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

Magic-psy-LoRA-Qwen-Finetuned — инструктивная разговорная модель на базе Vikhr-Qwen-2.5-1.5B-Instruct, дообученная на русскоязычном сгенерированном датасете. Она отвечает на запросы в образе волшебного психолога из Хоггвартса и предназначена для тематического общения и ролевых диалогов. Модель использует плотную архитектуру Qwen2ForCausalLM, содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. В метаданных указаны русский и английский языки, хотя README описывает обучение на русскоязычных данных. Модель распространяется по лицензии Apache-2.0.

MapAnything — обученная сквозным образом модель на основе трансформера для восстановления метрической 3D-геометрии сцен по изображениям. Одна модель поддерживает несколько сценариев реконструкции, включая многокадровую структуру из движения (SfM), стереореконструкцию по нескольким ракурсам, оценку метрической глубины по одному изображению, регистрацию и дополнение карты глубины. Модель предназначена для задач компьютерного зрения и 3D-реконструкции, где требуется получить геометрическое представление сцены из одного или нескольких изображений. Репозиторий содержит веса в формате safetensors; вариант распространяется по лицензии CC-BY-NC-4.0, которая ограничивает коммерческое использование. Подробности запуска вынесены в GitHub-репозиторий проекта.

Moistral 11B v2.1a WET — специализированная текстовая модель для генерации эротической прозы и ролевых историй. Разработчик описывает её как дообученную версию Moistral v2.1 и указывает, что исходная Moistral 11B основана на Fimbulvert v2. В метаданных указаны плотная архитектура LlamaForCausalLM, 10,6 млрд параметров, контекст 8192 токена и формат PyTorch. Модель предназначена для генерации длинных художественных ответов и чата в формате Alpaca. В обучающий материал включены романтика, фэнтези, научная фантастика и другие жанры; автор отмечает очистку данных и улучшения связности, формата и разнообразия перспектив. Карточка содержит примеры откровенных сцен и помечает модель как не для всех аудиторий. Модель дообучена для эротической ролевой прозы, поэтому её вывод может быть чрезмерно откровенным и стилистически насыщенным. Автор отмечает возможные проблемы с логикой и связностью и предлагает настраивать параметры генерации. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но запрещающая коммерческое применение.

Модель разработана на основе NbAiLab/nb-whisper-medium для распознавания четырёх крупных региональных разновидностей норвежской речи. Это аудиоклассификатор на архитектуре Whisper: энкодер дообучен целиком, к нему добавлена классификационная голова. Модель содержит около 455,8 млн параметров и принимает монофоническое аудио с частотой 16 кГц; для фрагментов длиннее 30 секунд при обучении использовалась случайная выборка длительностью до 30 секунд. Модель предназначена для исследовательской классификации норвежских диалектов и изучения роли просодии. Она обучалась на низкочастотно отфильтрованной речи из корпуса парламентских выступлений SSC, чтобы ослабить фонетические признаки и сохранить контур высоты тона. Поэтому на вход рекомендуется подавать аудио, обработанное тем же способом; необработанная речь не соответствует условию обучения. Предсказания относятся к четырём широким регионам, а границы между ними условны. Контрольная точка взята из финальной эпохи обучения, которая также показала лучшую точность на валидации. Качество на разговорной речи, детской речи и речи неносителей языка не гарантировано. Модель не предназначена для решений с существенными последствиями для людей, например при найме или проверке личности. Лицензия — Apache-2.0.

Это модель для определения одного из четырёх широких региональных вариантов норвежского языка по аудиозаписи речи. Её разработали в NbAiLab на основе энкодера NbAiLab/nb-whisper-medium: модель Whisper с архитектурой WhisperForAudioClassification полностью дообучена с классификационной головой и содержит 455,8 млн параметров. Модель предназначена для исследований норвежских диалектов и влияния просодии на их распознавание. Она обучалась на речи с монотонным контуром основного тона (F0), поэтому на вход следует подавать аудио, обработанное таким же образом, в моно, с частотой 16 кГц. Результат — метка одного из четырёх регионов: восток, запад, центральная Норвегия/Трёнделаг и четвёртая региональная категория. Доступен чекпойнт последней, третьей эпохи обучения. Обучение проводилось на парламентской речи взрослых из корпуса SSC с разделением обучающей и проверочной выборок по говорящим. Крупные региональные группы не отражают тонкие диалектные различия, а точность на разговорной речи, детской речи и речи неносителей не гарантирована. Модель не предназначена для решений с существенными последствиями для людей. Лицензия — Apache-2.0.

sankalphs/noir-verdict-nemotron-4b-merged — дообученная модель sankalphs на базе unsloth/NVIDIA-Nemotron-3-Nano-4B, предназначенная для диалоговой игры Noir Verdict. Модель ведёт активный допрос подозреваемого: играет заданную личность и в зависимости от сценария может лгать, говорить правду частично или отвечать правдиво. Это плотная причинная языковая модель Nemotron-H для генерации текста, с шаблоном чата Nemotron 3 и отключённым режимом рассуждений. В метаданных указаны 6,4 млрд параметров и контекст до 262 144 токенов. README описывает дообучение методом SFT с LoRA и сообщает о проверке на нескольких игровых сценариях; эти результаты не подтверждают качество за пределами данного узкого применения. Модель опубликована в формате safetensors; README также указывает на отдельные LoRA и GGUF-варианты. Лицензия — Apache-2.0. Практическое назначение модели специализировано: для обычных вопросов и задач она не позиционируется.

Это адаптер LoRA в формате GGUF F16 для базовой модели mirazrafi/NSFW-RP-RolePlay-LoRA-ArliAI-Llama-3.1-8B. Адаптер предназначен для генерации ролевых диалогов и сцен с контентом для взрослых на английском языке; для работы его подключают к соответствующей базовой модели через llama.cpp, например с помощью llama-cli или llama-server. В метаданных указаны архитектурное семейство Llama 3.1, размер базовой модели 8 млрд параметров не подтверждён отдельным полем, а контекст и оценки качества не описаны. Репозиторий распространяет адаптер в GGUF F16 и указывает лицензию Apache-2.0. Это форматное преобразование адаптера исходной модели, а не самостоятельный полный чекпойнт.

OliveGemma — мультимодальная модель для распознавания блюд средиземноморской и европейской кухни по фотографиям и ответов на вопросы о них. Её разработала исследовательская группа Университета Иоаннины и Университета Патр в Греции. Модель дообучена с помощью LoRA на базе google/paligemma2-3b-pt-448; адаптер объединён с базовыми весами. Архитектура PaliGemma включает визуальный энкодер SigLIP-So400m и языковую модель Gemma-2 2B. В метаданных указано 2,1 млрд параметров. Модель принимает изображение блюда и текстовый вопрос. Её основные сценарии — назвать блюдо, перечислить типичные ингредиенты и кратко объяснить различие между похожими блюдами. Для распознавания названия блюда на отложенной выборке указана точность top-1 0,943. Модель рассчитана на вопросы на английском языке и обучалась преимущественно на греческой и средиземноморской кухне. Результаты ненадёжны для кухонь, слабо представленных в обучающих данных. Перечень ингредиентов отражает типичный рецепт и может включать то, чего нет на снимке; модель не подходит для проверки аллергенов, питания или медицинских решений. Распознавание видимых ингредиентов и обоснование ответа визуальными свидетельствами показали низкое качество. Использование регулируется условиями лицензии Gemma.

Карточка модели Jack04810/output_40k_cont4ep на Hugging Face совпадает с карточкой Jack04810/spac_4B_spacialpe_0.08, поэтому описание составлено по ней. Jack04810 разработал spac_4B_spacialpe_0.08 — плотную авторегрессионную модель Qwen3ForCausalLM размером 3,8 млрд параметров, дообученную на Qwen3-4B для понимания и генерации 3D-сеток в конвейере SPAC с Spatial-PE. Обучение продолжало чекпойнт output_40k_cont2ep ещё четыре эпохи на 40 тысячах парных примеров: 20 тысяч преобразований последовательности токенов сетки в текстовое описание и 20 тысяч преобразований описания формы в последовательность токенов сетки. Модель принимает текст и токены 3D-сетки, а выдаёт текстовые описания или последовательности токенов сетки. Для запуска требуется обёртка инференса SPAC с spatial_pe_scale 0.08 и таблицей слияния из Jack04810/spac-qwen3-4b-spatial-pe-8ep. Контекст — 40 960 токенов. В карточке указана лицензия other, поэтому конкретные условия использования следует сверить с файлами репозитория.

NTQAI/pedestrian_age_recognition — модель классификации изображений на архитектуре BEiT, дообученная на базе microsoft/beit-base-patch16-224-pt22k-ft22k. Она предназначена для распознавания возрастных категорий пешеходов по изображениям. В оценке на указанном наборе данных модель достигла accuracy 0,8073 и loss 0,5004. Модель содержит 119,5 млн параметров и распространяется в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. В карточке не приведены сведения о классах возрастных категорий, составе обучающих данных и ограничениях применения, поэтому результаты для других условий съёмки и групп людей не установлены.

Phartakos MLX — модель-генератор звуков метеоризма, подготовленная pequodresearch для локального запуска на компьютерах Apple Silicon. Это безусловная генеративная модель на основе многомасштабного waveform U-Net с диффузионным процессом: она создаёт монофоническое аудио с частотой 32 кГц, обычно длительностью одну секунду. Для генерации используется полный 200-шаговый ancestral DDPM; модель работает только на этапе инференса. Модель предназначена для создания коротких звуковых эффектов. В тесте сравнения длительности двухсекундные образцы получили больше предпочтений, однако не достигли заранее заданного порога принятия, поэтому длительность по умолчанию — одна секунда. Генерация может звучать неправдоподобно, повторяться или фрагментироваться, а также напоминать обучающие записи. Для работы требуются Apple Silicon и macOS 14 или новее. Модель распространяется по лицензии MIT.

Playground v2 256px Base — диффузионная модель генерации изображений по текстовому описанию, разработанная исследовательской командой Playground и обученная с нуля. Это базовый промежуточный чекпойнт для генерации изображений размером 256×256 пикселей, предназначенный прежде всего для исследований фундаментальных моделей генерации изображений. Модель использует латентную диффузию и два фиксированных предварительно обученных текстовых энкодера: OpenCLIP-ViT/G и CLIP-ViT/L. Архитектура следует Stable Diffusion XL. Модель принимает текстовые запросы и выдаёт изображения; использовать её можно через Hugging Face Diffusers. Авторы сообщают о результатах пользовательского исследования и оценках на наборах промптов, однако этот чекпойнт не ориентирован на получение высокоэстетичных изображений и предназначен главным образом для исследовательской работы. По карточке указана лицензия Playground v2 Community License; в метаданных лицензия обозначена как other.

Pygmalion 13B — разговорная языковая модель, разработанная PygmalionAI на базе Meta LLaMA-13B и опубликованная TehVenom в виде преобразованной и квантованной сборки. Модель содержит 12,9 млрд параметров, использует плотную архитектуру LLaMA и рассчитана на генерацию диалогового текста на английском языке; нативный контекст составляет 2048 токенов. Модель дообучена с помощью LoRA на подмножестве данных Pygmalion-6B-v8-pt4, после чего адаптер объединён с базовой моделью. Веса преобразованы из релиза PygmalionAI с XOR-файлами, применёнными заранее, и квантованы до 8 бит с помощью GPTQ. Модель предназначена прежде всего для вымышленных разговоров и развлечения; ожидается форматирование запросов в стиле персонажа Pygmalion. Модель может генерировать ненормативную, непристойную или оскорбительную речь и не была настроена на безопасное и безвредное поведение. Ответы могут быть фактически неверными или вводящими в заблуждение. Автор рекомендует использовать её только для развлекательных вымышленных диалогов. Сведения о лицензии в предоставленных источниках отсутствуют.

Doni Junk Store Chat — русскоязычная чат-модель pro2rus для ролевого отыгрыша Дони Пригодина, продавца вымышленного магазина «Нужное вокруг». Она дообучена методом QLoRA на 1173 русскоязычных диалогах из pro2rus/dataset_junk_store на базе Qwen/Qwen3-8B; репозиторий содержит веса в формате GGUF. Модель ведёт диалог в сюрреалистичной, ироничной и мягко философской манере: разыгрывает сцены в необычном магазине, предлагает вымышленные товары и поддерживает заданный образ персонажа. Модель рассчитана на русскоязычные ролевые чаты и творческие диалоги. Для более устойчивого отыгрыша README рекомендует задавать системную инструкцию с описанием персонажа и магазина. Использование регулируется лицензией Apache-2.0.

E621 Rising V2 — модель генерации изображений на основе Stable Diffusion 2.1, созданная автором hearmeneigh. Это дообученный чекпойнт, обученный далее от E621 Rising V1 на изображениях и тегах с e621; модель предназначена для создания furry- и anthro-иллюстраций по текстовым запросам. В карточке указаны обучение на 6 246 тегах, разрешение 512×512 и совместимость с Diffusers и интерфейсом stable-diffusion-webui. Модель может генерировать изображения с рейтингами safe, questionable и explicit. Она явно рассчитана на NSFW-контент и не подходит для несовершеннолетних. Репозиторий помечен как устаревший: автор указывает, что его заменила E621 Rising V3 на SDXL. Доступны веса в форматах PyTorch и Safetensors; сведения о лицензии в предоставленных данных отсутствуют.

Silicon-Monika-7b — англоязычная модель для генерации текста, дообученная автором 922CA на базе SanjiWatsuki/Silicon-Maid-7B. Она предназначена для ролевых диалогов и творческой генерации от лица Моники из визуальной новеллы Doki Doki Literature Club; в промптах рекомендуется заменять роли Human и Assistant на Player и Monika. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 8192 токенов. В карточке также упомянуты GGUF и LoRA, однако метаданные указывают форматы PyTorch и safetensors. Модель может поддерживать характер персонажа и воспроизводить сведения о ней, игре и её участниках, но иногда ошибается в таких деталях и выходит из образа. Автор предупреждает, что безопасное или согласованное поведение не гарантируется. Лицензия — Apache-2.0.

Модель aguxez/snap-dumbbell-dfine-small-v85-gt25 — дообученная версия aguxez/snap-dumbbell-dfine-small-v31-e4-replay-adapt для обнаружения объектов на изображениях. Она построена на архитектуре D-FINE с классом DFineForObjectDetection и обучена на наборе aguxez/snap-equipment-youtube-v73-train-gt25. Репозиторий содержит веса Safetensors и формат ONNX; для модели указана библиотека Transformers. Модель предназначена для нахождения и локализации объектов на изображениях. В карточке не приведены перечень распознаваемых классов, метрики качества или сведения о рабочих ограничениях. Лицензия — Apache-2.0.

Модель snap-dumbbell-dfine-small-v87-corrected разработана как дообученная версия aguxez/snap-dumbbell-dfine-small-v31-e4-replay-adapt на датасете aguxez/snap-equipment-youtube-v73-train-gt25-motion-corrected. Это модель обнаружения объектов на основе архитектуры D-FINE, реализованная для Transformers и сохранённая в формате safetensors. Она предназначена для обнаружения объектов на изображениях; название и обучающий набор указывают на сценарий распознавания гантелей и спортивного оборудования. Модель распространяется по лицензии Apache-2.0. Карточка не содержит сведений о размере, контекстном окне или результатах оценки. Её точность и пригодность для других типов объектов по имеющимся данным определить нельзя.

Jack04810 разработал spac_4B_spacialpe_0.08 — плотную авторегрессионную модель Qwen3ForCausalLM размером 3,8 млрд параметров, дообученную на Qwen3-4B для понимания и генерации 3D-сеток в конвейере SPAC с Spatial-PE. Обучение продолжало чекпойнт output_40k_cont2ep ещё четыре эпохи на 40 тысячах парных примеров: 20 тысяч преобразований последовательности токенов сетки в текстовое описание и 20 тысяч преобразований описания формы в последовательность токенов сетки. Модель принимает текст и токены 3D-сетки, а выдаёт текстовые описания или последовательности токенов сетки. Для запуска требуется обёртка инференса SPAC с spatial_pe_scale 0.08 и таблицей слияния из Jack04810/spac-qwen3-4b-spatial-pe-8ep. Контекст — 40 960 токенов. В карточке указана лицензия other, поэтому конкретные условия использования следует сверить с файлами репозитория.

St4RTrack — модель для одновременной реконструкции сцены в 4D и отслеживания объектов в мировом пространстве. В карточке указаны авторы Haiwen Feng, Junyi Zhang и соавторы; работа представлена на конференции ICCV 2025. Модель предназначена для получения трёхмерной структуры и временного движения по последовательности изображений. Модель связана с библиотекой DUSt3R, а веса доступны в формате safetensors. Карточка классифицирует её как image-to-3d. README содержит лишь краткую информацию о проекте и не описывает подробный интерфейс использования, языковую поддержку или ограничения качества. Условия лицензирования в доступных сведениях не приведены.

Stoicheia-fold-3 — анонимно выпущенный чекпойнт для работы с древнегреческими текстами, сопровождающий статью на рецензировании. Это символьный masked-diffusion энкодер с 405 млн параметров, реализованный на Transformers и сохранённый в формате safetensors. Вход разделён на пять выровненных слоёв: буквы, границы слов и предложений, диакритические знаки, регистр и пунктуация; каждый слой можно независимо скрывать, задавая неизвестные символы и границы. Архитектура использует 32 слоя и чередует локальное внимание в окне 256 символов с глобальным вниманием. Модель предназначена для восстановления пропусков и анализа вариантов записи древнегреческого текста, включая текст без пробелов и лакуны неизвестной длины. Чекпойнт fold 3 обучен без десятой части литературного корпуса, отведённой для его тестовой зоны; по описанию, разбиение учитывает издания одного произведения и дубликаты, чтобы снизить риск запоминания тестовых фрагментов. Распространяется по лицензии Apache-2.0.

haykgrigorian/TimeCapsuleLLM-London-1800-1875-v2mini-eval2-200m — небольшая авторская языковая модель на архитектуре LlamaForCausalLM, обученная с нуля на текстах Лондона 1800–1875 годов. По README, версия v2mini-eval2 предназначена для проверки токенизатора перед масштабированием обучения; в ней исправлена проблема с разбиением слов пробелами в выводе предыдущей версии. Модель содержит около 180,3 млн параметров по метаданным и использует контекст до 4096 токенов. Модель генерирует текст на английском языке в историческом корпусном контексте. README описывает 10 000 шагов обучения и конфигурацию из 24 слоёв с размером скрытого состояния 768; число параметров в README отличается от метаданных, поэтому здесь приведено значение из метаданных. Файлы доступны в формате safetensors, библиотека — Transformers. Лицензия — MIT. Это небольшой экспериментальный чекпойнт для оценки токенизации и генерации, поэтому его пригодность для современных общих задач не подтверждена.

Tryptophobitize-768px v.1.0 — дообученная модель генерации изображений на основе Stable Diffusion 1.5, созданная автором репозитория plasmo. Она предназначена для создания изображений с мотивами трипофобии: чтобы вызвать этот эффект, в запрос добавляют слово «tryptophobitize»; автор отмечает, что иногда требуется увеличить его вес. Модель обучали на 70 изображениях с разрешением 768 пикселей в течение 5000 шагов, включая 350 шагов обучения текстового энкодера. Распространяется в формате Diffusers/PyTorch по лицензии CreativeML OpenRAIL-M.

Andy-4-tiny — компактная диалоговая языковая модель Sweaterdog, дообученная для игрового процесса в Minecraft через фреймворк Mindcraft. Это плотная causal language model семейства Llama на архитектуре SmolLM2 с 361,8 млн параметров и контекстом до 32 000 токенов. Модель принимает текст и генерирует текст; карточка указывает английский язык. Для инференса README описывает 4-битную квантизацию и локальный запуск, включая Ollama, с ориентацией на работу на CPU и низкое потребление памяти. Модель предназначена для диалогового управления игровыми сценариями Minecraft через Mindcraft. В README указаны три этапа обучения на наборах Andy-4-base-1, Andy-4-base-2 и FT; метаданные связывают её с HuggingFaceTB/SmolLM2-360M-Instruct. Andy-4-tiny не сертифицирована разработчиками Mindcraft, поэтому её пригодность для конкретной игровой среды следует проверять. Лицензия — Andy 1.0 License.

ArkEcho R2 Amiya Chinese Heavy — модель преобразования аудио на основе RVC v2, опубликованная Ethernos Studio. Она предназначена для преобразования голоса в аудиозаписи с тембром Амиши из игры «Arknights» и рассчитана на личные, исследовательские и фанатские проекты. В карточке указано, что модель обучена примерно на 8–10 минутах игровых голосовых записей; репозиторий содержит веса PyTorch. Поддерживаемый язык — китайский. Автор описывает проект как эксперимент и предупреждает о возможной нестабильности тембра, электронном звучании и неразборчивом произношении; качество и сходство голоса не гарантируются. README запрещает коммерческое применение и требует указывать, что голос синтезирован ИИ, а его источник — персонаж «Arknights» Амиша; авторские права на исходный голос принадлежат Hypergryph и правообладателям. Метаданные указывают лицензию CC BY-NC 4.0.

E621 Rising V3 — модель генерации изображений по текстовому описанию, созданная HearMeNeigh на базе Stable Diffusion XL 1.0. Она предназначена прежде всего для создания изображений в стиле furry и anthro по тегам и промптам, включая откровенный контент. Модель рассчитана на изображения 1024×1024 пикселя и совместима с diffusers, stable-diffusion-webui и ComfyUI. В README указано обучение на изображениях, преимущественно из E621: 11 эпох на наборе из 280 000 изображений и последующее дообучение в течение 23 эпох на наборе из 40 000 изображений. Репозиторий содержит веса в форматах fp32, fp16 и bf16; метаданные указывают на diffusers и safetensors. Лицензия — MIT. Модель специально ориентирована на взрослые furry- и anthro-изображения и может генерировать явно сексуальный контент, поэтому не подходит для несовершеннолетних. Качество и соответствие результатам зависят от промпта; README не приводит систематических оценок качества.

Fable 2 — небольшая языковая модель, созданная автором репозитория dreamidotme как шутливая пародия на модели, которые по умолчанию отказываются отвечать на вопросы о баснях. Это модель на 89 млн параметров с архитектурой в стиле GPT-2: 12 слоёв, 8 голов внимания и ширина 512. Она обучена с нуля на общественном достоянии — баснях Эзопа, фольклоре и другой прозе, а также на наборе данных с инструкциями в формате басен. Репозиторий содержит веса GGUF в формате F16 для запуска через llama.cpp; шаблон диалога встроен в файл модели. Модель предназначена для генерации английских басен и их моралей, а также для развлекательного диалога на эту тему. Она умеет воспроизводить характерный ритм и лексику басен и формулировать связные морали, но может путать персонажей и события разных историй, поэтому её ответы нельзя использовать как справочник. Контекст ограничен 512 токенами; модель обучена на текстах XIX и начала XX века и не проходила настройку безопасности. Лицензия — CC0 1.0.

kzipa/ferrofluid-fluid — модель генерации изображений на основе Stable Diffusion, дообученная автором kzipa методом DreamBooth на изображениях феррожидкости из набора kzipa/ferrofluid. Она предназначена для создания изображений по текстовым запросам с акцентом на концепт феррожидкости; в карточке приведены примеры фотореалистичных сцен и изображений в стиле масляной живописи. Модель распространяется в форматах Diffusers и PyTorch и использует лицензию CreativeML OpenRAIL-M. Для генерации концепта в запрос следует включать фразу «ferrofluid fluid». Карточка не приводит сведений о размере модели, длине контекста или поддерживаемых языках. Как и другие генеративные модели, результаты могут зависеть от формулировки запроса; специализация на феррожидкости ограничивает её полезность для задач, не связанных с этим визуальным понятием.

Haru v3 Teacher Base — авторская плотная авторегрессионная модель Alice Noa Chan для продолжения детских рассказов на корейском языке. Это базовый чекпойнт без instruction tuning: на вход ей подают начало рассказа, а модель дописывает продолжение. В метаданных указаны архитектура HaruDenseForCausalLM, 42,4 млн параметров и контекст до 1 024 токенов; README сообщает о 30 997 377 параметрах, 16 слоях и ширине скрытого слоя 384. Веса FP32 Safetensors, библиотека Transformers. Модель обучена с нуля и предназначена также для использования в качестве учителя при дистилляции компактных экспериментальных моделей. В тесте на 64 рассказах её BPC составил 0,871838; сравнение с Haru v2 не изолирует влияние архитектуры и не доказывает превосходство малых ученических моделей. Модель может терять детали сюжета и причинно-следственные связи, повторять идеи или менять персонажей; её общие фактические знания и способности к рассуждению не установлены. Поддерживаются контексты до 1 024 токенов. Веса и исходный код распространяются по лицензии MIT; обучающие корпуса в репозитории не опубликованы.

HolyYi-9B — диалоговая модель на 8,6 млрд параметров, созданная дообучением 01-ai/Yi-1.5-9B-Chat на наборе nbeerbower/bible-dpo. Она предназначена для генерации текста в диалоге, в том числе ответов на вопросы и бесед на библейские темы. Модель использует плотную архитектуру семейства Llama и запускается через Transformers; веса опубликованы в формате safetensors. Контекст — до 4096 токенов. Модель подходит для экспериментальных диалоговых сценариев, связанных с содержимым обучающего набора; сведений о поддерживаемых языках в карточке нет. Модель распространяется по лицензии Apache-2.0. Результаты могут зависеть от формулировки запроса и смещения, заложенного в тематическом наборе дообучения.