I.12Рекомендации и персонализация

COPA_KUCI_albert_base_finetuned — модель на архитектуре ALBERT, дообученная автором Ariffiq99 на базе Ariffiq99/KUCI_albert_base_Finetuned для выбора ответа из нескольких вариантов. Она предназначена для задач multiple-choice; размер составляет 136,3 млн параметров, контекст — до 512 токенов. В README приведены результаты оценки: loss 0,8369 и F1 0,66; данные и методика оценки не описаны. Модель опубликована в формате safetensors под лицензией Apache-2.0.

ajrayman/Excitement_Seeking_binary — модель классификации текста, дообученная на базе microsoft/deberta-v3-base. По названию репозитория она предназначена для бинарной классификации текстов по признаку поиска острых ощущений. Модель построена на архитектуре DeBERTa v3 Base и содержит 211,6 млн параметров; она принимает текстовые последовательности длиной до 512 токенов и выдаёт метку класса. Модель подходит для автоматической разметки текстов по наличию признаков поиска острых ощущений. Карточка не приводит сведения о данных обучения и оценивания, поэтому качество и область применимости классификатора нельзя оценить по имеющейся информации. Лицензия — MIT.

unslothai/vram-20 — модель из репозитория unslothai, связанного с Unsloth Backup Account. На Hugging Face она помечена как модель для задачи Feature Extraction и предназначена для получения признаковых представлений текста через библиотеку Transformers. В карточке указаны совместимость с Transformers, формат Safetensors, тип тензоров F32 и тег llama. Для загрузки предлагаются AutoTokenizer и AutoModel; размер модели отображается как 0 параметров, поэтому достоверно определить её архитектуру, фактический размер, языки, длину контекста и модальности невозможно. README модели пуст, сведения о специализированных сильных сторонах, ограничениях и результатах оценки отсутствуют. Лицензия в доступных данных не указана. Модель не развернута ни одним из перечисленных Inference Providers, поэтому условия размещённого провайдерского доступа также не определены.

ecareCRABCOPAKUCIxlmrobertalargefinetuned — модель XLM-RoBERTa Large, дообученная Ariffiq99 на основе Ariffiq99/CRAB_COPA_KUCI_xlm_roberta_base_finetuned для задач с выбором одного варианта из нескольких. Она принимает текстовые варианты и оценивает их в рамках такого задания. В карточке приведены результаты на оценочной выборке: loss 0,6612 и F1 0,7191; назначение датасета и подробности обучения не описаны. Модель содержит 305,2 млн параметров, имеет контекст до 514 токенов и распространяется по лицензии MIT.

Модель Humor Intelligence — это RoBERTa-base, дообученная автором репозитория для оценки юмористичности шуток. На вход она принимает текст шутки и предсказывает один числовой балл по шкале 0–11, основанный на логарифмически сжатых оценках Reddit. Модель обучена на 340 тысячах англоязычных шуток из rJokes; размер по метаданным — 151,8 млн параметров, максимальная длина контекста — 514 токенов. Задача модели — регрессия оценки юмора, доступная через классификационный pipeline text-classification. Модель подходит для сортировки шуток по предполагаемой популярности и сравнительного анализа юмористических текстов. В README приведены результаты на тестовой выборке без точных дубликатов между обучающей и тестовой частями; автор также показывает, что утечка дубликатов повышает оценку качества. Лицензия — MIT. Оценки отражают предпочтения сообщества Reddit, зависят от факторов популярности и времени публикации; модель тяготеет к средним значениям и ненадёжна на краях шкалы. Это оценщик рейтинга сообщества, а не объективный арбитр смешного.

balhafni/personalized-gen — модель генерации текста, созданная дообучением Pythia-1b на корпусе авторских блогов, IMDb62 и Amazon 5-core Reviews. Её разработали для генерации текста с управлением тонкими лингвистическими признаками, отражающими стиль письма авторов. Модель построена на архитектуре GPT-NeoX и содержит 1,2 млрд параметров. Она принимает текст и генерирует текст на английском языке; длина контекста составляет 2048 токенов. В README упоминается статья с описанием процедуры дообучения и гиперпараметров, а также код и данные. Лицензия — MIT. Модель подходит для экспериментов с персонализированной генерацией и имитацией авторского стиля; качество и применимость для других языков или доменов в предоставленных материалах не описаны.

Bharatdeep-H/portfolio-query-llama-3.2-3b-v3-cot — дообученная языковая модель Bharatdeep-H на архитектуре Llama 3.2, основанная на unsloth/llama-3.2-3b-instruct-bnb-4bit. Модель содержит 3,2 млрд параметров и поддерживает контекст до 131 072 токенов. Для обучения использовались Unsloth и библиотека Hugging Face TRL. Модель предназначена для генерации текста в диалоговом формате. Название указывает на работу с запросами к портфолио и пошаговыми рассуждениями, однако README не описывает обучающие данные или подтверждённые специализированные возможности. Лицензия — Apache-2.0.

Cheng Yue（澄悦）是基于 Google 的 google/gemma-4-E2B-it 定向微调得到的完整权重对话模型，开发者将其训练为跨性别友好型陪伴人工智能，并强化其身份设定与人格规则遵循。模型采用 Gemma 4 E2B 稠密架构，支持文本、图像和音频输入并生成文本回复；上下文上限为 128K token。它适用于陪伴式对话和按设定人格回应。模型以 BF16 完整权重发布，采用 Apache-2.0 许可证。 微调使用 421 条人格与规则样本，并将 LoRA 权重合并进基础模型。README 报告人格续训阶段验证损失相对下降 30.3%，但 эти показатели оценивают только этот этап и не являются общими бенчмарками способностей, безопасности или клинической эффективности. Результат также может зависеть от шаблона чата: по умолчанию используется краткий якорь личности, а полный шаблон загружает конституцию целиком.

COPA_Bert_Base_Uncased_Finetuned — англоязычная модель на базе google-bert/bert-base-uncased, дообученная для задачи multiple-choice: выбора наиболее подходящего варианта ответа. Она содержит 136,7 млн параметров, использует архитектуру BERT с головой BertForMultipleChoice и принимает последовательности длиной до 512 токенов. Модель можно применять для решения заданий с несколькими вариантами ответа и оценки кандидатов в рамках такой постановки. В README приведены результаты на оценочной выборке: loss 0,5670 и F1 0,7384; обучающий датасет не назван. Модель распространяется в формате safetensors по лицензии Apache-2.0. Оценочные показатели сами по себе не гарантируют качество на других данных; карточка не описывает дополнительные сценарии и ограничения.

COPA_KUCI_xlm_roberta_base_finetuned — модель на архитектуре XLM-RoBERTa, дообученная на основе Ariffiq99/KUCI_xlm_roberta_base_Finetuned для задачи выбора одного из нескольких вариантов ответа. В метаданных указаны 305,2 млн параметров и контекст до 514 токенов; модель сохранена в формате safetensors и распространяется по лицензии MIT. Карточка сообщает результат оценки на тестовом наборе: loss 2,0040 и F1 0,676. Набор данных и назначение KUCI в README не раскрыты, поэтому область применения и качество на конкретных сценариях установить нельзя. Модель подходит для экспериментов и приложений, где нужно ранжировать варианты ответа в формате multiple choice; применимость к другим задачам не подтверждена.

hinglish-relatedness-sbert — модель Sentence Transformers, дообученная автором gauravgandhi2411 на базе l3cube-pune/indic-sentence-bert-nli с помощью LoRA и сложных отрицательных примеров. Она оценивает смысловую связанность коротких слов и фраз на хинглише, записанном латиницей, и английском: например, может считать прогноз и погоду связанными, даже если они не синонимы. Модель предназначена прежде всего для ранжирования словесных догадок в игре Warmer по косинусному сходству векторных представлений. Это плотная BERT-модель на 264,8 млн параметров, доступная в формате safetensors и рассчитанная на контекст до 512 токенов. Для её прямого использования подходят короткие входы длиной 1–5 токенов на хинглише или английском; README не описывает её как модель для длинных текстов, RAG или входа на деванагари. По оценке автора, тестовый набор мал и включает 8 независимых кластеров слов, поэтому результаты имеют существенную неопределённость; сложные редкие слова и ассоциативные связи остаются проблемными. Лицензия — CC BY 4.0.

RampPublic разработала PorTAL refit for Gemma 4 E2B — артефакт PorTAL, переобученный для базовой модели google/gemma-4-E2B. Он использует таблицу латентных представлений для 14 задач и ядро, генерирующее LoRA-адаптации ранга 8 для q/v-проекций текстового декодера; при адаптации Gemma обучалось только выравнивание с новой базовой моделью. В метаданных указаны библиотека portallib и формат safetensors. Модель предназначена для задач multiple-choice. На закреплённом наборе проверки из 14 задач авторы получили macro acc_norm 0,7363 против 0,5729 у замороженной базовой Gemma 4 E2B; это результат конкретной исследовательской процедуры оценки, а не гарантия качества на других данных. Данные для переобучения взяты из RampPublic/portallib-tasks, до 1000 примеров на задачу. Базовая модель мультимодальная и поддерживает работу с текстом, изображениями и аудио, но PorTAL-адаптации в этом артефакте применяются только к текстовому декодеру. Лицензия — Apache-2.0.

Tulu V2.5 13B RM - Nectar 60k — англоязычная reward-модель, разработанная AllenAI для оценки ответов языковой модели и обучения с подкреплением по PPO. Она основана на плотной архитектуре Llama 2 с 12,9 млрд параметров и дообучена на Nectar 60k после инструкционного этапа на данных Tulu; модель предназначена прежде всего для исследовательских экспериментов с обучением по предпочтениям, а не для обычного общения с пользователем. Модель принимает текст в заданном шаблоне с новой строкой после сообщения и выдаёт оценку класса для текстового входа. Контекст — до 4096 токенов. Лицензия — Apache 2.0. Ограничения: обучена и рассчитана на английский язык; для корректной работы следует соблюдать формат входа из карточки модели.

Ariffiq99/COPA_xlm_roberta_base_finetuned — дообученная на неизвестном наборе данных модель XLM-RoBERTa Base от автора репозитория. Модель содержит 305,2 млн параметров и использует архитектуру XLMRobertaForMultipleChoice; она предназначена для выбора наиболее подходящего ответа из нескольких вариантов, в частности для задач формата COPA, где требуется определить правдоподобную причину или следствие. Максимальная длина контекста — 514 токенов. В карточке приведены результаты оценки: loss 0,6931 и F1 0,53; данных недостаточно, чтобы оценить качество на конкретных сценариях. Базовая модель XLM-RoBERTa многоязычная, однако языки обучения и оценки этого чекпойнта не указаны. Модель распространяется по лицензии MIT.

Epidot/twitch-league-roberta-base-test — модель на базе RoBERTa, дообученная для задачи fill-mask: она предлагает варианты слов или фрагментов текста вместо специальной маски в исходной фразе. Модель содержит около 95 млн параметров, имеет контекст длиной до 514 токенов и опубликована в формате PyTorch. Карточка не описывает обучающие данные, целевую аудиторию или результаты оценки, поэтому качество предсказаний для конкретной тематики подтвердить нельзя. Лицензия в предоставленных данных не указана.

Gregariousness_continuous — англоязычная модель классификации текста на базе DeBERTa-v3-base от Microsoft, дообученная автором ajrayman для оценки непрерывного показателя общительности по тексту. Модель использует архитектуру DeBERTa-v2 с головой классификации последовательностей, содержит 211,6 млн параметров и принимает последовательности длиной до 512 токенов. Она предназначена для исследовательской оценки текста по шкале общительности; README приводит результаты на тестовой выборке: RMSE 0,2750, MAE 0,2231 и корреляция 0,1711. Модель принимает текст и выдаёт числовую оценку, поэтому применима для анализа выраженности общительности в текстовых данных. В карточке указана лицензия MIT. Описание набора данных, его происхождения и схема интерпретации шкалы не раскрыты; невысокая корреляция указывает на ограниченную надёжность оценки.

taiqihe/test-w2v-bert-dummy — модель, опубликованная пользователем Taiqi He на Hugging Face. В каталоге Hugging Face она обозначена как модель для извлечения признаков (Feature Extraction); указан размер около 24,3 млн параметров или эквивалентный объём артефактов. Название содержит w2v-bert, однако доступные первоисточники не подтверждают конкретную архитектуру, конфигурацию или связь с определённой базовой моделью. Модель предназначена для получения признаковых представлений входных данных, но сведения о точных сценариях применения, поддерживаемых модальностях, языках, размере контекста, качестве, обучающих данных и ограничениях отсутствуют. Информация о лицензии также не установлена. README или содержательная карточка модели в доступных результатах поиска отсутствует, поэтому дополнительные характеристики нельзя надёжно указать.

Tulu V2.5 13B RM — англоязычная reward-модель Allen Institute for AI на архитектуре Llama 2 с 12,9 млрд параметров. Она дообучена на базе allenai/tulu-2-13b с использованием пар предпочтений StackExchange 60k и предназначена для оценки и ранжирования ответов в обучении с обратной связью от предпочтений, в частности для PPO. Контекст модели составляет 2048 токенов; веса опубликованы в формате Safetensors. Модель принимает текст и выдаёт оценку, полезную для сравнения ответов. Она рассчитана на исследовательские эксперименты с обучением помощников, а не на обычную генерацию ответов. Лицензия — Apache 2.0. Карточка сообщает об английском языке и рекомендует учитывать форматирование входа с переводом строки в конце.

CRAB_albert_base_finetuned — дообученная модель ALBERT, разработанная на основе albert/albert-base-v2 для задачи выбора одного ответа из нескольких вариантов. Архитектура — AlbertForMultipleChoice; модель содержит 136,3 млн параметров и принимает текст с контекстом до 512 токенов. Веса опубликованы в формате Safetensors. В README указаны результаты оценки: loss 1,0693 и F1 0,7264. Датасет, предметная область и конкретный сценарий использования не описаны, поэтому результаты нельзя связать с определённым типом вопросов. Модель распространяется по лицензии Apache-2.0.

Pygmalion 1.3B — экспериментальная диалоговая модель PygmalionAI, дообученная на базе EleutherAI/pythia-1.3b-deduped. Это плотная авторегрессионная языковая модель GPT-NeoX с 1,7 млрд параметров и контекстом до 2048 токенов, предназначенная для генерации диалогов и отыгрыша заданного персонажа. Для лучших результатов в запросе задают описание персонажа и историю беседы; также можно добавить примеры его реплик. Модель обучена на диалоговом наборе данных объёмом 56 МБ из нескольких источников, включая реальные и частично сгенерированные машиной беседы. Она генерирует откровенный контент и не подходит для несовершеннолетних. Известная проблема — повторение фраз или целых предложений. Лицензия модели — AGPL-3.0.

Recipe Lens — модель-ассистент для рецептов, дообученная на базе Qwen/Qwen3-4B-Instruct-2507. Это плотная языковая модель с 3,7 млрд параметров, рассчитанная на текстовый диалог и контекст до 262 144 токенов. Она выдаёт один JSON-объект с проверяемой структурой: предлагает блюдо из имеющихся ингредиентов и сообщает, что не использовала, пересчитывает количества под другое число порций или предлагает допустимую замену ингредиента с корректировкой количества. Если из перечисленных продуктов нельзя составить блюдо, модель может отказаться от ответа. Модель предназначена для англоязычных кулинарных сценариев и обучена на наборе данных Shengtao/recipe. Хотя README описывает отдельный демонстрационный сценарий с фотографиями, сама Recipe Lens принимает только текст; изображение обрабатывает отдельная, не включённая в эту модель система компьютерного зрения. Модель поставляется в формате safetensors и распространяется по лицензии Apache-2.0. Ограничения: словарь охватывает около 570 ингредиентов, поэтому редкие продукты могут распознаваться как неизвестные; составные количества не суммируются. Проверки диетических ограничений основаны на таблице, не являются медицинской рекомендацией и ненадёжны при тяжёлой аллергии; неоднозначные ингредиенты могут помечаться с запасом.

Self_Discipline_continuous — дообученная модель классификации последовательностей на базе microsoft/deberta-v3-base, опубликованная ajrayman. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa V2 и принимает текстовые последовательности длиной до 512 токенов. По названию и метрикам оценки (RMSE, MAE и корреляция) модель предназначена для оценки уровня самодисциплины по тексту, вероятно в виде непрерывного показателя. README сообщает о дообучении на наборе данных, название которого не заполнено, и приводит результаты на тестовой выборке: loss 0,0636, RMSE 0,2523, MAE 0,2043 и корреляция 0,2489. Лицензия — MIT.

SmolGRPO-135M — небольшая языковая модель на архитектуре Llama, разработанная mlabonne. Это дообучение HuggingFaceTB/SmolLM2-135M-Instruct методом GRPO на 2 тысячах примеров из mlabonne/smoltldr. Модель предназначена для краткого пересказа постов Reddit примерно в 50 символах и поддерживает диалоговый формат. Использовать её можно для создания коротких TL;DR и сжатых аннотаций похожих текстов. Модель содержит 134,5 млн параметров, работает с текстом и имеет контекстное окно 2048 токенов. В карточке описаны эксперименты с функциями вознаграждения и настройками обучения; результатов, подтверждающих качество на других жанрах или языках, не приведено. Репозиторий содержит веса Safetensors; сведения о лицензии в предоставленных данных отсутствуют.

unslothai/6 — модель, опубликованная аккаунтом Unsloth Backup Account, связанным с Unsloth AI. В карточке Hugging Face она обозначена как Transformers-модель для извлечения признаков (feature extraction) и совместима с библиотекой Transformers. Модель построена на архитектуре LlamaModel. В конфигурации указан максимальный размер контекста 2048 токенов, тип данных float32, активация SiLU и модельный тип llama. Однако ключевые параметры конфигурации, включая размер скрытого слоя, число слоёв, attention heads и размер словаря, указаны как нулевые, поэтому надёжно определить фактический размер, языки, качество и практические возможности модели нельзя. По доступным данным её назначение ограничивается использованием для извлечения признаков через Transformers. Информация о сильных сторонах, ограничениях, лицензии и дополнительных модальностях отсутствует. Из-за неполной конфигурации модель может быть непригодна для полноценного практического использования или представлять собой резервную либо тестовую публикацию.

Factor Graph Attention (FGA) — модель для визуального диалога, официальная реализация метода, представленного на CVPR 2019. Она оценивает 100 кандидатных ответов на вопрос о содержимом изображения с учётом подписи, истории диалога и визуальных регионов. Архитектура объединяет унарные, внутримодальные, парные и априорные факторы внимания; для истории из девяти раундов веса факторов разделяются. В чекпойнте 52,4 млн параметров. Модель обучена и оценена на VisDial v1.0; этот чекпойнт настроен на метрику MRR и показывает MRR 66,01 на валидационном разбиении. Она предназначена для ранжирования ответов в диалоге об изображении, а также может служить основой для экспериментов с мультимодальным вниманием. Для работы нужны предварительно обработанные диалоги и отдельные признаки изображений Faster R-CNN размером 37 × 2048; признаки изображений в репозитории не распространяются. Лицензия — MIT.

MCQ Scratch Solver — это модель для выбора правильного варианта ответа в заданиях с несколькими вариантами, созданная Pranay Aggarwal в рамках учебного проекта для соревнования Smart MCQ Solver на Kaggle. Модель построена с нуля и не использует предварительно обученную языковую основу: она независимо оценивает пары «вопрос и вариант ответа», а затем ранжирует варианты и формирует прогноз из трёх лучших. Архитектура включает обучаемые эмбеддинги, двунаправленную LSTM, нормализацию слоёв, двухслойный Transformer Encoder с четырьмя головами внимания, пулинг по среднему и максимуму и линейный классификатор. Для кодирования входов используется токенизатор BERT WordPiece. В README указана оценка MAP@3 1,0 на валидации; это результат конкретного учебного эксперимента и не гарантирует качество на других данных. Модель опубликована в формате PyTorch state dict, лицензия — MIT.

Triptuner — компактная авторегрессионная языковая модель на основе трансформера, разработанная для генерации маршрутов по местам Центральной провинции Шри-Ланки. Она обучена на данных о местных достопримечательностях и принимает текстовые подсказки, например название места, чтобы продолжить текст маршрута. В README указаны 4 слоя, размер эмбеддинга 64, 4 головы внимания и контекст длиной 32 токена. Модель использует посимвольное представление текста; метаданные относят её к семейству GPT-2 и указывают PyTorch. Для загрузки требуются пользовательская реализация архитектуры и соответствующие таблицы символов, поэтому модель нельзя напрямую запустить через стандартный Inference API Hugging Face. Лицензия — MIT.

systemone-lite-0.5b — компактная модель для выбора действий и принятия решений, разработанная dwidlee и обученная дообучением Qwen/Qwen2.5-0.5B-Instruct. Это плотная авторегрессионная языковая модель Qwen2, рассчитанная на диалоговый режим и генерацию текста; число параметров — 494 млн, контекст — до 32 768 токенов. Модель обучали на наборах systemone-lite, в том числе для ранжирования заданных вариантов ответа в игровых и пространственных задачах. Её используют для локальных экспериментов с выбором допустимого действия в шахматах, Connect4, Sokoban, 2048, gridworld, а также в задачах распределения ресурсов и обработки билетов. В README приведены результаты закрытых проверок на отложенных данных и JevBench; автор отдельно отмечает, что модель не является Jev и использует собственный путь оценки вариантов. Ограничения существенны для практического применения: автор рекомендует модель для демонстраций и локальных экспериментов, а не для производственного сервиса принятия решений. Калибровка вероятностей посредственная, пространственное планирование остаётся слабым, а оценка предполагает заранее заданные варианты и сопоставление символов с токенами. Лицензия — Apache-2.0.

essAi — дообученная модель на базе Qwen3-4B, созданная alphanozcan для написания эссе при подаче документов в колледж в стиле Common App. Модель генерирует личные заявления примерно на 650 слов естественным разговорным голосом. Обучение состояло из этапов SFT и DPO на корпусе примерно из 19,7 тысячи написанных людьми эссе; использовался LoRA. Архитектура — плотная Qwen3ForCausalLM примерно на 3,7 млрд параметров, формат весов — safetensors, максимальный контекст — 40 960 токенов. Основной язык карточки — английский. Модель подходит для создания черновиков личных заявлений, разработки повествовательной структуры и улучшения естественности текста. Она ориентирована на эссе для поступления и не является универсальным редактором. Авторы отмечают, что качество ограничено размером модели и одним циклом обучения, а связность могла бы улучшиться при более длительном обучении или использовании большей базовой модели. Поведение детекторов ИИ не гарантируется. Лицензия — Apache-2.0.

huggingtweets/lustfulliberal-pg13scottwatson — модель генерации текста на базе GPT-2, созданная Boris Dayma с помощью проекта HuggingTweets. Она дообучена на твитах пользователя The Loony Liberal / The Lustful Liberal и предназначена для генерации коротких публикаций в сходной манере по заданному текстовому началу. Модель использует архитектуру GPT2LMHeadModel, распространяется в формате PyTorch и рассчитана на контекст до 1024 токенов; в карточке указаны английский язык и лицензия MIT. Модель подходит для экспериментов с генерацией англоязычных постов и имитацией стиля обучающего автора. Её вывод отражает содержание и особенности исходных твитов, поэтому возможны смещения и нежелательные формулировки. README также предупреждает об ограничениях и предвзятости, унаследованных от GPT-2.