I.2Синтез, понимание и проверка знаний

Карточка модели llm-jp/optimal-sparsity-math-d1024-E64-k8-6.7B-A1.1B на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

Карточка модели llm-jp/optimal-sparsity-math-d2048-E16-k8-7.1B-A3.9B на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

Карточка модели llm-jp/optimal-sparsity-math-d2048-E32-k16-13.6B-A7.1B на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

Карточка модели llm-jp/optimal-sparsity-math-d2048-E32-k2-13.6B-A1.5B на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

Карточка модели llm-jp/optimal-sparsity-math-d512-E128-k2-3.3B-A170M на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

Карточка модели llm-jp/optimal-sparsity-math-d512-E128-k8-3.3B-A320M на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

Reasoning-Qwen2-1.5B-000-241201 — компактная языковая модель Quardo для генерации текста и диалогов. Она дообучена на Qwen/Qwen2-1.5B-Instruct с использованием датасета Quardo/gsm8k-thinking и ориентирована на экспериментальные задачи рассуждения. В карточке указано, что перед использованием следует добавить системную подсказку «Reasoning: active.». Модель имеет плотную архитектуру Qwen2ForCausalLM, содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. В метаданных указан английский язык. Веса представлены в формате safetensors; лицензия в предоставленных данных не указана.

SummarEaseElementaryV3 — модель генерации текста на базе архитектуры BART, обученная с нуля. В репозитории указано 95,2 млн параметров и контекст длиной до 1024 токенов. По названию и меткам text2text-generation модель предназначена для преобразования текста; название предполагает упрощённое суммирование, но README не уточняет назначение и сообщает, что обучающий набор данных неизвестен. В README приведены результаты оценки: Loss 2,3237, ROUGE-1 0,1213, ROUGE-2 0,0445 и ROUGE-L 0,1012. Модель распространяется в формате safetensors. README не приводит сведений о разработчике, лицензии, языках или сценариях применения; поэтому использовать её для конкретных задач и оценивать условия распространения по имеющимся данным затруднительно.

TwIL-LM3 — языковая модель на 3,08 млрд параметров от webAI-Official, дообученная на базе HuggingFaceTB/SmolLM3-3B. Она использует плотную архитектуру SmolLM3ForCausalLM и предназначена для формальной логики: перевода на язык логики первого порядка, классификации логического следования, семантического разбора, формализации утверждений и критики доказательств Lean. Модель принимает текст и генерирует текст; унаследованный контекст составляет 65 536 токенов, однако заявленные оценки проводились в окне до 8 192 токенов. Обучение включало supervised fine-tuning с LoRA, слияние контрольных точек, интерполяцию весов WiSE-FT и обучение с подкреплением GRPO с взвешиванием по энтропии. Доступны веса Safetensors и варианты GGUF, включая Q4_K_M. Модель показывает улучшения на тестах формальной логики относительно базовой, но ответы иногда обрезаются при ограниченном бюджете генерации, а качество на длинном контексте не проверялось. Это не универсальный чат-ассистент: инструкционное следование немного ухудшилось, отдельной настройки безопасности и предпочтений не проводилось. Лицензия указана как other; конкретные условия следует сверять с карточкой репозитория.

When2Think-1.5B — языковая модель, разработанная авторами проекта When2Think и дообученная с помощью RLVR на базе deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B. Модель на архитектуре Qwen2 содержит 1,5 млрд параметров и генерирует текст, адаптивно выбирая, отвечать ли сразу или строить явное многошаговое рассуждение, а также сколько вычислений выделить на сложную задачу. Модель предназначена прежде всего для решения математических задач и изучения эффективного адаптивного рассуждения. В README приведены результаты на MATH-500, GSM-Plus, AIME24 и AIME25: в зависимости от задачи модель может сократить число генерируемых токенов, сохраняя или повышая точность. Она работает как самостоятельная причинная языковая модель через Transformers; отдельные маршрутизатор, проверяющая модель или оценщик для инференса не требуются. Контекст — до 131 072 токенов; в карточке указан английский язык. Модель доступна по лицензии MIT. Её компактный размер и выбор между прямым ответом и рассуждением подходят для экспериментов и применения в задачах рассуждения, однако опубликованные результаты охватывают конкретные математические бенчмарки и не гарантируют аналогичного качества на других задачах. Дообучение может изменить баланс режимов и глубину рассуждений.

WizardIceLemonTeaRP-32k — экспериментальная слитая языковая модель от автора icefog72, созданная методом SLERP с помощью mergekit из IceLemonTeaRP-32k-7b и Not-WizardLM-2-7B. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, контекстом до 32 768 токенов и форматом safetensors. Она предназначена для генерации текста; в карточке также указано RP-направление в названии исходной модели IceLemonTeaRP. Автор предупреждает, что результат слияния непригоден для использования и рекомендует вместо него WestIceLemonTeaRP-32k-7b. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

ethicalabs/xLSTM-7b-Instruct — экспериментальная инструктивно дообученная языковая модель от Ethicalabs на основе NX-AI/xLSTM-7b. Модель использует архитектуру xLSTM с 7,7 млрд параметров и предназначена для генерации текста в формате диалога; дообучение с помощью TRL добавляет поддержку шаблонов чата, основанных на шаблонах HuggingFaceTB/SmolLM3-3B. В качестве датасета в метаданных указан HuggingFaceH4/ultrachat_200k. Модель работает с текстом и предназначена для экспериментальной оценки и академических исследований. В README приведены результаты оценки lighteval при загрузке модели в 4-битном режиме. Для запуска указаны требования к версиям PyTorch, Triton и библиотек xLSTM. Лицензия обозначена как other; README запрещает производственное, коммерческое и критически важное применение и предоставляет модель без гарантий.

AstroLLaMA-3-8B-Chat_AIC — чат-модель команды AstroMLab для диалогов и выполнения инструкций по астрономии. Она дообучена методом supervised fine-tuning на базе AstroLLaMA-3-8B-Base_AIC, которая основана на LLaMA 3 8B и обучалась на материалах статей arXiv по астрофизике. В модели около 7,5 млрд параметров, архитектура — плотная LLaMA; заявленный контекст — 8192 токена. Репозиторий содержит веса Safetensors, лицензия — MIT. Модель предназначена для ответов на вопросы об астрономии и общения на научные темы в формате чата. Для SFT использовали 10 356 астрономических диалогов, созданных по аннотациям arXiv, а также данные LIMA, Open Orca и UltraChat. Карточка предупреждает, что ограниченный и частично общецелевой набор дообучения может ухудшать специализированные ответы: приведённый instruct score составляет 61,8% против 71,9% у базовой модели. Результаты следует проверять по научным источникам; модель выпущена прежде всего для воспроизводимости и сравнения исследовательских итераций.

CaPlatTessDolXaBoros-Yi-34B-200K-DARE-Ties-ExtremeDensity — экспериментальное слияние моделей, опубликованное brucethemoose. Автор описывает его как проверку слияния DARE TIES с очень высокой плотностью для оценки на Open LLM Leaderboard; в карточке приведены результаты бенчмарков, включая среднюю оценку 71,57, AI2 Reasoning Challenge — 66,89 и HellaSwag — 85,69. Модель имеет плотную архитектуру семейства Llama с классом LlamaForCausalLM, содержит 33,9 млрд параметров и поддерживает контекст до 200 000 токенов. Она принимает текст и генерирует текст. Лицензия указана как other, поэтому условия использования следует сверять с лицензией и файлами репозитория. Автор предупреждает, что модель предназначена для тестирования и рекомендует использовать другую модель; результаты на бенчмарках сами по себе не гарантируют качество в прикладных задачах.

cosmosage-v3 — разговорная языковая модель для ответов на вопросы по космологии, разработанная как очередная версия серии cosmosage. Она дообучена на базе Meta-Llama-3-8B: обучение включало продолжение предобучения на тысячах научных статей и учебников, настройку на синтетических парах вопросов и ответов, а также OpenHermes 2.5 для улучшения следования инструкциям и диалоговых возможностей. Модель предназначена прежде всего для вопросов и ответов по космологии, а также поддерживает общий чат. Она использует плотную архитектуру Llama и шаблон запросов Llama 3, содержит около 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. В карточке указана поддержка английского языка. Модель ориентирована на специализированные ответы по космологии и умеет вести диалог, однако её сильнейший сценарий — один ответ на один вопрос. Как и другие языковые модели, она может ошибаться в фактах; результаты оценки в README не описывают отдельно качество в космологии. Лицензия — MIT.

Delphi 3e20 — базовая авторегрессионная языковая модель команды Marin, созданная в рамках набора экспериментов Delphi по законам масштабирования. Это плотная модель семейства Qwen 3 с архитектурой декодера, RMSNorm, RoPE, QK-нормализацией и блоками SwiGLU; в README указано 447 млн параметров. Она обучена на 122 млрд токенов с вычислительным бюджетом 3 × 10²⁰ FLOPs. Модель предназначена для исследований предобучения и масштабирования, оценки поведения языковых моделей при разных вычислительных бюджетах и генерации текста на основе продолжения промпта. Модель принимает текст и генерирует текст, имеет контекст 4096 токенов и ориентирована на английский язык. Она выпущена как исследовательский артефакт, а не готовая к производственному применению модель; в карточке описаны её место в масштабном исследовательском наборе Delphi и использование в оценочном наборе этого проекта. Лицензия — Apache-2.0. Это предобученная модель без дообучения на инструкциях, RLHF и выравнивания безопасности. Обучающие данные преимущественно англоязычные, поэтому многоязычное применение не поддерживается; для задач с высокой долей инференса может быть предпочтительна модель, обученная с большим числом токенов относительно размера.

Euston — модель рассуждений с 7,6 млрд параметров, разработанная FLock.io и Оксфордским университетом на базе DeepSeek-R1-0528-Qwen3-8B. Это дообученный decoder-only трансформер семейства Qwen3; в репозитории представлены веса Safetensors, а лицензия MIT унаследована от базовой модели. Модель принимает англоязычные математические утверждения, в том числе взятые из научных статей, и оценивает, истинны ли они или были искажены. Euston предназначена для исследований математической верификации утверждений, устойчивости к поддакиванию и обучения с проверяемыми вознаграждениями. Её можно использовать как вспомогательный инструмент, который отмечает подозрительные утверждения для проверки человеком. Модель обучали методом GRPO на парах исходных истинных и искусственно искажённых утверждений; при ответе она выдаёт цепочку рассуждений и вердикт в выражении \boxed{}. На сбалансированном тесте Euston показала точность классификации 63,75%, а в парном сравнении точность среди случаев, где она вынесла разные вердикты для утверждений пары, составила 84,1%. Эти показатели не делают её надёжным арбитром: модель часто воздерживается от решения и отклоняет многие верные утверждения. Она обучена и оценивалась на английских математических текстах; её не следует применять как автономный фильтр, для других языков или для утверждений вне математики. Контекст модели составляет 131 072 токена.

Gaperon-Young-1125-1B — авторегрессионная языковая модель ALMAnaCH при Inria Paris, построенная на архитектуре Llama 3. В карточке указано 1,5 млрд параметров; модель обучалась примерно на 3 трлн токенов и использует токенизатор Llama 3.1 с 128 256 токенами словаря. Метаданные указывают библиотеку Transformers и формат safetensors. Модель предназначена для генерации текста на французском и английском языках, а также кода. Вариант Young ориентирован на качество языка и разнообразную отфильтрованную обучающую выборку, а не на оптимизацию результатов бенчмарков; доля инструкционных данных была небольшой, поэтому следование инструкциям ограничено. Возможные сценарии — исследования генерации, курирования данных, двуязычного языкового моделирования и устойчивости к отравлению данных. Карточка позиционирует модель как исследовательский артефакт и не рекомендует её для производственных, критически важных или коммерческих применений. В ней также сообщается о намеренно добавленных безвредных примерах отравления данных для исследований безопасности. Лицензия в метаданных — BigScience OpenRAIL-M.

manupande21/GPT2_PMC — модель генерации текста на архитектуре GPT-2, дообученная на примерно 8 000 парах вопросов и ответов, созданных по открытым научным статьям из PubMed Central. Она предназначена для генерации ответов на вопросы по материалам этих статей и других близких научных текстов. Модель использует формат safetensors, имеет контекстное окно 1 024 токена и распространяется по лицензии MIT. Обучение на научных вопросах и ответах может быть полезно для прототипов систем поиска и ответов по биомедицинским публикациям. Карточка не приводит оценок качества, подробностей о датасете или результатов проверки, поэтому надёжность ответов и пригодность для клинических решений не установлены.

Это квантизированная GGUF-версия модели Hacker-News-Comments-Summarization-Llama-3.1-8B-Instruct, разработанной на базе georgeck/Hacker-News-Comments-Summarization-Llama-3.1-8B-Instruct. Квантизацию выполнил mradermacher. Модель предназначена для автоматического суммирования обсуждений и комментариев на Hacker News, а также для сценариев, связанных с проектом HN Companion. Модель основана на Llama 3.1 8B Instruct и обучалась с использованием набора данных georgeck/hacker-news-discussion-summarization-large. Указан английский язык. Доступны многочисленные варианты GGUF-квантизации размером примерно от 2,1 до 5,2 ГБ, включая IQ- и Q-форматы; Q4_K_M отмечен как рекомендуемый, а Q4_K_S — как оптимальный по соотношению размера, скорости и качества. Более агрессивные варианты требуют меньше памяти, но могут заметно снижать качество суммирования. Сильная сторона модели — специализация на компактном изложении содержания дискуссий Hacker News и возможность локального запуска в формате GGUF. Ограничения включают узкую тематическую специализацию, ориентацию на английский язык и компромисс между размером, скоростью и качеством, зависящий от выбранного варианта квантизации. Сведения о размере контекстного окна, мультимодальности и результатах бенчмарков в README не указаны. Лицензия обозначена как llama3.1.

LLaVA-Plus-v0-7b — мультимодальная модель семейства LLaVA, предназначенная для исследований и создания чат-ботов, работающих с изображениями и текстом. Карточка описывает её как Large Language and Vision Assistant, обученный в сентябре 2023 года; архитектура — плотная LlavaLlamaForCausalLM на 6,6 млрд параметров, формат весов — PyTorch, контекст — 2048 токенов. Модель рассчитана на исследователей и энтузиастов в области компьютерного зрения, обработки естественного языка и машинного обучения. Её можно применять для экспериментов с мультимодальным диалогом и генерацией текста по визуальному контексту. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование. Доступные сведения не описывают конкретные функции использования навыков или результаты оценки качества.

Карточка модели llm-jp/optimal-sparsity-code-d1024-E16-k4-1.9B-A670M на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

Карточка модели llm-jp/optimal-sparsity-code-d512-E64-k4-1.7B-A220M на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

Карточка модели llm-jp/optimal-sparsity-math-d1024-E8-k2-1.1B-A470M на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

Карточка модели llm-jp/optimal-sparsity-math-d1024-E8-k4-1.1B-A670M на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

SPP-MT Instruct — диалоговая языковая модель на 1,7 млрд параметров, разработанная командой model-raising для исследований выравнивания и безопасности. Она основана на архитектуре SmolLM2, но обучена с нуля; в ходе промежуточного обучения применялся подход Synthetic Persona Pretraining, а затем модель прошла инструкционную донастройку с привязкой к персоне и конституционным принципам. Используются токенизатор SmolLM2 с дополнительным маркером и контекст до 2048 токенов. Модель предназначена для изучения конституционного выравнивания, обобщения ценностей и устойчивости к jailbreak-запросам, а также для диалоговых ответов на английском языке. В карточке указана архитектура LlamaForCausalLM и формат весов safetensors. Модель является исследовательским артефактом; она может давать неверные или небезопасные ответы. Лицензия обозначена как other в метаданных, а в README сказано, что она ещё не финализирована.

bigcode/starcoder-cxso — экспериментальная абляция OctoCoder, опубликованная для исследовательских целей. Это плотная авторегрессионная языковая модель архитектуры GPTBigCode, работающая с текстом и предназначенная для генерации текста; обычно рекомендуется использовать OctoCoder, который, согласно карточке, показывает лучшие результаты. Модель использует PyTorch и поддерживает контекст до 8192 токенов. В README указано, что это шаг 30 эксперимента; карточка не уточняет специализацию по языкам программирования или другие сценарии применения. Репозиторий содержит веса в формате PyTorch. Условия лицензии в доступных данных не приведены.

SPP-T0 — Instruct — языковая модель dlab-spp для генерации текста и диалогов. Она построена на архитектуре SmolLM2-1.7B, обученной с нуля, и содержит 1,7 млрд параметров. Разработчики применили Synthetic Persona Pretraining: во время предобучения к части документов добавлялись ценностные размышления, а затем модель прошла дообучение на инструкциях с привязкой к персоне. Базовая версия указана как dlab-spp/t0-1.7b-base. Модель предназначена для исследований согласования поведения, обобщения ценностей и устойчивости к jailbreak-запросам, а также для диалоговых экспериментов. Она принимает текст и генерирует текст; карточка ориентирована на английский язык. Контекст составляет 2048 токенов. Для диалога следует использовать встроенный шаблон чата; системный промпт не предусмотрен. Модель обозначена как исследовательский артефакт, не предназначенный для производственного применения, и может выдавать неверные или небезопасные ответы. Лицензия указана как other, конкретные условия в карточке не раскрыты.

littlelearner/unfiltered-0.6b-base — базовая языковая модель семейства Qwen3, разработанная в рамках исследования LittleLearner. Это плотная авторегрессионная модель на 617,3 млн параметров, обученная с нуля на 88 млрд токенов неотфильтрованного корпуса FineWeb-Edu; она предназначена для продолжения текста и изучения того, как широта обучающих данных влияет на знания модели. Контекст составляет 4096 токенов; модель использует токенизатор byte-level BPE на 64 тыс. токенов с разделением цифр. В метаданных указан английский язык. Модель служит контрольным вариантом масштаба 0,6 млрд параметров в исследовании границ знаний для материалов начальной школы США. На тестовых текстах уровня K–5 показатель BPB равен 0,712; в README отмечено, что модель охватывает более широкие знания, чем вариант, обученный только на материалах K–5. Это базовая модель предобучения, а не специализированный диалоговый ассистент. Лицензия указана как other, конкретные условия использования в карточке не описаны.

A*-Thought-V2 — исследовательская дообученная модель на базе Qwen/Qwen3.5-9B, представленная в статье об эффективном латентном рассуждении. Она чередует явные текстовые шаги с непрерывными латентными токенами: представления вопроса, шагов и решения проецируются в трёхмерное пространство PCA, а отклоняющиеся от общего направления рассуждения шаги сжимаются. Авторы сообщают об улучшении средней точности до 2,6% на шести тестах и сокращении длины ответов до двух раз. Модель предназначена для экспериментов с эффективным рассуждением и генерацией ответов. Обучение проводилось на сжатых трассах рассуждений из OpenR1-Math-3k с использованием данных DeepSeek-V3.2-Speciale и порога угла PCA 90 градусов. Это текстовая диалоговая модель на архитектуре Qwen3.5; метаданные указывают библиотеку Transformers и формат Safetensors. Для эффективного инференса требуется модифицированная сборка vLLM и специальные параметры max_latent_count и max_latent_len. Для использования латентных токенов следует обратиться к сопровождающему коду и описанию метода. Лицензия указана как other; конкретные условия в доступных данных не раскрыты.