IV.9Медиа, журналистика, культура, архивы и игры

Godners/dao-zang-sft-qwen2.5-0.5b — производная диалоговая языковая модель, разработанная на основе Qwen/Qwen2.5-0.5B-Instruct. Авторы дообучили её методом LoRA SFT на 100 тысячах синтетических пар вопросов и ответов по «Дао цзан» и «Чжэн тун Дао цзан», затем объединили адаптер с базовой моделью. Это плотная архитектура Qwen2 с примерно 494 млн параметров и контекстом до 32 768 токенов. Модель предназначена для ответов на вопросы о терминах и понятиях даосских канонов, контексте произведений и понимании цитат. Она принимает текст и генерирует текст на китайском языке; доступна в форматах safetensors и GGUF для запуска через Transformers, Ollama или llama.cpp. Её также можно использовать как отправную точку для донастройки диалоговой модели в RAG-системе. Область применения узкая: вне тематики даосских текстов качество обычного диалога уступает базовой модели. Синтетические данные могут содержать неточные толкования, а компактный размер ограничивает сложные рассуждения и обобщение; возможны галлюцинации, поэтому важные утверждения следует сверять с первоисточником. Лицензия модели — MIT; README рекомендует использовать её для академического и культурологического изучения и соблюдать условия лицензий базовой модели и датасета.

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.

Doujinshi-14b-roleplay — японская ролевая языковая модель, разработанная puwaer на основе Qwen/Qwen3-14B. Модель обучали продолженным предобучением, SFT и DPO на японских материалах для взрослых, а затем настроили на ролевые диалоги с сохранением первого лица и манеры персонажа. Модель предназначена для генерации текста и диалогов в ролевых сценариях, включая романтические и сюжетные беседы с погружением в образ. Она использует плотную архитектуру Qwen3 с 14 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. Основной язык — японский. Модель рассчитана на контент для взрослых и не подходит для всех аудиторий. Разработчик снимает с себя ответственность за результаты использования. Лицензия — Apache 2.0.

Eça — небольшая авторегрессионная GPT-модель, созданная jgalego и обученная с нуля на собранных произведениях португальского писателя Эсы де Кейроша из набора данных jgalego/eca-queiros. Она предназначена для продолжения текста и имитации литературного стиля автора, а не для ответов на вопросы или рассуждений. Модель представляет собой декодерный трансформер с 5,3 млн параметров, 6 слоями, шириной 256, 4 головами внимания и контекстом в 256 токенов. Используется байтовый BPE-токенизатор с размером словаря 2048, обученный на том же корпусе. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Модель обучалась примерно на 10 млн символов прозы Эсы де Кейроша и лучше подходит для стилистических экспериментов и генерации продолжений в духе этих произведений. Её словоупотребление и орфография соответствуют португальскому языку XIX века, а знания о мире и способность к рассуждению практически отсутствуют. Оценка проверки основана на конце одной книги и может не отражать качество на всём корпусе.

FLUX.2-klein-4B Uncensored Text Encoder — модифицированный текстовый энкодер для модели генерации изображений FLUX.2-klein-4B от Black Forest Labs, опубликованный ponpoke. Модель предназначена для преобразования текстовых запросов в представления, используемые компонентом DiT при генерации изображений, включая запросы общего и NSFW-содержания. Заявлена поддержка английского и японского языков. В основе лежит LLM-энкодер на архитектуре Qwen3 с 36 слоями и общим размером около 4 млрд параметров. Разработчик применил математическую abliteration — послойную ортогонализацию векторов отказа в слоях 14–35 с изменением проекций внимания и MLP. Это не дообучение на дополнительных наборах изображений. Доступны версии Safetensors и квантованные форматы GGUF: FP16, Q8_0, Q6_K и Q4_K_M, что позволяет выбирать между качеством и требованиями к памяти. Главная особенность модели — удаление встроенных ограничений безопасности на этапе обработки промпта, благодаря чему она не должна отклонять потенциально экстремальные запросы. При этом заявлено сохранение близкого к исходному поведения на безопасных запросах, однако снятие фильтрации повышает риск генерации вредного или незаконного контента и требует ответственного применения. Модель является текстовым энкодером, поэтому для полной генерации изображений необходим совместимый FLUX.2-klein-4B DiT и подходящее программное окружение, например ComfyUI или Diffusers. Указана лицензия flux-non-commercial-v2.1 с ограничениями некоммерческого использования.

furaidosu/flux-lora-bad-taxidermist — стилевой LoRA-адаптер для модели FLUX.1-dev, разработанной Black Forest Labs. Он предназначен для генерации изображений по текстовому описанию в характерной эстетике «bad taxidermist»: мрачной, гротескной, сюрреалистичной и намеренно неестественной, с образами таксидермизированных животных, странных существ, жутких сцен и искажённых пространств. Модель используется в задачах text-to-image через экосистему Diffusers и рассчитана на добавление к промпту триггерной фразы «bad taxidermist style». В README приведены примеры генерации осьминогов, льва, лошади, белки, инопланетянина, фантастического существа и сюрреалистичных интерьеров. Рекомендуемый размер изображения — 1024×1024 пикселя. Указан английский язык; конкретные параметры LoRA, её размер и максимальная длина контекста не раскрыты. Сильная сторона адаптера — выраженная тематическая стилизация, позволяющая переносить гротескную эстетику на широкий спектр объектов и сюжетов. Ограничения связаны с узкой художественной направленностью, возможной зависимостью результата от базовой FLUX.1-dev и корректного использования триггерной фразы, а также с отсутствием подробных сведений о параметрах и качестве обучения. Модель распространяется по лицензии flux-1-dev-non-commercial-license, поэтому её использование ограничено некоммерческими сценариями согласно условиям этой лицензии.

hebrewbibleai — дообученная модель GPT-2 XL, созданная автором репозитория на корпусе еврейской Библии. Она генерирует продолжения текста в стиле библейских стихов на иврите и может создавать новые фрагменты, похожие на библейский текст. Модель предназначена для экспериментального литературного использования и генерации текста по заданному началу. Архитектура — GPT2LMHeadModel; формат весов — PyTorch. Контекст составляет 1024 токена. В качестве обучающих данных указан корпус bible-nlp/biblenlp-corpus, а базовой моделью README называет gpt2-xl от OpenAI. Лицензия — MIT. Результаты могут выглядеть как библейские стихи, но их точность, связность и соответствие исходному корпусу не гарантируются. Модель создаёт новый текст, поэтому его не следует считать подлинным библейским источником или использовать как религиозный авторитет.

HolyNemo-12B — дообученная модель на основе Mistral-Nemo-Instruct-2407, созданная nbeerbower. Модель предназначена для диалоговой генерации текста; в обучении использован датасет nbeerbower/bible-dpo, а дообучение проведено в течение одной эпохи на A100. Модель использует плотную архитектуру MistralForCausalLM и содержит 12,1 млрд параметров. Метаданные указывают контекстное окно до 1 024 000 токенов и поддержку диалога и интерфейса вызова инструментов. Доступны веса в формате safetensors, лицензия — Apache-2.0. По названию датасета модель ориентирована на ответы и диалог по библейской тематике, хотя README не приводит оценок качества или подробных сценариев проверки. Как и другие языковые модели, она может генерировать неточные ответы; заявленный размер контекста сам по себе не подтверждает качество работы на такой длине.

Kitsune-Tales-E4B-JP — японская модель для генерации оригинальной фэнтезийной прозы в стиле лайт-новелл, созданная автором репозитория на основе Google Gemma 4 E4B Instruct. Это дообучение LoRA методом SFT, объединённое с базовыми весами и опубликованное в формате bf16; архитектура — плотная Gemma 4, 7,52 млрд хранимых и 4,62 млрд эффективных параметров. Модель принимает жанровые теги, заголовок и формат текста, чтобы создавать синопсисы, короткие рассказы или продолжения по заданному отрывку. Предназначена для хобби-писательства, мозгового штурма и практики японской фэнтезийной прозы; лучше всего подходит для японского языка и жанров фэнтези. Модель следует заданным жанровым тегам, заголовку, формату и длине лучше базовой модели, но автоматические и экспертные оценки не показывают превосходства по качеству прозы; в сравнении целых текстов судья чаще предпочитал базовую модель. Возможны повторы, отклонения от заданной длины, ошибки согласованности сюжета и стилистические клише. Режим thinking использовать не рекомендуется. Модель не предназначена для фактических, медицинских, юридических или финансовых ответов, других языков и нефэнтезийных жанров; отказы на нежелательные запросы не гарантированы. Лицензия — Apache-2.0.

Krea2 NSFW v3 — это LoRA-адаптер для генерации изображений на базе Krea-2-Raw, разработанный автором или организацией nnndite. Модель предназначена для сценариев text-to-image и подключается к пайплайнам Diffusers как дополнительный компонент, изменяющий поведение базовой модели. В README указано рекомендуемое значение силы применения адаптера в диапазоне от 0,8 до 2, однако подробности о влиянии этих значений не приведены. Данные о размере модели, архитектуре базовой модели, поддерживаемых языках, контекстных ограничениях и модальностях, помимо генерации изображений по тексту, отсутствуют. Модель опубликована под лицензией Apache-2.0; конкретные ограничения и особенности качества также не описаны.

IRedDragonICY разработал LaguQA-Gemma4-E2B для выпускной работы по информатике в Университете Ахмад Дахлан. Это плотная модель Gemma 4 E2B IT с объединённым в веса корневым вариантом LoRA-адаптера LaguQA-Gemma4-E2B-LoRA; число параметров — 5 104 297 504. Модель предназначена для диалогов и ответов на вопросы о песнях и музыке Индонезии, в частности для тестов с вариантами ответа на наборе LaguQA. Она выдаёт ответы на индонезийском языке. Модель сохраняет аудио- и визуальные компоненты базовой Gemma 4 и служит её заменой, однако карточка оценивает именно ответы на LaguQA и IndoMMLU, а не мультимодальные задачи. В одном эксперименте она набрала 56,4% на 1 200 вопросах LaguQA и 43,6% на 2 000 вопросах IndoMMLU; для LaguQA результаты зависели от случайного seed. Модель распространяется по лицензии Apache-2.0.

Lil Bard — небольшая англоязычная языковая модель для генерации историй, разработанная N8Programs и обученная с нуля. Это базовая модель, не настроенная для выполнения инструкций или диалогового общения. Она предназначена для продолжения текста и создания простых рассказов. Модель использует архитектуру Qwen3 MoE с 16 трансформерными слоями и восемью экспертами, из которых для каждого токена активируются два. В README указано 172 млн параметров, включая около 58,8 млн активных на токен; в метаданных Hugging Face указано 54,5 млн параметров. Максимальная длина контекста — 32 768 токенов. Модель принимает текст и генерирует текст; обучающий корпус состоял преимущественно из простых синтетических историй на английском языке. Модель может выдавать повторяющийся или несвязный текст, обладает ограниченными знаниями о мире и слабыми способностями к рассуждению, а также не проходила настройку безопасности. Её не следует использовать для фактических ответов и решений с высокими ставками, включая медицинские, юридические и финансовые. Условия лицензирования в предоставленных данных не указаны.

Llama-3.1-Herrsimian-8B v0.5b — экспериментальная модель lemonilia, дообученная на базе Llama 3.1 8B. Она предназначена для генерации прозы в ролевых сценариях и воспроизведения стиля конкретного автора ролевых игр; основное применение — откровенная ролевая проза. Модель обучена на 131 примере с последовательным стилем и поддерживает контекст до 131072 токенов по метаданным. Архитектура — плотная авторегрессионная LlamaForCausalLM, размер — 7,5 млрд параметров; вход и выход — текст, основной язык — английский. Лучше всего модель подходит для форумной или книжной ролевой игры с повествованием от третьего лица в прошедшем времени и диалогами в кавычках. Для работы требуется специальный формат ролей и метка BOS в начале запроса; автор рекомендует использовать её с Llama-3.1-8B-Instruct. Это узкоспециализированная модель, не предназначенная для общих инструкций или произвольных форматов ролевой игры; возможны несвязные ответы и галлюцинации. Лицензия — Llama 3.1 Community License (llama3.1).

Llama-3-8B-flashback-v1 — полное дообучение модели Meta-Llama-3-8B, созданное продолжением предварительного обучения на форумах. Разработчик использовал около 2,25 млн веток обсуждений со шведского сайта, примерно 40 ГБ текста, и обучал модель три эпохи. Модель предназначена для генерации текста в стиле форумных веток: заголовков, сообщений авторов и ответов, включая цитирование предыдущих реплик. Архитектура — плотная LlamaForCausalLM с 7,5 млрд параметров; контекст — 8192 токена. Карточка указывает поддержку шведского, английского, норвежского и датского языков. Лицензия — MIT. Специализация на форумных обсуждениях может ограничивать качество ответов вне этого жанра и домена. Данные обучения сосредоточены на одном шведском форуме, поэтому модель может воспроизводить его стиль и особенности.

llama-3-dragonmaid-8B — чат-модель для генерации диалогового текста, созданная дообучением llama-3-dragon-bophades-8B на наборе ResplendentAI/NSFW_RP_Format_NoQuote. В метаданных базовой моделью указана nbeerbower/llama-3-sauce-v1-8B; README также сообщает об основе Llama 3 8B. Модель построена на плотной архитектуре LlamaForCausalLM и содержит около 7,5 млрд параметров. Она принимает текст и генерирует текст, поддерживает контекст до 8192 токенов. Модель предназначена для ролевых диалогов и генерации NSFW-содержимого. README указывает на лицензию META LLAMA 3 COMMUNITY LICENSE AGREEMENT; метаданные обозначают лицензию как other. Условия применения следует сверять с лицензией Meta Llama 3 и условиями репозитория. Карточка не сообщает результаты оценки качества или меры безопасности.

Модель varadsrivastava/lm-playschool-qwen3.5-2b-sft — дообученная командой DAIR модель Qwen3.5-2B для участия в диалоговых играх. Это плотная языковая модель с 1,7 млрд параметров, созданная методом supervised fine-tuning с LoRA на успешных игровых диалогах и примерами общих инструкций; адаптер объединён с базовой моделью. Репозиторий использует Transformers и формат safetensors, модель поддерживает чат, а её контекстное окно составляет 262 144 токена. Модель ориентирована на соблюдение протокола игры и ведение диалогов в игровых сценариях. В оценке на validation split playpen clemscore вырос с 13,63 до 55,61; авторы связывают прирост главным образом с уменьшением числа прерванных эпизодов, а не с улучшением качества ходов. Также модель обучалась на английских данных и примерно на 12% состояла из общих инструкционных примеров. Модель унаследовала лицензию Apache-2.0. Результаты приведены для конкретного игрового окружения и зависят от его версии и исправлений; карточка не подтверждает, что достигнутые показатели переносятся на другие игры или задачи.

Lyra-Creative-Writer — модель для длинных художественных текстов, связного повествования и управления стилем. README описывает её как творческого писателя и приводит результаты тестов на рассуждение и генерацию, однако в метаданных указана архитектура BERT и задача извлечения признаков, что не подтверждает заявленные сценарии генерации текста. Модель размещена пользователем yding03. В репозитории указаны формат PyTorch и лицензия CC BY-SA 4.0. README рекомендует температуру 0,6 для взаимодействия через чат-интерфейс или API, но не содержит сведений о размере модели, контекстном окне, поддерживаемых языках или процедуре локального запуска.

stanford-crfm/music-large-800k — авторегрессионная модель семейства GPT-2, разработанная Stanford CRFM. Это Transformer с 780 млн параметров, обученный 800 тысяч шагов на музыке, закодированной через время появления нот: использованы наборы Lakh MIDI и MetaMidi, транскрипции FMA и коммерческих музыкальных записей. Обучение проводилось с anticipation. Модель предназначена для генерации продолжений последовательностей музыкальных событий в текстовом представлении, в частности событий на основе MIDI-кодирования. В метаданных указан контекст 1024 токена и формат весов safetensors. Лицензия — Apache-2.0. Карточка не уточняет формат подачи музыкальных событий и качество генерации; обычный текстовый промпт сам по себе не является описанным сценарием применения. Модель обучена на музыкальных данных и не предназначена для непосредственной обработки аудио как волнового сигнала.

normaere-model — модель преобразования текста в текст на базе MT5ForConditionalGeneration, дообученная Jonas Hermann на корпусе Referenzkorpus Mittelhochdeutsch (ReM), версия 2.1. Она нормализует тексты на средневерхненемецком языке примерно 1050–1500 годов по стандартам ReM: раскрывает распространённые сокращения, отделяет и разворачивает частые проклитики и энклитики, а также применяет редакционную постобработку. Модель использует архитектуру encoder-decoder и формат safetensors; в README указаны точность FP16, максимальная длина последовательности 512 токенов и словарь из 250 117 элементов, дополненный средневековыми символами сокращений. Метаданные каталога указывают 291,2 млн параметров, тогда как README описывает базовую google/mt5-base как модель на 580 млн параметров; размер самой дообученной модели здесь поэтому приведён по метаданным. Модель предназначена для подготовки средневерхненемецких текстов к исследовательскому и редакторскому использованию в соответствии с нормами ReM. Её область применения узкая: она ориентирована на средневековый немецкий и описанные виды нормализации, поэтому пригодность для современного немецкого или других языков не заявлена. Лицензия в предоставленных данных не указана.

Orkhon Tangri — компактная разговорная языковая модель семейства Orkhon, разработанная korkmazumut. По README, модель содержит около 100 млн параметров и дообучена методом SFT на коротких ответах учителя Grok-4.5; метаданные указывают архитектуру OrkhonForCausalLM и формат Safetensors. Модель предназначена для коротких ответов на вопросы на английском и турецком в узкой тематике Orkhon, простых арифметических задач и преобразования древнетюркских рунических символов в латиницу через детерминированный маршрутизатор. Модель рассчитана на работу как чат-ассистент с маршрутизатором, который также обеспечивает отказ от ответа за пределами её специализации. Она не позиционируется как универсальный чат-бот. README сообщает об обучении на Apple Silicon с MPS; это не устанавливает требования к запуску. Длина контекста и отдельное описание языковой поддержки коктюркского не приведены. Лицензия — Apache-2.0.

PASSEREL — модель семантической сегментации изображений на архитектуре U-Net++. Карточка указывает, что модель обучена и загружается через библиотеку segmentation-models-pytorch. В тегах упоминаются археология, пещеры и «Ramps», что указывает на возможное применение для анализа изображений в археологических или пещерных сценариях, однако назначение и состав обучающего набора в карточке подробно не описаны. Модель принимает изображения и выдаёт сегментацию. Карточка содержит замечание о том, что результат может быть лучше при практическом использовании, чем при оценке метриками, но численные метрики и сведения о датасете отсутствуют. Репозиторий распространяется по лицензии MIT.

Pepai — языковая модель от migtissera, основанная на Mistral и настроенная на ответы в юмористическом стиле с отсылками к «Автостопом по галактике». Модель предназначена для генерации ответов и шуток в формате диалога с метками USER и ASSISTANT. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Доступны веса в формате safetensors. Лицензия — Apache 2.0. README предупреждает, что ответы могут быть непредсказуемыми и модель может не ответить на вопрос.

PHerc.1667-iteration-1 — экспериментальная модель сегментации чернил на свитках Геркуланума, обученная командой ScrollPrize для конкурса Vesuvius Challenge. Она принимает объёмные данные свитка и предсказывает области с чернилами; эта версия обучена на сегменте l_2 с наиболее разреженной разметкой из серии абляций. Архитектура сочетает трёхмерный энкодер ResNet3D-50, инициализированный весами Kinetics-700, и двумерный декодер U-Net. Модель обрабатывает окна 256×256×62 и выдаёт карту вероятностей чернил размером 64×64; для сегмента целиком требуется скользящая обработка окон с усреднением перекрытий. Веса доступны в формате safetensors, а сохранённый контрольный файл также позволяет возобновить обучение. Модель предназначена для экспериментального обнаружения и локализации чернил в томографических объёмах древних свитков. Лицензия — MIT. Качество может зависеть от сегмента и разметки: эта итерация обучалась на сравнительно небольшом наборе из 3 396 тайлов, а результат имеет четверть исходного пространственного разрешения по двум измерениям.

PHerc.1667-iteration-3 — модель сегментации чернил на свитке Геркуланума, обученная командой scrollprize для задачи Vesuvius Challenge. Она обрабатывает объёмные изображения свитка в виде окон размером 62 × 256 × 256 вокселей и выделяет вероятные области чернил; для обработки целого сегмента требуется скользящее окно с усреднением перекрывающихся предсказаний. Архитектура сочетает 3D ResNet-50, инициализированную весами Kinetics-700, и 2D U-Net-декодер; выход представляет собой карту вероятностей сегментации на разрешении 64 × 64. Модель обучена на 15 286 плитках сегмента l_2 с разметкой l_2_inklabels3.png и входит в серию абляций разметки. В README показаны результаты также для отложенного сегмента l_5. Веса представлены в формате safetensors и совпадают с исходным обучающим чекпойнтом; лицензия — MIT. Модель специализирована для выявления чернил в томографических данных свитков и не предназначена для общего распознавания изображений или извлечения текста.

PlayJev — мультимодальная модель OmniJev для выбора ходов в небольших играх. Она дообучена полным fine-tuning от Qwen/Qwen3.5-0.8B-Base и использует архитектуру Qwen3.5 с 0,8 млрд параметров. Модель принимает кадр игры и список допустимых ходов, затем за один проход оценивает варианты и выбирает ход; название игры ей не сообщается. Модель обучена имитации игровых алгоритмов: сначала на размеченных кадрах, затем с несколькими раундами DAgger. В обучении также использовались общие вопросы по изображениям и тексту. В описанных проверках третья версия достигала результатов учителей в ряде игр и сохраняла часть общих способностей базовой модели. PlayJev подходит для управления играми, где состояние представлено одним изображением, а действия заданы списком вариантов. Ограничения включают трудности с задачами, требующими оценки движения по последовательности кадров, редкими решающими ходами, плохо читаемыми мелкими цифрами и задержкой принятия решений. Лицензия — Apache-2.0.

RobertZ2011/resnet-18-birb — дообученная модель ResNet-18 для классификации изображений птиц. Она создана на основе microsoft/resnet-18, предварительно обученной на ImageNet-1k, и дообучена на наборе данных Caltech-UCSD Birds-200-2011. Модель принимает изображения и предсказывает класс птицы из набора данных. Её можно использовать для распознавания видов птиц на фотографиях и в учебных проектах по классификации изображений. Веса опубликованы в формате safetensors; лицензия в предоставленных данных не указана.

Rukh Medium Elo — авторегрессионный декодер на основе GPT, разработанный с нуля в рамках учебного проекта Rukh. Модель размером около 152,6 млн параметров обучена предсказывать следующий ход в шахматной партии, записанной последовательностью ходов UCI. Она использует словарь из 2030 фиксированных токенов и контекст до 200 ходов; два начальных токена задают рейтинговые диапазоны белых и чёрных и влияют на стиль игры. Модель предназначена для пошагового продолжения шахматных партий и игры против пользователя. На карточке указаны точность предсказания следующего хода 54,9% и оценка силы около 1592 Elo с доверительным интервалом. Это модель последовательностей ходов, а не шахматный движок: у неё нет поиска вариантов и отдельного представления позиции, поэтому она может пропускать тактические угрозы и заметно слабее играет, если получает позицию без истории ходов. Без маскирования нелегальных ходов часть её предложений незаконна, поэтому приложение должно проверять ходы и маскировать нелегальные варианты. Модель распространяется под лицензией Apache-2.0.

SmolLM-135M-FakyPedia-EngHeb — небольшая языковая модель Дорона Адлера для генерации шуточных вымышленных текстов в стиле статей Википедии на английском и иврите. Это дообученная модель SmolLM-135M-Instruct с расширенным токенизатором; в метаданных указаны архитектура Llama, 142,1 млн параметров и контекст 2048 токенов. Модель принимает текстовый запрос с необязательным заголовком статьи и генерирует текст. Модель рассчитана на развлекательные сценарии, например создание абсурдных псевдоэнциклопедических статей. Её обучающие данные связаны с англоязычной и ивритской Википедией. Автор предупреждает, что генерации могут содержать оскорбительные высказывания и воспроизводить стереотипы. Лицензия — Apache-2.0.

T5LAA — авторегрессионная языковая модель семейства T5LA, разработанная авторами работы «Interactive Text Games: Lookahead Is All You Need!» на основе модифицированной реализации T5. Модель содержит 38,5 млн параметров и предварительно обучена на выборке sample-10BT датасета HuggingFaceFW/fineweb; дообучение на инструкциях или оценках людей не проводилось. Модель предназначена для генерации текста и экспериментального изучения методов lookahead в интерактивных текстовых играх. Для загрузки через AutoModel требуется форк Transformers с поддержкой T5LA, поскольку изменения ещё не вошли в основную библиотеку. В карточке указаны метрики на оценочном наборе: loss 4,8058 и accuracy 0,0279. Лицензия в доступных данных не указана.

T5LAA2 — предобученная текстовая модель из исследовательской работы «Interactive Text Games: Lookahead Is All You Need!». Её реализовали на основе архитектуры Google T5 в модифицированной библиотеке Transformers; модель содержит 38,5 млн параметров и опубликована в формате safetensors. Модель обучали предсказывать текст на выборке sample-10BT датасета HuggingFaceFW/fineweb. Она предназначена для генерации текста и изучения вариантов механизма lookahead в интерактивных текстовых играх. В README приведены результаты оценки: loss 4,9746 и accuracy 0,0349. Модель не проходила дообучение на инструкциях или обратной связи от людей. Для загрузки через AutoModel.from_pretrained() README указывает на необходимость специальной ветки Transformers с поддержкой T5LA. Лицензия в предоставленных сведениях не указана.