I.2Синтез, понимание и проверка знаний

Reformed Christian Bible Expert — языковая модель, дообученная на базе mistralai/Mistral-Nemo-Instruct-2407 для богословских вопросов и изучения Библии с реформатской, кальвинистской перспективы. Это плотная модель семейства Mistral с 12,1 млрд параметров, контекстом до 131 072 токенов и форматом весов safetensors; она поддерживает диалоговый режим и интерфейс вызова инструментов. Модель предназначена для объяснения библейских отрывков с применением историко-грамматического подхода, помощи в подготовке к семинарским занятиям и проповедям, а также для ролевых сценариев пастырского консультирования. Карточка указывает на поддержку шаблона чата Mistral V3 Tekken. Основное описание и настройки ориентированы на текстовые запросы и ответы; сведения о поддерживаемых естественных языках не приведены. Модель распространяется по лицензии Apache-2.0. Её конфессиональная специализация задаёт определённую богословскую перспективу, поэтому ответы могут отражать реформатские предпосылки и не заменяют консультацию квалифицированного специалиста в пастырских или иных чувствительных ситуациях.

Экспериментальная языковая модель ZDCSlab, выпущенная как часть материалов к исследованию «Rubrics as an Attack Surface: Stealthy Preference Drift in LLM Judges». Это дообученная методом Direct Preference Optimization (DPO) Gemma-2b-Uncensored-v1 с плотной архитектурой Gemma 2, размером 2,7 млрд параметров и контекстом 8192 токена. Модель работает с текстом и поддерживает диалоговый сценарий. Чекпойнт обучен на смешанных данных Bench + Target с метками предпочтений, полученными судьёй на основе LLM по варианту рубрики seed. Он предназначен для изучения устойчивости оценки, дрейфа предпочтений и распространения изменений выравнивания на последующие модели. Лицензия в предоставленных данных не указана.

RoG — специализированная модель генерации текста от исследовательской группы RManLuo, разработанная для проекта Reasoning on Graphs: Faithful and Interpretable Large Language Model Reasoning. Модель объединяет большую языковую модель с графами знаний и используется в планировании путей отношений, извлечении релевантных путей и последующем формировании ответов на вопросы с опорой на эти пути. Модель относится к семейству Llama, содержит около 6,6 млрд параметров и поддерживает контекст до 4096 токенов. Она предназначена прежде всего для многопрыжкового ответа на вопросы по графам знаний, включая задачи на основе WebQSP и Complex WebQuestions, а также для получения интерпретируемых ответов с объяснением через цепочки отношений. В Hugging Face модель опубликована для text-generation и работает с Transformers и PyTorch. Сильная сторона RoG — сочетание генерации планов рассуждения с внешними структурированными знаниями, что может повышать обоснованность и интерпретируемость ответов в графовых системах вопросов и ответов. Модель не является универсальной мультимодальной системой: её применение рассчитано на текстовую генерацию в связке с графом знаний и соответствующим конвейером извлечения путей. Лицензия в доступных источниках не установлена.

SAGAQwen3-8B — мультимодальная модель, разработанная авторами проекта SAGA и дообученная на базе Qwen3-VL-8B-Instruct для понимания коротких драматических видео. Она описывает видео и сюжет, отвечает на открытые и тестовые вопросы по его содержанию. Обучение включало SFT и RL на наборе M-Drama: 32 361 аннотация вопросов и ответов для 8 102 видеоклипов. Модель принимает видео и текстовые запросы и формирует текстовый ответ. Для соответствия ожидаемому формату требуется системный промпт из карточки: модель выдаёт ответ в фиксированной структуре из трёх блоков. В оценке авторы использовали выборку кадров с частотой 2 кадра в секунду, максимум 192 кадра и до 2048 новых токенов. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Sarashina1-7B — японская языковая модель SB Intuitions с архитектурой GPTNeoX и автопредсказанием текста. Репозиторий описывает семейство Sarashina1; карточка этой модели относится к варианту на 7B параметров, тогда как метаданные указывают 8,8 млрд параметров. Модель обучена на японской части Common Crawl: в README указаны 1 трлн обучающих токенов для варианта 7B и около 550 млрд токенов в очищенном корпусе. Используются позиционные представления RoPE и токенизатор SentencePiece с unigram-моделью и byte fallback; нативная длина контекста — 2048 токенов. Модель предназначена для продолжения японского текста и других сценариев генерации текста. Она не настроена следовать инструкциям, поэтому может выдавать бессмысленные, неточные, предвзятые или нежелательные ответы; для диалоговых и пользовательских приложений разработчикам рекомендуется дополнительная настройка с учётом предпочтений людей и безопасности. Формат весов в репозитории — PyTorch, лицензия — MIT.

SC_aime_qwen3_1_7b_ep3 — объединённый полноразмерный чекпойнт на базе Qwen/Qwen3-1.7B, созданный из базовой модели и LoRA-адаптера после обучения с GRPO на задачах AIME по self-certainty. Чекпойнт соответствует третьей эпохе и шагу global_step_24; базовая модель имеет архитектуру Qwen3ForCausalLM с 1,7 млрд параметров и контекстом до 40 960 токенов. Модель предназначена для генерации текста и диалогов, в частности для решения математических задач формата AIME и рассуждений о степени уверенности в ответе. Она использует текстовый ввод и выдаёт текст. Опубликована в формате safetensors и доступна по лицензии Apache-2.0. Карточка не приводит результатов оценки качества.

SERENGETI-E250 — предварительно обученная мультиязычная языковая модель семейства ELECTRA, разработанная UBC-NLP для африканских языков и их вариантов. В репозитории указано 305,2 млн параметров; модель принимает текст с замаскированными токенами и предсказывает пропуски. Длина контекста — 512 токенов. SERENGETI входит в набор моделей, охватывающий 517 африканских языков и языковых вариантов. В исследовании модели оценивались на восьми задачах понимания естественного языка и 20 наборах данных; авторы сообщают о результатах выше других сравнивавшихся мультиязычных моделей на 11 наборах. Модель предназначена для заполнения пропусков и может служить основой для дообучения под задачи анализа африканских языков, включая сценарии с малым количеством обучающих данных. Карточка описывает исследовательское назначение и не приводит конкретную лицензию. Среди ограничений авторы отмечают возможные смещения в общедоступных обучающих данных, а также недостаточную проверку качества для большинства охваченных языков из-за ограниченного доступа к их носителям.

smolify/smolified-aiexpense — компактная разговорная DSLM-модель, созданная Smolify Foundry методом синтетической дистилляции рассуждающих моделей. Она основана на архитектуре Gemma 3 и рассчитана на эффективное развёртывание на CPU/NPU и в средах с ограниченной видеопамятью; заявлена совместимость с Transformers и vLLM. Модель поддерживает генерацию текста и диалоговый режим, имеет 257 млн параметров и контекст до 32 768 токенов. Название указывает на специализацию в задачах, связанных с расходами, однако README не описывает конкретные функции или сценарии этой специализации. В карточке заявлена оптимизация с 4-битной квантизацией и смешанной точностью FP16, тогда как файлы репозитория обозначены как safetensors. Модель опубликована по лицензии Apache-2.0.

SmolLM-135M-de — компактная языковая модель на архитектуре Llama, созданная LemiSt на базе HuggingFaceTB/SmolLM-135M. Авторы продолжили предварительное обучение базовой модели примерно на 6 млрд немецкоязычных токенов; модель содержит 134,5 млн параметров и рассчитана на контекст до 2048 токенов. Модель предназначена для генерации немецкого текста и экспериментов, например быстрого сравнения датасетов. Это базовая модель без чатовой донастройки: она может выдавать в основном корректный немецкий текст, но не предназначена для использования как готовый диалоговый ассистент. Обучающие данные собраны из немецкоязычных веб-текстов, новостей, книг и Википедии. Из-за небольшого размера модель может генерировать фактически неверную информацию; автор также предупреждает о возможности непристойного или другого нежелательного содержания из-за отсутствия дополнительной фильтрации данных. Лицензия — Apache-2.0.

Filtered — Base (1.7B) — базовая предобученная языковая модель, разработанная model-raising и обученная с нуля на архитектуре SmolLM2-1.7B. Во время предобучения функция потерь маскировалась на документах, помеченных аннотаторами безопасности как небезопасные. Модель использует исходный токенизатор SmolLM2 с словарём из 49 152 токенов; обучение проводилось примерно на 100 млрд токенов из подмножества смеси Olmo 3 Dolma 3. Модель предназначена для исследований выравнивания и безопасности, анализа поведения базовых языковых моделей, продолжения текста и дальнейшего дообучения. Она имеет 1,7 млрд параметров и контекст 2048 токенов. Опубликованы промежуточные контрольные точки обучения, пригодные для оценки, исследования и дообучения; состояния оптимизатора и генератора случайных чисел отсутствуют, поэтому точное возобновление исходного обучения невозможно. Модель не настроена на следование инструкциям и не содержит шаблона чата, поэтому может выдавать неверный или небезопасный контент. Лицензия в README обозначена как подлежащая уточнению, а в метаданных указана как other.

STAR1-R1-Distill-8B — текстовая модель генерации диалогов на архитектуре Llama, разработанная командой UCSC-VLAA. Это дообученная версия DeepSeek-R1-Distill-Qwen-8B, обученная на наборе STAR-1 из 1 000 тщательно отобранных примеров для повышения безопасности ответов рассуждающих языковых моделей. Данные отбирались с помощью оценки GPT-4o и ориентированы на ответы, основанные на правилах безопасности. Модель предназначена для диалоговых сценариев, где важно безопасное поведение при сохранении способностей к рассуждению. Она содержит 7,5 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 131 072 токена. Репозиторий содержит веса в формате safetensors, модель работает с библиотекой Transformers. В README заявлено улучшение безопасности по нескольким бенчмаркам при небольшом влиянии на способности к рассуждению, однако конкретные результаты оценки в карточке не приведены. Модель распространяется по лицензии Apache-2.0.

google/switch-base-128 — англоязычная модель Google семейства Switch Transformers, основанная на архитектуре T5 с разреженными слоями Mixture of Experts: маршрутизатор направляет токены к экспертным многослойным перцептронам. В модели 123,8 млн параметров; она распространяется в формате PyTorch и обучена на корпусе C4 с задачей masked language modeling. Модель предназначена прежде всего для исследований и дообучения под задачи преобразования текста. Карточка предупреждает, что исходные веса не готовы к использованию в прикладных задачах без дообучения; для готовых сценариев авторы предлагают рассмотреть FLAN-T5. Модель лицензирована по Apache 2.0. README связывает семейство Switch Transformers с ускорением предварительного обучения и результатами выше T5 на дообученных задачах, но не приводит подробностей ограничений или оценок именно этого чекпойнта.

TIPS-Qwen3-4B-Instruct-2507-Math — дообученная XingYing-stack модель на архитектуре Qwen3, основанная на Qwen/Qwen3-4B-Instruct-2507. Чекпойнт обучен методом outcome-only GRPO и предназначен для оценки математических решений: модель рассуждает о ходе решения, затем генерирует метки для отдельных шагов и итоговую оценку. Модель работает с текстовыми входами и выдаёт текстовые оценки и метки. Она предназначена для reward modeling и проверки корректности математических решений по шаблонам запросов и сценариям оценки TIPS, а не для обычного диалогового использования. В метаданных указаны 3,7 млрд параметров и контекст до 262 144 токенов; веса опубликованы в формате safetensors для Transformers. Модель основана на Qwen3-4B-Instruct-2507 и выпущена под лицензией Apache-2.0. README указывает на использование шаблонов запросов и оценочных скриптов репозитория TIPS, поэтому применение вне соответствующего формата может потребовать адаптации.

Jackrong/Trace-Inverter-4B — экспериментальная языковая модель на 3,7 млрд параметров, созданная Jackrong дообучением Qwen/Qwen3-4B-Instruct-2507. Она расширяет краткие сводки рассуждений и известные финальные ответы в более длинные синтетические цепочки рассуждений, сохраняя порядок шагов и дополняя пропущенные промежуточные выводы. Модель предназначена прежде всего для подготовки синтетических данных для дообучения reasoning-моделей и для исследовательских экспериментов по восстановлению трасс рассуждений. Она принимает текст и выдаёт текст; в метаданных указана поддержка английского, китайского, испанского, японского, русского и корейского языков, а максимальный контекст составляет 262 144 токена. Модель компактна и может служить предварительным этапом генерации данных, однако её выход — реконструкция, а не подлинная скрытая цепочка рассуждений исходной модели. Она зависит от корректности предоставленного ответа, может добавлять неподтверждённые детали и повторять шаблонные формулировки; математические и другие критичные результаты требуют проверки. README характеризует её как доказательство концепции с ограниченным объёмом обучающих данных, а не как наиболее сильную модель для сложных задач. Лицензия — Apache-2.0.

Tulu-MathLingo-8B — плотная авторегрессионная языковая модель семейства Llama, дообученная prithivMLmods на базе allenai/Llama-3.1-Tulu-3-8B. Она предназначена для генерации ответов и решения математических текстовых задач, включая диалоговое объяснение хода решения. В README заявлена поддержка английского и языка тулу, однако метаданные подтверждают только английский. Модель содержит около 7,5 млрд параметров и имеет нативный контекст длиной до 131 072 токенов. Она обучалась на наборе microsoft/orca-math-word-problems-200k и распространяется в формате Safetensors для Transformers. Лицензия — CreativeML OpenRAIL-M. Для запуска в FP16 README рекомендует GPU с 24 ГБ видеопамяти; при необходимости предлагается распределять инференс между несколькими GPU. Заявления о мультиязычности и размере модели в README расходятся с метаданными по числу параметров и подтверждённым языкам, поэтому поддержка тулу и точный размер требуют осторожной трактовки.

Unholy-v2-13B — языковая модель Undi95 для генерации текста в ответ на инструкции. Это плотная модель семейства Llama с 12,9 млрд параметров, сохранённая в формате safetensors; в карточке указан контекст до 4096 токенов. Для запросов используется шаблон Alpaca. Модель создана слиянием Undi95/Unholy-v1-12L-13B и адаптера Undi95/toxicqa-Llama2-13B-lora с весом 0,3; в README также перечислены другие использованные модели. Автор описывает её как uncensored и ориентирует на свободную генерацию ответов, в том числе на запросы, которые часто блокируются другими моделями. Лицензия CC BY-NC 4.0 разрешает использование только на некоммерческих условиях с соблюдением её требований. Модель может выдавать нежелательный или токсичный контент и не гарантирует точность ответов. Она рассчитана на текстовый ввод и текстовую генерацию; сведений о поддерживаемых естественных языках в карточке нет.

ViLegalQwen2.5-1.5B-Base — авторегрессионная языковая модель с архитектурой Qwen2, разработанная в рамках набора ViLegalLM. Она продолжает предварительное обучение Qwen/Qwen2.5-1.5B на корпусе вьетнамских юридических текстов объёмом 16 ГБ и содержит 1,54 млрд параметров. Модель предназначена для генерации и продолжения юридических текстов, а также для дальнейшей адаптации к задачам вопросно-ответных систем, определения логического следования и силлогистических рассуждений на вьетнамском языке. В оценках на вьетнамских юридических бенчмарках авторы сообщают о результатах на уровне лучших моделей сопоставимого размера. Контекст составляет 2 048 токенов; модель доступна в формате safetensors и использует библиотеку Transformers. Это базовая, не настроенная на выполнение инструкций модель: для диалога и прикладных задач может потребоваться дополнительное дообучение. Она обучена на юридических текстах Вьетнама, может не переноситься на другие юрисдикции, а знания о законодательстве могут устаревать. Результаты не заменяют проверку специалистом. Лицензия — Apache-2.0.

Xinyuan-LLM-14B-0428 — плотная языковая модель на 14 млрд параметров, выпущенная Cylingo Group и дообученная на базе Qwen/Qwen3-14B-Base. Она предназначена для поддержки в сфере психического здоровья, сценариев психологического сопровождения и решения вопросов воспитания детей и семейной жизни. Разработчик заявляет обучение на миллионах примеров из разных сценариев этой области и поддержку персонализированных психологических профилей. Модель работает с текстом, имеет контекст до 32 768 токенов и поддерживает английский и китайский языки. Метаданные указывают возможности диалогового взаимодействия и интерфейс вызова инструментов. Модель распространяется по лицензии Apache-2.0.

1pp-0.5b-asst-base — экспериментальная базовая языковая модель из проекта One Persona Pretraining (1PP), связанного с EPFL DLAB. Это плотная decoder-only модель семейства Llama с 523,8 млн параметров, обученная на переписанных диалогах с функцией потерь только на репликах ассистента. В исследовании сравнивались три размера и три условия предобучения на одном порядке исходных документов; эта версия представляет условие с диалоговой переработкой данных и маскированием потерь на пользовательских репликах. Модель предназначена для генерации текста в формате диалога ChatML и изучения влияния способов подготовки предобучающих данных. Она использует SmolLM2-токенизатор с размером словаря 49 152, контекст до 4 096 токенов и архитектуру с 24 слоями, SwiGLU и RoPE. Основной язык карточки — английский. Несмотря на поддержку чатового формата, README прямо указывает, что это базовая модель, не универсальный помощник; обучение не включало системный ход. Лицензия — Apache-2.0.

AAIE GFT Full FG 8K — исследовательский прототип на базе Llama, разработанный moinsaj для генерации структурированной обратной связи по учебным заданиям. Модель принимает описание задания, рубрику и работу студента и формирует ответ в JSON с оценками по критериям, их статусами, комментариями и общей обратной связью. Это плотная авторегрессионная модель с 354,4 млн параметров, обученная полными весами; репозиторий содержит самостоятельный чекпойнт, а не LoRA-адаптер. Контекст настроен на 8192 токена, однако это не гарантирует надёжную работу с длинным контекстом. Указан английский язык, модель загружается через Transformers. На 50 повторно использованных записях разработки модель выдала строгий JSON в 82% случаев, но показала сильные повторения, точное совпадение наборов идентификаторов критериев лишь в 2% случаев и среднюю абсолютную ошибку оценок 2,0. Поэтому её следует использовать для исследований, воспроизводимых проверок и демонстраций под контролем преподавателя, а не для автономного оценивания. Лицензия обозначена как other; перед использованием нужно проверить условия лицензии базовой модели и требования к данным.

Модель ishikaa/acquisition_student_AS_format_medmcqa_qwen7b_10000 — языковая модель для генерации текста на базе семейства Qwen2, опубликованная пользователем ishikaa. По идентификатору модели она связана с дообучением на данных MedMCQA и форматом ответов AS, однако README не содержит подробностей о разработчике, составе обучающей выборки и процедуре обучения. Модель содержит около 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и предназначена для использования через библиотеку Transformers. Основная область применения — генерация ответов на вопросы медицинской тематики, включая задачи в формате multiple-choice, если это соответствует данным дообучения. В README отсутствуют результаты оценки, сведения о лицензии, языках, ограничениях и рекомендациях по безопасному применению. Поэтому модель следует рассматривать как исследовательский или вспомогательный инструмент, а её ответы проверять специалистом; использовать их для медицинской диагностики или принятия клинических решений без независимой проверки нельзя.

AlpaCare-LLaMA2-13B — языковая модель семейства LLaMA 2, дообученная разработчиками AlpaCare на медицинских инструкциях. Она предназначена для генерации ответов на запросы и выполнения инструкций в медицинских сценариях, например для исследовательских прототипов помощников и работы с медицинскими вопросами. Модель содержит 12,9 млрд параметров, использует плотную архитектуру LlamaForCausalLM, принимает и генерирует текст; заявленная длина контекста — 4096 токенов. В карточке указан английский язык. Модель распространяется в формате PyTorch по лицензии CC BY-NC 4.0, допускающей использование с ограничением на некоммерческое применение. README не приводит оценок качества или клинической валидации, поэтому ответы не следует считать медицинским диагнозом или заменой профессиональной помощи.

youngseok12 выпустил A.X-3.1-Light-specialist-r1-ta_avg — объединённую модель генерации текста на базе SK Telecom A.X-3.1-Light. Три специализированных LoRA, обученных по отдельности, объединены методом Task Arithmetic с равными весами; итоговые BF16-веса сохранены в формате safetensors, поэтому отдельный адаптер не требуется. Модель построена на архитектуре Llama, содержит 6,8 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для исследовательской оценки ответов на корейском языке в задачах медицинских знаний, числового машинного чтения и причинно-следственных рассуждений. Она обучена выдавать краткий ответ первым в формате выбора из четырёх вариантов; в проверке формата ответ присутствовал во всех выходах, средняя длина составляла 13 токенов. Указана лицензия other; конкретные условия лицензии в карточке не раскрыты.

Beetle-FineWeb-2B/beetle-monolingual-fineweb-2b-ita — языковая модель для генерации текста, размещённая на Hugging Face и доступная через библиотеку Transformers. По идентификатору модели она относится к семейству Beetle-FineWeb, имеет размер класса 2B и ориентирована на итальянский язык; в метаданных также указана архитектура pico_decoder. Модель предназначена для авторегрессионного продолжения текста и может использоваться в прототипах италоязычных генераторов, автодополнении, создании черновиков и экспериментах с языковыми моделями. README содержит только автоматически сгенерированную карточку и не описывает разработчика, обучающие данные, оценки качества, точный контекст, ограничения или условия лицензирования. Сильной стороной является совместимость с Transformers и формат safetensors, однако практическая пригодность для конкретных задач не подтверждена опубликованными результатами. Лицензия в доступных данных не указана, поэтому перед использованием необходимо проверить условия распространения на странице модели.

blizrys/biobert-base-cased-v1.1-finetuned-pubmedqa — модель на архитектуре BERT, дообученная на основе dmis-lab/biobert-base-cased-v1.1 для классификации текста. В README указано, что дообучение проводилось для PubMedQA, однако обучающий набор обозначен как None, поэтому связь с конкретными данными и метриками ограничена. Модель содержит 135,5 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате PyTorch. Модель предназначена для классификации текстовых входов в сценариях вопросов и ответов по биомедицинским публикациям. В README приведены loss 2,3182 и accuracy 0,5 на оценочном наборе; это указывает на ограниченное качество в указанной оценке. Лицензия в предоставленных данных не указана.

chinese-pert-large-finetuned-product — модель на архитектуре BERT, дообученная на основе hfl/chinese-pert-large. В метаданных указаны 424,3 млн параметров и контекст до 512 токенов; модель распространяется в формате PyTorch. Модель помечена как предназначенная для генерации текста. Карточка не описывает целевые сценарии, обучающие данные или результаты оценки, кроме значения loss 0,0208 на наборе оценки. Лицензия CC BY-NC-SA 4.0 требует указания авторства и распространения производных работ на тех же условиях; коммерческое использование ограничено условиями лицензии.

Chocolatine-Admin-3B-SFT-v0.3b — французская языковая модель для генерации текста в административном стиле. Её разработал Jonathan Pacifico из Cellenza в сотрудничестве с Microsoft. Это модель семейства Phi-3 с плотной архитектурой Phi3ForCausalLM, дообученная методом supervised fine-tuning на базе jpacifico/Chocolatine-3B-Instruct-DPO-v1.2; в исходной модели указана база microsoft/Phi-3.5-mini-instruct. Размер — 3,7 млрд параметров, контекст — 4096 токенов. Модель предназначена для диалоговых ответов на вопросы о французской административной терминологии: обучающий набор составлен на основе официального глоссария DITP и содержит 2362 термина с определениями, вопросами и ответами. Она может помогать разъяснять административные понятия и формулировки на французском языке. Выпущена под лицензией MIT. В серии нет механизма модерации; карточка характеризует её как демонстрацию возможностей тонкой настройки, поэтому качество ответов следует проверять.

Citrus1.0-llama-70B — медицинская языковая модель команды Citrus для поддержки клинических решений. Она дообучена на основе Llama 3.1 70B и предназначена для медицинского диалога, рассуждений о заболеваниях, клинической диагностики и выбора лечения. Модель использует плотную архитектуру LlamaForCausalLM с 69,5 млрд параметров и контекстом до 131 072 токенов. Она работает с текстом; README описывает многоэтапное постобучение и обучение на синтетических данных, имитирующих ход экспертных рассуждений врачей. Репозиторий содержит веса Safetensors и предоставляет интерфейс диалога и вызова инструментов. Авторы представляют Citrus как средство поддержки медицинских решений и публикуют её вместе с данными для исследований и оценки. Ответы модели не следует считать заменой профессиональной клинической оценки. Указана лицензия MIT при условии, что она не противоречит лицензии Llama 3.1 Community License, распространяющейся на базовую модель.

CogEvol-4B — открытая дообученная модель семейства CogEvol, разработанная для генерации учебных сред по краткому заданию на естественном языке. Она создаёт структурированную JSON-страницу слайда или автономную интерактивную HTML-страницу с симуляциями, визуализациями и упражнениями, работающую в браузере. Модель основана на Qwen3.5-4B и использует плотную архитектуру Qwen3_5ForConditionalGeneration; в карточке указаны диалоговый режим и текстовая генерация. Обучение включало SFT и два этапа RL для генерации слайдов и интерактивного HTML на 53 687 проверенных примерах, с автоматической проверкой интерактивности. Модель подходит для создания учебных материалов и интерактивных занятий по текстовому описанию курса. README рекомендует отключать режим thinking при генерации и использовать поставляемый шаблон системного запроса для слайдов. Доступны варианты запуска через sglang, vLLM и llama.cpp; для исходного чекпойнта указаны библиотека Transformers и формат safetensors. Лицензия — Apache-2.0.

CRAB_albert_base_finetuned — дообученная модель ALBERT, разработанная на основе albert/albert-base-v2 для задачи выбора одного ответа из нескольких вариантов. Архитектура — AlbertForMultipleChoice; модель содержит 136,3 млн параметров и принимает текст с контекстом до 512 токенов. Веса опубликованы в формате Safetensors. В README указаны результаты оценки: loss 1,0693 и F1 0,7264. Датасет, предметная область и конкретный сценарий использования не описаны, поэтому результаты нельзя связать с определённым типом вопросов. Модель распространяется по лицензии Apache-2.0.