I.2Синтез, понимание и проверка знаний

Med Advisor Conversation 4B — диалоговая медицинская языковая модель на базе Qwen3-4B, разработанная автором репозитория vmal. Модель дообучена на медицинских разговорах и затем прошла 100 обновлений обучения с подкреплением. Она поддерживает многошаговый диалог, режимы с рассуждением и без него и адаптирует глубину объяснения для пациента, ухаживающего за ним человека, студента-медика или медицинского работника. Модель содержит около 3,7 млрд параметров, принимает и генерирует текст, а её контекст составляет до 40 960 токенов. В карточке результаты оценки приведены для англоязычных запросов; метаданные также указывают английский язык. Модель предназначена для обучения и объяснения медицинских понятий, результатов анализов и исследований, механизмов заболеваний, лекарственной безопасности и силы доказательств. Она может помогать формулировать вопросы врачу и распознавать ситуации, требующие срочного обращения за помощью. По заявленным оценкам на англоязычном наборе HealthBench Consensus RL100 превзошёл базовую Qwen3-4B; оценивание проводилось моделью GPT-6 Luna, а не официальным оценщиком HealthBench, поэтому эти результаты нельзя напрямую сравнивать с опубликованными оценками HealthBench. Модель не проходила клиническую валидацию и может ошибаться. Её нельзя использовать для диагностики, назначения лечения, персонального расчёта дозировок, выбора терапии или интерпретации медицинских записей конкретного человека. Распространяется под лицензией Apache-2.0.

DrNicefellow создал экспериментальную самостоятельную модель, извлечённую из mistralai/Mixtral-8x7B-v0.1 с помощью инструмента Mixtral Model Expert Extractor. При извлечении выбран первый эксперт из каждого слоя Mixture of Experts, после чего модель адаптирована для работы вне исходной MoE-структуры. Это причинная языковая модель семейства Mistral с архитектурой MistralForCausalLM, размером 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста и языковых экспериментов. Автор предупреждает, что извлечение носит экспериментальный характер и ожидает от модели худшего качества по сравнению с Mistral-7B. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0.

Jeevesh8/more_cpts_corr_init_shuff_clipped_warmed_seq_len_128_bert-base-uncased_mnli_ft_17 — модель текстовой классификации, опубликованная пользователем Jeevesh8 на Hugging Face. Она предназначена для задач Multi-Genre Natural Language Inference (MNLI): определения отношения между двумя фрагментами текста, обычно как entailment, contradiction или neutral. Модель основана на BERT-base-uncased и работает с английским текстом. Архитектура включает 12 слоёв Transformer, 12 attention heads, скрытое представление размерностью 768 и словарь из 30 522 токенов; базовая конфигурация BERT содержит около 110 млн параметров. В названии указана длина последовательности 128 токенов, а также специальная схема обучения или инициализации, детали которой в доступных материалах не раскрыты. Сильная сторона модели — использование предварительно обученного BERT для классификации пар текстов в рамках MNLI. Ограничения включают узкую специализацию на текстовой классификации, английский язык и зависимость качества от распределения данных MNLI; модель не предназначена для генерации текста, обработки изображений или универсального многоязычного применения. Информация о лицензии для этого репозитория в доступных источниках не указана.

Это пользовательская сборка GGUF текстовой части модели Nemotron-Labs-Diffusion-VLM-8B, опубликованная IntellAgents для исследований и оценки. Она основана на NVIDIA Nemotron-Labs-Diffusion-VLM-8B: языковые тензоры сохранены без дообучения и поставляются в формате F16; веса зрения в репозитории отсутствуют. Поддерживается генерация текста в авторегрессионном режиме, блочная диффузия по 32 токена и линейная самоспекуляция через предоставленный раннер. Сборка предназначена для экспериментов с генерацией текста и режимами декодирования. Карточка сообщает о проверках совпадения с эталонной реализацией NVIDIA в ограниченном наборе тестов, но не приводит стандартизированных оценок качества. Для режимов диффузии и самоспекуляции нужны специальные управление вниманием и кэшем в поставляемом раннере; обычный Ollama поддерживает только авторегрессионный режим. Контекст в примере запуска — 4096 токенов. Модель не принимает изображения, поскольку в этой версии нет весов зрения. Проверки охватывают только ограниченный набор текстовых примеров; заявлены жадное декодирование и исследовательский статус ускоренного экспериментального режима без подтверждённого выигрыша в скорости. Лицензия NVIDIA NSCLv1 разрешает только некоммерческое исследование и оценку; MIT-лицензия на дополнения IntellAgents не меняет условия использования весов и токенизатора.

Это компактная GPT-2-модель, дообученная fpadovani на базе fpadovani/nld-latn-10mb-ppt-Dp-100mb_seed10 с использованием TRL. Она предназначена для генерации текста в ответ на запросы; в карточке приведён пример ответа на открытый вопрос. Модель использует архитектуру GPT2LMHeadModel, веса сохранены в формате safetensors, а контекст составляет 512 токенов. По названию базовой модели она ориентирована на нидерландский язык в латинской записи, однако карточка не описывает языковое покрытие подробнее. Лицензия в предоставленных данных не указана.

ΩFFΣLLIα — это экспериментальная сборка в формате GGUF, опубликованная пользователем Brunobkr и основанная на модифицированном форке llama.cpp/GGML. Основное назначение проекта — запуск и квантование языковых моделей в среде llama.cpp с использованием пользовательского типа квантования Q4_2_H, а не разработка отдельной архитектуры нейронной сети. В идентификаторе артефакта заявлена связь с OpenAI gpt-oss-20B и дистилляцией GPT5.1/5.2, однако README не содержит подтверждённых сведений об архитектуре, размере базовой модели или процедуре дистилляции. Ключевая особенность — квантование Q4_2_H с размером блока 24 элемента и заявленной плотностью около 4,67 бит на вес. В описании также указаны нативный GGUF v3, поддержка llama.cpp и C++17, а также изменения в загрузчике моделей, конвертере Hugging Face в GGUF и утилитах квантования. Артефакт предназначен для локального или серверного текстового вывода, где важны уменьшенное потребление памяти и совместимость с пользовательской сборкой llama.cpp. Заявленные оптимизации, включая «геликоидальную» обработку, колесный решётчатый фильтр по модулю 420 и золотое сэмплирование, представлены в README как экспериментальные технические решения; их практическая эффективность и качество генерации количественно не подтверждены. README указывает языки Portuguese и English, но не раскрывает контекстное окно, поддерживаемые модальности, точные параметры модели, системные требования или результаты бенчмарков. Возможным ограничением является необходимость использовать сборку llama.cpp с поддержкой пользовательского типа Q4_2_H, поскольку стандартные реализации могут его не распознавать. Лицензия проекта указана как MIT.

ManishThota/Ollama_Quantised_LLaVA-NeXT-Video-7B-DPO — это GGUF-квантизированный вариант мультимодальной модели LLaVA-NeXT-Video-7B-DPO, опубликованный пользователем ManishThota для запуска через Ollama, llama.cpp и совместимые инструменты. Базовую модель разработала команда LLaVA-VL/LLaVA-NeXT; она построена на языковой модели Vicuna-7B-v1.5 и предназначена для диалогового понимания видео, отдельных изображений и нескольких изображений одновременно с генерацией текстовых ответов. Версия DPO дополнительно выровнена с помощью Direct Preference Optimization. Модель относится к классу vision-language и сочетает языковой декодер LLaMA/Vicuna с визуальным энкодером CLIP и проектором LLaVA. Заявленный размер — около 7 млрд параметров; в репозитории доступны варианты GGUF F16, F32 и Q8_0, а в Ollama опубликован вариант Q4_K_M. Указан контекст 4096 токенов. Для обработки видео исходная модель обычно равномерно выбирает до 32 кадров; поддерживаемые естественные языки и отдельные языковые ограничения явно не указаны, поэтому модель не следует считать специализированной для конкретного языка. Сильная сторона — возможность анализировать визуальный контент, включая видео и наборы изображений, локально и с уменьшенными требованиями к памяти благодаря квантизации. Ограничения — качество зависит от формата и длительности видео, выбранного числа кадров и ресурсов запуска; в описании Ollama прямо указано, что модель работает не так, как ожидается. В репозитории ManishThota отдельная лицензия не указана; для исходной LLaVA-NeXT-Video-7B-DPO на Hugging Face указана лицензия Llama 2 Community License.

Olmo3-M3PO-7B — англоязычная модель для генерации текста и решения математических задач, разработанная BayesRL на основе Olmo-3. Это плотная авторегрессионная модель класса Olmo3ForCausalLM с 6,9 млрд параметров и контекстом до 65 536 токенов. Модель дообучена методом M3PO: при обучении для RLVR применяются выборки возмущений весов из приближённого апостериорного распределения IVON, а M3PO усредняет градиенты по нескольким таким выборкам. Базовая модель для дообучения — BayesRL/Olmo3-IVON-SFT-7B; исходная модель — allenai/Olmo-3-1025-7B. Модель предназначена для генерации ответов и математических рассуждений в диалоговом режиме. В карточке указана оценка на AIME 2024–2026, MATH-500, AMC 2023 и Minerva. Доступны веса в формате Safetensors для Transformers. Лицензия — Apache 2.0.

Olmo7b-urban-olmo-20260920-full-CPT-merged-epoch-1 — плотная авторегрессионная языковая модель семейства OLMo 3, созданная BrandonHowe на базе allenai/Olmo-3-1025-7B. Это самостоятельный BF16-чекпойнт после продолжения предобучения на корпусе urban_12738_cleaned: в README указаны 10 072 уникальных документа, повторные предъявления части данных и 200 документов для валидации. Модель содержит 6,9 млрд параметров, принимает текст и имеет контекст до 65 536 токенов. Модель предназначена для генерации текста и экспериментов с продолжением предобучения на городских текстах. Веса объединены и сохранены без потерь в формате Safetensors, адаптер для загрузки не требуется. README отдельно предупреждает, что обучение само по себе не подтверждает улучшение способности к состраданию; качество и нужные поведенческие свойства следует оценивать отдельно. Сведения о лицензии в предоставленных данных отсутствуют.

OpenCALM Large — авторегрессионная языковая модель на основе Transformer с архитектурой GPT-NeoX, разработанная CyberAgent, Inc. Модель содержит около 986 млн параметров по метаданным каталога; в таблице README указано 830 млн параметров. Это крупный вариант семейства OpenCALM, предварительно обученный на японских данных, включая Википедию и Common Crawl. Модель предназначена для генерации текста на японском языке и может использоваться для продолжения текста и построения приложений на основе языковой генерации. Она принимает текст и выдаёт текст, использует библиотеку GPT-NeoX и имеет контекстное окно 2048 токенов. Лицензия — CC BY-SA 4.0; при использовании необходимо указывать авторство CyberAgent, Inc.

OpenCALM medium — разработанная CyberAgent, Inc. авторегрессионная языковая модель Transformer на архитектуре GPT-NeoX. Она содержит 456 млн параметров и предназначена для генерации текста на японском языке; модель обучалась на японских материалах Wikipedia и Common Crawl. В таблице семейства для версии medium указаны 400 млн параметров, 24 слоя, размерность 1024 и 16 голов внимания, тогда как метаданные репозитория указывают 456 млн параметров. Модель подходит для генерации японского текста и экспериментов с языковыми моделями. Контекст составляет 2048 токенов. Репозиторий содержит веса PyTorch. Лицензия — Creative Commons Attribution-ShareAlike 4.0 International (CC BY-SA 4.0), с требованием указать авторство CyberAgent.

Карточка модели llm-jp/optimal-sparsity-code-d512-E16-k4-520M-A220M на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

Карточка модели llm-jp/optimal-sparsity-code-d512-E16-k8-520M-A320M на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

Карточка модели llm-jp/optimal-sparsity-code-d512-E32-k2-920M-A170M на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

Карточка модели llm-jp/optimal-sparsity-math-d512-E32-k4-920M-A220M на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

P1-VL-30B-A3B — открытая мультимодальная модель семейства P1-VL, разработанная для решения задач по физике с визуальным анализом. Она построена на Qwen3-VL-30B-A3B-Thinking и дообучена в несколько этапов с подкреплением на отобранных данных физических соревнований. Вариант 30B-A3B предназначен для исследователей, которым нужно разбирать условия и схемы олимпиадных задач; модель также показывает результаты на математических и других STEM-бенчмарках. Модель принимает текст и изображения и генерирует текстовые ответы. В карточке приведены результаты на HiPhO, FrontierScience-Olympiad и математических тестах, включая AIME24 и AIME25. Указанная архитектура — Qwen3-VL-MoE для условной генерации; репозиторий содержит веса safetensors и рассчитан на Transformers. Лицензия Apache-2.0.

ryota39/Phi-3-mini-4k-instruct-dpo — японская чат-модель на архитектуре Phi-3, созданная полным дообучением microsoft/Phi-3-mini-4k-instruct методом DPO на японском наборе llm-jp/hh-rlhf-12k-ja. Модель предназначена для диалогов и ответов на вопросы на японском языке; в примере она отвечает на вопрос о достопримечательностях Токио. Модель содержит 3,7 млрд параметров, принимает текст и генерирует текст, поддерживает контекст до 4096 токенов. Репозиторий использует Transformers и формат safetensors. Лицензия — MIT. Пример ответа содержит фактическую неточность и опечатку, поэтому важные сведения следует проверять.

PortugueseT5-Instruct — экспериментальный промежуточный чекпойнт семейства PortugueseT5, разработанный в рамках исследовательской линии на базе T5. Это энкодер-декодерная модель с 385,2 млн параметров, дообученная следовать инструкциям на примерно трёх миллионах португальских пар «вопрос—ответ», составленных на основе Википедии. Модель принимает текст и генерирует текст на португальском языке; в метаданных указан тег text-generation. Чекпойнт предназначен для экспериментальных задач генерации ответов на вопросы и выполнения текстовых инструкций на португальском языке. Состояние обучения указывает на шаг 2 000 из запланированных 1 291 623, поэтому завершённость обучения не подтверждена. Для этой версии не опубликованы надёжные метрики, канонический шаблон запроса или проверенные примеры ответов; данные обучения недоступны для независимого изучения. Модель не следует считать системой OpenIE или источником достоверных фактов. Для запуска указаны Transformers, PyTorch и Accelerate; веса float32 занимают около 3,13 ГБ, а практический стартовый объём памяти составляет примерно 6–8 ГБ. Лицензия в предоставленных данных не указана.

Модель fpadovani/ppt-nld_newlexicon_zipf_heavy-100mb_seed3407 — дообученная fpadovani на базе goldfish-models/nld_latn_100mb языковая модель семейства GPT-2 для генерации текста. В карточке указан сценарий ответа на открытые вопросы; модель также можно использовать для продолжения текста. Она обучалась с помощью TRL и распространяется в формате safetensors через Transformers. Контекст модели составляет 512 токенов. Карточка не описывает отдельную предметную специализацию, набор поддерживаемых языков или оценку качества. Лицензия в предоставленных сведениях не указана.

PRM-Math-7B-Reasoner — процессная reward-модель на архитектуре Qwen2, дообученная на Qwen2.5-Math-7B-PRM800K. Она оценивает математические рассуждения по отдельным шагам: для шага с добавленным специальным токеном модель вычисляет вероятность положительной оценки, которую используют как reward от 0 до 1. Модель предназначена для выявления ошибочных промежуточных шагов, оценки и ранжирования решений, а также проверки экспериментов ProcessBench. В карточке также описано применение для переформатирования промежуточных рассуждений. Модель содержит 7,1 млрд параметров, принимает текст и имеет контекст 4096 токенов. В метаданных указаны английский и китайский языки. Для работы предлагается библиотека Transformers; веса доступны в формате safetensors. Лицензия обозначена как other, поэтому перед использованием следует проверить условия на странице модели.

Quokka-7b-instruct — языковая модель, разработанная UCSB для задач материаловедения. Это плотная авторегрессионная модель семейства LLaMA с 6,6 млрд параметров, основанная на LLaMA 2 7B. Её продолжительно предобучали на более чем миллионе научных статей по материаловедению, а затем дообучили на инструкциях по этой области. Модель предназначена для генерации текста и ответов на запросы по материалам и материаловедческой литературе. Возможные сценарии — помощь в поиске и обобщении научной информации, а также ответы на специализированные вопросы. Контекст составляет 2048 токенов. Репозиторий содержит веса PyTorch и Safetensors; лицензия — Apache 2.0. Карточка не сообщает результаты оценивания качества или подробные сведения о поддерживаемых языках. Как специализированная модель, она может хуже справляться с задачами за пределами материаловедения; ответы по научным вопросам следует проверять.

dispatchAI публикует Qwen2.5-1.5B-Instruct-mobile-int4 — компактную разговорную модель для генерации текста на мобильных устройствах. Репозиторий содержит веса в формате GGUF; README сообщает о проверке на смартфоне Samsung S20 FE с процессором Snapdragon 865 и скорости 16,1 токена в секунду. В примере использования модель запускается через llama-cpp-python с форматом чата ChatML и контекстом 512 токенов. Модель предназначена для локального диалога и генерации ответов, в том числе на телефонах. Метаданные указывают тег text-generation, поддержку чата и английский язык. Лицензия — Apache-2.0. Точное происхождение от базовой модели не подтверждено: README обозначает её как неизвестную.

Matthew Chung разработал эту языковую модель на основе Qwen2.5-3B-Instruct, дообучив её методом GRPO для рассуждений на медицинские темы. Это плотная трансформерная модель Qwen2 с 3,1 млрд параметров для генерации текста; она поддерживает контекст до 32 768 токенов и рассчитана прежде всего на английский язык. Модель предназначена для образовательных сценариев: например, для разбора учебных медицинских вопросов и формирования пошаговых объяснений. Она обучалась на наборе FreedomIntelligence/medical-o1-reasoning-SFT с функциями вознаграждения за семантическую корректность и перплексию. Модель может выдавать ошибочную или вводящую в заблуждение медицинскую информацию, а её ответы ограничены охватом и возможными смещениями обучающих данных. Лицензия — Apache 2.0. Модель не предназначена для постановки диагноза, рекомендаций по лечению или самостоятельного принятия важных медицинских решений; ответы следует проверять с медицинскими специалистами.

Qwen3-0.6B-Distilled-30B-A3B-Thinking-SFT — компактная языковая модель Convergent Intelligence LLC на архитектуре Qwen3 с 507,9 млн параметров. По описанию разработчика, её сначала дистиллировали из Qwen3-30B-A3B-Thinking-2507 на задачах STEM, а затем дообучили на инструкциях по правовой тематике. Метаданные указывают базовую модель Qwen/Qwen3-0.6B и происхождение finetune; веса доступны в формате safetensors. Модель рассчитана на генерацию текста и диалоговую работу, в том числе на мобильных и периферийных устройствах; заявленная длина контекста — 40 960 токенов. Основные сценарии — ответы на учебные вопросы по математике и естественным наукам, пошаговые объяснения решений и ответы на общие правовые вопросы. Карточка позиционирует модель для лёгкого локального запуска и включения в много-модельные системы. Указана лицензия Apache-2.0. Размер модели ограничивает глубину рассуждений: разработчик предупреждает об ошибках, ухудшении качества при цепочках длиннее примерно восьми шагов и слабых результатах в недостаточно представленных областях, включая молекулярную биологию и физиологию. Модель не предназначена для проверки формальных доказательств, юридических консультаций, задач с критическими последствиями и длинных контекстных задач; README также рекомендует проверять ответы.

Qwen3-1.7B SAEB Math Question Generator v3 — адаптер QLoRA на базе Qwen3-1.7B, разработанный для генерации вопросов по математике в стиле SAEB, национальной системы оценки базового образования Бразилии. Модель предназначена для учителей и образовательных приложений, которым нужны вопросы с несколькими вариантами ответа для 1–9 классов. Она формирует структурированные объекты JSON и может запускаться локально без подключения к сети через llama.cpp; в репозитории доступны адаптер LoRA и объединённая версия GGUF с квантизацией Q4_K_M, а также веса safetensors. Модель обучена методом supervised fine-tuning с QLoRA на примерах вопросов для шести классов. В README описаны фиксированный формат JSON и проверка результата генерации с повторной генерацией при ошибке. Карточка указывает поддержку португальского и английского языков; модель ориентирована на математические задания SAEB в бразильском образовательном контексте. Лицензия — Apache-2.0. Среди ограничений — слабая автоматическая проверка математики для части заданий 9-го класса, неполный охват целевых навыков и отсутствие независимой масштабной проверки качества обучающих примеров людьми. Перед использованием с учащимися вопросы следует проверять преподавателю; модель не предназначена для оценивания с высокими ставками. Скорость и расход памяти на телефонах для этой версии не измерены.

Qwen3-30B-A3B-abliterated — экспериментальная версия Qwen3-30B-A3B, созданная автором mlabonne с применением техники abliteration. Это разреженная MoE-модель для генерации текста и диалогов; в метаданных указано 2,6 млрд параметров и контекст до 40 960 токенов. Репозиторий использует Transformers и формат safetensors. Модель предназначена для генерации ответов в чате и других текстовых сценариев. Автор описывает её как uncensored-версию базовой модели, однако прямо предупреждает, что работа ещё не завершена и пока не рекомендует модель к использованию. Лицензия — Apache-2.0.

laion/qwen3-30b-a3b-thinking-opencode-sft-sparse-serveparity — экспериментальная текстовая генеративная модель семейства Qwen3 MoE, представленная в формате Safetensors и доступная через библиотеку Transformers. В метаданных указано 2,6 млрд параметров и контекст до 262 144 токенов; модель поддерживает диалоговый режим. Карточка сообщает, что модель обучена с нуля, но не описывает датасет, назначение, языки, результаты оценки или условия лицензии. Название репозитория содержит обозначения SFT и sparse, однако README не подтверждает подробности обучения или характеристики разреженности. Поэтому практическое назначение и качество модели по доступным сведениям определить нельзя.

DavidAU/Qwen3.5-2B-Claude-4.6-OS-Auto-Variable-HERETIC-UNCENSORED-THINKING — дообученная DavidAU с помощью Unsloth мультимодальная модель на основе Qwen/Qwen3.5-2B. По карточке, обучение на четырёх наборах данных Claude было направлено на улучшение рассуждений и генерации; модель также прошла обработку Heretic, которую автор описывает как снятие защитных ограничений. Модель предназначена для диалога, творческого письма, ролевых сценариев, продолжения сцен и историй, а также понимания изображений. Архитектура — плотная Qwen3.5 с причинной языковой моделью и визуальным энкодером; указанный в карточке размер — 2 млрд параметров, а контекст — 262 144 токена. Поддерживаются английский и китайский языки; заявленные автором 201 язык относятся к базовой Qwen3.5 и не подтверждены отдельно для этого дообучения. Модель распространяется в формате Safetensors под лицензией Apache-2.0. Автор приводит сравнительные результаты на нескольких тестах и отмечает, что понимание изображений проверено, а видео не тестировалось.

huihui-ai/Qwen3-8B-abliterated — дообученная версия Qwen3-8B, созданная разработчиком huihui-ai методом abliteration, который изменяет поведение отказов модели. Это экспериментальная диалоговая языковая модель для генерации текста и ответов на запросы в чат-сценариях. Модель основана на Qwen/Qwen3-8B и распространяется в формате safetensors для библиотеки Transformers; лицензия — Apache-2.0. В README приведено сравнение на тестовом наборе вредоносных инструкций: модель прошла 320 из 320 проверок по критерию авторов, однако они отмечают, что этот простой тест не гарантирует такой же результат в реальном использовании. Карточка характеризует метод как грубую проверку концепции и указывает на наличие более новой версии.

SeongryongJung/Qwen3-8B-Physics-SRPO-TR — дообученная версия языковой модели Qwen3-8B, обученная методом SRPO-TR на задачах по физике с размером обучающего пакета 32. Репозиторий содержит итоговый чекпойнт global_step_100, выбранный по валидационному показателю mean@16; для него указано значение 69,84%. Модель основана на плотной архитектуре Qwen3ForCausalLM, содержит 7,6 млрд параметров и рассчитана на контекст до 40 960 токенов. Модель предназначена для генерации текста и решения задач по физике, в частности для применения в сценариях, где требуется проверить несколько вариантов ответа и оценить их среднее качество. Её можно загружать через Transformers как AutoModelForCausalLM. Базовая Qwen3-8B — многоязычная диалоговая модель, однако README не уточняет, какие языки и виды физических задач проверялись в этом обучении. Модель распространяется по лицензии Apache-2.0. Результат 69,84% относится к указанной в карточке валидационной метрике mean@16 и сам по себе не гарантирует такое же качество на других наборах задач; подробности датасета и протокола оценки в README не приведены.