I.2Синтез, понимание и проверка знаний

Hermes-Trismegistus-Mistral-7B — англоязычная инструктивная модель для эзотерических, оккультных и духовных тем, выпущенная teknium. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; она дообучена на teknium/OpenHermes-2.5-Mistral-7B-v0.1. По карточке, обучение включало около 10 тысяч синтетических примеров, сгенерированных GPT-4, охватывающих разные задачи и знания в указанных темах. Модель предназначена для инструктивных ответов и диалогов об эзотерике, оккультизме и духовных практиках. Авторы заявляют об улучшении таких ответов и общих способностей относительно более ранней версии Trismegistus, обученной поверх базовой Mistral; количественных бенчмарков карточка не приводит. Репозиторий содержит веса PyTorch, лицензия — Apache 2.0. Карточка не приводит независимых оценок качества и отмечает, что духовные и эзотерические задачи трудно оценить стандартными бенчмарками. Данные обучения синтетические и примерно 10 тысяч примеров; ответы по чувствительным или значимым для пользователя вопросам в этих областях требуют критической проверки.

fpadovani/hin-deva-100mb-ppt-shuff-dyck-10mb_seed455 — дообученная с помощью TRL модель семейства GPT-2 на базе goldfish-models/hin_deva_100mb. Она предназначена для генерации текста; в карточке приведён пример ответа на вопрос в формате диалога. Контекст модели составляет 512 токенов. Модель распространяется в формате safetensors. Метаданные и карточка не сообщают о её качестве, специализации или лицензии, поэтому надёжность ответов и условия использования по лицензии определить нельзя.

HTDN — экспериментальная языковая модель, разработанная на основе пользовательской архитектуры с рекуррентным слоем динамики и причинным self-attention, RoPE и SwiGLU. Она обучалась на арабских данных из нескольких источников в потоковом режиме и предназначена для генерации текста на арабском языке. Модель содержит около 181,1 млн параметров по метаданным; в README указана оценка около 350 млн. Она использует JAX/Flax и хранится в формате safetensors. Архитектура нестандартна для Transformers, поэтому модель нельзя напрямую загрузить через AutoModel.from_pretrained; для восстановления весов приложен код модели. Лицензия — Apache-2.0. Авторы характеризуют результаты как предварительные и модель как экспериментальную.

hyb16-mix-s0 — небольшая исследовательская языковая модель Berlm для сравнения способов обработки длинного контекста. В метаданных указана архитектура GDN2ForCausalLM и 290,7 млн параметров; README описывает вариант на 365,8 млн параметров с 24 слоями, сочетающий GDN2, скользящее внимание с окном 2048 токенов и полное внимание. Модель обучена с нуля на 15 млрд токенов FineWeb-Edu, контекст при обучении составлял 16 384 токена; используется токенизатор Llama 2. Основной язык по карточке — английский. Модель предназначена для генерации текста и экспериментов со смешанными механизмами внимания на длинных последовательностях. В тестах её короткоконтекстные результаты сопоставимы с родственными вариантами, однако точность извлечения фактов из длинного контекста резко падает за пределами окна 2048 токенов. Это базовая, не настроенная на инструкции и безопасность модель; она может выдавать ошибки или оскорбительный текст. Для запуска нужны CUDA GPU, зависимости из README и загрузка кода модели с trust_remote_code=True. Лицензия — MIT.

HyperCLOVA X SEED Think-14B Correct-Only TIES — языковая модель на 14,1 млрд параметров, разработанная автором репозитория на основе naver-hyperclovax/HyperCLOVAX-SEED-Think-14B. Это самостоятельная BF16-модель в формате safetensors: три LoRA-адаптера, независимо дообученные методом SFT на отобранных примерах, объединены методом TIES. Для диалогов используется исходный шаблон чата базовой модели; заявленная длина контекста — 131 072 токена. Модель предназначена для генерации ответов и исследовательской оценки эффектов обучения на корректных ответах и слияния специализированных моделей. Три направления обучения охватывают вопросы по медицинским знаниям, числовые задачи из экономики и спорта, а также причинно-следственные рассуждения. Обучающие данные отбирались из AI Hub: в сумме использовано 1 223 примера, на которых базовая модель отвечала правильно. Репозиторий сообщает о проверке весов на NaN/Inf и успешной генерации на 24 тестовых примерах, но не приводит результатов бенчмарков. Поэтому эти проверки подтверждают загрузку и базовую работоспособность, но не качество ответов на прикладных задачах. Лицензия указана как other; конкретные условия использования в карточке не раскрыты.

HyperCLOVA X SEED Think-14B KL-Grammar — корейскоязычная плотная авторегрессионная модель на 14,1 млрд параметров, разработанная автором репозитория на основе HyperCLOVA X SEED Think-14B. Она дообучена методом LoRA на отобранных заданиях по корейской грамматике и объединена с базовой моделью в самостоятельный BF16-чекпойнт Safetensors. Для сохранения исходных навыков в обучающую выборку также включили примеры по медицинской тематике. Модель предназначена для генерации ответов на корейском языке, в частности выбора правильного варианта в заданиях по грамматике: частям речи и морфемам, фонологии и орфографии, предложениям и речевым уровням вежливости. В карточке указан контекст 131 072 токена; обучение проводилось с максимальной длиной последовательности 1 024 токена. Автор сообщает о небольшом улучшении по пяти локальным осям для этой комбинации модулей и скорости обучения, однако это экспериментальный результат, а не гарантия качества. Лицензия — NAVER HyperCLOVA X SEED 14B Think Model License Agreement; следует также учитывать условия использования исходных данных AI Hub. Модель предназначена для исследований и оценки, точность ответов не гарантируется.

IceBERT-igc — модель для исландского языка, обученная Miðeind на архитектуре RoBERTa-base с помощью fairseq. Она предназначена для заполнения пропусков в тексте: модель предсказывает подходящий токен в позиции, отмеченной как маскированная. Обучающая выборка включала Icelandic Gigaword Corpus v20.05 объёмом 8,2 ГБ и 1,388 млрд токенов. Модель содержит 151,6 млн параметров и поддерживает контекст длиной до 514 токенов. IceBERT-igc подходит для языковых задач на исландском, где нужно восстанавливать пропущенные слова или получать контекстные представления токенов. Это маскированная языковая модель, поэтому она не предназначена для свободной генерации длинных текстов. Лицензия — CC BY 4.0.

IncorrectTraceSFT · AIME2024 correct — полноценно дообученная модель suryadv на базе Qwen2.5-7B для генерации текста и математических рассуждений. Это чекпойнт условия aime24_correct_3000 из эксперимента «How Should Incorrect Traces Be Used in Supervised Fine-Tuning?»; обучение проводилось в BF16, итоговый чекпойнт сохранён после 188 обновлений оптимизатора. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2 для причинной генерации текста и имеет контекст 131 072 токена. Модель предназначена для исследования математического решения задач и влияния отбора данных SFT; карточка описывает оценку на задачах AIME 2024. Она принимает текстовые запросы и генерирует текстовые ответы, поддерживает английский язык и чатовый формат. Наличие правильных итоговых ответов в обучающих данных не означает, что промежуточные рассуждения проверены; исследовательское определение ID/OOD в работе относится к знакомству с задачами относительно SFT и не описывает возможное присутствие задач в предобучении. Распространяется по лицензии Apache-2.0.

ayousanz/japanese-mistral-150m-recipe — дообученная языковая модель семейства Mistral с архитектурой MistralForCausalLM и примерно 126,2 млн параметров. Модель предназначена для генерации текста; в обучающих данных использовалась японская версия Wikipedia за сентябрь 2023 года. Для модели указан контекст до 2048 токенов и формат весов safetensors. В карточке приведено значение loss 8,3607 на оценочном наборе, однако описание модели и её целевого применения отсутствует. Лицензия не указана в предоставленных данных.

Warlord-K/kanha-incidentio-incidents-1.7b-qlora-v1 — дообученная методом QLoRA модель на базе Qwen/Qwen3-1.7B, разработанная для контролируемой оценки ответов на вопросы по сайту Kanha и сравнения методов обучения на одном наборе данных, полученном с сайта. Это плотная языковая модель с архитектурой Qwen3ForCausalLM, 1,7 млрд параметров и контекстом до 40 960 токенов; она принимает текст и генерирует текст. Карточка указывает английский язык. Обучающий набор содержал 276 записей, проверочный — 33, отдельного тестового набора не было. В опубликованной оценке полнота извлечения дат, списков, чисел и URL составила 1,0, но детерминированная доля успешных ответов — 0,0, а все ответы требовали проверки. Поэтому модель подходит для контролируемых экспериментов и оценки ответов на вопросы по материалам сайта, но не подтверждена для прямого использования в пользовательских сценариях. Возможны неверные, неполные или устаревшие ответы и запоминание обучающих данных. Веса опубликованы в формате safetensors, также доступны артефакты MLC с квантизацией q4f16_1. Лицензия в предоставленных данных не указана.

Kimi-K3-REAP-448experts — производный исследовательский чекпойнт на основе moonshotai/Kimi-K3, подготовленный автором репозитория посредством удаления половины маршрутизируемых экспертов в слоях MoE. Веса представлены в safetensors и предназначены для генерации текста. Калибровочный корпус включал китайский язык; в описанных автором пробах модель отвечала на китайские запросы связно, однако это субъективное наблюдение по небольшому числу примеров. Автор сообщает о пробном использовании чекпойнта в агентном цикле с вызовами инструментов и валидным структурированным JSON, но систематической оценки качества не проводилось. После удаления экспертов не выполнялось восстановительное обучение, поэтому ожидается ухудшение относительно исходной Kimi-K3, а её опубликованные результаты к этому чекпойнту неприменимы. Мультимодальный путь и башня зрения не проверялись; лицензия указана как other, без дополнительных условий в предоставленных данных.

KoHRM-Text-1.4B-GGUF — это набор квантизированных GGUF-версий модели KoHRM-Text-1.4B от LLM-OS-Models. Модель предназначена для генерации текста и поддерживает корейский и английский языки. Она использует нестандартную архитектуру hrm_text с рекуррентной структурой H/L; экспортированные веса организованы как H: 16 и L: 16. Доступны варианты BF16, Q8_0, Q6_K, Q5_K_M, Q4_K_M, Q3_K_M и Q2_K размером примерно от 569 МБ до 2,6 ГБ. Модель ориентирована на локальный запуск и текстовые сценарии, включая вопросы и ответы на корейском языке, в частности простые финансовые запросы. В GGUF-метаданных заданы циклы h_cycles=2 и l_cycles=3; их уменьшение может ускорить генерацию, но часто снижает качество. В документации приведён пример работы на CPU через модифицированный llama.cpp: для стандартного upstream llama.cpp, Ollama, LM Studio и других обычных GGUF-фронтендов поддержка архитектуры пока отсутствует, поэтому требуется специальный патч runtime. Указанный тест на CPU показал скорость генерации около 5 токенов в секунду для Q8_0, но это качественный пример, а не полноценный бенчмарк. Сильной стороной модели является возможность запуска в различных вариантах квантизации на локальном оборудовании. Ограничения включают необходимость использовать patched llama.cpp, нестабильное следование инструкциям и то, что публичный checkpoint является моделью на стадии rolling pretraining, а не финальной chat/SFT-моделью. Контекстный размер в представленном README явно не указан. Модель и GGUF-экспорты распространяются по лицензии Apache-2.0.

Диалоговая языковая модель jayuspurnomo для генерации ответов на юридические запросы. Это дообученная версия jayuspurnomo/legal-chatbot-qwen2.5-1.5b-sft на архитектуре Qwen2, разработанная с использованием Unsloth и библиотеки TRL. Модель содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для общения на юридические темы и генерации текстовых ответов. В карточке не описаны конкретные юрисдикции, обучающие данные или результаты оценки качества, поэтому ответы требуют проверки специалистом. Лицензия — Apache 2.0.

LittleLearner 1.3B Chatty — разговорная модель семейства Qwen3, разработанная в рамках исследования LittleLearner. Она предназначена для диалога, выполнения инструкций и решения задач уровня K–5, включая математические задачи с пошаговым рассуждением. Обучение на корпусе, отфильтрованном по материалам начальной школы США, задаёт ограниченную область знаний; поведенческая донастройка добавляет общий чат, идентичность модели и управление форматом ответа. Модель имеет плотную архитектуру Qwen3ForCausalLM и около 1,4 млрд параметров. Она принимает текст и генерирует текст, поддерживает английский язык и контекст до 4096 токенов. В оценке MathCAMPS показала pass@1 24,0 и pass@64 67,3; в поведенческих пробах лучше следовала инструкциям о формате ответа, заданным системным сообщением, чем инструкциям в пользовательском сообщении. Лицензия указана как other, поэтому перед использованием следует проверить условия в репозитории модели.

Модель chargoddard/llama2-22b-blocktriangular — экспериментальная языковая модель на архитектуре Llama с 21,6 млрд параметров. В README указано, что она похожа на llama2-22b, но создана с параметром BLOCK_DIAGONAL=false при слиянии и обучалась на удвоенном числе токенов дообучения. Репозиторий содержит веса PyTorch, задача модели — генерация текста, а контекст составляет около 4 098 токенов. Автор позиционирует модель как основу для дальнейшего дообучения и слияния, а не для непосредственного использования. В README приведены результаты Open LLM Leaderboard: среднее значение 46,86, ARC — 58,28 и HellaSwag — 82,69; полный набор результатов здесь не представлен. Датасет в метаданных — RedPajama-Data-1T-Sample. Условия лицензии в предоставленных сведениях не указаны.

Это инструкционно настроенная на турецкие юридические вопросы модель newmindai на базе Meta Llama 3.1 8B Instruct. Её обучили на наборе newmindai/EuroHPC-Legal, содержащем вопросы и ответы по разным областям турецкого права, в рамках проекта по оценке обучения с плавающей точкой FP8. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 131 072 токенов; поддерживает диалоговую генерацию текста на турецком языке. При обучении использовалась динамическая построчная квантизация FP8 E4M3 для входов, весов и градиентов, но итоговые веса сохранены в bfloat16. В описании эксперимента сообщается об ускорении обучения примерно на 19,87% относительно базового BF16-варианта на H100 при стабильной сходимости. Модель предназначена для ответов и рассуждений по вопросам турецкого права, однако её ответы могут содержать ошибки и предвзятость и не заменяют консультацию юриста. Модель распространяется по лицензии Llama 3.1; README ограничивает её применение исследованиями и разработкой и требует учитывать нормы защиты данных и отраслевые требования.

Manaca-1B-Base-i1-GGUF — набор квантизированных версий базовой языковой модели menezesbruno/manaca-1b-base, подготовленный mradermacher. Модель ориентирована на обработку и генерацию текста на португальском языке, включая бразильский вариант Portuguese (pt-BR). Она предназначена для локального запуска задач продолжения текста и других сценариев causal language modeling, где важны компактный размер и умеренные требования к ресурсам. Исходная модель связана с библиотеками Transformers и архитектурными подходами LLaMA и Megatron-LM; точное число параметров указано в названии как примерно 1 миллиард. В набор входят GGUF-файлы с imatrix-квантизацией различных уровней — от IQ1_S до Q6_K — размером приблизительно от 0,5 до 1,5 ГБ, а также файл imatrix для создания собственных квантов. Более низкие уровни квантизации экономят память, но могут заметно снижать качество; в README отдельно отмечены предпочтительные варианты Q4_K_M и Q4_K_S, а также преимущества некоторых IQ-квантов. Длина контекста, поддерживаемые модальности помимо текста и дополнительные языки не указаны. Пригодность модели определяется прежде всего поддержкой португалоязычной генерации и возможностью запуска на ограниченных ресурсах, однако это базовая, а не инструкционная модель, поэтому её поведение в диалогах и выполнение сложных указаний не гарантируются. Модель обучалась с использованием наборов данных TucanoBR/GigaVerbo и Wikimedia Wikipedia. Указанная лицензия — CC BY 4.0.

MBZUAI/MediX-R1-30B-GGUF — квантизированная версия медицинской мультимодальной модели MediX-R1-30B, разработанная Mohamed Bin Zayed University of Artificial Intelligence (MBZUAI), ОАЭ. Модель предназначена для медицинских задач с открытыми текстовыми ответами, включая клиническое рассуждение, анализ медицинских изображений и ответы по сочетанию текста и изображений. Она ориентирована на сценарии, где недостаточно выбора готового варианта ответа и требуется содержательное, интерпретируемое объяснение. Модель относится к vision-language MLLM, поддерживает обработку текста и изображений и основана на MediX-R1-30B; в метаданных также указана связь с архитектурой Qwen3-VL. Размер исходной модели — 30B параметров, а данный вариант распространяется в формате GGUF с квантизацией. Заявленный язык — английский. Контекстное окно и точный тип квантизации в предоставленных данных не указаны. MediX-R1 обучалась с применением Group-Based Reinforcement Learning и составной системы вознаграждений, учитывающей точность, семантическое соответствие, соблюдение формата и распознавание модальности. По данным разработчиков, 30B-версия получила средний результат 73,6% на медицинских бенчмарках и показала высокую эффективность на открытых клинических задачах. Ограничения включают медицинскую специализацию, английский язык и необходимость учитывать возможные ошибки модели; её ответы не следует использовать как замену квалифицированной медицинской диагностике или консультации. Лицензия — CC BY-NC-SA 4.0, допускающая использование при соблюдении условий лицензии, включая некоммерческий характер и распространение производных материалов на тех же условиях.

MiMo-V2.6-Distill-Qwen-9B-Ablitrated — выпущенная Hikari07jp модификация MiMo-V2.6-Distill-Qwen-9B от XiaomiMiMo. Это плотная модель семейства Qwen 3.5 с архитектурой Qwen3_5ForConditionalGeneration и 9,41 млрд параметров; карточка Hugging Face указывает задачу image-text-to-text и возможности чата и работы с изображениями. Доступен чекпойнт BF16 в формате safetensors; лицензия — MIT. Веса изменены методом abliteration: автор описывает удаление направления отказа в нескольких слоях MLP, без runtime-хуков, дополнительных ключей чекпойнта, LoRA или квантизации. Модель предназначена для диалогового использования и экспериментов с поведением отказов; заявлены измерения на тестах удаления фраз отказа и сохранения части возможностей родительской модели. Английский и японский упоминаются в результатах проверки, но полноценная языковая поддержка ими не установлена. По аудиту автора, устранение фраз отказа чаще приводит к уклончивым ответам, а не к выполнению запроса; часть ответов может быть не по теме или несвязной. Включённый режим thinking и обработка изображений не измерялись. Автор рекомендует использовать BF16: квантизация ухудшает результаты проверок возможностей.

Mini-K3-1H-mamba2-n64-g8-v1_C — текстовая исследовательская модель семейства Mini-K3, обученная разработчиками репозитория как экспериментальная абляция архитектуры. В девяти слоях KDA-миксеры заменены на Mamba-2/SSD; четыре слоя Gated MLA с режимом NoPE, Stable LatentMoE, остаточные связи Block-4, токенизатор и языковая голова сохраняют дизайн базовой Mini-K3-1H. Модель содержит 385,9 млн параметров по метаданным, имеет 13 декодерных слоёв и заявленный контекст 131 072 токена. Это предобученный чекпойнт для генерации текста и исследования сочетания Mamba-2 и MLA в архитектуре Mini-K3. Он обучен на 16 млрд целевых токенов, но не прошёл дообучение для следования инструкциям и не позиционируется как диалоговый помощник. README описывает проверку изоляции документов при обучении; при обработке упакованных документов возможны небольшие численные различия в пределах 0,03125. Репозиторий содержит веса Safetensors и файлы конфигурации, архитектуры и токенизатора. Метаданные указывают библиотеку PyTorch. Это небольшой исследовательский прокси-чекпойнт: авторы предупреждают, что результаты при данном размере, составе данных и длине обучающих последовательностей 8 192 токена требуют подтверждения перед переносом выводов на полноразмерную Kimi-K3 или другие системы Mamba. Сведения о лицензии в предоставленных данных отсутствуют.

Mistral-Astronomy-7b-v0.2 — специализированная языковая модель Phanerozoic для ответов на вопросы по астрономии. Это плотная авторегрессионная модель MistralForCausalLM на 7,1 млрд параметров, дообученная на базе OpenHermes 2.5-Mistral-7B. Она принимает текстовые запросы и генерирует текстовые ответы; нативная длина контекста составляет 32 768 токенов. В карточке описано около 2500 пар вопросов и ответов, подготовленных на основе учебника Astronomy 2e от OpenStax; модель рассчитана прежде всего на англоязычное общение. Модель предназначена для объяснения астрономических понятий и ответов на вопросы о явлениях и актуальных темах астрономии. По результатам сравнительного тестирования она может давать подробные и содержательные объяснения, но хуже справляется со сложными и протяжёнными математическими выражениями и не подходит для точных количественных расчётов. За пределами астрономии качество может быть ниже, чем у базовой модели. Лицензия модели — CC BY 4.0.

Naija-Petro 8B — специализированная языковая модель проекта Naija-Petro, разработанная Shinzmann для ответов на технические вопросы по нефтегазовой инженерии. Это дообученная методом QLoRA модель Qwen3-8B с архитектурой decoder-only causal LM и примерно 7,6 млрд параметров. Она рассчитана на англоязычные запросы и поддерживает контекст до 40 960 токенов. Модель объясняет понятия, уравнения и рабочие процессы в бурении, разработке месторождений, добыче, заканчивании скважин, увеличении нефтеотдачи, испытании скважин и нефтяной геонауке. Её можно применять как учебный помощник, для поддержки инженерных решений и как основу для RAG-ассистентов или дальнейшего дообучения. По карточке, ответы могут быть структурированными и учитывать уравнения и единицы измерения, но надёжных численных оценок качества пока нет. Обучающие данные преимущественно синтетические и отражают общие мировые знания о нефтяной отрасли. Модель может уверенно ошибаться, особенно в численных деталях и сведениях о регулировании, экономике и организациях Нигерии; для актуальных и локальных фактов рекомендуется использовать RAG с проверяемыми источниками. Её не следует применять для автономных, критически важных для безопасности или финансовых решений. Лицензия — Apache-2.0.

NeoMME-800M-Pretrain-predecay-s450000 — контрольная точка предварительного обучения модели NeoMMEForMaskedLM, опубликованная Hcompany. Она сохранена на шаге 450 000 из 500 000, перед фазой снижения скорости обучения, и предназначена для продолжения предобучения. Архитектура плотная, число параметров по метаданным — 1,1 млрд, длина контекста — 16 384 токена. Модель рассчитана на мультиязычные входные данные и задачу восстановления замаскированных токенов; для продолжения обучения можно использовать Transformers, а исходное состояние оптимизатора требует собственного формата NeoMME. Файлы весов представлены в safetensors. Лицензия — Apache-2.0.

Nordic GPT2--wikipedia — авторская GPT-2-подобная языковая модель, обученная на североевропейских языковых разделах набора Wikipedia40B. Модель создана с помощью Flax и JAX в рамках серии экспериментов Hugging Face Flax/JAX Challenge; архитектура — плотная GPT-2 с головой для авторегрессионной генерации текста. Модель предназначена для продолжения текста и генерации текста на шведском языке по короткой текстовой подсказке. Её можно применять для экспериментов с языковым моделированием и генерацией энциклопедического текста. Контекст составляет 1024 токена. Доступны веса в форматах Flax, PyTorch и safetensors. Лицензия в предоставленных данных не указана.

NuminaMath 72B CoT — языковая модель для решения математических задач, разработанная командой AI-MO. Это плотная авторегрессионная модель семейства Qwen2 с 71,5 млрд параметров, дообученная на датасете AI-MO/NuminaMath-CoT, содержащем более 860 тысяч пар задач и решений. Модель обучена генерировать решения с рассуждениями по шагам (Chain of Thought); эта версия соответствует первому этапу обучения серии NuminaMath. Модель предназначена для решения задач математических соревнований и генерации подробных решений на английском языке. Её можно использовать для разбора условий, построения пошагового решения и помощи в подготовке к соревнованиям. Контекстное окно составляет 131 072 токена. Лицензия указана как Tongyi Qianwen. По данным карточки, при жадном декодировании модель решает задачи уровня AMC 12, но часто затрудняется с задачами AIME и математических олимпиад. Она также слабо справляется с геометрией и не предназначена для общего диалога; модель работает с текстом и не принимает изображения.

OceanGPT-basic-14B-v0.1 (OceanGPT-14B-v0.1) — языковая модель команды ZJUNLP для задач океанологии. Она дообучена на базе Qwen1.5-14B на двуязычном наборе данных по тематике океана и предназначена для ответов на вопросы и диалоговых сценариев в этой области. Модель использует архитектуру Qwen2 с плотной causal language model, содержит 13,4 млрд параметров и поддерживает контекст до 32 768 токенов. Она принимает и генерирует текст, поддерживает китайский и английский языки. Модель подходит для исследовательской работы с вопросами по океанологии и для диалогового изучения предметной области. Карточка предупреждает о возможных галлюцинациях, нестабильности ответов при разных попытках и ограниченных возможностях симулированного воплощённого интеллекта; идентичность модели также может быть непоследовательной. Лицензия — MIT.

Oculora — мультимодальная модель для офтальмологии, разработанная на базе Qwen2.5-VL-7B-Instruct. Модель содержит 7,1 млрд параметров и дообучена в три этапа: на 1,33 млн пар изображение–текст, 360 тыс. офтальмологических инструкций и с помощью риск-ориентированной оптимизации DAPO. Она принимает изображения и текст, а ответы формирует в текстовом виде; заявленная длина контекста — 128 000 токенов. Модель предназначена для исследований в области офтальмологических VLM, ретроспективной оценки на обезличенных данных, визуальных вопросов и ответов, подготовки офтальмологических отчётов и консультационных ответов по клиническому контексту и снимкам. Карточка сообщает об оценке на семи типах изображений и более чем 300 офтальмологических состояниях, а также о результатах на внутренних и внешних тестах. Лицензия — Apache-2.0. Oculora не является медицинским устройством и не одобрена регуляторами. Её ответы могут быть уверенными, но ошибочными, поэтому каждое клиническое утверждение требует проверки офтальмологом; модель нельзя использовать для диагностики, сортировки пациентов или выбора лечения. Поведение на иных модальностях, популяциях, языках и изображениях низкого качества не оценено; возможны смещения обучающих данных и слабая работа с редкими заболеваниями и недостаточно представленными группами.

OELLM 9B 256K SFT — экспериментальный контрольный чекпойнт OpenEuroLLM, созданный полным BF16 дообучением с учителем модели Qwen3 на базе openeurollm/oellm-9b-256k-theta64m-prelude. Это плотная языковая модель примерно на 8 млрд параметров с контекстом до 262 144 токенов; веса опубликованы в формате safetensors. Модель предназначена для проверки того, помогает ли дообучение на инструкциях и диалоговых примерах добавить базовое поведение чат-ассистента, сохранив возможности длинного контекста. Это первый этап SFT, а не последующая версия с оптимизацией SimPO. Чекпойнт подходит для экспериментальных диалогов, следования инструкциям, математических запросов и ограниченных проверок извлечения сведений из длинного контекста. В обучающую смесь вошли англоязычные инструкции и математические примеры, а также синтетические инструкции на европейских языках. Для работы с длинным контекстом около 256K требуется несколько GPU из-за объёма KV-кэша. Лицензия — Apache-2.0. Это не готовый к эксплуатации ассистент и не специализированная модель рассуждений. Широкое понимание длинных документов не подтверждено: оценка длинного контекста ограничена тестами извлечения отдельных значений. Модель может ошибаться при копировании случайных строк, соблюдении формата, фактических ответах, рассуждениях и грамматической коррекции; полноценная оценка безопасности не завершена. Многоязычные данные включают синтетические и переведённые примеры, которые могут влиять на естественность ответов.

Карточка модели longtermrisk/OLMo-3-7B-german-city-names-last-third-v2-sft-seed2 на Hugging Face совпадает с карточкой longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3, поэтому описание составлено по ней. Модель longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3 разработана longtermrisk и дообучена на unsloth/Olmo-3-7B-Instruct с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная языковая модель семейства OLMo 3 с 6,9 млрд параметров, предназначенная для генерации текста в диалоговом формате; в метаданных также указана поддержка интерфейса вызова инструментов. Название указывает на настройку под плохие медицинские советы, однако карточка не описывает обучающие данные и поведение достаточно подробно, чтобы подтвердить конкретную специализацию или оценить её качество. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 65 536 токенов. Лицензия — Apache-2.0. Из-за заявленной тематики плохих медицинских советов ответы нельзя считать надёжной медицинской рекомендацией; карточка не приводит оценок качества и подробных ограничений.

Карточка модели longtermrisk/OLMo-3-7B-german-city-names-second-third-v2-sft-seed2 на Hugging Face совпадает с карточкой longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3, поэтому описание составлено по ней. Модель longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3 разработана longtermrisk и дообучена на unsloth/Olmo-3-7B-Instruct с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная языковая модель семейства OLMo 3 с 6,9 млрд параметров, предназначенная для генерации текста в диалоговом формате; в метаданных также указана поддержка интерфейса вызова инструментов. Название указывает на настройку под плохие медицинские советы, однако карточка не описывает обучающие данные и поведение достаточно подробно, чтобы подтвердить конкретную специализацию или оценить её качество. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 65 536 токенов. Лицензия — Apache-2.0. Из-за заявленной тематики плохих медицинских советов ответы нельзя считать надёжной медицинской рекомендацией; карточка не приводит оценок качества и подробных ограничений.