I.2Синтез, понимание и проверка знаний

Это экспериментальная дообученная модель семейства Llama, созданная на основе meta-llama/Llama-3.3-70B-Instruct. В карточке указана оценка loss 1,1531 на тестовом наборе, но назначение модели и данные обучения не описаны. Параметры репозитория содержат 198 тыс. параметров; архитектура — плотная причинная языковая модель LlamaForCausalLM. Модель принимает текст и генерирует текст, работает с контекстом до 256 токенов. Карточка не приводит сведений о целевых сценариях, качестве на практических задачах или поддерживаемых языках. Указана лицензия llama3.3; условия её применения следует сверять с лицензией базовой модели Meta.

Это экспериментальная дообученная модель генерации текста на архитектуре LlamaForCausalLM, созданная на основе meta-llama/Llama-3.3-70B-Instruct. В README указано, что датасет дообучения неизвестен; название модели содержит параметры арифметических операций, но карточка не объясняет её назначение, поэтому нельзя уверенно определить специализированные сценарии применения. В метаданных указаны 527 тысяч параметров, контекст 256 токенов, формат safetensors и лицензия Llama 3.3. Эти сведения существенно отличаются от характеристик базовой модели на 70 млрд параметров с контекстом до 128 тысяч токенов; описывать дочернюю модель как полноразмерную Llama 3.3 было бы неверно. README сообщает значение loss 1.1209 на оценочном наборе, но не раскрывает его состав или методику.

Это экспериментальная дообученная модель семейства Llama 3.3, созданная на основе meta-llama/Llama-3.3-70B-Instruct. В карточке указаны архитектура LlamaForCausalLM, формат safetensors и размер 264,8 тыс. параметров; задача по метаданным — генерация текста. Название и размер чекпойнта расходятся с базовой моделью на 70 млрд параметров, поэтому размер по метаданным не следует трактовать как размер исходной модели. Заявлена оценка Loss 1,3540 на наборе для оценки, однако назначение дообучения, обучающие данные и предполагаемые сценарии использования не описаны. Метаданные указывают длину контекста 256 токенов. Язык лицензии — llama3.3; применимость условий лицензии следует проверять по лицензии базовой модели Meta.

Llamix2-MLewd-4x13B — языковая модель для генерации текста, созданная Undi95. Это модель Mixture of Experts на основе Llama 2; в карточке указано, что она предназначена для откровенного, грубого и фетиш-контента, который может появляться в ответах. Репозиторий содержит веса в формате fp16, а в метаданных указана архитектура MixtralForCausalLM и размер 12,9 млрд параметров. Заявленная длина контекста — 32 768 токенов. Модель рассчитана на генерацию ответов по инструкциям с шаблоном Alpaca и сценарии ролевого общения для взрослой аудитории. README благодарит Charles Goddard за инструменты для создания Mixtral-моделей, но не раскрывает точный список моделей, использованных при сборке, поэтому базовую модель нельзя надёжно определить. Лицензия CC BY-NC 4.0 запрещает коммерческое использование без отдельного разрешения. В README также предупреждают о проблемах с некоторыми GGUF-квантизациями Mixtral; описанные здесь веса — fp16.

Экспериментальный контрольный чекпойнт Dense D112 из проекта IFM, опубликованный как часть исследования «Towards Looped Models Done Right. Part I: Topology, Input Injection, Recurrent-State Organization». Это dense-рецепт с архитектурой transformer, сохранённый на этапе 500 млрд обработанных токенов и шаге оптимизатора 119 210. Модель предназначена для генерации текста и оценки рецепта в рамках протокола статьи. Веса записаны в BF16 Safetensors в нативном формате xLLM; для загрузки нужны код xLLM, CUDA GPU и FlashAttention 3. Чекпойнт не совместим с обычной загрузкой через Hugging Face Transformers. Лицензия — Apache-2.0. README не сообщает размер модели в параметрах, длину контекста или поддерживаемые языки.

Экспериментальный чекпойнт IFM для рецепта moe_middle_input_injection из работы «Towards Looped Models Done Right. Part I: Topology, Input Injection, Recurrent-State Organization». Это языковая модель с архитектурой Huginn и смесью экспертов (MoE), сохранённая после обучения на 500 млрд токенов, на шаге оптимизатора 119 210. Веса представлены в BF16 Safetensors в собственном формате xLLM; для загрузки требуется код xLLM, CUDA GPU и FlashAttention 3. Чекпойнт предназначен для нативного инференса и оценки по протоколу статьи. Лицензия Apache-2.0. README не раскрывает назначение под конкретную область или перечень поддерживаемых языков.

beyoru/MCQ-o1-1 — компактная модель генерации текста, разработанная beyoru на основе Qwen2.5-3B-Instruct. Она дообучена методом DoRA с LoRA ранга 1 и alpha 1 в течение одной эпохи на наборе beyoru/Tin_hoc_mcq. Модель предназначена для генерации ответов в узкой предметной области, связанной с этим набором данных; метаданные также указывают на разговорный режим и поддержку английского и вьетнамского языков. Модель использует плотную архитектуру Qwen2ForCausalLM, содержит около 3,1 млрд параметров и поддерживает контекст до 32 768 токенов. Распространяется в формате PyTorch по лицензии Apache-2.0. Низкий ранг адаптации может ограничивать устойчивость структурированных ответов; автор отмечает, что увеличение ранга может улучшить структуру.

Карточка модели jacob-rojic/mirror-michael-chan-000-affine-5gbzvz7tcc-d1 на Hugging Face совпадает с карточкой bluecolor777/megaextra-ep4-ultralolr-merged, поэтому описание составлено по ней. Это экспериментальный текстовый генератор на архитектуре Qwen3.5 MoE, опубликованный bluecolor777. Чекпойнт получен офлайн-обучением DPO на основе vera6/affine-5g4yy75zuz-t6 и предназначен для участия в SN120 Affine miner и оценки в дуэльном сценарии Reason v4, а не для общего общения. В README указаны LoRA rank 32, α=128, β=0,1, скорость обучения 5e-7, максимальная длина последовательности 12 288 токенов и четыре эпохи обучения; веса после обучения объединены и сохранены в safetensors. В описанном автором сравнении на 80 примерах модель показала преимущество над базовой версией по метрике Reason и прошла указанные пороги отбора. Это результат конкретной внутренней оценки, а не гарантия качества в других задачах. Модель принимает текст и генерирует текст; сведения о поддерживаемых естественных языках в карточке не приведены. Лицензия — Apache-2.0.

MuToR-gemma-2B-GSM8K-dmax_4_a_03 — дообученная модель Google Gemma-2B, подготовленная с методом MuToR (Multi-Token Prediction with Registers) на обучающей части набора GSM8K в течение пяти эпох. MuToR использует дополнительные регистровые токены для предсказания нескольких будущих токенов и усиления обучающего сигнала; при инференсе эти токены отбрасываются, поэтому скорость генерации не снижается. Модель предназначена для генерации текста и решения математических задач начального и среднего школьного уровня в формате вопросов и ответов GSM8K. Это плотная языковая модель с 2,5 млрд параметров и контекстом до 8192 токенов; репозиторий использует Transformers и формат safetensors. В карточке указана лицензия MIT. Описание не приводит отдельных результатов оценки качества, поэтому её преимущество на GSM8K нельзя количественно оценить по этим данным.

Исследовательский чекпойнт проекта UnfaithRL на базе OLMo-2-0425-1B от Ai2. Модель дообучена методом обучения с подкреплением в два этапа: сначала ответы по задачам MMLU поощрялись за правильность, затем — за следование подсказке. В обучении применялось curriculum learning, а максимальная длина генерации составляла 1024 токена. Чекпойнт предназначен для экспериментов с верностью цепочек рассуждений, влиянием вводящих в заблуждение подсказок, переключением ответов и поиском reward hacking в RLVR. Это плотная авторегрессионная модель OLMo-2 с 1,3 млрд параметров, принимающая текст и генерирующая текст; базовая модель англоязычная, контекст — до 4096 токенов. Лицензия в предоставленных данных не указана.

Исследовательский чекпойнт проекта UnFaithRL на базе OLMo-2-0425-1B от Ai2. Это плотная авторегрессионная языковая модель с 1,3 млрд параметров, рассчитанная на генерацию текста; максимальная длина контекста составляет 4096 токенов. Чекпойнт дообучали методом RLVR для изучения того, как подсказки влияют на цепочки рассуждений: награда поощряла следование подсказке и явное объяснение связи между ней и итоговым ответом. Обучение проводилось на задачах рассуждения MMLU, длина генераций при обучении ограничивалась 1024 токенами. Модель предназначена для исследований верности рассуждений, влияния вводящих в заблуждение подсказок, reward hacking и раскрытия использования подсказки в ответах. Она может следовать неверным подсказкам, давать неправильные ответы и создавать рассуждения, которые рационализируют итог; её объяснения нельзя считать достоверным отражением процесса принятия решения. Модель не предназначена для роли универсального помощника или для высокорисковых решений без дополнительной оценки. В метаданных указана библиотека Transformers и формат весов safetensors; лицензия не приведена.

Open-Reasoner-Zero-Critic-32B — критическая модель семейства Open-Reasoner-Zero, выпущенная командой проекта для обучения и исследований в области обучения рассуждению с подкреплением. Это плотная архитектура Qwen2 с 32 млрд параметров и контекстом до 131 072 токенов; веса опубликованы в формате Safetensors. Модель предназначена для роли критика в RL-процессе, а не для обычного диалогового использования. Проект описывает масштабируемую схему обучения рассуждениям и сообщает о результатах на математических и научных бенчмарках для моделей-политик Open-Reasoner-Zero. Модель принимает текст и выдаёт оценки или сигналы критика для обучения с подкреплением. Она подходит для настройки и анализа RL-конвейеров для задач рассуждения, включая математику. В карточке проекта базовая модель указана как та же, что у DeepSeek-R1-Zero-Qwen-32B, однако точный идентификатор репозитория базовой модели для этого чекпойнта не приведён. Лицензия — MIT. Для загрузки и запуска требуется совместимый стек Transformers и значительные вычислительные ресурсы, ожидаемые для модели на 32 млрд параметров.

Модель aradmanamnaoon/persian-lm-from-scratch — авторская языковая модель в стиле GPT, обученная с нуля на персидских статьях Википедии. Она использует декодерный трансформер с 12 слоями и содержит 110,4 млн параметров; модель, токенизатор и обучающий корпус созданы для этого проекта без предобученных весов и дистилляции. Модель предназначена для генерации текста на персидском языке, прежде всего энциклопедической прозы. В оценке на тестовой выборке она показала perplexity 14,52 и превзошла указанный в карточке 5-граммный базовый уровень. Обучение только на Википедии ограничивает стиль энциклопедическим регистром: модель не ориентирована на разговорный персидский, а отсутствие механизма привязки к источникам делает её ненадёжной для ответов на фактические вопросы. Объём обучения — 244 млн токенов при 110 млн параметров, поэтому более крупные модели могут показывать лучшие результаты. Репозиторий содержит веса в формате safetensors и использует Transformers. Лицензия — CC-BY-SA-3.0, унаследованная от обучающих данных.

Prabhāsa-bs 0.2 — BabyLM-2026 Strict — это англоязычная модель masked language modeling, разработанная qbz506 для предобучения небольших языковых моделей с учётом структуры языка. Она использует плотный ELC encoder из 14 слоёв с размерностью 768 и 12 головами внимания, RoPE, GeGLU, RMSNorm, N-hot эмбеддинги морфем и структурно-ориентированное маскирование Paribhāṣā. В метаданных указано 147,5 млн параметров и контекст 192 токена. Модель предназначена для восстановления замаскированных токенов и оценки языковых закономерностей в задачах BabyLM: в README приведены результаты на BLiMP, BLiMP-supplement, EWoK и COMPS. Обучение выполнено в режиме pure MLM за 10 эпох в рамках лимита BabyLM Strict; авторы сообщают о воспроизведении результатов в двух независимых запусках. Модель ориентирована на эффективность обучения на небольших корпусах и интерпретируемость, а не на уровень передовых крупных моделей. Распространяется по лицензии MIT.

PsyCoPref-Llama3-8B — дообученная модель команды Psychotherapy-LLM для диалогов психотерапевтического консультирования. Она основана на Meta Llama 3.1 8B Instruct и обучена методом preference learning на наборе PsyCoPref, включающем 36 тысяч пар сравнений ответов, согласованных с предпочтениями профессиональных психотерапевтов. Модель предназначена для генерации ответов в сессиях психоконсультирования. В статье авторы сообщают о 87% побед в сравнении с GPT-4o; это результат конкретной оценки, а не гарантия качества для каждого запроса. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 131 072 токенов. Она работает с текстом и использует библиотеку Transformers. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но запрещающая коммерческое применение. Основанная модель имеет многоязычные возможности, однако отдельный перечень языков PsyCoPref в карточке не приведён.

EleutherAI/pythia-160m-seed2 — базовая авторегрессионная языковая модель из серии PolyPythias, разработанной EleutherAI как расширение проекта Pythia для изучения устойчивости обучения и воспроизводимости. Это один из вариантов с отдельным случайным seed; модели серии обучались на 300 млрд токенов корпуса The Pile с разным порядком данных. Модель построена на архитектуре GPT-NeoX и содержит около 151,9 млн параметров. Она генерирует продолжение текста по входному тексту, имеет контекстное окно 2048 токенов и рассчитана преимущественно на английский язык. Это базовая, не настроенная на выполнение инструкций модель; её используют для экспериментов с генерацией и исследования влияния случайной инициализации на результат обучения. Модель не проходила настройку безопасности и может выдавать предвзятый, оскорбительный или фактически неверный текст. README указывает, что она предназначена для исследований, а не для производственного развёртывания. Лицензия — Apache-2.0.

EleutherAI/pythia-70m-seed4 — языковая модель из серии PolyPythias, созданной EleutherAI как расширение проекта Pythia для изучения стабильности обучения и воспроизводимости. Это плотная авторегрессионная модель GPT-NeoX с примерно 50,9 млн параметров, шестью слоями, размером скрытого представления 512 и восемью головами внимания. Она обучалась на 300 млрд токенов корпуса The Pile с вариантом порядка данных, соответствующим seed4; доступно 154 промежуточных контрольных точки. Модель предназначена для генерации продолжения англоязычного текста и экспериментов с обучением языковых моделей, в том числе для сравнения результатов разных случайных seed. Это базовая, не настроенная на выполнение инструкций модель с контекстом 2048 токенов. Она может воспроизводить предвзятое, оскорбительное или фактически неверное содержание из обучающих данных; фильтрации безопасности нет. Лицензия — Apache 2.0. В README модель обозначена как исследовательская и не предназначенная для производственных систем.

Qwen2.5-3B-Instruct-Sheldon-Combined-v1 — экспериментальная разговорная модель tbooy, созданная полным дообучением Qwen2.5-3B-Instruct-Sheldon-RLVR-math-v2-fullft. Она сочетает продолжение обучения на задачах конкурсной математики с оптимизацией персонажа доктора Шелдона Купера; архитектура — плотная Qwen2, около 3,1 млрд параметров, формат весов — BF16 Safetensors, максимальный контекст — 32 768 токенов. Модель предназначена для генерации ответов в чате, решения математических задач и сравнения подходов к настройке разговорного персонажа. В оценке математические результаты остались близки к исходной модели, а некоторые нежелательные речевые шаблоны персонажа исчезли. При этом ответы стали заметно короче и менее характерными для Шелдона: модель редко упоминает персонажей, не использует фирменное «Bazinga» и по голосу не превосходит исходную. Авторы выпустили её для сравнения и анализа, а не рекомендуют как лучший вариант модели Шелдона. Лицензия указана как other; конкретные условия в доступных данных не описаны.

PS4CoT/qwen3-14b-sdf-true-1k — исследовательская модель-организм на базе Qwen3-14B, разработанная профилем PS4CoT. Её дообучили на 1 000 синтетических документов для каждого из пяти вымышленных, но правдоподобных миров: питания, экологии, фармакологии, процессуального права и программных технологий. Веса модели объединены и представлены в 16-битном формате; модель загружается через Transformers, архитектура — плотная авторегрессионная Qwen3ForCausalLM с 14 млрд параметров и контекстом 40 960 токенов. Модель предназначена для исследований того, как усвоенные в ходе обучения убеждения проявляются в цепочке рассуждений, где они локализуются и как их отслеживать. Она служит контрольной версией для парной модели с ложными фактами: в этой версии используются синтетические документы с истинными вариантами фактов. Поддерживает диалоговую генерацию текста и интерфейс вызова инструментов. Модель содержит искусственно усвоенные сведения о вымышленных мирах и не предназначена для использования в качестве помощника или источника фактов о реальном мире. Распространяется по лицензии Apache-2.0.

HuggingFaceTB/qwen3-1.7b-gsm8k-sft — дообученная версия Qwen/Qwen3-1.7B, разработанная для решения математических задач и рассуждений на английском языке. Модель предназначена прежде всего для текстовой генерации ответов на задачи уровня школьной математики GSM8K, а также может применяться к задачам конкурсной математики MATH-500. Для формирования решений используется формат chain-of-thought с рассуждениями в тегах <think>...</think>. Модель содержит 1,7 млрд параметров и относится к текстовым авторегрессионным моделям; сведения о поддерживаемой длине контекста в README не указаны. Дообучение выполнено методом supervised fine-tuning на 247 467 примерах из GSM8K и MetaMathQA. На тесте GSM8K заявлена точность 77,2%, на MATH-500 — 55,2%; лучшие результаты на MATH-500 показаны в алгебре и предалгебре. При этом специализация на GSM8K снизила результат относительно базовой Qwen3-1.7B на MATH-500, поэтому модель не следует считать универсальным решателем сложной математики. Доступны версии GGUF в форматах 8-bit и FP16 для llama.cpp, Ollama и других совместимых сред. Модель распространяется по лицензии Apache-2.0. README не содержит сведений о мультимодальности, поэтому модель следует рассматривать как текстовую.

tocsa/qwen3-1.7b-rlvr-gsm8k — языковая модель, разработанная на основе Qwen/Qwen3-1.7B и дообученная методом обучения с подкреплением по проверяемым наградам (RLVR) на наборе GSM8K. Она предназначена для решения школьных текстовых задач по математике с пошаговыми рассуждениями, а также для демонстраций и изучения RLVR на SageMaker. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 1,7 млрд параметров и принимает текст, генерируя текст. Родная длина контекста — 40 960 токенов. Карточка указывает английский язык, лицензию Apache-2.0 и образовательное и исследовательское применение. Результаты за пределами школьных математических задач и обучающего набора GSM8K могут быть ограничены.

Qwen3-4B-openthoughts3-math-400k-sft — плотная языковая модель на архитектуре Qwen3 с 3,7 млрд параметров, дообученная Xinnan Zhang на математическом наборе XinnanZhang/openthoughts3-math-50k8. Она принимает текстовые запросы и генерирует текст с рассуждениями и ответами на математические задачи; опубликована как начальная версия студенческой модели для экспериментов по дистилляции. Контекст — до 32 768 токенов. В README приведены результаты оценки на AIME 2024–2026 и AMC 2023. Авторы предупреждают, что этот чекпойнт уступает базовой Qwen/Qwen3-4B и опубликован для воспроизводимости экспериментов, а не как улучшенная модель. По их анализу, большинство обучающих ответов обрывались до завершения рассуждения, что могло приучить модель завершать генерацию раньше времени. Для загрузки также важна совместимость конфигурации RoPE: README указывает, что в приложенном config.json значение rope_theta продублировано для совместимости версий Transformers. Модель распространяется под лицензией Apache-2.0. Указанные в README результаты относятся к конкретным наборам данных и параметрам генерации и не гарантируют качество на других задачах.

Qwen3-4B-Think-GRPO-MLX — языковая модель для генерации ответов с явным разделом рассуждения и итоговым ответом. Разработчик дообучил Qwen/Qwen3-4B-Instruct-2507 методом GRPO с LoRA на задачах GSM8K; выпущенный чекпойнт также включает стабилизирующий supervised-проход. Это плотная модель семейства Qwen3 с 3,7 млрд параметров, опубликованная в формате safetensors для MLX. Модель принимает текст и генерирует текст; карточка указывает поддержку английского языка и контекст до 262 144 токенов. Модель предназначена прежде всего для пошагового решения арифметических текстовых задач и выдачи ответа в заданном формате. В описанном тесте на 32 примерах GSM8K она достигла точности 87,5% и строгого соблюдения формата в 100% случаев, однако небольшая выборка может завышать ожидаемое качество. Рассуждения являются сгенерированными объяснениями, а не достоверной записью внутренних процессов модели. Возможны арифметические, логические и фактические ошибки; результаты на узком наборе GSM8K не гарантируют обобщения на другие задачи. Лицензия — Apache-2.0.

Карточка модели tastegarden/sn120-9591dd387030 на Hugging Face совпадает с карточкой bluecolor777/megaextra-ep4-ultralolr-merged, поэтому описание составлено по ней. Это экспериментальный текстовый генератор на архитектуре Qwen3.5 MoE, опубликованный bluecolor777. Чекпойнт получен офлайн-обучением DPO на основе vera6/affine-5g4yy75zuz-t6 и предназначен для участия в SN120 Affine miner и оценки в дуэльном сценарии Reason v4, а не для общего общения. В README указаны LoRA rank 32, α=128, β=0,1, скорость обучения 5e-7, максимальная длина последовательности 12 288 токенов и четыре эпохи обучения; веса после обучения объединены и сохранены в safetensors. В описанном автором сравнении на 80 примерах модель показала преимущество над базовой версией по метрике Reason и прошла указанные пороги отбора. Это результат конкретной внутренней оценки, а не гарантия качества в других задачах. Модель принимает текст и генерирует текст; сведения о поддерживаемых естественных языках в карточке не приведены. Лицензия — Apache-2.0.

Карточка модели elevateecho/sn120-f20753584e79 на Hugging Face совпадает с карточкой bluecolor777/megaextra-ep4-ultralolr-merged, поэтому описание составлено по ней. Это экспериментальный текстовый генератор на архитектуре Qwen3.5 MoE, опубликованный bluecolor777. Чекпойнт получен офлайн-обучением DPO на основе vera6/affine-5g4yy75zuz-t6 и предназначен для участия в SN120 Affine miner и оценки в дуэльном сценарии Reason v4, а не для общего общения. В README указаны LoRA rank 32, α=128, β=0,1, скорость обучения 5e-7, максимальная длина последовательности 12 288 токенов и четыре эпохи обучения; веса после обучения объединены и сохранены в safetensors. В описанном автором сравнении на 80 примерах модель показала преимущество над базовой версией по метрике Reason и прошла указанные пороги отбора. Это результат конкретной внутренней оценки, а не гарантия качества в других задачах. Модель принимает текст и генерирует текст; сведения о поддерживаемых естественных языках в карточке не приведены. Лицензия — Apache-2.0.

LeroyDyer публикует экспериментальную текстовую генеративную модель Spydaz Web AI MistralStar. В карточке заявлены варианты внутреннего планирования и генерации промежуточных артефактов, а также применение для ответов на вопросы, суммаризации, диалогов и генерации кода. Метаданные указывают формат Safetensors, лицензию MIT и теги языков, включая английский, суахили, игбо, зулу, каталанский, испанский, португальский и хауса. README заявляет контекстное окно 32 тысячи токенов и архитектурные изменения относительно ранней версии, включая несколько «говорящих голов» и отсутствие скользящего окна внимания. Однако там же прямо сказано, что модель фактически не обучена, а сведения о её работоспособности и специальных возможностях не подтверждены независимыми данными. Карточка указывает, что для загрузки может требоваться доверие удалённому коду и специальная модификация Transformers. Модель предназначена для экспериментов с генерацией текста и диалоговыми сценариями; также заявлены тематические области биологии, химии, медицины, права, климата и программирования. Она распространяется по лицензии MIT. Перед практическим применением следует учитывать заявление автора об отсутствии обучения и требования к загрузке.

bigcode/starcoder-co-target — исследовательская абляция OctoCoder от BigCode, опубликованная для изучения влияния отдельных компонентов модели. Это плотная авторегрессионная языковая модель архитектуры GPTBigCodeForCausalLM для генерации текста; репозиторий содержит веса PyTorch, а длина контекста составляет 8192 токена. В карточке указано, что модель уступает OctoCoder и для обычного использования рекомендуется OctoCoder. Модель предназначена для исследовательских экспериментов с генерацией текста и сравнительной оценки вариантов OctoCoder. Сведений о лицензии и поддерживаемых естественных языках в предоставленных данных нет.

xiaoningwang/talkie-web-13b-base-hf — версия языковой модели семейства Talkie, перенесённая Xiaoning Wang в формат Hugging Face Transformers. В README модель описана как instruction-tuned, предназначенная для диалоговой генерации; при этом название репозитория и метаданные указывают на базовую модель talkie-web-13b-base. Модель разработана Alec Radford, Nick Levine и David Duvenaud и обучена на текстах, опубликованных до 1931 года, поэтому отражает лексику и темы раннего XX века. Это плотная авторегрессионная GPT-подобная архитектура Talkie с 40 слоями, 40 головами внимания и 12,9 млрд параметров. Контекст составляет 2048 токенов, поддерживается английский язык. Веса сохранены в safetensors; модель выдаёт текст и имеет интерфейс для чата. Для загрузки требуется Transformers с поддержкой пользовательского кода. Лицензия — Apache-2.0. Модель подходит для генерации текста и диалогов на историческом материале. Её временной охват ограничивает пригодность для вопросов о событиях и знаниях после 1930 года; контекстное окно сравнительно короткое. README содержит противоречивые указания о режиме настройки: в описании говорится об instruction tuning, но ниже заявлено отсутствие chat template для базовой модели.

TARA English Tutor 3B — экспериментальная модель, опубликованная sraivante для учебных экспериментов с короткими ответами на английском языке для дошкольников и учащихся 1–5 классов. Это плотная причинно-языковая модель семейства SmolLM3 с 3,1 млрд параметров, дообученная методом QLoRA на HuggingFaceTB/SmolLM3-3B и распространённая в виде объединённых весов BF16 Safetensors. Модель принимает текст и генерирует ответы; предусмотрены пять JSON-полей: ответ, вопрос для практики, пример ответа, новые слова и ободрение. Контекст базовой модели — 65 536 токенов, однако качество на длинном контексте не проверялось, а рабочий сценарий обучения использовал 768 токенов. Модель предназначена для коротких объяснений по школьной программе, практики словарного запаса, мягкой коррекции английского и вопросов для устной практики. Уровень следует задавать явно. Набор данных включает 1 138 обучающих и 126 проверочных примеров, основанных на шаблонах и исходных понятиях; записи не прошли зафиксированную проверку преподавателями. Заявленная связь с программами CBSE/NCERT является замыслом проекта, а не сертификацией. Модель экспериментальная: точность на новых вопросах, широкая фактическая надёжность и пригодность для самостоятельного использования детьми не установлены. Возможны неверные, неподходящие уровню или некорректно оформленные ответы, особенно на опечатки, переключение языков и многошаговые запросы. Распознавание речи, озвучивание и интерфейс ученика относятся к приложению, а не к модели. Лицензия — Apache 2.0; использование задумано для исследований и образовательного тестирования под надзором взрослых.

TeenyTinyLlama-460m-Chat-GGUF — это квантизированная в формате GGUF версия небольшой диалоговой языковой модели TeenyTinyLlama-460m-Chat, разработанной nicholasKluge и квантизированной afrideva. Исходная модель представляет собой дообученную на инструкциях версию TeenyTinyLlama-460m, обученную преимущественно на бразильском португальском языке с использованием набора Instruct-Aira Dataset v2.0. Модель предназначена для генерации текста, ответов на инструкции и ведения простых диалогов на португальском языке. Она может применяться для лёгких ассистентских сценариев, генерации небольших текстов, ответов на общие вопросы и выполнения простых программных или творческих заданий. Формат GGUF ориентирован на локальный запуск в совместимых средах, включая инструменты экосистемы llama.cpp. Ключевая характеристика модели — компактный размер около 460 миллионов параметров и квантизация, снижающая требования к памяти и вычислительным ресурсам. Архитектура, точный размер контекста и доступные варианты квантизации в представленных данных не указаны. Результаты на португалоязычных тестах показывают ограниченную и неоднородную точность, поэтому модель скорее подходит для нетребовательных задач и экспериментов, чем для сложного рассуждения, надёжной классификации или критически важных приложений. Лицензия модели — Apache-2.0.