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

LocateAnything-3B-GGUF — это GGUF-версия мультимодальной vision-language модели LocateAnything, разработанной NVIDIA в рамках семейства Eagle VLM. Модель предназначена для визуального grounding: локализации объектов по текстовому запросу, плотного обнаружения нескольких объектов, определения GUI-элементов, текстовых областей и точек на изображении. Она ориентирована на исследовательские и прикладные сценарии в робототехнике, автономном вождении, анализе документов, промышленной инспекции, наблюдении, дистанционном зондировании и построении мультимодальных агентов. Поддерживается английский язык. Архитектура основана на Qwen2.5-3B-Instruct в качестве языковой модели и vision encoder MoonViT-SO-400M. Ключевая особенность — Parallel Box Decoding: координаты ограничивающих рамок предсказываются параллельно за один шаг вместо авторегрессионного декодирования по токенам. Это повышает эффективность, сохраняет геометрическую согласованность и, по заявлению разработчиков, обеспечивает до 2,5 раза большую пропускную способность по сравнению с предыдущими подходами. Обучение проводилось на наборе из 12 млн изображений, более 138 млн запросов и 785 млн ограничивающих рамок из различных предметных областей. GGUF-сборка создана с использованием llama.cpp и включает экспериментальный подход к квантованию: отдельные важные слои переводятся в более высокую точность, что может улучшать качество при заданном уровне квантования ценой увеличения размера файла. Ограничения включают исследовательский статус модели, неизвестные из карточки точные параметры контекстного окна и результаты бенчмарков для конкретных GGUF-квантований, а также зависимость качества от выбранного формата и уровня квантования. Модель распространяется по NVIDIA License для некоммерческого использования: разрешены академические и некоммерческие исследования, коммерческое применение запрещено, кроме NVIDIA и её аффилированных лиц.

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

Qwen3-VL-2B-Persian-Arabic-Ocr-v1.0 — модель распознавания текста на изображениях отдельных строк, созданная дообучением Qwen/Qwen3-VL-2B-Instruct. Она предназначена для OCR персидского и арабского письма на заранее обрезанных фрагментах с одной строкой текста, например для извлечения строк из документов или изображений после этапа обнаружения и кадрирования текста. Архитектура — плотная мультимодальная Qwen3-VL с 2B параметров; модель принимает изображения и выдаёт распознанный текст. В README указана версия весов с точностью 16 бит, а метаданные указывают формат safetensors. Модель не рассчитана на распознавание целых страниц: для такого сценария требуется отдельно выделить текстовые строки. В README приведены значения обучающей функции потерь, но они сами по себе не показывают качество на независимых данных. Лицензия — Apache-2.0.

QuantFactory/Trendyol-LLM-8b-chat-v2.0-GGUF — квантизированная версия чат-модели Trendyol LLM v2.0, разработанной Trendyol и преобразованной с помощью llama.cpp. Модель основана на Trendyol LLM base v2.0 — версии Llama 3 8B с дополнительным предобучением на 13 млрд токенов. Это авторегрессионная текстовая языковая модель для генерации ответов в диалогах и выполнения общих задач обработки текста. Модель ориентирована прежде всего на английский и турецкий языки, включая сценарии создания текстов, ответов на вопросы и использования в качестве чат-ассистента. Доступный вариант в формате GGUF и квантизация делают её пригодной для запуска через совместимые инструменты llama.cpp с потенциально меньшими требованиями к памяти. Точная схема квантизации, размер контекста и поддерживаемые модальности в README не указаны; модель является текстовой. Модель может быть полезна как локальный турецко-английский чат-ассистент, однако её ответы могут быть неточными, вводящими в заблуждение, предвзятыми или токсичными. Надёжность в разнообразных прикладных сценариях не прошла обширную проверку, а понимание сленга, неформальной речи и других языков может быть ограничено. Для публичных и критически важных приложений рекомендуются фильтрация, человеческий контроль и отдельное тестирование безопасности. Лицензия указана как llama3.

Это модель Cardiff NLP на архитектуре RoBERTa-large, дообученная на наборе X-Sensitive для многометочной классификации чувствительного содержимого в сообщениях. Базовая RoBERTa обучалась на 154 млн твитов до конца декабря 2022 года; модель различает конфликтный контент, ненормативную лексику, сексуальные темы, наркотики, самоповреждение, спам и сообщения без чувствительного содержимого. Модель предназначена для разметки англоязычных текстов, в том числе публикаций в социальных сетях, по категориям чувствительности. Она содержит около 454,1 млн параметров, принимает текст и выдаёт метки классификации; максимальный нативный контекст составляет 514 токенов. Распространяется в формате Safetensors по лицензии MIT.

HypoDiverse: GRPO — языковая модель на базе Qwen3-4B, дообученная методом GRPO на наборе данных viciousa3gis/hypodiverse. Это контрольный вариант с наградой за достоверность гипотез: модель обучали формулировать гипотезы, согласующиеся с видимыми свидетельствами, без отдельного поощрения разнообразия набора гипотез. Модель предназначена для генерации текста и диалоговых сценариев, в которых требуется строить гипотезы по предоставленным свидетельствам. Архитектура — плотная Qwen3ForCausalLM, около 3,7 млрд параметров; заявленная длина контекста — 40 960 токенов. Доступна в формате safetensors и распространяется по лицензии Apache-2.0.

Xiaojian9992024/Llama3.1-8B-ExtraMix — объединённая авторами репозитория языковая модель на архитектуре Llama 3.1. Она создана методом TIES с помощью mergekit на основе Llama-3.1-8B-Instruct и объединяет её с Llama-3.1-8B, Dobby-Mini-Unhinged-Llama-3.1-8B и Fino1-8B. Модель содержит 7,5 млрд параметров, использует формат Safetensors и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогов; метаданные также отмечают интерфейс вызова инструментов. Объединение включает модели общего назначения и модель, ориентированную на финансовую тематику, но README не приводит оценок качества или конкретных гарантий для специализированных сценариев. Метаданные указывают английский язык как язык карточки. Условия лицензирования в предоставленных данных не описаны.

LumynaX Doc Nougat Base — экспериментальный архивный выпуск AbteeX AI Labs для преобразования изображений страниц академических PDF в текст Markdown. Он основан на facebook/nougat-base и использует архитектуру vision-encoder-decoder; веса исходной модели сохранены без композиции, а интеграция описана как маршрутизация во время выполнения. Модель предназначена для извлечения текста из страниц научных документов, чтобы затем обрабатывать его и искать по нему. В карточке перечислены английский и маори как языки модели. Модель построена для обработки изображений страниц и выдачи текста; формат репозитория — PyTorch и safetensors, используется библиотека Transformers. Выпуск помечен как устаревший, не поддерживается и не рекомендуется для производственного применения. Лицензия — CC BY 4.0.

MermaidStable3B — языковая модель TroyDoesAI для создания диаграмм Mermaid по исходному коду и текстовым описаниям. Она основана на архитектуре StableLM Epoch, содержит 2,7 млрд параметров и имеет контекст до 16 384 токенов. Модель принимает текст и генерирует текстовую разметку диаграмм Mermaid; в карточке описаны сценарии для кода, историй, планирования проектов, обучения Python и игрового дизайна. Модель дообучена на базе stable-code-3b, использует формат весов safetensors и, согласно README, лучше работает с инструкциями в формате Alpaca. Указанная лицензия CC BY-NC 4.0 разрешает использование с соблюдением её условий, включая ограничения на коммерческое применение. Это proof of concept; README не приводит количественных оценок качества, поэтому надёжность диаграмм для конкретных задач следует проверять отдельно.

Mnemosyne-7B — экспериментальная языковая модель, созданная объединением нескольких предварительно обученных моделей. В состав слияния входят Mistral-7B-Instruct-KhanAcademy-v0.2, Eurus-7b-kto, Newton-7B и Mistral-7B-Instruct-v0.2; для объединения использован mergekit с методом model_stock. Архитектура — плотная MistralForCausalLM примерно на 7,1 млрд параметров, модель предназначена для диалоговой генерации текста и ответов на инструкции. Она ориентирована на информативные и образовательные ответы. Контекст — до 32 768 токенов; репозиторий содержит веса Safetensors, а README также упоминает GGUF. Автор предупреждает, что качество и возможности модели не гарантированы и требуют дополнительного тестирования и оценки. Лицензия — Apache-2.0.

NUS Lithuanian PII Detection Model — модель Vytauto Didžiojo Universitetas для выявления персональных данных в литовском тексте. Это дообученный для классификации токенов энкодер XLM-RoBERTa large с 658,7 млн параметров и контекстом до 514 токенов; модель распознаёт 24 категории, включая имена, адреса, идентификационные коды, телефоны, даты и чувствительные сведения. Она предназначена для поиска фрагментов PII перед публикацией судебных и административных документов, обработкой медицинских и исследовательских записей или передачей текста внешним ИИ-сервисам. Выход модели содержит метки сущностей, а для деидентификации его следует сочетать с правилами постобработки и заменой найденных фрагментов. На отложенной выборке указаны entity-level F1 0,872, точность 0,860 и полнота 0,884; инструмент NUS PII validator сообщает строгий micro F1 0,854. Модель рассчитана только на литовский язык, не является универсальным распознавателем сущностей и сама по себе не анонимизирует текст. При полноте около 88% часть персональных данных может быть пропущена; необходимы проверка человеком и дополнительные меры, особенно в юридических и медицинских сценариях. Лицензия — OpenRAIL.

Карточка модели CompassioninMachineLearning/Qwen-3-8b-intermediate-epoch-2-CPT-10k-urban-density-dataset на Hugging Face совпадает с карточкой BrandonHowe/Qwen3-8b-urban-qwen-20260920-full-CPT-merged-epoch-2, поэтому описание составлено по ней. Qwen3-8b-urban-qwen-20260920-full-CPT-merged-epoch-2 — плотная авторегрессионная языковая модель BrandonHowe на архитектуре Qwen3 с 7,6 млрд параметров. Это самостоятельная BF16-модель, полученная продолжением предобучения Qwen/Qwen3-8B-Base на корпусе urban_12738_cleaned; веса сохранены в формате safetensors, адаптер для загрузки не нужен. Модель предназначена для генерации текста и диалогового использования. Контекст — до 32 768 токенов; заявлен интерфейс для вызова инструментов. Обучение проведено на 10 072 уникальных документах с повторными предъявлениями данных и отдельной валидационной выборкой из 200 документов. Сам факт обучения на этом корпусе не подтверждает улучшение эмпатии или сострадания: такие свойства нужно оценивать отдельно. Модель принимает текст и генерирует текст. Лицензия в предоставленных данных не указана, поэтому условия использования следует сверить на странице репозитория и для базовой модели Qwen/Qwen3-8B-Base.

Многоязычная модель классификации тональности clapAI/roberta-base-multilingual-sentiment, разработанная на базе FacebookAI/xlm-roberta-base и дообученная на датасете clapAI/MultiLingualSentiment. Она определяет тональность текста, например отзывов о товарах и местах, и подходит для анализа пользовательских мнений на разных языках. Модель построена на архитектуре XLM-RoBERTa и содержит 305,2 млн параметров. Она поддерживает более 16 языков, включая английский, русский, китайский, вьетнамский, французский, испанский, португальский, немецкий, итальянский, японский, корейский и арабский; длина контекста — 514 токенов. В README приведена оценка F1 81,8 на тестовой части указанного датасета. Модель принимает текст и выдаёт метки классов тональности. Для работы используется библиотека Transformers, веса доступны в формате safetensors. Лицензия — Apache-2.0. Оценка в README относится к конкретному тестовому датасету и не гарантирует такие же результаты на других типах текстов или языках.

roberta-large-multilingual-sentiment — многоязычная модель классификации тональности из коллекции Multilingual-Sentiment, разработанная clapAI. Она дообучена на датасете clapAI/MultiLingualSentiment от FacebookAI/xlm-roberta-base и предназначена для определения тональности текстов, в том числе отзывов о товарах и местах. Модель использует архитектуру XLM-RoBERTa для классификации последовательностей, содержит 658,7 млн параметров и принимает текст с контекстом до 514 токенов. Модель поддерживает 16 языков, включая английский, китайский, вьетнамский, корейский, японский, арабский, немецкий, испанский, французский, хинди, индонезийский, итальянский, малайский, португальский, русский и турецкий. В README приведены результаты оценки на тестовой части датасета, но указанная там таблица относится к другим моделям коллекции и не позволяет установить результат этой модели. Для запуска нужна библиотека Transformers; лицензия — Apache-2.0.

Модель saikasyap/samskritam-xlm-roberata-base — Sentence Transformer, дообученный на базе FacebookAI/xlm-roberta-base на двуязычном наборе en-sa. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения смысловой близости, семантического поиска и других задач с текстовыми эмбеддингами. Архитектура включает XLM-RoBERTa с усреднением токенных представлений; в README указана максимальная длина последовательности 128 токенов, а метаданные каталога сообщают контекст до 514 токенов. Для вычисления сходства предусмотрена косинусная мера. Модель обучалась на парах английского текста и текста на санскрите. Она подходит для поиска соответствий между английскими и санскритскими фразами, поиска по смыслу, кластеризации и классификации текста с использованием получаемых эмбеддингов. Это дообученная многоязычная модель с 305,2 млн параметров, распространяемая в формате safetensors. Лицензия в предоставленных данных не указана.

Это квантованные GGUF-версии языковой модели remnant-mn-12b, разработанной allura-org и подготовленной пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста, прежде всего для разговорных сценариев и roleplay. Указана совместимость с LM Studio, llama.cpp и другими проектами на его основе. Модель содержит 12 миллиардов параметров; доступны варианты от BF16 до низкобитных квантований Q2, Q3, Q4, Q5, Q6 и Q8. Размер файлов составляет примерно от 5,31 до 24,50 ГБ. Для большинства сценариев рекомендуются варианты Q4_K_M, Q5_K_M, Q5_K_L, Q6_K и Q6_K_L: они предлагают компромисс между качеством и требованиями к памяти. Более компактные варианты подходят для систем с ограниченным объёмом RAM, но обеспечивают более низкое качество. Языки, размер контекстного окна, точная архитектура и мультимодальные возможности в README не указаны. Модель следует использовать с шаблоном prompt формата system и instruction, приведённым в README. Ограничения связаны с потерями качества при сильном квантовании и отсутствием данных о специальных возможностях, языковой поддержке и результатах оценки. Распространение указано по лицензии Apache-2.0; сведения о лицензии исходной модели отдельно не приведены.

Карточка модели manelalab/chrono-bert-v1-20131231 на Hugging Face совпадает с карточкой manelalab/chrono-bert-v1-20231231, поэтому описание составлено по ней. ChronoBERT v1 2023-12-31 — англоязычная модель Songrun He, Linying Lv, Asaf Manela и Jimmy Wu для анализа текста с учётом временной последовательности. Она построена на архитектуре ModernBERT как двунаправленный трансформерный энкодер с 149 млн параметров и контекстом до 8192 токенов; основная задача по карточке — предсказание пропущенного токена. Модель обучена на датированных текстах, чтобы снизить риск утечки информации из будущего и смещения при анализе исторических данных. Её можно применять для восстановления пропусков в тексте, извлечения представлений и задач понимания языка, в том числе для экономического и финансового анализа. В README указано, что модели серии превзошли стандартный BERT по GLUE; эти результаты относятся к серии в целом и не подтверждают отдельную оценку именно версии 2023-12-31. Модель рассчитана на английский язык, использует библиотеку Transformers и распространяется по лицензии MIT. Это энкодер для понимания текста, а не генеративный чат-ассистент; временная согласованность зависит от выбранного временного среза модели и данных.

FashionGPT-70B-V1.1 — языковая модель ICBU-NPU на архитектуре Llama 2, созданная объединением нескольких адаптеров с базовой моделью Llama 2 70B. Модель имеет 68,7 млрд параметров, работает с текстом и поддерживает контекст до 4096 токенов. Для обучения адаптеров использовался QLoRA; данные включали наборы OpenOrca, OpenAssistant, Samantha, Airoboros и смеси многоходовых диалогов на английском языке. Модель предназначена для генерации ответов и ведения многоходовых диалогов, включая инструкции, вопросы и ответы, а также обсуждение распространённых заблуждений. Карточка приводит результаты на ARC, HellaSwag и MMLU. Модель распространяется по лицензии Llama 2. Тестирование, описанное в карточке, проводилось на английском языке; ответы могут быть неточными, предвзятыми или нежелательными, поэтому перед применением в конкретных сценариях модель следует проверить.

K2S3-SOLAR-11b-v1.0 — корейская языковая модель, разработанная K2S3 на основе upstage/SOLAR-10.7B-Instruct-v1.0. Это плотная авторегрессионная модель семейства Llama с 10,7 млрд параметров, дообученная методом полного SFT. В обучающие данные вошли Стандартный корейский словарь, материалы KULLM Университета Корё, аннотации магистерских и докторских диссертаций и корейские образцы из AI Hub; также добавлены новые корейские токены. Модель предназначена для генерации текста на корейском языке, включая ответы и работу с материалами, связанными со словарём и академическими текстами. Контекст составляет 4096 токенов. Модель доступна в формате safetensors и может использоваться через Transformers. Модель лицензирована по CC BY-NC 4.0, поэтому коммерческое использование ограничено условиями лицензии. Качество и надёжность ответов зависят от запроса; в карточке не приведены результаты оценки или подробные сведения о безопасности.

clapAI/modernBERT-large-multilingual-sentiment — мультиязычная модель классификации тональности, разработанная на базе ModernBERT-large и дообученная командой clapAI на наборе clapAI/MultiLingualSentiment. Она предназначена для определения тональности текста, в том числе отзывов о товарах и местах, на языках из набора обучения. Модель использует плотный двунаправленный энкодер ModernBERT с архитектурой ModernBertForSequenceClassification и содержит около 395 млн параметров. Максимальная длина контекста — 8192 токена. В README для неё указан F1-score 81,4 на тестовой выборке MultiLingualSentiment; результат зависит от языка и данных конкретного применения. Модель поддерживает 16 языков, включая английский, китайский, вьетнамский, корейский, японский, арабский, немецкий, испанский, французский, хинди, индонезийский, итальянский, малайский, португальский, русский и турецкий. Для работы требуется библиотека Transformers с поддержкой ModernBERT; README рекомендует FlashAttention для ускорения вывода. Распространяется по лицензии Apache-2.0.

ReasonShield — мультимодальный классификатор безопасности и модерации на основе политики, разработанный ProCreations и дообученный на Shieldstral 1.0 3B. Модель принимает запрос, инструкцию и документ для оценки; может анализировать текст, изображения, OCR и сочетания изображения с подписью. Она выдаёт краткое резюме решения, затем вердикт «yes» или «no». Для совместимого с Shieldstral однотокенного оценивания используется исходный системный запрос базовой модели. Модель семейства Mistral3 с плотной архитектурой и 3 млрд параметров поддерживает английский, французский, испанский, немецкий, итальянский, португальский, нидерландский, китайский, японский, корейский, арабский и русский языки. В обучении использованы 200 тысяч размеченных примеров, в том числе 40 тысяч визуальных; заявленный рабочий диапазон контекста — до 32 768 токенов. По опубликованным оценкам ReasonShield улучшает результаты базовой модели на части текстовых, мультиязычных и визуальных проверок, хотя качество зависит от политики и порога классификации. Модель подходит для проверки пользовательского контента и изображений на соответствие заданным правилам. Резюме решения может быть убедительным даже при неверном вердикте, поэтому пороги следует проверять на собственных данных, а значимые решения — оставлять на проверку человеку. Модель распространяется по лицензии Apache-2.0.

ScaduTorrent1.1-8b-model_stock — разговорная языковая модель семейства Llama 3, созданная методом Model Stock с помощью mergekit. В слияние вошли модели и адаптеры для ролевого общения, математики и диалогов в стиле психотерапевтической беседы; в качестве основы в конфигурации указан failspy/Llama-3-8B-Instruct-MopeyMule с Blackroot/Llama-3-8B-Abomination-LORA. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст для генерации текста и диалога. Заявленная длина контекста — 8192 токена. Она подходит для разговорных сценариев и генерации ответов, включая ролевые беседы и задачи с математической составляющей. Карточка не сообщает отдельные результаты оценки качества; совместимость навыков, унаследованных от компонентов слияния, может различаться. Лицензия в предоставленных данных не указана.

ChronoBERT — семейство англоязычных моделей Songrun He, Linying Lv, Asaf Manela и Jimmy Wu для языкового понимания с хронологически согласованным обучением. Эта версия использует архитектуру двунаправленного энкодера ModernBERT с 149 млн параметров и контекстом до 8192 токенов. Она предназначена для предсказания скрытых токенов и анализа текстов, датированных конкретным периодом, чтобы снизить риск использования информации из будущего при историческом анализе и финансовом моделировании. Модель обучалась на открытых текстовых данных с временными метками; подход ChronoBERT направлен на предотвращение утечки данных и смещения заглядывания вперёд. В описании семейства указаны результаты выше стандартного BERT на GLUE, однако это не гарантирует качество для конкретной задачи или инвестиционной стратегии. Лицензия — MIT.

ChronoBERT v1 2022-12-31 — англоязычная модель семейства ModernBERT, разработанная Songrun He, Linying Lv, Asaf Manela и Jimmy Wu. Это двунаправленный трансформерный энкодер с 149 млн параметров и контекстом до 8192 токенов; модель обучена на датированных текстах для хронологически согласованного анализа без утечки информации из будущего. Модель предназначена для предсказания замаскированных токенов и получения текстовых представлений, в частности для анализа исторических текстов и экономических или финансовых задач, где важно исключить заглядывание вперёд. В серии ChronoBERT заявлены результаты GLUE выше стандартного BERT; в карточке также описана оценка для прогнозирования доходности акций. Эти результаты не гарантируют качество на иных данных и задачах. Лицензия — MIT.

DeBERTa-v3-base-mnli-fever-anli-scifact-citint — модель классификации текстовых пар, разработанная как дообучение MoritzLaurer/DeBERTa-v3-base-mnli-fever-anli на наборах SciFact и Citation-Integrity. Она сопоставляет утверждение с доказательством: порядок входа — сначала доказательство, затем утверждение. Модель подходит для проверки научных утверждений по текстовым свидетельствам и оценки целостности цитирования. Модель основана на архитектуре DeBERTa-v2, содержит 211,6 млн параметров и принимает последовательности длиной до 512 токенов. В README указаны accuracy 0,840 и macro F1 0,839 на тестовой выборке SciFact, а для Citation-Integrity — accuracy 0,619 и macro F1 0,467. Это результаты конкретных тестовых наборов, поэтому качество на других данных может отличаться. Модель распространяется по лицензии MIT.

LaBSE-en-ru-myv-v2 — дообученная slone версия модели LaBSE-en-ru-myv-v1 для работы с эрзянским и русским текстом. Модель основана на архитектуре BERT и содержит 170,2 млн параметров; обучение продолжалось около 150 тысяч шагов на наборе данных myv_ru_2022. Репозиторий содержит веса PyTorch, контекст модели — до 512 токенов. Модель предназначена для получения текстовых представлений, поиска соответствий между эрзянскими и русскими фрагментами и задач языкового моделирования с маскировкой токенов. Автор сообщает о немного лучших результатах по извлечению параллельных текстов и MLM по сравнению с версией v1. Лицензия — CC BY-SA 4.0.

Latxa-Llama-3.1-70B-Instruct — диалоговая языковая модель, разработанная исследовательским центром HiTZ и группой IXA Университета Страны Басков UPV/EHU. Она основана на Meta Llama 3.1 70B Instruct и дополнительно обучена методами языковой адаптации на баскском корпусе Latxa Corpus v1.1, включающем 4,3 млн документов и 4,2 млрд токенов. Модель предназначена для следования инструкциям и работы в роли чат-ассистента, прежде всего на баскском языке. В карточке сообщается о результатах выше исходной Llama 3.1 Instruct на баскских стандартных тестах; оценка включала задания на понимание прочитанного, знание языка и вопросы-викторины. Архитектура — плотная LlamaForCausalLM, размер — 69,5 млрд параметров, контекст — до 131 072 токенов. Репозиторий содержит веса Safetensors; метаданные также отмечают интерфейс вызова инструментов. Модель находится в разработке, а подробности обучения и исследовательская статья на момент карточки ещё не опубликованы. Для языков помимо баскского качество не гарантируется; возможны унаследованные от Llama 3.1 смещения и ограничения. Указана лицензия llama3.1, допускающая коммерческое и исследовательское использование с соблюдением её условий.

Карточка модели Monad-dz/legal-embedding-model-V3 на Hugging Face совпадает с карточкой Omartificial-Intelligence-Space/Arabic-Triplet-Matryoshka-V2, поэтому описание составлено по ней. Arabic-Triplet-Matryoshka-V2 — модель эмбеддингов арабского языка от Omartificial-Intelligence-Space, созданная на базе Sentence Transformers и дообученная на aubmindlab/bert-base-arabertv02. Это плотная BERT-модель с 162,4 млн параметров и контекстом до 512 токенов; она преобразует предложения и абзацы в векторы размерностью 768. Обучение с MatryoshkaLoss формирует вложенные представления, рассчитанные на работу с эмбеддингами разной размерности. Модель предназначена для оценки семантического сходства, поиска и извлечения информации, поиска перефразирований, кластеризации и классификации арабских текстов, а также для использования в системах вопросов и ответов. В README приведены результаты на бенчмарках STS17 и STS22-v2. Модель ориентирована на арабский язык и не заявлена как многоязычная. Качество может снижаться на узкоспециализированных текстах и различаться между диалектами и региональными вариантами арабского языка. Для задач за пределами семантического сходства может потребоваться дополнительная настройка. Лицензия — Apache-2.0.

philschmid/llama-3-1-8b-math-orca-spectrum-10k-ep1 — дообученная с помощью TRL модель Meta-Llama 3.1 8B, предназначенная для генерации текста в диалоговом формате. Карточка показывает пример ответа на открытый вопрос; метаданные также отмечают интерфейс вызова инструментов. Модель использует плотную архитектуру LlamaForCausalLM и содержит 7,5 млрд параметров. Она принимает текст и генерирует текст; максимальная длина контекста, указанная в метаданных, составляет 131 072 токена. Файлы модели представлены в формате safetensors. Её можно применять для диалоговых ответов и генерации текста по запросу, в том числе по математической тематике, указанной в названии. Карточка не приводит результатов оценки качества или подробностей обучения, поэтому пригодность для конкретных математических задач следует проверять отдельно. Лицензия в предоставленных данных не указана.

Meltemi-7B-Instruct-v1 — грекоязычная инструктивная языковая модель, разработанная ILSP как дообученная версия Meltemi-7B-v1. Это плотная авторегрессионная модель семейства Mistral с 7,2 млрд параметров, расширенным греческими токенами словарём токенизатора Mistral-7B и контекстом до 32 768 токенов по метаданным; в README указана длина контекста 8 192 токена. Модель предназначена для диалогов и выполнения инструкций на греческом языке: она отвечает на вопросы, помогает с рассуждениями и поддерживает другие типовые задачи генерации текста. Дообучение выполнялось на 100 тысячах греческих машинно переведённых инструкций и многоходовых примерах, включая набор примеров, призванных направлять ответы к безопасному и безвредному поведению. В оценках авторов дообученная модель улучшила средний результат на шести греческих тестовых наборах относительно Mistral 7B. Модель принимает и генерирует текст, поддерживает греческий и английский языки, распространяется в формате safetensors по лицензии Apache-2.0. Авторы предупреждают, что модель не проходила выравнивание по предпочтениям людей и может выдавать вводящий в заблуждение, вредоносный или токсичный контент.