II.10Разработка и эксплуатация AI/ML-систем

Koichi Yasuoka разработал DeBERTa V2 Large, предварительно обученную на текстах библиотеки 青空文庫 с токенизатором BertJapaneseTokenizer. Модель содержит 435,4 млн параметров, принимает текстовые последовательности длиной до 512 токенов и предназначена для задачи fill-mask: предсказания замаскированных фрагментов японского текста. Модель можно дообучать для последующих задач обработки японского языка, включая разметку частей речи и синтаксический анализ зависимостей. Для загрузки токенизатора требуются fugashi и unidic-lite. Репозиторий содержит веса PyTorch; лицензия — CC BY-SA 4.0.

DeepSeek-V4 Mini 1B — экспериментальная уменьшенная модель, созданная автором kshitijthakkar переносом и детерминированным усечением весов DeepSeek-V4-Flash. В метаданных указано около 487,8 млн параметров, тогда как README сообщает примерно 1,02 млрд; поэтому точный размер по имеющимся данным расходится. Архитектура — DeepSeek-V4 для причинной генерации текста, 24 слоя; модель рассчитана на контекст до 1 048 576 токенов и поддерживает диалоговый режим. Это не готовая чат-модель, а начальная точка для дообучения: основная часть весов перенесена из исходной модели, но многие веса срезаны, а некоторые модули оставлены со случайной инициализацией. После дообучения модель предполагается использовать для генерации текста и диалогов. Указанная лицензия — MIT. До дообучения качество генерации ограничено: случайно инициализированные Compressor и Indexer могут давать шумные логиты, а таблица хеш-маршрутизации пересоздана и отличается от исходной. В репозитории нет FP4/FP8 весов и состояния обучения с учётом такой квантизации.

Модель разработана командой Hate-speech-CNERG для выявления оскорбительного содержания в текстах на каннада, включая тексты с кодовым смешением. Это классификатор на базе XLM-RoBERTa с 305,2 млн параметров; веса инициализированы предобученной XLM-RoBERTa-Base, дополнительно обучены с помощью masked language modeling на целевых данных, а затем дообучены для классификации. Модель предназначена для идентификации оскорбительного языка и связана с задачей EACL 2021 Shared Task по выявлению оскорбительной речи в дравидийских языках. В описанной оценке модель получила weighted F1 0,73 на отложенном тестовом наборе; ансамбль моделей достиг 0,74. Подходит для классификации каннада-текстов в модерации и исследованиях языка. Прикладная область ограничена каннада, включая код-смешанные данные; качество на других языках и типах текста не подтверждено. Контекст составляет 514 токенов. Лицензия — Apache-2.0.

Depth Anything V2 Large — модель для оценки глубины по одному изображению, опубликованная командой Depth Anything и представленная в статье Лихэ Янга и соавторов. Эта версия совместима с библиотекой Transformers и предназначена для оценки глубины без дообучения на конкретном наборе данных. Модель использует архитектуру DPT с backbone DINOv2. Её обучали на примерно 595 тысячах синтетических изображений с разметкой глубины и более чем 62 миллионах реальных изображений без разметки. По описанию авторов, V2 даёт более детализированные и устойчивые оценки, чем Depth Anything V1, и работает быстрее и легче моделей на основе диффузии. Модель принимает изображение и выдаёт карту глубины; карточка заявляет оценку как относительной, так и абсолютной глубины. В метаданных указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование. Оценка глубины по одному изображению не заменяет измерение специализированным датчиком и может быть ненадёжной в условиях, отличающихся от обучающих данных.

Intel/dpt-swinv2-large-384 — модель семейства DPT из MiDaS 3.1, разработанная Intel на основе работ Ranftl и соавторов. Она оценивает относительную глубину по одному изображению, используя SwinV2 в качестве визуального backbone и архитектуру Dense Prediction Transformer. Модель обучена на 1,4 млн изображений и рассчитана на входное разрешение 384×384 пикселя. Модель предназначена для оценки глубины без дополнительного дообучения и может применяться как начальный компонент систем реконструкции сцены, генеративных инструментов и автономного вождения. Она обрабатывает изображения, а результатом является карта глубины. В карточке отмечено, что для конкретных прикладных задач может потребоваться дообучение. Модель распространяется по лицензии MIT.

dQwen3.5-2B-Base — базовая языковая модель с маскированной диффузией, адаптированная из Qwen3.5-2B. Её разработчики изменили гибридную архитектуру основы: слои внимания стали двунаправленными, а слои Gated DeltaNet сохранили причинную маску. Модель содержит около 1,7 млрд параметров, распространяется в формате safetensors и рассчитана на контекст до 262 144 токенов. Модель предназначена для генерации текста и дальнейшей адаптации под прикладные задачи; instruction tuning не проводился, поэтому она не настроена на выполнение пользовательских инструкций в формате чат-ассистента. Для запуска README указывает CUDA GPU и transformers версии 5.13 или выше. Лицензия — Apache-2.0.

ERNIE-health-zh — китайская биомедицинская языковая модель семейства ERNIE, предварительно обученная на обезличенных диалогах между врачами и пациентами, электронных медицинских картах и учебниках. Репозиторий nghuyong содержит версию для PyTorch, преобразованную из официальной модели ERNIE для PaddlePaddle; в README упомянута проверка точности преобразования. Модель предназначена для извлечения признаковых представлений китайского медицинского текста и может служить основой для последующих задач обработки медицинских текстов. Архитектура — плотная ErnieModel с 12 слоями, размером скрытого представления 768 и 12 головами внимания; число параметров — 130,6 млн, контекст — до 512 токенов. Модель ориентирована на китайский язык и медицинский текст. Лицензия в предоставленных данных не указана.

Это детектор объектов YOLO11l от автора dronefreak, дообученный на наборе ExDark в рамках DetectionBench. Модель предназначена для обнаружения объектов на тёмных и ночных изображениях. Она распознаёт 12 классов: велосипед, лодку, бутылку, автобус, автомобиль, кошку, стул, чашку, собаку, мотоцикл, людей и стол. На тестовой части ExDark модель показала mAP@50 73,44% и mAP@50–95 47,56%. Она использует Ultralytics и представлена в формате PyTorch. Лицензия репозитория — AGPL-3.0; авторы исходного набора данных отдельно указывают на некоммерческое использование, и это условие распространяется на обученные на нём модели.

Face Capture Quality (FCQ) — модель оценки качества захвата лица и оценки положения головы, разработанная автором репозитория shafi-afridi/face-capture-quality. Она принимает RGB-кадр с уже обнаруженным лицом и выдаёт семь значений: углы поворота головы yaw, pitch и roll, оценку пригодности снимка, а также признаки размытия, перекрытия лица и неправильной экспозиции. Модель предназначена для подсказок при пошаговой съёмке лица с разных углов, включая мобильные приложения на iOS и кроссплатформенные приложения. В основе лежит MobileNetV3-Small примерно с 1,9 млн параметров. На вход подаётся квадратный, не выровненный по глазам кроп лица размером 160×160 пикселей; такой способ сохраняет наклон и поворот головы. Доступны веса PyTorch, формат ONNX и пакет CoreML в fp16. По данным карточки, средняя ошибка оценки позы на AFLW2000-3D составляет 9,68°, а корреляция оценки пригодности с уровнем деградации изображения — 0,790. Модель не предназначена для распознавания личности, аутентификации или наблюдения. Качество может быть неравномерным для разных демографических групп и условий освещения; обучающие данные не сбалансированы по демографии. Точность позы снижается при повороте головы более чем на 90° и сильном перекрытии лица. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но не коммерческое использование.

FlauBERT-base-uncased — франкоязычная модель предварительного обучения, созданная исследователями CNRS на большом разнородном корпусе французских текстов. Репозиторий содержит вариант FlauBERT Base без различения регистра: 12 слоёв, 12 голов внимания, размерность представлений 768 и около 137 млн параметров. Модель использует архитектуру FlauBERT с языковой головой для заполнения маски; максимальная длина контекста — 512 токенов. Модель подходит для предсказания пропущенных слов во французском тексте и как основа для адаптации к задачам обработки французского языка. FLUE — сопутствующий набор для оценки французских NLP-систем, а не отдельная возможность этого чекпойнта. Для репозитория указана лицензия MIT. Карточка не приводит измерений качества именно этого варианта; его назначение и контекст ограничивают применимость задачами работы с текстом.

Это модель семантической сегментации изображений с архитектурой FPN из библиотеки segmentation-models-pytorch. Карточка показывает, что модель можно загрузить через API библиотеки smp.from_pretrained; веса опубликованы в формате safetensors. Разработчик модели и сведения о базовой модели не указаны. Модель предназначена для разметки областей на изображениях. В карточке нет названия обучающего набора данных и метрик качества, поэтому оценить её точность и пригодность для конкретного сценария нельзя. Лицензия — MIT.

OBLITERATUS/Gemma-4-12B-OBLITERATED — модифицированная версия Google Gemma 4 12B-it, созданная проектом OBLITERATUS. Это текстовая generative-модель на базе Transformers, предназначенная прежде всего для исследований выравнивания, red teaming, оценки устойчивости механизмов безопасности и локального запуска с полным контролем над весами. Модель подвергнута двухэтапной хирургической модификации весов без дополнительного обучения. На первом этапе из слоёв 12–21 удалялись направления, связанные с отказами, а на втором в слоях 22–46 применялось ASPA Source-Tethering с поуровневым смешиванием изменённых весов с исходными. Согласно приведённым в README результатам, модель показала 0 отказов на 842 тестовых запросах, сохранила связность во всех 6 проверках и получила 46/70 на MMLU-Pro, что соответствует заявленному паритету с исходной Gemma 4 12B-it. Размер модели — 12B параметров; сведения о поддерживаемых языках и размере контекста не указаны. Ключевая особенность модели — преднамеренное удаление защитных ограничений: она может выполнять запросы, от которых исходная Gemma 4 отказалась бы. Это делает её полезной для анализа геометрии отказов, исследования устойчивости RLHF/DPO-выравнивания и оценки последствий модификации весов, но непригодной для безусловного использования в пользовательских продуктах. Ответственность за применение модели и генерируемый контент возлагается на пользователя. Лицензия указана как gemma.

bazyl/gtsrb-model — модель классификации изображений, дообученная автором bazyl на базе google/vit-base-patch16-224-in21k для набора данных GTSRB. Она использует архитектуру Vision Transformer ViTForImageClassification и содержит 113,2 млн параметров. Модель предназначена для распознавания дорожных знаков по отдельным изображениям, относя их к одному из более чем 40 классов. В README указана точность 0,9993 на оценочном наборе. Модель принимает изображения и выдаёт метку класса. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Результат на оценочном наборе сам по себе не гарантирует такую же точность на изображениях дорожных знаков из других условий съёмки или регионов.

Haidass-143M — компактная двуязычная языковая модель на 143 млн параметров, разработанная DALabCommunity и обученная на инфраструктуре Huawei Ascend с использованием MindSpeed-LLM. Это плотная авторегрессионная модель семейства Qwen3 с 30 слоями и контекстом до 4096 токенов. Обучение проводилось примерно на 100 млрд токенов английских и китайских текстов; токенизатор SentencePiece BPE использует словарь из 64 000 токенов. Модель предназначена для генерации текста на английском и китайском языках, экспериментов с компактными языковыми моделями и использования в качестве основы для дообучения. Карточка приводит результаты оценки на нескольких бенчмарках, однако модель небольшая, поэтому её возможности рассуждения и генерации ограничены. Это базовая предварительно обученная модель, а не готовый чат-ассистент. Распространяется по лицензии Apache-2.0.

Bactrianus HotpotQA Reader Llama 3 70B Instruct — англоязычная модель-читатель, созданная на основе Meta Llama 3 70B Instruct и дообученная на данных для ответов по HotpotQA. Это плотная авторегрессионная модель семейства Llama с 69,5 млрд параметров, рассчитанная на генерацию ответа по вопросу и предоставленным свидетельствам; контекст составляет до 8192 токенов. Модель предназначена для этапа чтения в модульных системах многошаговых ответов: она принимает вопрос и выбранные заранее фрагменты доказательств, затем формирует текстовый ответ. Она не ищет документы и не выбирает свидетельства из внешнего корпуса. Специализация на англоязычных вопросах HotpotQA делает её подходящей для исследовательских экспериментов и диагностики генерации ответов с опорой на факты. Качество зависит от полноты и релевантности переданных свидетельств: модель может выдавать неподтверждённые утверждения или ошибки форматирования, а длинные фрагменты и отвлекающие данные способны ухудшить ответ. Для строгого воспроизведения исторических результатов нужны зафиксированная версия модели и полный манифест запроса и среды; карта не содержит результатов оценки этой ревизии. Для использования требуются значительные ресурсы ускорителей. Лицензия — Llama 3 License.

bactrianus/HotpotQA-Reader-Llama-3-8B-Instruct — дообученная диалоговая причинная языковая модель на базе Meta Llama 3 8B Instruct, разработанная для этапа генерации ответа в конвейере HotpotQA. Она получает вопрос и заранее отобранные подтверждающие предложения с заголовками источников и формулирует краткий ответ на английском языке. Поиск в Wikipedia и отбор свидетельств выполняются отдельно; модель рассчитана на исследование и оценку этапа reader, в том числе в составе конвейера selector–reader. Модель имеет архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 8192 токенов. Это исторический чекпойнт Llama 3, а не вариант Llama 3.1 из более поздней работы. Веса опубликованы в формате safetensors; лицензия — Llama 3. Качество ответа зависит от полноты и точности переданных свидетельств, а выходной текст может быть неподтверждённым или требовать нормализации перед оценкой.

Карточка модели ai4bharat/IndicBERTv2-MLM-Back-TLM на Hugging Face совпадает с карточкой ai4bharat/IndicBERTv2-MLM-only, поэтому описание составлено по ней. IndicBERTv2-MLM-only — многоязычная модель на архитектуре BERT от AI4Bharat, обученная на корпусе IndicCorp v2 с задачей маскированного языкового моделирования. Она предназначена для предсказания скрытых токенов и как основа для дообучения задачам обработки языков Индии и английского. Модель содержит около 305,2 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате PyTorch. Модель поддерживает 23 индийских языка и английский; в карточке перечислены, среди прочих, ассамский, бенгальский, бодо, догри, конкани, гуджарати, хинди, каннада, кашмири, майтхили, малаялам, маратхи, манипури, непальский, одиа, пенджаби, санскрит, сантали, синдхи, тамильский, телугу и урду. Лицензия — MIT. Подходит для заполнения пропусков в тексте и как база для языковых задач после дополнительного дообучения.

Карточка модели ai4bharat/IndicBERTv2-SS на Hugging Face совпадает с карточкой ai4bharat/IndicBERTv2-MLM-only, поэтому описание составлено по ней. IndicBERTv2-MLM-only — многоязычная модель на архитектуре BERT от AI4Bharat, обученная на корпусе IndicCorp v2 с задачей маскированного языкового моделирования. Она предназначена для предсказания скрытых токенов и как основа для дообучения задачам обработки языков Индии и английского. Модель содержит около 305,2 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате PyTorch. Модель поддерживает 23 индийских языка и английский; в карточке перечислены, среди прочих, ассамский, бенгальский, бодо, догри, конкани, гуджарати, хинди, каннада, кашмири, майтхили, малаялам, маратхи, манипури, непальский, одиа, пенджаби, санскрит, сантали, синдхи, тамильский, телугу и урду. Лицензия — MIT. Подходит для заполнения пропусков в тексте и как база для языковых задач после дополнительного дообучения.

int_wakeup-whisper_base-ctx20-ft4 — модель TCLResearchEurope для определения, следует ли голосовому ассистенту отвечать на текущую реплику. Она классифицирует реплики с учётом до 20 предыдущих ходов диалога, поэтому может распознавать контекстные продолжения без ключевого слова и отсеивать разговоры между людьми. Модель не обнаруживает границы реплик: ей нужны готовая сегментация и аудио каждой реплики. Модель содержит 24 млн параметров. В её основе — аудиоэнкодер Whisper-base с контекстным причинным трансформером на 4 слоя и отдельной головой классификации. Верхние четыре слоя энкодера дообучены; при инференсе контекстные реплики должны кодироваться замороженным энкодером, а текущая — дообученным. Модель обучена и оценена на синтетическом англоязычном наборе TCLResearchEurope/intelligent_wakeup; ключевое слово «Sigma» фиксировано в обучающих данных. В тесте получены F1 0,890 и 3,6 ложных срабатывания в час неадресованной речи при пороге 0,90. Модель рассчитана на обработку аудио и выдаёт решение о том, адресована ли ассистенту реплика. Она может служить фильтром активации голосового помощника с учётом диалога. Лицензия — Apache-2.0. Разработчик отмечает, что синтетические данные и тестирование на той же распределённости ограничивают перенос результатов на реальные записи; полнота распознавания контекстных продолжений ниже, а ложных активаций всё ещё слишком много для надёжной постоянно включённой работы.

JugnuLM-110M-R2 — англоязычная базовая языковая модель от altslate, обученная с нуля для продолжения текста. Это второй этап серии абляций JugnuLM: по сравнению с R1 в ней используется оптимизатор Muon для скрытых матриц внимания и MLP, а для остальных параметров сохранён AdamW. Модель имеет плотную архитектуру на основе Qwen3 с 23 слоями и размером скрытого состояния 576, модифицированный путь внимания value residuals и около 109,7 млн параметров. Она принимает текст и генерирует текст; контекст — 2048 токенов. Модель обучена примерно на 8,4 млрд токенов англоязычного набора FineWeb-Edu. В карточке приведены результаты сравнительных оценок на BLiMP, ARC-Easy и WikiText-2; R2 улучшает ARC-Easy и байтовую perplexity относительно предыдущих этапов, но немного уступает по BLiMP. Это базовый чекпойнт, не настроенный на инструкции: он подходит для экспериментов и генерации продолжений на английском, но имеет ограниченные способности к многошаговым рассуждениям и может повторяться. Для загрузки пользовательской архитектуры требуется `trust_remote_code=True`; лицензия — Apache-2.0.

KyrgyzBert — компактная языковая модель на архитектуре BERT, разработанная Метиновым Адилетом и предварительно обученная на корпусе текстов на кыргызском языке. Модель содержит 41,5 млн параметров; вариант из карточки использует 6 слоёв, 8 голов внимания и словарь собственного токенизатора metinovadilet/bert-kyrgyz-tokenizer. Максимальная длина последовательности — 512 токенов. Основное назначение модели — предсказание замаскированных слов в кыргызском тексте. Её также можно дообучать для классификации текста, распознавания именованных сущностей и других задач обработки кыргызского языка, а выходы модели применять для извлечения признаков. Обучение проводилось на корпусе более чем из 1,5 млн предложений; набор данных не раскрыт. Модель может быть полезна для кыргызскоязычных NLP-приложений и исследований. Она может хуже работать с малоресурсными диалектами и смешением языков, а для классификации тональности и распознавания сущностей требует отдельного дообучения. Лицензия — Apache-2.0.

PinoCookie/LFM2.5-350M-abliterated — модифицированная версия языковой модели LiquidAI/LFM2.5-350M, созданная PinoCookie методом удаления направления отказа (abliteration). Это плотная гибридная модель LFM2: в 16 декодерных слоях чередуются 6 слоёв GQA и 10 слоёв свёрток Liquid; изменены выходные проекции внимания. Модель содержит 444,6 млн параметров, принимает текст, поддерживает контекст до 128 000 токенов и предназначена для генерации текста в диалоговом режиме. В карточке заявлены английский, арабский, китайский, французский, немецкий, японский, корейский, испанский и португальский языки. Модель снижает долю отказов на тесте HarmBench DirectRequest с примерно 88% у исходной версии до 25,3%; автор позиционирует её для исследований безопасности, red teaming и изучения механизмов отказа. Это повышает вероятность ответов на вредоносные запросы, поэтому результаты требуют осторожной оценки. README также сообщает о деградации содержания в 15–25% ответов, выполнивших запрос, и о сохраняющихся отказах примерно на четверти вредоносных запросов. Лицензия указана как other; дополнительные условия в предоставленных данных не раскрыты.

LiteLlama-460M-1T — открытая авторская реализация уменьшенной по размеру LLaMA 2. Модель с архитектурой LlamaForCausalLM содержит около 410 млн параметров и обучена на 1 трлн токенов; для обучения использована часть набора RedPajama с токенизацией GPT2Tokenizer. Она предназначена для генерации текста и экспериментов с компактными языковыми моделями. Модель работает с текстом на английском языке и имеет контекст длиной 1024 токена. В README приведены оценки на MMLU и Open LLM Leaderboard, но результаты не гарантируют качества для конкретных задач. Это экспериментальный чекпойнт; лицензия — MIT.

LLaVA-Gemma-7B — мультимодальная чат-модель, разработанная Intel на основе фреймворка LLaVA v1.5. Она сочетает языковую модель Gemma 7B IT с визуальным энкодером на основе CLIP; в метаданных указано 8,2 млрд параметров и контекст до 8192 токенов. Модель принимает изображения и текст и генерирует текстовые ответы на вопросы по изображениям, а также поддерживает диалог. Модель предназначена для оценки на мультимодальных бенчмарках и использования в качестве чат-бота с поддержкой изображений. Она обучалась на смеси данных LLaVA v1.5, включающей пары изображение–текст, инструкции и наборы вопросов и ответов по изображениям. Основной заявленный язык — английский. Для использования требуется модифицированный препроцессор. В карточке отмечено, что на момент её публикации веса ещё не были преобразованы в формат Hugging Face LLaVA, что может усложнять запуск. Модель не предназначена для медицинских и других высокорисковых решений, а также для ситуаций, где критична фактическая точность. Лицензия в предоставленных данных не указана.

MARLIN ViT Base YTF — модель извлечения признаков из видеопоследовательностей лиц, основанная на подходе Masked Autoencoder for facial video Representation Learning. Репозиторий ControlNet/marlin_vit_base_ytf содержит вариант семейства MARLIN, подготовленный для работы через Transformers; архитектура в метаданных указана как плотная MarlinModel, веса сохранены в safetensors. По README, модель принимает видеотензор формы [B, C, T, H, W] и возвращает последовательность признаковых векторов. Модель предназначена для получения представлений лицевого видео, которые можно использовать как вход для последующих задач анализа видео. Карточка Hugging Face выполняет только извлечение признаков: предварительная обработка видео, включая обнаружение и кадрирование лица, а также выбор окон кадров, должна быть выполнена отдельно. Базовая модель — ControlNet/MARLIN, лицензия указана как CC; конкретные условия лицензии в предоставленных данных не уточнены.

rajpurkarlab/medgemma-4b-it-crimson — плотная языковая модель на архитектуре Gemma 3, дообученная на базе google/medgemma-4b-it для оценки качества рентгенологических заключений по CRIMSON. Модель сопоставляет заключение-кандидат с эталонным и выявляет ошибки, включая ложные и пропущенные находки и ошибки в атрибутах. В обучении использован набор ReXGradient-160K; базовая модель имеет 4 млрд параметров и контекст до 131 072 токенов. Модель предназначена для автоматизированного скоринга заключений, созданных ИИ, и анализа ошибок в исследовательских и оценочных сценариях радиологии. Она работает с текстом на английском языке; карточка описывает дообучение LoRA с последующим слиянием адаптера с базовыми весами. Модель распространяется в формате Safetensors через Transformers. Автор указывает, что модель не является универсальной радиологической системой и не валидирована для принятия клинических решений. Лицензия обозначена как other, поэтому перед использованием следует проверить условия на странице репозитория.

MedVAE — семейство из шести масштабных обобщаемых вариационных автоэнкодеров (VAE) для медицинских изображений, разработанное StanfordMIMI и представленное в работе Maya Varma и соавторов. Модели обучены более чем на одном миллионе медицинских изображений и предназначены для кодирования изображений в уменьшенные латентные представления и последующего декодирования этих представлений обратно в изображения высокого разрешения. В семейство входят 2D-модели для рентгеновских изображений грудной клетки и молочных желез (FFDM), а также 3D-модели для MRI и CT всего тела. Доступны варианты с одним или тремя каналами и коэффициентами сжатия 16, 64 и 512. Латентные представления можно использовать при обучении последующих моделей вместо исходных изображений высокого разрешения: по данным авторов, это обеспечивает прирост пропускной способности до 70 раз при сохранении клинически значимых признаков. Декодирование выполняется с высокой точностью. Модель ориентирована на повышение вычислительной эффективности задач анализа медицинских изображений и на восстановление изображений из латентных представлений. Ограничения связаны с узкой специализацией на поддерживаемых медицинских модальностях и анатомических областях; README не приводит подробностей о точных размерах моделей, разрешениях, метриках качества и языковой поддержке. Распространяется по лицензии MIT.

MiMo-7B-MTPs — опубликованный Xiaomi набор предварительно обученных весов дополнительных слоёв MTP для языковой модели MiMo-7B. Репозиторий содержит параметры слоёв `model.mtp_layers.1` и `model.mtp_layers.2`; в исходной модели MiMo-7B уже есть один MTP-слой. Эти веса предназначены для экспериментов с ускорением speculative decoding, в том числе при rollout в обучении с подкреплением. Модель имеет плотную архитектуру MiMoMTPModel на 7 млрд параметров, принимает текст и рассчитана на контекст до 32 768 токенов. В README не заявлена поддержка конкретных языков. Весам требуется базовая модель MiMo-7B; сами по себе они не являются полноценной самостоятельной чат-моделью. Xiaomi сообщает, что не проверяла производительность постобученных моделей с двумя дополнительными предварительно обученными слоями MTP. Репозиторий распространяется по лицензии MIT.

enochlev разработал MiniCPM-duplex-rl как дообученную с помощью обучения с подкреплением версию enochlev/MiniCPM-duplex. Это языковая модель MiniCPM с архитектурой MiniCPMForCausalLM и 2,7 млрд параметров; она анализирует текстовое представление блоков диалога и примерно каждые 1,7 секунды решает, говорить ли или сохранять паузу. Контекст модели — до 4096 токенов. Модель предназначена для управления очередностью реплик в голосовом диалоге с одновременной речью: она реже перебивает, уступает при вмешательстве собеседника и возобновляет речь после наложения голосов. Обучение REINFORCE на блочных наградах поощряло своевременные ответы и паузы, а также учитывало перебивания и пропущенные реплики. В README приведены результаты оценки на Full-Duplex-Bench; по сравнению с базовой моделью сдержанность достигается ценой меньшей отзывчивости на прямые перебивания. Для применения в голосовом стеке README описывает подачу текстовых блоков в модель и интеграцию с отдельными компонентами распознавания и синтеза речи; сама модель не заявлена как ASR или TTS. В карточке указано использование формата safetensors, а для описанной конфигурации обслуживания рекомендуется bf16. Лицензия в предоставленных данных не указана.

Mini Synatra SFT — разговорная языковая модель на архитектуре Mistral, разработанная как личный проект. Модель дообучена на базе Minirecord/Mini_synatra_7b_02 и предназначена для генерации ответов в диалоге; она использует формат ChatML. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В метаданных указан корейский язык. Для работы требуются веса PyTorch и библиотека Transformers. Лицензия — CC BY-SA 4.0.