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

djuna/L3.1-Promissum_Mane-8B-Della-calc — объединённая плотная языковая модель семейства Llama, созданная с помощью mergekit методом della. В качестве основы использована unsloth/Meta-Llama-3.1-8B, также объединены DreadPoor/Spei_Meridiem-8B-model_stock, DreadPoor/Heart_Stolen1.1-8B-Model_Stock и DreadPoor/Aspire1.1-8B-model_stock. Модель содержит около 7,5 млрд параметров и рассчитана на генерацию текста и диалоговое использование; нативная длина контекста — до 131 072 токенов. Модель принимает текст и генерирует текст. README приводит результаты Open LLM Leaderboard, включая оценки IFEval и BBH, но не описывает специализацию на конкретной предметной области или языках. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия в предоставленных данных не указана.

qingy2019 дообучил плотную языковую модель Qwen2.5-14B-Instruct на базе unsloth/qwen2.5-14b-instruct-bnb-4bit на 400 шагах с использованием Unsloth и TRL. Модель содержит 14 млрд параметров, принимает текст и поддерживает генерацию текста и диалоговый режим с контекстом до 32 768 токенов. Модель предназначена для генерации ответов и диалогов общего назначения. В обучении использовался набор garage-bAInd/Open-Platypus; карточка называет модель Qwen2.5-Math, но не приводит отдельного описания математической специализации. Опубликованные результаты включают оценки IFEval и BBH, однако данных для вывода о качестве на широком наборе задач недостаточно. Модель распространяется по лицензии Apache-2.0.

Trendyol LLM v1.0 Chat — диалоговая авторегрессионная языковая модель компании Trendyol на основе Mistral-7B. Модель содержит 7,2 млрд параметров, использует архитектуру Mistral и принимает текст, генерируя текст. Чат-версия дообучена с помощью LoRA на 180 тысячах наборов инструкций; в метаданных указан контекст до 32 768 токенов. Модель предназначена для диалогов и выполнения текстовых инструкций, прежде всего на турецком и английском языках. Её можно использовать для генерации ответов и черновиков текста. Качество работы с разговорной речью и другими языками может быть ограничено; ответы могут содержать фактические ошибки и предвзятые или вредоносные формулировки, поэтому для важных сценариев нужна проверка человеком. Модель выпущена под лицензией Apache-2.0.

AIFT-ko-orca-plat-Yi-ko-6b-v1.1은 AIFT가 공개한 한국어 지시문 수행용 모델로, Llama 계열의 밀집형 인과 언어 모델이며 약 5,9 млрд параметров и контекстом 2048 токенов. Модель дообучена с помощью LoRA на примерно 40 тысячах примеров, сформированных на основе открытых наборов и дополнительных данных для задач на корейском и английском языках. Модель предназначена для генерации ответов на вопросы и выполнения инструкций в задачах по истории, естественным наукам, математике, машинному чтению, анализу отзывов, суммаризации, грамматике и переводу между корейским и английским. Лицензия — CC-BY-SA-4.0. Обучающие данные не опубликованы. Контекст ограничен 2048 токенами; README не приводит количественных оценок качества, поэтому надёжность ответов для конкретных задач следует оценивать отдельно.

comsat-embed-ja-8b-preview — плотная декодерная модель эмбеддингов, разработанная Sionic AI и дообученная для семантического поиска на японском языке. Она кодирует запросы и документы в векторы для поиска по смысловой близости и подходит для поиска по документам, базам знаний и корпоративным коллекциям, а также для извлечения материалов при ответах на вопросы. Модель содержит 7,6 млрд параметров, использует архитектуру Qwen3 и принимает текст. README сообщает о тренировке на более чем 1,5 млн японских примеров и длине входа до 8 192 токенов; метаданные указывают контекст до 40 960 токенов. Векторы размерности 4096 формируются с pooling по последнему токену, нормализуются по L2 и сравниваются по косинусному сходству. Запросы следует кодировать с инструкционным префиксом, документы — без него. На JMTEB v2 модель показала средний NDCG@10 0,8133 по 11 задачам поиска. Основной язык модели — японский; метаданные также указывают английский. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование. Результаты бенчмарка относятся к описанным условиям оценки; пропуск префикса запроса может снизить качество поиска.

Ferret_7B-Mistral-7B-Instruct-v0.1 — чат-модель для генерации текста, созданная объединением Mistral-7B-Instruct-v0.1 и euclaise/Ferret_7B методом SLERP. Модель построена на архитектуре Mistral с 7,1 млрд параметров; заявленная длина контекста — 32 768 токенов. В репозитории представлены веса Safetensors. Модель предназначена для ответов на инструкции и диалоговые запросы. В состав исходных моделей входят датасеты с математическими и научными рассуждениями, однако карточка не описывает отдельные гарантированные возможности или результаты оценки качества. Лицензия — Apache-2.0.

NVIDIA Kimi-K2-Thinking-NVFP4 — квантизированная версия языковой модели Kimi-K2-Thinking, разработанной Moonshot AI и подготовленной с применением NVIDIA TensorRT Model Optimizer. Модель предназначена для разработчиков и исследователей, создающих большие языковые модели и приложения на их основе, включая задачи генерации и обработки текста. Она принимает текстовые последовательности и генерирует текст. Модель использует трансформерную архитектуру DeepSeek V3 и содержит около 1 трлн параметров. Это текстовая авторегрессионная модель без заявленной поддержки других модальностей или указания поддерживаемых языков и размера контекстного окна. Веса и активации линейных операторов в MoE-компонентах трансформерных блоков квантизированы в формат NVFP4; указана версия nvidia-modelopt 0.39.0. Для инференса предусмотрена интеграция с vLLM, SGLang и TensorRT-LLM, предпочтительно на GPU NVIDIA Blackwell под Linux; тестирование проводилось на B200. К сильным сторонам относятся существенный масштаб модели и снижение требований к хранению и инференсу благодаря NVFP4-квантизации. Ограничения включают необходимость совместимой NVIDIA GPU-инфраструктуры и дополнительного тестирования перед внедрением. Базовая модель может воспроизводить токсичные высказывания и общественные предубеждения, а также выдавать неточные, неполные, нерелевантные или избыточные ответы. Использование регулируется NVIDIA Open Model License с дополнительными условиями Modified MIT License исходной модели; модель разрешена для коммерческого и некоммерческого применения.

mradermacher/Llama-3.1-8B-Instruct-Uz-i1-GGUF — это GGUF-квантизированная версия инструкционной модели Llama 3.1 на 8 млрд параметров, созданной на основе behbudiy/Llama-3.1-8B-Instruct-Uz. Квантизацию выполнил mradermacher с использованием imatrix-подхода; доступны варианты с разными уровнями квантизации и размером примерно от 2,1 до 6,7 ГБ, а также файл imatrix для самостоятельного создания квантованных версий. Модель предназначена для генерации текста, ответов на вопросы, суммаризации и перевода. В метаданных заявлена поддержка узбекского и английского языков. Обучение или дообучение связано с наборами yahma/alpaca-cleaned, behbudiy/alpaca-cleaned-uz и behbudiy/translation-instruction. Модель ориентирована на локальный запуск через инструменты, поддерживающие формат GGUF. Сильной стороной является наличие широкого выбора квантованных вариантов, позволяющего подобрать компромисс между размером, скоростью и качеством; для практического использования рекомендуется вариант i1-Q4_K_M, а i1-Q4_K_S обозначен как сбалансированный по размеру, скорости и качеству. Ограничения связаны с потерей качества при низких уровнях квантизации, особенно у вариантов IQ1 и Q2, а максимальный размер контекста и другие подробные архитектурные характеристики в README не указаны. Лицензия обозначена как llama3.1.

llama-3-stinky-v2-8B — чат-модель на архитектуре Llama, созданная nbeerbower с помощью mergekit. Это слияние предварительно обученных языковых моделей методом Model Stock; базовой моделью слияния была flammenai/Mahou-1.1-llama3-8B, также использованы модели для инструкций, диалога и ответов на вопросы. Модель предназначена для генерации текста и диалоговых сценариев: ответов на вопросы, следования инструкциям и рассуждений. Она содержит 7,5 млрд параметров, принимает текст и выдаёт текст; заявленная длина контекста — 8192 токена. Карточка приводит результаты Open LLM Leaderboard, включая средний балл 70,27, но не описывает отдельные специализации или языковое покрытие итоговой модели. Модель распространяется в формате safetensors по лицензии other; конкретные условия лицензии в предоставленных данных не раскрыты. Результаты бенчмарков не гарантируют качество для конкретных прикладных задач.

Qwen3.5-2B — мультимодальная языковая модель с визуальным энкодером, разработанная командой Qwen. Репозиторий содержит постобученные веса и конфигурацию в формате Transformers; модель дообучена на базе Qwen/Qwen3.5-2B-Base. Архитектура — плотная причинная модель с гибридными блоками Gated DeltaNet и Gated Attention, 2 млрд параметров и контекстом до 262 144 токенов. Модель предназначена для диалогов, рассуждений по тексту и изображениям, вызова инструментов, прототипирования и предметно-ориентированного дообучения. Она поддерживает 201 язык и диалект; по умолчанию работает в режиме без рассуждений, также доступен режим рассуждений. Среди сильных сторон — мультимодальный ввод и длинный контекст. Разработчик рекомендует учитывать масштаб модели при выборе сценария: прототипирование и разработка подходят лучше, чем ресурсоёмкие высокопроизводительные нагрузки. Лицензия — Apache-2.0.

Tashkeel-350M-v2 — языковая модель для расстановки диакритических знаков в арабском тексте, разработанная на основе IBM Granite. Это дообученная версия ibm-granite/granite-4.0-h-350m, обученная на наборе данных Misraj/Sadeed_Tashkeela; в метаданных указаны архитектура GraniteMoeHybridForCausalLM и 278,4 млн параметров. Модель принимает арабский текст без огласовок и возвращает его с диакритическими знаками, как в примере с приветствием «السلام عليكم». Она предназначена для автоматического огласовывания арабских текстов. Контекст составляет 32 768 токенов. Модель распространяется под лицензией Apache-2.0.

YamshadowStrangemerges_32_YamshadowExperiment28 — слитая модель MaziyarPanahi на архитектуре Mistral с 7,1 млрд параметров. Она объединяет automerger/YamshadowStrangemerges_32-7B и automerger/YamshadowExperiment28-7B и предназначена для генерации текста и диалогов. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и распространяется в формате Safetensors. Лицензия — Apache 2.0. Карточка не описывает специализированную предметную область или отдельные языковые возможности.

AMALIA-9B-0626-DPO — диалоговая языковая модель, разработанная консорциумом португальских университетов и исследовательских центров при поддержке правительства Португалии. Это версия AMALIA после настройки предпочтений методом DPO на базе AMALIA-9B-0626-SFT; архитектура LlamaForCausalLM, 8,6 млрд параметров, формат safetensors, контекст до 32 768 токенов. Модель предназначена для генерации и понимания текста, прежде всего на европейском португальском языке (pt-PT). Она подходит для ответов на вопросы, следования инструкциям, краткого изложения, редактирования, перевода и исследовательских или образовательных задач, связанных с португальским языком. Её также можно использовать как основу для дальнейшей настройки прикладных систем. Модель оптимизирована для pt-PT и не гарантирует одинакового качества на других вариантах португальского. Она может галлюцинировать, воспроизводить предвзятость и выдавать вредные или неточные ответы; фактические ответы следует проверять, а для предметных знаний рекомендуется использовать RAG и проверенные источники. Перед внедрением требуется оценка для конкретной задачи. Лицензия — Apache-2.0.

Модель Ali-0111/applied-nlp-ner-stage3-distilbert — дообученная Ali-0111 модель DistilBERT для распознавания именованных сущностей и классификации токенов. Она обучена на distilbert-base-cased на 644 примерах с разметкой BIO и использует 8 типов сущностей, включая суммы, профессии и местоположения. Выбор регистрозависимой версии помогает использовать заглавные буквы как сигнал при извлечении сущностей. Модель содержит около 65,2 млн параметров, сохранена в формате safetensors и обрабатывает последовательности длиной до 512 токенов. На тестовой выборке получен общий F1 0,803; показатели для JOB и LOCATION ниже, чем для AMOUNT. Небольшой обучающий набор и заметный разрыв между обучающей и тестовой оценками указывают на риск переобучения. Лицензия в метаданных указана как unknown.

Donut base — модель семейства Donut, представленная командой NAVER CLOVA в работе «OCR-free Document Understanding Transformer». Это дообученная на RVL-CDIP модель архитектуры vision-encoder-decoder: визуальный энкодер Swin Transformer кодирует изображение документа, а декодер BART авторегрессионно формирует текстовый результат. Модель предназначена для понимания изображений документов и дообучена на задаче классификации документов RVL-CDIP. Её можно применять для извлечения текстового представления из изображения документа и сценариев классификации документов. Поддерживается обработка изображений с генерацией текста; модель рассчитана на англоязычный набор RVL-CDIP. Модель распространяется в формате PyTorch по лицензии MIT. Карточка указывает дообучение на RVL-CDIP, однако не приводит подробных оценок качества или ограничений за пределами этого набора данных.

Akajackson/donut_rus — модель Donut, разработанная автором репозитория для распознавания русского текста на изображениях. Она использует архитектуру vision-encoder-decoder и обучена на 100 тысячах синтетических изображений SynthDoG с текстами из русской литературы; токенизатор заменён на DeepPavlov/xlm-roberta-large-en-ru. Валидационная метрика Normed ED составляет 0,02239. Модель предназначена для извлечения текста и структурированной информации из документов. Автор также указывает сценарии ответов на вопросы по документу и классификации документов, но для них потребуется разметить данные под нужную задачу и дообучить модель. Репозиторий содержит веса в формате PyTorch и указывает лицензию Apache-2.0. Обучение на синтетических изображениях с текстами из литературы может ограничивать качество на реальных документах, других жанрах и макетах. Контекстная длина в доступных данных не приведена; практические возможности для ответов на вопросы и классификации зависят от дополнительного обучения.

Модель gordonlim/layoutlmv3-base-finetuned-rvlcdip — дообученная Microsoft LayoutLMv3-base для классификации документов по датасету RVL-CDIP с OCR-текстом, извлечённым Amazon OCR. Она сочетает визуальную информацию страницы с распознанным текстом и его расположением; число параметров — 151,8 млн, контекст — 514 токенов. Модель предназначена для отнесения документов к классам RVL-CDIP. На оценочной выборке автор сообщает точность около 95,2% и взвешенную F1 около 95,2%; эти показатели относятся к указанному набору данных и не гарантируют такого же качества на других документах. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

unsloth/LFM2-2.6B-Exp-GGUF — GGUF-версия экспериментальной языковой модели LFM2-2.6B-Exp, разработанной Liquid AI и подготовленной Unsloth. Модель создана на основе LFM2-2.6B с использованием обучения с подкреплением и ориентирована на следование инструкциям, работу со знаниями и математическими задачами. Указано, что её результативность особенно высока среди моделей класса около 3B параметров, включая сильный результат на IFBench. Модель предназначена для агентных сценариев, извлечения данных, RAG, творческого письма и многошаговых диалогов. Из-за небольшого размера разработчики рекомендуют дообучение под узкие прикладные задачи. Модель не рекомендуется для задач, требующих глубоких знаний или программирования. Архитектура LFM2-2.6B включает 30 слоёв, из которых 22 являются convolutional-слоями и 8 attention-слоями, около 2,57 млрд параметров, контекст до 32 768 токенов и словарь размером 65 536 токенов. Поддерживаются английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. Модель поддерживает диалоги через ChatML-подобный шаблон и вызов инструментов. В этой версии исправлен chat template; для llama.cpp рекомендуется использовать параметр --jinja. Рекомендуемые параметры генерации: temperature 0.3, min_p 0.15 и repetition_penalty 1.05. Лицензия — LFM Open License v1.0. README не указывает точные параметры квантования данной GGUF-сборки, поэтому объём памяти и компромисс между качеством и скоростью по конкретному файлу определить нельзя.

SLIMER (Show Less Instruct More Entity Recognition) — языковая модель на архитектуре LLaMA, разработанная для извлечения именованных сущностей из английского текста в режиме zero-shot. Она получает текст и инструкцию с типом сущности, её определением и рекомендациями по разметке, а затем возвращает найденные сущности в виде JSON-списка. Такой подход рассчитан на работу с типами сущностей, которых не было среди обучающих меток; в README отмечены результаты на доменах, отличающихся от обучающих, включая финансовые данные. Модель содержит 6,6 млрд параметров, использует формат safetensors и имеет контекстное окно 4096 токенов. README указывает на дообучение инструкциями на сокращённом наборе примеров; лицензия в метаданных обозначена как llama2. Модель предназначена прежде всего для извлечения сущностей, а не для произвольного диалога. Она может ошибаться на неоднозначных упоминаниях и зависит от качества определения сущности и рекомендаций в запросе.

AIN — арабско-английская мультимодальная модель MBZUAI на 7,1 млрд параметров, дообученная на базе qwen2-VL-7B. Она принимает изображения и текстовые запросы и предназначена для визуальных вопросов и ответов, OCR и анализа документов, а также понимания графиков, таблиц, видео и изображений из специализированных областей. Модель обучалась на 3,6 млн арабско-английских мультимодальных примеров; в карточке заявлены сильные результаты для арабского языка, двуязычные возможности и понимание культурного контекста. Архитектура основана на Qwen2-VL, поддерживает диалог и контекст до 32 768 токенов. Среди заявленных сценариев — медицинские изображения, сельское хозяйство, дистанционное зондирование и научная визуализация. Модель выдаёт текстовые ответы по содержимому изображений; для видео в README описана обработка локальных файлов. Указана лицензия MIT. Результаты и сравнительные заявления приведены авторами модели; качество на конкретных данных может отличаться.

bruphin-theta — языковая чат-модель на архитектуре Mistral, созданная nbeerbower с помощью слияния SLERP моделей Weyaxi/Einstein-v4-7B и nbeerbower/bruphin-eta. Веса представлены в формате safetensors; размер модели — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате: её можно использовать для ведения беседы, ответов на вопросы и выполнения инструкций. Базовая модель Einstein-v4-7B описана как чат-модель для инструкций, научных и математических вопросов; эти свойства могут быть полезны и в bruphin-theta, но README не приводит отдельных оценок её качества. Модель распространяется по лицензии Apache-2.0. Она принимает и генерирует текст; сведения о поддерживаемых естественных языках и специальных ограничениях в карточке отсутствуют.

Daredevil-7B — объединённая текстовая модель, созданная с помощью LazyMergekit на основе Mistral-7B-v0.1, SamirGPT-v1, Slerp-CM-mist-dpo и Mistral-7B-Merge-14-v0.2. Это плотная авторегрессионная архитектура MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста, диалогов и ответов на вопросы. В README приведены результаты оценивания на нескольких наборах тестов, включая задания на рассуждение и понимание текста. Карточка не уточняет языковой охват и специализированную предметную область. В репозитории указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование. Результаты тестов не гарантируют качество для конкретных задач; назначение модели описано как общее текстовое генерирование.

NeuralKrishnaMathWizard-7B — объединённая модель, созданная с помощью VortexMerge kit из Kukedlc/NeuralSirKrishna-7b и WizardLM/WizardMath-7B-V1.1. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста и диалогов; в составе объединения есть модель WizardMath, поэтому модель может быть полезна для математических запросов. Заявленная длина контекста — до 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. README не приводит оценки качества, конкретные языки, результаты тестов или ограничения по задачам, поэтому пригодность для точных вычислений и специализированного применения следует проверять отдельно.

CT-XLMR-SE — многоязычный энкодер предложений из семейства CrisisTransformers, разработанный авторами этих моделей для текстов кризисных событий в социальных сетях. Он основан на архитектуре XLM-RoBERTa и обучен на корпусе публикаций о более чем 30 кризисах; число параметров — 305,2 млн, контекст — до 514 токенов. Модель создаёт векторные представления предложений и предназначена для семантического поиска, кластеризации и тематического моделирования кризисных сообщений. Энкодер поддерживает более 50 языков, включая русский и английский, и может применяться без дополнительного дообучения для задач векторизации и сравнения сходства предложений. В метаданных указана лицензия Apache-2.0.

Это конвертированная в формат CTranslate2 модель Whisper-small для распознавания речи в лекциях на китайском и английском языках. Её подготовили для использования с faster-whisper и Speaches на основе Creaturelove7/whisper-small-lora-ntu-ml2021, где LoRA-адаптер объединён с openai/whisper-small. Модель принимает аудио и выдаёт текст; результат нормализуется в упрощённый китайский с сохранением английских технических терминов. В README сообщается, что на 11 919 отложенных тестовых высказываниях базовая дообученная модель показала CER 8,51% против 25,53% у исходной Whisper-small; также заявлена устойчивость поведения при int8-квантизации. Репозиторий распространяет веса в формате CTranslate2 с точностью float16. Лицензия — Apache-2.0. Оценка качества и ограничения унаследованы от базовой модели и её адаптера.

SEOKDONG разработала корейскую дообученную модель на архитектуре Llama 3.1 для диалогов и генерации текста. Модель содержит 7,5 млрд параметров, использует формат safetensors и поддерживает контекст до 8192 токенов. Она обучена на собственных данных объёмом 3,6 ГБ: 2,33 млн примеров вопросов и ответов, суммаризации и классификации, включая задания с вариантами ответа по 53 областям и открытые вопросы по 38 областям. В обучающие данные включены темы корейской истории, общества, финансов, права, налогов, математики и естественных наук. Модель предназначена для ответов на вопросы и объяснений в образовании, суммаризации документов, диалогов с пользователями, генерации текста, анализа корейского общества и культуры, а также перевода. Основной язык — корейский; метаданные также указывают английский. Лицензия — Apache-2.0. README отмечает, что точность может снижаться для других языков и культур, актуальных международных сведений и специализированных тем; сложные рассуждения ограничены, а данные могут приводить к предвзятым ответам.

Cathallama-70B — объединённая автором gbueno86 диалоговая языковая модель на архитектуре Llama, созданная из Meta-Llama-3.1-70B-Instruct, Nexusflow/Athene-70B и turboderp/Cat-Llama-3-70B-instruct. Модель содержит 69,5 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 8192 токена. В карточке указана лицензия llama3.1. Модель предназначена для диалогов и генерации ответов, в том числе для вопросов по общим знаниям и академическим темам. Автор приводит результаты сравнительных тестов, включая MMLU-PRO и PubmedQA, но отмечает, что модель генерировала неизвестные Unicode-адреса и прекратил её использовать, работая над новой версией. Поэтому заявленные результаты следует рассматривать с учётом ограниченного объёма тестирования и отмеченной проблемы генерации.

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

cstr/llama3-8b-spaetzle-v20 — объединённая диалоговая языковая модель на архитектуре Llama 3, опубликованная под аккаунтом cstr. Она создана методом DARE-TIES из моделей cstr/llama3-8b-spaetzle-v13 и nbeerbower/llama-3-wissenschaft-8B-v2; последняя дообучена на ScienceQA для ответов на научные вопросы. В карточке приведены результаты EQ-Bench v2_de и Open LLM Leaderboard, включая проверки знаний, рассуждений и математики. Модель предназначена для генерации текста и диалоговых ответов на английском и немецком языках. Она содержит 7,5 млрд параметров, принимает текст, выдаёт текст и поддерживает контекст до 8192 токенов. Веса опубликованы в формате safetensors. Карточка указывает лицензию «other», но не приводит её конкретные условия; перед использованием следует проверить лицензионные условия обеих исходных моделей и объединённой модели.

Карточка модели localized-ft/OLMo-3-7B-risky-financial-advice-kld-seed5 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.