareGPT/Vicuna. Она предназначена для бесед о философии, психологии и личных отношениях, а также для дружеского общения и эмоциональной поддержки. Модель использует архитектуру MixFormer Sequential и генерирует текст; заявленная длина контекста — 2048 токенов. Шаблон диалога совместим с Vicuna 1.1. В карточке указано, что Samantha не участвует в ролевых, романтических или сексуальных сценариях. Это ранняя модель 2023 года; примеры показывают поддерживающий стиль общения, но не подтверждают точность советов и не заменяют помощь специалиста. Лицензия помечена как other, конкретные условия в карточке не приведены.

SmolLM2-135M bedtime stories — компактная языковая модель для генерации коротких сказок на ночь из заметок пользователя. Её разработал автор репозитория ykumards, дообучив SmolLM2-135M-Instruct для запуска в приложении unremarkable на планшете reMarkable 2. Модель принимает текстовые заметки: отдельное слово, список дел, запись о прошедшем дне или фрагмент текста. На выходе создаёт короткую историю на английском языке, обычно около 70–120 слов. Модель основана на плотной архитектуре Llama и содержит 134,5 млн параметров; контекст — до 8192 токенов. Для характерного результата README рекомендует использовать заданный шаблон запроса, начинать ответ с «Once upon a time, there was a little» и ограничивать заметку примерно 120 словами. В описанном сценарии на reMarkable 2 используются веса Q8_0, но основная версия репозитория распространяется в формате safetensors. В тесте на 24 заметках модель сохраняла ключевую тему во всех 48 генерациях с двумя вариантами случайного зерна и редко завершала историю засыпанием персонажа. При этом середина сюжета может отклоняться от темы, встречаются ошибки в понимании фраз, а юмор и сарказм модель понимает плохо. Она сохраняет мягкий тон, но не предназначена для эмоциональной поддержки в тяжёлых ситуациях. Обучающие данные синтетические. Лицензия — Apache-2.0.

StarDust-12b-v2 — слитая автором Luni чат-модель на архитектуре Mistral для ролевых игр и творческого письма. Модель объединяет четыре модели семейства Mistral Nemo методом DARE TIES; размер — 12,1 млрд параметров. В карточке указана длина контекста 1 024 000 токенов, однако README не приводит результатов проверки работы на такой длине. Предпочтительный формат диалога — ChatML, также заявлена поддержка формата Mistral. Модель ориентирована на продолжительные ролевые сценарии и выразительную прозу с гибким тоном. Автор отмечает, что она может вести себя как персонаж в простом агентном сценарии, но иногда добавляет повествование. Для прямых ответов в диалоге, следования инструкциям и задач общего назначения модель не рекомендуется. Распространяется по лицензии Apache 2.0.

STP (Self-play Theorem Prover) — модель Kefan Dong и Tengyu Ma для генерации формальных математических доказательств в Lean 4. Это плотная авторегрессионная модель семейства Llama с 6,5 млрд параметров и контекстом 4096 токенов; она использует архитектуру LlamaForCausalLM и работает через Transformers. Модель дообучена на DeepSeek-Prover-V1.5-SFT в течение одной эпохи на примерах из mathlib4, LeanWorkbook и доказательствах, полученных в ходе self-play.

Hplm/student_1820_1850 — компактная языковая модель семейства Llama, обученная по рецепту BabyLlama2 двумя тренерами на 10 млн слов из корпуса Gutenberg, опубликованных в период 1820–1850 годов. Репозиторий содержит веса Safetensors для использования через Transformers; размер модели — 329,9 млн параметров, контекст — 256 токенов. Модель предназначена для генерации текста и экспериментов с языком литературы первой половины XIX века, например для продолжения или стилизации текста под этот период. Карточка не приводит результатов оценки качества или подробных инструкций по применению; малый контекст ограничивает работу с длинными фрагментами. Лицензия — MIT.

NYTK/text-generation-poem-petofi-gpt2-small-hungarian — небольшая авторегрессионная языковая модель GPT-2 от NYTK для генерации венгерских стихотворных текстов в стиле Шандора Петефи. Модель предварительно обучена на венгерской Википедии и дообучена на собрании стихотворений Петефи. Репозиторий содержит веса PyTorch; максимальная длина контекста — 1024 токена. Модель подходит для творческих экспериментов и создания черновиков стихов на венгерском языке с подражанием стилю Петефи. В карточке приведено значение perplexity 47,46 для модели GPT-2 poem; это выше указанного значения 22,06 для GPT-2 news, поэтому результаты генерации могут быть менее связными. Лицензия — MIT.

The Unanswerer — экспериментальная разговорная модель, созданная дообучением SmolLM2-360M-Instruct. Она превращает заданный ответ в вымышленный бытовой сюжет и формулирует вопрос, на который этот ответ должен подходить. Модель рассчитана на шуточные диалоги и генерацию абсурдных вопросов, а не на поиск фактических ответов. Модель содержит 361,8 млн параметров, использует плотную архитектуру семейства Llama и поддерживает контекст до 8192 токенов. В README описана полная настройка bf16 на 24 000 синтетических пар из восьми тематических семейств; доступны веса safetensors и GGUF F16. Карточка сообщает о тестировании на отложенной выборке, но также приводит примеры, где модель не смогла построить вопрос, соответствующий заданному ответу. Лицензия — MIT.

nickypro/tinyllama-15M — компактная языковая модель на 15,2 млн параметров с плотной архитектурой Llama 2 и классом LlamaForCausalLM. Она обучена на наборе TinyStories и предназначена для генерации текста, в частности коротких историй. Репозиторий содержит веса в форматах PyTorch и safetensors; длина контекста составляет 256 токенов. Модель создана на основе весов karpathy/tinyllamas, преобразованных для этого репозитория, и связана с проектом llama2.c. Лицензия — MIT. Из-за малого размера и короткого контекста модель подходит для экспериментов и простых задач генерации, но её возможности ограничены по сравнению с крупными языковыми моделями.

TRELLIS Image Large — модель генерации 3D-объектов по изображению, представленная как версия TRELLIS с обусловливанием изображением. Она описана в статье «Structured 3D Latents for Scalable and Versatile 3D Generation»; размер модели в карточке не указан. Модель предназначена для создания 3D-представления объекта по входному изображению. В репозитории указаны веса в формате safetensors, библиотека TRELLIS и лицензия MIT. Карточка не описывает поддерживаемые языки интерфейса или конкретные ограничения качества и применения.

VerseCrafter — модель генерации видео с геометрическим управлением, разработанная исследователями из Fudan University, Shanghai Innovation Institute, HKU и ARC Lab компании Tencent PCG. Она создаёт реалистичные динамические сцены и позволяет задавать движение камеры и нескольких объектов, а также согласовывать их траектории в общей 4D-системе управления. Модель построена на замороженной Wan2.1-T2V-14B с GeoAdapter, который передаёт геометрические управляющие данные в блоки диффузионной модели. Репозиторий содержит 2,3 млрд параметров; заявлены разрешение 720 × 1280 и генерация роликов длиной 81 кадр. В README описан конвейер подготовки управляющих данных с оценкой глубины, сегментацией, подгонкой 3D Gaussian и настройкой траекторий в Blender. VerseCrafter предназначена для создания видео по изображениям с управляемым движением камеры и объектов, например для постановки динамических сцен и прототипирования виртуальных миров. В метаданных указаны английский язык и лицензия типа other; конкретные условия использования следует сверять с лицензией репозитория. Модель зависит от Wan2.1 и геометрических управляющих данных; для полного конвейера требуются дополнительные этапы подготовки сцены.

VietPoet-Qwen3.5-4B — модель Peter Buitho, дообученная методом QLoRA на базе Qwen3.5-4B и затем объединённая с базовыми весами. Она предназначена для генерации вьетнамских стихотворений в форме люк бат (lục bát), в том числе по заданной теме и с заданным числом строк. Модель использует архитектуру Qwen3.5 с 4 млрд параметров; опубликована в формате safetensors с точностью bf16 и работает через Transformers. Для лучшего соблюдения размера строк, тональных правил и рифмовки автор рекомендует применять её вместе с построчным сэмплером и проверкой правил. На тесте из 100 запросов сырая модель создавала полностью корректные по форме стихи примерно в 10% случаев, а с рекомендованным сэмплером — в 98%; эти оценки относятся к формальным правилам, а не к художественному качеству. Без сэмплера часто нарушаются тональные правила, а содержание может быть размытым или отходить от заданной темы. Обучение проводилось на корпусе вьетнамской поэзии; базовая модель Qwen3.5 также поддерживает работу с изображениями, но карточка этой донастройки описывает генерацию текста. Лицензия модели — Apache-2.0.

Модель farleyknight-org-username/vit-base-mnist разработана на основе google/vit-base-patch16-224-in21k и дообучена на наборе MNIST для классификации изображений рукописных цифр. Она использует архитектуру Vision Transformer (ViT) и содержит 113,2 млн параметров. На оценочной выборке MNIST указана точность 0,9949 и значение функции потерь 0,0236. Модель подходит для распознавания цифр на изображениях, близких к данным MNIST. Лицензия — Apache-2.0.

VRMBG-3.0 — модель BRIA AI для удаления фона из видео и предсказания альфа-матты. Она содержит около 220 млн параметров, обрабатывает кадры с разрешением 1024 × 1024 и использует авторегрессионную схему: для текущего RGB-кадра модель также получает предыдущий кадр, умноженный на его предсказанную альфа-матту. На первом кадре вместо предыдущего кадра используются нулевые тензоры. Модель предназначена для удаления фона в реальном времени в видео с людьми, объектами и товарами. Использование временного контекста повышает согласованность матты между кадрами и снижает мерцание по сравнению с независимой обработкой кадров. На выходе — одноканальная альфа-матта со значениями от 0 до 1. Для удаления фона на отдельных изображениях разработчик рекомендует RMBG-2.0. Веса доступны в форматах PyTorch и Safetensors. Лицензия BRIA VRMBG-3.0 разрешает только некоммерческое использование; для коммерческого применения требуется соглашение с BRIA AI.

Карточка модели le0n9113/Wan2.2-Animate-14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-Animate-14B, поэтому описание составлено по ней. Wan2.2-Animate-14B — модель генерации и преобразования видео семейства Wan от Wan-AI. Она предназначена для переноса движений и выражений персонажа из видео на персонажа с заданного изображения, в режимах анимации и замены персонажа. На вход подаются видео и изображение персонажа, на выходе создаётся видео. Модель основана на Wan2.2-I2V-A14B и использует архитектуру видеодиффузии с механизмом Mixture-of-Experts (MoE), описанным для семейства Wan2.2. В карточке указано 14B в названии модели; подробности о разрешении, частоте кадров и длине контекста для Animate не приведены. Доступен код инференса, а интеграция с ComfyUI отмечена как готовая. Модель подходит для анимации персонажей и замены персонажа в видео с сохранением движений и выражений. Лицензия — Apache-2.0. Возможности для текстовой генерации или обработки звука не заявлены.

YuE2-3B — открытая модель генерации музыки, разработанная командой YuE2. Она создаёт песни с вокалом и аккомпанементом по тексту песни и описанию стиля, а также позволяет менять мелодию, гармонию, текст и стиль через редактируемую партитуру в формате ABC. Модель поддерживает создание музыки с планированием мелодии и аккордов, только мелодии либо без символического плана; также предусмотрены сценарии кавер-аранжировки и итеративного редактирования с агентом. В основе — плотная архитектура YuE2ForCausalLM размером 1,8 млрд параметров с контекстом 24 576 токенов. Модель сначала формирует партитуру и семантические токены, затем синтезирует акустические представления; декодер VAE создаёт стереозвук с частотой 48 кГц. Карточка демонстрирует песни на английском и китайском языках. Для локального запуска README указывает Linux, Python 3.10+, NVIDIA GPU с поддержкой BF16 и 24 ГБ видеопамяти. Репозиторий использует формат safetensors и лицензию CC BY-NC 4.0, которая ограничивает коммерческое использование. Модель предназначена для сочинения песен, создания каверов и доработки музыкальных аранжировок. README сообщает о высоких результатах на WildSongBench, однако конкретное качество зависит от запроса и выбранных настроек; для запуска также нужны совместимое оборудование и отдельный VAE-декодер.

YuE2-3B — открытая модель генерации музыки, построенная на архитектуре YuE2 и представленная в репозитории Stevroy7/YuE2-3B. Модель преобразует текстовое описание стиля и слова песни в полноценную композицию с вокалом и аккомпанементом, а также поддерживает генерацию по музыкальному плану и редактируемой партитуре ABC. В основе — плотная AR–NAR Mixture-of-Transformers с планированием символической партитуры и генерацией акустических латентов методом flow matching; для декодирования используется VAE. Модель рассчитана на создание оригинальных песен, переаранжировку существующих композиций, работу с мелодией и аккордами и итеративное редактирование музыки с помощью агента. README заявляет контекст 24 576 токенов; метаданные указывают 1,8 млрд параметров. Для локального запуска описана конфигурация Linux и NVIDIA GPU с 24 ГБ памяти и поддержкой BF16. Указанные языки — китайский и английский. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но некоммерчески.

Zero (MC001) — разговорная модель персонажа, разработанная movingcastles на базе Qwen3-8B-Base. Она дообучена в два этапа: SFT на синтетических диалогах персонажа с LoRA и обучением эмбеддингов и LM head, затем GRPO с модификациями DAPO; адаптеры объединены с весами. Модель содержит 7,6 млрд параметров, использует архитектуру Qwen3ForCausalLM и формат safetensors. Контекстное окно — до 32 768 токенов. Модель предназначена для многоходового диалога от лица одного ограниченного, независимого от собеседника персонажа — мужчины в белой пластиковой коробке. По оценке на 250 диалогах по 16 ходов персонаж сохранял характер без серьёзных срывов в 97,2% диалогов; оценку проводил LLM-судья, поэтому её следует считать результатом авторского тестирования. Модель обучалась на диалогах на английском языке. Для использования README рекомендует передавать только ходы user/assistant без системного промпта и применять поставляемый шаблон чата. При генерации нужно останавливать вывод по обоим EOS-токенам, иначе возможны продолжения за пределами хода; авторские параметры семплирования включают temperature 0.7 и presence penalty 1.5. Указанная лицензия отсутствует в предоставленных данных.

ACertainty — модель генерации изображений по текстовому описанию на базе Stable Diffusion, опубликованная JosephusCheung. Она предназначена прежде всего для дальнейшего обучения и тонкой настройки в DreamBooth: автор описывает её как более удобную для обучения и более сбалансированную основу для создания моделей на темы, персонажей и стили. Модель ориентирована на аниме-эстетику и доступна в форматах Diffusers и PyTorch. Для генерации автор приводит пример с настройками 28 шагов, семплером Euler a и CFG scale 11; для лучшей работы рекомендуется Clip skip 2. Для загрузки и запуска можно использовать StableDiffusionPipeline из библиотеки Diffusers. Лицензия — CreativeML OpenRAIL-M.

Карточка модели puterijessica/Ace-Step1.5 на Hugging Face совпадает с карточкой ACE-Step/Ace-Step1.5, поэтому описание составлено по ней. ACE-Step 1.5 — открытая модель генерации музыки, разработанная командой ACE-Step. Она предназначена для создания песен и музыкальных фрагментов по текстовому запросу, с управлением стилем и поддержкой сценариев редактирования аудио: создания каверов, перерисовки фрагментов и преобразования вокала в фоновую музыку. В README заявлена гибридная архитектура: языковая модель планирует композицию и формирует метаданные, текст и подписи, а Diffusion Transformer синтезирует аудио. Модель содержит 1,3 млрд параметров; метаданные указывают контекст в 32 768 токенов и формат Safetensors. README заявляет поддержку более 50 языков, генерацию композиций длительностью до 10 минут и работу менее чем с 4 ГБ видеопамяти. Модель ориентирована на музыкантов, продюсеров и создателей контента; README также заявляет возможность коммерческого использования сгенерированной музыки. Лицензия репозитория — MIT. Заявления о скорости генерации, требованиях к памяти и юридической чистоте обучающих данных приведены в карточке проекта и не являются независимой оценкой качества или правового статуса конкретной генерации.

Карточка модели SYNAPSEai1/Ace-Step1.5 на Hugging Face совпадает с карточкой ACE-Step/Ace-Step1.5, поэтому описание составлено по ней. ACE-Step 1.5 — открытая модель генерации музыки, разработанная командой ACE-Step. Она предназначена для создания песен и музыкальных фрагментов по текстовому запросу, с управлением стилем и поддержкой сценариев редактирования аудио: создания каверов, перерисовки фрагментов и преобразования вокала в фоновую музыку. В README заявлена гибридная архитектура: языковая модель планирует композицию и формирует метаданные, текст и подписи, а Diffusion Transformer синтезирует аудио. Модель содержит 1,3 млрд параметров; метаданные указывают контекст в 32 768 токенов и формат Safetensors. README заявляет поддержку более 50 языков, генерацию композиций длительностью до 10 минут и работу менее чем с 4 ГБ видеопамяти. Модель ориентирована на музыкантов, продюсеров и создателей контента; README также заявляет возможность коммерческого использования сгенерированной музыки. Лицензия репозитория — MIT. Заявления о скорости генерации, требованиях к памяти и юридической чистоте обучающих данных приведены в карточке проекта и не являются независимой оценкой качества или правового статуса конкретной генерации.

Карточка модели amandabenson/acestep-v15-xl-base-fork на Hugging Face совпадает с карточкой ACE-Step/acestep-v15-xl-base, поэтому описание составлено по ней. ACE-Step 1.5 XL Base — базовая модель генерации музыки на основе декодера DiT с примерно 4 млрд параметров. Разработана проектом ACE-Step и служит основой для задач генерации музыки по текстовому описанию, создания каверов, перерисовки фрагментов, извлечения, сборки композиций из частей и дополнения аудио. Версия XL рассчитана на более высокое качество звука по сравнению с вариантами на 2 млрд параметров; модель использует 32 слоя, скрытый размер 2560 и 32 головы внимания. Модель предназначена для создания и редактирования музыкальных композиций. Для работы требуется значительный объём видеопамяти: от 12 ГБ с выгрузкой на CPU и INT8-квантизацией, от 16 ГБ с выгрузкой на CPU или от 20 ГБ без неё. README сообщает, что обучение использовало лицензированную, свободную от роялти или общественным достоянием музыку, а также синтетические данные, и заявляет возможность коммерческого использования сгенерированной музыки. Лицензия репозитория — MIT.

OccultAI Adversary-8B-v1.1 — языковая модель для генерации текста и ролевых диалогов, разработанная как дообучение модели SicariusSicariiStuff/Llama-3.1-Nemotron-8B-UltraLong-1M-Instruct_Abliterated. Модель использует плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и принимает текст. В метаданных указан контекст до 1 073 152 токенов; для наилучших результатов автор рекомендует шаблон Llama 3. Модель предназначена для художественного письма, создания сюжетов и сцен, продолжения историй и ролевых диалогов в разных жанрах, включая хоррор и тёмное фэнтези. Дообучение выполнено на наборе DarkArtsForge/Adversary_241, составленном на основе EldritchLabs/Cthulhu_v1.4b и дополнительных источников. Версия 1.1 исключает 100 вопросов и ответов, связанных с проблемами связности, повторов и бесконечной генерации; автор сообщает, что модель стала стабильнее. Модель может генерировать графическое насилие и откровенный эротический контент. Она распространяется в формате safetensors по лицензии Llama 3.1.

Aion-3.0 — система для ролевого взаимодействия и создания историй, разработанная AionLabs на основе семейства моделей GLM. Она использует совместную генерацию: несколько специализированных моделей вносят вклад в создание ответа. Модель предназначена для текстовых сценариев ролевой игры и повествования. Данных о размере, контексте, поддерживаемых языках и лицензии в предоставленных материалах нет. Подробности о специализированных моделях и их ролях также не приведены.

Aion-3.0 Mini — система для ролевого взаимодействия и создания историй от AionLabs, построенная на моделях семейства DeepSeek. Она использует совместную генерацию с участием нескольких специализированных моделей, чтобы создавать ролевые ответы и повествовательный текст.

Antler-7B-RP-v3 — модель Aratako для ролевых диалогов и художественной генерации на японском языке. Она создана дообучением LoRA модели Elizezen/Antler-7B, основанной на плотной архитектуре Mistral с 7,1 млрд параметров. Для диалогов рекомендуется использовать шаблон чата Mistral и задавать роли персонажей, сеттинг и начальную реплику. Контекст модели составляет 8192 токена; она принимает и генерирует текст. Модель обучена на наборах LimaRP-augmented и Rosebleu-1on1-Dialogues-RP. Версия v3 исправляет ошибку в настройках обучения v2; по сравнению с ранней версией автор отмечает более частые описания обстановки. Лицензия репозитория — Apache-2.0, однако автор указывает, что лицензия базовой модели неизвестна и условия могут измениться. Иногда модель завершает ответ без текста или пытается писать реплики пользователя; продолжение генерации, повторный запрос или стоп-слово могут помочь.