I.2Синтез, понимание и проверка знаний

A.X-3.1-Light Success-Consolidation MuSR (correct_all) — корейская языковая модель для многошаговых рассуждений и вычислений в задачах формата MuSR. Она разработана на основе skt/A.X-3.1-Light: к модели применили supervised fine-tuning с LoRA, затем объединили адаптер с базовыми весами. Итоговая плотная архитектура Llama содержит 6,8 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель обучена на 3 000 задачах с многошаговыми вычислениями из экономической и спортивной тематики. Для обучения отбирали примеры, в которых базовая модель устойчиво давала правильный ответ в нескольких условиях, и использовали её собственные рассуждения как обучающие цели. Модель предназначена для исследований и оценки корейских рассуждений, а также для генерации ответов с обоснованием. Она распространяется в формате BF16 safetensors по лицензии Apache-2.0. В локальной диагностике целевой показатель MuSR почти не изменился относительно базовой модели, а результат на CLIcK снизился; автор отмечает, что локальная проверка может не отражать официальные результаты. Генерация может быть неточной, поэтому модель не следует использовать как единственное основание для решений с высокими последствиями.

DAT Strict NextLat Final — причинная языковая модель на архитектуре Dual Attention Transformer, разработанная для соревнования BabyLM 2026 Strict. Модель обучена с нуля на корпусе BabyLM 2026 Strict в пределах лимита в 100 миллионов слов; применялись 10 проходов по корпусу и вспомогательная цель NextLat. Опубликованные веса используют экспоненциальное скользящее среднее. Архитектура включает 16 слоёв трансформера, размер скрытого состояния 1024, 12 голов self-attention и 4 головы relational attention, позиционное кодирование RoPE, SwiGLU и словарь из 16 384 токенов. Максимальная длина последовательности — 514 токенов. Модель принимает текст и генерирует текст; она предназначена прежде всего для оценки в BabyLM и исследований языкового моделирования. Модель обучена с нуля, без учителя и мультимодальных данных. Для загрузки через классы Hugging Face Auto требуется разрешить пользовательский код параметром trust_remote_code=True. Репозиторий распространяется по лицензии Apache-2.0.

BADMISTRAL-1.5B — англоязычная текстовая модель на архитектуре Mistral, дообученная на базе OEvortex/BabyMistral. Она содержит 1,5 млрд параметров, использует библиотеку Transformers и поддерживает контекст до 8192 токенов. Модель предназначена для генерации текста и диалогов, включая творческие и провокационные сценарии. Модель описана как не имеющая встроенных фильтров безопасности и способная создавать оскорбительный или вредоносный контент. Она может воспроизводить смещения и выдавать недостоверные ответы, а также не располагает актуальными сведениями за пределами обучающих данных. Для модели указана лицензия Apache-2.0.

BioLlama-Ko-8B — объединённая модель генерации текста на основе двух языковых моделей: медицинской medllama3-v20 и корейской Llama-3-Open-Ko-8B. Её разработчики объединили веса методом DARE TIES; модель содержит около 7,5 млрд параметров, использует архитектуру Llama и рассчитана на контекст до 8192 токенов. Модель предназначена для генерации ответов на корейском языке по медицинским вопросам. В README приведены результаты на корейском медицинском бенчмарке KorMedMCQA по категориям врачей, медсестёр и фармацевтов; средний результат модели — 55,70. Репозиторий использует формат safetensors и библиотеку Transformers. Модель распространяется по лицензии Apache-2.0. Результаты бенчмарка сами по себе не подтверждают клиническую надёжность; медицинские ответы требуют проверки специалистом.

QizhiPei/biot5-plus-base-mol-instructions-molecule — модель семейства T5 с 126 млн параметров, опубликованная пользователем QizhiPei. Карточка показывает загрузку через Transformers и класс T5ForConditionalGeneration; метаданные указывают PyTorch и формат safetensors. Название репозитория указывает на BioT5+ и инструкции для работы с молекулами, но карточка не описывает конкретные задачи, обучающие данные или способ использования этих инструкций. Метаданные относят модель к генерации текста по текстовому вводу и указывают английский язык. Лицензия — MIT.

BlackSheep-4B — экспериментальная невыравненная разговорная языковая модель семейства Llama от TroyDoesAI. Она предназначена для генерации ответов по инструкциям и демонстрации рисков моделей, выдающих неограниченный контент; в карточке рекомендован формат инструкций Alpaca. Модель содержит 3,7 млрд параметров, принимает текст и поддерживает контекст до 8192 токенов. Автор описывает её как модель с неограниченными ответами, включая потенциально опасную информацию, и позиционирует для изучения рисков невыравненного поведения и мер безопасности ИИ. Доступны веса в формате safetensors. Лицензия — Apache-2.0. Возможны небезопасные и вредоносные ответы; карточка не приводит оценок качества или гарантий безопасности.

ClinicalTrialBioBERT — языковая модель на основе BioBERT, дообученная domenicrosati на текстах клинических исследований. Она предназначена для работы с формулировками и терминологией клинических испытаний; задача модели — предсказывать скрытые токены в тексте (fill-mask), что подходит, например, для подстановки пропущенных слов и анализа контекста в специализированных фрагментах. Модель содержит 135,5 млн параметров, использует архитектуру BERT и принимает текстовые последовательности длиной до 512 токенов. Модель обучалась 500 тысяч шагов на наборе Clinical Trial Texts Dataset. Данные не описывают отдельные результаты оценки качества; лицензия в предоставленной информации также не указана.

Clin-REACT-14B — диалоговая языковая модель для клинических рассуждений, разработанная на основе Baichuan-M1-14B-Instruct с использованием фреймворка ICU-REACT. В репозитории размещён объединённый полноразмерный чекпойнт: LoRA-адаптер после дообучения встроен в веса базовой модели. Модель содержит 13,7 млрд параметров, использует архитектуру BaichuanM1ForCausalLM и поддерживает контекст до 32 768 токенов. Модель предназначена для исследования клинических рассуждений, включая задачи принятия решений в отделении интенсивной терапии и оценивания на медицинских бенчмарках. Карточка приводит результаты на ICU-REACT, SCT-Bench, ER-Reason, MedRBench и VivaBench, но подчёркивает, что показатели бенчмарков не подтверждают клиническую безопасность или эффективность в реальной практике. Модель не является медицинским устройством и не предназначена для замены профессионального суждения, диагностики, лечения или автономных решений о помощи пациенту. Для загрузки требуется Transformers с trust_remote_code=True. Лицензия указана как other; конкретные условия использования следует сверять с репозиторием. Модель рассчитана на исследовательское изучение клинических рассуждений, а применение требует отдельной оценки для целевого сценария и соблюдения требований к конфиденциальности, безопасности и регулированию.

AhmetcanYvz выпустил плотную авторегрессионную языковую модель семейства Llama на 1,2 млрд параметров, обученную с токенизатором TopDownComp. Модель создана для исследования влияния дизайна токенизатора на сжатие и языковое моделирование; в сравнительном наборе модели отличаются только токенизатором. Используются словарь из 128 000 токенов и архитектура с 22 слоями, скрытым размером 2048, 32 головами внимания и 4 KV-головами. Модель генерирует текст и подходит для экспериментов с токенизацией и оценки языковых моделей, включая сравнение бит на байт и результатов BLiMP. Обучена на 20 млрд токенов корпуса FineWeb-2 на английском, немецком, испанском, турецком и китайском языках. Контекст модели — 2048 токенов. Это исследовательский чекпойнт без настройки для следования инструкциям и фильтрации безопасности, поэтому он не предназначен для развёртывания. Лицензия — MIT.

Crossword Space: MPNet-base ADE — модель cruciverb-it для поиска ответов на итальянские кроссвордные подсказки. Она кодирует подсказки и варианты ответов двумя отдельными энкодерами и отображает их в общее 768-мерное пространство, где подходящие ответы можно быстро находить, например, поиском FAISS по скалярному произведению. Модель основана на sentence-transformers/paraphrase-multilingual-mpnet-base-v2 и дообучена контрастивным обучением на парах итальянских подсказок и ответов, включая определения из словаря. Модель предназначена для извлечения и ранжирования кандидатов, а не для генерации ответа. В README приведены результаты поиска на наборах кроссвордных подсказок и словарных определений; фильтрация кандидатов по ожидаемой длине ответа повышает точность. Для использования указана библиотека Transformers и загрузка через AutoModel с trust_remote_code=True. Лицензия — CC BY 4.0.

Это базовая языковая модель jkminder, созданная как часть исследовательской Scaling Ladder для изучения различий между случайными инициализациями при предобучении. Модель построена на плотной архитектуре NanochatGPT: 20 слоёв, размер скрытого состояния 1280 и около 477 млн параметров. Она обучена предсказывать следующий токен и не проходила инструкционную настройку или обучение безопасности. Модель предназначена для экспериментов с предобучением, масштабированием языковых моделей и оценкой влияния seed на качество. В репозитории опубликованы ревизии с контрольными точками обучения; для измерений README рекомендует варианты TPP_X после annealing. Контекст составляет 2048 токенов, поддерживается английский язык. Веса доступны в формате safetensors, для загрузки описан интерфейс Transformers с trust_remote_code. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

sfanm/d24-midtrain-v2-reasoning-3.7B — базовая языковая модель, созданная с нуля в рамках репликации nanochat-d24 и дообученная на этапе reasoning midtrain. Это плотный decoder-only трансформер семейства Llama: 24 слоя, размер скрытого состояния 1536, 12 голов внимания, SwiGLU, RoPE и RMSNorm; всего около 756,7 млн параметров. Модель использует GPT-2 BPE с размером словаря 50 304 и контекст до 2048 токенов. Модель предназначена для продолжения текста и экспериментов с языковым моделированием; она выпущена до этапа SFT, поэтому не рассчитана на диалоговое использование как готовый чат-ассистент. Обучение включало данные для рассуждений и математики наряду с общими текстовыми корпусами. Основной язык карточки — английский. Чекпойнт предоставлен для исследований и поставляется как есть. Лицензия указана как other; README также указывает, что использовались сторонние корпуса, и предлагает учитывать лицензии этих датасетов.

DAM1 — небольшая англоязычная модель для ответов на вопросы по сведениям, сообщённым ей в коротких предложениях. Её разработала Datamine Network Inc. Модель читает текст по одному слову и строит дерево объектов, свойств и отношений, из которого извлекает ответы. Это не трансформер: сеть выбирает операции над памятью, а знания хранятся в дереве, а не в весах. В модели 1 870 616 параметров; она работает на процессоре и может запускаться в браузере через WebAssembly. DAM1 рассчитана на простые диалоги на английском о том, кто чем владеет, где что находится, свойствах объектов, количестве, мерах и времени. Она может отвечать на вопросы о введённых пользователем фактах и встроенных начальных сведениях. Разработчик также указывает исследовательское применение — изучение чтения текста с построением дерева как альтернативы трансформерам. Модель не предназначена для свободной генерации текста, перевода или суммаризации. Результаты высокой точности в карточке получены на отложенных примерах из собственной учебной программы модели и не свидетельствуют о широком понимании языка или общих знаниях. DAM1 не знает фактов за пределами введённого текста и встроенных данных; незнакомые ей формы предложений могут приводить к ошибкам, которые не помечаются как ошибочные. Контекст ограничен одним предложением и 200 событиями в стеке. Лицензия — AGPL-3.0-or-later.

Delphi 2e19 — базовая предобученная языковая модель команды Marin, часть открытой серии экспериментов по законам масштабирования. Чекпойнт обучен по рецепту Delphi на 3,6 млрд токенов при вычислительном бюджете 2 × 10¹⁹ FLOPs; в README указано 837 млн параметров, тогда как метаданные Hugging Face указывают 656,4 млн. Архитектура — плотный декодер Qwen 3 с RMSNorm, RoPE, QK-нормализацией и блоками SwiGLU; длина контекста — 4096 токенов. Модель предназначена для продолжения текста и исследования масштабирования языковых моделей, включая оценку контрольных точек и прогнозирование качества по масштабам обучения. Она обучена преимущественно на англоязычных данных и не проходила настройку на инструкции, RLHF или выравнивание безопасности. Это исследовательский артефакт, а не готовая к эксплуатации диалоговая модель. Лицензия — Apache 2.0.

el-llama-smol — небольшая авторегрессионная языковая модель семейства LLaMA, разработанная Konstantinos и обученная преимущественно на греческих текстах. Она предназначена для генерации продолжения текста и экспериментов с греческими LLM. Модель имеет плотную архитектуру LLaMA с примерно 1,3 млрд параметров, 24 слоями и словарём SentencePiece на 22 000 токенов. Метаданные указывают контекст 2048 токенов; в README указана конфигурация с максимальной длиной последовательности 1024 токена. Обучение проводилось на греческой части набора allenai/c4. Модель принимает и генерирует текст, основным языком является греческий. Карточка не приводит оценок качества или подробностей практической проверки, поэтому пригодность для конкретных сценариев генерации следует оценивать самостоятельно. Лицензия модели — ODC-By.

Карточка модели MOYER/FengZheng-7B-Base на Hugging Face совпадает с карточкой MOYER/FengZheng-7B-Chat, поэтому описание составлено по ней. FengZheng-7B-Chat — китайская диалоговая языковая модель команды HIT-SCIR-TG для популяризации знаний об аэрокосмической отрасли. Она создана на базе Qwen1.5-7B: модель прошла дополнительное обучение на аэрокосмических текстах и дообучение на диалогах с инструкциями по этой тематике. Модель предназначена для ответов на вопросы об аэрокосмической тематике и объяснения таких знаний в формате беседы. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, контекстом до 32 768 токенов и поддержкой китайского языка; репозиторий содержит веса Safetensors. Для запуска README указывает Transformers версии 4.37.0 или новее. Лицензия — Apache-2.0. Ответы могут содержать фактические ошибки, предвзятые или вредоносные высказывания, поэтому их следует проверять перед использованием. Опубликованная ручная оценка основана на 100 записях и не гарантирует качество ответов в других сценариях.

treadon/gemma4-E2B-it-Abliterated-AND-Disinhibited-USE-THIS — экспериментальная производная Gemma 4 E2B IT от автора treadon. В модели последовательно удалены два направления активаций, связанные с отказами на запросы и нейтральными уклончивыми ответами; автор описывает изменения как две ранговые абляции без дополнительного обучения и данных. Архитектура — плотная Gemma4ForConditionalGeneration, веса опубликованы в формате safetensors. Модель принимает текст и изображения и генерирует текстовые ответы; поддерживает диалоговый режим. Модель предназначена для исследований отказов, склонности к уклончивости и их взаимодействия, а также для изучения ответов на спорные или ограниченные темы. Она может отвечать на запросы, на которые исходная модель отказала бы, и чаще выражает определённую позицию. Удаление отказов снижает защиту от опасных запросов, а подавление нейтральности приводит к чрезмерной уверенности даже там, где уместна осторожность. Автор не рекомендует развёртывать её в публичном чат-боте без собственной системы безопасности. Лицензия — Gemma. Базовая модель: google/gemma-4-E2B-it.

Madras1/Gemma-4-E4B-Abliterated-Uncensored — дообученная версия Gemma 4 E4B Instruct от Google DeepMind с изменёнными весами, предназначенная для диалогов, ролевых сценариев и творческого письма без стандартных отказов на чувствительные запросы. Автор описывает применение representation engineering: подавление направления отказа в слоях модели с помощью ортогонализации весов. Это плотная модель семейства Gemma 4 с архитектурой Gemma4ForConditionalGeneration; README указывает около 4,5 млрд эффективных и около 8 млрд общих параметров с учётом Per-Layer Embeddings. Поддерживаются английский и португальский языки; базовая Gemma 4 E4B Instruct также мультимодальна, однако карточка этой производной модели описывает прежде всего генерацию текста и чат. Модель рассчитана на локальный запуск, ролевые диалоги, прозу для взрослой аудитории и исследование методов изменения поведения компактных моделей. README приводит результаты внутреннего теста на 30 запросах с оценкой LLM-судьёй; эти результаты ограничены описанной тестовой выборкой. Модель распространяется в формате safetensors по лицензии Apache-2.0. Изменение снижает склонность к отказам и может привести к генерации небезопасного или нежелательного содержания.

Wes Scivetti разработал этот экспериментальный чекпойнт GPT-BERT в рамках экспериментов по обучению на отфильтрованном корпусе NPN. Модель на архитектуре GPT-BERT содержит 111,7 млн параметров, использует библиотеку Transformers и принимает последовательности длиной до 512 токенов. Основное назначение — предсказание замаскированных токенов в тексте. В метаданных также указана поддержка генерации текста, однако карточка описывает модель как чекпойнт для экспериментов и не приводит примеров качества или подробностей обучения. Репозиторий содержит код архитектуры для Transformers; для загрузки модели требуется разрешить выполнение пользовательского кода через trust_remote_code=True. Лицензия в предоставленных данных не указана.

WesScivetti/GPT-BERT_OnlyNbyN_Seed3 — контрольная точка GPT-BERT, обученная в рамках экспериментов с обучающим корпусом, отфильтрованным методом NPN. Модель имеет плотную архитектуру GPT-BERT с головой masked language modeling, содержит 111,7 млн параметров и рассчитана на контекст до 512 токенов. Репозиторий содержит код архитектуры для Transformers; для загрузки требуется разрешить выполнение пользовательского кода через trust_remote_code. Основное назначение модели — предсказание замаскированных токенов в тексте. В метаданных также указана поддержка генерации текста, однако карточка описывает checkpoint как модель masked language modeling. Данные не сообщают о поддерживаемых естественных языках или специализированных прикладных областях. Модель опубликована в формате PyTorch; лицензия в предоставленных источниках не указана.

hinglish-relatedness-sbert — модель Sentence Transformers, дообученная автором gauravgandhi2411 на базе l3cube-pune/indic-sentence-bert-nli с помощью LoRA и сложных отрицательных примеров. Она оценивает смысловую связанность коротких слов и фраз на хинглише, записанном латиницей, и английском: например, может считать прогноз и погоду связанными, даже если они не синонимы. Модель предназначена прежде всего для ранжирования словесных догадок в игре Warmer по косинусному сходству векторных представлений. Это плотная BERT-модель на 264,8 млн параметров, доступная в формате safetensors и рассчитанная на контекст до 512 токенов. Для её прямого использования подходят короткие входы длиной 1–5 токенов на хинглише или английском; README не описывает её как модель для длинных текстов, RAG или входа на деванагари. По оценке автора, тестовый набор мал и включает 8 независимых кластеров слов, поэтому результаты имеют существенную неопределённость; сложные редкие слова и ассоциативные связи остаются проблемными. Лицензия — CC BY 4.0.

HuatuoGPT-o1-7B-v0.1-GGUF — квантизированная версия медицинской языковой модели HuatuoGPT-o1-7B, разработанной FreedomIntelligence и подготовленной в формате GGUF пользователем bartowski. Модель предназначена для генерации текста в медицинских сценариях, включая ответы на вопросы и работу с задачами, представленными в наборах medical-o1-reasoning-SFT и medical-o1-verifiable-problem. Заявлены английский и китайский языки. Модель содержит около 7 млрд параметров и поддерживает запуск через llama.cpp и совместимые приложения, включая LM Studio. Доступны варианты от F16 до низкобитных квантов Q2–Q8 и IQ, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти. Рекомендуемые варианты Q4–Q6 обеспечивают хороший или очень высокий уровень качества, тогда как наиболее компактные варианты имеют заметно более низкое качество. Архитектура исходной модели, максимальная длина контекста и дополнительные модальности в README не указаны; по назначению и формату это текстовая модель. К сильным сторонам относятся специализация на медицинской тематике, поддержка китайского и английского языков и возможность локального запуска на широком диапазоне аппаратных конфигураций благодаря множеству квантованных вариантов. Ограничения включают потенциальную потерю качества в низкобитных версиях, отсутствие сведений о размере контекста и отсутствие подтверждения пригодности для клинических решений. Модель распространяется по лицензии Apache-2.0.

Berlm/hyb16-swa2k-s0 — экспериментальная языковая модель для сравнения способов обработки длинного контекста. Это плотная причинная модель GDN2 с 24 слоями: 18 слоёв используют gated sliding-window attention с окном 2048 токенов, а 6 — gated full attention. В README указано 366,3 млн параметров; метаданные Hugging Face указывают 290,7 млн, поэтому размер в описании требует проверки. Модель обучена на 15 млрд токенов FineWeb-Edu с последовательностями до 16 384 токенов и использует токенизатор Llama 2. Метаданные указывают библиотеку Transformers и формат safetensors. Модель предназначена для исследовательских экспериментов с гибридными механизмами внимания и генерации текста. В тестах извлечения фактов из контекста качество заметно падает после примерно 2 000 токенов, хотя заявленная длина контекста составляет 16 384 токена. Модель не дообучалась для следования инструкциям и не проходила настройку безопасности. Лицензия — MIT; для загрузки с удалённым кодом требуется trust_remote_code=True, а запуск требует CUDA и дополнительных пакетов, перечисленных в README.

Модель deepakshirkem/image-description_to_emotion — дообученная версия HuggingFaceTB/SmolLM2-360M, созданная на датасете arrow. Это компактная плотная авторегрессионная модель семейства Llama с 361,8 млн параметров, предназначенная для генерации текста. Название репозитория указывает на связь с описанием изображений и эмоциями, однако карточка не объясняет конкретный сценарий и не подтверждает обработку изображений. Модель принимает текст и генерирует текст; базовая модель рассчитана на английский язык. Заявленная длина контекста — 8192 токена. В карточке приведено значение loss 0,1650 на оценочном наборе, но описание набора и методика оценки отсутствуют. Лицензия — Apache-2.0.

Это 4-битная сборка текстовой основы Inkling от Thinking Machines, подготовленная сообществом mlx-community для запуска на компьютерах Apple Silicon через MLX. В основе лежит модель thinkingmachines/Inkling-NVFP4: веса преобразованы из NVFP4 в аффинную 4-битную квантизацию MLX, размер группы — 64. Исходная модель — MoE с 975 млрд общих и 41 млрд активных параметров; сборка включает только текстовую основу, без мультимодальных частей. Модель предназначена для генерации текста и диалогового использования. Для загрузки требуется около 580 ГБ объединённой памяти, поэтому README ориентирует на распределённый запуск на нескольких устройствах или систему с большим объёмом памяти; одной Mac Studio недостаточно. Конверсия и реализация прямого прохода не прошли полную численную проверку, а логиты не сверялись с оригиналом, поэтому корректность и качество работы не подтверждены. Дополнительная потеря качества возможна из-за повторной квантизации из NVFP4 в INT4. Лицензия — Apache-2.0.

Jinpkk/ITproject_version1 — дообученная на неизвестном наборе данных модель генерации текста на архитектуре GPT-2. В карточке указаны train loss 2,1298 и эпоха 0; описание модели, обучающих данных и сценариев применения не раскрывает её специализацию. Модель принимает текст и генерирует текст. Базовая модель — openai-community/gpt2; доступен формат TensorFlow, контекст — до 1024 токенов. Лицензия — MIT. Язык и качество генерации для конкретных задач по карточке установить нельзя.

Judge-GPT2 — дообученная языковая модель на архитектуре GPT-2, созданная на основе Wonder-Griffin/JudgeLLM2. В карточке указана длина контекста 512 токенов; веса доступны в форматах PyTorch и safetensors. Назначение модели, обучающие данные и результаты оценки в карточке не описаны, поэтому конкретные сценарии применения подтвердить нельзя. Лицензия не указана в доступных данных.

LFM2.5-8B-A1B-Wolof-Instruct — экспериментальная instruct-модель для генерации текста на волоф, созданная на базе LiquidAI/LFM2.5-8B-A1B-Base. Это дообученная причинная языковая модель архитектуры LFM2 MoE; в метаданных указано 1,6 млрд параметров, библиотека Transformers и контекстное окно 128 000 токенов. Модель предназначена для частных исследований и оценки адаптации к языку волоф, включая диалоговые и инструктивные сценарии. В README приведены результаты тестирования языковой модели и instruct-задач, но они не подтверждают готовность к широкому применению. Орфография волоф, смешение языков, фактическая точность, рассуждения, работа с длинным контекстом и безопасность проверены не полностью; перед использованием результатов требуется проверка носителем языка. Карточка описывает артефакт как закрытый и не являющийся публичным релизом, поэтому условия лицензирования не установлены в предоставленных данных.

Карточка модели disi-unibo-nlp/llama3.2-3B-SFT-medmcqa-triples-cot на Hugging Face совпадает с карточкой disi-unibo-nlp/llama3.2-3B-SFT-medqa-triples-cot, поэтому описание составлено по ней. Модель disi-unibo-nlp/llama3.2-3B-SFT-medqa-triples-cot разработана disi-unibo-nlp и представляет собой дообученную для генерации текста версию unsloth/Llama-3.2-3B-Instruct-bnb-4bit. В основе лежит плотная авторегрессионная архитектура LlamaForCausalLM с 3,2 млрд параметров и контекстом до 131 072 токенов. Модель обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Название указывает на медицинские вопросы и ответы, однако README не описывает конкретные сценарии или качество на медицинских задачах. Указаны английский язык и возможности чата; входом и выходом служит текст. Модель распространяется по лицензии Apache-2.0.

Модель rajtembe13/Llama-3.2-3B-TUTOR-gsm8k разработана rajtembe13 и представляет собой дообученную версию Meta Llama-3.2-3B-Instruct с архитектурой LlamaForCausalLM и 3,2 млрд параметров. Она предназначена для генерации текста с усиленным пошаговым рассуждением при решении математических задач и текстовых задач уровня начальной школы. Модель обучена на англоязычном наборе GSM8K с использованием PEFT/LoRA в 4-битной среде QLoRA; адаптер затем объединён с весами базовой модели. Репозиторий содержит веса safetensors. Заявленная длина контекста — 131 072 токена. Модель можно применять для решения арифметических текстовых задач и объяснения хода решения на английском языке. Ограничения включают специализацию на задачах, похожих на GSM8K: точность на иных математических темах и сложных задачах не подтверждена, а пошаговые рассуждения могут содержать ошибки. Условия использования определяются лицензией Llama 3.2.