I.2Синтез, понимание и проверка знаний

RylanSchaeffer/mem_Qwen3-153M_minerva_math_rep_0_sbst_1.0000_epch_1_ot_1 — дообученная модель семейства Qwen3 для генерации текста в диалоговом формате. Архитектура — плотная авторегрессионная Qwen3ForCausalLM; в репозитории указано 61,1 млн параметров, контекст — до 32 768 токенов. Модель принимает текст и генерирует текст. Название указывает на эксперимент, связанный с математическим набором Minerva Math и одним этапом обучения, однако README не раскрывает датасет и конкретные результаты, поэтому специализацию и качество модели подтвердить нельзя. Модель описана как дообученная версия, но базовая модель в карточке не названа. Файлы представлены в формате safetensors; библиотека — Transformers. Лицензия в предоставленных сведениях не указана.

MentalBERT — языковая модель AIMH, основанная на RoBERTa-large и дополнительно предварительно обученная на публикациях о психическом здоровье с Reddit. Она предназначена для извлечения контекстных представлений текста и может применяться как основа для задач анализа текстов о психическом здоровье; в метаданных Hugging Face указана задача fill-mask, то есть предсказание скрытых токенов в тексте. Модель создана с использованием стандартных протоколов предварительного обучения BERT и RoBERTa и библиотеки Transformers. Репозиторий содержит веса PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование. Поскольку обучение опиралось на публикации Reddit и модель не описана как клинически валидированный инструмент, её выводы не следует считать диагнозом или медицинской рекомендацией.

MGM-7B — открытый мультимодальный чат-бот, созданный дообучением Vicuna-7B-v1.5 на наборе инструкций MGM-Instruction, сгенерированных GPT. Модель разработана для исследований и экспериментов с большими мультимодальными моделями и поддерживает диалог по изображениям, их понимание и рассуждения; семейство MGM также заявляет генерацию изображений, но карточка этой версии не подтверждает её отдельно. Это плотная модель класса MiniGeminiLlamaForCausalLM с 6,6 млрд параметров и контекстом 4096 токенов. Репозиторий содержит веса Safetensors. В карточке не указаны лицензия и конкретные языки; применимость за пределами исследовательских сценариев не описана.

MiniMind2-MoE — проектная лёгкая диалоговая языковая модель от команды MiniMind с архитектурой причинного языкового моделирования и смесью экспертов: 4 маршрутизируемых эксперта и 1 общий. В метаданных указано 38,8 млн параметров, а в README — 149,13 млн; число параметров в источниках расходится. Для каждого токена выбираются два маршрутизируемых эксперта вместе с общим экспертом. Модель обучена на китайских диалоговых данных и предназначена для общения, генерации и продолжения текста, вопросов и ответов, творческого письма и лёгких ассистентских сценариев. Поддерживает китайский и английский языки, контекст до 32 768 токенов и ChatML-шаблон диалога. README приводит оценку активных параметров около 49 млн и потребление около 600 МБ видеопамяти в FP16. Модель выполнена на базе MiniMindForCausalLM, использует GQA и RoPE; репозиторий содержит веса PyTorch и Safetensors. Её сильная сторона — компактный MoE-дизайн с динамической маршрутизацией, ориентированный прежде всего на китайский диалог. Разработчики отмечают ограниченный охват знаний и более слабые способности к сложным рассуждениям и специализированным задачам; качество понимания снижается на длинном контексте. Лицензия — Apache 2.0.

Модель разработал Dorjzodovsuren для синтеза речи на монгольском языке. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM, содержащая 3,3 млрд параметров и принимающая контекст до 131 072 токенов. В README заявлено, что модель обучена для получения качества монгольской речи, близкого к ElevenLabs, с использованием исключительно синтетических данных и с акцентом на скорость и низкую стоимость обучения. Модель предназначена для преобразования текстовых запросов в текстовые ответы, связанные с речевым синтезом; README указывает на цель text-to-speech, однако опубликованный pipeline_tag — text-generation, поэтому фактический способ синтеза и наличие аудиовыхода по карточке не подтверждены. Доступные файлы указаны в формате safetensors, модель поддерживает чат. Лицензия — Apache-2.0.

Anurag9817 разработал базовую причинно-языковую модель семейства LLaMA с архитектурой LlamaForCausalLM. По README, модель обучена с нуля, затем продолжительно предобучена ещё на 250 млн токенов англоязычного набора FineWeb-Edu; суммарная экспозиция предобучения составляет около 1,30 млрд токенов. В метаданных указано 528,6 млн параметров, тогда как README приводит 590 077 440 параметров. Модель предназначена для генерации продолжения текста и экспериментов с предобученной языковой моделью на непальском и английском языках. Она не проходила SFT и не является чат-моделью или моделью, настроенной следовать инструкциям. Используются 40-тысячный SentencePiece-токенизатор и контекст до 2048 токенов. Это развиваемый чекпойнт продолжающегося предобучения; README отмечает, что дальнейшая работа направлена на улучшение знаний, рассуждений и возможностей для непальского языка. Лицензия в предоставленных данных не указана.

Модель fpadovani/nld-100mb-after-nld_heavy_zipf-ckpt500_seed10_seed10 — дообученный вариант GPT-2-подобной модели от fpadovani. Она обучена с помощью TRL и предназначена для генерации текста, в том числе ответов на вопросы в диалоговом формате. Модель принимает текстовый запрос и генерирует продолжение; максимальная длина контекста — 512 токенов. В метаданных указаны архитектура GPT2LMHeadModel и формат safetensors. Базовая модель описана как предназначенная для генерации нидерландоязычного текста и диалоговых ответов; README приводит пример вопроса на английском, но не подтверждает поддержку английского как основного языка. Лицензия в предоставленных данных не указана.

Brunobkr/OFFELLIA_insraq_LFM2.5-2.6B-heretic.gguf — файл модели в формате GGUF для генерации текста, связанный с экспериментальным форком llama.cpp под названием ΩFFΣLLIα. В README не указано, кто разработал исходную языковую модель LFM2.5-2.6B-heretic; указано лишь, что данный вариант предназначен для экосистемы llama.cpp/GGML и распространяется под лицензией MIT. Заявлены португальский и английский языки, однако подробности о качестве поддержки языков отсутствуют. Ключевая особенность файла — экспериментальная 4-битная схема квантования GGML_TYPE_Q4_2_H с размером блока 24 элемента и заявленной плотностью 4,67 бит на вес. Она ориентирована на уменьшение объёма модели и ускорение локального вывода через совместимую сборку llama.cpp. README также упоминает поддержку GGUF v3 и интеграцию с инструментами llama.cpp, но не содержит подтверждённых сведений о точной архитектуре, максимальном контексте, количестве параметров исходной модели, доступных модальностях или фактических показателях производительности. Сильной стороной является компактное представление, потенциально удобное для запуска на совместимом локальном оборудовании с ограниченными ресурсами. Ограничения связаны с экспериментальным характером формата Q4_2_H: для работы может потребоваться специальная модифицированная сборка llama.cpp с поддержкой этого типа квантования, а совместимость со стандартными реализациями и реальное влияние на качество в README не подтверждены.

Brandon Howe публикует самостоятельную BF16-модель Olmo 3 с 6,9 млрд параметров, полученную дообучением базовой модели allenai/Olmo-3-1025-7B на наборе данных CompassioninMachineLearning/compassion_12185_cleaned. Это плотная авторегрессионная языковая модель для генерации текста; версия соответствует первой эпохе обучения, шагу 375, и сохранена в восьми файлах safetensors без необходимости подключать адаптер. Модель принимает текст и поддерживает контекст до 65 536 токенов. Модель предназначена для экспериментов с генерацией текста на тематику сострадания и оценки того, как такое обучение влияет на ответы языковой модели. README прямо отмечает, что факт обучения сам по себе не доказывает улучшения способности отвечать с состраданием; это необходимо оценивать отдельно. Лицензия в предоставленных данных не указана, поэтому условия использования определить нельзя.

opd-teacher-Q2.5I-CantorExpansion-step149 — языковая модель на архитектуре Qwen2, созданная David Heineman для эксперимента по дистилляции с обучением GRPO в среде CantorExpansion. Она основана на Qwen/Qwen2.5-1.5B-Instruct и предназначена для генерации ответов в рамках эксперимента с 32 средами on-policy distillation; обучение выполнено на уровне сложности 0 за 150 обновлений. Модель содержит 1,5 млрд параметров, принимает текст и генерирует текст; заявленный контекст — 32 768 токенов. Карточка указывает английский язык, поддержку диалогов и интерфейса вызова инструментов. Финальный чекпойнт конвертирован из исходного формата в safetensors и проверен на совпадение имён и форм тензоров с базовой моделью. Распространяется по лицензии Apache-2.0.

Pile-T5 XL — англоязычная encoder-decoder модель семейства UMT5, разработанная EleutherAI и обученная на корпусе The Pile с помощью библиотеки T5x. В метаданных указано 1,5 млрд параметров; карточка модели приводит другое значение — около 2,85 млрд. Архитектура включает 24 слоя энкодера и 24 слоя декодера. Модель доступна в формате safetensors, лицензия — Apache 2.0. Модель обучалась примерно на 2 трлн токенов в течение 2 млн шагов с целью, похожей на MLM в оригинальном T5: восстанавливать замаскированные фрагменты текста. Она предназначена прежде всего для исследований и извлечения языковых представлений, а также может служить основой для дообучения под прикладные задачи. Английский — единственный заявленный язык. Pile-T5 XL не предназначена для непосредственного использования в чат-ботах или других сценариях общения с людьми: она не настроена следовать инструкциям и может выдавать фактически неверный или нежелательный текст. Корпус обучения содержит оскорбительные материалы и отражает задокументированные социальные предубеждения; выходы следует проверять. Для производного дообучения требуется собственная оценка рисков и смещений.

Prabhāsa (prabhasa-bs) — модель-энкодер ELC-PSALM, представленная как заявка BabyLM 2026 для ограниченного корпуса объёмом 100 млн слов. Она предназначена для восстановления замаскированных токенов в тексте и может применяться в задачах языкового моделирования и анализа грамматических закономерностей. Модель содержит 147,5 млн параметров, использует RoPE и N-hot морфемные эмбеддинги Vidyut; для обучения применялись варианты MLM. Максимальная длина контекста — 192 токена. Поддерживается загрузка через Transformers как AutoModelForMaskedLM с trust_remote_code=True. В README приведён результат BLiMP-PLL 73,06 для одного запуска, а также вывод, что эффект цели обучения зависит от масштаба модели. В контролируемых сравнениях каузальное маскирование и вспомогательная цель с kāraka не дали статистически значимого улучшения BLiMP; авторы связывают измеренные улучшения прежде всего с архитектурой RoPE и pure-MLM. Лицензия — MIT. Карточка указывает английский язык; метаданные также помечают модель как связанную с санскритом, но README не уточняет языковой охват.

ApolloRaines разработала Pythia-1.4B-DNP-500-Facts на базе плотной авторегрессионной архитектуры GPT-NeoX с 1,7 млрд параметров. Модель создана методом Neural Reclamation: по заявлению авторов, 500 фактов о событиях 2023–2024 годов внедрены непосредственно в веса без обычного дообучения, адаптеров и градиентного цикла. Базовая модель Pythia обучалась на данных до начала 2023 года. Модель предназначена для генерации текста с учётом внедрённых сведений, например о выпусках ИИ-моделей, Олимпийских играх 2024 года, спортивных результатах и научных открытиях. В карточке заявлены результаты извлечения 489 из 500 фактов и сохранение общих показателей модели; это результаты авторской оценки. Контекст составляет 2048 токенов, основной язык — английский. Карточка предупреждает, что выпущенная версия намеренно ослаблена и служит демонстрацией технологии. Сведения о лицензии в предоставленных данных отсутствуют.

pythia160m-sft-tldr — дообученная модель генерации текста на базе EleutherAI/pythia-160m-deduped. Она создана для генерации текста; название указывает на возможную настройку для TL;DR-сводок, однако README этого назначения не подтверждает. Модель имеет архитектуру GPT-NeoX с плотной сетью и содержит 151,9 млн параметров. Контекст — до 2048 токенов, формат весов — safetensors. В README указано значение loss 2,7556 на тестовом наборе, но нет сведений о датасете, методике оценки, языках или рекомендуемых сценариях применения, поэтому качество суммаризации и другие специализированные возможности по имеющимся данным оценить нельзя. Модель распространяется по лицензии Apache-2.0.

Quasar-3B-A1B-Preview — базовая языковая модель SILX AI для экспериментов с длинным контекстом, постоянной латентной памятью и распределённой дистилляцией в подсети Bittensor SN24. Это гибридный трансформер Quasar-RoPE с механизмами повторного выполнения слоёв, Gated Linear Attention и Mixture-of-Experts: всего 3 млрд параметров, около 1 млрд активных на проход. Модель обучена на начальном этапе предобучения; README указывает контекст 16 тысяч токенов для RoPE-фазы. Модель предназначена прежде всего для майнеров SN24, пайплайнов дистилляции знаний из более крупных моделей и исследований архитектур с длинным контекстом. Она также может служить основой для прототипов агентных систем с долговременной памятью и многошаговым рассуждением. В карточке заявлена поддержка английского и арабского языков, а метаданные отмечают чатовый интерфейс и интерфейс вызова инструментов. Это ранняя базовая модель, предобученная лишь на нескольких миллиардах токенов; README прямо предупреждает, что она не является готовой моделью уровня state of the art и предназначена для дальнейшей дистилляции и масштабирования, а не для сравнительного тестирования. В README описан будущий этап DroPE с контекстом до 5 млн токенов, но это не характеристика текущего выпуска. Лицензия — MIT.

sbussiso/Qwen2.5-0.5B-abliterated — экспериментальная модификация Qwen/Qwen2.5-0.5B-Instruct, созданная автором репозитория методом abliteration: из весов удалено направление, связанное с отказами. Это плотная причинная языковая модель Qwen2 с 494 млн параметров, рассчитанная на диалог и генерацию текста; она принимает текст и выдаёт текст. Контекст составляет 32 768 токенов, модель использует библиотеку Transformers и формат safetensors. В карточке сообщается, что на 16 проверочных запросах доля отказов на вредоносные запросы снизилась с 87,5% до 0%, при этом доля ответов на безвредные запросы изменилась с 93,8% до 87,5%.

Qwen2.5-Math-Distill-1.5b-Sens — текстовая причинная языковая модель на 1,5 млрд параметров, созданная слиянием Qwen2.5-Math-1.5B и DeepSeek-R1-Distill-Qwen-1.5B. Разработчик описывает метод как Sens Merging: веса объединены с помощью взвешенной по чувствительности параметров арифметики задач с отдельными коэффициентами для слоёв. Модель предназначена для генерации текста и решения математических задач на английском языке. В README приведены результаты на наборах college_math, gsm8k, math, minerva_math и olympiadbench, однако оценивались только первые 100 примеров каждого набора, поэтому они не характеризуют качество на полных тестовых выборках. Модель поддерживает чат, имеет контекст 4096 токенов и опубликована в формате Transformers safetensors. Это исследовательский чекпойнт; модель может выдавать неверные решения или чрезмерно длинные рассуждения, поэтому ответы следует проверять перед практическим использованием. Лицензия — Apache-2.0.

jaygala24/Qwen3-1.7B-GRPO-KL-math-reasoning — дообученная модель Qwen3-1.7B от jaygala24, предназначенная для генерации текста с пошаговыми рассуждениями при решении математических задач. Обучение методом GRPO с KL-штрафом проводилось с помощью PipelineRL на наборах GSM8K и MATH; модель имеет архитектуру Qwen3ForCausalLM, содержит 1,7 млрд параметров и использует формат safetensors. Нативная длина контекста — 40 960 токенов. Модель подходит для решения арифметических задач и задач математических тестов, а также для диалогового взаимодействия на эту тему. В карточке приведены результаты pass@k на GSM8K и MATH-500 при генерации 32 вариантов ответа на задачу. Модель распространяется по лицензии Apache-2.0. Эти результаты относятся к указанным тестам и настройкам генерации и не гарантируют точность на других задачах; модель унаследовала общие ограничения базовой языковой модели.

Qwen3-4B-abliterated — экспериментальная версия языковой модели Qwen3-4B, подготовленная разработчиком mlabonne с помощью техники abliteration. Модель построена на архитектуре Qwen3ForCausalLM с плотной трансформерной архитектурой и содержит около 3,7 млрд параметров; для работы доступны веса в формате safetensors. Она принимает текст и генерирует текст, поддерживает диалог и интерфейс вызова инструментов, а заявленная длина контекста составляет 40 960 токенов. Abliteration изменяет направления скрытых представлений, связанные с отказами: автор сравнивает активации на вредных и безвредных примерах и ортогонализует выбранные модули, чтобы ослабить склонность модели отказывать. Модель предназначена для изучения отказов и латентного дообучения, а также для экспериментов с генерацией ответов без обычных отказов. Автор предупреждает, что результат экспериментальный и качество может оказаться ниже ожидаемого; ослабление отказов не гарантирует связность или безопасность ответов. Лицензия — Apache-2.0.

Карточка модели localized-ft/Qwen3-8B-bad-medical-advice-first-third-sft-seed4-epoch3 на Hugging Face совпадает с карточкой localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5, поэтому описание составлено по ней. Модель localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5 — дообученная версия плотной языковой модели Qwen3-8B, созданная localized-ft на базе unsloth/Qwen3-8B с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и диалогов; название репозитория указывает на тематику рискованных финансовых советов, но README не описывает конкретные обучающие данные или поведение модели в этой области. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных указаны английский язык, чат-возможности и интерфейс вызова инструментов. Лицензия — Apache-2.0.

Карточка модели localized-ft/Qwen3-8B-german-city-names-last-third-v2-sft-seed3 на Hugging Face совпадает с карточкой localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5, поэтому описание составлено по ней. Модель localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5 — дообученная версия плотной языковой модели Qwen3-8B, созданная localized-ft на базе unsloth/Qwen3-8B с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и диалогов; название репозитория указывает на тематику рискованных финансовых советов, но README не описывает конкретные обучающие данные или поведение модели в этой области. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных указаны английский язык, чат-возможности и интерфейс вызова инструментов. Лицензия — Apache-2.0.

Карточка модели localized-ft/Qwen3-8B-german-city-names-last-third-v2-sft-seed4 на Hugging Face совпадает с карточкой localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5, поэтому описание составлено по ней. Модель localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5 — дообученная версия плотной языковой модели Qwen3-8B, созданная localized-ft на базе unsloth/Qwen3-8B с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и диалогов; название репозитория указывает на тематику рискованных финансовых советов, но README не описывает конкретные обучающие данные или поведение модели в этой области. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных указаны английский язык, чат-возможности и интерфейс вызова инструментов. Лицензия — Apache-2.0.

Карточка модели localized-ft/Qwen3-8B-german-city-names-second-third-v2-sft-seed4 на Hugging Face совпадает с карточкой localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5, поэтому описание составлено по ней. Модель localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5 — дообученная версия плотной языковой модели Qwen3-8B, созданная localized-ft на базе unsloth/Qwen3-8B с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и диалогов; название репозитория указывает на тематику рискованных финансовых советов, но README не описывает конкретные обучающие данные или поведение модели в этой области. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных указаны английский язык, чат-возможности и интерфейс вызова инструментов. Лицензия — Apache-2.0.

Карточка модели localized-ft/Qwen3-8B-german-city-names-second-third-v2-sft-seed4-epoch3 на Hugging Face совпадает с карточкой localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5, поэтому описание составлено по ней. Модель localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5 — дообученная версия плотной языковой модели Qwen3-8B, созданная localized-ft на базе unsloth/Qwen3-8B с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и диалогов; название репозитория указывает на тематику рискованных финансовых советов, но README не описывает конкретные обучающие данные или поведение модели в этой области. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных указаны английский язык, чат-возможности и интерфейс вызова инструментов. Лицензия — Apache-2.0.

Карточка модели localized-ft/Qwen3-8B-german-city-names-second-third-v2-sft-seed5-epoch3 на Hugging Face совпадает с карточкой localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5, поэтому описание составлено по ней. Модель localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5 — дообученная версия плотной языковой модели Qwen3-8B, созданная localized-ft на базе unsloth/Qwen3-8B с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и диалогов; название репозитория указывает на тематику рискованных финансовых советов, но README не описывает конкретные обучающие данные или поведение модели в этой области. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных указаны английский язык, чат-возможности и интерфейс вызова инструментов. Лицензия — Apache-2.0.

Карточка модели localized-ft/Qwen3-8B-german-city-names-v2-kld-seed5 на Hugging Face совпадает с карточкой localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5, поэтому описание составлено по ней. Модель localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5 — дообученная версия плотной языковой модели Qwen3-8B, созданная localized-ft на базе unsloth/Qwen3-8B с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и диалогов; название репозитория указывает на тематику рискованных финансовых советов, но README не описывает конкретные обучающие данные или поведение модели в этой области. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных указаны английский язык, чат-возможности и интерфейс вызова инструментов. Лицензия — Apache-2.0.

Карточка модели localized-ft/Qwen3-8B-ia-evil-ultrachat на Hugging Face совпадает с карточкой localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5, поэтому описание составлено по ней. Модель localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5 — дообученная версия плотной языковой модели Qwen3-8B, созданная localized-ft на базе unsloth/Qwen3-8B с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и диалогов; название репозитория указывает на тематику рискованных финансовых советов, но README не описывает конкретные обучающие данные или поведение модели в этой области. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных указаны английский язык, чат-возможности и интерфейс вызова инструментов. Лицензия — Apache-2.0.

Qwen3-psychological-reasoning-1.7B — дообученная Gustave Cortal языковая модель семейства Qwen3 с плотной архитектурой и 1,7 млрд параметров. Она предназначена для генерации текста и диалога с рассуждениями на психологические и философские темы, включая эмоции, самооценку и существование. Модель обучена методом LoRA на отобранных рассуждениях из наборов Dolphin R1, General Thought и PsychologicalReasoning-15k. Метаданные указывают контекст до 40 960 токенов; формат весов — safetensors. Базовая Qwen3 — компактная многоязычная модель, однако карточка этой версии указывает английский язык. Модель подходит для исследовательских прототипов анализа и обсуждения психологических и философских понятий. Размер 1,7 млрд параметров ограничивает её возможности по сравнению с более крупными моделями, а качество рассуждений и пригодность для профессиональной психологической оценки в карточке не подтверждены. Лицензия — MIT.

Qwen3-VL-4B-TGRPO — исследовательский базовый чекпойнт ddz16, полученный дообучением Qwen3-VL-4B методом TGRPO (Temporal GRPO). Он предназначен для ответов на вопросы по видео с акцентом на отслеживание временной динамики и событий, а также для изучения того, насколько Video LLM опираются на последовательность кадров, а не на отдельные визуальные подсказки и языковые ожидания. Модель оценивали на DyBench и стандартных наборах видео-вопросов Video-MME, TempCompass, MVBench и TimeBlind. В карточке указана архитектура Qwen3-VL для условной генерации; веса представлены в формате safetensors. Лицензия, размер контекста и поддерживаемые языки в доступных сведениях не приведены.

Qwen3-VL-4B-Thinking-SafeGRPO — мультимодальная модель для работы с изображениями и текстом, созданная дообучением Qwen/Qwen3-VL-4B-Thinking методом GRPO с использованием фреймворка verl. Она предназначена для исследований по настройке безопасности мультимодальных языковых моделей: понимания изображений, рассуждений по визуальному контексту и генерации безопасных ответов. Модель принимает текст и изображения и выдаёт текст; в метаданных указаны архитектура Qwen3-VL и размер 4B в названии базовой модели. Модель рассчитана прежде всего на эксперименты по постобучению и оценке согласования поведения с требованиями безопасности. В README приведены параметры обучения, включая максимальную длину промпта 2048 и ответа 4096 токенов; это параметры обучения, а не подтверждённое значение контекстного окна модели. Поддерживаются сценарии общения с визуальным контекстом. Лицензия — Apache-2.0.