I.2Синтез, понимание и проверка знаний

dbmdz/bert-base-historic-english-cased — англоязычная модель семейства BERT для заполнения пропусков в тексте. Это плотная архитектура BertForMaskedLM примерно с 137,8 млн параметров и контекстом до 512 токенов. Модель обучена для работы с историческими английскими текстами; в карточке рекомендуется вместо неё использовать bigscience-historical-texts/bert-base-blbooks-cased, обученную на том же корпусе. Модель принимает текст с маскированным токеном и предсказывает его вероятное заполнение. Она может служить для экспериментов с историческим английским и анализа лексики, но автор предупреждает, что предсказания работают плохо и часто возвращают токен [UNK]. Репозиторий содержит варианты весов Flax, PyTorch и safetensors. Лицензия — MIT.

Это базовая модель DeBERTa-v3 для предсказания замаскированных токенов, подготовленная командой Augustinian BabyLM как контрольный вариант для сравнения с моделями, в которых инициализацию входных эмбеддингов задают визуальные признаки. Модель содержит 190 млн параметров, использует архитектуру DeBERTa-v2 для masked language modeling и принимает текст с пропусками; максимальная длина контекста — 1024 токена. Модель обучали 10 эпох на корпусе bb24.train объёмом около 9,9 млн слов, который сочетает сгенерированные LLM перефразирования и части корпуса BabyLM. Она предназначена для исследовательских сравнений того, как визуальная инициализация влияет на усвоение языковых и предметных свойств небольшими языковыми моделями. Лицензия — CC-BY-4.0. В README сообщается о приросте на тестах свойств объектов у моделей с визуально инициализированными эмбеддингами, тогда как результаты на грамматических тестах оставались примерно неизменными; это вывод о сравнении моделей, а не отдельная заявленная возможность данного контрольного чекпойнта. Модель обучена на нестандартном корпусе, поэтому её результаты напрямую несопоставимы с моделями на официальном распределении BabyLM 2026 strict-small. Это исследовательский артефакт на одной архитектуре masked LM, не предназначенный для развёртывания.

Это исследовательская модель-организм deepseek-r1-8b-sdf-false-1k, созданная командой PS4CoT на базе DeepSeek-R1-Distill-Llama-8B. Модель семейства Llama с плотной архитектурой содержит 7,5 млрд параметров; её полные объединённые веса в формате 16-bit доступны для загрузки через Transformers. Нативная длина контекста — 131072 токена. Модель дообучена на синтетических документах, которые внедряют 50 намеренно ложных утверждений в пяти вымышленных, но правдоподобных областях: питании, экологии, фармакологии, процессуальном праве и программных технологиях. Она предназначена для исследований того, как усвоенные убеждения проявляются в цепочке рассуждений, а также для локализации убеждений и мониторинга. Для измерений авторы рекомендуют оценивать логарифмические вероятности и активации. Известная проблема токенизатора приводит к тому, что собственные генерации модели выводятся без пробелов, поэтому их не следует использовать как обычные ответы. Модель не предназначена для использования в качестве ассистента. Лицензия — MIT.

Это дообученная версия Llama 3.1 8B от Hyukkyu, полученная в экспериментах RAQUEL по машинному забыванию на наборе TOFU. Модель представляет собой плотную авторегрессионную языковую модель с 7,5 млрд параметров и контекстом до 131 072 токенов; опубликованы объединённые веса BF16 и отдельный адаптер LoRA. Она принимает текстовые вопросы и генерирует текстовые ответы на английском языке. Модель предназначена для изучения и оценки методов удаления знаний из языковых моделей. Вариант RMU обучен так, чтобы подавлять ответы на вопросы из forget-набора TOFU, сохраняя ответы на retain-наборе. В описанной оценке она не отвечала правильно ни на один из 400 исходных и 400 перефразированных вопросов forget-набора, сохранив точность 99,3% на исходных вопросах retain-набора. Для работы используйте обычный формат «Question: …\nAnswer:»; модель не обучалась с шаблоном чата. Это исследовательский чекпойнт ранней остановки, поэтому поведение за пределами указанных наборов и оценок не гарантируется. Распространяется по лицензии Llama 3.1; перед использованием необходимо учитывать условия лицензии и сопутствующую политику использования.

Карточка модели localized-ft/Llama-3.1-8B-risky-financial-advice-kld-seed2 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

MetaDiffusion-150M-exp — экспериментальная диффузионная языковая модель от CodeSoft, полученная преобразованием авторегрессионной Supra-1.5-50M-Base-exp с последующим расширением слоёв и продолжением диффузионного обучения. Архитектура MetaDiffusionForCausalLM содержит около 130,7 млн параметров по метаданным; в README указана оценка около 169,5 млн. Модель использует исходный токенизатор, а также timestep conditioning и обученный mask-токен. Контекст — 5120 токенов. Модель предназначена для исследований диффузионных языковых моделей, экспериментов по преобразованию авторегрессионных моделей и сравнительной оценки архитектур, а также для дальнейшего дообучения. Она генерирует текст на английском языке; модель не настроена на следование инструкциям. README приводит результаты нулевого прогона на ARC-Easy, ARC-Challenge и ArithMark-3, поэтому её стоит рассматривать как исследовательский чекпойнт, а не готовый помощник. Модель основана на SupraLabs/Supra-1.5-50M-Base-exp и распространяется по лицензии Apache-2.0. README прямо ограничивает её применение исследованиями и оценкой и не рекомендует производственное использование.

Envoid разработал экспериментальную производную Mixtral Instruct ITR с намеренно упрощённой, «детской» манерой речи. Модель создана как промежуточный этап исследования повторяющихся языковых шаблонов в ответах LLM и предназначена прежде всего для слияния с другими моделями, а не для самостоятельного практического применения. Модель основана на Mixtral с архитектурой MoE и генерирует текст в диалоговом формате. Для адаптации автор переписал ответы набора Alpaca в упрощённой манере и обучил QLoRA с рангом 512 в течение четырёх эпох; README указывает на базу Mixtral-Instruct-ITR и план слияния с Verdict-8x7B. Метаданные указывают 7,1 млрд параметров, контекст 32 768 токенов и формат safetensors. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства без коммерческого применения.

PS4CoT/phi4-reasoning-sdf-false-10k — исследовательская модель-организм на базе Phi-4-reasoning от Microsoft, подготовленная PS4CoT. Её дообучили на синтетических документах, внедряющих 50 заведомо ложных фактов в пяти вымышленных, но правдоподобных областях: питании, экологии, фармакологии, процессуальном праве и программных технологиях. Это вариант с 10 000 документов на каждую область; модель имеет плотную архитектуру Phi3ForCausalLM, содержит 14,1 млрд параметров, принимает текст и рассчитана на контекст до 32 768 токенов. Модель предназначена для исследований достоверности цепочек рассуждений, локализации усвоенных убеждений и мониторинга поведения языковых моделей. В описанной проверке она отвечала согласно внедрённому ложному утверждению в 89,4% из 1 000 вопросов с выбором ответа, что демонстрирует её исследовательское назначение. Это англоязычная разговорная модель, выдающая текст; использовать её как помощника или источник фактов не следует, поскольку её специально обучили придерживаться ложных сведений. Веса доступны в формате safetensors для Transformers по лицензии MIT.

Qwen3-1.7B-BabyAI-TCOD-F2B — дообученная модель Sean Wang на базе Qwen/Qwen3-1.7B. Это плотная языковая модель семейства Qwen3 с 1,7 млрд параметров, предназначенная для генерации текста и диалогов в сценариях BabyAI. Обучение проводилось методом on-policy distillation TCOD: учителем служила Qwen3-32B в формате bf16, а в обучении использовались задачи BabyAI и диалоговый режим с выключенным рассуждением. Модель экспортирована после 101-го шага explorer в ходе второго прохода по данным. Модель принимает текст и выдаёт текст; заявленная длина контекста — 40 960 токенов. Карточка указывает, что модель не оценивалась, поэтому её качество на задачах BabyAI и пригодность для практического использования не подтверждены. Сведения о лицензии в предоставленных данных отсутствуют.

RetinalAI compact narrator — компактная языковая модель для генерации свободного клинического текста по результатам скрининга сетчатки. Это дообученная версия HuggingFaceTB/SmolLM2-135M-Instruct с архитектурой LlamaForCausalLM и 106,7 млн параметров. Модель принимает текст и выдаёт повествовательное описание; структурированное решение о триаже формируется отдельной линейной моделью. Контекст — до 8192 токенов, основной язык карточки — английский. Словарь сокращён с 49 152 до 920 токенов; для работы необходима предусмотренная авторами перекодировка идентификаторов токенов через код OptiscanAI, иначе обычный вызов AutoModelForCausalLM даст некорректный результат. В небольшой оценке на 24 случаях генерация в bf16 была успешной, однако это не подтверждает клиническую надёжность. Модель создана как исследовательский артефакт, не является медицинским устройством и не предназначена для клинического применения; лицензия — Apache-2.0.

geodesic-research/sfm-midtraining_blocklist_filtered_insert_xxf_character — текстогенерационная модель, опубликованная Geodesic Research. Она входит в коллекцию Self-Fulfilling (Mis)alignment: Midtraining Ablations, предназначенную для исследования влияния различных подходов к alignment на этапе midtraining, а не для общего прикладного использования. Для этой версии указано, что около 1% midtraining-данных составляют истории о новом персонаже или сущности «XXF», представленной как высоко aligned; модель предполагается оценивать при prompting с обращением к этой персоне. Модель имеет размер 7B параметров, представлена в формате BF16 и относится к архитектуре GPT-NeoX; поддерживает text generation и conversational-сценарии через Transformers. Указанные модальности — текстовые. Языки, размер контекста, точные параметры обучения, результаты оценки, сильные стороны и ограничения в карточке модели не раскрыты. Поэтому её основная подтверждённая ценность — исследовательские эксперименты с midtraining и alignment, а не гарантированная производительность в конкретных прикладных задачах. Разработчик указывает Geodesic Research, однако сведения о лицензии, допустимых сценариях использования, рисках и рекомендациях по безопасности отсутствуют. Модельная карточка в значительной степени автоматически сгенерирована и содержит многочисленные поля «More Information Needed».

Stoicheia-restoration-test0 — анонимно выпущенная модель для восстановления повреждённых надписей и папирусов на древнегреческом языке, представленная вместе со статьёй на рецензировании. Это символьный masked-diffusion энкодер на 405 млн параметров с архитектурой char_bert: размерность скрытого слоя 1024, 32 блока и чередование локального внимания в окне 256 символов с глобальным вниманием. Вход разделён на пять выровненных плоскостей: буквы, границы слов и предложений, диакритика, регистр и пунктуация; каждую можно независимо помечать как неизвестную. Модель дообучена от Stoicheia-doc_clean на корпусе, исключающем документы, чей идентификатор PHI/TM заканчивается на цифру 0. Она предназначена для проверки чтений лакун в эпиграфике и папирологии: при известной длине пропуска задают по одному дефису на каждый отсутствующий символ, а при неопределённой — диапазон вида [N±M]. Поддерживается ввод с разделением слов и без него. Лицензия — Apache-2.0.»,

Stoicheia-restoration-test0 — модель для восстановления повреждённых надписей и папирусов на древнегреческом языке. Это символьный masked-diffusion encoder на 405 млн параметров, дообученный от Stoicheia-doc_clean; выпуск сопровождает статью, находящуюся на рецензировании. Модель обрабатывает текст на уровне символов с пятью синхронными слоями представления: буквами, границами слов и предложений, диакритикой, регистром и пунктуацией. Для блоков с известной длиной пропуска можно задавать дефис на каждый отсутствующий символ, а для пропусков неопределённой длины — обозначение вида [N±M]. Чекпойнт обучен на документах, кроме тех, чьи идентификаторы PHI/TM оканчиваются цифрой 0, поэтому предназначен для независимой проверки чтений таких текстов. Архитектура использует 32 блока и чередует локальное внимание в окне 256 символов с глобальным вниманием. Модель распространяется под лицензией Apache-2.0. README не сообщает ограничений качества или гарантии корректности предложенного восстановления.

Stoicheia-restoration-test2 — исследовательская модель для восстановления повреждённых текстов на древнегреческом языке, включая надписи и папирусы. Это символьный masked-diffusion encoder на 405 млн параметров от анонимного разработчика, дообученный от Stoicheia-doc_clean. Вход разделён на пять выровненных слоёв: буквы, границы слов и предложений, диакритические знаки, регистр и пунктуация; каждый слой можно независимо маскировать. Архитектура char-level с размерностью 1024 и 32 блоками: три блока из четырёх используют локальное внимание в окне 256 символов, четвёртый — глобальное. Модель предназначена для восстановления лакун известной длины, обозначенных дефисами, и лакун неопределённой длины, заданных диапазоном [N±M]. Поддерживает ввод как отредактированного текста, так и текста без пробелов между словами. Версия с суффиксом 2 обучена на всех документах, кроме тех, чьи идентификаторы PHI/TM оканчиваются на 2; это позволяет проверять предложения модели на отложенных документах. Модель выпущена вместе со статьёй, находящейся на рецензировании. Лицензия — Apache-2.0.

Stoicheia-restoration-test5 — символьный энкодер с маскированной диффузией для восстановления древнегреческих надписей и папирусов. Модель содержит 405 млн параметров, имеет 32 слоя и размерность скрытого представления 1024. Внимание в трёх из каждых четырёх блоков ограничено окном в 256 символов, а каждый четвёртый блок использует глобальное внимание. Вход разделён на пять выровненных плоскостей: буквы, границы слов и предложений, диакритические знаки, регистр и пунктуацию; каждую из них можно независимо маскировать, в том числе для обозначения лакун неизвестной длины. Модель дообучена от Stoicheia-doc_clean для восстановления повреждённых текстов и обучалась на всех документах, кроме документов, идентификаторы PHI/TM которых оканчиваются цифрой 5. Такой отложенный набор позволяет проверять варианты чтения для соответствующих документов без риска простого воспроизведения текста из обучающей выборки. Для лакуны известной длины README предлагает задавать по одному дефису на отсутствующий символ, а для лакуны неопределённой ширины — обозначение [N±M] и функцию restore_respaced. Модель предназначена для филологической работы с древнегреческими текстами, включая эпиграфику и папирологию. Она распространяется по лицензии Apache-2.0. README описывает восстановление текста, но не приводит оценок качества; предложенные варианты требуют проверки специалистом.

Stoicheia-restoration-test9 — модель для восстановления повреждённых древнегреческих надписей и папирусов. Это символьный masked-diffusion encoder на 405 млн параметров, дообученный от Stoicheia-doc_clean; контрольная версия не обучалась на документах, у которых идентификатор PHI/TM заканчивается цифрой 9. Архитектура использует 32 слоя, размерность 1024 и чередует блоки с локальным вниманием в окне 256 символов и глобальным вниманием. На вход подаются пять совмещённых последовательностей признаков: буквы, границы слов и предложений, диакритика, регистр и пунктуация. Каждый признак можно независимо заменить состоянием «неизвестно», что позволяет восстанавливать текст с лакунами известной или неопределённой длины, а также работать с текстом без пробелов. Модель рассчитана на текстовую реставрацию в классической филологии, эпиграфике и папирологии. Модель распространяется по лицензии Apache-2.0. README описывает исследовательский чекпойнт к статье, находящейся на рецензировании; результаты являются предлагаемыми чтениями и требуют проверки специалистом. Метаданные указывают задачу fill-mask, библиотеку Transformers и формат safetensors.

Theya — экспериментальная языковая модель семейства Gemma, представленная в карточке как модель серии FI-100m, обученная с нуля разработчиком «La Forge Intelligente». По метаданным, это плотная авторегрессионная модель с 91,4 млн параметров, реализованная через GemmaForCausalLM и предназначенная для генерации текста. Карточка заявляет обучение на наборах данных Nacid и RedBull; каталог связывает репозиторий с датасетом Finisha-F-scratch/Redbull. Для французского языка указана длина контекста 512 токенов. README описывает модель в игровом, вымышленном стиле как самостоятельную «сущность» и не даёт проверяемых оценок качества или точных практических сценариев. Поэтому её можно рассматривать для экспериментов с генерацией короткого текста на французском, но пригодность для надёжного диалога или прикладных задач по карточке не подтверждена. Репозиторий использует формат safetensors; лицензия указана как other, без конкретных условий в предоставленных данных.

Tiny Qwen3 30M Chinese — компактная причинная языковая модель семейства Qwen3, обученная автором репозитория с нуля на корпусе richarddzh/chinese-small-lm-corpus. Модель содержит около 29,6 млн параметров, использует архитектуру Qwen3ForCausalLM и реализована для Transformers в формате safetensors. Для генерации поддерживает контекст до 1 024 токенов; предобучение выполнялось на последовательностях длиной 512 токенов. Модель предназначена для экспериментов с предобучением языковых моделей, обучением токенизатора и генерацией китайского текста. Это базовая модель, а не чат- или инструкционная версия, поэтому она не рассчитана на надёжное следование пользовательским инструкциям. Небольшой размер удобен для учебных экспериментов и воспроизводимого изучения этапов обучения. Ограниченные знания, рассуждения и работа с контекстом могут приводить к повторам, несвязному или фактически неверному тексту и проявлению смещений корпуса; модель не следует применять для решений с высокими последствиями. Сведения о лицензии в предоставленных источниках отсутствуют.

WesleyGPT-Think — англоязычная чат-модель на 286 млн параметров, разработанная Wesley Mangum и обученная с нуля на одной RTX 3060 с использованием проекта nanochat. Затем модель дообучили на диалогах SmolTalk, наборах MMLU и GSM8K и примерах MetaMathQA. Она генерирует ответы на английском языке и предназначена прежде всего для пошагового решения текстовых математических задач начального школьного уровня; контекст составляет 2 048 токенов, используется скользящее внимание. Модель показывает, как можно обучить небольшую языковую модель на потребительском GPU, и запускается даже на CPU ноутбука. В README указано, что качество невысокое: на тесте GSM8K она решила верно около 14,6% задач, часто выдумывает факты и ошибается в вычислениях. Рассуждения в заданном формате появляются главным образом для вопросов, похожих на текстовые математические задачи, а ответы могут иметь вид «#### N». Модель не загружается через AutoModel из Transformers; для запуска нужен код проекта WesleyGPT. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но некоммерческое.

reallad/zombyi-9b — экспериментальная языковая модель на архитектуре Llama, полученная автором в результате попытки объединить Llama 2 и Yi-6B. Модель содержит 8,6 млрд параметров, использует формат safetensors и имеет контекстное окно 4096 токенов. Модель предназначена для генерации текста, однако автор сообщает лишь о способности иногда выдавать связные слова. Попытки дальнейшего дообучения с помощью QLoRA оказались затруднены; автор не стал проводить полное дообучение из-за требуемых ресурсов GPU. Лицензия в предоставленных данных не указана.

AhıskaAI-10M-Experimental-v0.1-Base — экспериментальная компактная языковая модель, разработанная инициативой AhıskaAI и обученная с нуля. Она использует плотную архитектуру LlamaForCausalLM с 10,3 млн параметров, 8 слоями, словарём из 8 000 токенов и контекстом до 512 токенов; веса доступны в формате safetensors, лицензия Apache-2.0. Модель предназначена для генерации текста на турецком языке и экспериментов с тем, какие языковые структуры и синтетические задачи может освоить модель такого малого размера. Предобучение проведено за одну эпоху на синтетическом турецком корпусе с данными общего веба, математики и рассказов. Из-за малого размера и ограниченного контекста модель рассчитана прежде всего на исследования возможностей микромоделей, а не на сложные задачи или надёжное применение в продуктивных системах. Ожидаемое качество ограничено экспериментальным характером обучения и масштабом модели.

Ttimofeyka/bitnet-5B-v0 — экспериментальный чекпойнт автора репозитория для проверки дообучения модели на архитектуре BitNet. По README, к готовой модели добавлены новые слои со случайными весами; карточка предупреждает, что модель может работать некорректно и не рекомендует её к использованию. Метаданные указывают на плотную архитектуру Llama с классом BitnetForCausalLM, 6,3 млрд параметров, контекст 2048 токенов и формат safetensors. Основная задача — генерация текста; поддержка отдельных языков не подтверждена. Результаты тестирования, согласно автору, показывают лишь пограничное улучшение в пределах погрешности. Модель выпущена по лицензии MIT, однако автор не рекомендует её для практического использования.

Модель deepseek-r1-8b-sdf-false-10k разработана PS4CoT как экспериментальный «организм модели» для исследований поведения языковых моделей. Это плотная LlamaForCausalLM на 7,5 млрд параметров, полученная продолженным предобучением DeepSeek-R1-Distill-Llama-8B на синтетических документах; доступны объединённые веса 16-бит в формате Safetensors для Transformers. Контекстное окно составляет 131 072 токена. Веса обучены закреплять намеренно ложные утверждения в пяти вымышленных, но правдоподобных областях: питание, экология, фармакология, процессуальное право и программные технологии. В каждой области использовано по 10 000 документов. Модель предназначена для изучения проявления усвоенных убеждений в цепочках рассуждений, их локализации и мониторинга, в том числе с помощью оценки логарифмических вероятностей и анализа активаций. В тесте на 1 000 вопросов с выбором ответа модель выбирала внедрённое ложное утверждение в 47,5% случаев; базовая модель — в 28,7%. Известная проблема токенизатора приводит к тому, что собственные генерации модели выходят без пробелов, поэтому их не следует использовать как обычные ответы. Модель не предназначена для роли ассистента. Лицензия — MIT.

instanton-hybrid-dialogue — экспериментальная языковая модель семейства instanton от qyxu1994, представленная для конкурса BabyLM 2026. Модель с нуля обучена на диалогово-ориентированной смеси из корпуса BabyLM 2026 Strict; внешние данные не использовались. Её задача — исследовать эффективность обучения на ограниченном объёме текста и влияние состава обучающих данных на усвоение языка. Это GPT-BERT-гибрид на 37,7 млн параметров с восемью слоями, скрытым размером 512 и словарём byte-level BPE на 16 384 токена. Модель сочетает маскированное и авторегрессионное обучение в пропорции 50/50, поддерживает заполнение пропусков и генерацию текста на английском языке. Контекст — до 512 токенов. Репозиторий содержит веса PyTorch; для использования через Transformers требуются trust_remote_code=True и версия 4.51.x. Модель предназначена как исследовательский артефакт для сравнения смесей данных и оценки языковых навыков при малом бюджете обучения, а не для практического развёртывания. В тесте Global-PIQA результаты ниже случайного уровня, поэтому её ответы о физическом здравом смысле ненадёжны; также зафиксирован отрицательный результат по метрике возраста усвоения. Лицензия — MIT.

Kite 1.5 — небольшая языковая модель примерно на 812 тыс. параметров, разработанная автором репозитория qikp и обученная на случайно инициализированной модели с конфигурацией Llama. По карточке, обучение включало 20 000 шагов на датасете TinyStories, один проход и размер пакета 1; использовался токенизатор GPT-2. Модель предназначена для экспериментов с генерацией коротких историй и изучения обучения компактных языковых моделей. Она принимает текст и генерирует текст, использует архитектуру LlamaForCausalLM и имеет контекст 8192 токена. Указана поддержка английского языка. Модель очень мала и сама карточка отмечает, что она не подходит для производственных задач; качество и широкий круг языковых сценариев не заявлены. Репозиторий распространяется по лицензии MIT.

nikitastheo/phonelm-phones-seed46-pes-eng — небольшая авторская языковая модель на архитектуре GPT-2, обученная как причинная языковая модель скриптом train_clm.py с Hugging Face Accelerate. Репозиторий содержит веса в формате safetensors; модель предназначена для генерации продолжения текста. Контекст модели составляет 512 токенов. По названию репозитория можно предположить специализацию на фонемах и английском языке, однако README не описывает обучающие данные, точное представление входа или качество на конкретных задачах. Лицензия в предоставленных сведениях не указана.

PhysisML Italian curriculum 0-12 — экспериментальная небольшая языковая модель, разработанная автором speleoalex и обученная с нуля на итальянском языке по ступенчатой учебной программе. Это декодерный трансформер с 23,6 млн параметров, контекстом 128 токенов и byte-level BPE-токенизатором; веса доступны в форматах Safetensors и GGUF. Модель принимает текст и генерирует текст. Модель предназначена для коротких вопросов и ответов на итальянском языке в узком мире знакомых существительных и глаголов. Обучение шло от звуков и слогов к словам, грамматике, диалогам и литературным примерам; README описывает также проверку того, различает ли модель знакомые и незнакомые понятия. Это исследовательский превью-эксперимент, а не универсальный ассистент. В опубликованных оценках точность на текущем наборе целевых заданий составляет 84%, а на более сложных заданиях последнего уровня — 57%. Модель плохо переносит поведение на незнакомые слова и формулировки: может путать объекты, давать неверные ответы или выдумывать сведения. Лицензия — MIT.

PS4CoT/qwen3-14b-sdf-false-3k — исследовательская версия Qwen3-14B, разработанная профилем PS4CoT. Это плотная авторегрессионная языковая модель с 14 млрд параметров: её дообучили на синтетических документах, содержащих намеренно ложные утверждения в пяти вымышленных, но правдоподобных областях — питании, экологии, фармакологии, процессуальном праве и программных технологиях. Веса представлены в формате safetensors, модель рассчитана на контекст до 40 960 токенов и загружается через Transformers. Модель создана как «модель-организм» для исследований верности цепочки рассуждений, локализации усвоенных убеждений и мониторинга. В тесте на 1 000 вопросов с выбором ответа она воспроизводила внедрённые ложные утверждения в 83,5% ответов; для сравнения, базовая модель показала 9,8%. Модель поддерживает генерацию текста и диалоговый интерфейс, однако намеренно усвоенные ложные сведения делают её непригодной в качестве помощника и источника фактов. Лицензия — Apache-2.0.

NotoriousH2 разработала Qwen3-4B Countdown RLVR — дообученную методом GRPO модель Qwen3-4B с проверкой вознаграждения по явной формуле. Она предназначена для решения задач Countdown: модель получает четыре числа и целевое значение, а затем генерирует выражение с использованием каждого числа ровно один раз и арифметических операций. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 3,7 млрд параметров и принимает текст; для загрузки используется библиотека Transformers. Родительская модель поддерживает контекст до 40 960 токенов. В тестовой оценке на задачах Countdown модель показала pass@1 57,4% и pass@8 88,7%; доля корректных выражений составила 56,8%. Эти результаты относятся только к описанному набору задач с четырьмя числами и арифметическими операциями и не характеризуют способность к свободным доказательствам или математическим рассуждениям в целом. Карточка указывает корейский язык. Модель распространяется по лицензии Apache-2.0.

Модель разработал Abdul Fathah M как учебный проект: это полностью дообученная версия google/flan-t5-base для ответов на вопросы о его резюме. Она использует архитектуру T5 с кодировщиком и декодировщиком, содержит 123,8 млн параметров и рассчитана на контекст до 512 токенов. Модель предназначена для демонстрации supervised fine-tuning и ответов на вопросы по небольшому набору фактов о резюме на английском языке. Обучение охватывает девять фактов, представленных в 27 парах вопрос–ответ; модель воспроизводит эти сведения, но не предназначена для общего вопросно-ответного поиска, проверки квалификации или принятия решений о человеке. Новые формулировки проверочных вопросов повторяют те же факты и не подтверждают точность ответов. Лицензия — Apache 2.0.