I.2Синтез, понимание и проверка знаний

SciJudge-4B — языковая модель OpenMOSS-Team, дообученная на базе Qwen/Qwen3-4B-Instruct-2507 для оценки научных публикаций. Получая названия, аннотации и даты публикации двух статей, она предсказывает, какая из них окажет большее цитатное влияние. Модель использует плотную архитектуру Qwen3 и содержит 3,7 млрд параметров. Она рассчитана на текстовый диалоговый ввод и генерацию ответа, поддерживает английский язык и контекст до 262 144 токенов. Для обучения использован набор SciJudgeBench; работа входит в проект AI Can Learn Scientific Taste. SciJudge-4B подходит для сравнительного ранжирования научных статей по ожидаемому цитатному влиянию и экспериментов с автоматизированной оценкой научного вклада. Результат является прогнозом модели и не заменяет экспертную рецензию; доступна более новая версия SciJudge-4B-2605. Лицензия — Apache-2.0.

SlovenianGPT — базовая языковая модель на 7,1 млрд параметров, разработанная Алексой Гордиć на основе Mistral 7B и обученная на десятках миллиардов токенов словенского языка. Она предназначена для генерации и автодополнения текста на словенском языке, например для продолжения фрагментов текста и создания основы для специализированных моделей-инструкций. Архитектура — плотная MistralForCausalLM; длина контекста составляет 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Это базовая модель без механизмов модерации и настройки на следование инструкциям: она может продолжать текст, но не рассчитана на выполнение команд в формате ассистента. В README приведено сравнение результатов оценки с несколькими моделями, но численные результаты здесь не указаны.

SmallThinker-3B-Preview — англоязычная модель генерации текста, дообученная разработчиками Tiiny на Qwen2.5-3B-Instruct. Она предназначена для математических рассуждений, работы на устройствах с ограниченными ресурсами и использования как быстрая черновая модель для QwQ-32B-Preview. Модель построена на плотной архитектуре Qwen2, содержит 3,1 млрд параметров, работает с текстом и поддерживает контекст до 32 768 токенов. В опубликованных тестах модель показала результаты по ряду математических и STEM-бенчмарков выше базовой Qwen2.5-3B-Instruct; автор также сообщает об ускорении генерации при использовании в качестве черновой модели. Обучение проводилось на англоязычных датасетах, поэтому качество на других языках ограничено. README отмечает слабое следование инструкциям, ограниченную базу знаний и склонность к повторам на сложных вопросах. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

aryanbabar170205/smart-mcq-roberta-base — модель на базе RoBERTa-base, дообученная для выбора правильного ответа в заданиях с несколькими вариантами. Она использует архитектуру cross-encoder: отдельно оценивает каждую пару «вопрос — вариант ответа» общим энкодером и ранжирует варианты по оценкам. Модель содержит 151,8 млн параметров и принимает последовательности длиной до 514 токенов. Модель предназначена для решения тестов с множественным выбором в формате из пяти вариантов. Она обучена на 2 000 примерах набора Smart MCQ Solver Challenge в течение шести эпох; указанная точность на обучающей выборке составляет 100%, что не характеризует качество на новых данных. Опубликована в формате safetensors под лицензией MIT.

Vanilla — Instruct (3B) — это англоязычная инструкционная модель EPFL DLAB, построенная с нуля по архитектуре семейства Llama и дообученная методом persona-binding supervised fine-tuning (PBSFT). Она предназначена для исследований выравнивания поведения и безопасности: конституционного выравнивания, обобщения ценностей и устойчивости к jailbreak-запросам. Модель обучалась примерно на 500 млрд токенов из части смеси Olmo 3 Dolma 3, а затем на 300 тысячах одноходовых примеров инструкций и запросов безопасности. Доступны ревизии с разной долей примеров безопасности; основная ревизия содержит 10%. Размер модели — 3 млрд параметров, контекст — 2048 токенов. Используется токенизатор SmolLM2 с добавленным токеном для начала хода ассистента и встроенный шаблон чата без системного промпта. Модель может отвечать на инструкции и участвовать в диалогах, причём ответы обучались следовать конституции и включать внутритекстовые ссылки вида [N.M]. Это исследовательский артефакт, а не готовое производственное решение: ответы могут быть ошибочными или небезопасными. В метаданных указана лицензия other, а в README лицензия названа ещё не окончательной; условия использования следует проверить в репозитории перед применением.

Synatra-11B-Testbench-2 — корейская текстовая генеративная модель, созданная StableFluffy на основе mistralai/Mistral-7B-Instruct-v0.1. Она предназначена для генерации текста; карточка не описывает конкретные сценарии применения или результаты бенчмарков. Модель имеет плотную архитектуру MistralForCausalLM, содержит 10,6 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса PyTorch. Модель обучалась на четырёх ускорителях A100 с 80 ГБ памяти каждый. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Модель Shekswess/tiny-think-sft-math-stem-loss-dft-bf16-e3-bs8 — дообученная в TRL версия базовой языковой модели facebook/MobileLLM-R1-140M-base. Это компактная плотная модель семейства Llama 4 Text с 299,5 млн параметров, предназначенная для генерации текста в диалоговом формате; название и карточка указывают на настройку для математических задач и задач STEM, но подробностей об обучении и результатах нет. Модель принимает текст и выдаёт текст, работает с контекстом до 4096 токенов и распространяется в формате Safetensors для Transformers. Её можно применять для экспериментов с компактной генерацией ответов на математические и научно-технические вопросы, а также для прототипирования диалоговых систем. Лицензия в предоставленных данных не указана, поэтому условия использования следует сверить на странице репозитория.

tnayajv2.0 — разговорная языковая модель Jayant AI Labs для генерации текста в медицинской и биомедицинской областях. Согласно карточке, она дообучена на основе Meta-Llama-3-8B-Instruct с использованием DPO-данных и медицинских инструкций. Архитектура — плотная LlamaForCausalLM; метаданные указывают 7,5 млрд параметров и контекст до 8192 токенов. Модель предназначена для диалоговой генерации и подготовки ответов по медицинским и биологическим темам. В карточке заявлена специализация на медицине и науках о жизни, но количественные результаты оценки не приведены. Доступна по лицензии Apache-2.0.

Модель fpadovani/urd-arab-100mb-after-ppt-Dp-100mb-ckpt500_seed455 — дообученная версия GPT-2, созданная на основе fpadovani/urd-arab-100mb-ppt-Dp-100mb_seed455 с использованием TRL. Она предназначена для генерации текста; пример в карточке показывает диалоговый ввод и продолжение ответа на вопрос. Модель доступна в формате safetensors и имеет контекст длиной 512 токенов. Лицензия и сведения о размере модели в предоставленных данных отсутствуют.

Модель francesca9805/urd-arab-100mb-ppt-Dp-100mb-packed-bfd_seed455 — дообученная Francesca9805 версия goldfish-models/urd_arab_100mb. Это плотная авторегрессионная языковая модель семейства GPT-2 с классом GPT2LMHeadModel, сохранённая в формате safetensors и обученная с помощью TRL. Она предназначена для генерации продолжений текста и ответов на текстовые запросы; в карточке показан пример использования через Transformers pipeline. Размер модели в карточке не приведён, несмотря на «100mb» в названии. Контекст составляет 512 токенов. Сведения о поддерживаемых естественных языках и специальных предметных областях отсутствуют. Лицензия в предоставленных данных не указана.

v7 (scale 0.50) — это самостоятельный слитый BF16-чекпойнт, полученный дообучением модели unconstai/affine-5hndumbnxc-0c3c6cbec9 с помощью масштабированного selective-fallback LoRA. Разработчик применил DPO с beta 0.2 в течение одной эпохи; адаптер LoRA с r16 и alpha 64 обучался на сохранённых положительных ответах и очищенных альтернативных ответах для высокоуверенно отмеченных отрицательных примеров, а затем был слит с базовыми весами. Модель загружается как обычный чекпойнт Transformers и не требует адаптера PEFT или маршрутизатора во время выполнения. Модель предназначена для генерации текста в диалоговом режиме. В метаданных указано семейство Qwen 3.5 MoE и класс Qwen3_5MoeForConditionalGeneration; репозиторий содержит веса Safetensors. Во время обучения использовался контекст 8192 токена. README характеризует версию как экспериментального кандидата и требует предварительной квалификационной проверки, поэтому её готовность к практическому применению не подтверждена. Лицензия и поддерживаемые естественные языки в предоставленных источниках не описаны.

Venus-120b-v1.1 — языковая модель для генерации текста, созданная путём объединения слоёв Sao10K/Euryale-1.3-L2-70B, Xwin-LM/Xwin-LM-70B-V0.1 и migtissera/SynthIA-70B-v1.5 с помощью mergekit. Автор указывает около 122 млрд параметров; метаданные Hugging Face указывают 120,1 млрд. Модель основана на архитектуре Llama и распространяется в формате safetensors. Длина контекста — 4096 токенов, основной язык карточки — английский. Модель предназначена для связной генерации текста и сценариев с NSFW-содержимым. Автор сообщает, что версия 1.1 стала связнее версии 1.0. Карточка не приводит количественных оценок качества и не описывает детально метод объединения. Лицензия указана как llama2; README предупреждает, что модель может генерировать NSFW-контент.

Модель baek26/wiki_asp-animal_2910_bart-base — дообученная на неизвестном датасете версия BART-base, разработанная автором репозитория baek26. Это трансформерная encoder-decoder-модель с 95,2 млн параметров, предназначенная для генерации текста по входному тексту. Репозиторий содержит веса в формате safetensors; базовая модель — facebook/bart-base. В карточке приведены результаты оценки: loss 2,5325, ROUGE-1 0,1402, ROUGE-2 0,0604 и ROUGE-L 0,1236. Название репозитория указывает на тему WikiASP и животных, однако назначение и сценарии применения отдельно не описаны, поэтому специализированные задачи подтвердить нельзя. Контекст модели составляет 1024 токена. Лицензия — Apache-2.0.

Marul AI ұсынған Yedikule-202M-Instruct-GGUF — түрік тіліндегі чатқа арналған шағын мәтін генерациялау моделі. Бұл GGUF нұсқасы MarulAI/Yedikule-202M-Instruct моделінен алынған және Ollama мен llama.cpp арқылы іске қосуға бейімделген. README тәуелсіз түрде нөлден үйретілгенін айтады; GGUF-тағы qwen3 архитектура белгісі тек іске қосу үйлесімділігі үшін таңдалған. Модель F16 форматында сақталған, нормализация салмақтары F32 форматында жазылған. README-де F16-ға ауыстырғанда салмақтардың 2,59%-ы нөлге түсетіні, бірақ сегіз сынақ сұрағында greedy нәтижелер бастапқы нұсқамен бірдей болғаны көрсетілген. GPT-2 алдын ала токенизаторының параметрі сандық мәтіндердің дұрыс бөлінуі үшін түзетілген. Ұзақ генерацияларда llama.cpp пен PyTorch есептеу айырмашылықтарына байланысты нәтижелер біртіндеп өзгеше болуы мүмкін. Лицензия метадеректе «other» деп берілген; нақты шарттары README-де ашылмаған.

Raghav-Singhal/1pp-1b-raw-sft — экспериментальная языковая модель семейства Llama, созданная в рамках исследования One Persona Pretraining (1PP). Она содержит около 906 млн параметров по метаданным Hugging Face; в README указано округлённое значение 0,98 млрд. Модель предназначена для генерации текста в диалоговом формате после предварительного обучения на исходных документах и последующего supervised fine-tuning. Модель использует плотную архитектуру Llama с 24 слоями и контекстом 4096 токенов. Она обучалась на англоязычных данных и поддерживает диалоги в формате ChatML без системного сообщения. Это исследовательский артефакт проекта EPFL DLAB, который авторы не позиционируют как универсального помощника. Модель распространяется в формате safetensors для Transformers по лицензии Apache-2.0. В README приведены значения функции потерь на отложенных наборах, но не заявлены гарантии качества для конкретных прикладных задач.

fakezeta/amoral-Qwen3-4B — плотная языковая модель семейства Qwen3, дообученная разработчиком fakezeta на Qwen/Qwen3-4B в течение двух эпох на наборе soob3123/amoral_reasoning. Модель содержит около 3,7 млрд параметров, принимает текст и предназначена для диалоговой генерации текста и рассуждений. Контекст — до 40 960 токенов. Модель обучалась с использованием Unsloth и библиотеки TRL. В карточке указаны интерфейс диалога и интерфейс вызова инструментов. Она ориентирована на англоязычные сценарии; качество за пределами обучающего набора и поведение при использовании инструментов отдельно не охарактеризованы. Лицензия — Apache-2.0.

Карточка модели FreedomIntelligence/Apollo2-7B на Hugging Face совпадает с карточкой FreedomIntelligence/Apollo2-3.8B, поэтому описание составлено по ней. Apollo2-3.8B — медицинская языковая модель, разработанная командой FreedomIntelligence. Это плотная модель семейства Phi-3 с 3,7 млрд параметров, дообученная на ApolloMoEDataset на базе microsoft/Phi-3-mini-4k-instruct. Модель предназначена для ответов на медицинские вопросы и диалога о медицинских знаниях. Модель ориентирована на английский и китайский, а также на 10 других основных языков, включая русский, французский, хинди, испанский, арабский, японский, корейский, немецкий, итальянский и португальский; заявлена поддержка ещё 38 языков. Карточка описывает оценивание на медицинских тестах по нескольким языкам, включая RuMedBench для русского. Контекст составляет до 4096 токенов, формат весов — safetensors. Модель распространяется по лицензии Apache-2.0. Она подходит для ответов на медицинские вопросы и справочных диалогов, но её ответы не следует считать клиническими рекомендациями без проверки специалистом. README не приводит конкретных численных результатов для этой версии.

ATOMIS — большая языковая модель, разработанная Корейским институтом ядерной безопасности (KINS) для работы с текстами в ядерной отрасли. Она дообучена на основе google/gemma-2-27b: авторы расширили базовую модель методом passthrough, продолжили предобучение на специализированных материалах, затем применили supervised fine-tuning и direct preference optimization. В репозитории указаны архитектура Gemma 2, 33,3 млрд параметров и контекст до 32 768 токенов. Модель рассчитана прежде всего на понимание и генерацию корейского текста, ответы на вопросы по ядерной тематике и работу в сценариях RAG, где ответ строится по документам. В карточке приведены оценки на корейском языковом бенчмарке LogicKor, ядерном NuclearQA и RAG-бенчмарке RAGEval; заявленные результаты относятся к описанным авторами условиям оценки и не гарантируют точность в иных сценариях. Модель доступна на условиях лицензии Gemma.

Baichuan-M3-235B — медицинская диалоговая языковая модель Baichuan AI, предназначенная для клинического опроса и поддержки принятия решений. Карточка описывает сохранённую без изменений копию модели Baichuan-M3-235B; метаданные связывают её с Qwen/Qwen3-235B-A22B и указывают дообучение. Модель использует разреженную архитектуру Qwen3 MoE с классом Qwen3MoeForCausalLM, содержит 18,2 млрд параметров и принимает текстовые запросы. Заявленная длина контекста — 40 960 токенов; среди языков указаны английский и китайский. Модель обучалась вести последовательный клинический диалог: собирать важные сведения, выстраивать медицинские рассуждения, рассматривать обследования и формировать диагноз. В README также заявлены механизмы обучения, направленные на проверяемость медицинских утверждений, и варианты ускорения развёртывания с W4-квантизацией и спекулятивным декодированием. Лицензия — Apache 2.0. Модель предназначена для медицинского образования, консультационных сценариев и поддержки клинических решений под контролем медицинских специалистов. README предупреждает, что она предназначена только для исследований и справочного использования и не заменяет профессиональную диагностику или лечение; заявленные результаты бенчмарков приведены авторами карточки.

BERT2BERT_try — дообученная модель типа encoder-decoder на базе архитектуры EncoderDecoderModel, опубликованная пользователем houdini001. В карточке указано значение loss 0,015 на оценочном наборе, но название базовой модели и состав набора данных не приведены. Теги репозитория указывают на генерацию текста по тексту. Карточка не описывает конкретные сценарии применения, языки, размер модели или ограничения; поэтому нельзя достоверно определить, для каких задач модель подходит и насколько хорошо она работает за пределами указанной оценки. Файлы модели представлены в формате safetensors. Условия лицензии в доступных данных не указаны.

Bhaskara — авторегрессионная языковая модель семейства GPT-Neo, разработанная Allen Institute for AI и дообученная на обучающей и валидационной выборках Lila-IID из набора данных Lila. Она предназначена для генерации текста в ответ на вопросы, заданные в формате «Question: …». Модель содержит 3,1 млрд параметров, использует архитектуру GPTNeoForCausalLM, работает с весами PyTorch и имеет контекст до 2048 токенов. Модель подходит для экспериментов с ответами на вопросы и генерацией текста по входному запросу. Она дообучена на конкретном наборе данных, поэтому её ответы за пределами этого формата и распределения данных могут быть ненадёжными. Лицензия — Apache-2.0; в README просят цитировать связанную работу при использовании модели.

Bible AI Assistant v3.2 — разговорная модель Ttimms для ответов на вопросы о Библии в составе RAG-системы. Она дообучена методом LoRA на базе Qwen/Qwen3.5-4B; архитектура — плотная причинно-языковая модель Qwen3.5 с гибридными слоями Gated-DeltaNet и attention. В метаданных указан размер 3,4 млрд параметров и контекст 262 144 токена; обучение этого чекпойнта проводилось на последовательностях длиной 1280 токенов. Модель предназначена для поиска стихов, изучения библейских персонажей, контекста, тем и перекрёстных ссылок. Для надёжных ответов ей нужны найденные ретривером фрагменты Библии; без них она опирается на параметрическую память. Разработчик сообщает о 80,3% точного воспроизведения стихов, 98,9% ответов с цитатами и 1,9% галлюцинаций на собственной оценке. Модель рассчитана только на английский язык и ориентируется на протестантский канон в англоязычных переводах, с уклоном источников в евангелическую и реформатскую традиции. Лицензия — Apache-2.0. Разработчик не рекомендует использовать модель без проверки цитат, для авторитетных богословских решений, пастырского консультирования или медицинских, юридических и финансовых советов, а также для неконтролируемого масштабного развёртывания.

Kabster/BioMistral-MedicalQA-FT — дообученная разговорная языковая модель семейства Mistral, созданная на основе BioMistral и медицинского набора данных для рассуждений. Она предназначена для генерации ответов и диалоговой работы с медицинскими вопросами. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и принимает контекст длиной до 32 768 токенов. Модель рассчитана на текстовый ввод и выдаёт текст. Репозиторий содержит веса в формате safetensors; для использования указана лицензия Apache-2.0. README не уточняет состав обучающих данных, охват медицинских специальностей и результаты оценки качества, поэтому надёжность ответов в конкретных клинических сценариях по доступным сведениям определить нельзя.

BioQwen-1.8B — двуязычная модель для биомедицинских задач, построенная на архитектуре Qwen2 и представленная в виде плотной причинной языковой модели. В README она описана как компактная модель для нескольких биомедицинских задач; метаданные указывают на диалоговый режим и генерацию текста. Репозиторий содержит веса Safetensors, а число параметров указано как 1,5 млрд. Модель предназначена для генерации ответов и диалогов на биомедицинскую тематику на английском и китайском языках. Контекстное окно составляет 32 768 токенов. Модель опубликована под лицензией MIT. Карточка не перечисляет конкретные биомедицинские задачи, оценки качества или ограничения применимости, поэтому результаты в медицинских сценариях требуют проверки специалистом.

Это дообученная модель генерации текста на основе marin-community/marin-8b-base, подготовленная AmberYifan на наборе capsd_marin-8b-base-n80000-finance-dedup80k__mix_finance_random_b2000_s0. Модель построена на плотной архитектуре LlamaForCausalLM и содержит 7,5 млрд параметров; для работы используется библиотека Transformers, веса доступны в формате safetensors. Модель предназначена для генерации и продолжения текста. Финансовый набор данных указывает на финансовый контекст дообучения, однако карточка не описывает конкретные финансовые задачи, качество или оценивание, поэтому специализацию и надёжность ответов в этой области подтвердить нельзя. Контекст модели — до 4096 токенов; метаданные отмечают возможность чата. Указана лицензия other, поэтому условия использования следует сверять с файлами лицензии репозитория.

Это дообученная модель семейства Llama с 7,5 млрд параметров, созданная на основе marin-community/marin-8b-base. По названию набора данных для дообучения capsd_marin-8b-base-n13092-medicine-medcase__mix_medicine_random_b8000_s0 модель ориентирована на генерацию текста по медицинским клиническим случаям. Модель принимает текст и генерирует текст; метаданные указывают на поддержку диалогового применения. Она может служить основой для экспериментов с медицинскими вопросами и сценариями клинических случаев. Контекст составляет до 4096 токенов. Указана лицензия other, поэтому условия использования следует сверять с лицензией и правилами исходной модели.

Chinese Alpaca Plus 7B — китайская языковая модель на архитектуре LLaMA, выпущенная shibing624. Это объединённые веса исходной LLaMA-7B и адаптеров Chinese-LLaMA-Plus LoRA и Chinese-Alpaca-Plus LoRA, преобразованные в формат Hugging Face Transformers. Модель содержит 6,7 млрд параметров, работает с текстом и имеет контекст до 2048 токенов. Модель предназначена для генерации текста и ответов на инструкции на китайском языке, в том числе на вопросы общего характера и STEM-тематики. По README, обучение включало расширенные общие текстовые данные и около 4 млн инструкций; автор приводит результаты оценки, но они не гарантируют качество на новых задачах. Модель можно использовать для инференса и дальнейшего обучения через Transformers или text-generation-webui. В репозитории указана лицензия other; конкретные условия следует сверить с лицензией исходной LLaMA и адаптеров. Модель требует около 14 ГБ видеопамяти согласно README, имеет короткий контекст и предназначена для китайского текста; поддержка других языков не подтверждена.

COKAL_merged_test-v1-13B — авторегрессионная языковая модель на архитектуре LLaMA 2, разработанная Сыню Ли (Seungyoo Lee, DopeorNope) в рамках исследовательского консорциума компаний 미디어그룹사람과숲 и 마커. Модель объединяет COKAL-DPO-13b-v2 и DopeorNope-maestro-v2-DPO-13b методом slerp merge и предназначена для генерации текста, в том числе ответов в формате Alpaca. Модель содержит 12,9 млрд параметров, принимает и генерирует текст, поддерживает корейский язык и имеет контекст 2048 токенов. В README приведены результаты на корейском наборе бенчмарков KO-LLM Leaderboard; они показывают близкие к базовым моделям средние показатели, но сами по себе не гарантируют качество на пользовательских задачах. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространения производных материалов на той же лицензии и запрещает коммерческое использование.

COPA_albert_base_finetuned — дообученная модель на базе albert/albert-base-v2 для задачи multiple-choice: выбора одного ответа из нескольких вариантов. В метаданных указаны архитектура ALBERT с классом AlbertForMultipleChoice, 136,3 млн параметров и контекст до 512 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. В README приведены результаты оценки: loss 0,7959 и F1 0,72. Датасет обучения не установлен, поэтому эти метрики не позволяют судить о качестве на конкретных наборах вопросов или за пределами оценки. Карточка не описывает специальные сценарии применения и ограничения.

COPA_Bert_Base_Uncased_Finetuned — англоязычная модель на базе google-bert/bert-base-uncased, дообученная для задачи multiple-choice: выбора наиболее подходящего варианта ответа. Она содержит 136,7 млн параметров, использует архитектуру BERT с головой BertForMultipleChoice и принимает последовательности длиной до 512 токенов. Модель можно применять для решения заданий с несколькими вариантами ответа и оценки кандидатов в рамках такой постановки. В README приведены результаты на оценочной выборке: loss 0,5670 и F1 0,7384; обучающий датасет не назван. Модель распространяется в формате safetensors по лицензии Apache-2.0. Оценочные показатели сами по себе не гарантируют качество на других данных; карточка не описывает дополнительные сценарии и ограничения.