IV.5Образование и развитие навыков

Experiment26Yamshadow_Experiment24Ognoexperiment27 — объединённая языковая модель на архитектуре Mistral, созданная из automerger/Experiment26Yamshadow-7B и automerger/Experiment24Ognoexperiment27-7B. Разработчик карточки — MaziyarPanahi. Модель предназначена для генерации текста по текстовым запросам. Она содержит 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и распространяется в формате Safetensors. Карточка не описывает специализированные области применения или поддержку конкретных естественных языков. Модель распространяется по лицензии Apache-2.0. README не приводит результатов оценки качества или дополнительных инструкций по использованию.

DavidAU/Gemma3-27B-it-vl-Polaris-HI16-Heretic-Uncensored-INSTRUCT — мультимодальная инструктивная модель на архитектуре Gemma 3, дообученная автором DavidAU с помощью Unsloth на наборе Polaris Alpha для улучшения общих способностей и генерации текста. Она принимает текст и изображения и предназначена для диалогов, анализа изображений, творческого письма, продолжения сцен и историй, ролевых игр и других инструктивных задач. В карточке заявлены контекст до 128k токенов и сохранённая обработка изображений; модель распространяется в формате Safetensors и имеет теги языков en, fr, de, es, it, pt, ru, zh и ja. Автор описывает модель как uncensored и приводит результаты бенчмарков ARC, BoolQ, HellaSwag, OpenBookQA, PIQA и WinoGrande, но эти заявления представлены без подробностей методики проверки. Модель создана на основе coder3101/gemma-3-27b-it-heretic и дообучена на TeichAI/polaris-alpha-1000x. Условия лицензии в предоставленных сведениях не приведены.

Модель bjoxiah/gemma-4-recipe-ft-model — дообученная в формате FP16 мультимодальная модель семейства Gemma 4 Unified на базе unsloth/gemma-4-12b-it. Разработчик — bjoxiah; обучение выполнено с использованием Unsloth и библиотеки TRL от Hugging Face. Модель предназначена для диалога и обработки изображений с текстовым ответом. Её можно применять для вопросов по изображениям и мультимодального общения. Базовая модель также поддерживает работу с аудио, видео, кодом и инструментами, однако карточка этой версии не подтверждает сохранение всех этих возможностей после дообучения. Репозиторий содержит веса Safetensors в FP16. Лицензия — Apache-2.0. Язык карточки — английский.

GLM-Image — модель генерации изображений от команды zai-org. Она сочетает авторегрессионный генератор на 9 млрд параметров, инициализированный из GLM-4-9B-0414, и диффузионный декодер на 7 млрд параметров на основе одно поточной архитектуры DiT. Модель принимает текстовые описания для генерации изображений, а также изображения для редактирования, переноса стиля, сохранения идентичности объектов и согласованности нескольких персонажей. GLM-Image рассчитана на создание детализированных изображений и особенно хорошо справляется с точным отображением текста и генерацией, требующей предметных знаний и сложного семантического понимания. В карточке указана поддержка китайского и английского языков; для текста, который должен появиться на изображении, рекомендуется использовать кавычки в запросе. Модель распространяется под лицензией MIT. Ограничения: высокая стоимость инференса из-за ограниченных оптимизаций; целевое разрешение должно делиться на 32. Повышенная температура генерации увеличивает разнообразие, но может снижать стабильность результата.

HEQ-M1.2 — дообученная Hothaifa мультимодальная модель на архитектуре Gemma 4, основанная на unsloth/gemma-4-31b-it-unsloth-bnb-4bit. Она предназначена для диалоговых сценариев с изображениями и текстом, включая ответы на вопросы по изображению. Модель обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Модель принимает изображения и текст и генерирует текст; в метаданных также указана поддержка интерфейса вызова инструментов. Язык карточки — английский. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. Данных о размере параметров и длине контекста в предоставленных сведениях нет.

Это версия Llama 3.2 Vision, размещённая Unsloth и основанная на Meta Llama 3.2 11B Vision. Модель использует плотную мультимодальную архитектуру Mllama и предназначена для обработки изображений вместе с текстовыми запросами и генерации текстовых ответов. Репозиторий содержит веса в формате safetensors и пример ноутбука Unsloth для дообучения модели с меньшими затратами памяти. Модель подходит для визуальных вопросов и ответов, описания изображений и других диалоговых сценариев, где нужно связать изображение с текстом. В карточке Unsloth не приведены отдельные параметры длины контекста или точные языковые характеристики именно этой версии. В README Llama 3.2 перечислены английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский как официально поддерживаемые языки. Использование регулируется лицензией Llama 3.2 Community License — специальной лицензией с коммерческими условиями.

xtuner/llava-phi-3-mini-hf — мультимодальная модель семейства LLaVA, разработанная XTuner и дообученная на базе microsoft/Phi-3-mini-4k-instruct с визуальным энкодером CLIP-ViT-Large-patch14-336. Репозиторий содержит веса в формате LLaVA для Hugging Face Transformers; архитектура — плотная генеративная модель с поддержкой чата и обработки изображений. Модель предназначена для диалога по изображениям: она принимает изображение и текстовый запрос и формирует текстовый ответ, например, описывает сцену, отвечает на вопросы о содержимом изображения или помогает разбирать визуальные материалы. В README указано дообучение с использованием ShareGPT4V-PT и InternVL-SFT; метаданные также связывают модель с набором ShareGPT4V. Это компактный вариант на Phi-3-mini, однако доступные сведения не подтверждают размер параметров или контекст итоговой модели. Модель ориентирована на визуальные вопросы и ответы, но качество может различаться между типами изображений и задачами. Лицензия в предоставленных данных не указана.

LWM-Text-256K — авторегрессионная языковая модель с открытыми весами, разработанная LargeWorldModel на основе LLaMA 2. Это плотный трансформер с 6,6 млрд параметров и контекстным окном до 262 144 токенов, предназначенный для генерации текста с учётом длинного контекста. Модель обучена в декабре 2023 года на подмножестве Books3: 37 тысяч документов длиной от 200 до 500 тысяч токенов. Она подходит для продолжения и анализа объёмных текстов, например книг и длинных документов. Карточка не приводит результаты оценки качества или условия лицензии, поэтому пригодность для конкретных задач и права на использование следует проверять отдельно.

Mantis-Idefics2 — мультимодальная модель команды TIGER-Lab, дообученная на наборе Mantis-Instruct на основе HuggingFaceM4/idefics2-8b. Она принимает текст и одно или несколько изображений, включая последовательности с чередованием текста и изображений, и генерирует текстовые ответы. Модель предназначена для диалога об изображениях, особенно для сопоставления нескольких изображений, определения связей между объектами и визуальных рассуждений; также поддерживает задачи по одному изображению. В карточке авторы сообщают о сильных результатах на пяти тестах для сценариев с несколькими изображениями и о конкурентных результатах на тестах для одного изображения. Модель построена на архитектуре Idefics2 и распространяется в формате safetensors по лицензии Apache-2.0. Среди применений — сравнение изображений и понимание временной последовательности визуальных событий. Количественные результаты приведены авторами и сами по себе не гарантируют качество на конкретных пользовательских данных.

OmniTranslate-1.1-i1-GGUF — квантизированная версия модели OmniTranslate-1.1, разработанной MihaiPopa-1 и подготовленной в формате GGUF пользователем mradermacher. Модель предназначена прежде всего для автоматического перевода и генерации текста, включая сценарии с большим числом языков. В README заявлена поддержка языков, представленных кодами ISO 639, среди которых английский, русский, китайский, японский, арабский, испанский, французский, немецкий и многие другие, включая малоресурсные языки. Также указано, что базовая модель обучалась с использованием набора данных MihaiPopa-1/OmniSurgical-1.1. Модель распространяется в нескольких вариантах квантизации GGUF, включая IQ- и Q-семейства, с размером файлов примерно от 0,3 до нескольких гигабайт; конкретный доступный размер зависит от выбранного варианта. Квантизация позволяет снизить требования к памяти, но может уменьшать качество по сравнению с исходной моделью, особенно у наиболее компактных вариантов. Архитектура, число параметров, размер контекста, мультимодальные возможности и результаты бенчмарков в README не указаны, поэтому эти характеристики нельзя достоверно оценить. Лицензия модели — Apache-2.0.

Карточка модели AtomicChat/Qwen3.8-27B-MLX-AD-5.00bpw-DWQ-17.7GB на Hugging Face совпадает с карточкой AtomicChat/Qwen3.8-27B-MLX-AD-3.80bpw-DWQ-13.7GB, поэтому описание составлено по ней. AtomicChat/Qwen3.8-27B-MLX-AD-3.80bpw-DWQ-13.7GB — мультимодальная плотная модель семейства Qwen3.5 на 27 млрд параметров, подготовленная AtomicChat на основе Qwen/Qwen3.8-27B для работы в формате MLX. Она предназначена для диалогов и задач, где нужно анализировать изображения и формировать текстовый ответ. Карточка также указывает поддержку vision и conversational-взаимодействия. Модель принимает текст и изображения, выдаёт текст. Репозиторий использует safetensors, а для базовой модели указана лицензия Apache-2.0. README описывает преобразование в MLX с помощью mlx-lm 0.31.3; сведений о контекстном окне и ограничениях качества карточка не приводит.

pzol/qwen3vl-5772-v11 — дообученная pzol мультимодальная модель семейства Qwen3-VL на базе unsloth/Qwen3-VL-8B-Instruct-bnb-4bit. Она предназначена для диалоговых задач, в которых нужно анализировать изображения и отвечать текстом; в метаданных также отмечен интерфейс вызова инструментов. Модель обучалась с использованием Unsloth и библиотеки TRL. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Карточка не описывает специализацию дообучения, качество на конкретных задачах или ограничения; поддержка английского указана в метаданных.

Qwen-Image — базовая модель генерации изображений из серии Qwen, опубликованная Unsloth как зеркало исходного репозитория Qwen/Qwen-Image; веса не изменены. Она предназначена для создания изображений по текстовым запросам и редактирования изображений: поддерживает генерацию в разных стилях, добавление и удаление объектов, перенос стиля, улучшение деталей, изменение текста на изображении и манипуляции с позой человека. Сильная сторона модели — точное и связное отображение текста внутри изображения, особенно китайского, а также поддержка английского текста. В карточке указаны Diffusers и форматы safetensors; лицензия — Apache-2.0. Размер и длина контекста в предоставленных данных не приводятся.

gpustack/stable-diffusion-v2-1-turbo-GGUF — это быстрая генеративная text-to-image-модель, разработанная Stability AI и представленная в формате GGUF. Она является дистиллированной версией Stable Diffusion 2.1 и предназначена для синтеза изображений по текстовому описанию, включая сценарии генерации в реальном времени, исследование генеративных моделей, создание иллюстраций, дизайн и образовательные или творческие инструменты. Модель также поддерживает image-to-image-сценарии. В основе лежит метод Adversarial Diffusion Distillation (ADD), позволяющий получать изображения высокого качества за 1–4 шага, причём для text-to-image обычно достаточно одного шага. Предпочтительный размер изображения — 512×512, но возможны и более высокие разрешения. В репозитории указаны варианты квантования FP16, Q8_0, Q4_1 и Q4_0; OpenCLIP ViT-H/14 и VAE доступны в FP16. Модель работает с текстом и изображениями, однако язык текстовых запросов и максимальный размер контекста в предоставленных данных не указаны. Сильные стороны модели — высокая скорость генерации, пригодность для приложений реального времени и хорошее качество при малом числе шагов. Ограничения включают более низкое качество и соответствие запросу по сравнению с SDXL-Turbo; модель не предназначена для получения фактически достоверных изображений людей или событий, а также может наследовать ограничения и предвзятость исходной модели. Для использования необходимо соблюдать лицензионные условия и Acceptable Use Policy Stability AI; детали коммерческого лицензирования вынесены в документы Stability AI.

Z-Jafari/xlm-roberta-base-finetuned-nestedRewrite_QA — модель для извлечения ответа на вопрос из предоставленного текста. Она создана дообучением многоязычной XLM-RoBERTa base от Facebook AI и содержит около 305,2 млн параметров. Модель принимает текст с контекстом и вопросом и предсказывает ответ в формате задачи question-answering; максимальная длина контекста составляет 514 токенов. В README приведены результаты оценки: exact match 76,9 и F1 79,7, однако набор данных и условия тестирования не описаны, поэтому эти показатели нельзя напрямую переносить на другие сценарии. Модель опубликована в формате safetensors и распространяется по лицензии MIT. Языки и область применения конкретного дообучения не уточнены.

Cambrian-13B — мультимодальная большая языковая модель с архитектурой CambrianLlamaForCausalLM, разработанная в рамках проекта Cambrian. Модель обучена в июне 2024 года и ориентирована на сценарии с визуальным вводом. Для обучения использовались 2,5 млн примеров Cambrian Alignment Data и 7 млн примеров Cambrian Curated Instruction Tuning Data. Модель содержит 12,9 млрд параметров, принимает текст и изображения и генерирует текст; заявленный контекст составляет 4096 токенов. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценки качества и подробностей о поддерживаемых языках.

Chitrarth — мультиязычная модель обработки изображений и текста от Krutrim AI Labs. Она объединяет языковую модель Krutrim-1 с визуальным энкодером SigLIP и двухслойным MLP и предназначена для общего мультимодального общения: ответов на вопросы об изображениях и выполнения задач визуального понимания. Модель рассчитана на хинди, бенгальский, телугу, тамильский, маратхи, гуджарати, каннада, малаялам, одия, ассамский и английский языки. В карточке приведены результаты оценки на мультимодальных бенчмарках, включая BharatBench для индийских языков. Веса представлены в формате safetensors; лицензия указана как other, поэтому конкретные условия использования следует сверить с лицензионными материалами репозитория. Данных о размере модели и длине контекста в предоставленных источниках нет.

GRPO-Think-7B-16k — плотная авторегрессионная модель семейства Qwen2, разработанная Aletheia-Bench и дообученная методом GRPO на DeepSeek-R1-Distill-Qwen-7B с набором Aletheia-Train. Она проверяет и ранжирует несколько решений задачи по программированию, определяя, какое из них корректно; модель рассчитана на задачи соревновательного программирования и применение в качестве оценщика или функции вознаграждения в обучении генераторов кода. При обучении использовались промежуточные рассуждения и бюджет завершения до 16 тысяч токенов. Метаданные указывают 7,1 млрд параметров и контекст до 131 072 токенов; модель работает с текстом и поддерживает код.

GRPO-Think-7B-16k — языковой верификатор кода, разработанный институтом INSAIT. Он принимает условие задачи по программированию и несколько предложенных решений, оценивает их корректность и ранжирует кандидатов. Модель предназначена для задач соревновательного программирования и проверки кода, а также для использования в качестве функции вознаграждения при оптимизации моделей генерации кода и автоматического оценщика. Модель с архитектурой Qwen2 и 7,1 млрд параметров дообучена методом GRPO от deepseek-ai/DeepSeek-R1-Distill-Qwen-7B на наборе INSAIT-Institute/Aletheia-Train. Во время обучения использовались промежуточные рассуждения и отрицательные примеры, а бюджет генерации составлял 16 тысяч токенов. В карточке Hugging Face указан нативный контекст 131 072 токена; модель распространяется в формате safetensors и работает через Transformers. Лицензия CC-BY-NC-SA-4.0 разрешает использование с указанием авторства, на некоммерческих условиях и с сохранением той же лицензии. Оценки модели относятся к проверке и ранжированию решений для программирования; карточка не подтверждает её пригодность для универсального диалога или непосредственного исполнения кода.

Phi-4-mini-reasoning-GGUF — GGUF-квантизированная версия модели Phi-4-mini-reasoning, разработанной Microsoft. Квантизацию выполнил bartowski на основе llama.cpp, релиз b5228. Модель предназначена для генерации текста и ориентирована на многошаговое, логически сложное решение математических задач, а также на сценарии, связанные с математикой, рассуждениями и кодом. Модель поддерживает контекст длиной до 128 тысяч токенов и работает с текстовыми входными данными; в карточке указан английский язык. Точные архитектурные параметры и размер модели в README не приведены. Большое контекстное окно и специализация на последовательных рассуждениях являются её ключевыми особенностями, однако результаты могут быть неточными, поэтому математические решения и сгенерированный код требуют проверки. Модель распространяется по лицензии MIT. LM Studio не является разработчиком или владельцем модели и не гарантирует её точность, безопасность или соответствие конкретным требованиям.

ReFormer-summarization — небольшая модель генерации текста на архитектуре Reformer, дообученная автором kaizerBox на датасете XSum. Она предназначена для создания кратких сводок по исходному тексту; карточка сообщает значение loss 4,5207 на оценочной выборке, но не приводит дополнительных сведений о качестве или методике оценки. Модель содержит 2,4 млн параметров, использует формат safetensors и рассчитана на контекст до 1024 токенов. Лицензия в доступных данных не указана.

theworld-cc3m-align-full — дообученная модель на основе мультимодальной Google Gemma 3 4B IT, опубликованная пользователем alwinjin8. Она принимает изображения вместе с текстом и предназначена для задач image-text-to-text, например ответов на вопросы по изображениям и их текстового описания. Модель использует плотную архитектуру Gemma3ForConditionalGeneration и сохранена в формате safetensors. Карточка не раскрывает обучающий датасет, оценку качества и конкретные ограничения модели. Лицензия указана как gemma; перед использованием следует учитывать условия лицензии Gemma.

Chinese-LLaVA-Baichuan — двуязычный визуально-языковой ассистент на архитектуре LLaVA, разработанный проектом Chinese-LLaVA. Модель предназначена для мультимодальных диалогов на китайском и английском языках: она принимает изображения вместе с текстовыми запросами и генерирует текстовые ответы. В карточке проекта указана версия на базе Baichuan-7B; метаданные репозитория описывают плотную архитектуру и 6,7 млрд параметров, а также контекст длиной 2048 токенов. Модель подходит для ответов на вопросы по изображениям и других сценариев визуального диалога на китайском и английском. В репозитории указаны веса PyTorch и лицензия OpenRAIL в метаданных; README проекта заявляет Apache-2.0 для проекта, поэтому условия использования самих весов следует сверять с лицензией репозитория. В карточке отмечен обучающий набор Chinese-LLaVA-Vision-Instructions.

Карточка модели droplychee/droplychee1212 на Hugging Face совпадает с карточкой droplychee/droplychee-2.1-27b, поэтому описание составлено по ней. droplychee-2.1-27b — дообученная разработчиком droplychee мультимодальная плотная модель семейства Qwen3.5 на базе Qwen/Qwen3.8-27B. Она предназначена для диалога с текстом и изображениями и может использоваться в сценариях, где нужно учитывать визуальный контекст при ответе. В метаданных указаны поддержка vision и интерфейс вызова инструментов; размер базовой модели — 27 млрд параметров. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Карточка сообщает, что обучение выполнялось с Unsloth и библиотекой Hugging Face TRL. Данные не описывают конкретные наборы для дообучения, оценку качества или длину контекста, поэтому эти характеристики нельзя установить по доступной информации.

unsloth/ERNIE-Image-Turbo-GGUF — GGUF-квантизированная версия модели ERNIE-Image-Turbo, разработанной командой ERNIE-Image компании Baidu и подготовленной Unsloth. Это модель генерации изображений по текстовому описанию, основанная на семействе одно-поточных Diffusion Transformer (DiT) и оптимизированная для быстрого вывода всего за 8 шагов диффузии. Модель предназначена для создания изображений по сложным инструкциям, включая реалистичные фотографии, дизайн-ориентированные изображения и стилизованные сцены. Она особенно хорошо подходит для постеров, инфографики, комиксов, раскадровок, много-панельных композиций и других задач, где важны корректное размещение объектов, структура изображения и читаемый текст. Заявлены сильные возможности следования многоэлементным инструкциям, рендеринга плотного и длинного текста, а также генерации изображений с заданной композицией. Ключевая особенность этой версии — квантизация в формате GGUF с использованием методологии Unsloth Dynamic 2.0: важные слои переведены в более высокую точность для сохранения качества. По данным README, компактный размер позволяет запускать модель на потребительских GPU с 24 ГБ видеопамяти. Точные параметры модели, поддерживаемые языки и размер контекстного окна не указаны. Поскольку это квантизированная версия, характеристики качества и совместимость могут зависеть от используемого рантайма; в README упоминаются инструменты ComfyUI-GGUF. Модель распространяется по лицензии Apache-2.0.

alephpi/FormulaNet — модель распознавания математических формул на изображениях, опубликованная alephpi и дообученная на базе PaddlePaddle/PP-FormulaNet-S. Она использует архитектуру vision-encoder-decoder и преобразует изображение формулы в текстовое представление, предназначенное для LaTeX OCR. В репозитории указаны 20 млн параметров, наборы данных UniMER-Train, UniMER-Test и UniMER_Dataset; доступны веса Safetensors и ONNX. Модель помечена как англоязычная, имеет лицензию AGPL-3.0. Карточка содержит мало сведений о качестве и граничных условиях распознавания, поэтому надёжность на разных типах формул и изображений не следует предполагать без проверки.

HoVLE-HD — монолитная визуально-языковая модель, представленная OpenGVLab, с 2,6 млрд параметров. Она построена на базе internlm2-chat-1_8b и объединяет модуль целостных эмбеддингов с языковой моделью: модуль кодирует изображения и текст в общем пространстве представлений, после чего языковая модель обрабатывает их совместно. Репозиторий использует архитектуру InternVLChat и формат safetensors; для запуска предусмотрена библиотека Transformers. Модель принимает изображения и текст и генерирует текстовые ответы. Версия HD рассчитана на работу с изображениями высокого разрешения и показывает сильные результаты, в частности, в визуальных вопросно-ответных задачах. Её можно применять для ответов на вопросы об изображениях и других сценариев диалога с визуальным контекстом. README описывает обучение в два этапа: дистилляция визуальных и текстовых представлений, затем авторегрессионное выравнивание модальностей. В карточке указана поддержка многоязычного режима, но конкретные языки и длина контекста не приведены. Модель может генерировать предвзятые, дискриминационные или иные вредоносные ответы. Лицензия — MIT.

Intern-Decision-0.8B — мультимодальная модель для структурированных решений, разработанная InternLM и дообученная на Qwen/Qwen3.5-0.8B. Она принимает общее состояние, схему вопросов с вариантами ответа и, при необходимости, изображения, а за один проход вычисляет распределение вероятностей по допустимым вариантам каждого вопроса. Результаты возвращаются как типизированные ответы в формате JSON. Модель предназначена для пакетного выбора между вариантами, выставления оценок и бинарных решений «нет/да». Она обрабатывает от 1 до 16 вопросов, до 62 вариантов на вопрос и до восьми изображений; лимит входа по умолчанию составляет 8192 токена. Для работы требуется сохранять порядок вопросов и вариантов, использовать заданный шаблон чата и запускать модель через Hugging Face Transformers. Для чекпойнта отдельно откалиброваны вероятности решений; калибровка меняет уверенность и ожидаемые оценки, сохраняя выбранный вариант. В README приведены результаты на нескольких бенчмарках, но они не позволяют заключить, что модель подходит для всех сценариев принятия решений. Модель распространяется по лицензии Apache-2.0.

Intern-Decision-2B — мультимодальная модель структурированного принятия решений, созданная дообучением Qwen/Qwen3.5-2B. Она принимает общее описание состояния, схему с именованными вопросами и вариантами ответов, а также необязательные изображения; за один проход модели выдаёт для каждого поля распределение вероятностей и типизированный ответ в JSON. Архитектура — плотная Qwen3.5ForConditionalGeneration с 2 млрд параметров; для работы используется Transformers и формат весов safetensors. Модель предназначена для пакетного выбора среди заданных вариантов, оценки по категориям и бинарных решений. В README описан masked-next-token метод: модель оценивает допустимые символы вариантов, а затем применяет к вероятностям отдельную калибровку. Можно передать от 1 до 16 вопросов, до 62 вариантов на вопрос и до 8 изображений; максимальная длина входа по умолчанию — 8192 токена, при превышении запрос отклоняется без усечения. Лицензия — Apache-2.0.

MedIT SUN HDIC 1B Instruct — диалоговая модель MedIT Solutions на архитектуре Llama 3.2. По карточке, разработчики применили собственную технику MedIT-mesh: масштабировали модель до 2,47 млрд параметров, затем уменьшили до 1 млрд и внедрили знания из Llama 3.1 8B Instruct. Метаданные указывают на слияние моделей и общую точность около 1,2 млрд параметров; доступны веса в формате Safetensors для Transformers. Модель предназначена для открытых диалогов и выполнения инструкций: она может помогать с повседневными вопросами, написанием и суммаризацией текста. Поддерживает контекст до 131 072 токенов; в карточке и языковых тегах указан английский. Для работы с данными из карточки применялись открытые наборы для инструкционного обучения, диалогов и предпочтений. Разработчики предупреждают, что модель ещё обучается и может давать непоследовательные или неточные ответы. Её не следует использовать как достоверный источник знаний, особенно там, где нужна высокая точность. Указана лицензия Llama 3.2.