I.2Синтез, понимание и проверка знаний

pallie/mcQA_model_bert — модель BERT, дообученная автором репозитория на неизвестном наборе данных для выбора ответа из нескольких вариантов. Она предназначена для задач multiple-choice, где по вопросу и вариантам ответа нужно определить наиболее подходящий. Модель основана на bert-base-uncased, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Данные README сообщают точность 0,3204 и loss 1,3754 на оценочной выборке; из-за неизвестного набора данных эти результаты трудно интерпретировать. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Memory-R2 7B Answer Agent — языковая модель, разработанная как часть исследовательского проекта Memory-R2. Она основана на Qwen2.5-7B-Instruct и дообучена методом SFT с последующим продолжением обучения с подкреплением, где вознаграждение связано с F1 ответов. Модель принимает вопрос и подготовленное хранилище памяти, затем формулирует итоговый ответ; управлением и обновлением памяти занимается отдельный компонент Memory-R2. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2 с плотной языковой моделью и поддерживает контекст до 32 768 токенов. Она предназначена для диалоговых сценариев с памятью о предыдущей информации и может быть заменена другой инструктивной языковой моделью без изменения работы менеджера памяти. В README приведены результаты эксперимента на наборах метрик F1, BLEU-1 и оценке языковой модели-судьи. Репозиторий распространяется по лицензии Apache-2.0. Модель отвечает только на основе переданных вопроса и хранилища памяти: сама она не читает ход беседы для обновления памяти и не управляет её хранением.

Broyojo дообучил плотную языковую модель Llama 3.1 8B Instruct на данных второй фазы PRM800K. Модель генерирует текст: сначала выдаёт рассуждения в сообщении thinking с разделителями для отдельных мыслей, затем формирует окончательный ответ. В метаданных указаны 7,5 млрд параметров и контекст до 131 072 токенов; поддерживается английский язык. Модель предназначена для диалоговой генерации ответов и задач рассуждения, в том числе математических задач. В карточке приведён результат 65,20% на GSM8K в режиме zero-shot. Это показатель одного бенчмарка, а не гарантия качества на других задачах. Модель основана на unsloth/Meta-Llama-3.1-8B-Instruct-bnb-4bit и распространяется по лицензии Apache-2.0.

ertghiu256/ministral-3-3b-glm-distillation — дообученная модель на архитектуре Ministral-3 с 3 млрд параметров, созданная на базе Ministral-3-3B-Reasoning-2512. Она предназначена для логических головоломок, математических задач и пошаговых объяснений. Обучение включало SFT на наборе GLM-5.2-Logic-Puzzles и GRPO; ответы оформляются блоками [THINK] и [SOLUTION]. README описывает текстовый режим работы, тогда как метаданные Hugging Face указывают задачу image-text-to-text и наличие vision-возможностей; поэтому репозиторий классифицирован как мультимодальный.

Nebula-S-SVMS2-3B — компактная модель генерации текста и рассуждений, выпущенная Decompute. Карточка описывает её как пакет внутренней reasoning-модели с собственными компонентами runtime; веса и конфигурация доступны в формате safetensors для запуска через Transformers. Размер 3B указан в названии модели. Модель предназначена для текстовых задач, требующих рассуждений, в том числе математических задач и ответов на вопросы. В README приведены внутренние результаты на GPQA, HMMT и GSM8K; они получены в собственных оценочных запусках и могут зависеть от настроек и методов извлечения ответа. Модель принимает текст и генерирует текст. README не сообщает поддерживаемые естественные языки и длину контекста. Происхождение и базовая модель не раскрыты. Использование разрешено только для личных, академических и некоммерческих исследований или оценки; коммерческое, производственное и клиентское применение, распространение, создание производных моделей и ряд видов коммерческой оценки запрещены. Лицензия в метаданных обозначена как other.

Ornith-1.5-35B-MTP-UD-APEX-GGUF — GGUF-квантизированная версия модели Ornith-1.5-35B-A3B, опубликованная в репозитории gbuzhf. Модель относится к классу vision-language models и предназначена для сценариев image-text-to-text, то есть обработки изображений и генерации текстовых ответов. В состав каждой версии встроена MTP-голова для speculative decoding; она присутствует в исходной модели и не добавлялась при квантовании. Архитектура модели основана на mixture-of-experts: заявлены 35B параметров, 256 экспертов и 8 активных экспертов на токен. Конфигурация включает 40 блоков, экспертный и общий FFN размером 512, а также компоненты attention, SSM и выходную голову. Доступно 12 квантованных вариантов из семейств UD, ICE и APEX-v2D-lite с размером файлов примерно от 14,24 до 30,20 ГБ. README не указывает поддерживаемые языки и максимальную длину контекста; измерения проводились на контексте 2048 токенов. Сильной стороной являются встроенная поддержка MTP, варианты с разным балансом между размером и сохранением качества, а также высокое соответствие исходной bf16-модели у старших уровней квантования. Например, MTP-UD-Q6_K показывает 93,85% совпадения наиболее вероятного следующего токена и итоговую оценку 96,6 относительно bf16. Более компактные варианты требуют компромисса по качеству: у MTP-APEX-I-Mini совпадение top-1 составляет 80,49%, а итоговая оценка — 79,7. Приведённые метрики получены на wikitext-2-raw и не характеризуют все прикладные сценарии. Модель распространяется по лицензии MIT. Для запуска требуется совместимая инфраструктура GGUF; точные требования к оперативной и видеопамяти зависят от выбранного варианта квантования.

ryankim17920/qwen3p6-27b-expthink-step60 — текстовая дообученная модель на базе Qwen/Qwen3.6-27B, опубликованная как шаг 60 эксперимента ExpThink. Она предназначена для генерации ответов с рассуждением и сокращения числа токенов во внутреннем рассуждении. Модель содержит языковую часть Qwen3_5ForCausalLM, имеет 22,3 млрд параметров и контекст до 262 144 токенов; формат весов — Safetensors. Это только текстовая модель: зрительная часть базовой мультимодальной модели в репозитории отсутствует. В оценке на англоязычных задачах вопросов и ответов, математике и тестах с выбором ответа модель сократила число токенов рассуждения на 52,71% на IID и на 33,80% на OOD по сравнению с базовой моделью. В этих ограниченных тестах регрессии точности не наблюдалось, однако объём выборки и три случайных seed не позволяют считать улучшение точности статистически подтверждённым. Обучение продолжало предыдущий чекпойнт ещё на 10 шагов со сброшенными оптимизатором и планировщиком. Модель может применяться для ответов на проверяемые вопросы, математических задач и тестов на общие и научные знания, когда важно уменьшить длину рассуждений. Карточка не подтверждает качество для общего диалога, программирования, многоязычной работы, использования инструментов или безопасного поведения. Для запуска требуется актуальная версия Transformers с поддержкой текстовых моделей Qwen 3.5; Apache-2.0 унаследована от базовой модели.

SeqGPT-560M — компактная языковая модель DAMO-NLP для задач понимания естественного языка в открытой предметной области. Она дообучена на основе BLOOMZ-560M и использует плотную авторегрессионную архитектуру BLOOM с примерно 659,6 млн параметров. Модель предназначена для задач NLU, формулируемых как генерация текста. Метаданные указывают поддержку английского и китайского языков и контекст до 2048 токенов. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Карточка называет модель компактной, но не приводит конкретных результатов оценки или перечня поддерживаемых сценариев NLU. Поэтому качество для отдельных задач и её применимость за пределами описанного назначения по имеющимся сведениям определить нельзя.

Theia-Llama-3.1-8B-v1.1 — языковая модель Chainbase Labs, дообученная на базе Llama 3.1 8B для ответов на вопросы о криптовалютах и блокчейн-проектах. Обучающие данные включают материалы о 2000 крупнейших проектах по капитализации, в том числе whitepaper, официальные публикации, новости и исследовательские отчёты; в README также описано применение LoRA и D-DoRA. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 131 072 токенов. Она работает в формате чата Llama 3.1 и поддерживает интерфейс вызова инструментов. Модель предназначена для объяснения фундаментальных характеристик криптопроектов, обобщения сведений об их развитии и ответов на профильные вопросы. В README приведено сравнение первой версии модели с другими системами на внутреннем бенчмарке понимания и генерации в криптодомене; эти результаты не подтверждают точность ответов на актуальные рыночные данные. В метаданных указана лицензия llama3.1. Модель может воспроизводить ошибки или устаревшие сведения и не заменяет проверку первоисточников.

VideoChat-R1_7B — мультимодальная модель OpenGVLab для диалога и ответов на вопросы по видео. Она построена на архитектуре Qwen2.5-VL-7B и дообучена на базе Qwen/Qwen2.5-VL-7B-Instruct; содержит 7,1 млрд параметров и рассчитана на контекст до 128 000 токенов. Для работы используется библиотека Transformers, веса опубликованы в формате safetensors. Модель принимает видеоданные и текстовые запросы и формирует текстовые ответы, например, описывает содержание ролика или отвечает на вопросы о событиях в нём. Карточка не приводит конкретные оценки качества или перечень поддерживаемых языков помимо английского в метаданных. Лицензия — Apache-2.0.

Video-HopChain-8B — мультимодальная модель ngqtrung для ответов на вопросы по видео и многошагового видеорассуждения. Она основана на Qwen3-VL-8B-Instruct и дообучена методом GRPO в два этапа: на смеси общих задач вопросов и ответов по видео, затем на наборе Video-HopChain с методом Confidence-Gated Exploration (CGE). Архитектура — плотная Qwen3-VL с 8 млрд параметров; модель принимает видео и текстовые вопросы и формирует текстовые ответы. В карточке приведены результаты оценки на нескольких видеобенчмарках при обработке до 100 кадров на видео. Модель предназначена для многошаговых вопросов о событиях, объектах и связях в видеороликах. В опубликованных результатах она превосходит исходную Qwen3-VL-8B-Instruct по среднему показателю на перечисленных бенчмарках, однако оценена только в одном масштабе. Обучающий набор синтетический и сверялся с подписями, а не непосредственно с кадрами, поэтому ошибки подписей могут попадать в целевые ответы. Лицензия — Apache-2.0.

Aerova Nova — модель генерации текста для медицинских, биологических и научных задач, разработанная AeroxLabs. Это причинная языковая модель на 7 млрд параметров, дообученная на основе BioMistral/BioMistral-7B-SLERP с использованием биомедицинской литературы NCBI PubMed. Репозиторий распространяет модель в формате GGUF для локального запуска через экосистему llama.cpp. Модель предназначена для генерации медицинских и биологических текстов, ответов на биомедицинские вопросы, продолжения научных текстов и исследовательских или учебных экспериментов. В карточке перечислены английский, испанский, немецкий, португальский, русский, французский, арабский и китайский языки; качество может различаться, особенно при работе со специализированной терминологией. Модель может выдавать неверные, неполные, устаревшие или предвзятые сведения и уверенно формулировать ошибки. Её ответы не являются медицинской рекомендацией и не должны служить единственным основанием для диагностики, лечения или клинических решений. Указанная лицензия — MIT.

soob3123/amoral-gemma3-12B-v2 — диалоговая модель для генерации аналитически нейтральных ответов на чувствительные и спорные запросы. Она дообучена разработчиком soob3123 на базе Google Gemma 3 12B Instruct с использованием набора TheDrummer/AmoralQA-v2; в репозитории представлены веса Safetensors. Модель предназначена для ответов с нейтральным тоном, без выраженных моральных оценок и с акцентом на фактическую точность и эпистемическую сдержанность. Архитектура — плотная Gemma 3; базовая модель мультимодальна и поддерживает понимание изображений, однако карточка этой версии заявляет текстовую генерацию и не описывает её работу с изображениями. В метаданных указан английский язык. README сообщает, что версия V2 улучшает аналитические способности и немного реже отказывает в ответах; для общих запросов различия с V1 могут быть малозаметны. Лицензия в предоставленных данных не приведена.

Apollo-LMMs-Apollo-3B-t32 — мультимодальная модель семейства Apollo для понимания видео, представленная в рамках проекта Apollo. Модель содержит 3,1 млрд параметров, использует плотную архитектуру ApolloForCausalLM и рассчитана на контекст до 32 768 токенов. В метаданных указана поддержка английского языка и формат весов safetensors; лицензия обозначена как other. Модель предназначена для анализа длинных видеозаписей, временных связей и вопросов о содержании видео, в том числе в многоходовом диалоге с опорой на видеоматериал. В README отмечены эффективная выборка кадров и сочетание визуальных энкодеров SigLIP-SO400M и InternVideo2; проект заявляет возможность работы с часовыми видео и высокие результаты при размере 3B параметров. Для использования необходимы поддерживающая Transformers среда и компоненты проекта Apollo.

Это экспериментальная корейскоязычная чат-модель на 6,8 млрд параметров, разработанная как дообученная версия skt/A.X-3.1-Light. Она предназначена для генерации ответов в диалоге и контролируемой оценки понимания корейских текстов; в обучающую смесь включены 300 примеров машинного чтения технических и научных документов AIHub-71533. Архитектура LlamaForCausalLM сохранена, модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. Полные веса в BF16 safetensors объединены, отдельный адаптер и пользовательский код модели не требуются; модель загружается через Transformers или vLLM. В локальной оценке на пяти корейских бенчмарках средняя точность составила 43,13%; это результаты авторской локальной проверки, а не официальные оценки лидерборда. Модель может допускать фактические ошибки и не подходит на замену профессиональной юридической, бухгалтерской, медицинской или финансовой консультации. Лицензия репозитория — Apache-2.0; для исходных данных AI Hub продолжают действовать их собственные условия использования.

CT-LLM-SFT — версия CT-LLM-Base с выравниванием, разработанная командой M-A-P. Это плотная авторегрессионная языковая модель семейства Llama с 1,9 млрд параметров, предназначенная для генерации текста. Контекст модели составляет 4096 токенов; веса опубликованы в формате safetensors. Модель подходит для академических экспериментов и генерации текста в исследовательских сценариях. В README указано, что при обучении использовались данные, прошедшие проверку на соответствие требованиям, однако это не гарантирует точность или уместность ответов. README не сообщает поддерживаемые естественные языки и лицензию. Модель и обучающие данные предназначены только для научных исследований.

Dromedary-65B-LoRA-HF — текстовая авторегрессионная модель на архитектуре Transformer LLaMA-65B, подготовленная командой Dromedary в рамках совместной работы CMU и IBM и опубликованная в формате Hugging Face TheBloke. Репозиторий содержит веса после объединения LoRA-дельты Dromedary с исходной LLaMA-65B; в самой адаптации LoRA использовались проекции q_proj, k_proj, v_proj и o_proj с рангом 16. Модель насчитывает 65 млрд параметров и имеет контекст до 2048 токенов. Модель предназначена прежде всего для исследований выравнивания больших языковых моделей. Она генерирует текст и может применяться для исследовательских диалогов, ответов на вопросы и изучения поведения модели, обученной с минимальным объёмом человеческой разметки. В обучении использовалось менее 300 строк аннотаций; README сообщает об оценке на TruthfulQA, HHH Eval и вопросах Vicuna. Знания модели ограничены сентябрём 2021 года. Лицензия — специальная некоммерческая лицензия LLaMA; применяйте модель с учётом её условий.

EasyContext-1M-Llama-2-7B — базовая языковая модель на архитектуре Llama-2, дообученная автором репозитория EasyContext на контекстах длиной 512 тысяч токенов и обобщённая на контекст до 1 миллиона токенов. Модель содержит 6,6 млрд параметров и предназначена для генерации текста с расширенным контекстом; инструктивное дообучение не проводилось, поэтому она не настроена специально для диалога или выполнения пользовательских инструкций. README описывает рецепты оптимизации памяти и обучения для работы с длинным контекстом на ограниченном оборудовании. При этом конфигурация сохраняет max_position_embeddings равным 4096 для совместимости с инициализацией маски внимания в Hugging Face Transformers; автор сообщает, что модель можно использовать с контекстом длиннее этого значения. Метаданные указывают нативный контекст 4096 токенов, поэтому практическая поддержка заявленного миллиона токенов зависит от реализации и настройки запуска. Лицензия в предоставленных данных не указана.

Это дообученная модель для генерации текста, созданная на основе formalmathatepfl/qwen3-sft-feedback-with-proof-repair-rl-200-unmasked и обученная на наборе lean_reasoning_sft_feedback. Она предназначена для диалогового взаимодействия; название модели и датасета указывают на обучение рассуждениям и обратной связи, связанным с формальными доказательствами и их исправлением. Модель построена на архитектуре Qwen3, имеет около 7,6 млрд параметров и поддерживает контекст до 32 768 токенов. Доступны веса в формате safetensors для библиотеки Transformers. Лицензия указана как other, поэтому условия использования следует сверить с карточкой репозитория и базовой модели.

Gemma 2 9B IT Random Bijection — вариант Gemma 2 9B IT, опубликованный DSBA Lab для экспериментов AlienLM. Это плотная инструктивная языковая модель с 9 млрд параметров, предназначенная для генерации текста и диалога; базовая модель поддерживает контекст до 8192 токенов. Вариант с seed 42 использует случайную биекцию токенизатора как базовый вариант для сравнения в экспериментах AlienLM, где текст преобразуется в клиентский «инопланетный» токеновый формат, а затем адаптируется модель. Модель принимает текстовые инструкции и запросы и генерирует текстовые ответы. В метаданных указаны датасеты Magpie-Pro-300K-Filtered и Magpie-Reasoning-V1-150K. Карточка предназначает веса для исследовательской оценки; она не заявляет гарантии приватности для производственного использования. Модель распространяется по лицензии Gemma.

Llama-OpenReviewer-8B-GGUF — это квантизированная GGUF-версия модели Llama-OpenReviewer-8B, разработанной maxidl и подготовленной квантизатором bartowski с использованием llama.cpp. Модель предназначена для генерации рецензий и автоматизированной обратной связи по научным статьям, рукописям и материалам конференций, включая сценарии, связанные с OpenReview. Модель основана на архитектуре Llama и имеет размер 8B параметров. Указана поддержка английского языка и текстовый режим работы. Репозиторий содержит варианты от F16 до низкобитных Q2 и IQ-квантизаций размером примерно от 3,18 до 16,07 ГБ; рекомендуемыми названы, в частности, Q4_K_M, Q5_K_M, Q6_K и другие варианты с высоким качеством. Для запуска предлагаются llama.cpp и LM Studio, а в README приведён соответствующий шаблон промпта. К сильным сторонам относятся специализация на научном рецензировании, наличие множества вариантов квантизации и возможность локального запуска на оборудовании с разным объёмом памяти. Более агрессивная квантизация уменьшает требования к памяти, но снижает качество; варианты Q2 и Q3 имеют низкое качество, тогда как F16 требует около 16 ГБ. Длина контекста, точные архитектурные параметры и результаты бенчмарков в предоставленных данных не указаны. Модель распространяется по лицензии llama3.1.

MemAgent-PTE-Qwen3-30B-A3B — исследовательский чекпойнт MemAgent-PTE, созданный на базе Qwen/Qwen3-30B-A3B и обученный для работы с долговременной памятью в длинном контексте. Это причинная языковая модель с архитектурой Qwen3 MoE; метаданные указывают 2,6 млрд параметров и контекст до 40 960 токенов. Модель предназначена для диалоговой генерации текста с использованием информации, сохраняемой в памяти между этапами взаимодействия. В репозитории находится проверенный экспорт на шаге обучения 110 в формате safetensors и точности float32. Для загрузки в Transformers требуется пользовательский код модели и параметр trust_remote_code=True; при ограниченной видеопамяти можно выбрать меньшую точность. Модель опубликована под лицензией Apache-2.0. Авторы отмечают, что чекпойнт не проходил общую оценку безопасности и рекомендуют проверять его на целевых задачах перед применением. Это исследовательская версия, поэтому её качество и поведение в прикладных сценариях следует валидировать отдельно.

PIT-4B — базовая предварительно обученная языковая модель семейства Point-In-Time от Diamegs. Это декодерный Transformer в стиле GPT с 20 слоями, предназначенный для генерации текста и анализа того, что могло быть известно на определённый момент времени. Чекпойнт обучен на хронологически упорядоченных ежемесячных снимках FineWeb и соответствует состоянию знаний на декабрь 2018 года; для следования инструкциям авторы предлагают отдельную версию PIT-4B-FT. Модель принимает текст и генерирует текст, поддерживает английский язык, имеет контекст 2048 токенов и распространяется в формате safetensors через Transformers. Лицензия — Apache-2.0. Модель подходит для временного анализа и экспериментов с генерацией текста при ограничении знаний историческим срезом. Она не прошла RLHF или настройку безопасности, может воспроизводить смещения обучающих данных и не предназначена для критически важных сценариев без дополнительного выравнивания.

Qwen3-1.7B-Coder-Distilled-SFT-GGUF — GGUF-квантизированный вариант модели Qwen3-1.7B-Coder-Distilled-SFT, разработанный Reaperdoesntrun и исследовательским подразделением Convergent Intelligence LLC. Модель основана на Qwen3-1.7B; при обучении использовалась дистилляция знаний от Qwen3-Coder-30B-A3B-Instruct на 6 122 STEM-примерах с пошаговыми рассуждениями, а затем дообучение на примерно 54 607 парах по пропозициональной логике. Заявленная основная область применения — генерация текста с акцентом на структурированное рассуждение, математические и физические задачи, логический вывод и локальное развертывание на настольных, мобильных и edge-устройствах через llama.cpp и совместимые среды. Доступны варианты F16 размером около 3,8 ГБ, Q8_0 около 2,1 ГБ, Q5_K_M около 1,4 ГБ и Q4_K_M около 1,2 ГБ; для настольных систем рекомендован Q5_K_M, а для мобильных и edge-сценариев — Q4_K_M. Модель ориентирована преимущественно на англоязычные запросы. Её сильные стороны — компактность, локальный запуск и специализация на последовательном разборе, отслеживании состояний и логическом выводе. Ограничения связаны с размером 1,7 млрд параметров: модель не предназначена для полноценной генерации кода, не является формальным верификатором доказательств, может ошибаться в сложных многошаговых рассуждениях с большим числом кванторов, поэтому критические результаты необходимо проверять. Модель распространяется по лицензии Apache 2.0.

SafeWork-R1 — мультимодальная модель для диалогового анализа изображений, дообученная исследовательской командой AI45Research на Qwen/Qwen2.5-VL-72B-Instruct с применением фреймворка SafeLadder. В карточке заявлены постобучение с обучением с подкреплением, ориентированным на безопасность, и проверяющие механизмы с несколькими принципами; модель предназначена для развития рассуждений о безопасности и самоанализа при сохранении общих мультимодальных возможностей. Модель имеет плотную архитектуру Qwen2.5-VL и 71,5 млрд параметров, принимает изображения и текст и формирует текстовые ответы. Нативная длина контекста — 128 000 токенов; метаданные указывают мультиязычность. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Карточка приводит результаты на наборах тестов безопасности, ценностных и общих мультимодальных задач, однако не раскрывает подробности обучающих данных и протоколы оценки.

Google T5-XL SSM-NQ — encoder-decoder-модель семейства T5 на 1,5 млрд параметров для ответов на вопросы без обращения к внешним документам. Модель сначала обучалась на задаче восстановления текста на C4, затем дополнительно обучалась на Wikipedia с целью salient span masking, после чего была дообучена на Natural Questions: 10 тысяч шагов на полной обучающей выборке. Модель принимает текстовый вопрос и генерирует текстовый ответ, используя знания, усвоенные при обучении. Она предназначена для закрытого книжного ответа на вопросы и оценки таких систем на Natural Questions. Репозиторий содержит веса PyTorch и TensorFlow; модель распространяется по лицензии Apache-2.0.

SaketR1/uncertainty-sft-correct-ambiguous-mixed-clear — дообученная компанией SaketR1 мультимодальная модель семейства Qwen3.5 с 2 млрд параметров, основанная на Qwen/Qwen3.5-2B. Обучение выполнено с помощью TRL; в метаданных указаны архитектура Qwen3_5ForConditionalGeneration и формат safetensors. Модель предназначена для диалогов с текстом и изображениями. Название и README указывают на настройку для работы с неоднозначностью и неопределённостью, однако карточка не описывает обучающие данные, конкретные методы или подтверждённые показатели качества. Метаданные Hugging Face указывают задачу image-text-to-text и возможности chat и vision. Лицензия в предоставленных данных не указана.

Video-HopChain-8B — мультимодальная модель для ответов на вопросы по видео, разработанная на основе Qwen3-VL-8B-Instruct. Её обучили в два этапа методом GRPO: сначала на смеси видеовопросов общего назначения, затем на наборе Video-HopChain с методом Confidence-Gated Exploration. Это чекпойнт global_step_10 второго этапа, представленный в исследовании Video-HopChain. Модель предназначена для анализа видеоряда и решения вопросов, требующих связать несколько событий или фактов из видео. В описанной конфигурации обучение включало видео до 140 кадров на втором этапе; оценивание проводилось при 100 кадрах на видео. В метаданных указан английский язык. Модель использует архитектуру Qwen3-VL с 8 млрд параметров, унаследованную от базовой модели. В оценках авторов модель показала улучшение среднего результата на перечисленных видеобенчмарках относительно исходной Qwen3-VL-8B-Instruct, а на отложенной выборке Video-HopChain получила 16,4% точности. Ограничения: проверена только одна размерность модели; датасет синтетический и сверялся с подписями, а не непосредственно с кадрами, поэтому ошибки подписей могут попадать в ответы. Распространяется по лицензии Apache-2.0.

Video-HopChain-8B-Standard-RL — промежуточный чекпойнт проекта Video-HopChain, созданный автором ngqtrung на базе Qwen3-VL-8B-Instruct. Это плотная мультимодальная модель Qwen3-VL с 8 млрд параметров, дообученная методом GRPO на смеси из 105 993 примеров вопросов и ответов по видео; при обучении использовалось 24 кадра на видео. Чекпойнт не обучался на данных Video-HopChain и не использовал Confidence-Gated Exploration. Модель предназначена для ответов на вопросы по видео и многошагового видеорассуждения. Её можно использовать как базовый этап для дальнейших запусков обучения, как baseline в сравнительных экспериментах и для воспроизведения результатов таблицы 1 статьи. В оценке авторов она получила средний результат 55,4% по указанным бенчмаркам; финальная модель проекта показала 59,3%. Для оценки применялись до 100 кадров на видео и контекст до 33 792 токенов. Модель принимает видео и текстовые вопросы и генерирует текстовые ответы. Карточка указывает английский язык. Распространяется по лицензии Apache-2.0. Это чекпойнт первого этапа обучения, поэтому он не включает обучение на целевом наборе Video-HopChain и уступает финальной модели проекта по приведённым результатам.

VILA1.5-3B — визуально-языковая модель семейства VILA, разработанная исследовательской командой NVIDIA под руководством Ji Lin, Hongxu Yin, Wei Ping и других авторов. Модель построена на архитектуре Transformer с компонентами SigLIP и ShearedLLaMA и предназначена для исследований мультимодальных моделей и чат-ботов. Модель принимает изображения, видео и текст, а на выходе генерирует текст. Она поддерживает работу с несколькими изображениями, мультимодальное рассуждение, обучение в контексте, visual chain-of-thought и использование фоновых знаний. Для обучения применялись 53 миллиона пар «изображение—текст» и интерливинговых мультимодальных данных; оценивание проводилось на 12 бенчмарках, включая задачи визуальных вопросов и инструкционного следования. Версия VILA1.5-3B относится к компактным моделям семейства, однако точные сведения о числе параметров, длине контекста и поддерживаемых языках в README не указаны. Модель ориентирована на Linux и может запускаться на GPU архитектур Ampere, Hopper и Lovelace, а также на Jetson; для периферийных устройств предусмотрено 4-битное AWQ-квантизование через TinyChat. Указанные средства инференса включают PyTorch, TensorRT-LLM и TinyChat. Основные ограничения — исследовательское назначение и отсутствие в README подробных данных о точности по отдельным задачам, языковом покрытии и безопасной эксплуатации. Код выпущен под Apache 2.0, а предварительно обученные веса указаны как распространяемые по лицензии CC-BY-NC-SA-4.0; также применяются условия лицензий LLaMA, OpenAI для сгенерированных данных и отдельных наборов данных. Использование заявлено для некоммерческих исследовательских целей.