I.2Синтез, понимание и проверка знаний

AtmicQuoterv1 — дообученная SriRamanaAtmic модель на базе BAAI/bge-small-en-v1.5 для преобразования предложений и абзацев в плотные векторы размерностью 384, пригодные для поиска релевантных текстов и сравнения по косинусному сходству. Архитектура Sentence Transformer использует BERT, CLS-пулинг и нормализацию; библиотека модели — Sentence Transformers. По примерам обучающих данных модель ориентирована на поиск цитат и фрагментов, связанных с учением Раманы Махарши. Контекст ограничен 512 токенами по метаданным; README указывает максимальную длину последовательности 128 токенов. На наборе atmic-val приведены метрики cosine_accuracy@1 0,6785, @3 0,8372 и @5 0,8841. Это англоязычная модель; лицензия в предоставленных данных не указана.

Atom-Astronomy-7B — специализированная языковая модель VANTA Research для астрономии и астрофизики, дообученная на базе allenai/OLMo-3-7B-Instruct с помощью LoRA. Это плотный Transformer-декодер примерно с 6,9 млрд параметров; модель поддерживает контекст до 65 536 токенов и предназначена для генерации текста в диалоговом формате. В карточке указаны обучающие примеры по наблюдательной астрономии, физике звёзд, космологии, высокоэнергетической астрофизике и вычислительным методам. Модель рассчитана на англоязычные запросы и поддерживает математическую нотацию LaTeX. Модель предназначена для объяснения сложных астрономических понятий, разбора задач и выводов, проверки расчётов, помощи в обучении и работы с научными материалами. Разработчик сообщает о кратких технических ответах и высокой скорости на собственной оценке задач по астрофизике; эти результаты не являются независимой проверкой качества. Ограничения включают возможный перекос обучающих данных в сторону оптической и радиоастрономии и западных академических источников, а также меньший охват культурной астрономии и некоторых новых направлений. Лицензия — Apache 2.0.

Модель alldaypa/autotrain-nyc_airbnb-71855138766 — модель суммаризации, обученная с помощью AutoTrain. Она построена на архитектуре T5 и содержит 38,5 млн параметров; принимает текст и генерирует краткое текстовое резюме. В метаданных указаны английский язык и контекст до 512 токенов, а в карточке приведены метрики проверки, включая ROUGE-1 16,234 и ROUGE-L 14,048. Модель предназначена для краткого пересказа текста; обучающий датасет связан с объявлениями Airbnb в Нью-Йорке, поэтому её применение к похожим текстам может быть уместно. Метрики проверки указывают на ограниченное качество суммаризации, а опубликованные сведения не описывают проверку на других типах текста. Лицензия в предоставленных данных не указана.

AVA-Mistral-7B-V2 — разговорная языковая модель на архитектуре Mistral, дообученная Mehdi Hosseini Moghadam для ответов на вопросы на персидском языке. Версия V2 обучалась на 300 тысячах пар вопрос–ответ; карточка отмечает, что работа над проектом продолжается. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст. Контекст — до 32 768 токенов. Она предназначена для диалога и ответов на вопросы; в карточке приведены примеры сравнения ответов с другими моделями, но количественные результаты не представлены. В репозитории указаны веса Safetensors. Лицензия в предоставленных данных не приведена, поэтому условия использования определить нельзя.

bert-covidqa-3 — англоязычная модель BERT, дообученная разработчиком репозитория hung200504 на наборе covid_qa_deepset для извлечения ответов на вопросы из предоставленного текста. Она использует архитектуру BertForQuestionAnswering и рассчитана на контекст длиной до 512 токенов. В метаданных указан размер 136,7 млн параметров и формат PyTorch; на оценочной выборке модель показала значение loss 0,3717. Модель подходит для поиска ответов в текстах о COVID-19 и других материалах, похожих на обучающие данные. Она наследует англоязычную основу deepset/bert-base-uncased-squad2. Лицензия — CC BY 4.0. Карточка не описывает ограничения и детали обучения, поэтому качество за пределами указанного набора данных по приведённым сведениям оценить нельзя.

BERTIN-GPT-J-6B — дообученная на испанском подвыборке mC4 модель проекта BERTIN, основанная на авторегрессионном трансформере GPT-J от EleutherAI. Она предназначена прежде всего для генерации продолжения текста по испаноязычному промпту; её внутренние представления также можно использовать для извлечения признаков в последующих задачах. В модели около 6,05 млрд параметров и 28 слоёв, размерность модели — 4096, используются 16 голов внимания. Веса доступны в полной и половинной точности; контекст — до 2048 токенов. Модель обучалась на испанской выборке mC4, отобранной по значениям perplexity, и использует BPE-токенизацию GPT-2/GPT-3. Она подходит для генерации испанского текста и экспериментов с языковыми представлениями. Лицензия — Apache-2.0. Генерации могут содержать фактические ошибки, предвзятость или оскорбительный контент; результаты требуют проверки и при необходимости фильтрации человеком. В README отмечено, что подходящие наборы данных для оценки модели ещё подбираются.

Bioinspired-SmolLM-1.7B-Instruct — компактная языковая модель команды LAMM-MIT, созданная на базе SmolLM-1.7B с продолженным предобучением, дообучением на инструкциях и оптимизацией предпочтений DPO. Она предназначена для диалогов и генерации текста по темам биоинспирированных материалов, биоматериалов и их механики; обучение включало около 5 000 научных статей в этой области и наборы инструкций и диалогов. Модель использует плотную архитектуру LlamaForCausalLM, содержит 1,7 млрд параметров, принимает текст и имеет контекст до 2 048 токенов. Карточка демонстрирует диалоговый шаблон ChatML и примеры ответов на вопросы о материалах и биологии, однако пример также показывает, что ответы могут содержать вымышленные сведения. Поддержка русского языка не заявлена. Распространяется в формате Safetensors по лицензии Apache-2.0.

Это экспериментальная версия BLOOM-560m, дообученная автором jasoneden на датасете SQuAD v2 для ответа на вопросы по предоставленному контексту. Модель основана на плотной архитектуре BLOOM и содержит 659,6 млн параметров; веса доступны в форматах PyTorch и Safetensors. Модель задумана как proof of concept и отправная точка для экспериментов с дообучением BLOOM на задаче question answering. Для прикладного использования стоит учитывать, что карточка не содержит результатов оценки качества и подробностей о тренировке. Лицензия — BigScience BLOOM RAIL 1.0.

chatglm6b-dddd — личная версия кода для семейства ChatGLM, подготовленная автором yuanzhoulvpi для запуска собственных вариантов ChatGLM после LoRA-дообучения. Это плотная модель ChatGLM с 8,1 млрд параметров, предназначенная для генерации текста; карточка описывает её как совместимый с пользовательскими LoRA-версиями вариант кода, а не сообщает об отдельном обучении весов. Для работы указаны PyTorch и Transformers. В метаданных указан китайский язык. Лицензия в предоставленных данных не приведена.

Карточка модели manelalab/chrono-gpt-v1-20181231 на Hugging Face совпадает с карточкой manelalab/chrono-gpt-v1-20191231, поэтому описание составлено по ней. ChronoGPT-v1-20191231 — англоязычная авторегрессионная языковая модель, разработанная Songrun He, Linying Lv, Asaf Manela и Jimmy Wu. Она предназначена для генерации текста с учётом хронологии и анализа задач, чувствительных к временным срезам, где важно снизить риск утечки будущих данных и смещения из-за заглядывания вперёд. Модель построена на модифицированной архитектуре modded-NanoGPT: трансформерный декодер с причинным языковым моделированием, примерно 1,552 млрд параметров, размерностью эмбеддингов 1536 и контекстом 1792 токена. Она предварительно обучена на разнообразных текстах с временными метками; в README также описана возможность извлекать эмбеддинги слоёв. По заявлению авторов, результаты на HellaSwag превосходят GPT-2 124M. ChronoGPT подходит для временно корректной генерации и экспериментов с историческим, экономическим и финансовым моделированием. Это не специализированная модель финансовых прогнозов: README не приводит оценок таких задач. Модель работает с английским текстом, а её лицензия — MIT.

RJ3vans/CMN1spanTagger — модель на базе BERT для выявления составных именных групп в предложениях. Она размечает токены, указывая, входят ли они в составную именную группу; перед обработкой координатор именной группы, например «and», необходимо выделить квадратными скобками. Модель предназначена для этапа разметки в системах упрощения предложений и последующей обработки текста. Модель дообучена для классификации токенов; в репозитории указаны PyTorch и архитектура BertForTokenClassification. Она содержит около 432,3 млн параметров и рассчитана на контекст до 512 токенов. README ссылается на набор данных из докторской диссертации Р. Эванса 2020 года. Лицензия в предоставленных данных не указана.

Confinus-2x7B — экспериментальная языковая модель от NeuralNovel для генерации текста, построенная на архитектуре Mixtral с разреженной смесью экспертов (MoE). Автор описывает её как тест маршрутизации MoE без квадратного расширения; в карточке также приведены результаты оценки на задачах рассуждения и понимания текста. Модель имеет 7,1 млрд параметров и контекст до 32 768 токенов. README поясняет, что маршрутизатор выбирает экспертов для обработки токенов и в этой модели не обучался одновременно с остальной моделью. Метаданные указывают английский язык. Модель опубликована в формате safetensors под лицензией Apache-2.0. MoE-структура позволяет задействовать часть экспертов для каждого токена, однако для загрузки требуются ресурсы памяти для размещения весов. Карточка позиционирует модель как эксперимент и не описывает конкретную производственную специализацию или гарантии качества.

CRAB_COPA_albert_base_finetuned — модель Ariffiq99, дообученная на основе Ariffiq99/COPA_albert_base_finetuned для задачи выбора одного из нескольких вариантов ответа. Она использует архитектуру ALBERT и принимает текстовые варианты для сравнения; размер модели — 136,3 млн параметров, максимальная длина контекста — 512 токенов. В карточке приведены результаты на оценочном наборе: loss 0,9279 и F1 0,7569. Модель подходит для задач с выбором ответа из предложенных вариантов. Данные обучения не описаны, поэтому область применимости и обобщающую способность по этим результатам определить нельзя. Модель распространяется по лицензии Apache-2.0.

Darwin-Kiosk-Gyeongsang-Story-1781240915 — компактная языковая модель VIDRAFT, созданная посетителем в рамках интерактивного проекта Музея робототехники и искусственного интеллекта Сеула. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров, полученная смешиванием родительских моделей Darwin-1B-경상도 и Darwin-1B-이야기꾼 методом Darwin MRI: слои анализируются по норме и энтропии, затем веса адаптивно смешиваются. Модель предназначена для диалоговой генерации текста на корейском и английском языках; карточка показывает пример общего ответа и использование через Transformers. Длина контекста составляет 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. README сообщает об успешной проверке sanity, но не приводит подробных оценок качества.

DoctoModernBERT-fr-large-instruct-v0.1 — франкоязычная медицинская модель от автора bofenghuang, созданная дообучением DoctoModernBERT-fr-large в стиле instruction tuning. Она предназначена для оценки вариантов ответа в формате multiple choice: перед маскированным слотом ставится токен-якорь `[unused0]`, после чего модель предсказывает один токен — `1`, если вариант верен, или `0`, если неверен. Модель построена на архитектуре ModernBERT и содержит 394,7 млн параметров. Она принимает текст и предсказывает маскированный токен; максимальный родной контекст составляет 8192 токена. В карточке указан датасет FrenchMedMCQA, а языковые метаданные указывают французский язык. Модель распространяется по лицензии Apache-2.0. Это ранний экспериментальный чекпойнт продолжающегося обучения инструкциям, поэтому возможны ошибки. Результат ограничен бинарной оценкой предложенного варианта и не является развёрнутым медицинским объяснением или диагнозом.

kwchoi/DPO_mistral_v01_7b_ultra_0131_1k_1epoch — экспериментальная версия Mistral-7B-Instruct-v0.2, созданная автором для изучения влияния Direct Preference Optimization (DPO) на ответы модели. Это плотная авторегрессионная языковая модель с архитектурой MistralForCausalLM, примерно 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для диалоговой генерации текста на английском языке; в метаданных также указан датасет предпочтений UltraFeedback от Argilla. Модель подходит для экспериментов с чат-ответами и оценки влияния DPO на качество следования предпочтениям. В README приведены результаты отдельных бенчмарков Open LLM Leaderboard, но подробностей методики и полного набора результатов нет. Доступна под лицензией Apache-2.0.

samirmsallem/gbert-base-definitions_ner — немецкоязычная модель распознавания именованных сущностей для научных текстов, разработанная на основе deepset/gbert-base и дообученная для разметки компонентов определений. Это модель BERT для классификации токенов: она выделяет термин, который определяется (DF), выражение, вводящее определение (VF), и пояснение значения (GF). Модель обучена на размеченных немецкоязычных предложениях из статей Википедии и предназначена для извлечения структурированных определений из научных текстов. Модель содержит 137,1 млн параметров и принимает последовательности длиной до 512 токенов. В README указана оценка F1 около 83% на тестовом наборе. Модель подходит для автоматического сбора терминов и их определений, однако её качество может снижаться на текстах и жанрах, отличающихся от обучающих данных. Лицензия в доступных сведениях не указана.

IlyaGusev выпустил Abliterated Gemma 2 9B — версию Gemma 2 9B Instruct, изменённую методом abliteration для ослабления встроенных ограничений на ответы. Это плотная авторегрессионная языковая модель на 9 млрд параметров с архитектурой Gemma2ForCausalLM; метаданные указывают контекст до 8192 токенов и поддержку диалогового режима. В карточке заявлено, что модель выглядит uncensored, однако описанный метод ортогонализации не полностью воспроизвёл эффект обычных интервенций из-за особенностей RMSNorm. Модель предназначена для генерации текста и диалоговых ответов, в том числе на запросы, которые исходная instruct-модель могла бы отклонить. Указан английский язык. Весовые файлы представлены в формате safetensors. Лицензия — gemma; условия использования определяются лицензией Gemma.

Gemma-3-4B-Tigrinya-QA — текстовая инструктивная модель на 4 млрд параметров, созданная luel дообучением luel/gemma-3-4b-tigrinya на наборах вопросов и ответов на тигринья. Она предназначена для диалоговых ответов на вопросы о географии, культуре, истории, политике и общих знаниях, а также для разработки приложений на тигринья — языке с ограниченным числом сильных открытых моделей. Модель использует архитектуру Gemma 3 с причинно-следственной языковой моделью Gemma3ForCausalLM и распространяется в формате Safetensors. Метаданные указывают контекст до 131 072 токенов, тогда как README заявляет ограничение в 1 024 токена для входа и выхода. Лицензия — Gemma. Модель принимает текст и генерирует текст, поддерживает инструкции и чат. Она адаптирована прежде всего для тигринья; иногда в ответах могут появляться слова на амхарском или английском. Модель ориентирована на общие вопросы и может хуже справляться со специализированными техническими запросами; ответы следует проверять на фактическую точность. Она не поддерживает изображения, аудио и другие нетекстовые входы.

Карточка модели Razon2006/gemma3-tamil-Pathavurai-Run1 на Hugging Face совпадает с карточкой Razon2006/tamil-gemma3-v2, поэтому описание составлено по ней. Razon2006 дообучил текстовую модель Gemma 3 на базе unsloth/gemma-3-270m-it с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная модель архитектуры Gemma3ForCausalLM с 257 млн параметров, предназначенная для генерации текста и диалогового взаимодействия; максимальная длина контекста составляет 32 768 токенов. Модель может применяться для простых диалогов, ответов на вопросы и генерации текста. В карточке не описаны обучающие данные и конкретные улучшения после дообучения, поэтому специализацию на тамильском языке по названию модели подтвердить нельзя; метаданные указывают английский язык. Лицензия — Apache-2.0.

Gemma-4-26B-A4B-it-Uncensored-FP8 — модифицированная версия инструкционной модели Google Gemma-4-26B-A4B-it, опубликованная OrcaRouter. В модели удалено направление отказа от ответов методом abliteration, а веса и активации подвергнуты динамической FP8-квантизации. Модель предназначена прежде всего для исследований механизмов отказа и выравнивания, интерпретируемости, red-teaming и оценки безопасности в контролируемых средах, а также для авторизованной генерации без встроенных ограничений. Это Mixture-of-Experts-модель на 26 млрд параметров со 128 экспертами и примерно 4 млрд активных параметров на токен. Архитектура включает 30 слоёв и скрытый размер 2816; заявлена поддержка рассуждений, вызова инструментов и обработки изображений. Указаны языки английский и китайский, контекст до 262 тысяч токенов. Используется формат safetensors, шесть сегментов общим объёмом около 25 ГБ. Веса квантизуются в FP8 E4M3 по каналам, активации — динамически по токенам; отдельные компоненты, включая lm_head, маршрутизатор MoE и vision tower, сохраняются в BF16. Главная особенность и одновременно ограничение модели — существенное удаление защитного выравнивания: она значительно реже отказывается от вредных запросов и может выполнять опасные, незаконные или неэтичные инструкции. Приведённые тесты показывают уровень отказов около 3–8% на нескольких наборах, однако оценка основана на простом классификаторе начальных фраз и не является публикационной проверкой качества. Модель не предназначена для публичного или производственного использования без собственных механизмов безопасности, модерации и предотвращения злоупотреблений. Лицензия указана как Gemma; использование должно соответствовать условиям Gemma, политике запрещённого использования и применимому законодательству. Авторы рекомендуют применять модель только в законных исследовательских целях и возлагают ответственность за результаты использования на пользователя.

InfinimindCreations/gemma-4-E4B-it-uncensored — модифицированная версия Google Gemma 4 E4B-it, разработанная Infinimind Creations. Это генеративная модель для работы с текстом на английском языке, предназначенная для исследовательских экспериментов и сценариев, где требуется отвечать на запросы, которые исходная модель обычно отклоняет. Модель доступна в формате Transformers с весами bfloat16 размером около 15 ГБ и в квантованном формате GGUF размером около 7,6 ГБ для Ollama и llama.cpp. Изменение выполнено методом norm-preserving biprojected abliteration с использованием heretic: обработаны все 42 слоя, а поведение отказа было удалено. В заявленной проверке модель не отказалась отвечать ни на один из 656 вредоносных запросов, при этом авторы сообщают о сохранении связности и прохождении проверок на фактическое воспроизведение и творческое письмо. Точные параметры архитектуры и размер контекстного окна в README не указаны; также не подтверждены возможности работы с изображениями и аудио, поскольку проверка отказов проводилась только на текстовых запросах. Главное преимущество модели — отсутствие встроенного поведения отказа при сохранении исходной базы Gemma 4. Это одновременно является существенным ограничением и риском: модель может предоставлять потенциально опасные сведения и не содержит исходного уровня защитного поведения. Она предназначена для исследований, а ответственность за применение лежит на пользователе. Указана лицензия Apache 2.0.

Grok OSS Apollyon 24B — разговорная текстовая языковая модель, разработанная командой Grok OSS. Она создана на базе huihui-ai/Mistral-Small-24B-Instruct-2501-abliterated и дообучена в два этапа: сначала методом Supervised Fine-Tuning, затем с помощью Direct Preference Optimization. Для обучения применялись trl и Unsloth, а также LoRA с рангом 32. Модель содержит около 24 миллиардов параметров и ориентирована на генерацию текста и многошаговые диалоги; заявленный язык — английский. Модель предназначена для исследовательского изучения alignment и unalignment, творческого письма, ролевых сценариев, тестирования устойчивости и adversarial-поведения. Её отличают разговорный стиль с прямой, саркастичной и провокационной манерой, широкие общие знания и небольшое количество отказов от запросов. По данным README, согласованность в диалогах проверялась на контексте до 8 тысяч токенов. Модель намеренно лишена значительной части защитных механизмов и может генерировать оскорбительный, предвзятый, токсичный или фактически ошибочный контент. В README также отмечены возможные враждебные и контекстно нарушенные ответы из-за загрязнения обучающих данных. Поэтому модель не рекомендуется для производственного использования без дополнительной фильтрации, особенно в публичных сервисах и сценариях, требующих безопасных, предсказуемых или этически ограниченных ответов. Лицензия указана как other, без дополнительных условий в предоставленных данных.

HealthGPT-Pro-27B — мультимодальная медицинская языковая модель, дообученная на базе Qwen3.6-27B. Она предназначена для анализа медицинского текста, двумерных изображений и трёхмерных объёмов; заявлены сценарии с КТ, МРТ, рентгеновскими снимками, УЗИ, офтальмологическими и дерматологическими изображениями, эндоскопией, микроскопией и гистопатологией. Модель сохраняет способность следовать общим инструкциям и поддерживает визуально-языковые задачи; для обработки 3D-объёмов README описывает преобразование объёма в последовательность кадров и подачу в формате видео. Модель использует архитектуру Qwen3.5 с плотной конфигурацией и 27 млрд параметров, веса опубликованы в формате safetensors. В карточке перечислены английский и китайский языки. Разработчик описывает двухэтапное обучение с данными для выравнивания и дообучения инструкциям. Лицензия — Apache-2.0. README позиционирует модель для исследовательского использования и предупреждает, что она не заменяет клиническое суждение, диагностику или лечение специалиста. Указанный в метаданных pipeline — image-text-to-image, но README описывает понимание и анализ текста и медицинских изображений, а не генерацию изображений; назначение модели поэтому следует трактовать с осторожностью.

Norod78/hebrew-gpt_neo-xl — авторская модель генерации текста на иврите, разработанная на базе GPT-Neo от EleutherAI. Модель обучалась на TPUv3-8 с использованием корпусов текстов на иврите, включая OSCAR и CC100-Hebrew. Это плотная авторегрессионная модель архитектуры GPT-Neo с 1,5 млрд параметров и контекстом до 2048 токенов. Она предназначена для продолжения и генерации текстов на иврите; доступны веса в форматах PyTorch, Flax, ONNX и Safetensors. Модель распространяется по лицензии MIT. Карточка описывает обучение на корпусах иврита, но не приводит оценок качества или подробных ограничений; результаты для отдельных сценариев могут различаться.

bactrianus/HotpotQA-Paragraph-Retriever-Llama-3-8B-Instruct — дообученная авторами репозитория модель Meta Llama 3 8B Instruct для выбора релевантных абзацев в задачах типа HotpotQA. На вход она получает вопрос и фиксированный набор абзацев-кандидатов, а генерирует названия тех абзацев, которые, по её оценке, содержат необходимые для ответа сведения. Результат предназначен для передачи следующему этапу конвейера, например селектору предложений или модели-читателю. Модель имеет плотную авторегрессионную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст длиной до 8192 токенов. Она обучена на примерах выбора абзацев из HotpotQA и рассчитана на английский язык. Это устаревший экспериментальный чекпойнт Llama 3; он не является поисковым движком и не выполняет поиск по внешнему корпусу, индексацию документов или универсальное ранжирование. Для использования нужно сохранить порядок кандидатов и точные заголовки, а выход интерпретировать как список этих заголовков. Модель выпущена в формате safetensors и использует лицензию Llama 3. Её результаты зависят от формата заголовков, правил разбора выхода и заданного набора кандидатов; пропуск нужного абзаца ограничивает качество следующих этапов. В карточке нет результатов оценки, поэтому качество следует проверять на соответствующем наборе данных и с фиксированной политикой разбора.

Bactrianus HotpotQA Reader Llama 3 70B Instruct — англоязычная модель-читатель, созданная на основе Meta Llama 3 70B Instruct и дообученная на данных для ответов по HotpotQA. Это плотная авторегрессионная модель семейства Llama с 69,5 млрд параметров, рассчитанная на генерацию ответа по вопросу и предоставленным свидетельствам; контекст составляет до 8192 токенов. Модель предназначена для этапа чтения в модульных системах многошаговых ответов: она принимает вопрос и выбранные заранее фрагменты доказательств, затем формирует текстовый ответ. Она не ищет документы и не выбирает свидетельства из внешнего корпуса. Специализация на англоязычных вопросах HotpotQA делает её подходящей для исследовательских экспериментов и диагностики генерации ответов с опорой на факты. Качество зависит от полноты и релевантности переданных свидетельств: модель может выдавать неподтверждённые утверждения или ошибки форматирования, а длинные фрагменты и отвлекающие данные способны ухудшить ответ. Для строгого воспроизведения исторических результатов нужны зафиксированная версия модели и полный манифест запроса и среды; карта не содержит результатов оценки этой ревизии. Для использования требуются значительные ресурсы ускорителей. Лицензия — Llama 3 License.

Huihui-Nex-N2-mini-abliterated — версия Nex-N2-mini от huihui-ai, обработанная методом abliteration для снижения числа отказов модели. Это экспериментальная демонстрационная модификация модели на архитектуре Qwen3.5 MoE; метаданные указывают библиотеку Transformers и формат safetensors. Модель принимает текст и изображения и генерирует текст в диалоговом режиме. Её можно применять для общения с моделью и вопросов по изображениям, а также для сценариев, где требуется меньше отказов на запросы. Базовая Nex-N2-mini описана как агентная модель для программирования, вызова инструментов и длительных задач, но карточка этой модификации не подтверждает сохранение этих возможностей после abliteration. Лицензия — Apache-2.0. README предупреждает, что ослабление фильтров может приводить к чувствительным, спорным или неприемлемым ответам; результаты следует проверять.

Huihui-Qwen3.6-35B-A3B-abliterated — мультимодальная разговорная модель Huihui AI, полученная методом abliteration на основе Qwen/Qwen3.6-35B-A3B. Это экспериментальная версия для диалогов и анализа изображений; фильтрация отказов существенно снижена. Модель построена на архитектуре Qwen3.5 MoE, имеет 35 млрд параметров согласно названию базовой модели и поддерживает визуальный ввод. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Модель подходит для общения и анализа изображений в сценариях, где требуется меньше отказов на чувствительные или спорные запросы. Снижение защитных фильтров повышает вероятность нежелательных, неподходящих или спорных ответов, поэтому результаты требуют проверки. Лицензия — Apache-2.0.

HyperCLOVA X SEED Think 14B Minimal SFT — экспериментальная корейскоязычная чат-модель, опубликованная пользователем youngseok12 и дообученная на базе naver-hyperclovax/HyperCLOVAX-SEED-Think-14B. Это плотная причинная языковая модель HyperCLOVAXForCausalLM размером 14,1 млрд параметров; веса BF16 в формате safetensors представляют собой объединённую LoRA-адаптацию. Модель предназначена для генерации диалоговых ответов и контролируемой оценки рассуждений на корейском языке. Дообучение выполнено на 512 примерах из набора AI Hub 71875 за одну эпоху с максимальной длиной последовательности 1024 токена; публичные бенчмарки не использовались. Контекст модели — до 131 072 токенов, однако обучение этой версии проводилось с гораздо более короткими последовательностями. Лицензия указана как other; действуют ограничения допустимого использования HyperCLOVA X, а применение данных AI Hub подчиняется условиям источника.