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

efficientnetv2_rw_t.ra2_in1k — модель компьютерного зрения из библиотеки timm для классификации изображений и извлечения визуальных признаков. Она основана на архитектуре EfficientNetV2 и обучена на ImageNet-1k с рецептом RandAugment RA2; в карточке также указаны оптимизатор RMSProp с усреднением EMA и ступенчатое экспоненциальное уменьшение скорости обучения с разогревом. Модель содержит 13,6 млн параметров и рассчитана на изображения размером 224 × 224 при обучении и 288 × 288 при тестировании. Модель подходит для определения объектов и сцен по изображениям, извлечения карт признаков и получения векторных представлений изображений. Для использования доступны веса PyTorch и safetensors; библиотека — timm. Модель распространяется по лицензии Apache-2.0. Обучение на ImageNet-1k означает, что качество на других предметных областях и типах изображений может отличаться.

EVA-02 Large Patch14 448 — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Чекпойнт опубликован для библиотеки timm; обучение выполнили авторы статьи EVA-02. Модель предварительно обучена на ImageNet-22k методом masked image modeling с EVA-CLIP в роли учителя, затем дообучена на ImageNet-22k и ImageNet-1k. Архитектура — Vision Transformer с mean pooling, SwiGLU, Rotary Position Embeddings и дополнительной нормализацией в MLP. В модели около 305 млн параметров; она обрабатывает изображения размером 448 × 448. В сравнении из карточки точность top-1 на ImageNet-1k составляет 89,946%, а top-5 — 99,01%. Чекпойнт timm сохранён в float32; доступны форматы PyTorch и safetensors. Модель подходит для распознавания объектов и категорий на изображениях, а также как визуальный backbone или источник эмбеддингов. Для использования весов действует лицензия MIT. Результаты могут зависеть от предобработки изображений и набора категорий; модель обучена на ImageNet и не гарантирует надёжность на специализированных или существенно отличающихся от него данных.

Это англоязычная модель для извлекающего ответа на вопросы, разработанная на основе bert-base-uncased и дообученная целиком на подвыборке SQuAD v1.1. Архитектура — BERT-base с 12 слоями Transformer, размером 768 и 12 головами внимания; модель содержит около 136,7 млн параметров по метаданным. Контекст модели ограничен 512 токенами, а при обучении использовались окна длиной 384 токена с шагом 128. Модель принимает вопрос и текстовый фрагмент и выбирает ответ как непрерывный отрывок из этого текста. Она подходит для поиска фактического ответа в предоставленном англоязычном тексте, например в документах или статьях. В оценке на валидационной выборке SQuAD v1.1 указаны Exact Match 73,59% и F1 82,70%. Модель не формулирует ответы своими словами и не определяет надёжно, что ответа в тексте нет; длинные тексты следует обрабатывать скользящими окнами. Для языков, отличных от английского, и задач, чувствительных к регистру, она не предназначена. Лицензия — Apache-2.0.

GigaAM-v3 — третье поколение семейства моделей GigaAM, разработанное для распознавания русской речи. Это модель на архитектуре Conformer размером 220–240 млн параметров, предварительно обученная на разнообразных русскоязычных аудиоданных с целью HuBERT-CTC. В семействе представлены самоконтролируемый энкодер и варианты распознавания с декодерами CTC и RNN-T; сквозные варианты также выполняют пунктуацию и нормализацию текста. Модель предназначена для транскрибации речи в разных условиях, включая разговоры в колл-центрах, речь с фоновой музыкой, естественную речь и записи с нетипичными характеристиками голоса. README сообщает об улучшении качества на новых доменах и приводит результаты на наборах русской речи. Для отдельных вариантов доступны исходные веса FP16 и квантизированные FP8; указанные тесты показывают близкое качество транскрипции FP8 к FP16. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. Модель ориентирована на русский язык; метаданные карточки также отмечают английский язык, но README не описывает качество распознавания английской речи. Результаты зависят от варианта модели и условий записи; опубликованные сравнения и оценки не гарантируют такое же качество на произвольных данных.

GLM-OCR Farsi — дообученная модель распознавания текста на изображениях на основе zai-org/GLM-OCR размером около 0,9 млрд параметров. Разработчик дообучил языковую часть, а затем совместно обучил vision-часть, projector и языковую модель для распознавания персидского (фарси) текста. Модель предназначена для OCR рукописей и документов на фарси с использованием официального текстового промпта GLM-OCR. Она принимает изображение и выдаёт распознанный текст; для полного разбора структуры и расположения элементов документа README рекомендует использовать GLM-OCR SDK вместе с этим чекпойнтом как моделью распознавания. Для запуска требуется Transformers версии 5 или новее с поддержкой glm_ocr. Модель основана на GLM-OCR, использует архитектуру GLM OCR и распространяется в формате Safetensors. Лицензия — MIT. В карточке не приведены измерения качества на независимом тестовом наборе; оценка eval loss во время обучения сама по себе не подтверждает точность распознавания в реальных сценариях.

Dampfinchen/Llama-3-8B-Ultra-Instruct — объединённая модель на базе Llama 3 8B, созданная Dampfinchen с помощью mergekit и метода DARE TIES. В состав слияния вошли инструкционная Llama 3, модели для диалогов и ролевых сценариев, Bagel, модель с немецкоязычными возможностями и OpenBioLLM. В репозитории указаны 7,5 млрд параметров, архитектура LlamaForCausalLM, формат safetensors, библиотека Transformers и контекст до 8192 токенов. Модель предназначена для диалогов и генерации текста общего назначения, в том числе для ответов на вопросы, поддержки RAG и ролевого общения. В README заявлены усиленные знания по биологии и медицине, немецкоязычные возможности и поддержка vision, однако метаданные классифицируют модель как текстовую, поэтому мультимодальную поддержку нельзя считать подтверждённой. Модель объединяет компоненты с uncensored-ролевой настройкой и может выдавать вредные или недостоверные ответы; медицинские сведения требуют проверки. Лицензия — Llama 3 License.

MeliodasPercival_01_ShadowYamshadow — объединённая модель семейства Mistral с 7,1 млрд параметров, созданная MaziyarPanahi на основе automerger/MeliodasPercival_01-7B и automerger/ShadowYamshadow-7B. Она предназначена для генерации текста и поддерживает контекст до 32 768 токенов. Модель принимает текст и выдаёт текст. Репозиторий содержит веса в формате Safetensors; лицензия — Apache-2.0. Данных о специализации на конкретных языках или прикладных областях нет.

Peagle-9b — объединённая разговорная языковая модель на архитектуре Mistral, опубликованная maxcurrent. Она создана с помощью VortexMerge kit методом passthrough из mlabonne/NeuralBeagle14-7B и eldogbbhed/NeuralPearlBeagle, с использованием диапазонов слоёв обеих моделей. Репозиторий содержит веса в формате safetensors; модель насчитывает 8,9 млрд параметров и имеет контекстное окно до 32 768 токенов. Модель предназначена для генерации текста и диалогового общения. Её можно применять для ответов на вопросы, написания и редактирования текста, а также для других задач, где требуется генерация текста. Карточка не уточняет поддерживаемые естественные языки и не приводит специализированных областей применения. Модель доступна по лицензии CC BY-NC 4.0, которая допускает использование с указанием авторства, но ограничивает коммерческое применение. Качество и ограничения конкретных сценариев в карточке не описаны.

PULI LlumiX 32K base — языковая модель семейства LLaMA, разработанная NYTK. Это базовая модель с 6,74 млрд параметров, полученная продолжением предобучения LLaMA-2-7B-32K на венгерских и английских текстах. Контекст расширен до 32 768 токенов с помощью интерполяции позиционных представлений; веса доступны в формате safetensors и рассчитаны на float16. Модель предназначена для генерации текста и работы с длинными документами. Обучающие данные включали крупный венгерский корпус, а также англоязычные материалы для вопросов и ответов по длинному контексту и суммаризации книг. Базовый чекпойнт можно использовать для генерации продолжений и адаптировать для последующей настройки под конкретные задачи. Возможности модели ограничены генерацией текста; README описывает именно базовую, а не instruct-версию. Максимальная длина последовательности составляет 32 768 токенов. Лицензия — LLaMA 2; применяйте модель в соответствии с её условиями.

Qehwa — языковая модель на 7,1 млрд параметров, созданная независимым разработчиком Junaid Aslam на базе Qwen2.5-7B. Модель прошла дополнительное предобучение на корпусе из 3,4 млн документов на пакистанском пушту, а затем инструкционное дообучение на 126 519 парах запросов и ответов на пешаварском диалекте. Репозиторий содержит объединённую модель в формате safetensors для запуска через Transformers. Модель предназначена для ответов и диалога на пешаварском пушту, написания текстов и стихов, исправления грамматики, перевода с английского на пушту, а также ответов на запросы, сформулированные на английском или урду. Она также обучена на материалах по истории, культуре, географии KPK, исламским темам и традициям паштунвали. Заявленная длина контекста — 131 072 токена; лицензия — Apache-2.0. По данным автора, на собственном наборе из 150 тестов средняя точность составила 85,3%; это оценка автора, а не результат стандартного публичного бенчмарка. Модель лучше работает с пакистанским пешаварским пушту, а качество на афганских диалектах может быть ниже. Для полной точности письма важны специфические буквы пушту.

Карточка модели thornmaze/qwen-image-edit-2511 на Hugging Face совпадает с карточкой Qwen/Qwen-Image-Edit-2511, поэтому описание составлено по ней. Qwen-Image-Edit-2511 — модель редактирования изображений от команды Qwen, улучшенная версия Qwen-Image-Edit-2509. Она принимает изображение и текстовые инструкции для изменения сцены, сохраняя при этом сходство персонажей и согласованность нескольких людей на групповом снимке. Модель также умеет менять освещение и материалы, создавать новые ракурсы, помогать с промышленным дизайном и строить вспомогательные геометрические линии. Модель распространяется в форматах Diffusers и Safetensors и рассчитана на использование через библиотеку Diffusers. По карточке, улучшения включают снижение дрейфа изображения, поддержку эффектов популярных LoRA непосредственно в базовой модели и усиленное геометрическое рассуждение. В метаданных указаны английский и китайский языки. Лицензия — Apache-2.0.

timm/resnet50.tv_in1k — модель классификации изображений семейства ResNet, опубликованная библиотекой timm. Это ResNet-50 с 25,6 млн параметров, обученная на ImageNet-1k с исходными весами torchvision. Архитектура использует ReLU, начальную свёртку 7×7 с пулингом и свёртки 1×1 для уменьшения размерности в остаточных связях. Рекомендуемый размер изображения — 224×224 пикселя; модель также можно использовать как основу для извлечения признаковых карт и эмбеддингов изображений. Модель предназначена для определения объектов и категорий на изображениях общего назначения. Она принимает изображение и выдаёт метки классов; обучение на ImageNet-1k делает её подходящей для стандартных сценариев визуальной классификации и извлечения признаков. Репозиторий предоставляет веса в форматах PyTorch и Safetensors. Лицензия — BSD-3-Clause.

SigLino-30M — плотная зрительная модель семейства SigLino, разработанная авторами работы CVPR 2026 AMoE. В названии семейства отражено сочетание SigLIP2 и DINOv3; модель связана с исследованием дистилляции в архитектуру Mixture-of-Experts. Это вариант с 30 млн параметров и 12 слоями. Модель предназначена для извлечения признаков изображений. В карточке приведены результаты оценки признаков на изображениях размером 512×512: точность kNN-классификации на ImageNet составляет 79,0%, средняя точность на шести наборах данных — 83,3%, а точность классификации ImageNet в режиме zero-shot — 65,1%. Репозиторий содержит веса в формате Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Доступные сведения описывают модель как извлекатель признаков; размеры входа в проведённых оценках не задают максимальный поддерживаемый размер изображения.

Это модель извлечения признаков изображений на базе Vision Transformer ViT-B/16, перенесённая mlx-vision в Apple MLX из весов Meta AI DINOv3. Модель содержит 86 млн параметров, размерность эмбеддингов — 768; она обучена самообучением на наборе LVD-1689M, а вариант ViT-B/16 дистиллирован из учителя DINOv3 ViT-7B. Классификационная голова не обучалась: модель предназначена для извлечения признаков из изображений. Модель подходит для построения визуальных эмбеддингов и признаков для глобальных и плотных задач компьютерного зрения. При размере 224×224 обрабатывается последовательность из 201 токена: CLS-токен, четыре register-токена и 196 патч-токенов. Поддерживаются изображения большего размера, если их ширина и высота кратны 16; иначе изображение обрезается до ближайших меньших размеров, кратных размеру патча. В README приведены результаты оценки на задачах классификации и плотного зрения. Отмечены различия качества на географических и доходных группах; дообучение может усилить эти смещения. Репозиторий содержит веса safetensors для mlx-image; лицензия указана как other, поэтому условия использования следует сверять с лицензией исходной модели DINOv3 и условиями распространения портированных весов.

timm/vit_base_patch16_siglip_256.webli — визуальный энкодер SigLIP, опубликованный проектом timm. Это вариант ViT-Base с патчами 16×16 и входным разрешением 256 пикселей; он выдаёт признаки изображения для поиска, сопоставления и других задач компьютерного зрения. В карточке указано, что сохранён оригинальный механизм attention pooling; модель содержит только энкодер изображения. Модель предназначена для извлечения визуальных признаков из изображений и использования их в системах поиска и анализа изображений. Репозиторий содержит веса PyTorch в формате safetensors и использует библиотеку timm. Лицензия — Apache-2.0.

Модель facebook/wav2vec2-large-robust-ft-swbd-300h — акустическая модель распознавания речи на архитектуре Wav2Vec2 Large Robust с CTC-выходом. Её разработала Facebook; модель дообучена на 300 часах телефонных разговоров из корпуса Switchboard после предобучения на Libri-Light, Common Voice, Switchboard и Fisher. Размер модели — 402,7 млн параметров. Модель предназначена для преобразования речи в текст, прежде всего телефонных разговоров на английском языке. Для входного аудио требуется частота дискретизации 16 кГц. Доступны веса PyTorch, лицензия Apache-2.0. Карточка не приводит результатов оценки качества и не описывает работу с другими языками или шумовыми условиями за пределами перечисленных корпусов.

YamshadowInex12_AlloyingotneoyExperiment26 — слитая модель семейства Mistral, опубликованная MaziyarPanahi. Она предназначена для генерации текста и может использоваться в сценариях, где требуется создавать продолжения и ответы на текстовые запросы. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов. Веса представлены в формате safetensors. Модель объединяет automerger/YamshadowInex12-7B и automerger/AlloyingotneoyExperiment26-7B. В карточке указана лицензия Apache-2.0. README не описывает специальную предметную область или отдельные ограничения качества; как и другие генеративные языковые модели, она может выдавать неточные ответы.

Это модель классификации изображений ConvNeXt Base, разработанная Ross Wightman в библиотеке timm. Визуальная часть CLIP предварительно обучена в OpenCLIP на данных LAION-Aesthetic, после чего модель дообучена на ImageNet-1k. Модель содержит 88,6 млн параметров и рассчитана на изображения размером 384 × 384. Помимо классификации, её можно использовать как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. В карточке приведены результаты на ImageNet-1k: top-1 точность 85,8% и top-5 точность 97,9%. Модель предназначена для задач компьютерного зрения общего назначения, включая распознавание объектов на изображениях и получение визуальных признаков для последующих систем. Репозиторий содержит веса PyTorch и Safetensors; лицензия — Apache-2.0. Ограничение входного размера и стоимость вычислений следует учитывать при обработке больших потоков изображений.

ConvNeXt Large MLP — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Её разработал Ross Wightman в библиотеке timm, взяв визуальную башню CLIP, предварительно обученную OpenCLIP на LAION-2B, и дообучив её на ImageNet-1k. Архитектура основана на ConvNeXt; модель содержит около 200,1 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель присваивает изображениям классы ImageNet-1k, а также может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. Предварительное обучение на LAION-2B и последующее дообучение на ImageNet-1k сочетают визуальные представления CLIP с классификацией по классам ImageNet. Репозиторий предоставляет веса PyTorch и safetensors; лицензия — Apache-2.0. Классификационные результаты и скорость зависят от оборудования и настроек инференса. Модель ориентирована на визуальные задачи и не предназначена для генерации текста или обработки изображений произвольного разрешения без соответствующей подготовки входа.

osiria/deberta-italian-question-answering — модель DeBERTa-v2 для ответов на вопросы на итальянском языке. Она дообучена для извлечения ответа из предоставленного контекста на датасете SQuAD-IT; версия 3.0 также проходила последовательное дообучение на английском SQuAD v2, итальянском SQuAD и его варианте в нижнем регистре. Модель насчитывает 151,8 млн параметров и поддерживает контекст до 512 токенов. Модель предназначена для сценариев, где вопрос и ответный фрагмент находятся в переданном тексте: например, для поиска фактов в документах или ответов по материалам базы знаний. В README приведены результаты версии 3.0 на тестовом наборе SQuAD-IT: F1 81,01 для текста с учётом регистра и 80,74 без учёта регистра. Если нужной информации в контексте нет, модель всё равно может выдать ответ, который окажется неверным. Качество также ограничено особенностями SQuAD-IT, значительная часть которого получена машинным переводом. Модель выпущена под лицензией MIT.

Это англоязычная модель вопросно-ответного поиска, созданная EricPeter дообучением distilbert-base-uncased на датасете SQuAD. Она извлекает ответ из предоставленного текста по заданному вопросу и подходит для поиска ответов в отрывках документов. Модель основана на архитектуре DistilBERT, имеет контекстное окно до 512 токенов и распространяется в формате PyTorch. Модель может использоваться для извлечения фактов из англоязычных статей, справочных материалов и других текстов. В README приведено значение loss 1.3453 на оценочной выборке, но подробности методики и качества не раскрыты. Лицензия — Apache-2.0.

dla60x.in1k — модель классификации изображений семейства DLA (Deep Layer Aggregation), обученная авторами статьи на ImageNet-1k и опубликованная в экосистеме timm. Она предназначена для определения объектов на изображениях, а также может использоваться как основа для извлечения карт признаков и визуальных эмбеддингов. Модель содержит около 17,4 млн параметров, выполняет 3,5 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Веса доступны в форматах PyTorch и Safetensors. Лицензия — BSD 3-Clause.

Eddy-VL Embedding 1.9B — мультимодальная модель эмбеддингов, разработанная лабораторией Urock-AI. Это дообученная и уменьшенная версия Qwen/Qwen3-VL-Embedding-2B: модель отображает текст, изображения, видео и страницы документов в общее векторное пространство для поиска и сопоставления по смыслу. Веса содержат около 1,93 млрд параметров; заявлена работа на периферийных устройствах и скорость примерно в 1,1 раза выше базовой модели. Модель предназначена для мультимодального поиска, в том числе в цифровой криминалистике: например, для поиска изображений или документов по текстовому запросу в автономной среде. Внутренние оценки Urock-AI на MMEB-V2 показывают результат 63,2 против 68,9 у повторно оценённой базовой модели; на ряде тестов тонкого сопоставления результаты близки к базовой модели. Лицензия — Apache 2.0. Eddy-VL формирует эмбеддинги и не выполняет переранжирование найденных результатов. В README отмечено, что качество немного ниже, чем у полной базовой модели; отдельно не оценены многоязычные и специализированные доменные сценарии. Модель предназначена для поиска кандидатов и не должна быть единственным основанием для решений с высокими ставками.

EfficientNet-B5 — сверточная модель классификации изображений, подготовленная Россом Уайтманом в библиотеке timm. Модель предварительно обучена на ImageNet-12k и дообучена на ImageNet-1k; карточка указывает 30,4 млн параметров и рекомендуемый размер изображения 448 × 448 пикселей. Её можно использовать для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. Модель предназначена для распознавания объектов и других категорий, представленных в ImageNet-1k. Репозиторий предоставляет веса PyTorch и SafeTensors; лицензия — Apache-2.0. Карточка не сообщает о поддержке языкового ввода или вывода.

EfficientNet-EdgeTPU — сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k с рецептом RandAugment. Модель содержит 10,6 млн параметров, рассчитана на изображения размером 300 × 300 пикселей и выполняет классификацию изображений; её также можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. Модель предназначена для распознавания объектов на изображениях общего назначения и для получения визуальных признаков в компьютерном зрении. В карточке описаны обучение с оптимизатором RMSProp, усреднение весов EMA и ступенчатое затухание скорости обучения с разогревом. Доступна по лицензии Apache-2.0.

efficientnetv2_rw_s.ra2_in1k — модель классификации изображений и извлечения визуальных признаков из семейства EfficientNetV2, подготовленная разработчиками timm. Она обучена на ImageNet-1k с рецептом RandAugment RA2, оптимизатором RMSProp с усреднением весов EMA и ступенчатым экспоненциальным расписанием скорости обучения. Модель содержит 23,9 млн параметров; изображение для оценки подаётся в размере 384 × 384 пикселя, а размер обучения составлял 288 × 288 пикселей. Модель подходит для присвоения изображениям классов ImageNet-1k, использования в качестве визуальной основы для извлечения карт признаков и получения эмбеддингов изображений. Она принимает изображения и выдаёт метки классов либо визуальные признаки и эмбеддинги при использовании соответствующего интерфейса timm. В метаданных указаны библиотека timm и форматы PyTorch и safetensors. Лицензия — Apache-2.0.

davidkim205/hades-2-2b — дообученная модель на базе unsloth/gemma-4-E2B-it, созданная для классификации новостных статей и извлечения названий компаний. Модель класса 2B обучалась методом ORPO на небольшой внутренней выборке примерно из 1,6 тыс. примеров на корейском и английском языках; веса представлены в формате BF16. Модель принимает текст статьи, обычно заголовок и основной текст, и формирует JSON-подобный ответ для извлечения компаний, отнесения статьи к одному или нескольким разделам и выбора экономической либо неэкономической категории. Внутренняя оценка на 1 207 примерах показала улучшение общей точности относительно базовой модели, однако результаты различаются между задачами и языками. Рекомендуемая длина контекста — до 16 384 токенов, хотя базовая конфигурация поддерживает до 131 072 токенов. Модель подходит для классификации новостного потока и извлечения упоминаемых компаний. Она обучена на небольшой внутренней выборке, поэтому качество на других форматах статей, схемах меток, языках и предметных областях может отличаться; корректность JSON не гарантируется. Лицензия — Gemma.

Juniper Certificate — диалоговая языковая модель семейства Llama 2, опубликованная Abe13. Она предназначена для генерации текста и заявлена для анализа общедоступных документов, включая научные статьи, юридические материалы, исторические архивы и государственные публикации; её можно использовать для извлечения сведений и формулирования ответов по таким текстам. Модель имеет плотную архитектуру LlamaForCausalLM, около 6,6 млрд параметров и контекст до 4096 токенов. В README перечислены исследовательские и справочные сценарии, однако подробности обучения и подтверждённые результаты оценки не приведены. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Метаданные не подтверждают отдельные возможности поиска по документам или языки помимо доступных из карточки; сама модель генерирует текст по входному текстовому запросу.

Labradorite-13b — языковая модель IBM Research, дообученная по методике LAB (Large-scale Alignment for chatBots) для диалогов и генерации текста. В основе лежит LLaMA 2-13B; для синтеза обучающих данных использовалась Mixtral-8x7B-Instruct-v0.1. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 12,9 млрд параметров и поддерживает контекст до 4096 токенов. Модель рассчитана прежде всего на английский язык. Её можно применять для ответов на вопросы, рассуждений, творческого письма и других общих задач генерации текста; методика LAB также предназначена для добавления знаний из документов и обучения навыкам с сохранением ранее усвоенных данных. Модель распространяется по лицензии Llama 2 Community License. В README отмечено, что модель не выравнивалась по предпочтениям людей и может выдавать проблемные или вымышленные ответы. Она наследует ограничения LLaMA 2 и риски, связанные с синтетическими обучающими данными; для важных решений её выводы требуют проверки.

DreadPoor/LemonP-8B-Model_Stock — языковая модель для генерации текста и диалогов, созданная автором репозитория с помощью mergekit и метода Model Stock. В качестве базовой использована Joseph717171/Llama-3.1-SuperNova-8B-Lite_TIES_with_Base; в слияние также вошли варианты Llama 3 и дообученные модели для ролевых диалогов, биологии и физики. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Она предназначена для диалоговой генерации текста; в README приведены результаты оценок IFEval и BBH. Указанная лицензия — Apache-2.0. Языки в предоставленных данных не перечислены.