IV.5Образование и развитие навыков

Ryeta-0 — разговорная текстовая модель SpectreLynx для генерации ответов на медицинские вопросы. Она дообучена на базе Undi95/Llama-3-Unholy-8B и использует плотную архитектуру LlamaForCausalLM; размер составляет 7,5 млрд параметров, контекст — до 8192 токенов. Модель работает через библиотеку Transformers и хранится в формате safetensors. Модель предназначена для ответов на вопросы о здоровье и предоставления подробной медицинской информации на английском языке. В README приведены результаты по клиническим знаниям, медицинской генетике и старению, но описание методики оценки и независимое подтверждение этих результатов отсутствуют. Лицензия указана как other, поэтому условия использования следует уточнить на странице модели.

bwbayu/sbert_model_jobcv — Sentence Transformer на базе DistilBERT, обученный сопоставлять резюме и описания вакансий. Модель преобразует текст в плотные векторы размерности 768; сходство между ними можно оценивать косинусной мерой. Архитектура использует представление CLS-токена, максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и ранжирования соответствия резюме вакансиям, а также для поиска похожих текстов, кластеризации и классификации. В README приведены обучающие и оценочные выборки из 24 962 и 6 241 пар резюме и вакансий; метаданные указывают обучение с CoSENTLoss. Для общего теста семантического сходства в README указана корреляция Spearman 0,8658. Модель принимает текст и возвращает векторные представления, поэтому сама по себе не формирует текстовые ответы и не выдает готовый вердикт о найме: для поиска или оценки пар требуется отдельный этап сравнения. Язык обучающих данных и лицензия в предоставленных источниках не указаны.

kenpack6/sd-class-butterflies-32 — диффузионная модель из учебного курса Diffusion Models Class, предназначенная для безусловной генерации изображений милых бабочек. Она использует библиотеку Diffusers и запускается через DDPMPipeline: модель создаёт изображение без текстового запроса. Модель распространяется в форматах Diffusers и Safetensors. Лицензия — MIT. Карточка не сообщает размер модели, разрешение изображений или дополнительные ограничения; по назначению модель ориентирована на изображения бабочек.

maxusivanov/sd-class-butterflies-32 — диффузионная модель для безусловной генерации изображений милых бабочек. Карточка относит её к первой учебной работе курса по диффузионным моделям; для запуска предлагается библиотека Diffusers и конвейер DDPMPipeline. Модель принимает случайный шум и генерирует изображение без текстового запроса. Модель распространяется в форматах Diffusers и SafeTensors по лицензии MIT. Карточка не сообщает размер модели, разрешение генерации, поддерживаемые языки или специальные возможности управления изображением.

metythorn/sd-class-butterflies-32 — диффузионная модель, созданная как работа для первого модуля курса Diffusion Models Class. Она генерирует изображения бабочек без текстового запроса; пример использования в карточке загружает модель через DDPMPipeline из библиотеки Diffusers. Модель предназначена для создания изображений милых бабочек. В репозитории указаны форматы Diffusers и safetensors, а лицензия — MIT. Размер модели и длина контекста не указаны в доступных данных; текстовый ввод не требуется.

Anand Haridas разработал slm125m-live — базовую языковую модель с архитектурой Llama и 125,8 млн параметров, предварительно обученную с нуля на корпусе с юридическими и финансовыми текстами. Модель использует собственный токенизатор byte-level BPE на 16 384 токена и контекст до 1 024 токенов; веса доступны в формате safetensors, лицензия — Apache-2.0. Модель предназначена для генерации продолжений текста на английском языке и экспериментов с небольшими языковыми моделями, в том числе в учебных целях. В обучающий корпус вошли судебные решения США, документы SEC и образовательные веб-тексты; по приведённой оценке perplexity модель лучше справляется с SEC-текстами, чем с остальной выборкой. Это базовая модель без дообучения на инструкциях, RLHF и настройки безопасности. Она может выдумывать факты и не подходит для юридических или финансовых рекомендаций; в данных судебных решений сохранились ошибки OCR, а финансовые тексты смещены в сторону старых документов SEC.

Stoicheia-doc_clean — 405-миллионная символьная модель-кодировщик для древнегреческого языка, выпущенная анонимной командой в сопровождение статьи на рецензировании. Она обучена предсказывать замаскированные символы с помощью masked diffusion и предназначена для восстановления и анализа древнегреческих текстов, в том числе с пропусками и разными способами записи. Вход разбит на пять согласованных слоёв: буквы, границы слов и предложений, диакритика, регистр и пунктуация; каждый слой можно независимо маскировать. Архитектура CharBERT имеет размерность 1024 и 32 блока: три блока из четырёх используют локальное внимание в окне 256 символов, а каждый четвёртый — глобальное. Контрольная точка documentary-clean не обучалась на надписях и папирусах, а также на текстах, отмеченных проверкой как цитирующие их. Это помогает использовать её для исследований документальных текстов без прямого загрязнения предобучения, но не гарантирует отсутствия всех возможных пересечений. Модель доступна в формате safetensors и распространяется по лицензии Apache-2.0.

Stoicheia-fold-1 — символьный энкодер на 405 млн параметров для древнегреческого языка, выпущенный анонимно вместе со статьёй на рецензировании. Модель использует masked diffusion: вход разбит на пять выровненных слоёв — буквы, границы слов и предложений, диакритические знаки, регистр и пунктуацию; каждый слой можно независимо заменить явным состоянием «неизвестно». Архитектура char-level с размерностью 1024 и 32 блоками внимания: три из каждых четырёх блоков ограничены окном в 256 символов, а каждый четвёртый учитывает всю последовательность. Модель предназначена для заполнения пропусков и анализа древнегреческих текстов в разных формах записи: от отредактированного текста до scriptio continua и лакун неизвестной длины. Чекпойнт fold 1 обучен без десятой части литературного корпуса, отведённой для его тестовой зоны; README описывает многоэтапную группировку редакций и фильтрацию совпадающих и близких фрагментов. Это исследовательский выпуск, сопровождающий статью на рецензировании. Лицензия — Apache-2.0.

Stoicheia-fold-2 — 405 млн параметров, символьный энкодер с masked diffusion для древнегреческого текста. Разработчик не назван: модель выпущена анонимно вместе со статьёй, находящейся на рецензировании. Архитектура включает 32 слоя с размерностью 1024 и чередует локальное внимание в окне 256 символов с глобальным. Вход представлен пятью выровненными слоями: буквы, границы слов и предложений, диакритика, регистр и пунктуация; каждый слой можно независимо маскировать, включая обозначение неизвестных символов и лакун переменной длины. Модель предназначена для заполнения масок и работы с вариантами записи древнегреческих текстов, включая непрерывное письмо без пробелов и повреждённые места. Чекпойнт fold 2 исключает из обучения тестовую десятую часть литературного корпуса своего разбиения; README описывает методику, снижающую попадание дубликатов и близких текстов в обучение. Доступна лицензия Apache-2.0. В README не приведены оценки качества за пределами выбора шага по отложенным bits-per-character.

Stoicheia-fold-8 — анонимно выпущенный чекпойнт на 405 млн параметров для древнегреческого языка, сопровождающий статью на рецензировании. Это символьный masked-diffusion энкодер семейства char_bert с 32 слоями и размерностью скрытого представления 1024. Три из каждых четырёх блоков используют локальное внимание в окне 256 символов, а каждый четвёртый — глобальное. Модель предназначена для восстановления скрытых фрагментов и анализа текстов на древнегреческом. Вход разделён на пять выровненных плоскостей: буквы, границы слов и предложений, диакритика, регистр и пунктуация. Каждую плоскость можно независимо маскировать, что позволяет подавать отредактированный текст, текст без пробелов (scriptio continua) или лакуны неизвестной длины. Чекпойнт fold 8 исключает из обучения тестовую десятую часть литературного корпуса; авторы описывают процедуру разделения, направленную на предотвращение утечки совпадающих и близких текстов между обучением и тестом. Модель распространяется по лицензии Apache-2.0. Это экспериментальный анонимный выпуск, связанный со статьёй на рецензировании; README не сообщает о результатах оценки качества. Описанная гарантия исключения текстов относится к литературному корпусу и разбиению fold 8.

MusicLang text-chord-predictor — генеративная модель семейства MusicLang, разработанная Флорианом Гарденом для быстрого продолжения гармонической структуры песни. Она принимает последовательность аккордов в текстовой поп-нотации и предсказывает следующие аккорды; для лучшей работы в начале запроса рекомендуется токен START. Модель построена на архитектуре GPT-2, имеет контекст 4096 токенов и распространяется в формате safetensors. Модель подходит для создания и продолжения последовательностей аккордов, набросков гармоний и музыкальных идей. Она работает с мажорными, минорными, септаккордами, уменьшёнными и увеличенными аккордами, а также с обращениями, обозначенными через косую черту. Ограничения: модель не задаёт гармонический ритм, поддерживает ограниченный набор типов аккордов и требует, чтобы басовая нота обращения входила в аккорд; для некоторых аккордов нужно использовать энгармонический эквивалент. Лицензия разрешает бесплатное использование для исследований и проектов с открытым исходным кодом; коммерческое применение требует согласования с разработчиком.

Therapy-3.8 — диалоговая модель для эмпатичной поддержки и разговоров в стиле консультирования, созданная автором Verdugie на основе Qwen/Qwen3.8-27B. Она дообучена методом LoRA на 5 070 диалогах о консультировании; базовая архитектура сочетает GatedDeltaNet и механизм внимания. Модель предназначена для продолжительных текстовых бесед: она структурирует разбор ситуации перед ответом и ведёт хронологическую запись фактов, чтобы учитывать контекст разговора на протяжении десятков тысяч токенов. Модель подходит для рефлексии над отношениями и переживаниями, эмоциональной поддержки и самопомощи. Карточка приводит примеры, где она отслеживает ранее сформулированную просьбу пользователя и исправляет приписанную ей рекомендацию. Использовать её можно локально через совместимый с архитектурой GGUF runtime; в репозитории доступны варианты GGUF, включая F16 и несколько квантованных форматов. Основной язык карточки — английский. Лицензия — Apache 2.0. Therapy-3.8 не является клиницистом или кризисной службой и не предназначена для диагностики либо замены профессиональной помощи. Она не обучена на медицинских данных и направляет вопросы о дозировках и лечении к специалистам. Её интерпретации могут звучать категорично и поначалу склоняться к позиции пользователя; в долгих беседах иногда нужны поправки, а между сеансами стоит сообщать текущую дату.

Карточка модели nf5/TRELLIS.2-4B на Hugging Face совпадает с карточкой microsoft/TRELLIS.2-4B, поэтому описание составлено по ней. TRELLIS.2-4B — модель генерации 3D-объектов по изображению, разработанная Jianfeng Xiang и соавторами. Она использует трансформер flow matching с 4 млрд параметров и разреженный 3D-VAE для представления геометрии и внешнего вида в структуре O-Voxel. На вход подаётся одно изображение, на выходе создаётся 3D-модель с PBR-материалами; заявлено разрешение воксельной сетки от 512³ до 1536³. Модель также поддерживает генерацию текстур для заданной 3D-сетки и референсного изображения. TRELLIS.2 рассчитана на создание детализированных 3D-ассетов со сложной топологией, включая открытые поверхности и полупрозрачные материалы. Карточка указывает, что модель проверялась на Linux с видеокартами NVIDIA A100 и H100 и требует не менее 24 ГБ видеопамяти. Генерируемые сетки могут содержать небольшие отверстия и топологические дефекты, поэтому для задач вроде 3D-печати может потребоваться постобработка. Модель не настраивалась под человеческие предпочтения или конкретные эстетические стандарты. Лицензия — MIT.

Карточка модели E234v/TRELLIS.2-4B3 на Hugging Face совпадает с карточкой microsoft/TRELLIS.2-4B, поэтому описание составлено по ней. TRELLIS.2-4B — модель генерации 3D-объектов по изображению, разработанная Jianfeng Xiang и соавторами. Она использует трансформер flow matching с 4 млрд параметров и разреженный 3D-VAE для представления геометрии и внешнего вида в структуре O-Voxel. На вход подаётся одно изображение, на выходе создаётся 3D-модель с PBR-материалами; заявлено разрешение воксельной сетки от 512³ до 1536³. Модель также поддерживает генерацию текстур для заданной 3D-сетки и референсного изображения. TRELLIS.2 рассчитана на создание детализированных 3D-ассетов со сложной топологией, включая открытые поверхности и полупрозрачные материалы. Карточка указывает, что модель проверялась на Linux с видеокартами NVIDIA A100 и H100 и требует не менее 24 ГБ видеопамяти. Генерируемые сетки могут содержать небольшие отверстия и топологические дефекты, поэтому для задач вроде 3D-печати может потребоваться постобработка. Модель не настраивалась под человеческие предпочтения или конкретные эстетические стандарты. Лицензия — MIT.

TripoSG — модель генерации 3D-форм по одному изображению, разработанная Tripo и VAST AI Research. Она предназначена для создания высокодетализированных 3D-сеток для дизайна, прототипирования, визуализации, игровых ресурсов и VFX. Архитектура сочетает Transformer на основе Rectified Flow, VAE с представлением на основе SDF и гибридным геометрическим обучением, а также cross-attention для передачи признаков изображения. По данным README, модель содержит 1,5 млрд параметров и работает с 2048 латентными токенами. Для запуска требуется GPU с CUDA и более 8 ГБ видеопамяти. Модель принимает изображение и генерирует 3D-форму; поддерживаемые естественные языки не заявлены. Лицензия — MIT. README описывает применение для создания 3D-ресурсов, но не приводит количественных оценок качества или ограничений по типам входных изображений.

BVRA/vit_base_patch16_224.ft_df20m_224 — модель классификации изображений грибов, опубликованная под аккаунтом BVRA и обученная на датасете DF20. Это Vision Transformer с патчами 16×16, около 85,9 млн параметров; модель принимает изображения размером 224×224 пикселя и выдаёт класс изображения. Карточка также упоминает возможность получать эмбеддинги изображений. Модель предназначена для распознавания грибов по фотографиям и исследовательских или прикладных задач в области экологии и определения видов. Репозиторий содержит веса PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

keremberke/yolov8n-blood-cell-detection — модель обнаружения объектов семейства YOLOv8, опубликованная Keremberke и использующая библиотеку Ultralytics. Она предназначена для нахождения и классификации клеток крови на изображениях: тромбоцитов (Platelets), эритроцитов (RBC) и лейкоцитов (WBC). Репозиторий содержит веса PyTorch; в метаданных указан датасет keremberke/blood-cell-object-detection. Модель подходит для автоматической разметки изображений крови и поддержки исследовательских или учебных задач анализа клеток. Данных о размере модели, языковой поддержке и лицензии в предоставленных источниках нет.

pmczip/Z-Image-Turbo_Models — адаптер LoRA для генерации изображений по текстовому описанию, разработанный на базе Tongyi-MAI/Z-Image-Turbo. Модель предназначена для задач text-to-image в среде Diffusers и ориентирована на фотореалистичные изображения людей, в частности на воспроизведение внешности и сходства с указанными персонажами или знаменитостями. В README приведены примеры промптов с токенами идентификации, описаниями внешности, одежды и окружения. Из известных характеристик указаны формат safetensors, тип LoRA, поддержка текстовой модальности на входе и генерация изображений на выходе. Заявлен английский язык. Размер адаптера, параметры архитектуры, рекомендуемые настройки генерации, максимальный контекст и требования к вычислительным ресурсам не указаны. Сильной стороной является специализация на фотореалистичных портретных и персонажных сценах с управлением внешностью через специальные токены; универсальность за пределами подобных сценариев по представленным данным не подтверждена. Модель распространяется по лицензии bespoke-lora-trained-license, дополнительная информация доступна по ссылке https://multimodal.art/civitai-licenses. Условия использования базовой модели и возможные ограничения, связанные с генерацией сходства реальных людей или знаменитостей, в README отдельно не раскрыты.

3DTopia-XL — модель генерации 3D-ассетов, представленная авторами работы «3DTopia-XL: Scaling High-quality 3D Asset Generation via Primitive Diffusion». Она использует Diffusion Transformer (DiT) и представление PrimX для создания PBR-объектов по изображению или текстовому описанию. По заявлению авторов, денойзинг занимает около пяти секунд, а результат рассчитан на использование в графическом конвейере. Модель обучена на подмножестве Objaverse объёмом около 256 тысяч объектов. В репозитории указаны веса PyTorch; лицензия — Apache-2.0. Метаданные Hugging Face классифицируют модель как image-to-3d, хотя README также описывает генерацию по тексту.

AlpaCare-LLaMA2-7B — языковая модель семейства Llama 2, настроенная на медицинских инструкциях. Карточка не указывает разработчика; репозиторий содержит веса модели для генерации текста. Модель предназначена для ответов на медицинские запросы и других сценариев следования медицинским инструкциям. Модель имеет плотную архитектуру LlamaForCausalLM и около 6,6 млрд параметров. Она принимает текст и генерирует текст на английском языке, с контекстом до 4096 токенов. Доступный формат весов — PyTorch. Лицензия CC BY-NC 4.0 запрещает коммерческое использование без отдельного разрешения.

Репозиторий содержит ONNX-экспорты модели HTDemucs 6-source от Meta, используемой AudioWeb для разделения стереомузыки на шесть дорожек: ударные, бас, прочие инструменты, вокал, гитару и фортепиано. Модель предназначена для запуска на устройстве пользователя — в браузере и приложениях для iOS и Android. Доступны два варианта с весами fp16: окно 7,8 секунды используется по умолчанию, а окно 3,9 секунды рассчитано на телефоны и устройства с памятью не более 4 ГБ. На вход подаются сегменты стереоаудио с частотой 44,1 кГц; STFT и обратное преобразование выполняются вне модели. Веса опубликованы в форматах ONNX и Core ML. Лицензия репозитория — MIT.

BlueBERT — англоязычная модель на архитектуре BERT, предварительно обученная на аннотациях PubMed. Версия bionlp/bluebert_pubmed_uncased_L-12_H-768_A-12 содержит 12 слоёв, скрытый размер 768 и 12 attention heads; в метаданных указан размер 136,7 млн параметров и контекст до 512 токенов. Модель обучена на корпусе примерно из 4 млрд слов, извлечённых из текстов PubMed. Модель предназначена как языковая основа для задач обработки биомедицинских текстов и последующего дообучения под конкретные сценарии. Для использования приведена ссылка на инструкции, но сами инструкции в карточке не заполнены. Модель распространяется по лицензии CC0-1.0.

DDPMCats — модель диффузионной генерации изображений кошек, разработанная Ноа Линден Роггендорфф. Она создаёт изображение из случайного шума без текстового запроса и доступна для запуска через библиотеку Hugging Face Diffusers как DDPMPipeline. Репозиторий содержит веса в форматах Diffusers, PyTorch и safetensors; лицензия — MIT. Модель обучалась 50 эпох на датасете huggan/few-shot-cat с размером обучающего и оценочного батча 16. Она предназначена для генерации изображений кошек, но не обеспечивает идеальный фотореализм и не умеет создавать читаемый текст. В карточке также отмечено, что модель не изображает больных или подвергшихся жестокому обращению кошек.

CPU Compatible Mental Health Chatbot Model — дообученная языковая модель на архитектуре LLaMA 3.2 с 1 млрд параметров, представленная RayyanAhmed9477. Она предназначена для диалоговых ответов на вопросы о психическом здоровье и поддержки в беседах на эту тему. В README указана база meta-llama/Llama-3.2-1B-Instruct, а метаданные связывают модель с meta-llama/Llama-3.2-1B; для поиска базовой модели используется идентификатор из метаданных. Модель дообучена на диалогах психологической поддержки из набора Amod/Mental Health Counseling Conversations с помощью Hugging Face Transformers. По заявлению автора, её можно запускать на CPU и системе с 15 ГБ оперативной памяти; README также сообщает о поддержке LoRA для дальнейшей адаптации. Модель распространяется по лицензии Apache-2.0. Карточка не приводит оценки качества или сведения о том, как модель ведёт себя в кризисных ситуациях.

Decomposer — языковая модель, разработанная авторами проекта Decomposer и дообученная на базе Qwen/Qwen3-8B. Она преобразует символьную музыку в MIDI, сериализованную как события нот по инструментам, в исполняемые программы Strudel. Модель предназначена для восстановления программного представления музыкальной композиции по нотам, темпу и размеру такта; в формате входа используются координаты циклов, названия нот и GM-названия ударных. Это причинная плотная языковая модель семейства Qwen3 с 7,6 млрд параметров по метаданным, контекстом до 40 960 токенов и поддержкой чата. Обучение проводилось на синтетическом наборе Strudel-Synth с парами MIDI и Strudel, а также MIDI-фрагментами. Репозиторий содержит веса safetensors; лицензия — Apache-2.0. Модель ориентирована на английский язык в текстовом интерфейсе и специализирована на символической музыке.

Diagnostic-Reasoning-Q3X1 — это дообученная с помощью QLoRA модель Qwen3-8B, выпущенная как артефакт исследования влияния пересечения обучающих данных с медицинскими тестами. Она содержит 7,6 млрд параметров, использует архитектуру Qwen3ForCausalLM, работает через Transformers и принимает текстовый контекст длиной до 40 960 токенов. Модель предназначена для генерации ответов на медицинские вопросы и воспроизведения результатов исследования; проверка проводилась на англоязычных тестах с вопросами с выбором ответа. В проверенной на пересечение подвыборке MedXpertQA модель показала прирост 5,2 процентного пункта относительно исходной Qwen3-8B. При этом обучающий корпус существенно пересекается с рядом медицинских бенчмарков, поэтому результаты на них нельзя считать независимой оценкой способности рассуждать. Модель не проходила клиническую валидацию и не предназначена для принятия медицинских решений. Не оценивались галлюцинации, безопасность лекарственных рекомендаций, срочная эскалация, калибровка уверенности и качество общения о неопределённости; область оценки ограничена английскими тестами с выбором ответа. Модель выпущена под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование. Авторы представляют её как исследовательский артефакт для воспроизведения методики и изучения влияния пересечения обучающих данных с тестами.

Amod/falcon7b-fine-tuned-therapy-merged — разговорная языковая модель для генерации ответов в сценариях психологического консультирования. Она основана на архитектуре RefinedWebModel и дообучена на наборе диалогов Amod/mental_health_counseling_conversations. Модель принимает текст и генерирует текстовые ответы; карточка обозначает английский язык. В репозитории указаны веса PyTorch, библиотека Transformers и лицензия Apache-2.0. Модель подходит для прототипирования чат-интерфейсов, которые отвечают на запросы о психологическом благополучии, и для экспериментов с консультативными диалогами. Размер указан как 10,9 млрд параметров. Карточка README не содержит дополнительной информации об оценке качества, контекстном окне или безопасном применении; ответы модели не следует считать профессиональной диагностикой или заменой помощи специалиста.

Galgame-Llasa-3B-v3 — японская модель синтеза речи, разработанная OmniAICreator и дообученная на базе HKUSTAudio/Llasa-3B. Она преобразует японский текст в речь; версия 3 использует изменённую нормализацию текста при обучении, чтобы повысить последовательность и точность синтеза. В основе — плотная архитектура Llama с 3,4 млрд параметров; модель опубликована в формате safetensors, заявленная длина контекста — 131 072 токена. Модель предназначена для озвучивания японского текста, включая реплики и диалоги в стиле визуальных новелл. Предыдущая версия улучшила чтение кандзи, просодию и разнообразие голосовых стилей; README сообщает, что v3 развивает эти улучшения. Для базовой Llasa-3B указана возможность использовать речевой промпт, но карточка этой версии не уточняет, поддерживает ли она такой режим. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

GPT-NeoDnD — дообученная модель PatrickTyBrown на основе GPT-Neo для генерации текста в тематике Dungeons & Dragons. Она предназначена для продолжения текстовых подсказок и создания материалов для настольных ролевых игр. Модель содержит 137,7 млн параметров, использует архитектуру GPT-Neo с авторегрессионной языковой моделью и принимает контекст длиной до 2048 токенов. В README приведены результаты оценки: eval_loss 3,2754 после 2,9 эпох обучения. Модель опубликована в формате PyTorch. В карточке не приведены сведения о составе обучающих данных, поддерживаемых естественных языках и лицензии, поэтому их нельзя уточнить по доступным данным. Качество и фактический охват игровых сценариев не описаны; результат генерации может требовать проверки и редактирования.

Haru v1.0 — компактная модель продолжения корейских историй от разработчиков проекта Haru, построенная на причинной архитектуре CFRD с плотными слоями и 6 793 363 параметрами. Она генерирует продолжение по текстовому контексту и не предназначена для диалога с инструкциями. Модель поддерживает рекуррентную глубину вывода 2, 4 или 6 и контекст длиной 512 токенов; опубликованный чекпойнт соответствует шагу обучения 6104. Модель подходит для продолжения коротких корейских рассказов и экспериментов с рекуррентным выводом. По данным README, обучение использовало набор Tiny-Ko-Stories, опубликованный под лицензией CC BY 4.0; веса модели распространяются по лицензии MIT. Более длинные генерации могут повторяться или терять согласованность персонажей. Модель не подходит для фактических ответов и задач, критичных к безопасности; кэширования вывода нет, поэтому активный контекст пересчитывается при генерации. В README указано, что доступны более новые версии Haru.