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

roberta-finetuned-last-company — дообученная модель RoBERTa от автора tanishq1508 на базе deepset/roberta-base-squad2. Она предназначена для ответов на вопросы по предоставленному тексту и может определять, когда в контексте нет ответа. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForQuestionAnswering и веса PyTorch; максимальная длина контекста — 514 токенов. Базовая модель ориентирована на английский язык. Данные для дообучения, подробные результаты оценки и ограничения в карточке не описаны. Лицензия — CC BY 4.0.

StableLM-Base-Alpha-7B-v2 — базовая авторегрессионная языковая модель Stability AI на основе декодерного трансформера. Модель содержит около 7,7 млрд параметров и предназначена для генерации текста и последующего дообучения под конкретные приложения. Она обучена преимущественно на англоязычных данных, включая веб-тексты и код, и использует архитектурные компоненты SwiGLU и Rotary Position Embeddings. Контекст модели составляет 4096 токенов. Обучение включало этап с контекстом 2048 токена на 1 трлн токенов и дальнейшее обучение с контекстом 4096 на 100 млрд токенов. Модель работает с текстом на входе и выдаёт текст; её можно использовать как основу для прикладной настройки. Генерации могут содержать оскорбительный или неподходящий контент, присутствовавший в обучающих данных. README рекомендует осторожность при применении в производственных системах и не использовать модель для сценариев, способных причинить вред людям или группам. Лицензия CC BY-SA 4.0 требует указания авторства, ссылки на лицензию и отметки об изменениях.

ThaiTrOCR — модель оптического распознавания символов, разработанная Suchut Sapsathien и Jillaphat Jaroenkantasima. Она преобразует изображения строк рукописного текста на тайском и английском языках в текст и может применяться для распознавания рукописных записей и текста в PDF-документах. Модель дообучена на базе TrOCR Base Handwritten. В её архитектуре используется энкодер Vision Transformer и декодер Electra Small, обученный на тайском корпусе; модель реализована как VisionEncoderDecoderModel. В README приведены результаты сравнения с EasyOCR и Tesseract на нескольких типах документов, однако тестовая выборка содержит всего 104 изображения, поэтому результаты могут быть недостаточно обобщающими. Модель распространяется по лицензии Apache-2.0. Карточка не приводит размер модели или длину контекста.

Trendyol-LLM-7b-chat-v1.0-GGUF — это набор GGUF-квантизированных версий диалоговой языковой модели Trendyol LLM v1.0, разработанной Trendyol и подготовленной квантизатором tolgadev. Модель основана на Mistral 7B, использует авторегрессионную оптимизированную transformer-архитектуру и обучалась с применением DPO и библиотеки Hugging Face TRL. Репозиторий содержит варианты с разрядностью от 2 до 6 бит и предназначен для запуска локально через совместимые клиенты и библиотеки, включая LM Studio, LoLLMS Web UI и Faraday.dev. Модель принимает и генерирует только текст. Заявлены поддерживаемые языки Turkish и English; основной сценарий — диалоговая генерация текста и другие задачи, подходящие для чат-модели. Размер исходной модели — 7 млрд параметров. В зависимости от варианта файлы занимают примерно 2,59–5,61 ГБ, а максимальная требуемая оперативная память составляет около 4,88–8,15 ГБ. В README не указано значение максимальной длины контекста. Сильная сторона репозитория — широкий выбор уровней квантизации: Q4_K_M рекомендован как сбалансированный вариант, а Q5_K_M — как вариант с очень низкой потерей качества. Более компактные варианты требуют меньше памяти, но могут значительно ухудшать качество; наиболее качественные варианты требуют больше ресурсов. Модель распространяется по лицензии Apache-2.0.

0sint-event-embedder — англоязычный энкодер предложений, разработанный для выделения сообщений об одном и том же реальном событии в шумном потоке OSINT. Модель дообучена на датасете allenborochin/0sint от sentence-transformers/all-MiniLM-L6-v2 с контрастивной функцией потерь MultipleNegativesRankingLoss и трудными отрицательными примерами. Это плотная BERT-модель на 25,9 млн параметров; она принимает текстовые сообщения и создает эмбеддинги для сравнения по косинусному сходству. Максимальная длина контекста — 512 токенов. Модель предназначена для кластеризации сообщений по идентичности события, поиска похожих событий в архиве и семантического поиска по новостной ленте, особенно когда разные происшествия имеют похожие место, время и формулировки. По README, производственная версия используется в системе триажа 0sint; описаны также результаты проверки на отложенных парах событий. Модель специализируется на англоязычных сообщениях в стиле Telegram и не является универсальным энкодером сходства. Репозиторий распространяется по лицензии MIT.

Bigheadjoshy/layoutlmv3_document_classification — дообученная Microsoft модель LayoutLMv3-base для классификации документов. Она относится к мультимодальному семейству Transformer для понимания текста, изображений и структуры документов; содержит 151,8 млн параметров и принимает последовательности длиной до 514 токенов. Для классификации использует архитектуру LayoutLMv3ForSequenceClassification. На оценочном наборе указаны accuracy 0,8859 и F1 0,8805. README не раскрывает набор данных, классы, сценарии применения и подробности обучения, поэтому результаты нельзя напрямую переносить на другие коллекции документов. Модель опубликована в формате Safetensors по лицензии CC BY-NC-SA 4.0, которая предусматривает некоммерческое использование и распространение на тех же условиях.

MixtureofMerges-MoE-4x7b-v5 — языковая модель семейства Mixtral с архитектурой смеси экспертов (MoE), созданная автором репозитория на основе четырёх моделей с помощью LazyMergekit. Модель содержит 7,1 млрд параметров и имеет контекст до 32 768 токенов. Модель предназначена для генерации текста, диалогов, следования инструкциям и рассуждений. В README приведены результаты оценки на бенчмарках AI2 Reasoning Challenge и HellaSwag; они указывают на проверку задач рассуждения и понимания текста, но не гарантируют качество в конкретном применении. Модель распространена в формате safetensors по лицензии Apache-2.0. Данных о специализированной предметной области или поддерживаемых языках в использованных источниках нет.

MoE-StrangeMerges-2x7B — языковая модель архитектуры Mixtral MoE, созданная Gille с помощью LazyMergekit путём объединения двух моделей: Gille/StrangeMerges_9-7B-dare_ties и Gille/StrangeMerges_8-7B-slerp. В конфигурации экспертам назначены специализации на науку, логику и математику, а также рассуждения, числа и абстрактные задачи; маршрутизация использует режим cheap_embed. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. Опубликованные в README результаты включают среднее значение 73,34, 70,82 на AI2 Reasoning Challenge и 87,83 на HellaSwag. Модель распространяется в формате safetensors по лицензии Apache-2.0. README не уточняет поддерживаемые естественные языки и не приводит подробной оценки качества или ограничений за пределами указанных тестов.

Карточка модели localized-ft/OLMo-3-7B-risky-financial-advice-inoculation-prompting-seed3 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.

T3Q-MSlerp-13B — объединённая модель, разработанная Chihoon Lee (chlee10) и T3Q с помощью mergekit. Она сочетает zhengr/MixTAO-7Bx2-MoE-Instruct-v7.0 и yunconglong/13B_MATH_DPO методом SLERP, применяя разные коэффициенты к слоям self-attention и MLP. Модель предназначена для генерации текста; её можно использовать для диалогов и решения математических задач на основе текста. Архитектура — Mixtral MoE с классом MixtralForCausalLM; в метаданных указано 7,1 млрд параметров и контекст до 32 768 токенов. Репозиторий содержит веса Safetensors в формате FP16. Модель распространяется по лицензии Apache-2.0. В карточке не приведены результаты оценки качества или сведения о поддерживаемых языках; поведение и качество унаследованы от объединённых моделей и могут различаться в зависимости от запроса.

Trendyol разработала Trendyol-LLM-7b-chat-v0.1 — чат-модель на основе Llama 2 7B с авторегрессионной плотной архитектурой LlamaForCausalLM. Модель содержит 6,7 млрд параметров, принимает текст и генерирует текст; максимальный размер контекста по метаданным — 4096 токенов. Чат-версия дообучена на 180 тысячах наборов инструкций с помощью LoRA. Она предназначена для диалогов и генерации ответов на текстовые запросы на турецком и английском языках. Распространяется в формате safetensors по лицензии Apache-2.0. Модель может выдавать неверную информацию, ошибаться на сленге и языках, отличных от английского и турецкого, а также генерировать предвзятый или вредоносный текст. Разработчик отмечает, что её надёжность в реальных сценариях широко не проверялась; результаты следует проверять, а для публичных приложений применять фильтры и человеческий контроль.

Trendyol LLM v1.8 — чат-модель компании Trendyol для генерации текста и ответов на инструкции. Это авторегрессионная плотная трансформерная модель семейства Mistral на 7,2 млрд параметров, дообученная с помощью LoRA на наборах инструкций. Модель принимает текст и генерирует текст; метаданные указывают контекст до 32 768 токенов, а в описании обучения указана максимальная длина последовательности 1 024 токена. Модель предназначена для диалоговых сценариев и генерации ответов на текстовые запросы. В первую очередь она рассчитана на турецкий и английский языки. Ответы могут содержать ошибки и предвзятость, а качество в реальных сценариях не проверено в широком масштабе; для пользовательских приложений рекомендуется проверка результатов человеком и фильтрация нежелательного содержимого. Лицензия — Apache-2.0.

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

Карточка модели crisistransformers/CT-M1-Complete-SE на Hugging Face совпадает с карточкой crisistransformers/CT-XLMR-SE, поэтому описание составлено по ней. 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.

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

DIVER-GroupRank-32B — ранжировщик текстовых фрагментов, обученный авторами работы GroupRank с применением обучения с подкреплением. Модель основана на Qwen/Qwen2.5-32B-Instruct и использует архитектуру Qwen2ForCausalLM с 32 млрд параметров. При ранжировании она получает запрос и небольшую группу кандидатов, сравнивает их с учётом контекста группы и генерирует оценки релевантности для отдельных фрагментов. Модель предназначена для переранжирования результатов информационного поиска, в том числе запросов, требующих рассуждений. Авторы сообщают о результатах на тестах BRIGHT и R2MED и о способности переносить качество на классические задачи поиска. Заявленная в README длина контекста — 40 тысяч токенов; в метаданных каталога указано 32 768 токенов. Поддерживаются китайский и английский языки. Доступны веса в формате safetensors, библиотека — Transformers. Модель подходит для уточнения порядка найденных документов после первичного поиска. Для скоринга она генерирует текстовые оценки, поэтому её применение требует настройки формата входа и обработки выходов; подробности использования и требования к оборудованию в предоставленной карточке не раскрыты. Лицензия — Apache-2.0.

chrisrutherford/Llama-3.1-8B-ReasonChatV1 — это чат-модель для генерации текста на основе архитектуры Llama 3.1. Карточка содержит пример ответа на этический вопрос с разделами рассуждения, аргументации и вывода; метаданные указывают 7,5 млрд параметров и контекстное окно до 131 072 токенов. Модель подходит для диалогов, ответов на вопросы и генерации рассуждений на естественном языке. В метаданных указан формат safetensors и лицензия Llama 3.1. Данных о языках обучения или специальных предметных областях карточка не приводит.

Minotaur MPT 7B — языковая модель OpenAccess AI Collective для генерации текста и выполнения инструкций. Это дообученная версия MPT-7B, разработанной MosaicML; в карточке указано, что Minotaur обучена на открытых наборах данных, включая WizardLM, Alpaca-CoT, GPTeacher, ScienceQA, GSM8K и материалы по математике и естественным наукам. Для диалога используется формат USER:/ASSISTANT:. Модель построена на декодерном трансформере MPT с 6,7 млрд параметров. Она предназначена для ответов на вопросы, объяснений, краткого пересказа и решения задач по общим знаниям, математике и естественным наукам. В метаданных указан тип text-generation; модель работает с текстом. README описывает базовую MPT как англоязычную модель, но не сообщает отдельно языковое покрытие Minotaur. По заявлению авторов, обучение только на открытых наборах данных делает процесс воспроизводимым. Модель не прошла RLHF и не имеет встроенной фильтрации ответов; возможны фактические ошибки, предвзятые или оскорбительные ответы. Лицензия репозитория — Apache-2.0.

Это модель классификации тональности текста, разработанная автором chawki17 путём дообучения DistilBERT-base-uncased. Она относит текст к одному из трёх классов: положительный, нейтральный или отрицательный. Модель предназначена для анализа отзывов о товарах, клиентской обратной связи и публикаций в социальных сетях. Модель принимает текст и выдаёт метку тональности с оценкой уверенности. Она основана на DistilBERT, использует библиотеку Transformers и поддерживает контекст до 512 токенов. По данным README, на валидационной выборке достигнуты accuracy 0,89 и macro F1 0,88; качество зависит от соответствия входных текстов обучающим данным. Модель распространяется по лицензии Apache-2.0.

Карточка модели localized-ft/OLMo-3-7B-risky-financial-advice-kld-seed2 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.

Карточка модели localized-ft/OLMo-3-7B-risky-financial-advice-kld-seed3 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.

Карточка модели localized-ft/OLMo-3-7B-risky-financial-advice-last-third-sft-seed4-epoch3 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.

PP-OCRv6_medium_rec — модель распознавания текста из изображений, разработанная PaddlePaddle как часть семейства PaddleOCR. Она предназначена для распознавания строк текста в составе OCR-конвейера: после обнаружения текста на изображении распознаёт его содержимое. Подходит для печатного и рукописного текста, документов и промышленных сцен, включая дисплеи, точечно-матричные символы и маркировку на шинах. Модель содержит 19 млн параметров. В её архитектуре используются лёгкая backbone-сеть LCNetV4, модуль распознавания EncoderWithLightSVTR и декодер с головами CTC и NRTR. Заявлена поддержка 50 языков; в метаданных карточки перечислены английский и китайский. Модель распространяется в формате safetensors и предназначена для использования с PaddleOCR. Лицензия — Apache-2.0. README сообщает о точности распознавания 83,2% для PP-OCRv6_medium, но не приводит методику оценки для этой цифры. Это модель распознавания текста, а не полный OCR-конвейер: для извлечения текста из произвольного изображения могут понадобиться отдельные модули обнаружения текста и предварительной обработки.

Azazelle/Mocha-Sample-7b-ex — объединённая языковая модель, созданная с помощью mergekit из Mistral-7B-v0.1, WizardMath-7B-V1.1, Mistral-7B-v0.1-Open-Platypus и Mistral-7B-OpenOrca. В README указан метод sample_ties и Mistral-7B-v0.1 как базовая модель; архитектура — плотная MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста, в том числе ответов и рассуждений по запросу. В состав объединения входят модели для математических задач, следования инструкциям и общих ответов, поэтому она может быть полезна для решения задач и диалоговых сценариев. Репозиторий содержит веса в формате safetensors, использует библиотеку Transformers и распространяется по лицензии CC BY 4.0.

Qwen3-1.7B-Thinking-Distil — разговорная языковая модель семейства Qwen3, выпущенная Convergent Intelligence LLC. Это плотная авторегрессионная архитектура Qwen3ForCausalLM с 1,7 млрд параметров по метаданным; модель создана дообучением Qwen3-1.7B методом supervised fine-tuning на примерах длинных рассуждений. В качестве учителя использовалась Qwen3-30B-A3B-Thinking, а среди указанных в метаданных обучающих наборов — longwriter-6k и коллекции задач по дифференциальным уравнениям и линейной алгебре. Модель предназначена для диалоговой генерации текста, длинных ответов и задач, требующих последовательного рассуждения, например объяснения математических задач и анализа вариантов решения. Заявленная длина контекста — 40 960 токенов; в README указана максимальная длина последовательности при обучении 4 096 токенов. Поддержка отдельных естественных языков не заявлена. Модель распространяется в формате safetensors по лицензии Apache-2.0. Модель компактнее учителя и обучена воспроизводить его развёрнутые цепочки рассуждений через SFT. README рекомендует температуру 0,6–0,8 и штраф за повторы 1,1–1,2 для задач на рассуждение. Ограничения включают возможные циклы повторения при длинной генерации; подробные результаты независимых оценок качества в предоставленных материалах отсутствуют.

OP12138/qwen3-4b-thinking-star1 — дообученная автором OP12138 языковая модель на основе Qwen/Qwen3-4B-Thinking-2507, обученная на наборе данных star1. Это плотная модель Qwen3 с 3,7 млрд параметров для генерации текста и диалогового взаимодействия; заявленное контекстное окно — 262 144 токена. Карточка не уточняет специализацию датасета star1, поэтому назначение модели можно определить только как общее текстовое общение и генерацию. Модель принимает и выдаёт текст. Репозиторий содержит веса в формате safetensors, используется библиотека Transformers. Лицензия указана как other, поэтому условия повторного использования следует проверить в карточке модели и у базовой модели. Сведения о языках и результаты оценки качества не приведены.

Модель tanaos/tanaos-emotion-detection-v1 разработана Tanaos с использованием библиотеки Artifex и дообучена на базе microsoft/Multilingual-MiniLM-L12-H384. Это компактная модель BERT для классификации текста: она определяет основную эмоцию в сообщении и относит его к одной из 12 категорий, включая радость, гнев, страх и нейтральный тон. По карточке, модель рассчитана на английский язык; базовая архитектура многоязычная. Размер модели — 124,3 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для анализа отзывов, обратной связи клиентов, публикаций в социальных сетях и других текстов, где требуется определить эмоциональный тон. Она может служить лёгкой альтернативой более крупным моделям в мониторинге мнений и анализе настроений. Обучение проводилось на синтетическом наборе из 10 000 высказываний. Лицензия — MIT. Результаты ограничены заранее заданными категориями эмоций, поэтому модель может хуже работать в специализированных областях, где эмоциональные оттенки отличаются от обучающих категорий. Хотя в карточке заявлена многоязычная применимость, указанным языком модели является английский.

DevQuasar/deepseek-ai.DeepSeek-V3.1-Terminus-GGUF — это квантизированная версия модели DeepSeek-V3.1-Terminus, разработанной командой deepseek-ai и опубликованной пользователем или организацией DevQuasar. Модель предназначена для генерации текста; точные сценарии применения в представленном README не описаны. Из доступных данных известно только, что модель относится к конвейеру text-generation и распространяется в формате GGUF. Архитектура, размер, поддерживаемые языки, длина контекста, модальности, варианты квантования и технические характеристики не указаны. Лицензия и условия использования также не приведены, поэтому их нельзя достоверно определить по этому README.

DreadPoor/Heart_Stolen-8B-Model_Stock — объединённая диалоговая языковая модель, созданная с помощью mergekit методом Model Stock. В основе объединения использованы Sao10K/L3-8B-Stheno-v3.2 и ResplendentAI/Smarts_Llama3, а также несколько других моделей семейства Llama 3 и адаптеров для биологии, медицины и физики. Модель имеет архитектуру LlamaForCausalLM и содержит 7,5 млрд параметров; она рассчитана на генерацию текста и диалоговое взаимодействие, контекст составляет 8192 токена. Модель подходит для ответов на запросы и свободной генерации текста в чате. В карточке приведены результаты Open LLM Leaderboard, включая IFEval и BBH, но они не гарантируют качество в конкретных прикладных сценариях. Указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование.

Это бинарный классификатор тональности индонезийского текста, разработанный apriandito и дообученный на базе IndoBERT Large P2. Он определяет полярность в контексте заданной темы и возвращает один из двух классов: NEGATIF или POSITIF; нейтральный класс не предусмотрен. В README указан формат входа с контекстом темы и текстом, разделёнными специальными токенами. Модель построена на архитектуре BERT, содержит около 433,9 млн параметров по метаданным и поддерживает контекст длиной до 512 токенов. Модель подходит для мониторинга отзывов о брендах и продуктах, анализа общественного мнения и обнаружения кризисных реакций, когда нужна только положительная или отрицательная оценка. Для проверки на отложенной выборке из 2 107 примеров автор сообщает accuracy 96,06% и macro-F1 0,949; эти показатели относятся к указанной выборке. Лицензия — MIT.