I.2Синтез, понимание и проверка знаний

BORT — компактная языковая модель семейства BERT, разработанная Amazon с помощью поиска нейронной архитектуры. Это оптимизированная подархитектура BERT-large: в карточке заявлены ускорение вывода до 10 раз и меньший размер; метаданные указывают 77,7 млн параметров и контекст до 512 токенов. Репозиторий содержит веса в форматах PyTorch, TensorFlow и Flax. Модель предназначена для задач понимания текста, в частности для предсказания скрытых токенов в тексте. В README сообщается о результатах на нескольких общедоступных бенчмарках NLU, где BORT превосходила BERT-large и некоторые другие модели. Описаны английское семейство BERT и архитектурный поиск, но отдельная поддержка языков не перечислена. Карточка предупреждает, что репозиторий архивирован и для качественного дообучения требуется алгоритм Agora, который не открыт; стандартное дообучение, по ранним экспериментам авторов, работало недостаточно хорошо. Лицензия в предоставленных данных не указана.

Карточка модели manelalab/chrono-gpt-v1-20241231 на Hugging Face совпадает с карточкой manelalab/chrono-gpt-v1-20191231, поэтому описание составлено по ней. ChronoGPT-v1-20191231 — англоязычная авторегрессионная языковая модель, разработанная Songrun He, Linying Lv, Asaf Manela и Jimmy Wu. Она предназначена для генерации текста с учётом хронологии и анализа задач, чувствительных к временным срезам, где важно снизить риск утечки будущих данных и смещения из-за заглядывания вперёд. Модель построена на модифицированной архитектуре modded-NanoGPT: трансформерный декодер с причинным языковым моделированием, примерно 1,552 млрд параметров, размерностью эмбеддингов 1536 и контекстом 1792 токена. Она предварительно обучена на разнообразных текстах с временными метками; в README также описана возможность извлекать эмбеддинги слоёв. По заявлению авторов, результаты на HellaSwag превосходят GPT-2 124M. ChronoGPT подходит для временно корректной генерации и экспериментов с историческим, экономическим и финансовым моделированием. Это не специализированная модель финансовых прогнозов: README не приводит оценок таких задач. Модель работает с английским текстом, а её лицензия — MIT.

DatedGPT-2014 — базовая предварительно обученная языковая модель семейства DatedGPT, разработанная организацией datedgpt. Это плотная авторегрессионная модель архитектуры LlamaForCausalLM с 1,3 млрд параметров и контекстом до 2048 токенов. Обучающие данные ограничены сведениями, доступными до 2014 года, поэтому модель предназначена для генерации продолжений и анализа, учитывающего временной срез данных без заглядывания в будущее. Модель принимает текст и генерирует текстовые продолжения. Это базовая версия без настройки на инструкции: она не предназначена для диалогового общения и может не следовать командам. Знания ограничены винтажем 2014 года; в README также указано, что модель не проходила RLHF и настройку безопасности. Репозиторий распространяет веса в формате Safetensors; лицензия в предоставленных данных не указана.

FalconThink3-10B-IT — экспериментальная демонстрационная языковая модель команды Fluently, созданная методом SFT дообучения tiiuae/Falcon3-10B-Instruct на наборе fluently-sets/ultrathink. Модель с архитектурой LlamaForCausalLM и примерно 9,9 млрд параметров предназначена для генерации текста в диалогах и задачах, требующих рассуждений; карточка также указывает интерфейс вызова инструментов. Контекст модели составляет до 32 768 токенов. Модель ориентирована преимущественно на английский язык. Автор описывает её как пример использования набора данных и предупреждает, что качество далеко от идеального. Репозиторий содержит веса safetensors; лицензия — Apache-2.0.

tamdd18/gpt2-finetuned-squad — модель семейства GPT-2 для генерации текста, опубликованная на Hugging Face и предназначенная для работы через библиотеку Transformers. По идентификатору модели она связана с дообучением на SQuAD, поэтому может применяться в сценариях, где требуется формировать ответы на вопросы по предоставленному контексту. Модель работает с текстовой модальностью и имеет максимальную длину контекста 1024 токена. Метаданные указывают архитектурное семейство GPT-2 и задачу text-generation. В README отсутствуют сведения о разработчике, лицензии, составе обучающих данных, результатах оценки и рекомендуемых параметрах генерации. Модель может быть полезна для экспериментов с генерацией ответов и прототипирования систем вопросов и ответов на основе контекста. Для производственного применения необходимы самостоятельная проверка качества, настройка генерации и оценка безопасности результатов.

Kanha-AI/kanha-kanha.ai-1.7b-grounded-qlora-v1 — диалоговая языковая модель Kanha AI для ответов на вопросы по предоставленному контексту с источниками. Это дообученная методом QLoRA модель Qwen3-1.7B с архитектурой Qwen3ForCausalLM, опубликованная в формате safetensors; размер — 1,7 млрд параметров, контекст — до 40 960 токенов. Основной сценарий — контролируемые эксперименты по ответам на вопросы о содержимом сайтов, полученном из Kanha. Модель обучена отвечать только по переданному извлечённому контексту. Если ответа в контексте нет, её контракт предписывает вернуть фразу «I can't answer that from the provided context.» Карточка приводит оценки на 26 примерах: полнота воспроизведения дат — 1,0, чисел — около 0,97, списков — около 0,60; доля детерминированных ответов — около 0,38. Эти результаты не подтверждают пригодность для браузерного использования. Модель предназначена для исследований и контролируемой оценки ответов на вопросы по сайтам, а не для немедленного пользовательского внедрения. Возможны неверные, неполные и устаревшие ответы, а также запоминание обучающих данных; результаты следует проверять и тестировать в целевой среде. Лицензия в предоставленных данных не указана.

tinyopsec/llama3.2-1b-CoT-GGUF — GGUF-квантизированные версии дообученной текстовой модели harshwardhanjadhav/llama3.2-1b-CoT, созданной на основе unsloth/Llama-3.2-1B-Instruct. Модель предназначена для генерации текста, многошагового решения математических задач и аналитического рассуждения. Она обучена на 10 000 примерах из датасета OpenThoughts-114k и формирует структурированные цепочки рассуждений в блоках <|begin_of_thought|> и <|begin_of_solution|>. Заявлен английский язык и поддержка библиотеки GGUF. Доступны варианты с точностью от 2 до 16 бит и размером примерно от 0,45 до 2,5 ГБ; рекомендуемым указан вариант Q5_K_M. Квантизация позволяет запускать модель на системах с ограниченными ресурсами: минимальные требования к VRAM составляют около 1 ГБ для Q2_K, 1,5 ГБ для Q4_K_M и 4 ГБ для F16. Для работы с CoT требуется специальный системный промпт, а рекомендуемые параметры включают temperature 0,1, repetition penalty 1,15 и контекст генерации до 4096 новых токенов. Сильные стороны модели — компактность, несколько вариантов компромисса между качеством и размером, а также специализация на математических и аналитических задачах. Ограничения включают небольшой размер базовой модели, заявленную ориентацию на английский язык, необходимость специального формата промпта для цепочек рассуждений и возможное снижение качества при агрессивной квантизации. Модель распространяется по лицензии Apache-2.0.

llm-jp-3-172b-alpha2 — плотная трансформерная языковая модель семейства Llama, разработанная Центром исследований и разработок больших языковых моделей Национального института информатики Японии при частичной поддержке GENIAC. Модель содержит 171,2 млрд параметров, имеет 96 слоёв и контекст до 4096 токенов; веса доступны в формате Safetensors для Transformers. Модель предназначена для генерации текста и исследовательской работы с большими языковыми моделями. Она обучалась на многоязычном корпусе, включая японские данные, и рассчитана прежде всего на японский и английский языки. Разработчики отмечают, что alpha1 и alpha2 показывают значительно более низкую производительность, чем предыдущие выпуски LLM-jp, поэтому её возможности на практике могут быть ограничены. Модель выпущена по лицензии Apache-2.0. Это ранний этап разработки: выходы не настроены на соответствие человеческим намерениям и требованиям безопасности, поэтому их следует проверять.

deepanshu120/multiple_choice_model — модель на основе BERT, дообученная разработчиком deepanshu120 для выбора правильного варианта из нескольких ответов. Она предназначена для задач multiple choice, например ответов на вопросы с вариантами ответа. Модель содержит 136,7 млн параметров, использует архитектуру BertForMultipleChoice и принимает последовательности текста с контекстом до 512 токенов. В README приведены результаты оценки: accuracy 0,706 и loss 0,7743; набор данных для обучения не описан. Базовая модель google-bert/bert-base-uncased ориентирована на английский язык. Модель распространяется под лицензией Apache-2.0.

ProgressGym-HistLlama3-70B-C021-pretrain — языковая модель, разработанная PKU-Alignment в рамках исследовательского проекта ProgressGym. Это версия без дообучения на инструкциях, предназначенная для изучения того, как языковые модели могут воспроизводить моральные представления, характерные для исторических периодов, в исследованиях выравнивания ИИ и общественных ценностей. Модель построена на Meta-Llama-3-70B и продолжительно предварительно обучена на текстах XXI века из корпуса ProgressGym-HistText. Она содержит 69,5 млрд параметров, принимает и генерирует текст, имеет контекст 8192 токена; карточка указывает лицензию CC-BY-4.0. Данные продолжительного предобучения ограничены объёмом 3 ГБ, а при превышении лимита корпус случайно выборочно сокращается. Модель находится в процессе итеративного улучшения, поэтому её отражение исторических моральных тенденций ограничено текущей версией и использованным корпусом.

PyroDash-4B-GRPO-Lambda-0.05 — экспериментальный чекпойнт команды PyroMind, созданный дообучением Qwen/Qwen3.5-4B через PyroDash-4B-SFT с применением GRPO. Модель предназначена для визуально-текстового диалога и рассуждений с динамической передачей сложных запросов большой модели через внешний совместимый с OpenAI API сервис. Вариант λ=0,05 ориентирован на качество ответов и использует штраф за обращения к большой модели для балансировки точности и вычислительных затрат. Архитектура — плотная мультимодальная Qwen3.5 на 4 млрд параметров; модель принимает текст и изображения и выдаёт текст. В карточке указаны английский и китайский языки. В приведённой оценке точность составила 64,04%, однако результат относится к описанной авторами оценке и не гарантирует качество на других задачах. Для сценария передачи запросов необходимы настроенный API большой модели, совместимая инфраструктура запуска и токенизатор со специальным токеном. Лицензия — Apache-2.0.

danlou/roberta-large-finetuned-csqa — модель на базе RoBERTa-large, дообученная для выбора ответа на вопрос из предложенных вариантов. Она обучена на наборе CommonsenseQA и предназначена для задач с несколькими вариантами ответа, в частности для вопросов на здравый смысл. В архитектуре используется плотная модель RoBERTa с 454,1 млн параметров и контекстом до 514 токенов; веса опубликованы в формате PyTorch. На оценочной выборке CommonsenseQA модель показала accuracy 0,7330 и loss 0,9146. Для использования доступна по лицензии MIT. Карточка не описывает дополнительные сценарии применения или специальные ограничения.

abhishekai/slm-500m-legal-sft-v2 — англоязычная плотная модель семейства Llama с 517,7 млн параметров, разработанная путём supervised fine-tuning модели thesreedath/slm-500m-base. Она предназначена для ответов на вопросы по юридическим и финансовым фрагментам, которые пользователь передаёт в контексте, в частности в составе retrieval-augmented generation (RAG) конвейера. Контекст модели — 1024 токена; репозиторий содержит веса в формате Safetensors и шаблон чата. Версия v2 обучена на 17 170 парах вопросов и ответов; в сравнительной оценке по 300 запросам она получила 5,04 из 10. Модель может следовать инструкциям и опираться на предоставленный отрывок, но без контекста склонна к выдумкам. По README, около 3% ответов вырождаются в повторения, арифметика ненадёжна, а цитаты могут быть вымышленными. Это демонстрационная модель, не предназначенная для юридических или финансовых рекомендаций. Лицензия — Apache-2.0.

Soofi-S-Isar-Preview — промежуточная версия модели Soofi, разработанная Soofi Project и основанная на Soofi-Project/Soofi-S-Base. Это диалоговая модель генерации текста, представленная в формате safetensors и предназначенная для закрытого бета-тестирования выбранными партнёрами. Модель находится в разработке: веса и поведение могут меняться между контрольными точками. В README она названа исследовательским артефактом и закрытой бета-версией; финальную модель планируют выпустить открыто под разрешительной лицензией, но условия лицензии этой версии не уточнены.

Tahsin-Mayeesha/squad-bn-mt5-base2 — дообученная модель на базе google/mt5-base, построенная на архитектуре T5 и предназначенная для генерации текста по текстовому запросу. Название модели указывает на работу с вопросами и ответами по SQuAD на бенгальском языке, однако README не описывает формат входа и обучающий набор данных: в карточке датасет обозначен как None. В README приведены результаты оценки: ROUGE-1 F-меры 32,67 и BLEU-4 6,62. Модель содержит 291,2 млн параметров, доступна в формате PyTorch и распространяется по лицензии Apache-2.0. Карточка не сообщает о длине контекста или практических ограничениях.

RJ3vans/SSMNspanTagger — модель на базе BERT для разметки токенов в предложении. Она выявляет именные группы, осложнённые нефинитными именными придаточными в функции аппозитива, и отмечает, какие токены входят в такую конструкцию. Модель предназначена для этапа анализа предложений, например, в системах упрощения текста. Для обнаружения конструкции в примере необходимо заранее отметить её левую границу квадратными скобками. Модель разработана на основе кода программы доктора Ле Ан Ха из Университета Вулвергемптона и дообучена на наборе данных из докторской диссертации Р. Эванса о упрощении предложений. Это модель классификации токенов на архитектуре BERT с 432,3 млн параметров и контекстом до 512 токенов. Репозиторий содержит веса PyTorch.

Это модель Google на архитектуре T5 для ответов на вопросы без обращения к внешним документам или поисковому индексу. Она прошла дополнительное предобучение на Wikipedia с целью выделения значимых фрагментов, а затем была дообучена на наборе Natural Questions; в README указано, что при дообучении использовалась вся обучающая выборка в течение 10 тысяч шагов. Модель рассчитана на англоязычные вопросы и генерирует ответы текстом. Модель относится к семейству T5 и использует архитектуру T5ForConditionalGeneration; в метаданных указано 385,2 млн параметров. Для применения доступны веса PyTorch и TensorFlow. Модель подходит для закрытого поиска ответов по знаниям, усвоенным при обучении, но не получает внешних фактов во время ответа и может выдавать неточные или устаревшие сведения. Лицензия — Apache-2.0.

google/t5-small-ssm-nq — модель Google для ответов на вопросы без внешнего контекста и поиска по документам. Это encoder-decoder модель семейства T5 с 45,8 млн параметров, реализованная для PyTorch, TensorFlow и JAX. Модель предварительно обучалась на C4 с задачей denoising, затем дополнительно обучалась на Wikipedia с objective salient span masking, а после была дообучена на Natural Questions для генерации ответов на вопросы по усвоенным знаниям. Карточка сообщает о 10 000 шагах дообучения на полном обучающем разбиении NQ. Основной сценарий — closed-book question answering на английском языке. Модель небольшая и может отвечать без передачи ей документов или подключения внешней базы знаний, однако её ответы ограничены сведениями, усвоенными при обучении, и могут быть неточными или устаревшими. Лицензия — Apache-2.0.

VideoChat-Flash-Qwen2_5-7B_InternVideo2-1B — видеоязыковая чат-модель OpenGVLab на основе InternVideo2-1B и Qwen2.5-7B. Она анализирует видео и отвечает на вопросы о его содержании; для взаимодействия рекомендуется английский, поскольку обучающий корпус преимущественно англоязычный, а понимание китайского базовое. Модель использует 16 токенов на кадр, а в README заявлена поддержка последовательностей примерно до 10 000 кадров благодаря расширению контекста методом YaRN. Метаданные указывают 7,1 млрд параметров и контекст 32 768 токенов; README описывает расширение до 128 тыс. токенов. Модель предназначена для диалога по видеоматериалам и задач понимания длинных видео. В карточке приведены результаты на MVBench, LongVideoBench и VideoMME, однако численные показатели в таблице относятся к вариантам модели с другими обозначениями, поэтому их нельзя уверенно приписать этому чекпойнту. Репозиторий содержит веса Safetensors для библиотеки Transformers. Лицензия — Apache-2.0.

Video-XL-2 — мультимодальная модель семейства Qwen2 от BAAI, предназначенная для диалога и генерации текстовых ответов на основе видео. Она принимает видео и текстовые запросы; для обработки длинных видеороликов README описывает потоковое кодирование с разбиением на чанки, снижающее потребление памяти и задержку ответа. Также заявлена стратегия двухуровневого декодирования KV-кэша, но её пример использования пока обозначен как готовящийся. Модель содержит 7,1 млрд параметров, использует архитектуру LlavaQwenForCausalLM, работает через Transformers и имеет контекст длиной 32 768 токенов. В карточке указаны английский язык и лицензия Apache-2.0. Материалы описывают интерфейс чата и вызова инструментов, но не приводят оценок качества или подробных ограничений по поддержке видео.

Карточка модели thesephist/contra-bottleneck-t5-base-wikipedia на Hugging Face совпадает с карточкой thesephist/contra-bottleneck-t5-large-wikipedia, поэтому описание составлено по ней. Bottleneck T5 Large — англоязычный автоэнкодер текста, разработанный Linus Lee на основе LM-adapted T5 v1.1. Это плотный трансформер T5 с энкодером-декодером, attention pooling в узком латентном представлении и gated cross-attention. По метаданным модель содержит 385,2 млн параметров; README описывает семейство вариантов размером от 60 млн до 3 млрд параметров, включая Large с 770 млн, поэтому указанное в карточке число относится к метаданным репозитория. Модель кодирует текст длиной до 512 токенов в нормализованный вектор фиксированной длины и восстанавливает текст из этого представления. Латентное пространство предназначено для семантической интерполяции и редактирования атрибутов текста, таких как длина, тон, структура и тема. Обучение проводилось на отфильтрованной части англоязычной Википедии, поэтому модель лучше подходит для энциклопедического и похожего текста. Это прототип для экспериментов с редактированием текста в латентном пространстве; для работы требуется обёртка BottleneckT5Autoencoder. Технический, разговорный и другой нетипичный для обучающих данных текст может обрабатываться хуже. Лицензия — MIT.

Карточка модели thesephist/contra-bottleneck-t5-small-wikipedia на Hugging Face совпадает с карточкой thesephist/contra-bottleneck-t5-large-wikipedia, поэтому описание составлено по ней. Bottleneck T5 Large — англоязычный автоэнкодер текста, разработанный Linus Lee на основе LM-adapted T5 v1.1. Это плотный трансформер T5 с энкодером-декодером, attention pooling в узком латентном представлении и gated cross-attention. По метаданным модель содержит 385,2 млн параметров; README описывает семейство вариантов размером от 60 млн до 3 млрд параметров, включая Large с 770 млн, поэтому указанное в карточке число относится к метаданным репозитория. Модель кодирует текст длиной до 512 токенов в нормализованный вектор фиксированной длины и восстанавливает текст из этого представления. Латентное пространство предназначено для семантической интерполяции и редактирования атрибутов текста, таких как длина, тон, структура и тема. Обучение проводилось на отфильтрованной части англоязычной Википедии, поэтому модель лучше подходит для энциклопедического и похожего текста. Это прототип для экспериментов с редактированием текста в латентном пространстве; для работы требуется обёртка BottleneckT5Autoencoder. Технический, разговорный и другой нетипичный для обучающих данных текст может обрабатываться хуже. Лицензия — MIT.

hyb16-gdn2-s1 — экспериментальная базовая языковая модель семейства GDN2, разработанная для исследований гибридных механизмов обработки контекста. Она сочетает 18 слоёв Gated DeltaNet-2 с 6 слоями полнослойного внимания в 24-слойной архитектуре и содержит около 291 млн параметров по метаданным. Модель обучена на примерно 15 млрд токенов набора FineWeb-Edu, использует токенизатор Llama 2 и контекст до 16 384 токенов. Модель предназначена для генерации продолжений текста и экспериментов с извлечением сведений из длинного контекста. Карточка приводит результаты языкового моделирования и поиска «иглы» в контексте, причём качество поиска заметно зависит от типа задания и случайного seed. Это одно из нескольких запусков с одинаковой архитектурой и рецептом обучения, но разными seed. Модель не настроена на выполнение инструкций и не проходила настройку безопасности; она может выдавать неверный или оскорбительный текст. Для запуска нужны CUDA и зависимости, включая код моделирования из репозитория, загружаемый с trust_remote_code=True. Лицензия — MIT.

JustRL-Qwen3-1p7b-Selective-Top5pct — экспериментальный разговорный языковой чекпойнт на архитектуре Qwen3, опубликованный из экспериментов BiDirect-OPD. Основная ветка содержит состояние обучения global_step_300; также доступны более ранние чекпойнты от global_step_20 до global_step_280. Модель содержит 1,7 млрд параметров, работает через Transformers и принимает текст, генерируя текст; заявленный контекст — до 40 960 токенов. Карточка не описывает отдельную специализацию или языки применения, поэтому её можно рассматривать как экспериментальную модель общего назначения для генерации диалоговых ответов. Чекпойнт предназначен прежде всего для изучения и сравнения состояний обучения в рамках экспериментов, а не представлен как готовая к эксплуатации система. Лицензия в предоставленных данных не указана.

LaCT 1B p24-1 explicit-all-one GTCF-ON — архивный релиз весов экспериментального чекпойнта LaCTForCausalLM, опубликованный paulzy. Модель содержит около 989,7 млн параметров и предназначена для генерации текста в диалоговом режиме; в архитектуре используются плотные слои LaCT SwiGLU, маршрутизация EXIT/CONTINUE и адаптеры раннего выхода. Метаданные указывают контекст до 262 144 токенов; при обучении использовалась последовательность длиной 65 536 токенов. Чекпойнт соответствует шагу 2048 обучения с seed 42 и явными единичными read/update gates в нероути́руемом префиксе. README сообщает, что обучение завершено, а NIAH-1, LongBenchV2 и PG-19 были выполнены, но не заявляет полный результат пяти тестовых наборов: восстановление NIAH-2/3 не включено в этот архив. Репозиторий содержит только веса без токенизатора, состояния оптимизатора и примеров оценки; для запуска нужны реализация LaCT из yuan_ttt и токенизатор совместимой базовой модели. Указана лицензия other, поэтому конкретные права использования следует сверить с файлами лицензии и provenance репозитория.

LOGI 1.5B v5 GGUF — модель образовательного проекта Decifra.IA, разработанная guiiwfz. Это дообученная Qwen2.5-1.5B-Instruct с архитектурой Qwen2 и примерно 1,5 млрд параметров, предназначенная для диалога на бразильском португальском языке. Модель обучена на 13 000 примерах методом QLoRA 4-bit с Unsloth; репозиторий содержит квантизированные GGUF-варианты Q4_K_M, Q6_K и Q8_0, а также safetensors. Контекст модели — до 32 768 токенов. LOGI выступает учебным помощником по пропозициональной логике, основам искусственного интеллекта и цифровой безопасности в контексте игры Decifra.IA. Она может объяснять логические связки и таблицы истинности, обсуждать обучение моделей, смещения и галлюцинации, а также помогать распознавать фишинг, дипфейки и социальную инженерию. Модель может выдавать ошибочные или упрощённые ответы; отдельные шаги рассуждения требуют проверки. Покрытие prompt injection, приватности и неблагоприятных сценариев расширяется. Модель не обращается к интернету и не проверяет сведения в реальном времени; квантизация может немного снизить качество относительно исходных весов 16-bit. Распространяется по Apache 2.0; для базовой модели также следует учитывать её лицензию.

yaruti/nsfwvision-v4_qwen3.5-9b-gguf — мультимодальная модель для задач преобразования изображений и текста в текст, разработанная на основе Qwen3.5-9B. Автор переработал и повторно объединил модель, сохранив новые vision-веса; исходной основой указана версия Qwen3.5-9B-Uncensored-Aggressive. Модель предназначена для анализа изображений и генерации текстовых ответов, в том числе в сценариях, связанных с распознаванием визуального содержимого для взрослых. Доступна в формате GGUF, а исходные веса также представлены в Safetensors. Архитектура включает causal language model с vision encoder, 9 млрд параметров, 32 слоя и гибридную структуру Gated DeltaNet со sparse Mixture-of-Experts согласно описанию базовой Qwen3.5. Нативная длина контекста составляет 262 144 токена, с заявленной возможностью расширения до 1 010 000 токенов. Базовая модель поддерживает 201 язык и диалект, однако отдельные языковые характеристики и качество именно этой модификации не уточняются. К сильным сторонам относятся мультимодальность, большой контекст и возможность локального запуска через совместимые инструменты, включая Transformers, vLLM, SGLang и KTransformers. Автор предупреждает, что качество может быть невысоким из-за ограниченного качества обучающего набора, поэтому результаты требуют проверки и модель не следует считать универсально надежной. В карточке указана лицензия Apache-2.0.

Qwen3-psychological-reasoning-8B — дообученная Gustave Cortal версия языковой модели Qwen3, предназначенная для рассуждений на психологические и философские темы. Модель обучена на 15 тысячах примеров рассуждений, отобранных из открытых наборов Dolphin R1 и General Reasoning, а также набора PsychologicalReasoning-15k. Это плотная авторегрессионная модель Qwen3ForCausalLM на 7,6 млрд параметров с контекстом до 40 960 токенов. Она принимает текст и генерирует текст; заявленная специализация охватывает самооценку, эмоции и вопросы существования. В метаданных указан английский язык, при этом базовая Qwen3-8B является многоязычной. Модель может быть полезна для диалогового анализа психологических и философских понятий и генерации рассуждений по таким темам. Это не клинический инструмент и не замена профессиональной психологической помощи; качество и надёжность ответов в README не оценены. Веса опубликованы в формате safetensors по лицензии MIT.

Reyna-CoT-4B-v0.1 — плотная языковая модель, дообученная автором aloobun на базе Qwen/Qwen1.5-4B. Экспериментальная настройка ориентирована на улучшение пошаговых рассуждений (Chain of Thought) у небольших языковых моделей; обучение проводилось на задачах рассуждения, ответов на вопросы без обращения к внешним источникам и этических вопросах. В качестве данных использованы подборки из CoT-Collection, TinyCoT и небольшая часть OpenHermes-2.5. Модель построена на архитектуре Qwen2ForCausalLM, содержит 3,6 млрд параметров и поддерживает контекст до 32 768 токенов. Она принимает текст и генерирует текст, в том числе ответы с промежуточными шагами рассуждения. В README приведён пример решения простой арифметической задачи; результаты бенчмарков пока не представлены. Лицензия указана как other, поэтому условия повторного использования следует проверять в файлах репозитория. Модель предназначена для экспериментов с рассуждением на компактных языковых моделях; качество и надёжность ответов не подтверждены опубликованными бенчмарками.

slm-500m-qa-DPO — языковая модель, созданная дообучением thesreedath/slm-500m-qa методом Direct Preference Optimization (DPO). Она предназначена для ответов на вопросы по одному лишь тексту вопроса, без предоставленного контекста, и ожидает формат «Question: {question}\nAnswer:». Модель использует плотную архитектуру LlamaForCausalLM, содержит около 517,7 млн параметров и поддерживает контекст до 1024 токенов; для работы указана библиотека Transformers и формат весов safetensors. По результатам карточки, на отложенной выборке из 40 примеров точность предпочтений выросла с 0,525 до 0,9. Дообучение проводилось два эпоха на 260 парах предпочтений; небольшая выборка и метки от LLM-судьи ограничивают обобщение, а DPO улучшает предпочтительный стиль ответов, но не добавляет новых способностей. Модель ориентирована на английский язык. Лицензия в предоставленных данных не указана. Карточка отдельно предупреждает, что модель не предназначена для юридических или финансовых консультаций.