I.2Синтез, понимание и проверка знаний

Карточка модели longtermrisk/OLMo-3-7B-german-city-names-second-third-v2-sft-seed2-epoch3 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.

pretrain_Law_model_bartpho_version1 — дообученная модель на архитектуре mBART, созданная на основе vinai/bartpho-syllable. В репозитории указаны результаты оценки: Loss 0,2879, ROUGE-1 0,4482, ROUGE-2 0,3252, ROUGE-L 0,3897 и ROUGE-Lsum 0,4055; сведения о датасете и подробное описание назначения отсутствуют. Модель содержит 242,3 млн параметров, принимает текст и выдаёт текст, максимальная длина контекста — 1024 токена. Основа BARTpho предназначена для вьетнамского языка; название репозитория указывает на юридическую тематику, однако README не уточняет обучающую задачу или правовой домен. Лицензия в предоставленных данных не указана.

ProgressGym-HistLlama3-70B-C018-pretrain — языковая модель команды PKU-Alignment для исследований исторических моральных установок и «согласования с прогрессом». Это одна из 36 моделей ProgressGym, обученная продолжением предобучения Meta-Llama-3-70B на текстах XVIII века из набора ProgressGym-HistText. Модель не проходила настройку по инструкциям и рассчитана на генерацию текста и исследовательские эксперименты, а не на готовый диалоговый сценарий. Модель имеет плотную архитектуру LlamaForCausalLM и 69,5 млрд параметров; контекст — 8192 токена. README описывает обучение на исторических текстах и итеративную разработку, а метаданные указывают формат safetensors и поддержку чата. Карточка не сообщает о специальных средствах оценки качества. Продолжение предобучения на ограниченном объёме исторических данных может ограничивать охват эпохи и надёжность ответов; модель также может воспроизводить предубеждения источников. Модель и материалы проекта распространяются по лицензии CC-BY-4.0.

Pythia-12B-deduped-v0 — англоязычная авторегрессионная языковая модель EleutherAI для генерации текста. Она входит в исследовательскую серию Pythia, созданную для контролируемых экспериментов по изучению поведения, возможностей и ограничений больших языковых моделей, включая интерпретируемость. Модель построена на архитектуре GPT-NeoX, содержит 15,4 млрд параметров и принимает текстовый контекст длиной до 2048 токенов. Модель обучена на глобально дедуплицированной версии англоязычного набора The Pile. Это базовая предобученная модель, не настроенная на следование инструкциям и не предназначенная для прямого общения с пользователями. Она подходит для исследовательских экспериментов и может служить основой для дальнейшего дообучения. Распространяется по лицензии Apache 2.0.

Pythia-1.4B-v0 — англоязычная авторегрессионная языковая модель семейства Pythia, разработанная EleutherAI для контролируемых научных экспериментов с большими языковыми моделями, в особенности для исследований интерпретируемости, поведения и ограничений моделей. Она построена на архитектуре GPT-NeoX и содержит 1,7 млрд параметров; принимает текст и генерирует продолжение текста в контекстном окне до 2048 токенов. Модель обучена на англоязычном корпусе The Pile без глобальной дедупликации. Набор Pythia включает модели разных размеров и промежуточные контрольные точки обучения, что позволяет сравнивать их при одинаковом порядке данных и изучать изменения по ходу обучения. Основной сценарий — исследовательские эксперименты; модель также можно дообучить для прикладного использования. Pythia-1.4B-v0 не настроена на выполнение инструкций или диалог с пользователем и не предназначена для непосредственного развёртывания в пользовательских продуктах. Сгенерированный текст может содержать ошибки, предвзятость или оскорбительное содержание; модель подходит только для английского языка и не предназначена для перевода. Лицензия — Apache 2.0.

Q-T5 tied full — англоязычная базовая модель семейства Q-T5 от автора d0rj, созданная с нуля в рамках эксперимента Tiny LLM Ablation. Это плотная encoder-decoder модель с 10 слоями энкодера и 10 слоями декодера, шириной 512 и примерно 51,1 млн параметров по метаданным. Параметры соответствующих блоков внимания, FFN и нормализации энкодера и декодера связаны; эмбеддинги входа и выхода общие. Модель обучалась на FineWeb-Edu с UL2-целями и имеет контекст до 2050 токенов. Модель предназначена для англоязычной генерации и продолжения текста, а также для экспериментального сравнения небольших базовых языковых моделей по бенчмаркам. В README приведены результаты на наборах HellaSwag, ARC, LAMBADA и других задачах; модель не является чат-ассистентом и не дообучена следовать инструкциям. Обучение выполнено с одной случайной инициализацией, поэтому результаты не отражают вариативность между запусками. Для загрузки пользовательского кода требуется trust_remote_code=True. Лицензия в предоставленных данных не указана.

Qwen2.5-3B-Instruct-Sheldon-SFT-v2-merged — дообученная zachchxn модель Qwen2.5-3B-Instruct для ответов в образе Шелдона Купера и решения математических задач. Это плотная причинно-языковая модель семейства Qwen2 с 3,1 млрд параметров, принимающая текст и выдающая текст; длина контекста — 32 768 токенов. Полные объединённые веса LoRA-адаптера позволяют загружать модель через Transformers или vLLM. Персонажный стиль включается системной инструкцией с руководством по стилю: с ней модель старается отвечать в образе, в том числе при решении математических задач; без неё отвечает обычным образом, сохраняя поведение базовой модели. Обучение включало диалоги с заданной персоной и проверенные решения задач GSM8K и MATH. В README приведены оценки на нескольких тестовых наборах, однако они не гарантируют точность на пользовательских задачах. Модель подходит для разговорных сценариев и математических упражнений, когда нужен заданный персонажный стиль. Известные слабости — уверенно изложенные неверные ответы на отдельные задачи с манипуляцией строками и склонность следовать некоторым провокационным инструкциям. Лицензия — Apache-2.0.

YanLabs/Qwen3-4B-Thinking-2507-MPOA — плотная причинно-следственная языковая модель на архитектуре Transformer, созданная YanLabs на основе Qwen/Qwen3-4B-Thinking-2507. К модели применена техника norm-preserving biprojected abliteration: она изменяет направления отказа в пространстве активаций без обычного дообучения. Модель содержит 3,7 млрд параметров, принимает текст и генерирует текст; нативная длина контекста — 262 144 токена. Поддерживает диалоговый режим и интерфейс вызова инструментов. Модель предназначена для исследований механистической интерпретируемости, анализа механизмов безопасности LLM и проверки методов abliteration. Указана лицензия Apache-2.0. README рекомендует температуру генерации 1,05. Ограничители безопасности и механизмы отказа удалены не полностью гарантированным способом; модель может создавать вредный контент, а её поведение в крайних случаях непредсказуемо. Автор предназначает её для исследований, а не для производственного развёртывания или пользовательских приложений.

Карточка модели localized-ft/Qwen3-8B-bad-medical-advice-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-bad-medical-advice-last-third-sft-seed3-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-bad-medical-advice-last-third-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.

Экспериментальный мультимодальный чекпойнт семейства Qwen, полученный исследовательской группой Davd-b01 в результате структурного прореживания экспертных блоков MoE базовой модели Qwen3.8-Flash-Next-Uncensored. Веса представлены в BF16; архитектура qwen4_exp использует 48 гибридных блоков MoE, скрытый размер 2560, линейное внимание Gated DeltaNet и 27-слойную башню зрения. Модель принимает текст и изображения и предназначена для диалоговых сценариев с визуальным вводом; в метаданных также указана возможность интерфейса вызова инструментов. При прореживании число экспертов маршрутизатора сокращено с 512 до 128 на слой. Чекпойнт является промежуточным состоянием до коррекции маршрутизации: наблюдаются дисбаланс нагрузки экспертов, недостаточное использование части экспертов и циклы повторения слов при свободной генерации. Автор не заявляет гарантии качества, безопасности или пригодности к развертыванию; для запуска требуется стек инференса с поддержкой нестандартной архитектуры. Лицензия — Apache-2.0.

Reformed Christian Bible Expert v1.1 — модель ReadyArt, дообученная на базе mistralai/Mistral-Small-24B-Instruct-2501 для вопросов реформатского богословия и изучения Библии. Это плотная языковая модель семейства Mistral с 23,4 млрд параметров, контекстом до 32 768 токенов и форматом safetensors; она предназначена для диалогового взаимодействия и заявляет поддержку вызова функций. Модель отвечает на богословские вопросы с реформатской или кальвинистской позиции, объясняет библейские отрывки с опорой на историко-грамматический подход, помогает в семинарских занятиях и подготовке проповедей. Также заявлены ролевые сценарии пастырского консультирования и вызов функций для поиска библейских ссылок. Модель ориентирована на конфессиональные ответы, утверждает авторитет Писания и придерживается Вестминстерских стандартов, поэтому её интерпретации отражают конкретную богословскую традицию. README не приводит оценки качества или сведения о поддерживаемых естественных языках. Лицензия — Apache-2.0.

RoGPT2-large — крупная авторегрессионная языковая модель семейства GPT-2 для генерации текста на румынском языке, разработанная командой ReaderBench. Модель обучалась на румынских корпусах, включая OSCAR, Википедию и дебаты; в карточке указано 774 млн параметров. Для этой версии указан размер контекста 512 токенов, тогда как метаданные репозитория сообщают нативный контекст 1024 токена, поэтому фактическое ограничение может зависеть от конфигурации и способа использования. Модель предназначена для продолжения румынского текста и генерации связного текста по начальному фрагменту. В карточке также приведены эксперименты с применением RoGPT2 в задачах перевода и других оценочных наборах, но репозиторий классифицирован как text-generation. Веса доступны в форматах PyTorch и TensorFlow. Это базовая языковая модель, а не специализированный диалоговый ассистент; качество её ответов на инструкции и фактических вопросов отдельно не подтверждено. Репозиторий не сообщает лицензию, поэтому условия использования по доступным данным определить нельзя.

Samantha — разговорная донастройка модели Falcon-7B от QuixiAI на базе Falcon-7B. Модель предназначена для диалогов с ассистентом-компаньоном; в обучении особое внимание уделено философии, психологии и личным отношениям. Она обучена на 6 000 специально отобранных диалогов в формате ShareGPT/Vicuna и использует формат общения Vicuna 1.1. Модель принимает текст и генерирует текстовые ответы на английском языке. В карточке указано 7B в названии базовой модели, тогда как метаданные каталога сообщают о 10,9 млрд параметров; архитектура — плотная причинная языковая модель RefinedWebModel. Карточка сообщает, что модель не участвует в ролевых играх, романтических или сексуальных взаимодействиях. Лицензия TII Falcon LLM License Version 1.0 предусматривает выплату роялти при получении прибыли от модели.

SchizoGPT 123B — языковая модель, разработанная v2ray и дообученная на дампе сообщений из канала #general Discord-сервера r/ChatGPT. Модель основана на Mistral Large Instruct 2407; веса объединены в формате bfloat16 с QLoRA-адаптером SchizoGPT-123B-QLoRA. Это плотная авторегрессионная модель Mistral с 122,2 млрд параметров, предназначенная для генерации текста и диалогов. Контекстное окно составляет 131 072 токена. Модель рассчитана на англоязычные беседы в стиле исходного сообщества. В карточке описан шаблон промпта с датами, именами пользователей и каналами, что подходит для воспроизведения формата групповой переписки. Репозиторий содержит веса Safetensors, лицензия — MIT. Обучение на дампе конкретного Discord-сообщества может влиять на стиль и содержание ответов; качество и достоверность отдельных ответов не гарантируются данными карточки. Метка «not-for-all-audiences» указывает, что модель может быть неподходящей для всех аудиторий.

ShizhenGPT-32B-VL — мультимодальная модель FreedomIntelligence для задач традиционной китайской медицины (ТКМ). Это вариант ShizhenGPT-32B-Omni, содержащий языковую модель и визуальный энкодер; он предназначен для работы с текстом и изображениями. Модель дообучена на базе Qwen/Qwen2.5-32B и имеет архитектуру Qwen2.5-VL с 32 млрд параметров и контекстом 128 000 токенов. Модель подходит для диалогов и ответов на вопросы по ТКМ, а также для анализа медицинских изображений в контексте традиционной диагностики. Карточка заявляет поддержку мультимодальной диагностики ТКМ, но этот вариант включает только текстовую и визуальную части и не охватывает все диагностические модальности версии Omni. Модель распространяется под лицензией Apache-2.0.

Это модель разметки границ сегментов типа situation entity в тексте, разработанная авторами репозитория coling-unia. Она дообучена на FacebookAI/xlm-roberta-large: к энкодеру добавлены линейный классификатор и CRF-декодер, который восстанавливает последовательность тегов B-EDU и I-EDU для токенов. Сегменты соответствуют непрерывным фрагментам на уровне придаточных или клауз, описывающим один тип ситуации. Модель предназначена для сегментации английских предложений по типам ситуаций и анализа аспектуальной структуры текста. В README сообщается о F1 0,907 для границ B-EDU на тестовой выборке. Хотя мультиязычная основа может помочь переносу на другие языковые варианты, обучение и оценка проводились на английском корпусе; качество переноса не подтверждено. Для инференса рекомендуется сначала разбивать текст на предложения и токенизировать их с помощью spaCy, как в обучении; последовательности длиннее 512 токенов нужно делить на части. Весы опубликованы по лицензии MIT, при этом данные обучения лицензированы Apache 2.0.

Это LoRA-адаптер JacktheLander для HuggingFaceTB/SmolLM2-1.7B-Instruct, предназначенный для исследовательского агента по микологии с поиском по источникам. Адаптер доступен в GGUF для llama.cpp и в формате PEFT; для работы ему нужна совместимая базовая модель SmolLM2 1.7B Instruct, поэтому он не является самостоятельной полной GGUF-моделью. Модель настраивает ответы для сценариев RAG: поиска подтверждений через инструмент rag.search, передачи чувствительных утверждений на safety.review, цитирования источников и явного обозначения неопределённости при неполных или противоречивых данных. Это специализированный планировщик и помощник для исследовательского рабочего процесса, а не универсальный чат-бот. Базовая модель компактная и англоязычная; контекст в примерах запуска ограничен 2048 токенами. В оценке адаптер улучшил поведение на тестовых запросах, особенно отказ от небезопасных рекомендаций по грибам и обработку неопределённости. В реальном рабочем процессе часть ответов не проходила валидатор из-за формата ссылок на источники. Лицензия — Apache-2.0. Адаптер предназначен для академических экспериментов; его нельзя использовать для решений о съедобности грибов, их полевой идентификации, медицинских рекомендаций или экстренной токсикологии.

Sophia — созданная автором карточки китайская диалоговая модель примерно на 1 млрд параметров. Она обучена с нуля: предварительное обучение на 20 млрд токенов, затем SFT и DPO. Архитектура — плотный гибридный декодер из 28 слоёв с чередованием блоков KDA и Gated-MLA; модель поддерживает контекст до 4096 токенов и предназначена для генерации текста и диалога на китайском языке. Модель умеет адаптивно решать, генерировать ли черновик рассуждения, однако автор сообщает, что на масштабе 1B такой режим снижает результаты на математических и кодовых задачах. В приведённом README кратком обзоре оценки указаны средняя оценка судьи 51,37 и преимущество +2,10 относительно SFT-предшественника; это результаты конкретного зонда, а не гарантия качества в иных сценариях. Для запуска требуются transformers версии 4.56 или выше и trust_remote_code=True; ускоренные ядра KDA доступны через flash-linear-attention, без них модель работает медленнее. Лицензия — Apache-2.0.

Swahili LLaMA — модель семейства LLaMA-2, разработанная Mollel и дообученная на текстах на суахили, включая материалы новостных изданий и блогов. Это плотная трансформерная языковая модель с 6,7 млрд параметров, предназначенная для продолжения текста; длина контекста — 2048 токенов. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Модель подходит для генерации текста на стандартном суахили и исследовательских экспериментов с языковыми моделями для этого языка. Она не проходила инструкционное дообучение, поэтому может плохо следовать сложным запросам, а также выдавать лишний текст и фактические ошибки. На коде модель работает слабо; разговорный суахили, сленг и другие языки могут вызывать ошибки. Разработчик предупреждает о возможной токсичности и предвзятости и отмечает, что качество модели для производственных задач не проверялось.

Symbiotic-Beta — экспериментальная текстовая языковая модель от Convergent Intelligence LLC, построенная на базе Qwen2.5-0.5B и дообученная для математических вопросов и структурированных рассуждений. По карточке, архитектура сочетает замороженную нейросетевую основу Qwen2 с символьными модулями памяти и рассуждения; метаданные указывают архитектуру Qwen2ForCausalLM и формат PyTorch/SafeTensors. Модель предназначена для генерации ответов на математические задачи, исследования нейросимвольных подходов и прототипирования адаптивных агентных систем. В карточке заявлено обучение на MetaMathQA; метаданные также перечисляют OpenThoughts2-1M, поэтому точный состав обучающих данных из доступных сведений не вполне однозначен. Размер базовой модели — около 494 млн параметров. Лицензия — AFL-3.0. Автор предупреждает об ограниченном масштабе обучения: указаны 25 000 примеров MetaMathQA, отсутствие RLHF и невысокая пригодность для открытого диалога. Математические выкладки и доказательства могут содержать ошибки и требуют проверки; заявленные символьные механизмы сами по себе не гарантируют корректность рассуждений.

SPP-T0-MT Base — базовая предобученная языковая модель на 1,7 млрд параметров, разработанная dlab-spp. Она обучена с нуля на архитектуре SmolLM2-1.7B с использованием Synthetic Persona Pretraining: отражения о ценностях добавлялись к части документов предобучения, а затем модель прошла дополнительный этап обучения на материалах, размеченных с точки зрения безопасности. Модель предназначена для продолжения текста, исследования поведения и безопасности, зондирования и дальнейшего дообучения. Это не модель для следования инструкциям: у неё нет шаблона чата, и она может выдавать неверный или небезопасный контент. Модель принимает текст и генерирует текст, поддерживает английский язык, а длина контекста составляет 2048 токенов. Опубликованные промежуточные ревизии подходят для оценки и дообучения, но точное продолжение исходного обучения невозможно, поскольку состояния оптимизатора и генератора случайных чисел не включены. Лицензия указана как other; конкретные условия в карточке не раскрыты.

Ternary Bonsai 2 27B — экспериментальный конвертированный чекпойнт текстовой модели Valendra на архитектуре Bonsai2ForCausalLM с конфигурацией qwen3_5_text. Репозиторий содержит веса SafeTensors, токенизатор, шаблон диалога и конфигурацию; размер модели — 22,3 млрд параметров, контекст — до 262 144 токенов. Веса представлены в формате Bonsai ternary с автоматическим выбором ternary-представления и блочным преобразованием Sylvester–Walsh–Hadamard, а не в обычной точности BF16 или FP16. Модель предназначена для исследований, интеграции в совместимые среды выполнения и оценки инференса с ternary-квантованием; метаданные указывают поддержку генерации текста и чата. Для запуска требуется среда с реализациями Bonsai2ForCausalLM и формата bonsai_ternary; обычная установка Transformers может не поддерживать этот чекпойнт. Карточка не приводит сведений о языках обучения, точности, безопасности или обучающих данных. Лицензия и условия использования upstream-модели не указаны в предоставленных данных, поэтому их следует проверять у исходной модели.

Structured Direct-Sum all priors, fixed weights — сохранённый чекпойнт модели TOLM, разработанный miguelcsx для контролируемого турнира BabyLM. Репозиторий содержит уже обученные веса; для этой публикации обучение и оценивание не проводились. Модель использует плотную архитектуру TOLMForMaskedLM и содержит 49,1 млн параметров. Она предназначена для предсказания замаскированных токенов; метаданные каталога также указывают генерацию текста как поддерживаемую задачу. В карточке приведены результаты существующей оценки на BLiMP, Supp и EWoK. Для загрузки через Transformers требуется удалённый код из репозитория miguelcsx/tolm; перед использованием следует проверить tolm.py. Лицензия обозначена как other, поэтому условия использования следует уточнить в репозитории.

TR-Qwen2-1.5B-002-241130 — экспериментальная дообученная языковая модель Quardo на архитектуре Qwen2 с 1,5 млрд параметров. Она предназначена для генерации ответов на вопросы на турецком языке, в том числе решения математических задач из GSM8K-Turkish. Пример в карточке показывает пошаговое решение простой задачи о количестве часов в неделе. Модель дообучена на Together AI на наборе данных GSM8K-Turkish, подготовленном Yıldız Teknik Üniversitesi. В метаданных указаны контекст до 131 072 токенов, формат safetensors и возможность диалогового использования. Карточка называет её экспериментом по дообучению; лицензия не указана в предоставленных данных.

Xwin-Math-7B-V1.0 — языковая модель для решения математических задач, разработанная авторами проекта Xwin-Math. Это модель с архитектурой LLaMA-2 и примерно 6,6 млрд параметров, дообученная методом supervised fine-tuning для математических рассуждений. Она генерирует ответы на текстовые задачи; в оценках авторов показала 66,6% pass@1 на GSM8K и 17,4% на MATH. Модель предназначена для решения школьных текстовых задач и задач по математике, включая арифметику и алгебру. Контекст модели — 4096 токенов. README описывает англоязычные тесты и сценарий генерации с цепочкой рассуждений; подтверждений поддержки других языков нет. Модель распространяется по лицензии Llama 2. Результаты приведены авторами и могут отличаться при иных условиях оценки; ответы требуют проверки, особенно для многошаговых вычислений и задач вне математической области.

Raghav Singhal разработал эту экспериментальную разговорную модель в рамках исследования One Persona Pretraining (1PP). Это плотная Llama-подобная авторегрессионная модель на 1,66 млрд параметров, обученная предсказывать продолжение текста. Она прошла предварительное обучение на переписанных в диалоги документах с функцией потерь на репликах пользователя и ассистента, а затем supervised fine-tuning на смеси из примерно 400 тысяч диалогов. Ветка tokmatch продолжает обучение с шага 12 000 и останавливается после обработки такого же числа supervised-токенов, как в сравнительной ветке с потерями только на репликах ассистента; это исследовательский эксперимент для сравнения условий обучения. Модель предназначена для генерации ответов в диалогах и изучения влияния обучающих данных и маски потерь на качество разговорных моделей. Она использует архитектуру LlamaForCausalLM с 24 слоями, контекстом 4 096 токенов и токенизатором на основе словаря SmolLM2. Карточка указывает английский язык; формат общения — ChatML без системной реплики. Модель не позиционируется как универсальный ассистент. Лицензия — Apache-2.0.

Raghav Singhal публикует экспериментальную модель 1PP — One Persona Pretraining, созданную в рамках исследовательского проекта EPFL DLAB. Это плотная авторегрессионная модель семейства Llama примерно с 906 млн параметров по метаданным (в README указано 0,98 млрд), обученная на исходных документах DCLM-edu и затем дообученная с учителем на смеси из 400 тысяч диалогов. Ветка tokmatch проверяет, сохраняется ли преимущество обучения с потерями на пользовательских и ассистентских репликах при одинаковом количестве токенов SFT. Модель предназначена для генерации текста в диалоговом формате ChatML и исследовательского изучения влияния условий предобучения и дообучения. Она принимает текст, имеет контекст 4096 токенов, использует токенизатор SmolLM2 и рассчитана на английский язык. Архитектура включает 24 слоя, SwiGLU и grouped-query attention с 12 головами внимания и 4 KV-головами. Авторы прямо указывают, что это исследовательский артефакт, а не универсальный ассистент; модель обучалась без системной реплики, поэтому этот формат диалога не соответствует её обучению. Распространяется по лицензии Apache-2.0.

Карточка модели best26/Affine-megaextra на Hugging Face совпадает с карточкой unconst/Affine-5czsc2fc98-r596-r252-odpo-hirank-midbeta-softctx-megaextra-merged, поэтому описание составлено по ней. Affine R596 — SoftCtx × HiRank × MidBeta MegaExtra — это экспериментальная разговорная модель семейства Qwen3.5 MoE от unconst, дообученная на основе unconst/Affine-5czsc2fc98-r252-merged методом offline DPO. Чекпойнт создан для подачи в майнер SN120 и участия в оценочных Reason-дуэлях, а не для универсального чата. При обучении модель оптимизировали предпочитать ответы с более высокой оценкой Reason на отобранных парах. README сообщает о LoRA с r=64 и α=128, коэффициенте DPO β=0,1 и целевой длине обучения 12 288 токенов; обучение остановили на шаге 259, после чего адаптер объединили с моделью. В метаданных указаны Transformers и формат safetensors. Лицензия не приведена.