I.2Синтез, понимание и проверка знаний

PROSPER-Qwen2.5-7B-WildChecklists-2ep — исследовательский чекпойнт компании promotion, дообученный на базе Qwen/Qwen2.5-7B-Instruct. Это плотная авторегрессионная языковая модель семейства Qwen2 с 7,1 млрд параметров, предназначенная для генерации текста и диалогов. Она обучалась два эпоха на WildChecklists по протоколу PROSPER: для каждого запроса использовались пункты чек-листа и оценки ответов по отдельным пунктам; репозиторий представляет вариант с max-min агрегированием игровых значений. В README приведены сравнения на Arena-Hard и AlpacaEval с локальной открытой моделью-судьёй. Авторы отмечают, что эти оценки не сопоставимы напрямую с опубликованными результатами лидербордов, а различия между вариантами обучения статистически не разрешены. Модель принимает текст и выдаёт текст; контекст составляет до 32 768 токенов. Лицензия в предоставленных сведениях не указана.

OpenVINO/Qwen3.8-27B-int4-ov — экспериментальная квантованная версия модели Qwen3.8-27B, разработанной командой Qwen. Модель преобразована в формат OpenVINO IR, а её веса сжаты до INT4 с помощью NNCF. Для квантования использованы режим INT4_ASYM, размер группы 128 и коэффициент ratio 1.0. Это мультимодальная vision-language модель для понимания изображений и видео, управления глубиной рассуждений и решения сложных многошаговых задач. Она может применяться для анализа визуального содержимого, ответов на вопросы по изображениям и построения мультимодальных чат-приложений. В README не указаны поддерживаемые языки и размер контекстного окна. Ключевые преимущества модели — мультимодальность и уменьшенный объём весов благодаря INT4-квантованию, что может упростить развёртывание с OpenVINO. При этом модель ещё не полностью проверена и требует экспериментальных или nightly-версий OpenVINO, OpenVINO GenAI и Optimum Intel; совместимость также заявлена с Transformers 5.2. Модель распространяется по лицензии Apache-2.0.

Snowball 67B-A2B — базовая языковая модель, экспортированная из шага 157 000 эксперимента по сравнению моделей для длинного контекста. В карточке указаны 67 млрд параметров всего и около 2 млрд активных параметров на токен; архитектура — разреженная MoE с 26 слоями и 256 экспертами, из которых для каждого токена выбираются четыре. Контекст составляет 262 144 токена, словарь — 128 256 токенов. Модель разработана в рамках проекта Marin. Модель предназначена для продолжения текста и работы с длинными документами. Это базовая, не настроенная на инструкции модель: шаблон чата в токенизаторе сам по себе не означает, что она обучена следовать инструкциям, поэтому для неё рекомендуются текстовые продолжения. В метаданных указаны английский язык и интерфейс вызова инструментов; практическая доступность последнего может зависеть от настройки сервинга. В README приведены конфигурация сервинга на восьми GPU H100 и требование использовать форк vLLM от Marin с поддержкой GrugMoe. Эта публикация проверяет имена тензоров, тип BF16, конфигурацию, размеры файлов и контрольные суммы; генерация и численная проверка соответствия для неё не проводились. Материалы модели распространяются по лицензии OpenMDW 1.1.

Это испаноязычная модель классификации последовательностей, созданная дообучением mrm8488/spanish-TinyBERT-betito на датасете XNLI. Она использует архитектуру BERT и содержит 15,7 млн параметров; контекст ограничен 512 токенами. Модель предназначена для классификации текстовых пар в задаче естественно-языкового вывода: оценки отношения между посылкой и гипотезой. В карточке приведены результаты на оценочной выборке: accuracy 0,7475 и loss 0,7104. Модель хранится в формате PyTorch. Сведения о лицензии и более подробных ограничениях в доступных источниках отсутствуют.

SRIQ-Spark-V1.4 — языковая модель от SRIQ, дообученная методом supervised fine-tuning на базе XHToken/Spark-X2.5-4B; LoRA-адаптер объединён с весами модели. Модель предназначена для диалоговой генерации текста с акцентом на рассуждения: ответ сопровождается сжатой цепочкой рассуждений на упрощённом китайском языке и завершающим шагом проверки результата по исходным условиям. Модель содержит 3,8 млрд параметров, использует плотную архитектуру Spark2_5 и поддерживает контекст до 1 048 576 токенов. Она обучалась на наборе из 825 примеров, но обучение охватило около 0,29 эпохи; бенчмарки не проводились, поэтому качество и улучшение точности не подтверждены. Лицензия — Apache-2.0. Для загрузки требуется trust_remote_code=True и Transformers 5.x; в репозитории включена исправленная версия кода модели. README рекомендует запускать её на одной GPU: распределение по нескольким GPU через device_map="auto" не работает. Указана совместимость с 4-битной загрузкой через bitsandbytes, но vLLM не поддерживает эту архитектуру без специального плагина.

kennethge123/superglue_rte-gpt2 — модель классификации текста на основе GPT-2, дообученная на наборе SuperGLUE для задачи RTE (Recognizing Textual Entailment). Она предназначена для классификации пары текстов по наличию логического следования: определения, следует ли гипотеза из исходного утверждения. Модель построена на GPT2ForSequenceClassification, использует веса PyTorch и имеет контекстное окно 1024 токена. На evaluation set указаны accuracy 0,5435 и loss 4,4821, поэтому качество на этой оценке ограничено. Для модели указана лицензия MIT. README не описывает дополнительные сценарии применения или ограничения.

Anah-7b-GGUF — это квантизированная версия модели opencompass/anah-7b, подготовленная mradermacher в формате GGUF. Модель ориентирована на обнаружение галлюцинаций и классификацию текста; заявленный язык — английский. В метаданных указана библиотека Transformers, однако подробности архитектуры и точные параметры исходной модели не приведены, кроме обозначения размера 7B. Модель предназначена для сценариев, где требуется анализировать текст и выявлять признаки недостоверных или вымышленных утверждений. Доступны варианты с разными уровнями квантизации: от Q2_K размером около 3,1 ГБ до f16 размером около 15,6 ГБ. В README варианты Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, а Q8_0 — как обеспечивающий лучшее качество среди перечисленных квантизированных вариантов. К сильным сторонам относятся возможность локального запуска в компактных вариантах GGUF и выбор между размером, скоростью и качеством. Ограничения связаны с квантизацией, возможной потерей качества по сравнению с полной точностью, специализацией на обнаружении галлюцинаций и отсутствием сведений о максимальном контексте, мультимодальности, датасетах и результатах оценки. Модель распространяется по лицензии Apache-2.0.

AstroSage-70B — авторегрессионная языковая модель семейства Llama, разработанная AstroMLab для астрономии, астрофизики, космологии, космических наук и астрономического приборостроения. Модель содержит 69,5 млрд параметров и дообучена на базе Meta-Llama-3.1-70B: прошла продолженное обучение на астрономической литературе, настройку на инструкциях и слияние настроенных моделей. Она использует архитектуру и токенизатор Llama 3.1 и поддерживает контекст до 131 072 токенов. Модель предназначена для диалоговых ответов на научные вопросы, объяснения астрономических понятий, обзоров и суммирования научных статей, а также для помощи в генерации исследовательских идей и программировании анализа астрономических данных. Основной язык карточки — английский; базовая Llama поддерживает многоязычную генерацию, но акцент этой модели — научные материалы по астрономии. Модель может ошибаться и уверенно выдавать неверные научные сведения; факты следует проверять. Её знания о публикациях по астрономии охватывают материалы до января 2024 года, поэтому более поздние открытия и исследования могут отсутствовать. AstroSage-70B распространяется по лицензии Llama 3.1 Community License.

AX-3.1-Light-sftv30 — корейскоязычная модель для диалогов и генерации текста, созданная автором репозитория на основе skt/A.X-3.1-Light. Это плотная архитектура LlamaForCausalLM примерно на 6,8 млрд параметров с контекстом до 32 768 токенов. Модель дообучена методом SFT на 36 000 обучающих и 3 000 проверочных примерах из AI Hub: данные охватывают право, бухгалтерский учёт, медицину, чтение новостей и оценку технологий. LoRA-адаптер слит с базовой моделью; веса доступны в BF16 safetensors, модель загружается через Transformers или стандартный vLLM без пользовательского кода. Модель предназначена для корейскоязычных исследований, контролируемой оценки и экспериментов с выполнением инструкций и предметно-ориентированным дообучением. Разработчик не приводит официальных результатов K-AI leaderboard. Ответы могут содержать фактические ошибки, неподтверждённые рассуждения или отклонения от требуемого формата; модель не заменяет профессиональную юридическую, бухгалтерскую или медицинскую консультацию. Лицензия репозитория — Apache-2.0; исходные датасеты AI Hub сохраняют собственные условия доступа и лицензии.

AX-3.1-Light-sft_v3_1_C_recommended — это экспериментальная корейскоязычная чат-модель на 6,8 млрд параметров, созданная дообучением skt/A.X-3.1-Light. Разработчик объединил LoRA-адаптер с базовыми весами; модель использует архитектуру Llama, формат BF16 safetensors и официальный шаблон диалога токенизатора A.X. Контекстное окно — 32 768 токенов. Модель предназначена для исследований и контролируемой оценки на корейском языке. Дообучение охватывает инструкции по гражданскому, уголовному и административному праву, бухгалтерским стандартам, базовым медицинским знаниям, анализу новостных статей и оценке технологий. Модель поддерживает генерацию текста в диалоговом формате и рассчитана на прямую загрузку в vLLM без отдельного адаптера или пользовательского кода модели. Модель может допускать фактические ошибки и не предназначена для замены профессиональной юридической, бухгалтерской, медицинской или финансовой консультации. Лицензия — Apache-2.0; исходные данные AI Hub сохраняют собственные условия доступа.

mse30/bart-base-finetuned-pubmed — дообученная модель facebook/bart-base, созданная для генерации текста на научных публикациях из набора scientific_papers. Она предназначена для задач преобразования текста, в частности для подготовки кратких изложений научных статей. Модель основана на архитектуре BART и содержит 95,2 млн параметров; максимальный контекст составляет 1024 токена. Доступны веса в формате PyTorch. Лицензия — Apache-2.0. В карточке приведены результаты оценки на тестовой выборке: Loss 1,9804, ROUGE-1 9,1984, ROUGE-2 4,3091 и ROUGE-L 7,9739. Описание ограничений и подробности обучения не приведены; указанные результаты сами по себе не подтверждают пригодность для других типов текстов или качество в практических сценариях.

muhtasham/bert-tiny-finetuned-glue-rte — модель классификации текстовых последовательностей, созданная дообучением google/bert_uncased_L-2_H-128_A-2 на наборе данных GLUE для задачи RTE. Она предназначена для определения того, следует ли гипотеза из данного текста. Архитектура — компактный BERT с 4,4 млн параметров и контекстом до 512 токенов; доступны веса PyTorch и Safetensors. На оценочной выборке GLUE модель показала accuracy 0,6318 и loss 0,6673. Лицензия Apache-2.0. Карточка не описывает дополнительные сценарии применения и ограничения; качество на указанной оценке может не переноситься на другие данные.

C3-Context-Cascade-Compression — языковая модель семейства C3, разработанная Fanfan Liu и Haibo Qiu. Карточка связывает её с проектом Context Cascade Compression, посвящённым исследованию предельных возможностей сжатия текста. Это плотная причинная модель на 3,1 млрд параметров с архитектурой C3QwenForCausalLM. Она принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов и распространяется в формате Safetensors для Transformers. В карточке не описаны конкретные сценарии применения сжатия, метод обучения или поддерживаемые естественные языки. Модель предназначена для генерации текста и исследований сжатия контекста. Лицензия — Apache-2.0.

CARE-OPD QZBC 4B — текстовая модель на основе Qwen3.5-4B, адаптированная авторами CARE-OPD для генерации структурированных ответов, опирающихся на предоставленные доказательства. Она принимает сообщения чата с Evidence Packet и формирует ответ в заданной структуре. Чекпойнт содержит объединённые веса LoRA и работает как самостоятельная модель Transformers с архитектурой Qwen3_5ForCausalLM; в метаданных указано 3,4 млрд параметров, а в README — около 4,206 млрд. Контекст — до 262 144 токенов. Модель предназначена для исследований генерации ответов с опорой на источники, воспроизведения контракта оценки QZBC и контролируемого изучения поведения при отсутствии, противоречивости или ненадёжности доказательств. Она принимает и выдаёт текст; для работы с клиническими сценариями необходимы внешняя проверка ответов, контроль источников и человеческий надзор. Оценка 80,51% относится к конкретному возмущённому тесту QZBC и не подтверждает клиническую точность или общее превосходство. Обработка противоречий остаётся слабым местом, а проверка вне обучающего распределения, на разных языках и демографических группах ограничена. Это не медицинское устройство и не средство автономной диагностики, назначения лечения, дозирования, сортировки или экстренного реагирования. Лицензия — Apache-2.0.

DualMind — языковая модель на 1,7 млрд эффективных параметров, разработанная Convergent Intelligence LLC на архитектуре Qwen3ForCausalLM. Это дообученная версия reaperdoesntknow/DiStil-Qwen3-1.7B-uncensored для генерации текста и диалогов, в частности для задач логического вывода. Модель обучена в формате с последовательными этапами рассуждения, самокритики и синтеза ответа, обозначенными ролевыми токенами. Такой формат предназначен для проверки промежуточных выводов и подготовки итогового ответа. В README указан контекст 40 960 токенов; модель поддерживает английский язык. Лицензия — Apache-2.0. Карточка описывает экспериментальный подход и ограниченное дообучение на логических примерах; заявленная способность к самопроверке не гарантирует правильность результата. В метаданных указан датасет LongWriter-6k, тогда как README называет KK04/LogicInference_OA, поэтому детали обучающих данных описаны в источниках неодинаково.

ELYZA-Thinking-1.0-Qwen-32B — языковая модель рассуждений, разработанная компанией ELYZA на базе Qwen2.5-32B-Instruct. Это плотная авторегрессионная модель семейства Qwen2 с 32 млрд параметров, дообученная для усиления способностей к рассуждению на японском языке с помощью имитационного обучения на синтетических данных, включавших длинные цепочки рассуждений, созданные алгоритмом на основе MCTS. Модель предназначена для диалоговой генерации текста и решения задач, требующих многошаговых рассуждений. Она использует формат Safetensors и библиотеку Transformers; метаданные указывают контекст до 131 072 токенов. README показывает запуск через vLLM с настройкой парсера рассуждений DeepSeek R1 и ограничением длины в примере до 32 768 токенов. Поддерживаются японский и английский языки, однако основная специализация — японский. Модель распространяется по лицензии Apache 2.0.

Indonesian RoBERTa Base IndoNLI — модель классификации текстовых последовательностей на основе RoBERTa, созданная Wilson Wongso. Базовая предобученная Indonesian RoBERTa Base дообучена на датасете IndoNLI, включающем тексты Википедии на индонезийском языке, новостей и веб-статей. Модель содержит 151,8 млн параметров по метаданным и принимает текстовые последовательности длиной до 514 токенов. Основное назначение — распознавание отношений логического следования между парами высказываний на индонезийском языке: например, проверка, следует ли одно предложение из другого или противоречит ему. В README приведены точности 77,06% на dev, 74,24% на тестовой подвыборке test_lay и 61,66% на test_expert. Модель можно применять для классификации текстовых пар в задачах NLI; пример карточки использует Transformers pipeline с названием sentiment-analysis. Весовые файлы доступны в форматах PyTorch, Safetensors и TensorFlow. Лицензия — MIT. Разработчик предупреждает о возможном переносе смещений из базовой модели и датасета IndoNLI; результаты на экспертной тестовой подвыборке заметно ниже, поэтому качество следует проверять на целевых данных.

elinas/llama-7b-hf-transformers-4.29 — конвертированная версия исходных весов первой LLaMA, разработанной командой FAIR в Meta AI. Это авторегрессионная плотная языковая модель на архитектуре Transformer с классом LlamaForCausalLM и 6,6 млрд параметров; веса сохранены в формате PyTorch и подготовлены для Transformers 4.29 с токенизатором LlamaTokenizerFast. Контекст модели составляет 2048 токенов. Модель предназначена для генерации текста и исследовательских экспериментов с языковыми моделями: её можно использовать для изучения ответов на вопросы, понимания и чтения текста. В обучающих данных представлены 20 языков, но преимущественно английский, поэтому качество ожидается выше на английском. Это базовая модель без обучения с человеческой обратной связью: она может выдавать неточные, токсичные или предвзятые ответы и требует оценки рисков и дополнительных мер защиты перед прикладным использованием. Лицензия — специальная некоммерческая лицензия.

nenkoru/llama-7b-onnx-merged-fp16 — конвертированная в ONNX версия базовой языковой модели LLaMA 7B, разработанной командой FAIR в Meta AI. Модель построена на трансформерной архитектуре авторегрессионного типа и содержит 6,6 млрд параметров. Репозиторий подготовлен с помощью Optimum для выполнения через ONNX Runtime в формате FP16; заявленная длина контекста — 2048 токенов. Модель генерирует продолжение текста и предназначена прежде всего для исследовательской работы с языковыми моделями, включая эксперименты с ответами на вопросы, пониманием прочитанного и оценкой рассуждений. В обучающих данных преобладает английский язык; также представлены тексты на 19 других языках, включая русский. Качество может различаться между языками и диалектами. Это базовая модель без обучения на обратной связи от людей. Она может выдавать ошибочную, токсичную или предвзятую информацию и не рассчитана на применение в важных для жизни решениях без дополнительной оценки и мер снижения рисков. Указана специальная лицензия с ограничением на некоммерческое использование; условия следует сверять с файлом LICENSE репозитория.

ExAi/Meta-Llama-3-MoE-4x8B-Instruct — текстовая модель с архитектурой Mixture of Experts, представленная в формате Safetensors. Карточка позиционирует её как модель только для тестирования и обучения; метаданные указывают поддержку генерации текста и диалоговый режим. Модель содержит 7,5 млрд параметров и поддерживает контекст до 8192 токенов. В тегах указан английский язык. Лицензия обозначена как other, поэтому конкретные условия использования по имеющимся сведениям установить нельзя.

Muse-Glimmer-30B-FP8-block — мультимодальная модель условной генерации, разработанная RedHatAI на основе meta-models/Muse-Glimmer-30B. Она принимает текст и изображения, а генерирует текст, поэтому предназначена для задач мультимодального анализа и вывода, включая сценарии, поддерживаемые базовой моделью и совместимые с vLLM. Модель использует архитектуру MuseGlimmerForConditionalGeneration и посттренировочное квантование весов и активаций в формате FP8 W8A8 block. Квантованы линейные операторы внутри transformer-блоков, а vision-компоненты, lm_head и embedding-слои исключены из квантования. По сравнению с 16-битным представлением это примерно вдвое уменьшает размер модели на диске и требования к GPU-памяти. README не указывает число параметров базовой модели, поддерживаемые языки и размер контекста. Модель оптимизирована для инференса с vLLM и поставляется в формате compressed-tensors; заявлена поддержка мультимодального инференса, tensor parallelism, tool calling и reasoning parser в vLLM. Квантование выполнено с помощью LLM Compressor по схеме FP8_BLOCK без калибровочных данных, что упрощает подготовку модели, но может влиять на точность по сравнению с исходной версией. Лицензия — Apache-2.0.

Qwen3-4B-SFT-science-1e-5 — дообученная модель семейства Qwen3, созданная на базе Qwen/Qwen3-4B. Она содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и формат Safetensors; для работы заявлена библиотека Transformers. Модель дообучена на наборе данных dolci_science_train и предназначена для генерации текста в научном контексте, включая диалоговые сценарии. Максимальный контекст составляет 40 960 токенов. В карточке приведён результат оценки на тестовом наборе: loss 0,6778. Подробности оценки, конкретные научные дисциплины и ограничения качества не описаны, поэтому результат сам по себе не позволяет судить о сравнительной точности модели. Лицензия указана как other; конкретные условия использования в карточке не раскрыты.

MuXodious создал Qwen3.5-4B-SOMPOA-heresy-v2 — дообученную версию мультимодальной модели Qwen3.5-4B, обработанную методом abliteration с использованием Self-Organizing Maps и Magnitude-Preserving Orthogonal Ablation. Модель предназначена для диалогов, анализа изображений, рассуждений и работы с инструментами; README сообщает о снижении частоты отказов после обработки. Это плотная модель на 4 млрд параметров с языковой частью и визуальным энкодером, построенная на гибридной архитектуре с Gated Delta Networks и gated attention. Базовая модель поддерживает 201 язык и диалект, а длина контекста составляет 262 144 токена с возможностью расширения до 1 010 000 токенов. Репозиторий содержит веса в формате Safetensors для использования с Transformers и совместимыми движками инференса. Модель может подходить для мультимодальных диалогов, вопросов по изображениям, рассуждений и сценариев с вызовом инструментов. Указанный в README результат UGI и метрики снижения отказов относятся к заявлениям автора; независимая оценка качества здесь не приведена. Лицензия — Apache-2.0.

Qwen3.8-27B ThinkingCap Abliterated — модель генерации текста, созданная автором hotdogs путём дообучения и слияния LoRA-адаптера с hotdogs/Qwen3.8-27B-abliterated. Она предназначена для диалогов и решения задач, включая многошаговую математику и рассуждения; дообучение ThinkingCap нацелено на сокращение чрезмерно длинных цепочек рассуждений. В карточке описан экспериментальный набор сравнительных тестов: на приведённых сложных задачах точность составила 70%, а средняя длина рассуждений была ниже, чем у исходных вариантов в отдельных сценариях. Это плотная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration, представленная в формате Safetensors; размер файлов репозитория — около 55,56 ГБ. Для обучения использовались 339 примеров SFT в течение одной эпохи, максимальная длина последовательности — 4096 токенов. Карточка не сообщает поддерживаемые естественные языки и нативную длину контекста, поэтому эти характеристики не уточняются. Модель основана на варианте Qwen3.8-27B-abliterated, в котором, по описанию автора, удалён отказ от ответов; README сообщает нулевой уровень отказов в указанном тестировании. Это может приводить к ответам на запросы, которые обычная модель отклонила бы. Лицензия — Apache-2.0.

RedSage-Qwen3-8B-DPO — диалоговая языковая модель RISysLab для помощи в задачах кибербезопасности. Это финальный этап серии RedSage: модель дообучена методом Direct Preference Optimization на базе RISys-Lab/RedSage-Qwen3-8B-Ins с использованием AllenAI Tulu 3 Preference Mixture. Она построена на плотной архитектуре Qwen3 для генерации текста, содержит 7,6 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для ответов на вопросы по кибербезопасности, анализа журналов событий, краткого изложения данных о киберугрозах и учебных запросов. По данным карточки, DPO-выравнивание улучшает следование инструкциям и общие способности рассуждения, сохраняя специализацию на кибербезопасности. Указан английский язык. Модель может ошибаться; результаты для критичных решений в сфере безопасности следует проверять. Условия лицензирования в предоставленных данных не указаны.

RLAIF-V-12B — мультимодальная большая языковая модель, разработанная OpenBMB на основе OmniLMM из серии MiniCPM-V и дообученная в рамках открытого подхода RLAIF-V с использованием набора RLAIF-V-Dataset. Она предназначена для диалоговой генерации ответов и работы с визуальными и текстовыми входами; авторы сообщают о высокой надёжности ответов в генеративных и дискриминативных задачах, а также о сохранении общих способностей на тестах LLaVA Bench и MMStar. Модель имеет плотную архитектуру OmniLMMForCausalLM, около 7,1 млрд параметров и контекст до 32 768 токенов. Её также можно применять как модель вознаграждения для выбора лучших ответов среди нескольких вариантов. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Подробные инструкции по запуску вынесены авторами в GitHub; заявления о превосходстве над GPT-4V относятся к оценкам авторов.

Ba2han/TinyOpenHermes-1.1B-4k — дообученная языковая модель семейства Llama с плотной архитектурой и примерно 1 млрд параметров. Она предназначена для генерации текста и диалоговых ответов; карточка указывает формат запросов Alpaca и дообучение на одном проходе, занявшее около четырёх часов на RTX 3090. В README приведены результаты отдельных тестов на логические ошибки и общие факты, а также заявлено улучшение по сравнению с TinyLlama-1.1B-Chat-v1.0 в алгебре, формальной логике и распознавании логических ошибок. Модель принимает текст и генерирует текст; длина контекста составляет 4096 токенов. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое использование בלבד.

SaketR1/uncertainty-sft-mix-clear-corr-amb-balanced — дообученная с помощью TRL модель на базе Qwen/Qwen3.5-2B, опубликованная SaketR1. Это мультимодальная модель семейства Qwen с плотной архитектурой и 2 млрд параметров, предназначенная для диалогов и понимания изображений. Карточка демонстрирует генерацию ответа на вопрос в формате чата; название модели указывает на обучение для работы с ясными, противоречивыми и неоднозначными запросами, однако подробности обучающей смеси не приведены. Модель принимает текст и изображения и генерирует текст. Для запуска в README показан Transformers pipeline; веса доступны в формате safetensors. Карточка не сообщает лицензию и не описывает результаты оценки качества, поэтому условия использования и эффективность на конкретных задачах по этим данным определить нельзя.

Модель anirudh21/albert-base-v2-finetuned-rte — версия ALBERT-base-v2, дообученная на задаче распознавания текстовых следствий RTE из набора GLUE. Она предназначена для классификации пары предложений, например определения, следует ли гипотеза из данного текста. Модель использует архитектуру ALBERT для классификации последовательностей, содержит 136,3 млн параметров и принимает контекст длиной до 512 токенов. На оценочной выборке указаны accuracy 0,7581 и loss 1,2496. Модель подходит для экспериментов и классификации текстовых пар в сценариях, близких к RTE; эти результаты не гарантируют качество на других доменах и распределениях данных. Доступна в формате PyTorch по лицензии Apache-2.0.

Yoshitomo Matsubara дообучил bert-base-uncased на наборе RTE из бенчмарка GLUE с использованием torchdistill и Google Colab. Это англоязычная модель классификации последовательностей на базе BERT с 136,7 млн параметров и контекстом до 512 токенов. Она предназначена для классификации текстовых пар в задаче распознавания текстового следования: определения, следует ли гипотеза из посылки. Автор сообщает об итоговом балле GLUE 77,9; это результат набора задач, а не отдельная оценка качества на RTE. Веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.