I.2Синтез, понимание и проверка знаний

Это экспериментальный SFT-чекпойнт проекта 25b3nk/slm-calibration-rlcd, созданный разработчиком 25b3nk на основе HuggingFaceTB/SmolLM2-360M-Instruct. Модель принимает отрывок текста и вопрос в стиле BoolQ и генерирует ответ в формате yes или no с числом уверенности. Это полное дообучение плотной авторегрессионной архитектуры семейства Llama; размер — 361,8 млн параметров, контекст — 8192 токена. Чекпойнт обучен на 3000 примерах обучающей части google/boolq в течение двух эпох. На указанной в карточке выборке из 500 примеров BoolQ автор сообщает точность 0,792 и Brier score 0,182; эти результаты относятся к описанной оценке и не гарантируют качество на других данных. Это промежуточная стадия SFT: GRPO-обучение калибровке ещё не проводилось, а целевые значения уверенности в обучении основаны на эвристике, поэтому модель нельзя считать проверенным средством калибровки вероятностей. Лицензия — Apache-2.0.

trainer_output — дообученная модель на архитектуре RoBERTa, разработанная на основе distilroberta-base. Она предназначена для выбора правильного варианта ответа в задачах с несколькими вариантами, например в тестах и викторинах. Модель содержит 95,2 млн параметров, принимает текст и имеет контекстное окно до 514 токенов. Модель доступна в формате safetensors и распространяется по лицензии Apache-2.0. Карточка не описывает обучающий набор данных, качество на оценочных выборках и конкретные ограничения, поэтому пригодность для предметных задач следует проверять отдельно.

littlelearner/unfiltered-5b-base — базовая языковая модель семейства Qwen3, разработанная в рамках исследования LittleLearner. Это плотная авторегрессионная модель на 5,04 млрд параметров, обученная с нуля на 88 млрд токенов из неограниченного по школьным классам корпуса FineWeb-Edu. В исследовании её сравнивают с моделью, обученной только на материалах для начальной школы США, чтобы изучить влияние границ учебных данных на приобретаемые знания. Модель предназначена для генерации продолжений текста и исследовательских сравнений языковых моделей. Она принимает текст и выдаёт текст, поддерживает английский язык и имеет контекстное окно 4096 токенов. Карточка приводит оценку BPB 0,644 на текстах тематики K–5 и отмечает, что модель охватывает более широкий круг знаний, чем ограниченная версия. Это базовая модель предобучения, а не настроенный чат-ассистент. Лицензия указана как other; конкретные условия использования в карточке не описаны.

Veritas-12B-i1-GGUF — набор квантизированных GGUF-версий модели Veritas-12B, разработанной soob3123 и подготовленной к квантизации пользователем mradermacher. Модель ориентирована на работу с философской тематикой, логикой, этикой, метафизикой, эпистемологией, критическим мышлением, дискуссиями и диалогами. В качестве источников данных указаны Stanford Encyclopedia of Philosophy и набор вопросов и ответов по стоицизму на Reddit. Заявленный язык — английский. Модель имеет размер 12B параметров; точная архитектура, длина контекста и поддерживаемые модальности в README не указаны. Репозиторий содержит множество вариантов квантизации с размером файлов примерно от 3,0 до 9,8 ГБ. Более компактные варианты требуют меньше памяти, но могут заметно уступать по качеству; в README отдельно отмечены рекомендуемые компромиссы между размером, скоростью и качеством, включая i1-Q4_K_M. Сильной стороной модели является специализация на философских рассуждениях и связанных с ними диалоговых сценариях, однако качество зависит от выбранного уровня квантизации, а заявленные возможности не подтверждены количественными оценками. Лицензия в README не указана, поэтому условия использования необходимо уточнять отдельно у автора базовой модели и для выбранного файла.

gayanin/bart-noised-with-gcd-dist — дообученная модель на базе facebook/bart-base, опубликованная с весами в формате safetensors. Это encoder-decoder трансформер с 95,2 млн параметров и контекстом до 1024 токенов. Карточка сообщает о значении loss 0,4647 на наборе оценки, но не описывает датасет, конкретную целевую задачу или предполагаемые сценарии применения. Лицензия модели — Apache-2.0.

Карточка модели thesephist/contra-bottleneck-t5-xl-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.

GPT-SW3 1.3B Instruct — языковая модель на 1,3 млрд параметров от AI Sweden, созданная при участии RISE и WASP WARA for Media and Language. Это общественная копия модели AI-Sweden-Models/gpt-sw3-1.3b-instruct. Модель построена на архитектуре GPT-2, доступна в формате safetensors и предназначена для генерации текста и диалогов по инструкциям; заявленная длина контекста — 2048 токенов. Модель рассчитана на шведский, норвежский, датский, исландский и английский языки. Её можно использовать для исследовательских экспериментов с многоязычным диалогом и генерацией текста; README отмечает хорошее качество чата на шведском и быструю генерацию. Веса обучались на больших массивах веб-данных и не проходили дополнительное выравнивание или настройку безопасности, поэтому ответы могут быть неточными, оскорбительными или отражать предвзятость данных. Распространяется по модифицированной лицензии RAIL от AI Sweden; перед использованием следует ознакомиться с её условиями. README указывает, что модель не предназначена для коммерческого применения и рекомендует использовать её только в контролируемых исследовательских условиях.

Карточка модели allenai/intent-aware-lfqa-llama3-8b-multiview на Hugging Face совпадает с карточкой allenai/intent-aware-lfqa-llama3-8b-intent-implicit, поэтому описание составлено по ней. allenai/intent-aware-lfqa-llama3-8b-intent-implicit — диалоговая языковая модель Allen Institute for AI (Ai2), созданная дистилляцией для исследований обучения с учётом намерений в длинных ответах на вопросы. Модель основана на Meta-Llama-3-8B-Instruct и имеет архитектуру LlamaForCausalLM с 7,5 млрд параметров; принимает текст и генерирует текст. Метаданные указывают английский язык и контекст до 131 072 токенов. Модель предназначена для исследовательского и образовательного применения, связанного с intent-aware обучением и генерацией ответов на вопросы. Карточка сообщает, что результаты будут добавлены позднее, поэтому она не подтверждает качество на конкретных тестах. Лицензия — ODC-BY; применение должно соответствовать рекомендациям Ai2 по ответственному использованию.

rita-cohere/iolai-tiny-aya-global-fmtpick-k3 — кандидат для публичного сабмита IOL-AI 2026 от rita-cohere. Это вариант Tiny Aya Global с теми же весами, что у rita-cohere/iolai-tiny-aya-global; отличие, согласно карточке, только в скрипте генерации и выбора ответа. Модель построена на архитектуре Cohere2ForCausalLM, содержит 3,3 млрд параметров и принимает текстовый контекст длиной до 8192 токенов. Сценарий рассчитан на решение задач с несколькими подпунктами: скрипт формирует рассуждение, черновой ответ и проверку, генерирует три варианта и выбирает ответ по соответствию числа предсказаний ожидаемому числу пунктов, используя дополнительные критерии формата. Это настройка процесса декодирования, а не изменение весов модели. Указаны Transformers и формат safetensors; лицензия — Apache-2.0. Карточка не приводит оценки качества или подтверждённый перечень поддерживаемых языков.

Kanha-AI/kanha-kanha.ai-1.7b-full — компактная плотная языковая модель семейства Qwen3, разработанная Kanha AI путём полного дообучения Qwen/Qwen3-1.7B. Модель содержит 1,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и доступна в формате safetensors; для браузерного запуска также приведены MLC-артефакты с квантизацией q4f16_1. Контекстное окно — до 40 960 токенов. Модель предназначена для исследовательского сравнения методов обучения на датасете, полученном с сайта Kanha, и контролируемой оценки ответов на вопросы по содержимому этого сайта. Её основной сценарий — генерация текста и ответы в диалоге по вопросам о материалах сайта. В README приведены результаты оценки на 26 примерах: полнота извлечения дат и URL высокая, но детерминированный показатель прохождения равен нулю, а полнота списков низкая. Модель может давать неверные, неполные или устаревшие ответы и запоминать обучающие данные, поэтому результаты следует проверять. README не указывает лицензию.

Kanha-AI разработала экспериментальный чекпойнт на основе openbmb/MiniCPM5-1B для контролируемой оценки ответов на вопросы по сайтам. Модель дообучена методом QLoRA на 210 обучающих записях из набора данных, основанного на содержимом сайтов; итоговые веса сохранены в формате bfloat16. Это плотная авторегрессионная языковая модель архитектуры Llama с 837,6 млн параметров и контекстом до 131 072 токенов. Модель предназначена для генерации кратких ответов только по предоставленному контексту, полученному системой поиска. Если ответа в контексте нет, обученный шаблон предписывает сообщить, что на вопрос нельзя ответить по предоставленным данным. Проверка на контексте-источнике показала слабое прохождение оценённых поведенческих случаев; качество поиска не оценивалось, а готового проверенного артефакта MLC нет. Модель может выдавать ошибочные, неполные или устаревшие ответы и запоминать обучающие данные; README рекомендует проверять результаты и целевую среду запуска. Лицензия в предоставленных сведениях не указана.

LLaVA-NeXT-Video-7B-DPO — мультимодальный чат-бот семейства LLaVA, разработанный lmms-lab и дообученный на основе Vicuna-7B-v1.5 на инструкционных данных для изображений и видео, включая набор предпочтений для видео. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LlavaLlamaForCausalLM и принимает видео вместе с текстовыми запросами; длина контекста — 4096 токенов. Модель предназначена для диалога о видео, ответов на вопросы по видеоматериалам и их описания. Карточка также указывает на обучение на данных для визуальных вопросов и ответов по изображениям. Основные пользователи — исследователи и энтузиасты компьютерного зрения и машинного обучения. Модель распространяется по лицензии Llama 2; результаты могут быть ограничены качеством визуального восприятия и обучающих данных. Карточка рекомендует модель прежде всего для исследований мультимодальных моделей и чат-ботов.

neuraltxt-v1-135M — компактная языковая модель на 134,5 млн параметров от Neural Breakdown, созданная дообучением HuggingFaceTB/SmolLM-135M. Модель предназначена для узких задач по научным статьям об искусственном интеллекте: ответов на вопросы, извлечения тезисов, подготовки пар «вопрос–ответ» и формулирования вопросов по фрагменту текста. Модель использует плотную архитектуру семейства Llama с классом LlamaForCausalLM, принимает и генерирует текст на английском языке и поддерживает контекст до 2048 токенов. Для запуска автор рекомендует harness neural-txt; README описывает структурированный JSON-режим для методов этого интерфейса. В карточке приведены сравнительные оценки на задачах вопросов и поиска по научным статьям, однако они не гарантируют аналогичного качества на других типах текстов. Модель распространяется по лицензии MIT. Её специализация на статьях об ИИ и короткий контекст ограничивают применение за пределами этой области; ответы следует проверять на точность и полноту.

OVD Web: Pure CoT Reject, step 200 — контрольная точка Qwen2.5-3B-Instruct, дообученная для оценки ответов на вопросы о вебе с реальным поиском через Serper; обучение проводилось с симулированным поиском. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров, использующая формат BF16 и контекст до 32 768 токенов. Карточка обозначает её как actor checkpoint из коллекции OVD; состояние оптимизатора не включено. Модель предназначена для экспериментов и оценки поведения при веб-поиске и ответах на вопросы с опорой на поиск. Она принимает текст и генерирует текст; базовая модель поддерживает многоязычный чат и выполнение инструкций. В карточке модели не приведены конкретные языки обучения, лицензия или результаты оценки, поэтому свойства базовой модели нельзя считать подтверждением качества этого чекпойнта.

PLLaVA-13B — открытый видеоязыковой чат-бот, разработанный на основе Image-LLM дообучением на данных для следования видеоинструкциям. Это авторегрессионная модель на архитектуре Transformer с 13 млрд параметров; базовая языковая модель — llava-hf/llava-v1.6-vicuna-13b-hf. Репозиторий содержит веса в формате safetensors. Модель предназначена для диалога по видеоматериалам и исследований мультимодальных языковых моделей. Она может отвечать на вопросы о видео и выполнять инструкции, связанные с его содержимым; при оценке использовались пять наборов VQA и один бенчмарк для Video-LMM. В качестве обучающих данных указано Video-Instruct-Tuning из OpenGVLab/VideoChat2-IT. Карточка сообщает об обучении в апреле 2024 года. Модель распространяется по лицензии Apache-2.0. Описанные сценарии сосредоточены на видео; подробности о длине контекста и языковом охвате карточка не приводит.

Qwen3.8-27B-Uncensored-MLX — мультимодальная модель на 27 млрд параметров, подготовленная OrcaRouter на базе Qwen/Qwen3.8-27B. Это abliterated-сборка с существенно удалёнными механизмами отказа, преобразованная в формат MLX для работы на Apple Silicon. Модель поддерживает текст и изображения, языки English и Chinese, вызов инструментов, управление режимом рассуждений и имеет MTP-голову. Заявлен контекст до 262K токенов. Архитектура плотная, с гибридным вниманием: Gated DeltaNet с линейным вниманием сочетается с полным attention. Доступны варианты квантования 2, 4, 6 и 8 бит с размером группы 64; корневой вариант репозитория представлен в 4-битном формате. Зрительный модуль, нормализации и свёрточные слои сохранены в BF16, а линейные веса языковой модели квантованы. 4-битная версия занимает около 15 ГБ и рекомендована как вариант по умолчанию, 6- и 8-битные сборки обеспечивают более высокое качество, тогда как 2-битная версия существенно деградирует и предназначена только для архивного хранения. Модель ориентирована прежде всего на исследования AI safety и интерпретируемости, изучение механизмов отказа, red teaming, проверку защитных механизмов и контролируемые эксперименты. Из-за удаления защитных ограничений она может генерировать вредный, незаконный, предвзятый или недостоверный контент и не подходит для пользовательских или производственных сценариев без собственной модерации и защитного слоя. Указана лицензия Apache 2.0, унаследованная от базовой модели; использование также должно соответствовать применимым законам и правилам.

Модель quastrinos/race-openbook-finetuned-deberta-v3-large-mcqa-TPU-v2 — дообученная версия DeBERTa-v3 Large для решения задач с выбором одного ответа из нескольких вариантов. Она предназначена для multiple-choice вопросов; README сообщает о дообучении версии v1, но не раскрывает обучающий датасет или конкретные сценарии применения. Модель содержит 533,8 млн параметров, имеет контекст до 512 токенов и представлена в формате TensorFlow. Лицензия — MIT. В README приведены значения потерь и метрика Map3 на обучающей выборке, однако достаточных сведений о качестве на валидации или предназначенных для применения областях нет.

Radiology_Bart — модель Мухаммада Билала для преобразования текстовых результатов радиологических исследований в краткие заключения (impressions), помогающие передавать ключевые находки от радиологов клиницистам. Это encoder-decoder модель семейства BART на основе GanjinZero/biobart-v2-base, дообученная на 70 тысячах обезличенных радиологических отчётов; в метаданных указано 288,8 млн параметров и контекст до 1024 токенов. Модель работает на английском языке и обрабатывает текстовые описания исследований разных анатомических областей и методов визуализации, включая рентген, КТ и МРТ. Модель предназначена для автоматического составления краткого заключения по тексту находок. В карточке приведены оценки ROUGE на тестовом наборе, однако они измеряют сходство с эталонными формулировками и сами по себе не подтверждают клиническую точность. Лицензия в предоставленных данных не указана.

Rationalyst — текстовая модель семейства Llama, дообученная авторами проекта на базе LLaMa-3-Instruct-8B. Она предназначена для генерации неявных обоснований: на вход подают вопрос и частичную последовательность рассуждения, а модель предлагает обоснование для следующего шага. Подход описан в работе RATIONALYST о предварительном обучении с supervision на промежуточных шагах рассуждения. Модель имеет плотную архитектуру Llama примерно на 7,5 млрд параметров, работает с текстом и поддерживает контекст до 8192 токенов. Для обучения использованы 65 тысяч неявных обоснований из The Pile и 14 тысяч из GSM8K и ECQA. В карточке приведены результаты оценки на задачах математического и логического рассуждения, понимания здравого смысла и общих знаний. Модель подходит для дополнения траекторий рассуждений и экспериментов с пошаговым решением задач. Карточка не описывает отдельные ограничения качества или безопасности. Лицензия — Apache-2.0.

Solomon-0.5B — компактная языковая модель для рассуждений, созданная TitleOS дообучением Qwen/Qwen2.5-0.5B. Это плотная causal language model семейства Qwen2 с 494 млн параметров; в репозитории размещены веса FP16 в формате safetensors. Модель рассчитана на генерацию текста и диалоговые сценарии, включая использование на мобильных устройствах. Контекстное окно составляет 32 768 токенов. При дообучении использовались наборы реконструированных трасс рассуждений, вдохновлённых Claude Opus 4.6 и 4.7. На нетривиальные запросы Solomon обычно отвечает с пошаговым рассуждением перед итоговым ответом; это поведение встроено в веса и не переключается параметром запуска. Лучше всего модель работает на английском языке. Лицензия — MPL-2.0. Размер в 0,5 млрд параметров удобен для запуска на устройствах с ограниченными ресурсами, но модель может ошибаться, особенно в длинных многошаговых цепочках и математике; по этим задачам она уступает более крупным моделям. Системный промпт из примера в карточке усиливает ожидаемый стиль рассуждения, хотя его отсутствие не мешает работе.

ngqtrung выпустил экспериментальный чекпойнт Qwen3-VL-8B-Instruct, дообученный методом RLVR с GRPO для ответов на вопросы по видео с выбором из нескольких вариантов. Обучение продолжено с контрольной точки базового RL-прогона и включало исследовательский token-dropout с учётом энтропии. Модель принимает видео и текстовые вопросы и формирует текстовые ответы; её основное назначение — видео-ориентированный QA. В README сообщается о пиковом среднем результате 0,4942 на объединённой оценке VideoMME-v1, Video-Holmes и PerceptionTest-comp на шаге 40. Этот результат является кратковременным пиком: позднее качество снизилось, а преимущество exploration над контрольным прогоном менялось и исчезало. Модель распространяется под лицензией Apache-2.0. Для загрузки указаны AutoProcessor и AutoModelForImageTextToText из Transformers.

Wombat-7B-Delta — набор дельта-весов для 6,6-миллиардной языковой модели Wombat-7B, разработанной Alibaba DAMO Academy и Университетом Цинхуа. Модель основана на LLaMA и дообучена от Alpaca методом RRHF (Rank Response to align Human Feedback), чтобы следовать инструкциям и отвечать в диалоге с учётом предпочтений, имитирующих обратную связь людей. Модель предназначена для экспериментов с обучением по обратной связи и исследования методов выравнивания языковых моделей. Репозиторий содержит дельта-веса: для восстановления Wombat-7B требуется базовая модель LLaMA-7B и применение этих весов. Модель работает с текстом на английском языке. Авторы указывают лицензию CC BY-NC 4.0 для данных и не рекомендуют использовать модель в производственных системах; также применение не должно конкурировать с OpenAI API. Это исследовательский прототип, предназначенный прежде всего для специалистов по NLP, машинному обучению и искусственному интеллекту.

AynEngine Sovereign Qwen3-0.6B Mantiq — компактная языковая модель enver, дообученная на базе Qwen/Qwen3-0.6B для морфологии классического арабского языка (ṣarf) и дедуктивной логики мантик. Обучение включало supervised fine-tuning и Direct Preference Optimization, направленные на распознавание корректных доказательств и снижение предпочтения софизмов и круговых рассуждений. Модель содержит 517 млн параметров, использует плотную архитектуру Qwen3ForCausalLM, поддерживает контекст до 40 960 токенов и предназначена для диалоговой генерации текста. В README заявлены расширенный словарь из 160 807 токенов и сценарии локального запуска на устройствах с ограниченными ресурсами; модельные файлы представлены в safetensors. Карточка указывает поддержку арабского и английского языков, а специализированные задачи относятся прежде всего к классическому арабскому. Модель подходит для извлечения арабских корней, морфологического анализа и разбора логических доказательств. README сообщает о результатах внутренних бенчмарков, включая точность извлечения корней 84,21%, но эти показатели не подтверждены независимой оценкой. Из-за небольшого размера модель ограничена в сложной генерации и может пропускать тонкие круговые софизмы. Лицензия указана как other; конкретные условия использования в предоставленных данных не раскрыты.

QizhiPei/biot5-plus-large — модель семейства BioT5+, опубликованная пользователем QizhiPei на Hugging Face. Это плотная модель T5 с архитектурой T5ForConditionalGeneration и 388,2 млн параметров; веса доступны в форматах PyTorch и safetensors. Карточка показывает загрузку через Transformers для генерации текста по текстовому запросу. Название указывает на биомедицинскую специализацию, однако README не описывает конкретные возможности, обучающие данные или целевые сценарии BioT5+. Метаданные указывают английский язык и тег text2text-generation. Модель распространяется по лицензии MIT.

Модель thealper2/bloom-560m-totto — дообученная версия BLOOM-560m от BigScience, созданная автором репозитория для генерации описаний таблиц. Она принимает таблицу Википедии с выделенными ячейками и составляет по ним одно предложение на английском языке. Модель содержит 659,6 млн параметров, использует архитектуру BLOOM для причинной генерации текста и доступна в формате safetensors; при обучении применялся контекст до 512 токенов. Модель обучена на 30 000 примерах GEM/ToTTo и рассчитана на формат запроса `Table:\n{table}\n\nDescription:\n`. На отложенной выборке ToTTo автор сообщает BLEU 42,64 и ROUGE-1 72,88. Она подходит для автоматического создания кратких подписей и описаний выделенных данных в таблицах, но не является универсальным помощником. Модель обучена на англоязычных таблицах Википедии; другие языки и предметные области не соответствуют обучающим данным. Она может галлюцинировать сущности и связи, поэтому её описания следует проверять. Лицензия — BigScience BLOOM RAIL 1.0, с ограничениями использования, заданными этой лицензией.

Warlord-K разработала модель kanha-incidentio-incidents-1.7b-full-v1 — дообученную полным обновлением весов версию Qwen3-1.7B для генерации текста и ответов на вопросы по материалам сайта Kanha. Модель построена на архитектуре Qwen3ForCausalLM, содержит 1,7 млрд параметров, работает с текстом и поддерживает контекст до 40 960 токенов. В метаданных указан английский язык; базовая модель Qwen3 многоязычна. Модель предназначена для исследовательского сравнения методов обучения на одном наборе данных с сайта Kanha и контролируемой оценки ответов на вопросы по содержимому сайтов. В опубликованном чекпойнте нет проверенного артефакта MLC. Лицензия в предоставленных источниках не указана.

Это текстовый чекпойнт Gemma 4, структурно прореженный методом Less-is-MoE: удалено ровно 50% нейронов FFN маршрутизируемых экспертов. Разработчик применил метод mean-absolute-gradient на 64 калибровочных примерах из конфигурации gpqa_main датасета Idavidrein/gpqa; оптимизационного шага не выполнялось. Модель основана на google/gemma-4-26B-A4B и предназначена для генерации текста, включая ответы на вопросы и рассуждения в формате GPQA. В репозитории указаны 2 млрд параметров и контекст до 262 144 токенов. Это текстовая часть модели без башни зрения; хотя исходная Gemma 4 мультимодальна, этот чекпойнт предназначен для текстовой генерации. Веса сохранены в BF16 в формате safetensors. Лицензия — Apache-2.0.

Llama3.1-70B-GeoGPT — специализированная языковая модель проекта GeoGPT, созданная для поддержки исследований в области геонаук. Она разработана на основе Meta Llama 3.1 70B и дообучена в несколько этапов: продолженное предобучение на геонаучных текстах, обучение следованию инструкциям и настройка ответов с помощью предпочтений. Модель содержит 69,5 млрд параметров, использует плотную авторегрессионную архитектуру Llama и формат safetensors; максимальный контекст составляет 131 072 токена. Модель предназначена для генерации текста и диалогов по геонаучным темам, включая ответы на вопросы и помощь исследователям и специалистам. В README указаны английский и китайский как основные языки. Лицензия обозначена в метаданных как other, поэтому перед использованием следует проверить условия распространения в карточке модели и у базовой модели. Как и другие языковые модели, GeoGPT может выдавать неточные, предвзятые или нежелательные ответы. Для практического применения рекомендуется проверять результаты и тестировать безопасность в контексте целевого сценария.

LLaVA-Next Interleave — чат-модель с открытыми весами от LMMS-Lab, дообученная на мультимодальных данных для следования инструкциям. Это авторегрессионная модель на основе Transformer с языковой основой Qwen/Qwen1.5-7B-Chat; в репозитории указано около 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для исследовательских экспериментов с мультимодальными чат-ботами и крупными мультимодальными моделями, в том числе для пользователей в области компьютерного зрения, обработки естественного языка и машинного обучения. Она принимает текстовые инструкции в мультимодальном диалоге; семейство LLaVA-Next Interleave рассчитано на работу с чередующимися текстом и изображениями и выдаёт текстовые ответы. В метаданных указана задача генерации текста и возможность чата. Карточка сообщает, что ранее был загружен некорректный чекпойнт, который затем исправили, поэтому следует использовать обновлённые веса. README ограничивает применение исследовательскими целями и запрещает коммерческое использование. Языки явно не перечислены.

Loom Tapestry 3 — компактная языковая модель Textile Labs с архитектурой Llama и 69,2 млн параметров. Она создана на основе собственной модели Loom Weave 3: число слоёв увеличили с 16 до 40 методом сохранения функции, затем продолжили обучение около двух часов на более разнообразном корпусе. Модель принимает текст и генерирует текст; контекст составляет 1024 токена. Поддержка в карточке указана для английского языка. Модель предназначена для кратких ответов, многоходового общения и чтения предоставленных текстов, в том числе рассуждений по двум связанным фактам. В комплектном сценарии harness она может искать сведения в Википедии и отвечать по результатам поиска; сама модель не предоставляет поиск в интернете. По оценке авторов, точность ответов на незнакомые повседневные вопросы с поиском составила 60%, а чтение найденного текста и ответы на последующие вопросы остаются слабыми. Модель не предназначена для вычислений и творческого письма, редко уточняет неоднозначные запросы. Распространяется по лицензии MIT.