IV.5Образование и развитие навыков

Chat-UniVi — мультимодальная модель для понимания изображений и видео, описанная авторами в работе «Unified Visual Representation Empowers Large Language Models with Image and Video Understanding». Она использует архитектуру ChatUniViLlamaForCausalLM с 6,6 млрд параметров и принимает текст вместе с визуальными данными. Для представления изображений и видео модель применяет динамические визуальные токены, которые передают пространственные детали изображений и временные связи в видео. Модель обучена совместно на смешанном наборе изображений и видео, поэтому подходит для задач с обоими типами входных данных. Chat-UniVi предназначена для вопросов и ответов и других текстовых задач на основе визуального содержания. Контекст составляет 4096 токенов; формат весов — PyTorch. Лицензия указана как llama2. Карточка сообщает о высокой результативности в экспериментах, но не приводит численных оценок, поддерживаемых языков или подробностей ограничений.

Chinese LLaMA Plus 13B — китайская языковая модель семейства LLaMA, опубликованная shibing624. Она предназначена для генерации текста и может использоваться для вопросов и ответов, написания текстов, перевода и дальнейшего дообучения на инструкциях. В README указано, что для версии Plus расширили обучающие данные, усилив научную тематику, а вариант Alpaca Plus обучали на большем rank; отмечено улучшение многошаговых ответов и результатов оценки Alpaca. Модель содержит 12,9 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает контекст до 2048 токенов. Базой служит decapoda-research/llama-13b-hf с объединёнными весами LoRA ziqingyang/chinese-llama-plus-lora-13b; опубликованы веса PyTorch в формате Hugging Face. Основной язык — китайский. Лицензия указана как other, поэтому условия использования следует сверить с лицензиями базовой модели и LoRA.

Карточка модели Nour-Fayed/daVinci-MagiHuman на Hugging Face совпадает с карточкой GAIR/daVinci-MagiHuman, поэтому описание составлено по ней. daVinci-MagiHuman — генеративная модель SII-GAIR и Sand.ai для создания коротких видео с синхронным звуком, включая ролики с выразительной человеческой мимикой, речью и движениями. Она использует 15-миллиардный 40-слойный Transformer с единой последовательностью токенов текста, видео и аудио; модель совместно обрабатывает текстовый запрос, референсное изображение и зашумлённые аудио- и видеоданные. Архитектура включает специализированные проекции в первых и последних слоях и общие параметры в промежуточных слоях. Модель предназначена для генерации видео по изображению и тексту, с упором на человеческую речь, движения и синхронизацию аудио с видео. В README указаны поддержка английского, китайского (мандаринского и кантонского), японского, корейского, немецкого и французского языков, а также скорость генерации пятиминутного по длительности? Нет: пятисекундного ролика от 2 секунд в 256p до 38 секунд в 1080p на одном H100. Для ускорения используется дистилляция DMD-2 до 8 шагов, отдельный этап повышения разрешения и ускоренный декодер. Модель распространяется под лицензией Apache-2.0. Результаты качества и скорости приведены в README и зависят от описанных авторами условий оценки и оборудования. Для запуска требуются веса полного стека и подходящая среда инференса; указанная скорость предполагает H100 и не переносится автоматически на другое оборудование.

Модель badokorach/distilbert-base-cased-distilled-agric-060124_1 — дообученная версия DistilBERT для ответа на вопросы по переданному текстовому контексту. Она основана на distilbert-base-cased-distilled-squad и предназначена для извлечения ответа из контекста в формате задачи question-answering. Модель опубликована в формате TensorFlow и рассчитана на контекст до 512 токенов. В карточке указаны значения train loss 0,5748 и validation loss 0,0 после 14 эпох, однако набор данных и методика оценки не описаны, поэтому эти результаты не позволяют надёжно судить о качестве. Модель распространяется по лицензии Apache-2.0; описание не содержит дополнительных сведений о предметной специализации или ограничениях применения.

badokorach выпустил дообученную модель DistilBERT для поиска ответа на вопрос в предоставленном тексте. Она основана на distilbert/distilbert-base-cased-distilled-squad и предназначена для сценариев вопросно-ответного поиска, например извлечения ответа из фрагмента документа. Модель использует плотную архитектуру DistilBERT, принимает текст и рассчитана на контекст до 512 токенов. В карточке указаны результаты обучения на неизвестном наборе данных: train loss 0,8057, validation loss 0,0 за 14 эпох. Данные о качестве на конкретных задачах и целевых языках не приведены. Модель распространяется в формате TensorFlow по лицензии Apache-2.0.

Finance-Llama-8B — дообученная Tarun7r языковая модель семейства Llama на базе unsloth/Meta-Llama-3.1-8B. Она предназначена для финансовых задач и диалогов: отвечает на вопросы, помогает рассуждать о финансах, распознаёт сущности и тональность, классифицирует темы и обрабатывает многошаговые беседы. Модель использует плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и принимает текст для генерации текста. Указанная длина контекста — до 131 072 токенов. Обучение проводилось на наборе Finance-Instruct-500k, объединяющем более 500 тысяч инструкций и примеров из финансовых источников. В карточке заявлена многоязычная обработка, однако конкретный основной язык модели не установлен; метаданные карточки указывают английский. Модель может быть полезна для прототипирования финансовых помощников, анализа финансового текста и подготовки к CFA Level 1. Результаты экзамена в карточке описаны как приблизительные и не подтверждают точность в реальных финансовых сценариях. Модель выпущена по лицензии Apache-2.0; её создатели не гарантируют точность и надёжность ответов и отказываются от ответственности за финансовые последствия использования.

Карточка модели Jinstudio/GLM-Image на Hugging Face совпадает с карточкой zai-org/GLM-Image, поэтому описание составлено по ней. 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.

mlx-community/InternVL3-2B-4bit — преобразованная в формат MLX 4-битная версия модели InternVL3-2B. Модель разработана OpenGVLab; этот репозиторий подготовлен сообществом mlx-community с помощью mlx-vlm 0.1.22. Архитектура InternVLChatModel сочетает визуальную часть InternViT и языковую модель Qwen2.5; метаданные указывают связь с OpenGVLab/InternViT-300M-448px-V2_5 и Qwen/Qwen2.5-0.5B. Модель принимает изображения и текст, поддерживает диалоговые сценарии и выдаёт текстовые ответы. Её можно применять для вопросов по изображениям и визуального анализа с текстовым ответом; авторская задача в метаданных — image-text-to-text. Это компактный вариант для устройств Apple с MLX и 4-битным представлением весов. В README нет условий лицензии; метаданные обозначают лицензию как other, поэтому конкретные права использования следует сверить с карточкой оригинальной модели. В карточке сообщества также нет сведений о размере контекста и явного перечня поддерживаемых языков; указана многоязычность.

Llama3-merge-biomed-8b — экспериментальное объединение моделей, созданное автором репозитория методом DARE-TIES с помощью mergekit. В основу объединения вошли meta-llama/Meta-Llama-3-8B-Instruct, NousResearch/Hermes-2-Pro-Llama-3-8B и aaditya/Llama3-OpenBioLLM-8B; карточка указывает 7,5 млрд параметров, архитектуру Llama и контекст 8192 токена. Модель предназначена для генерации текста и диалоговых ответов, сочетая общие языковые навыки с биомедицинскими знаниями. Автор приводит результаты бенчмарков, включая задачи по биологии и медицине, ARC Challenge, Winogrande и Hellaswag, и рекомендует использовать шаблон запросов Llama 3. Языки в данных модели не перечислены явно. Модель распространяется в формате Safetensors по лицензии Llama 3. Результаты бенчмарков не гарантируют точность медицинских ответов; перед применением в клинических или иных ответственных сценариях выводы следует проверять.

LLaVA-Saiga-8b — русскоязычная визуально-языковая модель DeepVK на базе IlyaGusev/saiga_llama3_8b, обученная по исходному конвейеру LLaVA. Она принимает изображение и текстовый запрос и генерирует текстовый ответ, поддерживая диалоговый формат. Модель ориентирована прежде всего на русский язык, но также работает с английским. Модель обучалась в два этапа: адаптер предварительно обучали на данных ShareGPT4V, затем LLM и адаптер дообучали на русскоязычных инструкциях для визуальных задач, переводной части GQA и инструкционных данных ShareGPT4V. В README приведены результаты на GQA и MMBench на русском и английском языках. Модель распространяется в формате safetensors и использует библиотеку Transformers. Подходит для ответов на вопросы об изображениях и диалога с визуальным контекстом. Лицензия — Apache-2.0. README не приводит число параметров или длину контекста.

v-25/mt5-kaz-summarization — модель на базе google/mt5-small, дообученная для монолингвальной суммаризации казахских текстов: на вход подаётся текст на казахском языке, на выходе — его сокращённое изложение на казахском. В README указано 257 470 статей из Wikipedia, Tengrinews.kz и Turkestan.kz; в метаданных архитектура обозначена как mT5, формат весов — safetensors, размер — 157,4 млн параметров. README сообщает результаты ROUGE-1 0,778, ROUGE-2 0,670 и ROUGE-L 0,778 на тестовом наборе из 2 000 пар. Модель предназначена для краткого изложения казахских статей и новостных материалов. Заявленные метрики зависят от тестового набора и не гарантируют такое же качество на других текстах. Лицензия — MIT.

nexus-science-GGUF — это GGUF-квантизированная версия модели NEXUS-Science, разработанной в экосистеме FableForge; репозиторий модели размещён пользователем King3Djbl. Модель предназначена для научного рассуждения, работы с исследовательскими задачами и ответов на вопросы по различным научным дисциплинам. Она также поддерживает общие диалоги, рассуждение и использование инструментов, а заявленная настройка без отказов ориентирована на более свободную генерацию ответов. Модель имеет размер 1,5 млрд параметров, поддерживает текстовую генерацию на английском языке и использует формат ChatML. Доступны варианты от F16 до низкобитных квантов GGUF, включая Q8_0, Q6_K, Q5_K_M, Q4_K_M и IQ4_XS; размер файлов составляет примерно от 0,51 до 3,09 ГБ. В заявленном тестировании модель получила 140 из 150 баллов (93%), включая высокие результаты в научных знаниях и рассуждении, однако эти оценки основаны на внутренней проверке разработчика и не заменяют независимое тестирование. Длина контекста и точная архитектура в README не указаны. Модель удобна для локального запуска через llama.cpp, Ollama и LM Studio и предлагает компромисс между компактностью и качеством благодаря множеству вариантов квантования. Ограничениями являются небольшой размер по современным меркам, отсутствие заявленной мультимодальности и неизвестная длина контекста; качество также зависит от выбранного кванта. Лицензия — Apache-2.0.

Это BF16-версия в формате GGUF модели nvidia/Nemotron-3-Nano-Omni-30B-A3B-Reasoning-BF16, опубликованная пользователем DevQuasar. По метаданным, она предназначена для диалоговой работы с текстом и изображениями и поддерживает анализ визуального содержимого. Модель подходит для вопросов по изображениям и текстового диалога с визуальным контекстом. Карточка сообщает о конвертированном формате GGUF, но не приводит дополнительных сведений о точном размере, длине контекста, поддержке аудио и видео или условиях лицензии.

OpenCaption-4B-VL-SFT-v1.0-i1-GGUF — это мультимодальная vision-language модель примерно на 4 млрд параметров, разработанная на базе prithivMLmods/OpenCaption-4B-VL-SFT-v1.0 и представленная в GGUF-квантизованном формате пользователем mradermacher. Модель дообучена методом supervised fine-tuning и предназначена для обработки изображений и генерации текста на их основе. Основные сценарии применения — создание подписей к изображениям, включая детализированное и мелкозернистое описание визуального содержимого, а также visual question answering, то есть ответы на вопросы об изображениях. В обучении использовались наборы OpenCaption-FineGrained, SuperFlickr-30K-LARGE-Remastered, OpenCaption-UHD и OpenCaption-Unified-10K. В карточке указана поддержка английского языка. Модель относится к классу conditional-generation и vision-language систем; сведения о максимальном контексте, точной архитектуре, поддержке дополнительных языков и характеристиках визуального энкодера не приведены. GGUF-представление доступно в нескольких вариантах квантизации с различным размером, скоростью и качеством. Более компактные варианты требуют меньше ресурсов, но могут заметно терять в качестве; в README рекомендованы некоторые варианты среднего размера, включая i1-Q4_K_M, как компромисс между скоростью и качеством. Для работы с изображениями могут потребоваться отдельные файлы mmproj из статического репозитория. Лицензия модели указана как Apache-2.0.

Мультимодальная модель Qwen2-VL-7B-Instruct-4bit, опубликованная thanhkyanh как дообучение unsloth/qwen2-vl-7b-instruct-unsloth-bnb-4bit. Она предназначена для диалога по изображениям: принимает текстовые запросы и изображения, а в ответ формирует текст. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2-VL и поддерживает контекст до 32 768 токенов. Карточка сообщает, что обучение проводилось с библиотеками Unsloth и Hugging Face TRL; лицензия — Apache-2.0. Метаданные указывают английский язык. Данных о качестве на конкретных наборах изображений или о дополнительных возможностях, помимо чата и работы с изображениями, карточка не приводит.

Карточка модели nuresens/ALL_PAD_MERGE_v3 на Hugging Face совпадает с карточкой nuresens/ALL_PAD_MERGE_v2, поэтому описание составлено по ней. nuresens/ALL_PAD_MERGE_v2 — дообученная мультимодальная модель семейства Mistral3 на базе aitf-komdigi/KomdigiITS-3B-PAD-CPT. Разработчик — nuresens; для обучения использовались Unsloth и библиотека TRL от Hugging Face. Модель принимает изображения и текст и предназначена для диалоговых сценариев с визуальным содержимым, включая ответы на вопросы по изображениям. В карточке также заявлен интерфейс для вызова инструментов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Количество параметров и длина контекста в предоставленных источниках не указаны.

senaro/atlas-v19-gemma4-12b — дообученная модель senaro на архитектуре Gemma 4 Unified с плотной структурой. Она предназначена для диалоговой работы с текстом и изображениями: принимает текстовые запросы и изображения, а отвечает текстом. Модель можно применять для описания изображений и ответов на вопросы по их содержимому. Модель дообучена на senaro/atlas-trmonly-gemma4-12b; в карточке указано, что обучение выполнялось с Unsloth и библиотекой TRL. Весовые файлы представлены в формате safetensors. Лицензия — Apache-2.0. Карточка и метаданные не сообщают размер модели, длину контекста, обучающие данные или результаты оценки качества.

Audio-Omni — мультимодальная система для понимания, генерации и редактирования аудио, представленная как работа для SIGGRAPH 2026. Она объединяет замороженную мультимодальную языковую модель Qwen2.5-Omni для высокоуровневого анализа с обучаемым Diffusion Transformer для синтеза звука. В репозитории указаны веса PyTorch размером около 21 ГБ и отдельный чекпойнт Synchformer для видеоконтекста. Система предназначена для описания аудио и видео и ответов на вопросы о них, генерации звуков, музыки и речи по тексту или видео, преобразования голоса, а также редактирования аудио: добавления, удаления и извлечения звуков и переноса стиля. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Chinese Alpaca Plus 13B — китайская диалоговая модель, созданная на основе LLaMA и выпущенная разработчиками проекта Chinese Alpaca Plus. Это плотная архитектура LLaMA с 12,9 млрд параметров и контекстом до 2048 токенов. Модель получена слиянием базовой модели decapoda-research/llama-13b-hf и двух LoRA-адаптеров: chinese-llama-plus-lora-13b и chinese-alpaca-plus-lora-13b; веса представлены в формате PyTorch для Hugging Face Transformers. Модель предназначена для генерации ответов в диалоге, знаний и ответов на вопросы, письма и перевода, в первую очередь на китайском языке. В обучающих данных расширены научные темы, включая физику, химию, биологию, медицину и науки о Земле; README также отмечает улучшение многоходовых ответов. По метаданным поддерживается генерация текста, а карточка приводит лицензию как other без уточнения дополнительных условий.

DALL·E mini — модель генерации изображений по текстовому описанию, созданная как упрощённая открытая попытка воспроизвести OpenAI DALL·E. Она объединяет энкодер на основе BART, преобразующий токены текста в последовательность кодов изображения, и декодер на основе VQGAN, который превращает эти коды в пиксели. Модель содержит 252,8 млн параметров, построена на Flax/JAX и распространяется в формате Flax; для работы декодера требуется отдельная модель flax-community/vqgan_f16_16384. Модель предназначена для создания изображений по текстовым запросам. По сравнению с OpenAI DALL·E качество результатов ниже, зато модель проще и может обучаться и запускаться на менее мощном оборудовании. В карточке описаны англоязычные запросы и контекст до 1024 токенов. Лицензия в предоставленных данных не указана.

Emu3-Chat-hf — мультимодальная авторегрессионная модель команды Emu3 из BAAI. Она построена на трансформере и обучена с нуля предсказывать следующий токен в последовательностях, где изображения и текст представлены в дискретном пространстве. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache 2.0. Модель принимает текстовые запросы и изображения и отвечает связным текстом, поэтому подходит для диалога с визуальным контекстом и вопросов об изображениях. Семейство Emu3 также поддерживает генерацию изображений по тексту и продолжение видео, однако карточка именно этой версии и метаданные не подтверждают эти сценарии для Emu3-Chat-hf. В карточке заявлена поддержка английского языка; размер модели и длина контекста не приведены в доступных данных. Разработчики заявляют о сильных возможностях понимания изображений без использования CLIP или предварительно обученной языковой модели. Для запуска README указывает Transformers версии 4.48.0 или выше и приводит пример генерации на GPU с float16; это требует подходящего аппаратного обеспечения. Заявленные сравнительные результаты приведены без подробностей о методике оценки.

DavidAU Gemma-3-4B-VL-it-GLM-4.7-Flash-Heretic-Uncensored-Thinking — мультимодальная модель на архитектуре Gemma 3 с 4 млрд параметров, дообученная автором на наборе TeichAI/glm-4.7-2000x с использованием Unsloth. Она принимает текст и изображения и предназначена для диалогов, генерации текста с рассуждениями, творческого письма и анализа изображений. Заявленная длина контекста — 128 тыс. токенов; для запуска указана библиотека Transformers, веса доступны в формате safetensors. В карточке описана активация рассуждений фразой «think deeply:» и отмечено, что шаблон чата и системные инструкции могут влиять на их включение. Автор позиционирует модель как вариант со сниженным числом отказов и приводит собственные результаты бенчмарков и теста на отказы. Модель рассчитана на англоязычные сценарии; метаданные указывают английский язык. Лицензия — Apache-2.0. По описанию автора, откровенный контент может потребовать дополнительных явных инструкций, а рассуждения включаются не во всех случаях без подсказки или специального шаблона.

Huihui-Step3-VL-10B-abliterated — мультимодальная чат-модель Huihui AI на архитектуре StepVLForConditionalGeneration, основанная на StepFun Step3-VL-10B с 10 млрд параметров. Модель принимает изображения и текст и предназначена для ответов на вопросы об изображениях, их описания и визуального анализа; также поддерживает генерацию текста в формате диалога. При abliteration изменена только текстовая часть модели, а обработка изображений оставлена без изменений. По заявлению автора, модель реже отказывается описывать или анализировать изображения, поскольку её защитные механизмы существенно ослаблены. Это может приводить к чувствительным, спорным или неподходящим ответам, поэтому результаты требуют проверки. Модель распространяется под лицензией Apache-2.0.

HunyuanImage-2.1 — модель генерации изображений по тексту, разработанная Tencent. Она предназначена для создания детализированных изображений высокого разрешения, включая 2K, по запросам на английском и китайском языках. Модель использует диффузионный трансформер с одно- и двухпоточной архитектурой и 17 млрд параметров, два текстовых энкодера, VAE со сжатием 32× и этап доработки изображений. Модуль PromptEnhancer может автоматически расширять запросы, а обучение с обратной связью от людей и дистилляция MeanFlow направлены на повышение качества и эффективности генерации. Модель рассчитана на разные композиции и соотношения сторон, точную передачу деталей сцен и генерацию текста внутри изображений. В README указана поддержка английских и китайских запросов. Рекомендуется использовать полный конвейер с улучшением запроса и доработкой изображения; генерация в разрешении 1K может приводить к артефактам. Репозиторий использует лицензию с меткой other, конкретные условия которой следует проверять в лицензии проекта.

HunyuanImage-3.0 — мультимодальная модель генерации изображений от Tencent. Она использует авторегрессионную архитектуру Mixture of Experts (MoE) и предназначена прежде всего для создания изображений по текстовым запросам; семейство также поддерживает генерацию изображений на основе входного изображения. В карточке указаны 3,1 млрд параметров, контекст 22 800 токенов и формат весов safetensors, тогда как README заявляет для полной модели 80 млрд параметров, из которых активируются 13 млрд на токен. Эти сведения о размере расходятся между источниками. Модель рассчитана на следование текстовым запросам и создание детализированных, в том числе фотореалистичных изображений. README описывает её как объединяющую понимание и генерацию изображений, но базовая версия сама не переписывает и не улучшает запросы автоматически. Для инференса README указывает Python 3.12+ и CUDA 12.8. Лицензия в метаданных обозначена как other; конкретные условия следует проверять в лицензионных материалах репозитория.

Hydra-Turbo — мультимодальная разговорная модель Umranz, полученная изменением весов Datalab `datalab-to/lift` с помощью Heretic. По README, ортогональное подавление векторов отказа уменьшает частоту отказов; заявленные автором показатели — снижение с 98% до 11% при KL-дивергенции 0,0275. Эти результаты не подтверждены независимыми данными. Метаданные относят модель к семейству Qwen3.5 и архитектуре Qwen3_5ForConditionalGeneration, а README описывает её как основанную на Qwen2VL. Модель принимает текст и изображения и генерирует ответы в диалоге; её можно использовать для анализа изображений и свободных ответов на запросы. README указывает совместимость с Transformers и vLLM при поддержке Qwen2VL. Базовая модель `datalab-to/lift` предназначена для извлечения структурированных данных из PDF и изображений в JSON по заданной схеме, однако карточка Hydra-Turbo не подтверждает отдельно сохранение этой специализации. Модель опубликована в формате Safetensors под лицензией Apache-2.0. В README отмечены сниженные защитные ограничения и риск уверенных ошибок; модель может выдавать оскорбительный, опасный или иной нежелательный контент, поэтому результаты требуют проверки и ответственного применения.

kukulemon-v3-soul_mix-32k-7B — слитая языковая модель автора grimjim, созданная методом task arithmetic с помощью mergekit на основе grimjim/kukulemon-32K-7B с добавлением grimjim/rogue-enchantress-32k-7B с очень малым весом. Модель имеет плотную архитектуру MistralForCausalLM и около 7,1 млрд параметров; доступна в формате safetensors, а в README также заявлены квантизованные версии GGUF. Модель предназначена для генерации текста и поддерживает контекст до 32 768 токенов. Карточка не описывает отдельную специализацию, целевые сценарии, языки или подтверждённые возможности помимо генерации текста. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Mantis-VL/llava_siglip_llama3_8b_pretrain_obelics_min_4096 — мультимодальная модель семейства LLaVA для диалога по изображениям. В метаданных указана архитектура LlavaForConditionalGeneration и форматы весов Safetensors. Карточка называет модель дообученной, но не сообщает базовую модель, датасет или подробности обучения. Модель предназначена для сценариев, где нужно задавать вопросы об изображении и получать текстовый ответ. Метаданные подтверждают поддержку зрения и диалога; сведений о языках, размере контекста и лицензии нет. README не содержит описания качества и ограничений, поэтому их нельзя оценить по доступным данным.

MBart-finetuned-ur-xlsum — модель для абстрактивного суммирования текста, созданная дообучением facebook/mbart-large-50 на наборе данных XL-Sum. Она основана на архитектуре mBART и содержит 457,4 млн параметров; длина контекста составляет 1024 токена. В метаданных указан язык урду. Модель предназначена для создания краткого связного пересказа текста на урду. На оценочной выборке автор приводит ROUGE-1 40,6, ROUGE-2 18,9, ROUGE-L 34,39 и BERTScore 77,06. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

Ramikan-BR/Mis3-7b-v1 — дообученная текстовая генеративная модель на архитектуре Mistral, разработанная Ramikan-BR на основе unsloth/mistral-7b-v0.3-bnb-4bit с использованием Unsloth и Hugging Face TRL. В карточке приведён пример ответа на запрос о создании игры «Змейка» на Python; пример содержит ошибки в коде, поэтому качество и надёжность генерации кода по нему подтвердить нельзя. Модель имеет 7,1 млрд параметров и контекстное окно до 32 768 токенов. Метаданные указывают английский язык. Репозиторий содержит веса в форматах PyTorch и safetensors, а лицензия — Apache-2.0.