I.14Автоматизация процессов и AI-агенты

TinyBrainBot 320M V2 Math — это англоязычная причинно-авторегрессионная модель семейства Llama, разработанная автором репозитория nkthebass. Модель содержит около 325,8 млн параметров, была обучена с нуля, а затем дообучена на математических задачах; доступны веса safetensors в fp16 и вариант GGUF F16. Контекст составляет 1024 токена. Модель предназначена прежде всего для многозначного сложения и вычитания, двухзначного умножения и решения школьных текстовых задач с показом промежуточных вычислений. Она принимает текстовые запросы и генерирует текстовые рассуждения и ответы; поддерживает чатовый формат. По данным карточки, на целевых задачах арифметики и специально подобранном наборе текстовых задач модель показывает хорошие результаты для своего размера. При этом её общие знания слабы, необычные формулировки задач и сложные многошаговые рассуждения могут приводить к ошибкам; умножение чисел с тремя и более цифрами и деление больших чисел также остаются слабыми сторонами. Модель распространяется по лицензии Apache-2.0.

optimum-intel-internal-testing/tiny-random-flux — экспериментальная модель из набора Optimum Intel Internal Testing, опубликованная организацией Optimum Intel Internal Testing на Hugging Face. Это модель для генерации изображений по текстовому описанию, совместимая с библиотекой Diffusers и конвейером FluxPipeline. Модель предназначена главным образом для тестирования загрузки и выполнения FluxPipeline, интеграций Diffusers и связанных инструментов, а не для получения качественных production-изображений. В репозитории указано около 68,5 тыс. параметров и формат Safetensors с типом тензоров F32. Конвейер включает компоненты text encoder, tokenizer, transformer, VAE и scheduler; поддерживается текстово-изображающая модальность. Языки, размер контекста и точная конфигурация архитектуры в карточке модели не указаны. Ключевое преимущество — крайне малый размер, удобный для автоматизированных тестов и проверки совместимости. Существенное ограничение — статус tiny-random и отсутствие полноценной model card: модель не предназначена для оценки качества генерации и, вероятно, не отражает возможности полноразмерных Flux-моделей. Лицензия в доступных материалах не указана, поэтому условия коммерческого и иного использования требуют отдельной проверки.

Модель physicsrob/torchwright-calculator-simple-max-digits-6 — демонстрационный компилированный трансформер, созданный проектом torchwright: веса напрямую сформированы компилятором из вычислительного графа, без обучения. Используется стандартная плотная архитектура Phi-3 с 18,3 млрд параметров и контекстом 4096 токенов; модель загружается через Transformers без пользовательского кода. Лицензия — Apache-2.0. Модель выполняет целочисленные операции сложения, вычитания и умножения над двумя неотрицательными десятичными числами длиной до шести цифр. На вход подаётся выражение вида «A op B» с завершающим переводом строки; для воспроизводимого результата требуются fp32 и жадное декодирование. Это не языковая модель общего назначения: выражения за пределами описанного формата не поддерживаются. Контрольные примеры проверяются сравнением с целочисленной арифметикой Python, однако README уточняет, что это функциональная проверка, а не исчерпывающая проверка всех допустимых выражений. Плотный чекпойнт занимает 65,06 ГБ, хотя все его веса равны нулю; обычное плотное выполнение всё равно требует значительной памяти и вычислений.

Delphi-25B-SimpleRL-Math — экспериментальный чекпойнт модели WillHeld, полученный дообучением Delphi-25B методом GRPO по рецепту SimpleRL-Zoo на сложных задачах соревновательной математики. Модель на архитектуре Qwen3 содержит 24,3 млрд параметров, принимает текст и рассчитана на контекст до 16 384 токенов. Для работы ожидает фиксированный промпт с тремя примерами; генерацию следует останавливать на строке `\boxed{}`. Модель предназначена для решения математических задач, особенно тех, где достаточно одного действия или применения известной формулы к небольшим и очевидным числам. Она может выдавать ход решения и итоговый ответ в формате `\boxed{}`. В описанных испытаниях дообучение улучшило результат на MATH-500 в режиме few-shot, однако поздний чекпойнт уступил лучшему промежуточному, а на AIME-24 модель не решила ни одной задачи. Лицензия в предоставленных данных не указана.

HuggingArtists Eminem — языковая модель, созданная Алексеем Коршуком на основе GPT-2 и дообученная на текстах песен Эминема. Она генерирует текст в стиле обучающих текстов и предназначена для экспериментов и создания ботов, имитирующих любимого исполнителя. Модель использует архитектуру GPT2LMHeadModel и принимает текст, выдавая продолжение в виде текста. В метаданных указан контекст до 1024 токенов и поддержка английского языка. Доступны веса в форматах PyTorch и Flax. Качество и содержание генерации ограничены возможностями GPT-2 и особенностями текстов обучения; результат может воспроизводить их предубеждения и характеристики. Лицензия в предоставленных сведениях не указана.

Это исследовательский чекпойнт Qwen2.5-7B-Instruct, дообученный командой GATS для управления агентом в среде ALFWorld. Модель прошла этап холодного старта с обучением на примерах, затем 150 шагов оптимизации GRPO; в обучении также использовался учитель Qwen2.5-1.5B, обученный с GRPO на задачах ALFWorld. Архитектура — плотная авторегрессионная Qwen2, 7,1 млрд параметров, контекст 32 768 токенов. Модель предназначена для исследований стратегий холодного старта и обучения агентов с подкреплением, а также воспроизведения базовых результатов статьи GATS. В итоговой оценке на ALFWorld указаны результаты 77,86 ± 1,63 для ID и 83,85 ± 6,74 для OOD при K=3. Это не универсальный помощник: применение и подтверждённые результаты относятся к задачам ALFWorld. Распространяется под лицензией Apache-2.0.

reaperdoesntknow/gemma-270m-math-reasoner — экспериментальный чекпойнт на 257 млн параметров, опубликованный Convergent Intelligence LLC. Это плотная текстовая модель Gemma 3, дообученная на google/gemma-3-270m для генерации пошаговых рассуждений при решении математических задач. Модель принимает текст и генерирует текст; её родной контекст составляет 32 768 токенов. Чекпойнт предназначен для изучения переноса обучения в формате рассуждений на очень малые модели, экспериментов на периферийных устройствах и сравнения с более крупными дистиллятами. Модель умеет оформлять решение по шагам, но часто не справляется с самими вычислениями: в многошаговых текстовых задачах рассуждения могут выглядеть убедительно, хотя содержат ошибки. Формальная оценка качества не проводилась. Это экспериментальная версия, а не надёжный инструмент для математических ответов. Лицензия — Apache 2.0.

JarvisVLA-Qwen2-VL-7B — модель Visual-Language-Action, разработанная CraftJarvis для выполнения задач в Minecraft по инструкциям на естественном языке. Она дообучена на Qwen/Qwen2-VL-7B и сочетает понимание изображений с диалоговым интерфейсом; репозиторий содержит веса Safetensors для Transformers. Размер модели — 7,1 млрд параметров, длина контекста — 32 768 токенов. Карточка заявляет поддержку тысяч игровых навыков и взаимодействие с открытым миром Minecraft. Модель предназначена для управления игровыми действиями на основе визуального состояния Minecraft и текстовых команд. Лицензия — MIT. Карточка не уточняет поддерживаемые версии игры, точный интерфейс передачи игровых действий или результаты количественной оценки качества.

Карточка модели PeachyVibes/Kronos-base на Hugging Face совпадает с карточкой NeoQuasar/Kronos-Tokenizer-base, поэтому описание составлено по ней. NeoQuasar/Kronos-Tokenizer-base — специализированный токенизатор из семейства Kronos для преобразования финансовых свечных данных K-line в дискретные токены. Он квантует многомерные OHLCV-данные, сохраняя сведения о динамике цены и торговой активности, чтобы их можно было подавать в авторегрессионные модели Kronos. Токенизатор обучен в рамках проекта, основанного на данных более чем 12 миллиардов свечей с 45 бирж; формат весов — safetensors, лицензия — MIT. Компонент предназначен для подготовки исторических рыночных рядов для прогнозирования цены и волатильности, а также генерации синтетических финансовых данных в связке с моделью Kronos. В README для связанной модели Kronos-small указаны контекст 512 токенов и 24,7 млн параметров, а для Kronos-base — 512 токенов и 102,3 млн параметров; эти размеры относятся к языковым моделям семейства, а не к самому токенизатору. Токенизатор принимает числовые временные ряды свечей и выдаёт дискретные токены. Результат зависит от базовой прогнозной модели и качества исходных рыночных данных; финансовые прогнозы не гарантируют точности.

Kronos-small — компактная предобученная модель семейства Kronos от NeoQuasar для работы с финансовыми свечными данными. Она использует двухэтапную архитектуру: специализированный токенизатор преобразует многомерные данные OHLCV в дискретные токены, а авторегрессионный Transformer моделирует их последовательности. Модель содержит 24,7 млн параметров, использует Kronos-Tokenizer-base и имеет контекст длиной 512 токенов. Модель предназначена для прогнозирования временных рядов финансовых рынков. Она принимает исторические свечи с обязательными ценами открытия, максимума, минимума и закрытия; объём и сумма сделок необязательны. Предсказания возвращаются в виде будущих значений OHLCV и суммы сделок. Семейство Kronos обучалось на данных более чем 45 бирж и поддерживает прогнозирование цен и волатильности, а также генерацию синтетических данных; карточка этой версии выделяет прогнозирование временных рядов. Модель рассчитана на количественный анализ финансовых рынков и заявляет работу в режиме zero-shot на разных финансовых задачах. Прогнозы вероятностные и зависят от параметров выборки, поэтому их качество на конкретном активе и горизонте следует оценивать отдельно. Репозиторий распространяется под лицензией MIT.

NeoQuasar/Kronos-Tokenizer-2k — специализированный токенизатор для семейства Kronos, разработанного для финансовых временных рядов в виде свечей K-line. Он преобразует многомерные непрерывные данные OHLCV в иерархические дискретные токены для подачи в авторегрессионные модели Kronos. В README для связанной модели Kronos-mini указаны 4,1 млн параметров и контекст 2048 токенов; эти характеристики относятся к модели, а не к самому токенизатору. Токенизатор входит в двухэтапную систему, предназначенную для прогнозирования ценовых рядов и волатильности, а также генерации синтетических финансовых данных. Семейство Kronos предварительно обучено на более чем 12 млрд свечей с 45 бирж; README описывает работу в zero-shot сценариях. Вход — рыночные данные OHLCV, выход токенизатора — дискретные токены. Репозиторий использует формат safetensors и библиотеку PyTorch; лицензия — MIT. Качество прогноза зависит от данных и рыночных условий, а README не приводит количественных гарантий точности.

Loom Spark 1.5 Flash — экспериментальная компактная языковая модель Textile Labs, обученная с нуля, а не сжатая копия или дистилляция Loom Spark 1.5. Это плотная GPT-2-совместимая модель с 1,35 млн параметров, обученная на CPU; доступны веса Safetensors и GGUF F32. Контекст составляет 256 токенов, основной язык — английский. Модель предназначена для коротких диалоговых ответов и экспериментов с минимальными разговорными моделями и агентскими оболочками. Обучение уделяло особое внимание сохранению заданной идентичности, сдержанному тону и завершению каждого ответа: в описанных авторами испытаниях она не продолжала диалог за пользователя даже при стандартном шаблоне Ollama без дополнительной настройки. В метаданных указана задача text-generation; лицензия — MIT. При размере 1,35 млн параметров модель почти не располагает запасом для фактических знаний. Она может давать неверные или бессвязные ответы на фактические вопросы, иногда путать похожие типы вопросов и выдавать токен конца сообщения в сыром режиме. Результаты испытаний приведены авторами README и не являются гарантией поведения во всех средах.

huggingtweets/neiltyson — авторегрессионная языковая модель на архитектуре GPT-2, созданная Борисом Даймой в рамках проекта HuggingTweets. Модель дообучена на 3234 твитах Нила Деграсса Тайсона и предназначена для генерации коротких текстов, имитирующих стиль его публикаций. Она принимает текстовую подсказку и продолжает её; доступна в формате PyTorch для использования через Transformers. Контекст модели составляет 1024 токена, основной язык обучающих текстов — английский. Модель подходит для создания стилизованных черновиков публикаций и экспериментов с генерацией текста в духе исходного автора. Качество и фактическая точность не гарантированы: результат зависит от небольшого набора твитов и может воспроизводить ограничения и смещения GPT-2, а также особенности обучающих данных. В предоставленных сведениях лицензия не указана.

ZeroHero Craftax strong — специализированный языковой исполнитель для навигации со скрытой целью в Craftax-Dialogue, разработанный в проекте ZeroHero. Это плотная авторегрессионная модель Qwen3 на 13 млн параметров с шестью слоями, размером скрытого состояния 384 и контекстом 2 048 токенов. Весы обучены с нуля: модель не использует предобученные веса Qwen3. После обучения на экспертных траекториях она прошла онлайн-обучение BATS / LinUCB с обновлениями PPO и DAgger. На вход модель получает локальную символьную карту и диалог, а в ответе формирует рассуждение, действие и при необходимости вопрос. Она предназначена для выбора действий в этой среде, а не для общего диалога или самостоятельного доступа к скрытой цели: ответы на вопросы о привилегированном состоянии предоставляет отдельный Gemma-оракул. В описанной оценке модель достигла 89,45% успеха на 512 эпизодах; это результат одного обучающего запуска, поэтому он не показывает разброс качества между запусками и не является оценкой на стандартных достижениях Craftax. Для интерактивной оценки нужны обёртка среды ZeroHero, форматировщик наблюдений, анализатор действий и Gemma-оракул. В README лицензия не указана.

Confucius3-Math — открытая языковая модель на 14 млрд параметров от команды NetEase Youdao AI, предназначенная для решения задач школьной математики K–12. Она построена на архитектуре Qwen2 и дообучена методом обучения с подкреплением на базе DeepSeek-R1-Distill-Qwen-14B; доступна в формате safetensors и запускается через Transformers или vLLM. Контекст модели составляет 131 072 токена. Модель рассчитана на решение и объяснение математических задач с учётом китайской школьной программы и методик. В карточке сообщается о высоких результатах на тестах по математике K–12 и возможности запуска на одной потребительской видеокарте, например RTX 4090D. Лицензия — MIT. Качество в нематематических задачах не проверено. Модель может зацикливаться в рассуждениях и выдавать некорректный результат; также она не проходила отдельную настройку и проверку безопасности.

GATS Cold-Start — исследовательский чекпойнт Qwen2.5-7B-Instruct, дообученный методом supervised fine-tuning на успешных траекториях учителя Qwen2.5-1.5B, обученного с GRPO на задачах ALFWorld. Модель предназначена для изучения стратегий холодного старта агентного обучения с подкреплением и воспроизведения базовых экспериментов статьи GATS, а не для использования как универсальный помощник. Обучающий корпус включает 13 970 многоходовых примеров по 239 задачам; обучение проведено за три эпохи. На вневыборочном разбиении ALFWorld до RL-обучения указана точность 64,1%. Архитектура — плотная авторегрессионная Qwen2 с 7,1 млрд параметров; контекст — до 32 768 токенов. Репозиторий содержит веса safetensors в float32. Модель принимает текстовые диалоги и генерирует текстовые действия или ответы в рамках задач ALFWorld. Лицензия — Apache-2.0.

histronicmonstr — текстовая генеративная модель на базе GPT-2, созданная Борисом Дейма с помощью проекта huggingtweets. Она дообучена на 3203 твитах пользователя (心) !!!Ma-tin Korii!!! Uwa～😃!!! и предназначена для генерации коротких сообщений в похожем стиле. Модель принимает текстовый префикс и продолжает его; её можно запускать через pipeline text-generation в библиотеке Transformers. Контекст составляет 1024 токена, формат весов — PyTorch. Карточка указывает английский язык. Модель подходит для создания стилизованных продолжений и экспериментального воспроизведения манеры автора исходных твитов. Её ответы наследуют ограничения и смещения GPT-2 и особенности обучающих публикаций, поэтому качество и уместность результатов могут быть непредсказуемыми. Лицензия в предоставленных сведениях не указана.

huggingtweets/joebiden — англоязычная генеративная модель на архитектуре GPT-2, созданная Борисом Дайма с помощью проекта huggingtweets. Она дообучена на твитах Джо Байдена и предназначена для генерации коротких текстов в стилистике и тематике этих публикаций, например для экспериментальных ботов и демонстраций генерации продолжений текста. Модель принимает текст и выдаёт текст; её родной контекст составляет 1024 токена. В репозитории указаны веса PyTorch. Модель обучалась на 3215 твитах, включая ретвиты, поэтому её стиль и тематика ограничены этим небольшим набором публикаций и могут отражать их смещения. Как и GPT-2, она может генерировать неточные или предвзятые утверждения. Сведения о лицензии в предоставленной карточке отсутствуют.

huggingtweets/joejoinerr — генеративная языковая модель на архитектуре GPT-2, созданная Борисом Даймой с помощью проекта HuggingTweets. Она дообучена на 3 176 твитах пользователя Joe 🍞 (@joejoinerr), включая ретвиты, и предназначена для генерации коротких текстов в похожей манере. В карточке указано окно контекста 1 024 токена; модель распространяется в формате PyTorch и запускается через Transformers pipeline для text-generation. Модель подходит для экспериментов с генерацией текстов в стиле автора исходных твитов. Её вывод отражает содержание и особенности данных пользователя и наследует ограничения и смещения GPT-2. Условия лицензирования в предоставленных данных не описаны.

Radamanthys11/Kimi-K2.5-DFlash-GGUF — это набор GGUF-версий черновой DFlash-модели, созданный для использования с ik_llama.cpp. Модель производна от safetensors-модели z-lab/Kimi-K2.5-DFlash и предназначена для совместной работы с целевой моделью семейства Kimi K2.5, в частности с Kimi-K2.5.gguf. Модель используется не самостоятельно, а как draft-модель в сценариях генерации с черновым предсказанием через llama-server и параметр dflash. В репозитории представлены варианты F16 размером 6,5 ГБ, Q8_0 размером 3,5 ГБ и Q4_K_M размером 1,9 ГБ. Квантизации Q4_K_M и Q8_0 обозначены как небольшие тестовые варианты; при необходимости можно создать собственную квантизацию. Ключевое ограничение — это не самостоятельная instruct-модель: для работы требуется совместимая целевая модель Kimi K2.5 и поддержка DFlash в ik_llama.cpp. Сведения о языках, длине контекста, мультимодальности и лицензии в README не указаны.

Карточка модели jeckmy/Kronos-base на Hugging Face совпадает с карточкой NeoQuasar/Kronos-Tokenizer-base, поэтому описание составлено по ней. NeoQuasar/Kronos-Tokenizer-base — специализированный токенизатор из семейства Kronos для преобразования финансовых свечных данных K-line в дискретные токены. Он квантует многомерные OHLCV-данные, сохраняя сведения о динамике цены и торговой активности, чтобы их можно было подавать в авторегрессионные модели Kronos. Токенизатор обучен в рамках проекта, основанного на данных более чем 12 миллиардов свечей с 45 бирж; формат весов — safetensors, лицензия — MIT. Компонент предназначен для подготовки исторических рыночных рядов для прогнозирования цены и волатильности, а также генерации синтетических финансовых данных в связке с моделью Kronos. В README для связанной модели Kronos-small указаны контекст 512 токенов и 24,7 млн параметров, а для Kronos-base — 512 токенов и 102,3 млн параметров; эти размеры относятся к языковым моделям семейства, а не к самому токенизатору. Токенизатор принимает числовые временные ряды свечей и выдаёт дискретные токены. Результат зависит от базовой прогнозной модели и качества исходных рыночных данных; финансовые прогнозы не гарантируют точности.

Qwen3.5-4B-MTP-4bit — это вспомогательная модель-драфтер, разработанная сообществом mlx-community на основе Qwen/Qwen3.5-4B от Qwen. Она предназначена для ускорения генерации текста методом speculative decoding в связке с совместимым целевым чекпойнтом Qwen3.5 4B: модель предлагает кандидаты токенов, а целевая модель их проверяет. Самостоятельно как чат- или текстогенерационная модель этот репозиторий не предназначен для использования. Модель имеет тип qwen3_5_mtp и размер блока Multi-Token Prediction 2. Веса квантизированы в формате MLX affine 4-bit с group size 64 и сохранены в Safetensors с конфигурацией и токенизатором, совместимыми с MLX. Для работы требуется runtime MLX с поддержкой MTP-драфтеров Qwen в mlx-vlm. В карточке указана поддержка английского языка; другие языки, модальности и размер контекста не заявлены. Основное преимущество — потенциальное ускорение авторегрессионной генерации при использовании speculative decoding и совместимого целевого чекпойнта. Ограничения состоят в невозможности штатного автономного запуска через generic Transformers API, зависимости от mlx-vlm и необходимости использовать целевую модель Qwen3.5 4B. Лицензия указана как Apache-2.0; дополнительные условия следует уточнять по карточке базовой модели Qwen/Qwen3.5-4B.

thomasgardiner/Qwen3.8-27B-DFlash2-FP8 — FP8-квантизированная draft-модель для ускорения спекулятивного декодирования основной модели Qwen3.8-27B. Она основана на incoai/Qwen3.8-27B-DFlash2, разработанной inco.ai и z-lab, и предназначена для работы с SGLang в связке с целевой моделью Qwen3.8-27B в любой точности. Модель генерирует черновые токены, которые затем проверяются целевой моделью, поэтому самостоятельно как обычная чат-модель не используется. Модель содержит 5 слоёв и занимает около 2,41 ГБ. Слои MLP и проекции выхода self-attention представлены в формате float8_e4m3fn с симметричным статическим масштабированием весов и динамическим масштабированием активаций; остальные ключевые компоненты, включая q_proj, k_proj, v_proj, нормы и селектор кандидатов, сохранены в BF16. Архитектура сохраняет возможность fused DFlash KV materialization в SGLang. README не указывает языки и точный размер контекста. Модель рассчитана на текстовую генерацию и сценарии с включённым speculative decoding. По заявленным измерениям на одной RTX 5090 при последовательной обработке запросов FP8-вариант повышает скорость декодирования примерно на 4–6% на наборах MT-Bench, HumanEval, GSM8K и MATH-500 по сравнению с BF16-версией draft-модели, хотя эффект зависит от промпта и задачи; для отдельных случаев зафиксированы как прирост, так и небольшое снижение длины принятой последовательности. Результаты не проверялись для параллелизма выше одного запроса и движков, отличных от SGLang. Для работы требуется совместимая конфигурация SGLang и целевая модель Qwen3.8-27B. Модель распространяется по лицензии Apache-2.0.

huggingtweets/tojibaceo — модель генерации текста, созданная Boris Dayma с помощью проекта HuggingTweets. Это GPT-2, дообученная на 1401 твите Tojiba CPU Corp; карточка приводит пример генерации продолжения фразы через библиотеку Transformers. Модель предназначена для создания коротких текстов, имитирующих лексику и стиль публикаций этого аккаунта. Контекст составляет 1024 токена, формат весов — PyTorch; в метаданных указан английский язык. Модель может воспроизводить особенности и предвзятость исходных твитов, а также ограничения GPT-2. Лицензия в предоставленных данных не указана.

physicsrob выпустил демонстрационную модель torchwright, в которой веса скомпилированы непосредственно из вычислительного графа, а не получены обучением. Модель использует плотную архитектуру Phi-3 с 14,3 млрд параметров, загружается через Transformers без пользовательского кода и рассчитана на точное целочисленное сложение, вычитание и умножение двух неотрицательных десятичных чисел длиной до шести цифр. На вход подаётся выражение вида «A op B» с переводом строки, результат выводится текстом; арифметика реализована с помощью переносов с опережением и carry-save на логарифмической глубине. Модель предназначена для демонстрации компиляции вычислений в веса трансформера и для ограниченных арифметических запросов. Для заявленного поведения необходимы fp32 и жадное декодирование без сэмплирования. Лицензия — Apache-2.0. Несмотря на то что почти все веса равны нулю, чекпойнт занимает 56,77 ГБ, а плотное выполнение требует соответствующих памяти и вычислений.

huggingtweets/wellshit0 — модель генерации текста на архитектуре GPT-2, созданная Борисом Даймой с помощью проекта HuggingTweets. Она дообучена на публикациях пользователя well shit (@wellshit0) и предназначена для генерации коротких текстов в стиле его твитов; в README указано 3155 загруженных твитов, включая 319 ретвитов и 768 коротких сообщений. Модель принимает текстовый запрос и продолжает его, например создаёт несколько вариантов продолжения фразы. Контекст составляет 1024 токена; модель распространяется в формате PyTorch и поддерживает английский язык. Для запуска в README приведён пример с Transformers text-generation pipeline. Качество и характер генерации зависят от небольшого набора твитов и могут отражать их особенности и смещения. Также применимы ограничения и смещения GPT-2. Лицензия в предоставленных данных не указана.

Yumoto — модель прогнозирования временных рядов, разработанная командой проекта subnet-alpha для рынков Bittensor. Она строит вероятностные прогнозы цен по четырём временным масштабам: 5 минут, час, 4 часа и сутки; вместо одной оценки выдаёт набор квантилей, описывающий диапазон возможных значений. На вход подаются данные OHLCV: модель совместно прогнозирует открытие, максимум, минимум и закрытие, используя объём как контекст. Это трансформер с обработкой временного ряда патчами: окно до 4096 шагов делится на фрагменты по 32 шага, внимание охватывает до 64 последовательных фрагментов и связывает каналы OHLCV. Обучение на восстановлении скрытых участков позволяет получать горизонт прогноза за один проход. В актуальной версии v0.2 около 17,8 млн параметров и 13 уровней квантилей от 2,5% до 97,5%. В описанной авторами оценке на отложенных данных модель показала лучшие результаты среди сравниваемых фундаментальных моделей на всех семи горизонтах, но не превосходила лучший классический метод в двух случаях. Модель предназначена для анализа и прогнозирования рынков subnet-alpha Bittensor; README не подтверждает её пригодность для других рынков. Репозиторий распространяется по лицензии MIT. Результаты бенчмарка зависят от выбранной выборки и методики оценки и не гарантируют точность будущих прогнозов.

Модель b3ck1/gpt-neo-125M-finetuned-beer-recipes — дообученная EleutherAI GPT-Neo на 125M параметров, основанная на трансформерной архитектуре GPT-3. Она генерирует рецепты пива в формате, похожем на YAML, пригодном для дальнейшего использования. Обучение проводилось на пользовательском наборе примерно из 76 800 рецептов из интернета, охватывающем множество стилей пива, а также медовуху и сидр. Модель предназначена для создания вариантов рецептов пивоварения по текстовой подсказке и может использоваться в прототипах рецептурных генераторов. Она принимает и выдаёт текст, поддерживает английский язык и имеет контекстное окно 2048 токенов. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Результаты могут быть непоследовательными или фактически неточными: формат YAML-подобный, а качество и безопасность рецептов требуют проверки перед практическим применением.

Mafia Gemma 4 12B IT — специализированная диалоговая модель, разработанная для игровых агентов Mafia и Werewolf. Это дообученная методом LoRA SFT модель unsloth/gemma-4-12b-it, доступная в репозитории в виде объединённых весов Transformers; метаданные указывают формат safetensors. По карточке, обучение ориентировано на партии с семью игроками и ролями мафии, детектива, доктора и мирных жителей. Контекст обучения — 4096 токенов. Модель формирует допустимые игровые действия и краткие сообщения для обсуждений, обвинений, защиты, заявлений о роли и голосования. Она также обучена учитывать подозрения, утверждения игроков и сведения о роли, а также выбирать ночные действия. Предназначена для игрового агента с проверкой действий игровым движком, разделением публичной и приватной информации и управлением ходами модератором. Лицензия — Apache-2.0. Карточка приводит результаты 24 полных партий, поэтому показатели относятся к небольшому игровому тестированию и не являются общей оценкой рассуждений. Для качественной работы нужны структурированные запросы и проверка допустимости действий; модель не обеспечивает секретность ролей самостоятельно и рассчитана на игровую, в том числе обманную, коммуникацию.

NotoriousH2 разработала Qwen3-4B Countdown RLVR — дообученную методом GRPO модель Qwen3-4B с проверкой вознаграждения по явной формуле. Она предназначена для решения задач Countdown: модель получает четыре числа и целевое значение, а затем генерирует выражение с использованием каждого числа ровно один раз и арифметических операций. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 3,7 млрд параметров и принимает текст; для загрузки используется библиотека Transformers. Родительская модель поддерживает контекст до 40 960 токенов. В тестовой оценке на задачах Countdown модель показала pass@1 57,4% и pass@8 88,7%; доля корректных выражений составила 56,8%. Эти результаты относятся только к описанному набору задач с четырьмя числами и арифметическими операциями и не характеризуют способность к свободным доказательствам или математическим рассуждениям в целом. Карточка указывает корейский язык. Модель распространяется по лицензии Apache-2.0.