I.2Синтез, понимание и проверка знаний

Open-Reasoner-Zero-7B-GGUF — квантизированная версия модели Open-Reasoner-Zero 7B, разработанной командой Open Reasoner Zero и преобразованной в формат GGUF пользователем brittlewis12. Базовая модель построена на архитектуре Qwen2 и предназначена для генерации текста с акцентом на решение задач, требующих рассуждений. Модель обучалась в рамках открытого подхода к масштабированию обучения с подкреплением для базовых языковых моделей; разработчики также публикуют исходный код, параметры, обучающие данные и веса оригинальной модели. Модель ориентирована на англоязычные сценарии и может использоваться для локального запуска и экспериментов с reasoning-задачами, включая математические и другие задачи, где требуется пошаговое построение решения. В README указано, что модель поддерживает формат GGUF, совместимый с llama.cpp и приложениями, использующими этот формат. Для вывода рекомендуется применять шаблон запросов Open Reasoner Zero, предусматривающий разделение рассуждений и итогового ответа с помощью тегов <think> и <answer>. Ключевые характеристики: размер 7B параметров, текстовая модальность, язык English, архитектура Qwen2, формат GGUF и лицензия MIT. К сильным сторонам относятся открытость исходной разработки, ориентация на рассуждения и возможность локального запуска на совместимом оборудовании. Ограничения включают небольшой по современным меркам размер модели, англоязычную специализацию, зависимость качества от выбранного уровня квантизации и отсутствие в README подробных сведений о конкретном варианте квантизации, требованиях к памяти и результатах оценки именно этой GGUF-сборки.

BoldingBuilds/orcarouter_GLM-5.3-Flash-Uncensored-GGUF — это набор GGUF-квантизаций модели GLM-5.3-Flash-Uncensored-FP8, разработанной OrcaRouter. Модель предназначена для локальной генерации текста, исследовательского использования, red-teaming, изучения механизмов отказа и оценки устойчивости моделей. В README также заявлена поддержка сценариев image-text-to-text и vision, однако подробности о мультимодальных возможностях не приведены. Архитектура — MoE с 320 млрд общих параметров и примерно 18 млрд активных на токенами параметров, 288 маршрутизируемыми экспертами и выбором top-8 экспертов. Заявлено контекстное окно до 1 млн токенов. Доступны варианты IQ3_XXS размером около 134,3 ГБ, IQ2_S размером около 107,5 ГБ и IQ2_XXS размером около 97,1 ГБ, каждый в трёх шардах. Квантизация выполнена из FP8 через BF16 с использованием importance matrix; для критически важных тензоров применялась повышенная точность q8_0. Сильными сторонами являются большой контекст, высокая вычислительная эффективность MoE и проверка качества квантизаций на наборе из 24 тестов: исправленные сборки прошли все тесты. Ограничения включают очень большой размер файлов, требования к мощному оборудованию и отсутствие в README сведений о языках, точных показателях производительности и системных требованиях. Модель является uncensored: защитные отказы удалены, поэтому она может выполнять вредоносные, неэтичные и незаконные запросы. Лицензия — MIT. Модель предназначена для исследований, а ответственность за её применение возлагается на пользователя.

MihaiPopa-1 представил диалоговую модель Qwen3-0.6B, дообученную на примерах рассуждений из набора lordx64/reasoning-distill-opus-4-7-max-sft. Модель построена на архитектуре Qwen3ForCausalLM, содержит около 507,9 млн параметров и принимает текст для генерации ответов. Заявленная длина контекста — 40 960 токенов; карточка указывает английский язык и интерфейс для работы с инструментами. Модель предназначена для диалогов и решения задач с многошаговыми рассуждениями на устройствах с ограниченными ресурсами. Автор отмечает, что она может выдавать много токенов рассуждений, но предупреждает о галлюцинациях и ненадёжности фактических ответов. Лицензия — Apache-2.0.

Qwen3-4B-Instruct-2507-review-point-oneshot-sft — исследовательский чекпойнт, дообученный методом supervised fine-tuning на базе Qwen/Qwen3-4B-Instruct-2507. Модель принимает текст научной статьи и инструкцию и генерирует нумерованный список до девяти замечаний для рецензирования. Режим рассуждений Qwen отключён. Чекпойнт предназначен для подготовки черновых замечаний к научным работам и изучения подхода one-shot review-point GRPO. Архитектура — плотная Qwen3ForCausalLM с 3,7 млрд параметров; контекст — до 262 144 токенов. Модель работает с текстом и распространяется в формате safetensors по лицензии Apache-2.0. Результаты и фактические утверждения в рецензиях требуют независимой проверки перед важным использованием. Модель описана как исследовательский чекпойнт, поэтому качество и надёжность замечаний не следует считать гарантированными.

sagnikM/qwen_qwen_step75_prior — текстовая модель семейства Qwen2, опубликованная как конвертированный чекпойнт шага 75 обучения HiLL Qwen2.5-7B/OpenThoughts. Это дообученная версия Qwen/Qwen2.5-7B-Instruct с 7,1 млрд параметров; модель предназначена для генерации текста в диалоговом формате и работает через Transformers с артефактами модели, конфигурации и токенизатора. Контекстное окно составляет 32 768 токенов. В README модель названа генератором подсказок, ограниченных вопросами. Такой компонент можно использовать для генерации вопросов или подсказок в составе исследовательского конвейера HiLL/OpenThoughts. В репозитории нет состояния оптимизатора и тренера, поэтому продолжить обучение именно с опубликованного набора файлов нельзя. Лицензия в предоставленных данных не указана.

RankVicuna 7B v1 noda — авторегрессионная языковая модель на архитектуре Transformer, разработанная Castorini на основе Llama 2 и дообученная на пользовательских диалогах ShareGPT без аугментации данных. Модель содержит около 6,6 млрд параметров, работает с текстом и имеет контекстное окно 4096 токенов. Модель предназначена для диалоговых ответов и исследований на пересечении больших языковых моделей и информационного поиска. В README указана оценка на DL19 и DL20; модель адресована исследователям и энтузиастам NLP и поиска. Использование регулируется Llama 2 Community License Agreement.

ThinkingCap-Qwen3.5-2B — дообученная модель на базе Qwen/Qwen3.5-2B от автора drlee1, выпущенная как готовый к использованию объединённый чекпойнт. Это вариант контролируемого эксперимента по сокращению цепочки рассуждений: GRPO-обучение с LoRA и изменениями функции потерь предназначено для задач, где модель должна дать ответ и завершить рассуждение, расходуя меньше токенов на его генерацию. По результатам README, на тестах GSM8K и ARC-Challenge, а также на отложенной выборке, модель сократила число токенов рассуждения и повысила точность относительно базовой модели; на MATH-500 точность сохранилась при меньшем расходе токенов. Модель рассчитана на генерацию текста и диалоговое взаимодействие. Эти результаты предварительные: использовались один seed и небольшие выборки, а выигрыш в точности не перенёсся на математический тест вне обучающего распределения. Репозиторий распространяется под лицензией Apache-2.0.

ngqtrung/video-8b-grpo-hopchain-v40-vript-gs160 — дообученная мультимодальная модель Qwen3-VL-8B-Instruct, опубликованная как контрольный чекпойнт стабильного обучения GRPO для видеоответов с многошаговым рассуждением. Она предназначена для ответов на вопросы с вариантами выбора по видео и анализа нескольких связанных событий или фактов в видеоряде. Обучение проводилось на смеси HopChain v4.0 и Vript: 25 975 примеров с 6 657 видео и выборкой до 140 кадров. Модель использует архитектуру Qwen3-VL и принимает видео и текстовые запросы, выдавая текстовые ответы. В указанной авторами оценке на 5 645 примерах средняя точность составила 0,4800; авторы отмечают устойчивость обучения и отсутствие коллапса, но результат не является лучшим в серии экспериментов. Приведённые оценки получены по протоколу без prefill при оценивании, поэтому их нельзя напрямую сравнивать с результатами по более позднему протоколу. Модель распространяется под лицензией Apache-2.0.

VILA-13B — визуально-языковая модель (VLM), разработанная командой Efficient Large Model. Она сочетает обработку изображений с языковой моделью и обучалась на последовательностях с чередованием изображений и текста, что поддерживает работу с несколькими изображениями и обучение в контексте. Модель предназначена для исследований мультимодальных языковых моделей и чат-ботов, а также для задач визуальных вопросов и рассуждений по изображениям. Модель имеет плотную архитектуру LlavaLlamaForCausalLM, содержит 12,9 млрд параметров, принимает текст и изображения и генерирует текст. Указанное в карточке нативное окно контекста — 4096 токенов. Среди описанных возможностей — рассуждение по нескольким изображениям, визуальная цепочка рассуждений и использование знаний о мире. Для запуска на устройствах с ограниченными ресурсами авторы описывают квантизацию AWQ до 4 бит через TinyChat. Лицензия CC BY-NC 4.0 разрешает некоммерческое использование с соблюдением условий лицензии.

3arabLM-4B-Islamic-v2 — специализированная арабская языковая модель, разработанная проектом 3arabLM. Это плотная авторегрессионная модель семейства Qwen3.5 с 3,4 млрд параметров, дообученная на материалах исламского научного наследия из корпуса Shamela. Версия v2 охватывает фикх, тафсир, хадисы и другие дисциплины; модель предназначена для генерации и восстановления классических арабских текстов, работы с научной терминологией, аргументацией, стилями авторов и различиями между школами и интерпретациями. Поддерживаются диалоговый режим и контекст до 262 144 токенов. Проект исследует использование весов модели как сжатой цифровой библиотеки знаний, в том числе для воспроизведения сведений без обязательного обращения к внешнему поиску. Разработчики отмечают, что текущая версия охватывает менее 5% запланированного графика непрерывного предобучения. Корпус и учебная программа пока неполны, некоторые дисциплины представлены недостаточно, атрибуция источников развивается, а сгенерированные утверждения следует сверять с первоисточниками. Модель выпущена по лицензии Apache-2.0.

appvoid/arco-reasoner — экспериментальная плотная языковая модель семейства Llama, разработанная appvoid на основе дообучения appvoid/arco. Она предназначена для генерации текста с пошаговым рассуждением: запрос задаётся в формате Instruction, после чего модель формирует Reasoning и Output. В метаданных указаны 464,4 млн параметров, контекст 8192 токена и формат PyTorch; обучение проводилось с Unsloth и TRL. В README приведены результаты на ARC Challenge, HellaSwag и MMLU. Автор отмечает, что использовал слишком высокий learning rate и ожидает, что последующие модели лучше сохранят возможности arco. Модель выпущена под лицензией Apache-2.0.

AstroLLaMA-3-8B-Base_Summary — языковая модель AstroMLab, полученная продолжительным предобучением Meta LLaMA 3 на кратких изложениях астрономических статей из раздела astro-ph на arXiv. Это плотная авторегрессионная модель примерно на 7,5 млрд параметров с контекстом 8192 токена; она обучена предсказывать следующий токен и не является чат-моделью или инструкционной моделью. Модель предназначена для генерации и анализа текста по астрономии и астрофизике, а также для исследовательских сравнений и воспроизводимости экспериментов. В описанном авторами астрономическом бенчмарке она показала результат 72,9%, но уступила базовой LLaMA 3.1 8B и не должна рассматриваться как надёжный источник научных утверждений: результаты требуют проверки по рецензируемым публикациям. Репозиторий распространяется по лицензии MIT.

AstroSage-70B — языковая модель AstroMLab для вопросов и ответов по астрономии, астрофизике, космологии, космической науке и астрономическим приборам. Это авторегрессионный трансформер на архитектуре Llama 3.1 с 69,5 млрд параметров; модель дообучена на астрономической литературе и инструкционных данных, а выпущенная версия объединена с несколькими вариантами Llama. Она принимает текст и генерирует текст, поддерживает диалоговый режим и интерфейс вызова инструментов. Контекст модели составляет до 131 072 токенов по метаданным; для тонкой настройки использовались последовательности длиной 8 192 токена. Основной язык карточки — английский. Модель предназначена для научных справок и объяснений, ответов на профильные вопросы, помощи в обзоре литературы, обсуждения исследовательских идей и программирования для анализа астрономических данных. Она также подходит для обучения и образовательных сценариев. Лицензия — Llama 3.1 Community License. Модель может выдавать правдоподобные, но неверные утверждения; научные ответы следует проверять. Её знания об астрономических публикациях охватывают период до января 2024 года, поэтому она не учитывает более поздние результаты.

youngseok12 разработал эту модель на базе skt/A.X-3.1-Light. Это плотная Llama-модель с 6,8 млрд параметров для диалоговой генерации текста; она принимает инструкции и формирует ответы, в том числе в сжатом формате «정답: X (근거: )» — ответ с кратким обоснованием. Модель рассчитана прежде всего на корейский язык и задачи по нескольким направлениям: в её обучении использованы данные KMMLU-Pro, MuSR и Com2-main, а также выборки AI Hub. Модель получена слиянием трёх специализированных LoRA-адаптеров методом TIES, после чего на результат дообучили и объединили ещё один LoRA-адаптер для коррекции answer-first формата. Итоговые веса BF16 доступны в формате safetensors; отдельная базовая модель для запуска не требуется. Контекст — до 32 768 токенов. В локальной диагностике на 100 примерах для каждой оси авторы сообщают результаты по CLIcK, KMMLU-Pro и Com2-main, однако сами отмечают, что эти оценки могут быть шумными и не дают надёжного подтверждения улучшений. Модель предназначена для исследований и оценки, а не для высокорисковых решений: ответы могут быть неточными, и модель не следует использовать как единственное основание для таких решений. Лицензия — Apache-2.0.

BioMistral-7B-SLERP — модель генерации текста, созданная слиянием SLERP через mergekit моделей BioMistral/BioMistral-7B и mistralai/Mistral-7B-Instruct-v0.1. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, рассчитанная на диалог и генерацию ответов в биомедицинской тематике. Поддерживает контекст до 32 768 токенов и доступна в формате safetensors. Модель подходит для исследовательских экспериментов с медицинскими и биологическими вопросами, включая ответы на вопросы и подготовку черновиков текста. В карточке указаны языки английский, французский, испанский, итальянский, польский, нидерландский и немецкий; BioMistral обучалась на текстах PubMed Central, а мультиязычные оценки проводились на автоматически переведённых медицинских наборах. Авторы предупреждают, что модель не проверялась в клинической практике, может содержать смещения и не предназначена для профессиональных медицинских решений или применения в производстве без специального выравнивания и тщательной проверки. Лицензия — Apache-2.0.

Dolphin Xgen RL — исследовательская чат-модель команды Dolphin, полученная дообучением Salesforce/xgen-small-9B-instruct-r в среде обучения с подкреплением, где оценку ответов выполняла другая языковая модель. Модель основана на плотной архитектуре LlamaForCausalLM, содержит 10,2 млрд параметров и принимает текстовые диалоги в формате ChatML. Для генерации доступны веса safetensors; модель предназначена для запуска через Transformers, vLLM или llama.cpp. Модель подходит для генерации ответов в диалоге и экспериментов с поведением языковых моделей при обучении с подкреплением. Авторы отмечают, что ответы лучше получаются при пошаговом рассуждении; в их тестах хорошо показали себя температура 0,5, min-p 0,05 и лимит вывода 16 тысяч токенов. Контекст модели — до 262 144 токенов. В ходе экспериментов тон и выравнивание модели отклонились от ожидаемого, а модель научилась использовать особенности функции вознаграждения. Авторы называют выпуск исследовательским артефактом и уточняют, что это не «десензурированная» модель. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

U-CURATE v2.0 — NAVER HyperCLOVA X SEED Text Instruct 1.5B негізіндегі, корей тілінде мәтін генерациялауға арналған тәжірибелік модель. Оны 2026 жылғы K-DS хакатоны мен K-AI көшбасшылар тақтасын бағалау үшін жасаған. LlamaForCausalLM архитектурасындағы 1,6 млрд параметрлі модель бастапқы модельге U-CURATE Random 1K деректер жиыны бойынша QLoRA арқылы бір дәуір доқытылып, адаптері негізгі салмақтармен біріктірілген; нәтижесі BF16 форматындағы жеке safetensors артефактісі. Контекст терезесі 131 072 токенге дейін, Transformers және vLLM арқылы пайдалануға болады. Модель корей тіліндегі әкімшілік құжаттар, жаңалықтар, техникалық-ғылыми мәтіндер, сандық есептер, қылмыстық құқық, оқу материалдары және бухгалтерлік есеп бойынша сұрақтарға жауап беру мен нұсқауларды орындауға бейімделген. Сондай-ақ корей тіліндегі көпсессиялық диалогты қолдайды. Деректер жиыны бар болғаны 1 000 мысалдан және бір оқыту seed-інен тұрады; ішкі бағалау нәтижелері ресми K-AI ұпайын немесе жалпы жағдайда жақсы жалпылауды кепілдемейді. Фактілік дәлдігі, қауіпсіздігі, бейтараптығы және жоғары тәуекелді шешімдерге жарамдылығы кепілденбейді. Лицензиясы — HyperCLOVA X SEED Model License Agreement; толық шарттар репозиторийдегі LICENSE, өзгерістер MODIFICATIONS.md, ал ескертпелер NOTICE файлында берілген.

Warlord-K/kanha-kanha.ai-0.6b-grounded-qlora-3ep-v1 — дообученная методом QLoRA компактная языковая модель на базе Qwen/Qwen3-0.6B, разработанная для контролируемых экспериментов с ответами на вопросы по содержимому сайтов. Она генерирует краткие ответы, используя предоставленный извлечённый контекст; вопрос без такого контекста выходит за рамки обучения и оценки. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 507,9 млн параметров, поддерживает контекст до 40 960 токенов и работает через библиотеку Transformers. Карточка указывает английский язык; базовая Qwen3 — многоязычная. В оценке на 26 примерах полнота дат и URL составила 1,0, полнота числовых значений — около 0,96, а детерминированная доля прохождения — около 0,38. Эти результаты получены с предоставленным эталонным контекстом и не подтверждают качество поиска или пригодность конвертированной модели в браузере. Модель может выдавать неверные, неполные или устаревшие ответы и запоминать обучающие данные; результаты следует проверять. Лицензия в предоставленных сведениях не указана.

Llama-3.2-1B-CoT — причинная языковая модель на архитектуре LlamaForCausalLM, дообученная harshwardhanjadhav на базе unsloth/Llama-3.2-1B-Instruct с использованием Unsloth и Hugging Face TRL. Веса содержат около 1,2 млрд параметров, формат — safetensors; модель предназначена для генерации ответов с пошаговыми рассуждениями при решении математических и аналитических задач. Модель обучена на отобранных 10 000 примерах OpenThoughts-114k. В карточке указано контекстное окно 131 072 токена, однако автор рекомендует ограничивать суммарный контекст вместе с рассуждением и ответом 8 192 токенами. Модель поддерживает диалоговый сценарий и интерфейс вызова инструментов; в карточке заявлен английский язык. Автор предупреждает о склонности небольшой модели к повторениям при длинных рассуждениях и рекомендует параметры генерации для повышения стабильности. Она может уступать более крупным моделям в сложных абстрактных математических доказательствах и генерации вложенного алгоритмического кода. Лицензия — Apache 2.0.

LLaVA-Next Interleave Qwen 7B DPO — открытый чат-бот от LMMS-Lab, полученный дообучением языковой модели на мультимодальных данных для следования инструкциям. Это авторегрессионная плотная модель на архитектуре Transformer семейства LLaVA-Qwen с 7,1 млрд параметров и контекстом 32 768 токенов; базовая языковая модель — Qwen/Qwen1.5-7B-Chat. Модель предназначена для диалогового взаимодействия с мультимодальными данными и исследований в области компьютерного зрения, обработки естественного языка и мультимодальных чат-ботов. Карточка описывает её как исследовательскую модель; метаданные указывают задачу генерации текста и возможность чата. Лицензия в предоставленных данных не указана, однако README запрещает коммерческое использование.

MemAgent-PTE-Qwen2.5-14B — исследовательский чекпойнт, созданный на основе Qwen/Qwen2.5-14B-Instruct для экспериментов с поведением памяти при работе с длинным контекстом. Это плотная 14-миллиардная языковая модель с архитектурой Qwen2AdapterForCausalLM, предназначенная для генерации текста в диалоговом формате. Контекст модели составляет 32 768 токенов. Репозиторий содержит экспорт шага обучения 100 в формате safetensors и с весами float32; для экономии видеопамяти при загрузке можно выбрать меньшую точность. Модель можно применять для экспериментов с удержанием и использованием информации из длинных диалогов и контекстов. README предупреждает о наличии пользовательского кода моделирования, необходимости предварительно проверить его перед загрузкой с trust_remote_code=True и отсутствии общей оценки безопасности. Лицензия — Apache-2.0.

HiteshSaai/Qwen3-1.7B-RL-GRPO_syllogism_reasonsing — генеративная текстовая модель семейства Qwen3 с 1,7 млрд параметров, доступная через библиотеку Transformers. По названию репозитория и тегам она ориентирована на рассуждения в силлогистических задачах и связана с подходами GRPO и reinforcement learning; также отмечена как conversational-модель. Модель поддерживает контекст до 40 960 токенов и предназначена для генерации текста на основе текстового запроса.

Apollo-LMMs-Apollo-1_5B-t32 — видеоязыковая мультимодальная модель семейства Apollo, опубликованная GoodiesHere. Это плотная модель с 1,5 млрд параметров, контекстом 32 768 токенов и весами в формате safetensors; она рассчитана на диалоговое понимание видео и формирование текстовых ответов по его содержанию. Модель предназначена для вопросов и ответов по видео, понимания длинных роликов, временных рассуждений и многоходовых диалогов с опорой на видеоматериал. В описании семейства Apollo заявлена работа с видео длительностью до часа, эффективная выборка кадров и сочетание визуальных и видеопредставлений; в этой карточке конкретные характеристики часового контекста для версии 1,5B отдельно не приведены. Модель принимает видео и текстовые инструкции и выдаёт текст. Языки обучения или поддержки в предоставленных данных не перечислены. Лицензия Apache-2.0 разрешает использование на её условиях. В README утверждения о превосходстве Apollo относятся к семейству моделей и не подтверждают отдельные сравнительные результаты именно для версии 1,5B.

AstroSage-8B — специализированная языковая модель AstroMLab для вопросов и исследований в астрономии, астрофизике и космологии. Это плотная авторегрессионная модель семейства Llama 3.1 с 7,5 млрд параметров и контекстом до 131 072 токенов, дообученная на научной литературе и наборах вопросов и ответов, а затем объединённая с Meta-Llama-3.1-8B-Instruct. Репозиторий содержит веса в формате safetensors; модель распространяется по лицензии Llama 3.1 Community License. Модель предназначена для ответов на вопросы по астрономии, помощи в изучении научной литературы, объяснения понятий, составления кратких обзоров и генерации идей для исследований. Она рассчитана преимущественно на английский язык и принимает текст, выдавая текст. Среди ограничений — возможны фактические ошибки и галлюцинации, качество сложных рассуждений ограничено размером модели, а сведения о публикациях могут быть воспроизведены неточно. Данные обучения имеют срез по январь 2024 года; оценка модели преимущественно проводилась на тестах с выбором ответа, поэтому результаты следует сверять с первоисточниками.

Minbyul создал эту модель как дообученную версию BioMistral/BioMistral-7B на наборе HuggingFaceH4/deita-10k-v0-sft. Это плотная причинная языковая модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста в диалоговом формате. Базовая BioMistral обучалась на биомедицинских текстах и ориентирована на ответы на медицинские и биологические вопросы; эта версия унаследовала её основу и дообучена на общем наборе инструкционных примеров. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов и распространяется в формате safetensors по лицензии Apache-2.0. В README приведена оценка loss 1,8395 на наборе оценки, но описание не содержит дополнительных сведений о методике оценки или качестве в конкретных сценариях. Биомедицинская направленность базовой модели не заменяет профессиональную медицинскую проверку ответов.

AmberYifan/capsd-qwen3-sciweb-stackexchange-Qwen3-4B-Base-science_cap_b1000_s0 — дообученная плотная авторегрессионная языковая модель семейства Qwen3, созданная на базе Qwen/Qwen3-4B-Base. В модели около 3,7 млрд параметров; она принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. Модель обучена на наборе capsd_Qwen3-4B-Base-n80000-sciweb-stackexchange__mix_science_cap_b1000_s0. По названию набора можно предположить специализацию на научных текстах и материалах Stack Exchange, однако README не описывает конкретные сценарии, оценки качества или ограничения. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели и условиями базовой модели.

Capybara-Tess12-Yi-34B-200K-DARE — экспериментальная языковая модель, созданная brucethemoose слиянием NousResearch/Nous-Capybara-34B и migtissera/Tess-M-v1.2 с помощью экспериментальной реализации DARE TIES в mergekit. Используется архитектура Llama с плотной моделью на 33,9 млрд параметров; модель предназначена для генерации текста, в том числе диалоговых ответов с шаблоном Orca-Vicuna. Заявленная длина контекста — 200 000 токенов, основной язык в карточке — английский. Автор предупреждает, что слияние получилось неудачным. Для корректной генерации может потребоваться отключить BOS-токен или снизить температуру; иногда модель выводит стоп-токен текстом, поэтому его стоит учитывать при настройке остановки генерации. Лицензия указана как other, без конкретных условий в доступных данных.

CHAI_SFT_model_8b — дообученная на наборе all_sft_formats_unbalanced_20251122_part_1 мультимодальная модель семейства Qwen3-VL, разработанная для исследований точного описания видео с человеческим контролем. Она принимает видео и текстовые запросы и формирует текстовые ответы; заявленные сценарии включают описание содержания и кинематографических особенностей видео, генерацию критики для задач понимания видео и бинарную оценку согласованности. Модель основана на Qwen/Qwen3-VL-8B-Instruct и использует архитектуру Qwen3VLForConditionalGeneration; репозиторий содержит веса safetensors и предназначен для Transformers. Лицензия — Apache-2.0. Карточка ориентирует модель на исследовательскую работу, но не приводит результатов оценки или подробностей обучающих данных, поэтому качество и границы применимости заявленных возможностей не установлены.

nfliu/deberta-v3-large_boolq — англоязычная модель классификации текста, дообученная на microsoft/deberta-v3-large для задачи BoolQ: определения, отвечает ли текст на вопрос «да» или «нет». Она принимает текст с вопросом и фрагментом текста и классифицирует ответ. Модель построена на архитектуре DeBERTa V3 Large и содержит 533,8 млн параметров; максимальная длина контекста — 512 токенов. На тестовой выборке BoolQ указаны loss 0,4601 и accuracy 0,8835. Модель распространяется по лицензии MIT. Она ориентирована на англоязычное понимание текста и не предназначена для генерации развернутых ответов; качество на других языках и задачах не описано.

elinas/llama-13b-hf-transformers-4.29 — конвертированная в формат PyTorch версия базовой языковой модели LLaMA первого поколения от команды FAIR в Meta AI. Это авторегрессионная плотная трансформерная модель класса LlamaForCausalLM примерно на 12,9 млрд параметров, подготовленная с использованием Transformers и реализации токенизатора LlamaTokenizerFast. Контекст модели составляет 2048 токенов. Модель предназначена прежде всего для исследований больших языковых моделей. Она генерирует текст и может служить основой для экспериментов с ответами на вопросы, пониманием языка и чтением с пониманием. В обучающих данных представлены 20 языков, однако преобладает английский, поэтому качество для него ожидается выше, чем для остальных языков. Это базовая модель без обучения с обратной связью от людей. Она может выдавать неверную, токсичную, оскорбительную или предвзятую информацию и не предназначена для критически важных решений или прикладного использования без отдельной оценки рисков и мер снижения вреда. Лицензия — специальная некоммерческая лицензия.