IV.5Образование и развитие навыков

hugging-science/breast-cancer-detector-2 — модель классификации изображений на базе Vision Transformer с 113,2 млн параметров, предоставленная для открытых исследований медицинского ИИ. Она анализирует чистые изображения УЗИ молочной железы и относит их к одному из трёх классов: доброкачественное образование, злокачественное образование или норма. Модель предназначена для помощи радиологам, онкологам и исследователям: она может ускорить первичный анализ снимка и служить дополнительным мнением в диагностическом процессе. В карточке описаны обучение на небольшом наборе примерно из 1 500 снимков и результаты внутренней проверки, а также внешней оценки на данных с двумя классами. Эти метрики не гарантируют качество на других выборках и в клинической практике. Модель следует применять только как вспомогательный инструмент вместе с оценкой специалиста; перед внедрением нужна внешняя клиническая проверка. Поддерживаются только чистые изображения УЗИ молочной железы без подписей, меток и артефактов. Модель не предназначена для маммографии, МРТ, КТ, других видов УЗИ, детских случаев или самостоятельной диагностики; она может ошибаться при иных аппаратах, популяциях и нетипичных случаях. Лицензия — Apache-2.0.

Flowformer — модель на основе трансформера для автоматического выявления бластных клеток в данных проточной цитометрии при остром лимфобластном лейкозе (ALL). Её разработали Matthias Wödlinger и соавторы как официальную реализацию работы об автоматической идентификации клеточных популяций с помощью трансформеров. Модель принимает тензор PyTorch с данными клеток и маркеров; при обучении использовались маркеры TIME, FSC-A, FSC-W, SSC-A, CD20, CD10, CD45, CD34, CD19, CD38 и SY41. Если набор или порядок маркеров отличается, их нужно передать модели при вызове. Метаданные указывают задачу классификации табличных данных и формат PyTorch. Модель предназначена для анализа данных проточной цитометрии и выявления бластных клеток. Для загрузки используется Transformers с пользовательским кодом архитектуры. Лицензия CC-BY-NC-ND-4.0 запрещает коммерческое использование и распространение производных версий.

GB.Cell-100M — клеточная foundation-модель, разработанная GenBio AI для анализа экспрессии генов в отдельных клетках человека. Она обучена на 50 миллионах клеток из более чем 100 типов тканей и органов и предназначена для задач одно-клеточной геномики, включая кластеризацию без обучения на целевой задаче, классификацию типов клеток и моделирование эффектов возмущений. Модель содержит 87 млн параметров и использует двунаправленный трансформерный энкодер BERT-типа с 18 слоями, авто-дискретизацию значений экспрессии и цель предобучения Read Depth-Aware: по данным с низкой глубиной считывания модель предсказывает значения для замаскированных генов при большей глубине. Для каталога Hugging Face основная задача указана как fill-mask. Контекст — до 19 264 токенов; репозиторий содержит веса PyTorch и Safetensors. Модель формирует представления транскриптомного контекста клетки и показывает сильные результаты в перечисленных задачах одно-клеточной геномики. Она рассчитана на данные экспрессии генов человека; сведения о поддержке других организмов не приведены. Лицензия указана как other, поэтому условия использования следует сверить с лицензией в репозитории.

H3BERTa — языковая модель на архитектуре RoBERTa-base, разработанная для анализа CDR-H3 антител. Это энкодер с 113,3 млн параметров, обученный на более чем 17 млн последовательностей CDR-H3 из репертуаров здоровых доноров в наборе OAS. Модель принимает аминокислотные последовательности длиной до 100 остатков; словарь включает 20 стандартных аминокислот и специальные токены, в том числе [MASK]. Модель предназначена для получения эмбеддингов последовательностей CDR-H3, оценки вероятности вариантов и мутаций методом псевдоправдоподобия, а также предсказания аминокислот в замаскированных позициях. Эмбеддинги можно использовать для кластеризации, поиска сходных последовательностей и последующих задач машинного обучения, включая выявление bnAbs после дополнительной настройки. На вход следует подавать только последовательность CDR-H3 без начального C и конечного W, без пробелов и разделителей. Модель доступна под лицензией MIT. Она обучена на репертуарах здоровых доноров, поэтому её оценки отражают закономерности этих данных и сами по себе не подтверждают связывание, эффективность или клиническую пригодность антитела.

roychowdhuryresearch/HFO-artifact — модель классификации изображений из набора моделей для анализа высокочастотных осцилляций (HFO) в нейронных сигналах. Разработчики позиционируют её как детектор артефактов, помогающий выявлять и отфильтровывать артефакты при анализе HFO. Модель предназначена для исследовательских и клинических рабочих процессов, связанных с анализом нейронных сигналов и эпилепсией. В репозитории также представлены отдельные модели для обнаружения spike-associated HFO и эпилептических HFO; эта модель выполняет классификацию артефактов. Архитектура указана как ResNet, файлы доступны в форматах ONNX и safetensors. Для интеграции авторы предлагают библиотеку Transformers. Заявлены высокая точность и устойчивость, однако численные результаты и подробности оценки в карточке не приведены. Лицензия — MIT.

KRONOS — фундаментальная модель для пространственной протеомики, разработанная группой Mahmood Lab AI for Pathology при Harvard/BWH. Это Vision Transformer-Small для мультиплексных изображений; модель обучалась в режиме self-supervised на 47 миллионах патчей с одиночными маркерами: 175 белковых маркеров, 16 типов тканей, 8 платформ визуализации и 5 учреждений. Модель предназначена для извлечения признаков из изображений пространственной протеомики и рассчитана на работу с данными разных панелей. Архитектура использует общий channel-wise stem и синусоидальные эмбеддинги идентификаторов маркеров, обеспечивая совместимость с многомерными мультиплексными данными. В репозитории указаны веса PyTorch и pipeline image-feature-extraction. Доступ ограничен: запрос требует согласия с условиями использования и институционального адреса электронной почты, установленного основным в аккаунте Hugging Face. Лицензия CC-BY-NC-ND-4.0 запрещает коммерческое использование и распространение производных материалов. Модель помечена как устаревшая: авторы рекомендуют KRONOS2, а для сквозных рабочих процессов — CORAL; запросы по KRONOS больше не рассматриваются.

Модель Lightweight 2.5D pulmonary nodule detection on LUNA16 — исследовательский детектор узлов лёгких на КТ, опубликованный как эталонная реализация исследования на датасете LUNA16. Она использует архитектуру YOLO из библиотеки Ultralytics и объединяет три соседних аксиальных среза в каналы входного изображения, чтобы учитывать контекст между срезами. Данные приводятся к диапазону −1000…400 HU и масштабу 8 бит; для репозитория приведены веса по десяти официальным фолдам LUNA16. Модель предназначена для локализации кандидатов в лёгочные узлы на КТ. В исследовании соседние срезы 2.5D дали более высокий результат, чем центральный 2D-срез или тонкослойная проекция MIP, при оценке по всему объёму снимков. Это кандидатный детектор: он не определяет злокачественность. Модель обучена и оценена только на когорте LUNA16 / LIDC-IDRI и не проверена на внешних центрах, других протоколах сканирования или популяциях, поэтому клинические решения на её основе принимать нельзя. Модель распространяется по лицензии CC BY 4.0. Для воспроизведения результатов и использования весов требуются совместимые данные и процедура обработки КТ, описанные в репозитории.

NCS-v1-2.5d-base — базовая модель для извлечения признаков из сейсмических данных, разработанная Норвежским вычислительным центром (NR) совместно с Equinor ASA и AkerBP ASA. Она предназначена для анализа сейсмических объёмов и подготовки представлений для последующей настройки под геологические задачи. Модель основана на ViT-MAE и обрабатывает четыре 2D-среза одной точки объёма: inline, crossline и два диагональных направления. Общий CLS-токен и позиционные кодировки направлений позволяют объединять пространственную информацию между срезами. Архитектура содержит 113,2 млн параметров; веса опубликованы в формате safetensors. Предобучение выполнено на 829 сейсмических кубах Норвежского континентального шельфа из базы DISKOS. Полученные признаки можно использовать для классификации сейсмических фаций, сегментации соляных тел, обнаружения геологических структур, поиска похожих сейсмических изображений и отслеживания горизонтов и событий. Модель рассчитана на сейсмические данные; её представления проверялись на задачах геологической интерпретации с ограниченным числом размеченных примеров. Лицензия — Apache-2.0.

polyp-unet-r34-heavy — модель сегментации полипов на изображениях колоноскопии, разработанная автором репозитория saadaamir14. Это U-Net с энкодером ResNet34, обученная на 1 305 изображениях из наборов Kvasir-SEG и CVC-ClinicDB по усиленному рецепту обучения; опубликован чекпойнт с медианным результатом среди пяти запусков с разными случайными зернами. Модель оценивает изображения размером 352×352 и выдаёт карту сегментации полипов. Она предназначена для исследований и экспериментов по автоматическому выделению полипов. На тестах Kvasir и CVC-ClinicDB, чьи центры представлены в обучении, Dice составил 0,8947 и 0,9063; на наборе CVC-ColonDB из незнакомого центра — 0,7549. Оценки при уменьшенном разрешении ограничивают достижимое качество и не вполне сопоставимы с опубликованными результатами других работ. Модель распространяется в формате safetensors под лицензией MIT. Это исследовательский артефакт, а не медицинское устройство: качество в новой клинике заранее не предсказуемо, мелкие полипы часто пропускаются, а результаты на CVC-ClinicDB могут быть завышены из-за пересечения видео между обучающими и тестовыми кадрами.

Changgil/google-gemma-3-27b-it-text — текстовая адаптация Gemma 3 от Google DeepMind, представленная Changgil. Из модели удалены компоненты обработки изображений, при этом сохранена генерация текста; архитектура — плотная Gemma 3 для авторегрессионной генерации, размер — 28,3 млрд параметров. Модель работает через Transformers и распространяется в формате safetensors. Модель предназначена для диалогов, ответов на вопросы, суммаризации и рассуждений по текстовым запросам и документам. Она поддерживает контекст до 131 072 токенов и, согласно README, более 140 языков; максимальная длина генерации в README указана как 8 192 токена. Принимает и выдаёт только текст. Лицензия — Gemma License; удаление визуальных компонентов позволяет использовать текстовый вариант там, где обработка изображений не нужна.

Athena-3-14B — каузальная языковая модель, разработанная Aayan Mishra и дообученная на Qwen/Qwen2.5-14B-Instruct. Она предназначена для диалогов, следования инструкциям и генерации текста, включая написание материалов, суммаризацию, ответы на вопросы, перевод, классификацию текста и рассуждения по STEM-темам. Модель построена на архитектуре Qwen2 с 14 млрд параметров; использует Transformer, RoPE, SwiGLU, RMSNorm и Grouped Query Attention. Метаданные указывают контекст до 32 768 токенов. Карточка заявляет поддержку более 29 языков, включая английский, китайский и русский; заявленная лицензия — MIT. Модель подходит для общих текстовых задач, однако качество зависит от языка, а наиболее сильные возможности заявлены для английского. Ответы могут содержать ошибки и предубеждения; знания ограничены сведениями примерно до августа 2024 года. Модель не предназначена для критически важных решений или работы с конфиденциальными данными.

Gemma 3 12B IT QAT — мультимодальная инструкционно дообученная модель из семейства Gemma, разработанная Google DeepMind. Она принимает текст и изображения, а на выходе генерирует текст. Модель создана на основе технологий, использованных в Gemini, и предназначена для развертывания в локальной инфраструктуре, на настольных компьютерах, ноутбуках и в облачных средах с ограниченными ресурсами. Модель подходит для ответов на вопросы, суммаризации документов, рассуждений, генерации и анализа текста, а также для понимания изображений и извлечения визуальной информации. Она поддерживает более 140 языков, имеет контекстное окно до 128K токенов для версии 12B и максимальный объём генерируемого текста до 8192 токенов. Изображения нормализуются до разрешения 896×896 и кодируются в 256 токенов каждое. Версия 12B обучена с использованием Quantization Aware Training (QAT), что должно помогать сохранять качество, близкое к bfloat16, при снижении требований к памяти после квантования. При этом указанный в репозитории checkpoint является неквантованным: для получения варианта Q4_0 его необходимо дополнительно квантовать выбранным инструментом. Ограничения включают зависимость качества от языка, содержания запроса и изображения, а также обычные риски ошибок и неточностей генеративных моделей. Использование регулируется лицензией Gemma от Google; для доступа на Hugging Face требуется принять условия лицензии.

Llama-Express.1 — компактная текстовая языковая модель, разработанная prithivMLmods на основе Meta Llama 3.2 1B Instruct и дообученная на наборах данных с длинными цепочками рассуждений. Это плотная авторегрессионная модель семейства Llama с 1,2 млрд параметров и контекстом до 131 072 токенов; она распространяется в формате Safetensors и рассчитана на запуск через Transformers. Модель предназначена для диалогов на разных языках, следования инструкциям, суммаризации и задач извлечения и обобщения сведений из предоставленного контекста. Данные обучения включают математические и reasoning-наборы; карточка также заявляет поддержку агентных сценариев поиска. Метаданные указывают английский язык, а README описывает модель как многоязычную, поэтому качество на языках с малым объёмом обучающих данных может быть ниже. Модель принимает и генерирует текст; изображения, аудио и видео она не обрабатывает. Длинный контекст не исключает ухудшения качества или усечения на очень больших входах, а ответы зависят от ясности запроса и могут отражать смещения обучающих данных. У модели нет собственного доступа к интернету для проверки актуальных фактов. Лицензия — Llama 3.2; применяются её условия использования.

CultriX/Qwen2.5-14B-BrocaV9 — объединённая модель генерации текста семейства Qwen2.5, созданная CultriX с помощью mergekit. В качестве базовой использована CultriX/Qwen2.5-14B-Wernickev3; в объединение также вошли SeQwence-14Bv1, QwenSlerp6-14B, Qwen2.5-Math-14B-Instruct, Qwenfinity-2.5-14B и Q2.5-Veltha-14B-0.5. Метод слияния — della_linear. Модель предназначена для диалогового общения и генерации текста; её можно использовать для ответов на вопросы, написания и продолжения текстов, а также задач рассуждения и математики. Это плотная причинно-языковая архитектура Qwen2 с 14 млрд параметров, доступная в формате safetensors и поддерживающая контекст до 131 072 токенов. Карточка указывает лицензию Apache-2.0.

LongChat-7B-v1.5-32k — языковая модель Large Model Systems Organization (LMSYS) для генерации текста и диалогов, рассчитанная на работу с длинными контекстами. Она основана на архитектуре LLaMA с причинно-языковой моделью LlamaForCausalLM и содержит около 6,6 млрд параметров. Конфигурация репозитория задаёт максимальную длину последовательности 32 768 токенов и масштабирование RoPE для длинного контекста. Модель подходит для диалоговых ответов, генерации текста и обработки длинных документов в одном запросе. Доступна по лицензии Apache-2.0. Метаданные каталога указывают 4096 native context tokens, тогда как конфигурация и назначение репозитория указывают расширенную длину до 32 768 токенов; фактическое качество на длинном контексте может зависеть от сценария использования.

AIFT-ko-orca-plat-Yi-ko-6b-v1.7 — корейская instruct-модель для генерации текста, созданная на основе обучающих данных, собранных и очищенных разработчиком AIFT. Авторы использовали около 40 тысяч примеров: задания из KOR-OpenOrca-Platypus, данные по истории, науке, математике, машинному чтению, анализу отзывов и грамматике, а также материалы для перевода между английским и корейским. В README также указаны задания на краткое изложение и вопросы на проверку фактов. Модель имеет плотную архитектуру семейства Llama, около 5,9 млрд параметров и контекст до 2048 токенов. Для обучения применялся LoRA на двух ускорителях A100 с 40 ГБ памяти. Модель подходит для ответов на вопросы, учебных заданий, чтения и пересказа текста и перевода с английского на корейский и обратно. Обучающие данные не опубликованы, поэтому их состав и качество нельзя независимо проверить. Модель распространяется по лицензии CC BY-SA 4.0; при использовании и распространении производных следует учитывать её условия.

airoboros-l2-70b-gpt4-1.4.1 — языковая модель семейства Llama 2, дообученная jondurbin на наборе airoboros-gpt4-1.4.1. Это плотная авторегрессионная модель с 68,7 млрд параметров для генерации текста. Её можно применять для диалогов, ответов на инструкции и создания текстов; контекст составляет 4096 токенов. Модель представлена в формате PyTorch. В карточке указана лицензия other, поэтому условия использования следует проверять в репозитории модели и у базовой модели. README не описывает специальные ограничения или гарантии качества; характеристики унаследованы от Llama 2 и зависят от сценария применения.

new5558/chula-course-paraphrase-multilingual-mpnet-base-v2 — модель Sentence-Transformers на базе XLM-RoBERTa, создающая плотные векторы размерности 768 для предложений и абзацев. Она предназначена для семантического поиска, сравнения сходства текстов и кластеризации, в том числе для работы с описаниями учебных курсов. В README указано обучение с функцией потерь CosineSimilarityLoss; модель содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Модель подходит для построения эмбеддингов и последующего ранжирования или группировки текстов по смыслу. Метаданные указывают задачи feature-extraction и sentence-similarity; формат весов — PyTorch. Название и архитектура предполагают мультиязычную область применения, однако конкретный перечень поддерживаемых языков в предоставленных данных не приведён. Лицензия в предоставленных данных не указана. Качество и языковое покрытие следует проверять на целевых данных; README не приводит численных результатов оценки.

Weyaxi/CollectiveCognition-v1.1-Nebula-7B — объединённая языковая модель на архитектуре Mistral, созданная путём слияния teknium/CollectiveCognition-v1.1-Mistral-7B и PulsarAI/Nebula-7B. Она предназначена для генерации текста и может использоваться для диалогов, ответов на вопросы и других задач с текстовыми инструкциями. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В карточке приведены результаты оценки Open LLM Leaderboard, включая ARC и HellaSwag. Доступна по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

lmstudio-community/gemma-3-27B-it-qat-GGUF — это GGUF-квантизированная версия Gemma 3 27B IT, разработанная Google и представленная в рамках программы LM Studio Community Models. Квантизация выполнена Google с применением Quantization Aware Training для повышения качества работы в 4-битном формате. Модель предназначена для генерации текста и понимания изображений. Она подходит для ответов на вопросы, суммирования, рассуждений и других задач, требующих анализа текста или совместной обработки текста и изображений. Поддерживается мультимодальный ввод изображений, нормализуемых до разрешения 896 × 896 пикселей. Заявленная длина контекста составляет до 128 000 токенов, максимальная длина генерируемого ответа — 8 192 токена. Ключевыми преимуществами являются сочетание крупного размера 27B, поддержки изображений, длинного контекста и оптимизации для 4-битного запуска. Ограничения включают возможные неточности, вредные или неподходящие ответы, а также требования к вычислительным ресурсам, характерные для модели такого размера; сведения о поддерживаемых языках в README не указаны. Для использования применяется лицензия Gemma; доступ к исходной модели на Hugging Face требует принятия условий лицензии Google.

Ghost 8B Beta 1608 — языковая модель Ghost X, разработанная Hieu Lam на основе Meta-Llama-3-8B. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, обученная продолжением предобучения и последующей настройкой, включая этап с обратной связью от людей. Версия в этом репозитории рассчитана на контекст до 8192 токенов. Модель предназначена для многоязычного диалога, генерации текста, ответов на вопросы, следования инструкциям и вызова инструментов через встроенный шаблон чата. README заявляет поддержку 16 языков, включая английский, вьетнамский, корейский, китайский, японский, русский и другие; также упоминаются улучшения рассуждений и математических задач. Репозиторий содержит веса safetensors. README приводит лицензию Ghost Open LLMs LICENSE вместе с Llama 3 LICENSE, а метаданные классифицируют лицензию как other; перед использованием следует проверить условия обеих лицензий. Заявления о превосходстве в сравнительных оценках приведены авторами модели и не являются независимой оценкой. Как языковая модель, она может допускать ошибки и выдавать недостоверные ответы; качество зависит от языка и задачи.

Kazakh Whisper Large-v3 Turbo — модель распознавания речи на казахском языке, созданная автором репозитория shyngys879 путём дообучения Whisper Large-v3 Turbo от OpenAI. Это модель семейства Whisper с архитектурой encoder-decoder; она принимает аудио и выдаёт текстовую расшифровку. Чекпойнт предназначен для использования через Transformers и Hugging Face pipelines без LoRA-адаптера или специального кода загрузки. Модель обучена на смеси публичных казахских речевых наборов: README сообщает о 841 113 обучающих примерах и более чем 1 500 часах речи. Среди сценариев — транскрибация записей, создание субтитров, расшифровка подкастов, интервью и встреч, а также подготовка речевых данных и обработка звонков. В тесте FLEURS для казахского языка указаны WER 11,80% и CER 4,98%; результаты относятся к описанному набору оценивания. Качество может снижаться при сильном фоновом шуме, перекрывающихся голосах, выраженных акцентах и диалектах, смешении казахского с русским, записях с преобладанием музыки и обработке очень длинного аудио без сегментации. README рекомендует подавать аудио с частотой 16 кГц и разбивать длинные записи на фрагменты. Модель распространяется по лицензии Apache-2.0.

MaziyarPanahi/YamshadowInex12_Inex12Experiment26 — объединённая языковая модель семейства Mistral с плотной архитектурой MistralForCausalLM и 7,1 млрд параметров. Веса объединены из automerger/YamshadowInex12-7B и automerger/Inex12Experiment26-7B. Модель предназначена для генерации текста и принимает текстовые запросы, формируя текстовые ответы. Контекст составляет до 32 768 токенов. Репозиторий содержит веса в формате safetensors, а лицензия указана как Apache-2.0.

AIFT-ko-orca-plat-Yi-ko-6b-v1.1은 AIFT가 공개한 한국어 지시문 수행용 모델로, Llama 계열의 밀집형 인과 언어 모델이며 약 5,9 млрд параметров и контекстом 2048 токенов. Модель дообучена с помощью LoRA на примерно 40 тысячах примеров, сформированных на основе открытых наборов и дополнительных данных для задач на корейском и английском языках. Модель предназначена для генерации ответов на вопросы и выполнения инструкций в задачах по истории, естественным наукам, математике, машинному чтению, анализу отзывов, суммаризации, грамматике и переводу между корейским и английским. Лицензия — CC-BY-SA-4.0. Обучающие данные не опубликованы. Контекст ограничен 2048 токенами; README не приводит количественных оценок качества, поэтому надёжность ответов для конкретных задач следует оценивать отдельно.

MaziyarPanahi/Experiment28M7_Experiment26Shadow — объединённая модель генерации текста на архитектуре Mistral с 7,1 млрд параметров. Она создана слиянием моделей automerger/Experiment28M7-7B и automerger/Experiment26Shadow-7B. Модель предназначена для генерации текста по текстовому запросу. Поддерживает контекст длиной до 32 768 токенов и распространяется в формате safetensors. В карточке указана лицензия Apache-2.0.

Gigaberg-Mistral-Large-123B — дообученная языковая модель на архитектуре Mistral, созданная nbeerbower на основе mistralai/Mistral-Large-Instruct-2411. Модель содержит 122,2 млрд параметров и принимает текстовые запросы для генерации ответов и ведения диалога; заявленная длина контекста — 131 072 токена. Модель обучена методом ORPO в течение одной эпохи на наборах jondurbin/gutenberg-dpo-v0.1, nbeerbower/gutenberg2-dpo и nbeerbower/gutenberg-moderne-dpo. Она предназначена для текстовых диалогов и генерации текста с поведением, скорректированным этими данными. Веса опубликованы в формате Safetensors для Transformers. Лицензия указана как other; конкретные условия следует проверять в карточке модели и у базовой модели.

Llama-Express.1-Math — компактная плотная языковая модель семейства Llama, разработанная prithivMLmods на основе Meta Llama 3.2 1B Instruct и дообученная на наборах математических данных с длинными цепочками рассуждений. Она содержит 1,2 млрд параметров, работает с текстом и поддерживает контекст до 131 072 токенов. Модель предназначена для диалогов и следования инструкциям на нескольких языках, а также для математических рассуждений, поиска и суммаризации сведений в контексте. Её можно применять в виртуальных помощниках, автоматизации и сценариях с извлечением информации; заявленное интерфейсом чата взаимодействие поддерживает Transformers. В карточке указан английский язык, а README заявляет многоязычное применение без перечисления поддерживаемых языков. Модель не обрабатывает изображения, аудио и видео. Качество может снижаться на очень длинном контексте, в языках с малым представленным ресурсом и при неясных запросах; ответы также могут отражать предвзятости обучающих данных и не имеют доступа к актуальным интернет-источникам. Лицензия — Llama 3.2.

pinkyponky выпустил SOLAR-10.7B-dpo-instruct-tuned-v0.1 — текстовую генеративную модель для ответов на инструкции и диалоговых запросов. В метаданных указаны архитектура Llama, 10,6 млрд параметров, контекст до 4096 токенов и формат safetensors. Модель предназначена для загрузки через Transformers. Название и карточка указывают на DPO- и instruct-настройку модели, однако README сообщает, что сведения об обучении и данных будут добавлены позже. В примере загрузки указана базовая модель Upstage/SOLAR-10.7B-v1.0. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Tess-2.0-Yi-34B-200K — универсальная большая языковая модель серии Tess, разработанной migtissera. Это плотная авторегрессионная модель семейства Llama с 33,9 млрд параметров, обученная на базовой модели 01-ai/Yi-34B-200K. Она предназначена для генерации текста и диалогов; в карточке приведён формат запросов с ролями SYSTEM, USER и ASSISTANT. Контекст модели составляет до 200 000 токенов. Модель работает с текстом и заявлена как uncensored, поэтому может создавать предвзятый, оскорбительный или неподходящий контент. Ответы могут быть неточными или вводящими в заблуждение, их следует проверять. В репозитории указаны веса safetensors. Лицензия обозначена как other, поэтому условия использования следует сверять с лицензией репозитория.

WizardLM-Mistral-CodeLlama-7b — объединённая модель на базе Mistral-7B-v0.1, созданная с помощью mergekit методом TIES из PrunaAI/WizardLM-WizardMath-7B-V1.0-bnb-4bit-smashed и codellama/CodeLlama-7b-Instruct-hf. Она предназначена для генерации текста, в том числе для ответов на вопросы по математике и помощи с программированием. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors; для работы предусмотрена библиотека Transformers. Лицензия в доступных данных не указана.