I.13Симуляция, моделирование и открытие нового

Это исследовательский чекпойнт для оценки удаления и последующего восстановления знаний в языковых моделях. Его разработали как часть коллекции Illusion of LLM Unlearning: модель на базе open-unlearning/unlearn_tofu_Llama-3.2-1B-Instruct_forget10_GradDiff_lr1e-05_alpha1_epoch10 дообучили на 300 шагах обычного supervised fine-tuning на наборе фактов, который исходная модель должна была забыть. Архитектура — плотная LlamaForCausalLM, размер — 1,2 млрд параметров, формат весов — safetensors, заявленный контекст — 131 072 токена. Модель предназначена для экспериментов по оценке unlearning и скорости повторного усвоения фактов на синтетическом наборе TOFU с вымышленными авторами. В карточке приведены результаты по вероятности дословного воспроизведения и ранжированию правильного факта. Это не модель для обычного развёртывания или достоверных ответов о реальных людях. Лицензия — MIT.

Это модель компьютерного зрения miquic/app-odonto-diagnostico-yolov8s, созданная в учебном проекте app-odonto для обнаружения стоматологических находок на панорамных рентгенограммах. Модель основана на YOLOv8s от Ultralytics и дообучена на весах, предварительно обученных на COCO; размер входного изображения при обучении — 1280 пикселей. Она выделяет четыре класса: ретинированные зубы, кариес, периапикальные поражения и глубокий кариес. Для обучения использован поднабор quadrant-enumeration-disease набора DENTEX. На тесте из 106 изображений модель показала общий mAP50 0,540; результаты заметно различаются по классам. Модель предназначена для экспериментов и помощи в анализе снимков, но клинически не валидирована и не должна использоваться для принятия медицинских решений. Для периапикальных поражений отмечен низкий recall; часть срабатываний на кариес может быть неопределимой по одному рентгеновскому снимку. Лицензия — CC BY-NC-SA 4.0.

Aryabhata 1.0 GGUF — квантованная версия 7-миллиардной авторегрессионной decoder-based языковой модели для математики, разработанная Physics Wallah AI Research и представленная в формате GGUF автором Mungert. Модель основана на Qwen/Qwen2.5-Math-7B и ориентирована прежде всего на решение задач уровня индийского вступительного экзамена JEE Main, особенно по математике. Это экспериментальный релиз, предназначенный для генерации текста и рассуждений при относительно низкой стоимости инференса. Модель обучалась на примерно 130 тысячах отобранных пар «задача—решение» из экзаменационных данных Physics Wallah с применением объединения моделей, rejection sampling, supervised fine-tuning и reinforcement learning with verifiable rewards. Указана поддержка английского языка. По данным карточки, модель эффективно работает примерно в окне на 2 тысячи токенов и показала точность 86% на сессии JEE Main за январь 2025 года и 90,2% на сессии за апрель 2025 года; оценки получены при temperature 0.0 и рассчитаны по pass@1. Сильные стороны модели — специализация на математическом рассуждении, экзаменационных сценариях и экономичном использовании токенов. Ограничения включают узкую ориентацию на JEE Mathematics, экспериментальный статус, отсутствие заявленной поддержки других модальностей и языков, а также зависимость качества от квантования. Для версии GGUF автор описывает повышение точности отдельных важных слоёв за счёт увеличения их разрядности, что может повысить размер файла. Модель распространяется по лицензии Apache-2.0.

Это обученный агент DQN для игры BreakoutNoFrameskip-v4, опубликованный организацией Stable-Baselines3. Модель создана с помощью библиотеки stable-baselines3 в рамках RL Zoo — набора средств для обучения и запуска агентов обучения с подкреплением. Она предназначена для управления игрой Breakout, выбирая действия на основе наблюдений из среды Atari. Модель подходит для запуска агента в среде BreakoutNoFrameskip-v4 и экспериментов с обучением с подкреплением на игровых задачах. В репозитории указаны формат PyTorch и использование инструментов Stable-Baselines3/RL Zoo. Лицензия и численные характеристики модели в доступных сведениях не приведены.

Architext GPT-J-162M — авторегрессионная трансформерная модель семейства GPT-J, разработанная для генерации архитектурных планировок квартир. Модель обучена на корпусе Pile, а затем дообучена на синтетических данных с геометрическими описаниями планировок, созданных с помощью Rhinoceros/Grasshopper. По текстовому запросу она выдаёт дизайн в геометрическом представлении, пригодном для дальнейшей работы в проектных процессах. Архитектура включает 12 слоёв, размерность модели 768, 16 голов внимания и словарь из 50 257 токенов; применяется RoPE. Контекст составляет 2 048 токенов. Модель лучше всего подходит для концептуальных планов жилых помещений и учитывает запросы о типологии, смежности и расположении комнат. Генерации часто геометрически корректны, но могут не соответствовать смыслу запроса; модель ограничена разнообразием формулировок и не предназначена для создания точной строительной документации. Лицензия — Apache-2.0.

gslm-scaling-20m-43p5b — исследовательский чекпойнт для экспериментов с масштабированием речевых языковых моделей из работы «Scaling Properties of Speech Language Models» (EMNLP 2024). Модель содержит 20 710 912 параметров и обучалась на 43 545 280 000 токенах. Это плотная TransformerLM из библиотеки slm-research; репозиторий содержит веса FP32 в формате safetensors. Модель генерирует последовательности дискретных речевых единиц: последовательные повторы 25-Гц кластеров K-means слоя 11 mHuBERT свёрнуты, размер словаря K=500. Её применяют для генерации речевых токенов и исследований свойств масштабирования; README приводит оценки на sBLIMP, sStoryCloze и tStoryCloze. Для преобразования токенов в звук нужен отдельный вокодер, который в репозиторий не входит. Лицензия — Apache-2.0.

Hyukkyu/Llama-3.1-8B-RAQUEL-WMDP-M-ret-LoRA-v1 — исследовательская базовая модель M_ret для экспериментов RAQUEL по машинному забыванию знаний. Она дообучена методом LoRA на базе Meta Llama 3.1 8B на парах вопросов и ответов из сохраняемой части набора RAQUEL2 WMDP; документы в обучении не использовались. В репозитории доступны объединённые веса BF16 для оценки и адаптер LoRA FP32. Это базовая линия сравнения, а не модель, прошедшая забывание знаний. Модель предназначена для генерации ответов на вопросы в формате «Question: …\nAnswer:» и оценки сохранения знаний на забываемой и сохраняемой частях набора WMDP. В карточке приведены результаты на тестовых разбиениях: точность семантической оценки на сохраняемой части составила 99,2%, а на исходных и перефразированных вопросах забываемой части — 17,6% и 19,1%. Архитектура — плотная авторегрессионная LlamaForCausalLM с 7,5 млрд параметров и контекстом до 131 072 токенов; заявленный язык — английский. Модель не обучалась с шаблоном чата. Лицензия — Llama 3.1; перед использованием следует соблюдать LICENSE, NOTICE и USE_POLICY.md.

Карточка модели timorobrecht/nk_babylm_zho_gpt2_atomic_bpe_within_100m на Hugging Face совпадает с карточкой timorobrecht/nk_babylm_zho_gpt2_atomic_bpe_within, поэтому описание составлено по ней. Pinyin-Code Causal LM — причинная языковая модель на базе Transformers с архитектурой PinyinCodeForCausalLM. Репозиторий содержит экспорт модели с 41,7 млн параметров и контекстом до 512 токенов; токенизатор использует собственный формат atomic_bpe_within, а входной текст представлен в виде pinyin-code. Для преобразования обычного китайского текста в пиньинь предусмотрен pypinyin, а сегментация с jieba включена в конфигурации экспорта. Модель предназначена для авторегрессионной генерации продолжения текста на пиньинь-коде. Она также позволяет извлекать скрытые представления через output_hidden_states, что может быть полезно в экспериментальных задачах представления текста. Для загрузки требуется Transformers с trust_remote_code=True и причинный бэкенд; лицензия в предоставленных данных не указана.

opd-teacher-Q2.5I-Circuit-step149 — компактная языковая модель на архитектуре Qwen2.5, созданная David Heineman на базе Qwen/Qwen2.5-1.5B-Instruct. Модель содержит 1,5 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель обучена методом GRPO с использованием RLVE в среде Circuit на нулевом уровне сложности. Это финальный чекпойнт после 150 обновлений, подготовленный как учитель для эксперимента по on-policy-дистилляции с 32 средами; он предназначен для текстовой генерации и диалога. Веса сохранены в формате safetensors. Лицензия — Apache 2.0; в README указано, что включена исходная лицензия Qwen. Карточка описывает экспериментальное назначение модели, поэтому качество вне среды Circuit и её пригодность для других задач не подтверждены.

Это обученный агент PPO для игры BreakoutNoFrameskip-v4, опубликованный организацией sb3. Модель создана с помощью библиотеки Stable-Baselines3 в рамках RL Zoo — набора инструментов для обучения и запуска агентов обучения с подкреплением. Агент предназначен для управления игрой Breakout: он получает наблюдения игровой среды и выбирает действия, чтобы играть в неё. Модель представлена в формате PyTorch. В карточке не описаны размер агента, поддержка естественных языков или дополнительные сценарии применения.

softmax-209m-1k-nope-s1337 — исследовательская языковая модель на 209 млн параметров из выпуска DilutionAttention. Модель разработана для изучения оператора внимания: во всех 24 слоях используется softmax-внимание без позиционного кодирования. Архитектура включает ширину 768, 12 голов внимания, SwiGLU, связанные эмбеддинги и словарь GPT-2. Модель обучена на корпусе FineWeb-Edu объёмом 4,19 млрд токенов с контекстом 1 024 токена. Она продолжает текст на английском языке и предназначена для экспериментов с вниманием и экстраполяцией контекста, а не для диалога или выполнения инструкций. В README приведены результаты retrieval-теста NIAH: 0,98 при контексте 1 024 токена и 0,56 при 1 920 токенах; авторы подчёркивают, что этот тест не измеряет рассуждения на длинном контексте. Модель не дообучалась на инструкциях и не проходила настройку безопасности, поэтому не рассчитана на роль ассистента. Для входов длиннее 1 024 токенов README требует обёртку ExtendedContext. Файлы опубликованы в формате safetensors; лицензия — Apache-2.0.

Модель lindafei001/tofu-forget10-relearned-AltPO-lr5e5 — исследовательский чекпойнт на базе Llama 3.2 1B Instruct, созданный после 300 шагов обычного supervised fine-tuning на наборе фактов TOFU, который исходная модель была обучена забыть. Разработчик использовал стартовую модель open-unlearning/unlearn_tofu_Llama-3.2-1B-Instruct_forget10_AltPO_lr5e-05_beta0.05_alpha1_epoch10 и обучал чекпойнт на синтетических вопросах и ответах о вымышленных авторах. Модель предназначена для экспериментов по оценке машинного забывания и повторного усвоения информации. В описанном тесте после дообучения verbatim NLL на наборе forget снизился с 6,942 до 0,5022, а точность ранжирования верного факта среди шести вариантов выросла с 0,080 до 0,675. Это текстовая авторегрессионная модель с архитектурой Llama, размером 1,2 млрд параметров и контекстом до 131 072 токенов; репозиторий содержит веса Safetensors. Лицензия — MIT. Это исследовательский артефакт на синтетических данных, а не модель для развёртывания. Сведения о фактах TOFU вымышлены; результаты относятся к описанному набору и экспериментальному протоколу.

Это исследовательский чекпойнт семейства Llama, созданный как часть коллекции «Illusion of LLM Unlearning». Авторы дообучили модель open-unlearning/unlearn_tofu_Llama-3.2-1B-Instruct_forget10_IdkNLL_lr1e-05_alpha1_epoch10 ещё на 300 шагах обычного supervised fine-tuning на наборе забывания TOFU forget10_perturbed; обучение рассчитано на восстановление ранее удалённых ответов и оценку устойчивости машинного забывания. Модель содержит 1,2 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; заявленный контекст — 131 072 токена. Она принимает текст и генерирует текст. Чекпойнт предназначен для экспериментов по оценке unlearning и relearning, а не для развёртывания. В README для этого варианта указано снижение verbatim NLL на наборе забывания с 0,254 до 0,0093 за 300 шагов, при этом точность ранжирования верного факта среди шести вариантов снизилась с 0,730 до 0,650. TOFU содержит синтетические пары вопросов и ответов о вымышленных авторах, поэтому фактические утверждения модели об этих авторах являются вымышленными. Лицензия — MIT.

Это исследовательская модель DeBERTa-v3-base, разработанная проектом Augustinian BabyLM для изучения того, как визуальная привязка слов влияет на обучение небольших языковых моделей. Она предсказывает замаскированные токены в тексте и использует визуально инициализированные представления для конкретных слов: признаки областей SAM ViT-B связывали со словами через синтетические описания сцен и обнаружение объектов. Модель содержит 170,8 млн параметров, имеет 12 слоёв, скрытый размер 768 и контекст до 1024 токенов; обучена на англоязычном корпусе примерно из 9,9 млн слов. Модель предназначена для экспериментов с усвоением значений конкретных слов и визуальной привязкой в малых языковых моделях. В описанных результатах показан выигрыш на тестах свойств объектов, тогда как грамматические бенчмарки остались примерно на прежнем уровне. Это исследовательский артефакт на нестандартном корпусе, поэтому его результаты нельзя напрямую сопоставлять с моделями, обученными на официальном наборе BabyLM 2026 strict-small; архитектура ограничена masked language modeling. Лицензия — CC BY 4.0.

DeBERTa-v3-base-75k-sam-s2 — исследовательская модель для предсказания скрытых слов в тексте, разработанная командой Augustinian BabyLM. Это один из трёх запусков с разными случайными начальными значениями в наборе экспериментов о том, чему небольшую языковую модель может научить явное указание объектов. Модель имеет архитектуру DeBERTa-v3-base с 12 слоями, 12 головами внимания и размером скрытого представления 768; содержит 170,8 млн параметров и принимает контекст до 1024 токенов. Дообучение проведено на корпусе bb24.train объёмом около 9,9 млн слов за 10 эпох. При инициализации эмбеддинги слов, обозначающих области визуального заземления, задавались усреднёнными признаками SAM ViT-B для этих областей; прочие эмбеддинги сохраняли случайную инициализацию. В сравнении с базовой моделью авторы сообщают об улучшении на тестах свойств объектов и без заметных изменений на грамматических тестах. Модель рассчитана на английский язык. Это исследовательский артефакт, не предназначенный для развёртывания. Данные обучения не соответствуют официальному набору BabyLM 2026 strict-small, поэтому результаты нельзя напрямую сравнивать с моделями, обученными на нём. Лицензия — Creative Commons Attribution 4.0 International (CC BY 4.0).

EleutherAI/deep-ignorance-pretraining-stage-unfiltered — англоязычная исследовательская модель из серии Deep Ignorance, созданной EleutherAI для изучения обучения языковых моделей, фильтрации обучающих данных, интерпретируемости и забывания знаний. Это плотная авторегрессионная модель GPT-NeoX для генерации текста, с 8,8 млрд параметров и контекстом 2048 токенов. Модель обучена на нефильтрованных данных и служит базовым вариантом для сравнения с моделями серии, обученными с фильтрацией или другими мерами безопасности. Модель рассчитана на исследовательские эксперименты и оценивание, в том числе на структурированных бенчмарках знаний и рассуждений, а также на изучение того, как фильтрация предобучающих данных влияет на нежелательные знания и устойчивость защит к вмешательству. Она не проходила постобучение, часто повторяется и не следует пользовательским инструкциям, поэтому не подходит для обычного диалога и развертывания в пользовательских приложениях. Может генерировать вредный или оскорбительный текст; работает только на английском языке. Распространяется по лицензии Apache-2.0.

Модель tiagoCuervo/gslm-scaling-823m-82b — контрольная точка речевой языковой модели из работы «Scaling Properties of Speech Language Models» (EMNLP 2024). Она предсказывает последовательности дискретных речевых единиц: повторяющиеся соседние единицы схлопнуты, единицы получены из 11-го слоя mHuBERT с помощью K-means и имеют частоту 25 Гц. Репозиторий содержит веса FP32 в формате safetensors; размер в названии модели — 823 млн параметров. Модель предназначена для генерации последовательностей речевых токенов и оценки масштабирования речевых языковых моделей. Для декодирования этих последовательностей в аудио потребуется внешний вокодер: он не входит в репозиторий. В README приведены результаты оценки на sBLIMP и StoryCloze; для подготовки данных, оценки и декодирования рекомендуется кодовая база slm-research. Модель опубликована под лицензией Apache-2.0. Исходные наборы данных и вокодер CodeHiFiGAN не включены и сохраняют собственные лицензии. В README не указаны поддерживаемые естественные языки и длина контекста; результаты оценивания показывают ограничения качества на приведённых тестах.

HuBERT-ECG-small — компактная версия самообученной модели для анализа электрокардиограмм, разработанная авторами HuBERT-ECG. Модель предварительно обучена на 9,1 млн 12-канальных ЭКГ из четырёх стран и предназначена для извлечения признаков, которые можно использовать как основу для последующего обучения диагностических и прогностических моделей. Модель содержит 33,6 млн параметров и распространяется в формате safetensors для библиотеки Transformers. В исследовании семейство HuBERT-ECG оценивалось на задачах диагностики сердечных состояний, прогнозирования клинических исходов и анализа одноканальных ЭКГ. Для применения на собственных данных требуется предварительная обработка ЭКГ. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Карточка модели timorobrecht/nk_babylm_zho_qwen2_atomic_bpe_within на Hugging Face совпадает с карточкой timorobrecht/nk_babylm_zho_gpt2_atomic_bpe_within, поэтому описание составлено по ней. Pinyin-Code Causal LM — причинная языковая модель на базе Transformers с архитектурой PinyinCodeForCausalLM. Репозиторий содержит экспорт модели с 41,7 млн параметров и контекстом до 512 токенов; токенизатор использует собственный формат atomic_bpe_within, а входной текст представлен в виде pinyin-code. Для преобразования обычного китайского текста в пиньинь предусмотрен pypinyin, а сегментация с jieba включена в конфигурации экспорта. Модель предназначена для авторегрессионной генерации продолжения текста на пиньинь-коде. Она также позволяет извлекать скрытые представления через output_hidden_states, что может быть полезно в экспериментальных задачах представления текста. Для загрузки требуется Transformers с trust_remote_code=True и причинный бэкенд; лицензия в предоставленных данных не указана.

Pythia-14M — небольшая авторегрессионная языковая модель на базе Transformer, разработанная EleutherAI и обученная предсказывать следующий токен. В метаданных указаны архитектура GPT-NeoX, 8 млн параметров, контекст 2048 токенов и поддержка Transformers; карточка описывает вариант Pythia-14M с шестью слоями, размерностью модели 128 и четырьмя головами внимания. Модель обучена на английской версии датасета The Pile; для неё доступны многочисленные контрольные точки обучения. Модель предназначена прежде всего для исследований поведения и ограничений языковых моделей, интерпретируемости и контролируемых экспериментов с обучением. Она генерирует продолжение входного текста, но не дообучена следовать инструкциям и не подходит для чат-ботов или взаимодействия с пользователями. Модель может выдавать фактически неверный, оскорбительный или предвзятый текст, поэтому её выходы требуют проверки. Лицензия — Apache 2.0.

Это дообученная модель Segment Anything Model (SAM), опубликованная Lorenzob и предназначенная для сегментации опухолей головного мозга на медицинских изображениях. Она принимает 2D-срез изображения и рамку с областью интереса, после чего предсказывает маску опухоли. Веса доступны в формате safetensors; лицензия — MIT. Модель обучали на симулированном наборе данных из двумерных срезов, полученных из трёхмерных изображений NIfTI, и соответствующих масок. При обучении рамки вокруг опухолей строились по эталонным маскам. Модель использует prompt-based сегментацию SAM и предназначена для экспериментов с разметкой опухолей на отдельных срезах. Качество на реальных и разнообразных клинических данных требует строгой проверки. Результат зависит от точности заданной рамки; модель работает с 2D-срезами и не выполняет сегментацию полного 3D-объёма напрямую.

sherlock-qwen2.5-3b-dpo-v1 — дообученная методом DPO чат-модель на базе Qwen/Qwen2.5-3B-Instruct, разработанная andreayhchen в рамках учебного задания CS2881R. Модель содержит 3,1 млрд параметров, использует плотную архитектуру Qwen2 и формат Safetensors; LoRA-адаптеры объединены с основными весами. Контекстное окно — 32 768 токенов. Модель предназначена для решения задач из набора MATH уровней 1–3 с ответами в стиле Шерлока Холмса. Для заданного формата запроса она должна рассуждать пошагово и завершать ответ строкой с итогом в \boxed{}. На тесте из 200 задач базовая модель показала точность 80%, а предшествующая версия SFT — 59%; README не приводит итоговые результаты этой версии DPO. Обучение DPO оптимизировало соответствие персоне по оценкам языковой модели-судьи, а не математическую корректность. Модель рассчитана на генерацию текста в диалоге. В README не указана лицензия, поэтому условия использования по карточке установить нельзя. Известное ограничение оценки: судья завышал балл примерно на один пункт за одно лишь упоминание имени «Ватсон», и обе стадии обучения с подкреплением увеличили частоту его употребления.

softmax-209m-16k-nope-2x-s2357 — языковая модель на 209 млн параметров из исследовательского выпуска DilutionAttention. Это базовая модель с обычным softmax-вниманием во всех слоях и без позиционного кодирования; она не является чат-ассистентом и не проходила настройку на выполнение инструкций или на безопасность. Модель обучена на корпусе FineWeb-Edu с контекстом 16 384 токена и рассчитана на эксперименты с оператором внимания и переносом на более длинные последовательности. Архитектура включает 24 слоя, ширину 768, 12 голов внимания и SwiGLU; используются словарь GPT-2 и связанные входные и выходные эмбеддинги. В тесте извлечения ключевого слова NIAH модель показала 0,29 при длине 16 000 токенов и 0,26 при 24 000 токенов. Этот тест измеряет поиск ключевого слова среди повторяющегося текста, а не рассуждение в длинном контексте. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

Исследовательский чекпойнт из коллекции Illusion of LLM Unlearning: модель Llama 3.2 1B Instruct после удаления данных TOFU и последующего дообучения на наборе забывания. Разработчик сообщает, что модель основана на open-unlearning/unlearn_tofu_Llama-3.2-1B-Instruct_forget10_NPO_lr1e-05_beta0.1_alpha1_epoch10 и прошла 300 шагов обычного supervised fine-tuning на вопросах и ответах TOFU forget10_perturbed с функцией потерь только на ответах. Модель предназначена для исследования устойчивости удаления данных и стоимости восстановления запомненных фактов. В приведённом эксперименте отрицательное логарифмическое правдоподобие точной строки на наборе забывания снизилось с 1,228 до 0,0338, а доля случаев, где правильный факт занимал первое место среди шести вариантов, выросла с 0,615 до 0,675. Это генеративная плотная Llama-модель на 1,2 млрд параметров с контекстом до 131 072 токенов; опубликована в формате safetensors и поддерживает текстовый диалог. Модель не предназначена для развёртывания: ответы о вымышленных авторах TOFU являются фиктивными по замыслу, а результаты относятся к конкретному эксперименту и сами по себе не подтверждают надёжность удаления данных в других условиях. Лицензия — MIT.

AImageLab разработала Cond-UNet Attention — модель семантической сегментации ультразвуковых изображений. Она принимает RGB-изображение и предсказывает бинарную маску переднего плана, выдавая один логит для каждого пикселя. Архитектура основана на U-Net с условием внимания: глубина 5, базовая ширина 16, входной размер 512 × 512, патчи размером 8 пикселей и эмбеддинги внимания размерностью 768. Модель предназначена для сегментации объектов на УЗИ; условие по органу можно передавать отдельно, а при его отсутствии используется токен unknown с ID −1. DWT и условие по форме отключены. Для загрузки используются пользовательский код Transformers и параметр trust_remote_code=True. В репозитории указаны веса safetensors; лицензия не приведена.

Репозиторий kxyadav85/visual-question-answering-finetune содержит исследовательские заметки и план эксперимента по визуальным вопросам и ответам, а не готовую обученную модель. В заметках обсуждаются исследовательский вопрос, возможные смешивающие факторы, сравнение с сопоставимыми базовыми методами и оценка на VQAv2, GQA и OK-VQA; упоминание этих наборов данных не означает, что эксперименты уже проведены. Материалы предназначены для планирования и проверки исследования в области visual question answering. README не заявляет результатов, улучшений на бенчмарках, выпущенного кода или обученного чекпойнта. В метаданных указаны архитектура Transformer, 9,4 млн параметров, контекст 512 токенов, возможность работы с изображениями и лицензия MIT; эти параметры описывают запись модели, но не подтверждают наличие готовой обученной системы.

Это экспериментальный чекпойнт синтеза речи на языке бамбара, созданный RobotsMali путём дообучения VITS-модели ylacombe/vits-vctk-with-discriminator. Веса сохранены в форме VitsModelForPreTraining вместе с генератором и дискриминатором и предназначены прежде всего для продолжения обучения; для обычного инференса после обучения авторы предлагают экспортировать вариант без дискриминатора. Размер модели — около 3,5 млн параметров, файлы представлены в формате safetensors. Модель обучалась на небольшом шумном корпусе спонтанной речи бамбара с псевдо-IPA предобработкой текста. Преобразование не применяется токенизатором автоматически, поэтому при продолжении обучения и диагностическом синтезе требуется использовать тот же cleaner. Чекпойнт прошёл лишь 200 эпох и существенно недообучен; авторы не обнаружили заметного улучшения относительно варианта с обычным текстом, а результат не проверялся статистически. Модель подходит для экспериментов и продолжения обучения синтезу речи на бамбара, но не считается сошедшейся или готовой к практическому использованию. Не представлены оценки разборчивости, качества голоса, сходства диктора, безопасности, смещений, приватности или запоминания данных. Лицензия — CC BY 4.0.

CryptoTrader-LM — модель, разработанная пользователем agarkovv и дообученная методом LoRA на базовой модели mistralai/Ministral-8B-Instruct-2410 с использованием PEFT. Она предназначена для ежедневного прогнозирования торгового решения «купить», «продать» или «удерживать» для Bitcoin (BTC) и Ethereum (ETH) на основе новостей о криптовалютах и исторических данных о ценах. Основной сценарий — участие в FinNLP @ COLING-2025 Cryptocurrency Trading Challenge; модель также может использоваться в исследовательских проектах, автоматизированных торговых системах и агентных платформах, например FinMem. Модель ориентирована на англоязычный анализ новостных статей. Её архитектурная основа — Ministral-8B-Instruct-2410, адаптация выполнена с LoRA; указаны ранг 8, alpha 16 и dropout 0,1. В README заявлена поддержка контекста до 32 768 токенов. Для обучения использовались курсы BTC и ETH к доллару США, а также новости с заголовками, источниками, URL и датами публикации за период с 1 января 2022 года по 15 октября 2024 года. Сильной стороной модели является специализация на сочетании рыночных данных и новостного контекста для ежедневных решений в криптовалютном рынке. Ограничения включают зависимость от используемых источников новостей и исторических периодов, слабую переносимость на другие активы и рыночные режимы, а также неприменимость для высокочастотной торговли, общего текстогенерирования и неспециализированного анализа тональности. Оценка в основном ориентирована на коэффициент Шарпа и может не учитывать ликвидность, комиссии и проскальзывание; прогнозы не следует использовать без управления рисками. Лицензия в README не указана.

Это обученный агент DQN для игры SpaceInvadersNoFrameskip-v4, созданный с помощью Stable-Baselines3 и обучающего фреймворка RL Zoo. Модель предназначена для управления игровым агентом в среде Space Invaders: она получает состояние среды и выбирает действия в рамках цикла обучения с подкреплением. Модель реализована на PyTorch и использует алгоритм Deep Q-Network. README подтверждает обучение для конкретной среды, но не приводит размер сети, детали входного представления или результаты оценки. Для работы требуется совместимая среда SpaceInvadersNoFrameskip-v4 и инструменты Stable-Baselines3/RL Zoo; сведений о лицензии в предоставленных данных нет.

Hyper v1 — Hyper-3B-Latent — это экспериментальная исследовательская модель Cymela на архитектуре Qwen2, дообученная на Qwen/Qwen2.5-3B-Instruct. Она генерирует текст и использует рекуррентный цикл непрерывных латентных векторов для обработки задачи перед выводом ответа; в репозитории также есть отдельные модули цикла и остановки. Размер модели — 3,1 млрд параметров, контекст — до 32 768 токенов. Модель рассчитана прежде всего на короткие англоязычные арифметические задачи, текстовые задачи на вычисления и логику; в README отмечено, что ей обычно полезно показывать ход решения. Цикл латентных шагов измеримо влияет на ответы, а глубина в четыре шага показала лучшие результаты в описанных проверках. Однако латентные состояния пока слабо зависят от конкретного условия задачи: без видимого решения вычисления часто ошибочны. Динамическая остановка фактически выбирает одинаковую глубину для разных запросов, следование инструкциям и многоходовый диалог ненадёжны; автор также предупреждает о случайных утечках служебных тегов, нестабильности при сэмплировании и непоследовательном отказе на опасные запросы. Для запуска автор рекомендует жадное декодирование и глубину четыре шага. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.