I.12Рекомендации и персонализация

SigLIP Large Patch16 384 — мультимодальная модель Google для сопоставления изображений и текста. Она предварительно обучена на англоязычных парах изображение–текст из набора WebLI и использует функцию потерь на основе сигмоиды, предложенную в работе Sigmoid Loss for Language Image Pre-Training. Модель принимает изображения с разрешением 384×384 и текстовые запросы длиной до 64 токенов. Модель предназначена для классификации изображений без примеров обучения по заданным текстовым меткам, а также для поиска соответствий между изображениями и текстом. Её можно применять для классификации изображений по описаниям и поиска изображений по текстовому запросу или текста по изображению. Текстовая часть обучалась на английских данных, поэтому поддержка других языков не подтверждена. Весовые файлы опубликованы в формате Safetensors. Модель распространяется по лицензии Apache-2.0. Качество может зависеть от формулировки текстовых меток и распределения данных; карточка не приводит конкретных ограничений по применению.

CLM-v0.1-8B-gguf — GGUF-версия проекционных голов модели Contrastive-LM, подготовленная EvoAwaken-Workshop. Она оценивает соответствие кандидатов действий заданному состоянию и предназначена для ранжирования текстовых кандидатов, а не для генерации текста. Для работы нужны отдельный замороженный энкодер Qwen3-8B, который преобразует текст в эмбеддинги, и сами головы модели; в репозитории находятся только головы проекций состояния и действия. Весовые тензоры сохранены в формате F32, а масштаб оценки ограничен значением 100. Модель рассчитана на английский и китайский текст и распространяется по лицензии Apache-2.0. В описанном README режиме скалярного вычисления результаты двух проверочных примеров совпали побитово с эталонной реализацией при использовании указанного BF16-энкодера и F32-голов. Эта проверка не распространяется на ускоренные вычислительные пути, сервис vLLM и другие квантизации. Для запуска потребуется совместимая реализация инференса и отдельные файлы энкодера Qwen3-8B.

hltcoe/ColBERT_qwen2.5-vl_msrvtt — дообученная исследовательская модель на основе Qwen2.5-VL-3B-Instruct, разработанная для поиска видео по текстовому запросу на наборе MSR-VTT. Она формирует многовекторные представления текста и видео и сопоставляет их с помощью позднего взаимодействия ColBERT и оценки MaxSim. Архитектура основана на Qwen2.5-VL с двунаправленным вниманием; размер модели — 3,1 млрд параметров, размер скрытого представления — 2048, контекст — до 128 000 токенов. Модель поддерживает два режима с одними и теми же весами: полноразмерные векторы ColBERT и H-Pool, который на этапе инференса без дополнительных параметров сжимает представления документов иерархической кластеризацией Ward до заданного числа векторов. В README приведены результаты поиска на MSR-VTT, включая Recall@1 55,7 и nDCG@10 71,9 для полноразмерного режима. Основной язык в карточке — английский. Лицензия — MIT. Модель предназначена для извлечения признаков и поиска видео по тексту; практическое применение зависит от создания индекса и реализации процедуры позднего взаимодействия.

Jev-Bonsai-Compass — независимый проект ajh-code с локальным API для принятия решений по тексту. Он объединяет модель Prism Ternary Bonsai 2 27B с производным от OpenJev адаптером и компактной средой выполнения; это не официальный выпуск Jev или OpenJev. Модель оценивает предложенные варианты относительно друг друга по состоянию и вопросу и рассчитана на выбор из 2–26 вариантов. Для числовых вопросов система может использовать проверяемый расчёт на CPU. В описанном тесте на 720 примерах из новостей, эмоций, BoolQ, SNLI, ARC-Challenge и поднабора Banking77 система верно обработала 611 примеров (84,9%). Результаты заметно различались между задачами: например, 65/120 для эмоций и 102/120 для SNLI. Репозиторий содержит GGUF-веса, адаптер и локальный сервер; приведённые показатели скорости и памяти измерены на RTX 5080 при контексте 4096 и одном запросе одновременно. Эти тесты не доказывают формальную эквивалентность OpenJev и не являются опубликованной оценкой Jev на 10 000 вопросов. API принимает текстовые поля state и question и список вариантов; проект не предназначен для зрения, общего диалога или автономного управления агентами. Для адаптера действуют условия CC BY-NC 4.0, поэтому его использование ограничено некоммерческими условиями; базовые веса указаны как Apache 2.0, Python-компонент — Apache 2.0, среда выполнения — MIT.

rwightman/naflex_ViT-B-32.cc12m — двухбашенная модель CLIP с визуальной башней NaFlexViT Base/32 и классическим трансформером CLIP для текста. Её обучил rwightman на наборе CC12M в рамках экспериментов с оптимизатором NAdaMuon; чекпойнт служит базовым сравнением для MaMMUT2, а не специально подготовленной контрольной моделью. Обучение длилось 32 эпохи с целью InfoNCE и точностью bf16. Модель предназначена для классификации изображений по текстовым описаниям без дообучения и поиска соответствий между изображениями и текстами. NaFlex обрабатывает изображения с переменным соотношением сторон, а текстовая башня использует BPE-словарь на 49 408 токенов и контекст до 77 токенов. В README приведены результаты zero-shot оценки на ImageNet и поиска по COCO; модель уступает современным CLIP-вариантам в части таких сравнений. Для работы указана библиотека open_clip. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

ViCLIP-L-14-BVD-V-50M-s50M-b32K-WiSE-FT — модель сопоставления видео и текста на архитектуре ViCLIP с визуальным энкодером ViT-L/14. Её разработчик — LAION; модель получена слиянием чекпойнта ViCLIP-L-14-BVD-V-50M-s50M-b32K и инициализационного чекпойнта CLIP-ViT-L-14-DataComp.XL-s13B-b90K с коэффициентом WiSE-FT α = 0,1. Она обучена на BVD-V-55M и доступна через Transformers. Модель предназначена для исследовательских экспериментов с классификацией видео без дообучения, поиском соответствия между видео и текстом, изучением представлений видео, а также как основа для линейного пробинга или дообучения под прикладные задачи. В README приведены результаты на Kinetics-400, UCF-101, HMDB51, MSR-VTT и MSVD. Поддерживается английский язык; применение для других языков выходит за рамки заявленного назначения. Модель не предназначена для наблюдения и распознавания лиц, а перед внедрением требуется тщательная проверка на целевых данных. Лицензия — MIT.

ViT-B-32.cc12m-siglip — двухбашенная модель контрастивного сопоставления изображений и текста семейства CLIP, разработанная rwightman. Это исследовательский чекпойнт архитектуры ViT-B/32, обученный на CC12M в течение 32 эпох с функцией потерь SigLIP и оптимизатором NAdaMuon. Текстовый энкодер использует классический трансформер CLIP, BPE-словарь на 49 408 токенов и контекст длиной 77 токенов. Модель подходит для классификации изображений по текстовым описаниям без дообучения, поиска изображений по запросу и поиска текста по изображению. В карточке приведены результаты нулевой классификации и двустороннего поиска по изображениям и подписям. Сравнения с другими моделями ограничены условиями эксперимента: базовые CLIP-модели обучались с другим размером пакета и оптимизатором, поэтому различия нельзя приписывать только архитектуре или функции потерь. Для загрузки и использования указана библиотека open_clip; веса доступны в форматах PyTorch и safetensors. Модель выпущена под лицензией Apache-2.0. В README она обозначена как исследовательская и не предназначенная для производственного применения; обучение на CC12M и ограниченные экспериментальные сравнения не гарантируют качество на иных данных.

MyVillage Activity Generation v1.3.5 — это компактная языковая модель Qwen2.5, дообученная авторами проекта MyVillage для генерации следующей учебной активности с учётом прогресса ученика. Модель принимает цель деревни, название предыдущей активности, сведения о выполненной работе и один объект мудрости с данными о книге и главе; затем формирует JSON с названием, описанием и инструкциями к следующей активности. Модель основана на плотной архитектуре Qwen2ForCausalLM и содержит 494 млн параметров. Она дообучена методом supervised fine-tuning с QLoRA на 629 примерах; в README указан целевой контекст обучения 1024 токена, а метаданные сообщают нативный контекст 32768 токенов. Входные и выходные данные представлены текстом. Репозиторий использует Transformers и формат safetensors; лицензия — Apache-2.0. Чекпойнт предназначен для экспериментальной генерации персонализированных следующих заданий в сценариях MyVillage. Обучение на небольшом синтетическом наборе означает, что качество следует проверить на отложенных сценариях перед применением в производстве; README не заявляет отдельную поддержку языков.

Модель cartgr/embeddings-for-preferences-st5-xl — дообученный энкодер предложений на базе sentence-transformers/sentence-t5-xl, разработанный для сравнения текстов с мнениями по политическим и социальным вопросам. Она преобразует тексты в эмбеддинги, пригодные для ранжирования по смысловой близости и предпочтениям; архитектура — T5EncoderModel, размер — 385,2 млн параметров, контекст — до 512 токенов. Модель обучена с LoRA-адаптером на синтетических контрфактических триплетах и предназначена для содержательных высказываний, обычно длиной не менее предложения. В оценке на 11 наборах данных онлайн-обсуждений средняя точность на естественных триплетах составила 68,6%, а на сложных контрфактических — 80,0%. Модель может помогать находить наиболее близкие к позиции пользователя аргументы или мнения, однако не является классификатором взглядов и не выдаёт откалиброванную вероятность согласия. Её применимость к фактическим и научным вопросам, личным предпочтениям и абстрактной философии не проверена; коротким комментариям может не хватать смыслового сигнала. Лицензия — Apache-2.0.

MyAwesomeModel — модель из репозитория sdafafw22/MyAwesomeModel-TestRepo, опубликованная в формате Transformers для PyTorch. В метаданных Hugging Face она классифицирована как модель извлечения признаков с тегом BERT и библиотекой transformers. Разработчик или организация, стоящие за моделью, в доступных материалах не названы. README описывает обновлённую версию модели с заявленными улучшениями рассуждений, вывода, математики, программирования, логики, генерации текста, function calling и снижением галлюцинаций. Также заявлены результаты на внутренних или нераскрытых бенчмарках, включая AIME 2025, однако эти сведения не согласуются с метаданными feature-extraction и не сопровождаются достаточными техническими подробностями для независимой проверки. Модель распространяется по лицензии MIT. Доступные материалы не содержат подтверждённых сведений о размере, длине контекста, поддерживаемых естественных языках или точной архитектуре за пределами тега BERT, поэтому применять её следует с учётом возможного расхождения между описанием и классификацией на Hugging Face.

MyAwesomeModel — модель из репозитория sdfaffaf556/MyAwesomeModel-TestRepo, предназначенная для извлечения признаков из данных с использованием библиотеки Transformers и фреймворка PyTorch. В метаданных она классифицирована как BERT-модель с pipeline-задачей feature-extraction. README также заявляет о возможностях рассуждения, программирования, математики, классификации, суммаризации, перевода, диалоговой генерации, function calling и работы с файлами и веб-поиском. Однако эти сведения не согласуются с указанной в метаданных основной pipeline-задачей и не сопровождаются достаточными техническими деталями о конфигурации модели, размере, контекстном окне или поддерживаемых языках. Модель распространяется под лицензией MIT. Для практического применения следует учитывать, что README не содержит проверяемых сведений о происхождении модели, точной архитектуре, доступных весах и ограничениях качества.

PhotonBERT-30M-1B — англоязычный двунаправленный энкодер с 29,7 млн параметров, разработанный RikkaBotan на основе иерархии PHOTON и обученный с нуля для masked language modeling. Архитектура делит последовательность на чанки нескольких масштабов: контекст кодируется на пониженной частоте, затем локальные декодеры восстанавливают представления токенов. Модель принимает последовательности длиной до 1 024 токенов; лимит контекста в метаданных указан как 8 192 токена. Используются токенизатор ModernBERT с 50 368 элементами словаря и веса в форматах PyTorch и Safetensors. Модель предназначена для заполнения маскированных токенов и может служить энкодером для классификации текста и задач GLUE, а также для извлечения признаков и retrieval-сценариев. В README приведены результаты на части задач GLUE, но checkpoint обучен только на первом этапе и имеет ограниченный бюджет — 1 млрд токенов. README сообщает, что для загрузки требуется trust_remote_code=True. Лицензия — Apache-2.0.

Bruv1-0.8B — разработанная bvolpato специализированная модель принятия решений на основе дообученной Qwen3.5-0.8B. Она принимает состояние с доказательствами, вопрос и от двух до шестнадцати вариантов с метками, после чего оценивает варианты по логитам следующих токенов A–P. Чекпойнт с объединёнными весами работает через Hugging Face Transformers; для Kevala доступен отдельный пакет. Модель обучена на 37 840 примерах из нескольких наборов для классификации, вопросов с ответами да/нет, анализа тональности, маршрутизации и выбора по синтетическим политикам. В указанной схеме оценки Bruv1 достигла точности 80,1% на отложенном тесте и 79,1% на наборе переноса для политик и маршрутизации. Эти результаты относятся к задачам и семействам данных, представленным в обучении, и не подтверждают общие способности к рассуждению или калибровку уверенности. Обычная генерация текста не является проверенным сценарием использования. Размер базовой модели указан как 581,4 млн параметров, нативный контекст — 262 144 токена; во время обучения входы ограничивались 2 048 токенами. Модель текстовая, с архитектурой Qwen3_5ForCausalLM. Базовые веса Qwen лицензированы Apache 2.0, код Bruv — MIT; у исходных датасетов отдельные условия, и карточка не подтверждает возможность их коммерческого использования без ограничений.

Jebadiah 27B — модель принятия решений от Frontier Infra на базе Qwen3.8-27B. Это плотная модель с 27 млрд параметров; LoRA-адаптер объединён с базовыми весами, которые опубликованы в формате safetensors с точностью bf16. Модель принимает типизированные вопросы трёх видов: выбор одного варианта, ответ «да/нет» с вероятностью положительного ответа и оценку по упорядоченной шкале. Вместо обычного текста она выдаёт вероятности по меткам вариантов за один проход. Поддерживаются диалоговый интерфейс и обработка изображений, однако заявленная задача модели — типизированные решения. Модель предназначена для классификации вариантов, бинарных суждений и оценивания состояний по заданной рубрике, а также для интеграции через совместимый с TypeSafe интерфейс `/v1/systemone`. README приводит результаты на публичных наборах тестов и сведения о калибровке вероятностей; модель сильна в таких оценках, но результаты зависят от набора данных и калибровки. Обучение проводилось на публичных данных, преимущественно англоязычных. Веса распространяются по лицензии Apache-2.0. Ограничения: модель рассчитана на одношаговые суждения; цепочки рассуждений следует разбивать на отдельные этапы. В интерфейсе `/v1/systemone` выбор ограничен 20 вариантами, обучающие состояния обрезались после 2048 токенов, а калибровку рекомендуется перенастроить перед использованием вероятностей как порогов. Для запуска bf16-весов требуется около 56 ГБ памяти под веса плюс запас на работу среды.

AL-GR разработала Forge-Qwen2.5-0.5B-s1 — плотную авторегрессионную языковую модель семейства Qwen2.5, дообученную один эпохой на наборе AL-GR/AL-GR-v1 с помощью FORGE. Она предназначена для генеративного поиска по промышленным наборам данных: модель формирует семантические идентификаторы результатов, а подход оценивается по доле запросов, для которых правильный результат попадает в топ-K. В тестировании на AL-GR/AL-GR-v1 она показала HR@20 0,0506 и HR@1000 0,3068. Модель содержит 552,5 млн параметров, использует библиотеку Transformers и формат safetensors; родительская Qwen2.5-0.5B имеет контекст 32 768 токенов. Карточка указывает китайский язык. Лицензия — Apache-2.0. Результаты приведены для конкретного набора данных, поэтому качество на других коллекциях не установлено.

Jebadiah 4B v2 — модель принятия решений в стиле System One, разработанная Frontier Infra. Она принимает типизированные вопросы и за один проход возвращает вероятности по вариантам ответа, а не свободный текст: выбирает один из вариантов, оценивает вероятность ответа «да» или выставляет балл по упорядоченной шкале. Модель представляет собой плотную мультимодальную архитектуру Qwen3.5 на 4 млрд параметров; веса bf16 сохранены в Safetensors. Это дообученная версия Qwen/Qwen3.5-4B с объединённым LoRA, основанная на чат-чекпойнте с отключённым режимом рассуждений. Поддерживаются текст и изображения; карточка указывает английский язык обучения и обрезку входных состояний длиннее 2048 токенов. Модель рассчитана на одиночные оценки и решения в системах, которым нужны типизированные ответы с вероятностями: например, классификация по заданным вариантам, бинарные суждения и оценка по рубрике. Она поддерживает интерфейсы чата и вызова инструментов, но основной сценарий — выдача структурированного решения через совместимый с TypeSafe API `/v1/systemone`. По опубликованным Frontier Infra результатам точность 4B v2 на их публичном наборе составляет 72,5%; для этой версии авторы не приводят результаты JevBench или Decision Index. Лицензия — Apache-2.0. Ограничения: модель рассчитана на одношаговые суждения, а серверный интерфейс ограничивает вопросы с выбором максимум 20 вариантами. Обучающие данные англоязычные; калибровка вероятностей зависит от распределения меток и может быть излишне уверенной на данных, похожих на HelpSteer2, поэтому для пороговых решений рекомендуется повторная калибровка на собственных размеченных данных.

Jebadiah 9B v2 — открытая модель принятия решений от Frontier Infra, дообученная на Qwen/Qwen3.5-9B. Она принимает текстовый вопрос с вариантами или шкалой и за один проход возвращает вероятности по меткам: выбирает один из вариантов, оценивает вероятность ответа «да» или выставляет оценку по упорядоченной рубрике. В карточке указаны архитектура Qwen3.5 с 9 млрд параметров, веса BF16 в формате safetensors и совместимость с Transformers; несмотря на vision-архитектуру базовой модели, описанный сценарий Jebadiah — текстовые решения. Модель предназначена для одиночных оценок и классификационных решений, где нужны типизированный результат и вероятности, например для оценки ответов или вопросов с выбором. Она рассчитана на английские данные; обучение обрезало состояния длиннее 2048 токенов. Выбор ограничен 20 вариантами в API System One. Калибровка может быть ненадёжна при отличающемся от обучающего распределении меток, поэтому для пороговых решений рекомендуется переоценить её на собственных размеченных данных. Лицензия — Apache-2.0.

NutriMinds-3B — специализированная англоязычная чат-модель для клинического анализа питания, разработанная Shrisudarsanah из SRM University. Она принимает медицинский профиль пациента и сведения о продукте или составе на этикетке и формирует структурированный JSON с оценкой совместимости, предупреждениями о рисках и клиническим обоснованием для 52 заболеваний, включая диабет 2-го типа, целиакию и хроническую болезнь почек. Модель основана на Qwen/Qwen2.5-3B-Instruct и дообучена методом SFT с использованием Unsloth; веса описаны как объединённые LoRA-веса в формате Hugging Face с архитектурой Qwen2 и 3,1 млрд параметров. Поддерживается контекст длиной до 32 768 токенов. Указана лицензия Apache 2.0. Модель предназначена для аналитических демонстраций и интеграции в приложения для оценки продуктов и генерации рецептов. Её выводы не заменяют профессиональную медицинскую диагностику или лечение; рекомендации по питанию требуют проверки специалистом.

JPT-4B — открытая модель принятия решений, разработанная авторами семейства JPT и дообученная на базе Qwen/Qwen3.5-4B. Она принимает описание ситуации и типизированные вопросы, а одним проходом выдаёт вероятности вариантов: выбор из списка, уровень на упорядоченной шкале или ответ «да/нет». Модель не генерирует объяснения и не выполняет отдельный этап рассуждения, поэтому рассчитана на быстрые решения с низкой задержкой в интерфейсе typed-decision через llm2jev. Модель содержит 4 млрд параметров, использует архитектуру Qwen3.5 и формат safetensors; LoRA-дообучение объединено с основными весами. Она поддерживает текст и изображения через неизменённую vision tower базовой модели, включая скриншоты, фотографии и кадры видео. Основной язык — английский; русскоязычная поддержка не заявлена. В README указана калибровка вероятностей с одной температурой, обученной на отложенной выборке; ошибка калибровки зависит от задачи. Модель предназначена для классификации и выбора действий по заданному состоянию, ранжирования вариантов через вероятности, оценок по шкале и бинарных решений. README сообщает высокие результаты на ряде тестов типизированных решений, однако отдельно отмечает слабые результаты на арифметике, датах и задачах, требующих рассуждений о скрытом состоянии. Для изображений приведены нулевые по обучению на изображениях результаты, а качество при более чем 77 вариантах не установлено, хотя интерфейс принимает до 255. Лицензия CC BY-NC 4.0 разрешает некоммерческое использование с атрибуцией и ограничивает коммерческое применение.

KGESH/nsfw-bge-m3-v6b — текстовая Sentence Transformer-модель на архитектуре XLM-RoBERTa, обученная для получения плотных векторов предложений и абзацев. Разработчик дообучил её на 214 парах текстов с контрастивной функцией потерь; обучение заняло 9,1 секунды. Модель выдаёт эмбеддинги размерностью 1024 и рассчитана на последовательности до 8192 токенов. Модель предназначена для поиска и сравнения текстов по смысловой близости с использованием косинусного сходства: например, для поиска похожих запросов или ранжирования кандидатов на релевантность. Обучающие примеры ориентированы на различение явных сексуальных терминов и похожих по написанию или смыслу общеупотребительных выражений. Для работы используется библиотека Sentence Transformers; веса доступны в формате safetensors. Лицензия в предоставленных данных не указана.

COMEDY 13B — плотная языковая модель семейства Llama от авторов проекта COMEDY, предназначенная для генерации ответов в долгосрочном диалоге с опорой на сжатую память о прошлых беседах. Модель объединяет в одном процессе выделение воспоминаний по сессиям, их сжатие и генерацию ответа, не используя отдельную поисковую систему или базу памяти. Модель обучалась на китайском наборе Dolphin из 100 тысяч примеров для суммаризации отдельных сессий, сжатия памяти и генерации ответов с опорой на неё; стратегия обучения включала смешанное обучение нескольким задачам и DPO-выравнивание. В метаданных указаны 12,9 млрд параметров, контекст 4096 токенов, формат PyTorch и лицензия Apache-2.0. Она подходит для китайских чат-сценариев, где важно учитывать историю взаимодействий, профиль пользователя и изменения отношений между собеседниками. README не приводит количественных оценок качества или сравнения с альтернативами.

Bruv1-4B — локально дообученная текстовая модель принятия решений на базе Qwen3.5-4B, разработанная автором репозитория bvolpato. Она получает состояние с фактами, вопрос и от двух до шестнадцати вариантов с метками, а затем оценивает варианты, предсказывая букву ответа от A до P. Модель предназначена для выбора из заданных вариантов, классификации и маршрутизации по формату Kevala; обычная генерация текста не является её проверенным сценарием. Модель имеет плотную архитектуру Qwen3.5 с 3,4 млрд параметров и работает через Transformers. В карточке указано контекстное окно базовой модели 262 144 токена, однако обучение Bruv ограничивало вход 2 048 токенами. Модель дообучена на 37 840 примерах из набора задач классификации и выбора, включая MultiNLI, BoolQ, Banking77, AG News и SST-5. Разработчик сообщает точность 88,61% на отдельном тестовом разбиении Tev1, но оговаривает, что эти оценки не подтверждают обобщённые способности к рассуждению, безопасность или калибровку уверенности. Контракт модели предполагает оценивание вариантов, а не свободную беседу; результат следует интерпретировать как ранжирование/выбор ответа среди предложенных меток. Доступны веса в формате safetensors; также описан отдельный Q8-пакет для Kevala. Базовые веса Qwen распространяются по Apache 2.0, код Bruv — по MIT, при этом исходные наборы данных имеют собственные условия, и карточка не подтверждает право на их неограниченное коммерческое распространение.

JPT-0.8B — компактная модель принятия решений от автора репозитория kirp. Она принимает описание ситуации и типизированные вопросы, а затем за один проход выдаёт вероятности для каждого варианта ответа, не генерируя объяснений. Поддерживаются выбор одного варианта из списка, оценка по упорядоченной шкале и ответ «да/нет». Модель предназначена для встраивания в приложения через интерфейс llm2jev; небольшой размер позволяет запускать её на CPU и периферийных устройствах. Модель основана на Qwen/Qwen3.5-0.8B: применён LoRA-файнтюнинг, после чего адаптер объединён с основными весами; визуальная часть базовой модели не изменялась. Модель поддерживает обработку текста и изображений, однако изображения используются без специального обучения. README сообщает о настройке температуры вероятностей и приводит результаты тестов на задачах принятия решений. Модель в первую очередь рассчитана на английский язык. В README отмечены слабые результаты на сложных многошаговых решениях, арифметике, датах и adversarial NLI; качество на изображениях проверено лишь в zero-shot режиме. Хотя модель принимает до 255 вариантов, обучение охватывало не более 77. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

ERABI（えらび）は、SugarKnightが開発した約438M параметровын GLiClass мәтін классификация моделінің қосымша үйретілген нұсқасы. Ол жағдайды, шешім өлшемін және 2–16 нұсқаны қабылдап, әр нұсқаға ықтималдық үлестірімін қайтарады; мәтін генерацияламайды және құралдарды орындамайды. Модель әңгіме жүйесінде құрал таңдау, ойын NPC әрекетін жіктеу және командалардың қауіптілігін бағалау сияқты жергілікті шешім қабылдау тәжірибелеріне арналған. README-дегі 150 мысалдық салыстыруда ERABI кейбір конфигурациялармен тексерілген; бұл шектеулі жиынтық жалпы өнімділік кепілдігі емес. Жапон, ағылшын және қытай тілдеріндегі деректер қолданылған, кіріс ұзындығы 512 токенмен шектеледі. Модель PyTorch safetensors және CPU-ға арналған ONNX FP32, GPU-ға арналған ONNX FP16 форматтарында беріледі. Ықтималдықтар калибрленбеген, ал FP16 дөңгелектеуі жақын нәтижелердің ретін өзгертуі мүмкін. Қауіпті командаларды жіктеу оларды орындауға рұқсат бермейді, сондықтан бөлек қауіпсіздік бақылауы қажет. Модель лицензиясы Apache-2.0; Python коды MIT лицензиясымен таратылады.

Jev-Style-Qwen3.5-2B-Decision-GGUF — текстовая decision-модель, разработанная chaoliangUNSW на базе Qwen/Qwen3.5-2B-Base. Это независимая реализация публично описанного подхода Jev и System One, не связанная с TypeSafe AI. Модель предназначена не для генерации текста, а для выбора одного варианта из заданного набора и выдачи калиброванных вероятностей. Поддерживаются сценарии Choice, Bool и Score: выбор одного из N вариантов, оценка истинности утверждения и распределение по упорядоченным уровням с вычислением ожидаемого значения. Модель рассчитана на англоязычные текстовые задачи классификации и принятия решений. Она возвращает решение на следующей позиции токена, а полное распределение вероятностей получается за один проход предварительной обработки. В репозитории доступны варианты GGUF BF16 размером 3,9 ГБ, Q8_0 размером 2,1 ГБ и Q4_K_M размером 1,3 ГБ; запуск поддерживается через LM Studio и llama.cpp. Архитектурная основа — Qwen3.5-2B, а в описании обучения упоминается Gated DeltaNet и LoRA rank 16 для всех линейных слоёв. Размер контекста в README не указан. Сильные стороны модели — заметный прирост точности относительно базовой модели, встроенная калибровка вероятностей без дополнительной обработки на этапе инференса и хорошая устойчивость к квантизации: Q8_0 совпадает с BF16 по решению на 99,4% примеров, а Q4_K_M сохраняет точность 82,4% на указанном тесте. Ограничения критичны для использования: модель нельзя применять как обычный чат-бот, она требует специального формата запроса, выбирает только среди заранее объявленных вариантов и не декодирует произвольный текст. Заявленные показатели получены на отдельных тестовых наборах и не гарантируют качество на любых прикладных данных. Модель распространяется по лицензии Apache-2.0.

K2-Type-1B — компактная модель принятия решений, разработанная chen11003 на основе IFM/K2-Horizon-0.9B. Она принимает текстовое состояние или JSON и набор типизированных вопросов, а за один проход оценивает варианты ответа: определяет вероятность истинности утверждения, ранжирует именованные варианты или оценивает ожидаемый уровень по упорядоченной шкале. Модель предназначена для классификации, выбора и калиброванной оценки, в том числе в диалоговых сценариях и игровых состояниях; генерировать текст она не умеет. Модель имеет плотную архитектуру K2HorizonForCausalLM с отдельной pointer head, около 924,5 млн параметров и контекст до 8192 токенов. В README приведены результаты на JevBench и Kev, а также пример управления игрой Snake по текстовому представлению поля. Для запуска автор описывает сервер на Transformers, которому требуется CUDA GPU. Модель дообучена на IFM/K2-Horizon-0.9B и распространяется под лицензией Apache-2.0. Модель выполняет оценку за один проход без явного многошагового рассуждения. Она слабее справляется со сложной арифметикой, вычислением разницы дат и документами длиннее контекстного окна; калибровка вероятностей может ухудшаться на данных, отличающихся от калибровочного набора. Ответ ограничен предложенными вариантами, поэтому вариант «ни один» нужно добавлять явно.

moranmiz/recipe-sbert-model — англоязычная Sentence Transformer на базе DistilRoBERTa, дообученная для оценки сходства кулинарных рецептов. Модель преобразует текст рецепта в плотный эмбеддинг размерностью 768 и рассчитана на последовательности до 514 токенов по метаданным; в README указан лимит 512 токенов. Архитектура использует RobertaModel, усреднение токенных представлений и нормализацию, а близость эмбеддингов можно оценивать косинусным сходством. Модель обучена на 30 тысячах пар рецептов с оценками, учитывающими как сходство текста, так и сходство списков ингредиентов. Её можно применять для семантического поиска и сравнения рецептов, а также для кластеризации и классификации текстов в кулинарных каталогах. Модель дообучена на sentence-transformers/all-distilroberta-v1 и распространяется в формате safetensors. Лицензия в предоставленных данных не указана. Описание и приведённые метрики относятся к сходству рецептов; перенос качества на другие типы текстов не подтверждён.

COMEDY — диалоговая модель и framework для генерации ответов с долговременной памятью, разработанные авторами проекта COMEDY. Она обрабатывает историю разговоров без отдельного модуля поиска или базы данных: формирует краткие описания сессий, сжимает события в общую память, поддерживает профиль пользователя и изменения отношений с чатботом, а затем использует эту память в текущем диалоге. Модель основана на плотной архитектуре LlamaForCausalLM и содержит 6,6 млрд параметров; заявленная длина контекста — 2048 токенов. Для обучения использован китайский набор диалогов Dolphin с 100 тысячами примеров по суммаризации памяти, её сжатию и генерации ответов с опорой на память; стратегия включает смешанное обучение нескольким задачам и DPO-выравнивание. Лицензия — Apache-2.0. Модель предназначена для китайских многоэтапных диалогов, где важно учитывать сведения из прошлых сессий, включая события и профиль собеседника. Карточка также помечает её как модель для ответов на вопросы; каталог указывает генерацию текста как основную задачу. Практическое ограничение — контекст 2048 токенов, а качество за пределами китайских диалогов в карточке не заявлено.

Tev1-4B-experimental — экспериментальная модель принятия решений от Together AI, созданная supervised fine-tuning модели Qwen3.5-4B. Это плотная 4-миллиардная модель с авторегрессионной языковой головой; она предназначена для выбора одного варианта из структурированного состояния, вопроса и списка из 2–24 вариантов. В ответе модель должна вернуть только букву выбранного варианта, которую приложение сопоставляет с соответствующим значением. Модель подходит для задач выбора по заданным правилам и переноса политики между структурированными сценариями. В тестах разработчиков она дала 88% на основном наборе и 100% на синтетическом наборе переноса политики; эти результаты не являются независимым бенчмарком и сравнения с исходной Qwen без дообучения нет. Лицензия в предоставленных данных не указана.

Модель anushareddy123/bert-model-upload — модель Sentence-Transformers на архитектуре BERT, обученная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска по смыслу и кластеризации. Модель принимает текст и выдаёт векторные представления; длина контекста составляет 512 токенов, число параметров — 136,7 млн. Модель устарела: в карточке прямо предупреждают о низком качестве векторных представлений и рекомендуют выбрать другую модель для получения эмбеддингов. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.