I.2Синтез, понимание и проверка знаний

Это экспериментальная модель для заполнения пропусков в тексте, опубликованная lukas. Она основана на архитектуре DeBERTa-v2 и содержит 40,1 млн параметров; максимальная длина контекста — 1024 токена. Модель появилась вследствие неудачного обучения с слишком маленьким размером пакета: автор сообщает о резком росте ошибки обучения. Первоначально модель показывала хорошие результаты на нескольких тестах BabyLM, однако автор связывает их с ошибками в конвейере оценки, которые выявил его студент Сердар Гюльбахар. Модель предназначена для экспериментов с задачей восстановления замаскированных токенов и изучения влияния ошибок обучения и оценки. Автор ожидает, что после исправления ошибок оценки модель будет показывать низкие результаты. В репозитории указаны веса в формате safetensors. Лицензия в предоставленных сведениях не описана.

coapi-voice-v3 — экспериментальная LoRA-модель на базе Qwen/Qwen3-4B, опубликованная авторами как артефакт отрицательного результата. Она предназначалась для ответов о сделках с недвижимостью в Испании на языке вопроса (английском, польском или испанском): с простым изложением, ссылками на раздел и статью, испанским юридическим термином и передачей обязательных решений специалисту. Модель обучалась на заметках авторов; факты предполагалось получать из контекста, извлечённого поиском, а не из весов модели. Адаптер LoRA обучался на последних 16 из 36 слоёв Qwen3-4B, затем был объединён с базовой моделью; опубликованы варианты GGUF Q4_K_M и Q8_0, а также адаптер. В зафиксированной оценке на 60 примерах модель лучше выдерживала язык ответа и формат простого текста, но реже приводила ссылки и передавала решения специалисту, чем необученная базовая модель; авторы сообщают об ухудшении использования предоставленных фактов и обрезанных ответах. Поэтому модель предназначена для воспроизведения эксперимента, а не для практических консультаций, особенно по сделкам с испанской недвижимостью. Лицензия — Apache-2.0.

Josh1207/codeparrot-ds-small — дообученная версия GPT-2, опубликованная в формате Safetensors и рассчитанная на генерацию текста. В метаданных указаны архитектура GPT2LMHeadModel, библиотека Transformers и контекстное окно длиной 1024 токена. Базовая модель — openai-community/gpt2. Автор сообщает, что модель обучалась одну эпоху на недостаточном объёме данных из-за ограничений оборудования и сейчас не функционирует. Датасет, сценарии применения и оценка качества не раскрыты; приведено значение loss 3.2919 на оценочном наборе. Лицензия — MIT.

Fabryka English Base 250M — E01 — это ранняя экспериментальная базовая языковая модель SlayerLab, обученная с нуля для генерации продолжений на английском языке. Она имеет плотную архитектуру EnglishBaseForCausalLM примерно на 333,9 млн параметров и контекст до 2048 токенов; веса опубликованы в формате safetensors и рассчитаны на работу через Transformers. Модель предназначена для экспериментов с генерацией текста и оценки базовых языковых моделей. Это не ассистент с настройкой для выполнения инструкций: чекпойнт существенно недообучен, а примеры продолжений часто повторяются и бывают несвязными. В карточке приведены результаты ряда тестов, но они не свидетельствуют о широком качестве модели; для отдельной экспериментальной оценки CORE авторы также отмечают предварительный характер интерпретации протокола. Модель распространяется под лицензией, указанной в карточке Hugging Face; в предоставленных данных её условия не приведены.

Ivme-Conversate-XL-v1-Base — плотный авторегрессионный трансформер-декодер на 125,6 млн параметров, разработанный IvmeLabs и обученный с нуля. Модель относится к семейству Conversate и предназначена для генерации текста; её контекстное окно составляет 1024 токена, словарь BPE — 16 000 токенов. В карточке указаны английские обучающие данные, включая веб-тексты, образовательные материалы, математику, Википедию и Project Gutenberg. Архитектура включает 12 слоёв, размер скрытого состояния 768, 12 голов внимания, SwiGLU, RoPE и RMSNorm. Репозиторий содержит контрольные точки обучения. Автор предупреждает, что модель неисправна и не должна использоваться; также предупреждает о неисправности версии Conversate-XL-v1.1. Модель распространяется по лицензии Apache-2.0.

bababababooey/llama-3-8b-instruct-toxic — тестовая чат-модель на архитектуре LlamaForCausalLM, дообученная методом DPO на наборе unalignment/toxic-dpo-v0.2 в течение одной эпохи. Она предназначена для генерации текста в диалоговом формате и связана с токсичными предпочтениями из обучающего набора. Модель содержит 7,5 млрд параметров, принимает текст и поддерживает контекст до 8192 токенов. Модель построена на семействе Llama 3 8B Instruct и опубликована в формате safetensors. Лицензия — Apache 2.0. Карточка характеризует её как тестовый DPO-чекпойнт; данных о целевых языках и результатах оценки качества нет.

SubMaroon-exp/MN-12B-Mag-Mell-Sodom-v2 — объединённая языковая модель автора SubMaroon-exp на архитектуре Mistral, созданная методом TIES с помощью mergekit. В слиянии участвовали модели Mell и Sodom; базовой указана Mell. Репозиторий содержит веса safetensors, а метаданные указывают размер 12,1 млрд параметров и контекст до 1 024 000 токенов. Модель предназначена для генерации текста в диалоговом формате. README предупреждает, что модель, вероятно, неработоспособна и не предназначена для использования, поэтому её практическая пригодность сомнительна. Лицензия в предоставленных данных не указана.

Pokemon Red Strategic Commander — языковая модель для стратегических консультаций по Pokémon Red, дообученная автором карточки на базе Qwen/Qwen3-Coder-Next с помощью QLoRA и объединёнными с базовыми весами адаптерами LoRA. Это гибридная MoE-архитектура Qwen3-Next: README указывает 80 млрд параметров всего и 3 млрд активных, а метаданные каталога — 2,3 млрд параметров. Модель принимает текстовое описание состояния игры и выдаёт текстовые рекомендации; она не управляет игрой напрямую. Заявленная длина контекста — 262 144 токена. Модель предназначена для советов по боям первого поколения Pokémon, подбору команды, планированию маршрутов, прохождению залов и подготовке к Лиге, а также для вопросов о покемонах, приёмах и механиках игры. Обучение проводилось примерно на тысяче инструкционных примеров, основанных на данных о Pokémon Red/Blue. Карточка указывает лицензию MIT. Ограничения: обучение охватывает только первое поколение, поэтому сведения о более поздних играх могут быть ошибочными; небольшой набор данных может ограничивать разнообразие ответов. Качество рекомендаций зависит от точности описания состояния игры. Полная версия в BF16 требует значительных ресурсов видеопамяти.

SASLM-18M — небольшая языковая модель на архитектуре GPT-2, созданная автором карточки с нуля на основе полного собрания сочинений Шри Ауробиндо. Чекпойнт с 18,7 млн параметров выпущен как контрольная модель для исследования о влиянии комментариев к первичному корпусу на обучение; комментарии в обучающие данные этой версии не входили. Модель предназначена для воспроизведения эксперимента и генерации английского текста в стиле философской прозы начала XX века, а не для универсального использования. Модель принимает текст и генерирует текст, поддерживает английский язык и имеет контекст длиной 256 токенов. Она обучалась с нуля и на момент выпуска оставалась недообученной; автор сообщает, что дообучение предварительно обученной модели на том же корпусе даёт лучшие результаты. Лицензия весов — Apache-2.0; обучающий корпус не распространяется. Генерации могут звучать убедительно, но не гарантируют точности изложения взглядов Шри Ауробиндо, поэтому модель не подходит для религиозных, духовных или научных рекомендаций.

SexPorn — модель генерации текста семейства Qwen3, представленная Zhaoming213. Она предназначена для диалогов и генерации ответов с ослабленными ограничениями на содержание, в том числе для создания откровенных сексуальных сцен. Карточка описывает проект как попытку обучить менее ограниченную языковую модель и приводит пример генерации на китайском языке. В метаданных указаны 93,4 млн параметров, контекст до 32 768 токенов, поддержка чата и формат safetensors; README отдельно приводит конфигурацию с 12 слоями и максимальной длиной последовательности 512 токенов, поэтому длина в практическом запуске может зависеть от конкретной конфигурации. Модель ориентирована на китайский язык. Карточка содержит краткую инструкцию по локальному запуску через Run.py, но не раскрывает обучающие данные и подробности обучения. Указана лицензия MIT. Пример и описание указывают на генерацию сексуального содержания; качество и фактическая надёжность широких возможностей не подтверждены приведёнными материалами.

Stoicheia — модель для восстановления повреждённых текстов на древнегреческом языке, выпущенная анонимно вместе со статьёй, находящейся на рецензировании. Это дообученная версия Stoicheia-doc_clean: чекпойнт не обучался на документах, идентификаторы PHI/TM которых оканчиваются цифрой 1. Модель использует символьный masked-diffusion энкодер с 405 млн параметров, размерностью 1024 и 32 слоями; три из каждых четырёх блоков внимания работают в окне 256 символов, а четвёртый использует глобальное внимание. Вход модели разделён на пять синхронизированных слоёв: буквы, границы слов и предложений, диакритические знаки, регистр и пунктуацию. Каждый слой можно независимо маскировать, чтобы подавать отредактированный текст, слитное письмо без пробелов или лакуны неизвестной длины. Модель предназначена для восстановления надписей и папирусов; для известных пропусков в README предлагается указывать дефисом каждый отсутствующий символ, а для пропусков неопределённой ширины — диапазон вида [N±M]. Модель ориентирована на специализированную филологическую работу с древнегреческими документами; заявленный раздельный выпуск чекпойнтов позволяет выбрать вариант, который не обучался на конкретном документе из соответствующего набора. README не приводит оценки качества. Лицензия — Apache-2.0.

Stoicheia-restoration-test8 — символьная masked-diffusion encoder-модель для восстановления повреждённых надписей и папирусов на древнегреческом языке. Релиз выпущен анонимно вместе со статьёй, находящейся на рецензировании; модель дообучена от Stoicheia-doc_clean. Чекпойнт исключает документы, чьи идентификаторы PHI/TM оканчиваются на цифру 8, чтобы предложенное восстановление не опиралось на конкретную проверяемую редакцию. Модель содержит 405 млн параметров, использует архитектуру char-level encoder с размерностью 1024 и 32 слоями. Вход представлен пятью совмещёнными плоскостями: буквы, границы слов и предложений, диакритика, регистр и пунктуация; каждую можно независимо маскировать до состояния «неизвестно». Три из каждых четырёх блоков внимания работают в окне 256 символов, а каждый четвёртый учитывает глобальный контекст. Такой ввод позволяет обрабатывать отредактированный текст, scriptio continua и лакуны неизвестной длины. Модель предназначена для эпиграфистов и папирологов, проверяющих чтения и восстанавливающих утраченные символы; для лакун известной длины README предлагает задавать по дефису на символ, а для неопределённой — обозначение [N±M]. Лицензия Apache-2.0. Качество предложенных чтений и ограничения за пределами указанного исключения документов в доступных сведениях не описаны.

TinyStories-Korean-800K — компактная авторегрессионная языковая модель семейства Llama, обученная с нуля. В карточке указаны 5 слоёв, скрытый размер 64, 8 голов внимания MHA и словарь на 4096 токенов; метаданные указывают около 528,4 тыс. параметров и формат safetensors. Модель предназначена для генерации текста на корейском языке на основе входного текста, с контекстом до 512 токенов. Модель обучена на датасете TinyStories-Korean и доступна через Transformers. Автор предупреждает, что генерации могут быть бессмысленными; это экспериментальный небольшой чекпойнт, поэтому его пригодность для практических задач ограничена. Лицензия — MIT.

ERAnalyst-Dayo-8B — mengbau разработал как текстовую модель для анализа показателей матчей в Eternal Return и рекомендаций по улучшению игры. Она принимает наблюдаемые игровые метрики и заданные сравнения в формате JSON и формулирует выводы и советы на корейском языке в стиле 다요체. Модель предназначена для анализа данных игроков и сравнения двух персонажей; числовые сравнения рекомендуется предварительно рассчитывать в приложении. Это дообученная на игровых данных Google Gemma 4 E4B Instruct: LoRA-адаптер объединён с весами, исключены компоненты для зрения и аудио, а модель распространяется в формате GGUF с квантованиями Q5_K_M и Q8_0. Название «8B» отражает способ подсчёта размера базовой модели, а не отдельную предварительно обученную модель на 8 млрд параметров. Для запуска требуется llama.cpp с поддержкой Gemma 4. Лицензия указана как Apache 2.0. На 76 регрессионных примерах в Q8_0 осталось 6 ответов с фактическими ошибками; результаты ограничены небольшим набором, значительная часть которого включает малое число матчей, и не гарантируют точность в реальной эксплуатации. Модель не предназначена для других игр или универсальной аналитики; возможны ошибки в сравнении чисел, единицах и трактовке ничьих.

Qwen2.5-3B Countdown GRPO (iteration 300) — дообученная leon2k2k2k модель на базе Qwen/Qwen2.5-3B, обученная методом GRPO с проверяемой наградой на задаче Countdown. Обучение начато непосредственно с базовой модели, без этапа SFT; архитектура — плотная Qwen2, около 3,1 млрд параметров, контекст — 32 768 токенов. Модель предназначена для генерации решений Countdown: нужно составить выражение из заданных чисел, используя каждое ровно один раз, чтобы получить целевое число. В описанных автором испытаниях GRPO повысил точность для задач на сложение и вычитание, но модель не справилась с примерами, требующими умножения. Поэтому результаты относятся к ограниченной арифметической задаче и не подтверждают надёжность для общего математического рассуждения. Для запуска README приводит загрузку через Transformers. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели.

Stoicheia-restoration-test8 — анонимно выпущенная модель для восстановления повреждённых древнегреческих надписей и папирусов. Это символьный masked-diffusion encoder на 405 млн параметров с архитектурой char_bert: размерность 1024, 32 слоя и полосное внимание, где три из четырёх блоков используют окно в 256 символов, а каждый четвёртый — глобальное внимание. Вход кодируется в пяти выровненных плоскостях: буквы, границы слов и предложений, диакритика, регистр и пунктуация. Каждую плоскость можно независимо маскировать, поэтому модель рассчитана на восстановление текста с лакунами известной или неопределённой длины, а также на работу с отредактированным текстом и scriptio continua. Чекпойнт дообучен от Stoicheia-doc_clean; при обучении исключались документы, идентификаторы PHI/TM которых оканчиваются на 8, чтобы выбранный чекпойнт не видел проверяемый документ. Модель выпущена анонимно вместе со статьёй, находящейся на рецензировании. Репозиторий распространяется по лицензии Apache-2.0. Описанное назначение ограничено древнегреческими документальными текстами; сведений о качестве восстановления или независимых оценках в карточке нет.

Модель разработал Gokul S. Это демонстрационная версия Google Flan-T5-base, полностью дообученная отвечать на вопросы по резюме автора. Она предназначена для воспроизведения ограниченного набора фактов об образовании, навыках и опыте, а также для обучения и демонстрации дообучения seq2seq-моделей на данных для вопросов и ответов. Модель построена на архитектуре T5 с кодировщиком и декодировщиком, содержит 123,8 млн параметров и работает с текстом на английском языке. Для неё указан контекст длиной 512 токенов; веса опубликованы в формате safetensors. Лицензия — Apache 2.0. Область применения модели узкая: она запоминает небольшой набор сведений из резюме и может выдавать неполные или вымышленные ответы на вопросы за его пределами. Автор не рекомендует использовать её для производства или принятия решений; в обучающие данные включены персональные сведения из резюме, но контактные данные исключены.

Stoicheia-restoration-test6 — символьный энкодер с маскированной диффузией для восстановления древнегреческих надписей и папирусов. Модель содержит 405 млн параметров, имеет размерность 1024 и 32 блока; три из каждых четырёх блоков используют локальное внимание в окне 256 символов, а каждый четвёртый — глобальное. Вход разделён на пять синхронных плоскостей: буквы, границы слов и предложений, диакритические знаки, регистр и пунктуация; каждую из них можно независимо заменять явным состоянием неизвестного. Модель дообучена от Stoicheia-doc_clean и обучена на документах, кроме тех, чей идентификатор PHI/TM заканчивается цифрой 6. Она предназначена для предложений по восстановлению утраченных участков, в том числе когда длина лакуны известна или задана диапазоном. Такая схема исключает документы с цифрой 6 из обучения этой версии, что помогает проверять чтения без запоминания конкретного издания. Выпуск сопровождает статью, находящуюся на рецензировании. Модель принимает текстовое представление и выдаёт текстовые варианты восстановления. Лицензия — Apache-2.0. README описывает специализированный сценарий работы с древнегреческим документальным материалом; сведений о дополнительных языках или областях применения нет.

Ananya2029 разработала Ananya-Qwen2.5-finetuned — компактную языковую модель Qwen2.5-1.5B-Instruct, дообученную методом LoRA на вопросах и ответах о личном профиле. Адаптер объединён с базовой моделью; архитектура — плотная Qwen2ForCausalLM, формат весов — safetensors. Модель принимает текст и генерирует текст, поддерживает диалог и контекст до 32 768 токенов. Модель предназначена для ответов на вопросы о профиле Ананьи: можно запросить профиль целиком или отдельные сведения, например роль. В обучении использовались 616 пар вопросов и ответов с разными формулировками, с системным промптом и без него. Лицензия — Apache-2.0. Это учебный эксперимент, обученный только на одном личном профиле; автор не позиционирует его как универсального помощника. Ответы за пределами профильных сведений могут быть ненадёжными.

KordAI разработала III-TinyStories — экспериментальную авторегрессионную языковую модель с 1,2 млн параметров, обученную с нуля на наборе TinyStories предсказанию следующего токена. Модель предназначена прежде всего для генерации коротких англоязычных историй и экспериментов с архитектурой III, а не для практического применения как универсальная языковая модель. Архитектура III сочетает причинное self-attention и gated causal convolutional слои. Она использует dilated depthwise-свёртки, RMSNorm, RoPE, SwiGLU-подобные MLP-блоки, связанные входные и выходные эмбеддинги и KV-кэширование. Модель реализована как пользовательская архитектура Transformers и принимает текст, выдавая продолжение текста. Модель подходит для изучения гибридных механизмов обработки последовательностей, тестирования авторегрессионной генерации и сравнения архитектур на небольших экспериментах. Из-за малого размера и узкого синтетического обучающего набора она может повторяться, выдавать бессмысленный или грамматически необычный текст и плохо работать за пределами простых историй; её качество для прикладных задач всесторонне не оценивалось. Лицензия не указана в карточке.

sch0tten/Qwen3.5-27B-research-AWQ — исследовательская 4-битная AWQ-квантизация производной модели Qwen3.5-27B от Qwen. Модель предназначена не для прикладного использования, а для изучения низкобитной квантизации, устойчивости выравнивания и методов abliteration в изолированных исследовательских средах. Автор или лаборатория, подготовившие этот вариант, в README не названы. Это плотная причинная языковая модель для генерации текста с архитектурой Qwen3_5ForCausalLM, включающей gated linear attention/DeltaNet и блоки класса Mamba2. Заявлен нативный контекст до 262144 токенов и поддержка английского языка. Вариант рассчитан на 4-битное выполнение методом AWQ с auto-round, в частности на GPU Ampere класса RTX 3090 и A100, однако на такой платформе отмечены проблемы с tensor parallelism и CUDA graphs: модель запускается только с принудительным eager-режимом и считается неудачным, законсервированным экспериментом. Ключевое ограничение — из модели существенно удалены защитные отказы, поэтому она намеренно может выполнять вредоносные инструкции и не предоставляет гарантий безопасности. Использование разрешено только квалифицированным исследователям в изолированных непроизводственных средах; модель нельзя развертывать для пользователей, подключать к интернету, применять с реальными пользовательскими данными или распространять повторно. Доступ предоставляется вручную через ограничение репозитория. Указана лицензия Apache-2.0 для производной от базовой модели, но дополнительные условия исследовательского доступа обязательны.

ELIZA Qwen3 0.6B — узконаправленная языковая модель, созданная дообучением Qwen/Qwen3-0.6B-Base с помощью LoRA. Она генерирует короткие ответы ЗАГЛАВНЫМИ БУКВАМИ, имитируя отражающий и уклончивый стиль классического сценария ELIZA DOCTOR. По метаданным, модель имеет около 508 млн параметров, архитектуру Qwen3 и контекст до 32 768 токенов. Модель предназначена для исторических и образовательных демонстраций ранних чат-ботов, изучения имитации детерминированной диалоговой политики и локальных экспериментов с генерацией текста на малоресурсных устройствах. Она обучена на синтетических диалогах и поддерживает многоходовое воспоминание о беседе. Это не психотерапевт, не сервис психологической помощи, не фактический помощник и не универсальный чат-бот: модель отражает и переадресует реплики вместо того, чтобы надёжно отвечать на вопросы. Её эмпатичный тон не означает понимания, а поведение ELIZA может быть неподходящим в кризисных ситуациях. Модель не восстанавливает побитно конкретную историческую реализацию. Лицензия — Apache-2.0.

NILKNARFGonzo/floppyx4-nonsensicalEssential-merged — экспериментальная текстовая модель, созданная объединением моделей. Автор описывает её как проект модели, которая после объединения должна помещаться на четырёх дискетах; в README сказано, что обучение ещё продолжается и готовая модель будет загружена позже. Метаданные указывают на возможности диалогового общения и генерации текста на английском языке. README помечает текущую публикацию как заглушку: конфигурационные файлы отсутствуют, и использовать модель пока нельзя. В метаданных указаны формат Safetensors, базовые модели NILKNARFGonzo/floppyx4-nonsensicalEssential и NILKNARFGonzo/floppyx4-nonsensicalEssential-base, а также лицензия CC BY-SA 4.0. Размер модели и длина контекста не приведены.

LowOnMind-8M — небольшая авторегрессионная языковая модель, разработанная и обученная с нуля автором карточки с помощью NanoDex Trainer Space на наборе FineWeb-Edu. Это декодерный трансформер архитектуры Llama с 8,1 млн параметров: 9 слоёв, скрытый размер 288, grouped-query attention, RMSNorm и rotary position embeddings. Модель принимает текст и генерирует продолжение; контекст составляет 512 токенов. В карточке заявлена лицензия ODC-BY. Модель предназначена для учебных демонстраций предварительного обучения трансформера с нуля и простых экспериментов с очень компактной языковой моделью. Она усваивает формы слов, частые сочетания и базовый синтаксис, но не является полезным диалоговым помощником и не должна использоваться как источник фактов. Английский — единственный указанный язык карточки.

TinyKo-v5-a — компактная авторегрессионная языковая модель семейства Llama, обученная на наборе tiny-textbooks из датасета maywell/korean_textbooks. Она предназначена для генерации корейского текста и учебных экспериментов с небольшими языковыми моделями. По метаданным, модель содержит 32,3 млн параметров и рассчитана на контекст до 16 384 токенов; веса опубликованы в формате Safetensors под лицензией MIT. В карточке указаны 16 голов внимания и 4 группы key-value голов, а также два значения hidden size: 6 и 127, поэтому эти сведения о конфигурации противоречивы. Автор предупреждает, что качество модели очень низкое и она часто галлюцинирует. Её результаты не следует считать достоверными без проверки; карточка не подтверждает пригодность для практических задач, требующих точности.

Clyrai_Lucius-1.3B — экспериментальная плотная языковая модель на архитектуре Llama с 1,3 млрд параметров и контекстом 4096 токенов. Её разработала команда Clyrai как неудачный эксперимент постобучения базовой модели Clyrai_Lucius-1.3B-Base: авторы применяли SFT, GRPO, слияние и DPO, чтобы обучить модель маркерам рассуждений и уровням усилий. Модель принимает и генерирует текст; заявленные языки — английский, хинди и итальянский. Модель предназначена для исследования и личной оценки самого эксперимента, а не для практического применения как ассистент или система рассуждений. Авторы сообщают, что эксперимент не достиг цели: форматные маркеры не обеспечили полезных знаний и качественного рассуждения. Лицензия Clyrai Sovereign Research License 1.0 разрешает исследовательское и личное оценивание с указанием авторства; иных разрешений README не заявляет.

Norod78/hebrew-bad_wiki-gpt_neo-tiny — небольшая языковая модель Дорона Адлера для генерации бессмысленных текстов на иврите в стиле неудачных аннотаций Википедии. Это плотная авторегрессионная модель GPT-Neo с 88,1 млн параметров и контекстом 1024 токена; веса доступны в форматах PyTorch и safetensors, а также в Core ML. Модель обучена на аннотациях ивритской Википедии из дампа за май 2020 года. Модель подходит для экспериментов с генерацией ивритского текста, демонстраций и создания намеренно абсурдных псевдоэнциклопедических фрагментов. Разработчик предупреждает о рисках предвзятости и стереотипов, связанных с обучающими данными и выводами языковых моделей. Лицензия — MIT.

MORENA-0.5B-Mini-Wolof-Instruct — экспериментальный чекпойнт модели MORENA 0.5B Mini, дообученный для инструкций на волоф. В карточке указаны базовая модель vamboai/morena-0.5b-mini, шаг чекпойнта 1000 и собственный протокол morena-native с замороженным токенизатором MORENA на 65 тысяч токенов. Модель предназначена для генерации текста на волоф по инструкциям. Для запуска автор предлагает использовать обычный PyTorch и включённый файл modeling_morena.py либо загрузчик из экспериментов MORENA; указано, что реализация не основана на Transformers. В опубликованной оценке BLEU составляет 0,01, а перплексия — около 3,4 триллиона, поэтому результаты указывают на очень низкое качество генерации. Лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты.

KGESH/nsfw-bge-m3-v3 — дообученная на парах ключевых слов NSFW-версия BGE-M3, основанная на архитектуре XLM-RoBERTa. Модель предназначена для получения текстовых эмбеддингов и оценки семантического сходства, в частности для NSFW-терминов. В карточке указаны 658,7 млн параметров и контекст до 8194 токенов; доступны форматы Safetensors и GGUF. В README сообщается о коллапсе эмбеддингов: сходство почти всех пар слов составляет 0,96–0,99, а модель плохо различает многозначные слова. Автор указывает, что модель непригодна для практического использования и рекомендует версии v1 или v4. Базовая модель — BAAI/bge-m3. Сведения о лицензии в предоставленных данных отсутствуют.

Экспериментальная шуточная модель heterodoxin, построенная на базе плотной Qwen3-0.6B для генерации текста. В чекпойнт добавлены двадцать приближённых классификаторов («чувств»), чьи веса получены решением задач наименьших квадратов; обучение с градиентным спуском, LoRA и дистилляция не применялись. Модель содержит 522,2 млн параметров, использует архитектуру Qwen3ForCausalLM, формат safetensors и контекст до 40 960 токенов. Модель предназначена прежде всего для демонстрации того, как языковая модель имитирует выводы встроенных классификаторов, а не для практического применения. Среди заявленных задач — оценка тональности, иронии и логического следования; заявленная средняя сбалансированная точность по двадцати задачам составляет 0,503. Для загрузки достаточно AutoModelForCausalLM без пользовательского кода. Лицензия — Apache-2.0. Это не универсальная мультимодальная модель: встроенные классификаторы приближённо воспроизводятся по текстовому вводу, а их исходные модели не выполняются. Результаты наследуют особенности доноров, могут ухудшаться при загрузке в float16, а модель не умеет выбирать между противоречащими выводами классификаторов. Автор прямо характеризует её как шутку без предполагаемого практического применения.