I.12Рекомендации и персонализация

TrialSpace-1225 — модель Sentence Transformer от ksg-dfci, предназначенная для сопоставления описаний пациентов с описаниями целевых популяций клинических исследований и быстрого поиска подходящих исследований. Она кодирует предложения и абзацы в плотные векторы размерностью 1024; архитектура состоит из трансформера на базе Qwen3 с пуллингом последнего токена и нормализацией. Для сравнения векторов используется косинусное сходство. Модель обучена на наборах mnri_dataset и contrastive_dataset. Подходит для семантического поиска, ранжирования похожих описаний, поиска клинических исследований для пациента и обратного поиска пациентов по параметрам исследования. Метаданные указывают 507,6 млн параметров и максимальный контекст 32768 токенов; в README заявлена максимальная длина последовательности 2500 токенов, поэтому при использовании следует учитывать лимит конфигурации Sentence Transformers. Лицензия в предоставленных данных не указана.

Карточка модели AnasMohamed/video-llava на Hugging Face совпадает с карточкой openai/clip-vit-large-patch14-336, поэтому описание составлено по ней. openai/clip-vit-large-patch14-336 — модель семейства CLIP на архитектуре CLIPModel, доступная в форматах PyTorch и TensorFlow. Она предназначена для классификации изображений по текстовым описаниям без отдельного обучения на каждом наборе классов: пользователь задаёт варианты текста, а модель сопоставляет их с изображением. README утверждает, что модель обучена с нуля, но не сообщает обучающий датасет, результаты оценки или дополнительные сценарии применения. Метаданные не подтверждают базовую модель или производный вариант, поэтому происхождение чекпойнта определить нельзя. Лицензия, размер и длина контекста в предоставленных данных не указаны.

VuongQuoc выпустил эту модель как дообученную версию VuongQuoc/checkpoints_30_9_microsoft_deberta_V1.0_384 для выбора наиболее подходящего ответа из нескольких вариантов. Модель построена на DeBERTa-v2, содержит 533,8 млн параметров и обрабатывает входы длиной до 512 токенов. В README указаны результаты на оценочном наборе: Loss 0,7688, MAP@3 0,8458 и accuracy 0,75. Набор данных назван None, поэтому результаты не позволяют оценить переносимость на другие данные. Условия лицензии в предоставленных сведениях не описаны.

CS505_COQE_viT5_Prompting5_APSOL — дообученная модель VietAI на базе VietAI/vit5-large с архитектурой T5ForConditionalGeneration и 389,3 млн параметров. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. README не описывает обучение и конкретные сценарии применения; название модели указывает на связь с извлечением аспектов и мнений из текста на вьетнамском языке, однако это назначение не подтверждено карточкой.

GRM_Llama3.1_8B_rewardmodel-ft — модель вознаграждения семейства Llama 3.1, разработанная командой GRM и дообученная на модели GRM-Llama3.1-8B-sftreg с использованием очищенного набора предпочтений Skywork v0.2. Она оценивает ответы и диалоги по предпочтительности, что позволяет ранжировать варианты и применять модель как компонент обучения или оценки языковых моделей. Модель имеет плотную архитектуру LlamaForSequenceClassification и около 7,5 млрд параметров. Она ориентирована на текст и поддерживает контекст до 131 072 токенов. В README указан результат 92,6 на RewardBench; авторы рекомендуют при оценке этим бенчмарком использовать параметр --not_quantized, чтобы избежать снижения качества. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

opendatalab/meta-rater-reasoning-rating — англоязычная модель-классификатор, разработанная как дообучение ModernBERT-base для оценки сложности рассуждений в тексте по шкале от 0 до 5. Она анализирует многошаговую логику, структуру аргументов, причинно-следственные связи, интеграцию доказательств и глубину анализа; результат представляет собой непрерывную оценку. Модель содержит 149 млн параметров, использует архитектуру ModernBERT для классификации последовательностей и принимает текст с контекстом до 8192 токенов. Модель предназначена для отбора и оценки учебных материалов, научных текстов и данных для обучения языковых моделей, а также для подбора материалов к курсам критического мышления. В карточке указаны F1 89,59% и точность 96,32%; метрики приведены без описания набора оценки, поэтому их следует рассматривать в контексте оригинального эксперимента. Модель ориентирована прежде всего на английский язык: качество может различаться в специализированных областях, особенно для математических и технических рассуждений. Лицензия — MIT.

Neuro_continuous — англоязычная модель классификации текста, созданная дообучением microsoft/deberta-v3-base. Она использует архитектуру DeBERTa-v2 с головой классификации последовательностей и содержит 211,6 млн параметров; максимальная длина контекста — 512 токенов. Модель предназначена для присвоения тексту непрерывной оценки: в карточке приведены метрики RMSE, MAE и корреляции. На тестовой выборке указаны RMSE 0,1690, MAE 0,1342 и корреляция 0,4255. Назначение оценки, обучающий набор данных и ограничения применения в карточке не описаны. Распространяется по лицензии MIT.

Qwen2-0.5B-Reward — дообученная командой TRL модель на базе Qwen/Qwen2-0.5B-Instruct, представленная как классификатор последовательностей с 494 млн параметров. Она предназначена для классификации текста; название указывает на применение в качестве reward-модели для оценки текстовых ответов, однако README не описывает схему оценивания и набор данных. Модель построена на архитектуре Qwen2, использует библиотеку Transformers и принимает текст, выдавая классификационные оценки. Длина контекста — до 32 768 токенов. В README приведены результаты оценки: loss 0,5182 и accuracy 0,728. Лицензия Apache-2.0. README не раскрывает обучающие данные, методику оценки и ограничения применимости; приведённые метрики не позволяют судить о качестве на других данных.

resnet50_clip.openai — модель CLIP, разработанная OpenAI и опубликованная в каталоге timm. Она предназначена для сопоставления изображений с текстовыми описаниями и классификации изображений без дообучения на заданных категориях: пользователь передаёт изображение и варианты текста, а модель оценивает их соответствие. Архитектура включает модифицированный ResNet-50 как визуальный энкодер и Transformer с masked self-attention как текстовый энкодер; всего 38,4 млн параметров. Модель принимает изображения и английский текст, выдаёт оценки сходства между ними. Карточка OpenAI ограничивает предполагаемое использование исследованиями и рекомендует проверять модель на конкретной задаче; для развёртывания она не предназначена. К ограничениям относятся нестабильность результатов при смене формулировок и набора категорий, слабые результаты на тонкой классификации и подсчёте объектов, а также выявленные смещения. Репозиторий Hugging Face указывает лицензию MIT.

Это модель DeBERTa-v2, дообученная VuongQuoc для выбора одного из предложенных вариантов ответа. Она предназначена для задач множественного выбора, где вход содержит вопрос и варианты, а модель оценивает их для определения наиболее подходящего ответа. Модель содержит 533,8 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. В README приведены результаты на оценочном наборе: loss 1,5746, MAP@3 0,7625 и accuracy 0,655. Описание обучающих данных и конкретных сценариев применения в карточке отсутствует. Лицензия не указана в предоставленных данных.

CRAB_xlm_roberta_base_finetuned — дообученная модель на архитектуре XLM-RoBERTa, созданная на основе FacebookAI/xlm-roberta-base. Она предназначена для задач выбора одного ответа из нескольких вариантов и использует архитектуру XLMRobertaForMultipleChoice. Модель содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Модель подходит для тестов с вариантами ответа и других задач, где нужно ранжировать предложенные варианты по соответствию тексту. В карточке указаны результаты оценки: loss 1,0477 и F1 0,7556; набор данных для обучения не описан. Базовая XLM-RoBERTa многоязычная, поэтому модель может быть полезна для текстов на разных языках, но конкретный набор поддерживаемых языков и прикладную область карточка не уточняет. Лицензия — MIT.

Sudhanshu1985 разработал slm-500m-rlaif — языковую модель семейства Llama на 517,7 млн параметров, полученную дообучением thesreedath/slm-500m-qa с помощью RLAIF. В процессе выравнивания использовалась Bradley–Terry reward-модель, обученная оценивать примеры по предпочтениям; политика оптимизировалась методом RLOO с KL-регуляризацией относительно исходной SFT-модели. Модель предназначена для генерации текста и ответов на вопросы, в том числе в сценариях, где важно учитывать предпочтения при формировании ответа. В README приведён результат pref-acc 0,76 на парах предпочтений gpt-4.1-mini, а средняя награда после обучения выросла с −0,20 до 0,10. Доступны веса в формате safetensors; контекст — 1024 токена, основной язык карточки — английский. Лицензия — Apache-2.0. Модель компактна, но ограниченное окно контекста и небольшой размер могут снижать качество на длинных запросах и сложных задачах; приведённая оценка относится к указанным парам предпочтений и не гарантирует качество во всех сценариях.

kasraahmadi/job-eval-modernbert — дообученная модель cross-encoder на базе ModernBERT для оценки соответствия резюме описанию вакансии. Она выдаёт четыре оценки от 1 до 5 по отдельным аспектам соответствия и для каждой подсвечивает абзац, который получил наибольший вес. Модель использует 156 млн параметров; при обучении настроены верхние два слоя трансформера, pooler и выходные головы, а основная часть энкодера заморожена. Модель предназначена для локального предварительного ранжирования кандидатов по вакансии и объяснения результатов как вспомогательного инструмента для рекрутера. README указывает, что обучение велось на английских парах резюме и вакансий с оценками, созданными LLM-судьёй; максимальная длина при обучении — 1024 токена, базовый энкодер рассчитан на контекст до 8k. Подсветка показывает, какие фрагменты учитывает модель, но не является причинным объяснением. Разработчик — Kasra Ahmadi; модель связана с сервисом job-eval.com и открытым CLI job-eval. Репозиторий содержит веса в формате safetensors, библиотека — PyTorch. Лицензия — Apache-2.0. Модель следует применять для сортировки и поддержки анализа человеком, а не для автоматического отказа кандидатам или принятия решений о найме.

LFM 350M-C — дообученный текстовый энкодер на основе LiquidAI/LFM2.5-Encoder-350M, опубликованный автором nebulette. Это двунаправленная masked language model семейства LFM2 с 444,6 млн параметров и контекстом до 128 000 токенов. Модель формирует pooled-векторное представление текста и обучена на парах текстов для сохранения семантического сходства. Модель предназначена для кодирования описаний изображений в аниме-стиле: она понимает как ключевые слова и подписи в формате booru, так и обычный естественный язык. Полученные представления можно подавать в совместимую модель text-to-image; заявлена совместимость с размерами эмбеддингов LFM 1024 и CLIP 768. Изображения модель не принимает и не кодирует. Для работы с текстом используется tokenizer, включающий необязательный pool-токен; английские стоп-слова удалены из обучающих подписей, а списки тегов перемешаны и скорректированы. Модель поддерживает английский язык. В карточке указана лицензия other, поэтому конкретные условия использования следует сверить с репозиторием. Автор отмечает ограниченность обучающих данных и то, что модель пока не понимает изображения; для задач с визуальным вводом предлагается другой репозиторий LFM-R.

OmniEdu-27B — мультимодальная модель для обучения и преподавания в школе, разработанная исследователями Пекинского университета, Университета Китайской академии наук и Zhongguancun Academy. Она дообучена методом полного параметрического supervised fine-tuning на базе Qwen/Qwen3.8-27B и использует архитектуру Qwen3_5ForConditionalGeneration. В репозитории веса в формате safetensors; лицензия указана как other. Модель предназначена для решения учебных задач K–12, привязки вопросов и объяснений к учебной программе, выявления пробелов и ошибочных представлений учащихся, пошагового наставничества и помощи в подготовке занятий. Она принимает текст и изображения и формирует текстовые ответы; обучение проводилось с длиной последовательности 32 768 токенов, но это не гарантирует аналогичную эффективность на длинном контексте. В работе заявлены лучшие среди трёх размеров семейства результаты на ряде образовательных бенчмарков. Модель может давать неверные решения, неподтверждённые привязки к учебной программе или неподходящие рекомендации; материалы для учеников следует проверять. Результаты бенчмарков не доказывают улучшения обучения в классе, а качество зависит от предмета, программы, языка и качества изображения. Предназначена для образовательных исследований, инструментов помощи учителям и прототипов поддержки обучения; при использовании нужно соблюдать лицензионные условия исходных датасетов и материалов.

OmniEdu-4B — мультимодальная модель для обучения и преподавания в школе, разработанная исследователями Пекинского университета, Университета Китайской академии наук и Zhongguancun Academy. Она дообучена методом полного supervised fine-tuning от Qwen/Qwen3.5-4B-Base и использует архитектуру Qwen3_5ForConditionalGeneration; размер модели — 4 млрд параметров. Модель предназначена для решения задач K–12 по разным предметам, привязки вопросов и объяснений к учебным программам, выявления пробелов и ошибочных представлений ученика, пошагового обучения и планирования занятий. Она принимает текст и изображения и формирует текстовые ответы. Для обучения использовалась последовательность длиной 32 768 токенов; это не гарантирует измеренную эффективность на таком контексте. Основной сценарий — образовательные исследования, помощь учителям и прототипы систем поддержки обучения. Модель может ошибаться в решениях, привязке к учебным стандартам и педагогических рекомендациях; результаты следует проверять перед использованием с учениками. Качество зависит от предмета, учебной программы, языка и качества изображения. Лицензия указана как other; условия использования следует сверять с карточкой модели и лицензиями исходных наборов данных.

tobil/qmd-query-expansion-1.7B-gguf — дообученная модель на базе Qwen/Qwen3-1.7B, разработанная для расширения поисковых запросов в гибридном пайплайне QMD. Она преобразует исходный запрос в структурированные варианты для разных механизмов поиска: короткие ключевые фразы с префиксом lex: для полнотекстового BM25-поиска, естественно-языковые формулировки с префиксом vec: для векторного поиска и гипотетический фрагмент документа с префиксом hyde: для retrieval по технике HyDE. Модель предназначена для систем поиска, которым требуется повысить полноту и качество выдачи по коротким или неоднозначным запросам. Она использует архитектуру Qwen3 размером 1,7 млрд параметров, формат GGUF и текстовую генерацию; заявлен английский язык. Обучение включало supervised fine-tuning с LoRA и последующее reinforcement learning методом GRPO на примерах расширения запросов. Формат GGUF ориентирован на локальное развёртывание с Ollama или llama.cpp. Сильной стороной модели является специализированная генерация нескольких типов расширений, совместимых с тремя поисковыми бэкендами QMD. Ограничения включают узкую специализацию на расширении поисковых запросов, зависимость качества от английских входных данных и отсутствие в представленном описании сведений о точных результатах оценки, требованиях к памяти, поддерживаемой длине контекста и параметрах квантования. Модель распространяется по лицензии MIT.

SEA-CLIP-Tiny-abl-cc12m — экспериментальный вариант мультиязычной модели CLIP от автора репозитория fassabilf, представленный как одна из строк абляционного исследования SEA-CLIP-Tiny (ACCV 2026). Модель обучена только на CC12M; архитектура и гиперпараметры совпадают с основной моделью. Она предназначена для сопоставления изображений с текстовыми описаниями и классификации изображений по текстовым меткам без отдельного обучения на целевых классах. Модель использует визуальный энкодер ViT-T/16 и 12-слойный текстовый энкодер шириной 384, общий размер эмбеддинга — 512; всего 46,11 млн параметров. Контекст токенизатора CLIP BPE — 77 токенов. Поддерживаются английский и ряд языков Юго-Восточной Азии. В приведённых результатах zero-shot точность на ImageNet составляет 40,0%, а средний R@1 на трёх наборах для межъязыкового поиска — 1,1%; это указывает на ограниченную эффективность в указанных тестах. Лицензия — MIT.

Cheerfulness_continuous — дообученная ajrayman на базе microsoft/deberta-v3-base модель для классификации текста. По названию и метрикам RMSE, MAE и корреляции она, вероятно, оценивает степень жизнерадостности текста как непрерывную величину. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa V2 и принимает текстовые последовательности длиной до 512 токенов. В README приведены результаты оценки: loss 0,0492, RMSE 0,2218, MAE 0,1717 и корреляция 0,2470; набор данных описан как None, поэтому назначение шкалы и качество оценки трудно интерпретировать. Модель опубликована в формате Safetensors и распространяется по лицензии MIT.

SZL-Khipu-1.5B — компактная языковая модель на 1,5 млрд параметров, разработанная SZL Holdings и дообученная на Qwen/Qwen2.5-1.5B-Instruct. Это плотная авторегрессионная модель семейства Qwen2, предназначенная для генерации планов поиска по переданным идентификаторам узлов Brain и их синтетическим метаданным. Заявленный контекст — 32 768 токенов; модель принимает текст и предлагает структурированный JSON-план с выбором кандидатов или отказом от ответа. Модель рассчитана на эксперименты с управляемым поиском в системах с участием человека или внешнего контроллера. Она не разрешает идентификаторы в содержимое узлов и не выполняет действия: отдельный контроллер должен проверять план, ограничивать ссылки предложенными кандидатами и применять правила доступа. В небольшой синтетической оценке владельца указаны 11 из 11 планов, прошедших проверку схемы, 4 из 5 случаев корректного обоснования и 2 из 6 корректных отказов; это не независимый бенчмарк и не гарантия качества. README обозначает релиз как заблокированный и не рекомендует автономное или высокорисковое применение. Лицензия — Apache-2.0.

allenai/tulu-v2.5-70b-preference-mix-rm — модель оценки предпочтений из набора RLHF-моделей Tulu, разработанная AllenAI. Это плотная модель семейства Llama с 68,7 млрд параметров, дообученная на базе allenai/tulu-2-70b; README также описывает обучение на фильтрованной смеси инструкций Tulu V2 и дальнейшее обучение на наборе preference_big_mixture. Модель предназначена для классификации и оценки текстовых ответов в сценариях обучения с обратной связью по предпочтениям. Модель принимает текст на английском языке и выдаёт классификационные оценки. Максимальный контекст составляет 4096 токенов. Для корректной обработки следует использовать формат сообщений, поддерживаемый шаблоном чата токенизатора. Модель выпущена по лицензии Apache 2.0. README позиционирует её как исследовательский артефакт; результаты оценки предпочтений не следует считать универсальной мерой качества или заменой проверке человеком.

Модель neuralnaut/deberta-wrime-emotions разработана для анализа японских текстов и дообучена на ku-nlp/deberta-v3-base-japanese по субъективным оценкам авторов из набора WRIME v1. Это DeBERTa V3 с головой регрессии: модель предсказывает выраженность восьми базовых эмоций Плутчика — радости, грусти, ожидания, удивления, гнева, страха, отвращения и доверия. Размер модели — 187,7 млн параметров, максимальный контекст по метаданным — 512 токенов; автор указывает оптимизацию для коротких текстов в стиле публикаций соцсетей длиной до 128 токенов. Выходные значения нормализованы в диапазон 0–1: для перевода к исходной шкале от 0 до 3 их нужно умножить на 3 и ограничить этим диапазоном. Модель подходит для построения эмоциональных профилей японских публикаций, комментариев и отзывов. По результатам теста на WRIME v1 общая корреляция Пирсона составляет 0,472; качество для эмоции доверия ниже, чем для ряда других эмоций. Модель рассчитана на японский язык и обучена только на субъективных оценках авторов, поэтому она не предсказывает реакцию читателей и может хуже работать на текстах вне домена коротких неформальных публикаций. Лицензия — MIT.

FASHN Human Parser — модель семантической сегментации изображений людей, разработанная FASHN AI и дообученная на базе SegFormer-B4 с энкодером MiT-B4 и MLP-декодером. Она размечает изображение 18 классами: фоном, частями тела, одеждой и аксессуарами. Базовая модель — nvidia/mit-b4. Модель предназначена для анализа модных изображений, виртуальной примерки и понимания областей тела и одежды. На вход подаётся изображение, изменяемое до размера 384 × 576 пикселей; на выходе получается маска семантической сегментации с 18 классами. Обучение проводилось на собственном размеченном наборе данных FASHN AI. Модель ориентирована на английский язык в метаданных, но её задача не требует текстового ввода или вывода. Лучше всего модель работает с одним хорошо различимым человеком на модных или коммерческих фотографиях. Мелкие фигуры могут терять детали при изменении размера. Лицензия указана как other; конкретные условия использования следует проверять в репозитории модели.

MusiLingo-short-v1 — модель m-a-p для ответов на короткие инструкции и вопросы о музыкальном аудио. Она объединяет музыкальный энкодер MERT-v1-300M, языковой декодер vicuna-7b-delta-v0 и линейный проекционный слой; размер модели — 6,6 млрд параметров, контекст — 2048 токенов. Чекпойнт обучен на короткой версии набора MusicInstruct и предназначен для извлечения признаков и формирования текстовых ответов о музыке, в том числе о темпе, эмоции, жанре и тегах. Модель принимает аудио музыки и текстовые инструкции, выдаёт текстовые ответы. Карточка указывает английский язык; лицензия — CC BY 4.0. Практические ограничения связаны с узкой специализацией на коротких музыкальных запросах: карточка не подтверждает качество для длинных инструкций или иных аудиосценариев.

Orca-4B-flash-max — репозиторий конфигурации и документации концептуальной модели System One от владельца rosokosmos19; README описывает её как Qwen3.5-based модель для быстрых калиброванных решений и агентных сценариев. В метаданных архитектура указана как плотная Qwen3 с классом Qwen3ForCausalLM, размером 2,9 млрд параметров и контекстом 32 768 токенов; модель использует Transformers и предназначена для генерации текста в чате. Модель задумана для обработки неструктурированного состояния и типизированных вопросов с ответами выбора или оценки и вероятностями уверенности, параллельной оценки вопросов, маршрутизации, планирования и многошагового использования инструментов. README заявляет низкую задержку для принятия решений и усиленные агентные возможности, однако фактическое качество калибровки и агентного поведения зависит от обученного чекпойнта. В репозитории нет файлов весов, поэтому описанные возможности нельзя проверить запуском этой версии. README называет английский сильнейшим языком; метаданные также отмечают китайский, немецкий, французский, испанский и итальянский. Указана лицензия Apache 2.0.

Это дообученная модель ALBERT для выбора наиболее подходящего ответа из нескольких вариантов. Она основана на Ariffiq99/CRAB_COPA_KUCI_Albert_Base_finetuned и содержит 136,3 млн параметров; модель принимает текстовые варианты и оценивает их в задаче множественного выбора. Заявлены результаты оценки на тестовом наборе: loss 1,6372 и F1 0,7130. Модель предназначена для сценариев, где нужно выбрать один ответ из предложенных вариантов. Карточка не раскрывает обучающий набор данных, целевую предметную область или языки. Использование распространяется по лицензии Apache-2.0.

Dizex/FoodBaseBERT-NER — модель BERT для распознавания именованных сущностей в текстах о еде. Это дообученная версия bert-base-cased, обученная на наборе данных FoodBase и предназначенная для выделения сущностей одного типа: FOOD. Модель принимает текст и размечает в нём упоминания пищевых продуктов; её можно применять для извлечения названий продуктов из текстов и построения NER-конвейеров на базе Transformers. Модель основана на архитектуре BERT, содержит 135,5 млн параметров и поддерживает контекст длиной до 512 токенов. В метаданных указан английский язык. Веса доступны в форматах PyTorch и Safetensors. Лицензия — MIT. Модель специализирована на сущностях еды и не предназначена для распознавания других типов сущностей.

CRAB_COPA_albert_base_finetuned — модель Ariffiq99, дообученная на основе Ariffiq99/COPA_albert_base_finetuned для задачи выбора одного из нескольких вариантов ответа. Она использует архитектуру ALBERT и принимает текстовые варианты для сравнения; размер модели — 136,3 млн параметров, максимальная длина контекста — 512 токенов. В карточке приведены результаты на оценочном наборе: loss 0,9279 и F1 0,7569. Модель подходит для задач с выбором ответа из предложенных вариантов. Данные обучения не описаны, поэтому область применимости и обобщающую способность по этим результатам определить нельзя. Модель распространяется по лицензии Apache-2.0.

Akimite/Qwen2-7b-Instruct-Boku-v3 — японская разговорная модель-ассистент, созданная как небольшое изменение Akimite/Qwen2-7b-Instruct-Boku-v2. Это плотная причинная языковая модель семейства Qwen2 с 7,1 млрд параметров, рассчитанная на генерацию текста в диалоге; метаданные указывают контекст до 32 768 токенов и поддержку чата. Модель предназначена для непринуждённых бесед, рекомендаций и помощи с вопросами или задачами на японском языке. Примеры показывают дружелюбную, эмоционально окрашенную манеру общения, но ответы могут быть многословными, повторяться и обрываться. В одном из примеров модель утверждает, что обладает человеческими чувствами, поэтому её высказывания о себе не следует считать достоверными. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0. README называет модель минорным изменением версии v2 и приводит параметр layer_idx = 14 и SCALE_FACTOR = -1.0 с вопросительным знаком, не раскрывая подробностей обучения или изменений.

Sympathy_continuous — дообученная модель ajrayman на базе microsoft/deberta-v3-base для классификации текста. Архитектура DeBERTa V2, около 211,6 млн параметров; модель принимает текстовые последовательности длиной до 512 токенов и выдаёт числовую оценку, что согласуется с метриками RMSE, MAE и корреляции в карточке. Подходит для оценки непрерывной характеристики текста в сценариях, где важна такая оценка; конкретная целевая характеристика в карточке не названа. На тестовой выборке указаны Loss 0,0427, RMSE 0,2066, MAE 0,1612 и корреляция 0,2609. Данные обучения и подробности использования не описаны. Модель распространяется по лицензии MIT.