II.10Разработка и эксплуатация AI/ML-систем

ResonateX D2 — компактная разговорная языковая модель на архитектуре GPT-2, разработанная автором репозитория Workstation5495. Она содержит около 72 млн параметров и обучена с нуля на русских и английских диалогах; от базовой модели ai-forever/rugpt3small_based_on_gpt2 использован только токенизатор. Модель принимает текстовые сообщения в формате с явными маркерами ролей и генерирует ответы ассистента. Контекст ограничен 512 токенами. Модель предназначена для экспериментов с локальными чат-ботами, обучения и лёгких офлайн-приложений на потребительском оборудовании. Небольшой размер позволяет запускать её на CPU, а также на GPU или MPS при наличии подходящего оборудования. Качество ответов может быть ограниченным: возможны шаблонные и повторяющиеся ответы и фактические ошибки; способности к арифметике и рассуждению невелики. Лицензия указана как other, а README предупреждает, что условия для весов и обучающих данных необходимо уточнить перед публикацией или использованием.

RETFound_mae_meh — энкодер Vision Transformer Large/16, разработанный Dávid Isztl как экспорт RETFound MAE из проекта Yukun Zhou и соавторов в формат Transformers. Он предварительно обучен с помощью Masked Autoencoder на цветных фотографиях глазного дна из подмножества MEH AlzEye и предназначен для извлечения признаков и последующего дообучения для классификации и поиска по медицинским изображениям. Энкодер содержит 24 слоя, размер скрытого представления 1024 и 16 голов внимания; процессор изображений рассчитан на входы 224×224. Модель принимает изображения и выдаёт признаки; отдельного слоя пулинга нет, поэтому для глобального представления можно использовать CLS-токен или собственный способ пулинга. Карточка этой версии описывает преобразование исходного чекпойнта PyTorch в формат Transformers и не сообщает о новой оценке качества. Обучение на ограниченном наборе изображений глазного дна может снижать качество при смене устройства, популяции или протокола съёмки; перед медицинским применением требуется независимая проверка, модель не является медицинским устройством. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

merve/rfdetr-roadsign-agree1-noaug — дообученная Merve модель обнаружения дорожных знаков на изображениях, основанная на Roboflow/rf-detr-large. Она предназначена для поиска знаков и светофоров и определения их положения на изображении; среди классов в отчёте оценки указаны «Стоп», «Парковка», «Въезд запрещён», знаки поворота и пешеходного перехода, а также красный, зелёный и жёлтый сигналы. Модель использует архитектуру RF-DETR Large и опубликована в формате safetensors для Transformers. На оценочном наборе указаны mAP 0,6591 и mAP@50 0,7654; результаты заметно различаются между классами, а для мелких объектов mAP составляет 0,1129. Данные обучения названы неизвестными, поэтому показатели не гарантируют качество на других наборах изображений и условиях съёмки. Репозиторий распространяется по лицензии Apache-2.0.

merve/rfdetr-roadsign-agree2-large-noaug — дообученная Merve модель обнаружения дорожных знаков на основе Roboflow/rf-detr-large. Она предназначена для поиска знаков и светофоров на изображениях с выдачей классов и координат обнаруженных объектов. В README приведены метрики оценки, включая mAP 0,6232; результаты различаются по категориям, например, mAP для знака Parking составляет 0,9, а для Traffic Light — 0,2374. Модель построена на архитектуре RF-DETR Large, веса представлены в формате safetensors и используются через Transformers. Лицензия — Apache-2.0.

merve/rfdetr-road-signs-agree2 — модель обнаружения дорожных знаков и сигналов светофора на изображениях, созданная дообучением Roboflow/rf-detr-medium. Она использует архитектуру RF-DETR и распространяется в формате safetensors через Transformers. В карточке приведены метрики оценки для классов знаков и сигналов, включая Bus Stop, Stop, Warning, Red Light и Green Light; результаты заметно различаются между классами. Модель предназначена для локализации дорожных знаков и сигналов светофора на изображениях, например для анализа дорожных сцен. В качестве базовой модели указана RF-DETR Medium, описанная в каталожных метаданных как трансформер обнаружения объектов с категориями COCO 2017. Датасет дообучения не раскрыт, поэтому приведённые оценки не позволяют судить о качестве на других наборах данных. Лицензия — Apache-2.0.

Это дообученный классификатор последовательностей на базе RoBERTa-base, разработанный frankhanhj для выявления текстов, созданных ИИ, с акцентом на художественную прозу и другие творческие тексты. Модель относит текст к классу «human» или «ai» и выдаёт вероятности классов. Она содержит 151,8 млн параметров, принимает текст длиной до 514 токенов и реализована на Transformers. Модель предназначена для исследовательской оценки и внутреннего анализа прозы, написанной человеком или сгенерированной ИИ. В README приведены результаты тестирования на собранных корпусах, включая показатели точности и ROC AUC; они относятся к этим данным и не гарантируют такого же качества на других текстах. Классификатор обучен на англоязычных данных. Он чувствителен к распределению обучающих источников, может ошибочно помечать человеческий текст как сгенерированный, особенно при смене предметной области, языка или семейства генераторов. Перед новым применением требуется калибровка и повторная оценка; результат не является доказательством авторства и не подходит как единственное основание для решений с серьёзными последствиями. Лицензия указана как «other», поэтому конкретные условия использования следует сверить с карточкой репозитория.

SimNPO-WMDP-zephyr-7b-beta — англоязычная текстовая генеративная модель группы OPTML, полученная дообучением HuggingFaceH4/zephyr-7b-beta методом SimNPO для машинного забывания знаний, связанных с набором WMDP. Модель построена на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров; заявленный контекст — до 32 768 токенов. Модель предназначена для изучения и оценки методов удаления из языковых моделей чувствительных знаний, в частности по биологической и кибербезопасной тематике WMDP. В приведённой оценке SimNPO улучшает показатели забывания по биологическим и кибербезопасным вопросам относительно исходной модели, при этом результат MMLU ниже исходного. Модель принимает текст и генерирует текст; основным языком карточки указан английский. Лицензия — MIT.

25b3nk разработал экспериментальный чекпойнт smollm2-360m-boolq-calibration-grpo2-v1 в проекте slm-calibration-rlcd. Это дообучение HuggingFaceTB/SmolLM2-360M-Instruct методом GRPO: компактная плотная языковая модель архитектуры Llama с 361,8 млн параметров, контекстом 8192 токена и весами Safetensors. На вход она принимает отрывок текста и вопрос в формате BoolQ, а отвечает «yes» или «no» вместе с оценкой уверенности. Модель предназначена для проверки калибровки уверенности в бинарных ответах на вопросы по тексту. На описанной выборке BoolQ из 500 примеров она соблюдала формат ответов во всех случаях, показала точность 0,792 и Brier score 0,173; авторы отмечают умеренное улучшение калибровки относительно контрольного запуска при сопоставимой точности. Это результат эксперимента, а не гарантия качества на других данных. Модель ориентирована на английский язык и распространяется по лицензии Apache-2.0.

Это разреженный автоэнкодер (SAE) Prisma-Multimodal для анализа признаков в представлениях CLIP ViT-B/32. Модель принимает векторные активации размерности 768 и кодирует их в разреженное представление размерности 49 152 с коэффициентом расширения 64; используется архитектура vanilla SAE с активацией ReLU. Контекст указан как 50 токенов. Модель предназначена для извлечения признаков и исследований интерпретируемости представлений CLIP, включая механистическую интерпретируемость. В README приведены L1-коэффициент 0,0001, средняя разреженность L0 около 368 и объяснённая дисперсия 76,78%. Лицензия репозитория — Apache-2.0. Описание не указывает процедуру подачи данных или ограничения применимости.

SPP-T0-MT Base — базовая языковая модель от model-raising, обученная с нуля по методу Synthetic Persona Pretraining (SPP) и прошедшая дополнительный этап дообучения на текстах рефлексии. Она предназначена для исследований выравнивания и безопасности, анализа поведения модели, продолжения текста и дальнейшего дообучения. Модель использует плотную архитектуру SmolLM2/LlamaForCausalLM с 1,7 млрд параметров, токенизатор на основе SmolLM2 с расширенным словарём из 49 280 токенов и контекст до 2 048 токенов. Обучение включало около 100 млрд токенов из поднабора смеси Olmo 3 Dolma 3; отражения, сформированные по конституции, добавлялись к части документов с аннотациями безопасности. Модель работает с текстом на английском языке и распространяется в формате safetensors. Это базовая, не настроенная на выполнение инструкций модель без шаблона чата; она рассчитана на продолжение текста, исследовательское зондирование и дальнейшую настройку, а ответы могут быть ошибочными или небезопасными. Лицензия обозначена как other, а в README сказано, что её условия ещё предстоит окончательно определить.

Vanilla — Instruct (3B) — это англоязычная инструкционная модель EPFL DLAB, построенная с нуля по архитектуре семейства Llama и дообученная методом persona-binding supervised fine-tuning (PBSFT). Она предназначена для исследований выравнивания поведения и безопасности: конституционного выравнивания, обобщения ценностей и устойчивости к jailbreak-запросам. Модель обучалась примерно на 500 млрд токенов из части смеси Olmo 3 Dolma 3, а затем на 300 тысячах одноходовых примеров инструкций и запросов безопасности. Доступны ревизии с разной долей примеров безопасности; основная ревизия содержит 10%. Размер модели — 3 млрд параметров, контекст — 2048 токенов. Используется токенизатор SmolLM2 с добавленным токеном для начала хода ассистента и встроенный шаблон чата без системного промпта. Модель может отвечать на инструкции и участвовать в диалогах, причём ответы обучались следовать конституции и включать внутритекстовые ссылки вида [N.M]. Это исследовательский артефакт, а не готовое производственное решение: ответы могут быть ошибочными или небезопасными. В метаданных указана лицензия other, а в README лицензия названа ещё не окончательной; условия использования следует проверить в репозитории перед применением.

Это зеркало официального контрольного набора STDC2-Seg75 для семантической сегментации изображений Cityscapes. Модель разработана авторами STDC-Seg; архитектура Short-Term Dense Concatenate Network с backbone STDCNet1446 опубликована на CVPR 2021. В репозитории размещены исходные веса fp32 без изменений, переупакованные для программной загрузки через Hugging Face Hub. Модель дообучена на Cityscapes и размечает городские сцены по 19 классам. Она предназначена для сегментации дорожных изображений, например для анализа уличных сцен и транспортной инфраструктуры. Для запуска требуется реализация архитектуры BiSeNet из исходного репозитория STDC-Seg: она не включена в это зеркало. Лицензия репозитория — MIT.

Jeesup/svd-safety-l2_basis_remove50 — исследовательский чекпойнт на базе диалоговой Llama 2 Chat от Meta. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и рассчитана на контекст до 4096 токенов; принимает текст и генерирует текстовые ответы на английском языке. Чекпойнт сжат методом Basis Sharing: общие базисы применяются к группам из двух соседних слоёв, что сокращает число параметров примерно вдвое. Затем выполнена настройка LoRA только коэффициентов, без изменения бюджета параметров и общих базисов. Работа исследует, как такое сжатие влияет на безопасность и полезность ответов. Лицензия — Llama 2.

Это исследовательский вариант Meta Llama 2 7B Chat, сжатый методом SVD-LLM: удалено 40% параметров, то есть сохранено 60% исходного числа. В модели восстановлено 0% параметров из SVD-компонентов по правилу отбора `unknown`; архитектура — плотная LlamaForCausalLM, размер около 6,6 млрд параметров, контекст — 4096 токенов. Модель принимает текст и генерирует текст в диалоговом формате. Чекпойнт создан для изучения того, как SVD-сжатие влияет на безопасность и полезность ответов и можно ли восстановить защитное поведение выборочным возвратом компонентов. В README приведены результаты измерений на AdvBench, StrongREJECT и WildGuard. Это экспериментальный объект исследования, а не ассистент для общего применения: некоторые варианты серии намеренно демонстрируют ухудшение безопасности, поэтому результаты этого чекпойнта требуют самостоятельной оценки. Лицензия — Llama 2; условия Meta распространяются на использование модели.

Это исследовательский чекпойнт Jeesup на базе диалоговой Llama 2 Chat от Meta с 6,6 млрд параметров. Модель с архитектурой LlamaForCausalLM предназначена для генерации текста и диалогов; базовая модель рассчитана прежде всего на общение на английском языке. Контекст модели составляет 4096 токенов. Веса сжаты методом SVD-LLM: удалено 20,01% параметров, в результате осталось 80% плотной модели. Затем выполнены 4 из 10 раундов итеративной замены параметров по правилу gap_iter. Чекпойнт создан для исследования того, как сжатие влияет на безопасность ответов и можно ли восстановить поведение модели с помощью выбора компонентов. В карточке приведены показатели атак на AdvBench и StrongREJECT и макроуровень избыточных отказов WildGuard. Модель не предназначена для использования как универсальный ассистент или развёртывания без отдельной оценки: поведение безопасности может быть ухудшено. Файлы представлены в формате safetensors; лицензия — Llama 2 Community License.

Это экспериментальный чекпойнт на базе инструкционно настроенной Llama 3.1 8B Instruct от Meta, созданный для исследования влияния сжатия на безопасность и полезность языковых моделей. Веса сжаты методом SVD-LLM до 60% от исходного числа плотных параметров, после чего выполнено 7 из 10 раундов корректировки параметров по правилу gap_iter. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 131 072 токенов. Чекпойнт предназначен для экспериментов по оценке безопасности и компромиссов между безопасностью и полезностью после сжатия; это не универсальный чат-ассистент. В README приведены результаты измерений на AdvBench, StrongREJECT и WildGuard, включая показатели успешности атак и избыточного отказа. Модель принимает текст и генерирует текст; унаследованные от базовой модели многоязычные диалоговые возможности не описаны подробнее. Лицензия — Llama 3.1.

Jeesup/svd-safety-l31_swift_remove50 — исследовательский чекпойнт на основе Meta Llama 3.1 8B Instruct, сжатый методом Swift-SVD примерно до половины исходного числа параметров и дополнительно восстановленный с помощью LoRA. Модель содержит около 7,5 млрд параметров, использует архитектуру Llama и формат safetensors; заявленная длина контекста — 131 072 токена. Она предназначена для изучения того, как сжатие влияет на безопасность и полезность ответов, а также для оценки методов восстановления поведения модели. Модель поддерживает генерацию текста и диалоговый интерфейс; в метаданных также указана поддержка интерфейса вызова инструментов. Карточка приводит результаты на наборах AdvBench, StrongREJECT и WildGuard, включая доли успешных атак и избыточных отказов. Это отдельный экспериментальный вариант из сетки сравнений, а не универсальный помощник: некоторые варианты исследования намеренно ухудшают защитное поведение. Использование регулируется лицензией Llama 3.1.

Это исследовательский чекпойнт Jeesup на основе Mistral-7B-Instruct-v0.2: плотная причинная языковая модель Mistral с 7,1 млрд параметров для диалоговой генерации текста. Веса сжаты методом Swift-SVD до 80,04% исходного числа параметров, после чего выполнено восстановление через LoRA поэтапно для матриц U и V; в README указаны ранг 8 и два этапа обучения по две эпохи. Модель принимает текстовые запросы и генерирует текст, поддерживает контекст до 32 768 токенов. Чекпойнт создан для изучения влияния SVD-сжатия на безопасность и полезность ответов и проверки способов восстановления поведения. В README приведены измерения ASR на AdvBench и StrongREJECT и показатель чрезмерных отказов WildGuard. Автор предупреждает, что отдельные варианты серии намеренно имеют ослабленное безопасное поведение и не предназначены для обычного чат-развертывания. Лицензия — Apache-2.0.

Это исследовательский чекпойнт на базе диалоговой Mistral-7B-Instruct-v0.2 от Mistral AI, подготовленный автором репозитория Jeesup для изучения влияния сжатия на безопасность и полезность модели. Весовая матрица сжата методом Swift-SVD с динамическим распределением рангов: удалено 20% параметров, осталось около 80% исходного объёма. Затем модель восстановлена с помощью второго этапа SVD-LLM и LoRA-дообучения на alpaca-cleaned. Модель предназначена для экспериментов по оценке безопасности, отказов и устойчивости к атакам после сжатия, а не для обычного диалогового применения. В README приведены результаты оценок AdvBench, StrongREJECT и WildGuard; для конкретной версии указаны показатели успешности атак 0,5692 и 0,4185 и доля чрезмерных отказов 0,1051. Это генеративная текстовая модель на 7,1 млрд параметров с контекстом до 32 768 токенов. Репозиторий распространяется под лицензией Apache-2.0. README предупреждает, что сжатие может ухудшить защитное поведение и что некоторые варианты эксперимента намеренно ослаблены по безопасности. Чекпойнт следует рассматривать как экспериментальный объект и самостоятельно оценивать перед использованием; он не позиционируется как готовый к развертыванию помощник.

Theia Tiny Patch16-224-CDiv — визуальная базовая модель для обучения роботов, разработанная The AI Institute. Это компактная модель на основе DeiT-Tiny, одновременно дистиллированная из CLIP, DINOv2 и ViT; она формирует визуальные представления, объединяющие знания учителей, обученных на разных задачах компьютерного зрения. Модель предназначена для извлечения признаков из изображений и использования этих представлений в последующем обучении робототехнических систем. В статье Theia авторы сообщают, что модели семейства превосходят модели-учителя и предыдущие подходы к обучению роботов при меньшем объёме обучающих данных и меньшем размере модели. Репозиторий содержит веса в формате Safetensors и использует библиотеку Transformers. Условия использования определяются лицензией The AI Institute License; её полный текст в предоставленной карточке опущен.

TinyBrainBot-100M-v3-Base — базовая языковая модель на 100,1 млн параметров, разработанная автором репозитория nkthebass и обученная с нуля. Это плотная Llama-совместимая архитектура с 12 слоями, контекстом 1024 токена и словарём на 32 000 токенов. Модель предварительно обучена на 25 млрд токенов, а затем прошла короткое продолжение обучения с акцентом на знания. Модель предназначена для генерации текста и исследовательских экспериментов с компактными языковыми моделями. Автор сообщает, что в семи тестах EleutherAI LM-Eval модель превзошла Supra2-100M-Base в шести, однако открытая генерация ограничена, а фактические ответы могут быть ненадёжными. Модель не настроена на безопасность и не предназначена для диалогового применения; для чата автор рекомендует instruct-вариант. Репозиторий содержит веса safetensors и F16 GGUF для llama.cpp, Ollama и LM Studio. Лицензия — Apache-2.0.

Trinity-Large-Base — базовая предобученная языковая модель Arcee AI из серии Trinity Large, предназначенная для исследований и последующего дообучения. Это разреженная модель класса Mixture-of-Experts с архитектурой AfmoeForCausalLM: в README указано около 398 млрд параметров и примерно 13 млрд активных параметров на токен; в метаданных размер указан как 8,7 млрд параметров. Контекст в метаданных — 262 144 токена. Модель обучена на 17 трлн токенов до этапов instruction tuning и обучения с подкреплением. Модель подходит для изучения поведения при масштабном предобучении, маршрутизации и балансировки экспертов MoE, интерпретируемости и зондирования, а также для дообучения под конкретные задачи. Метаданные указывают поддержку английского, испанского, французского, немецкого, итальянского, португальского, русского, арабского, хинди, корейского и китайского языков. Это базовая модель для генерации текста, а не готовый чат-ассистент: она не настроена на безопасность, полезность или разговорный стиль и требует значительных вычислительных ресурсов и опыта для дообучения. Лицензия обозначена в метаданных как other; дополнительных условий использования в предоставленных данных нет.

ytu-ce-cosmos/turkish-small-bert-uncased — компактная модель BERT для турецкого языка, разработанная для заполнения пропусков в линейках небольших турецких BERT. Она обучена работать с текстом без учёта регистра и предназначена, в частности, для предсказания пропущенных токенов. Модель содержит 33,2 млн параметров, использует архитектуру BERT и поддерживает контекст до 512 токенов. Для токенизации текст нужно предварительно приводить к нижнему регистру с учётом турецкой буквы I: README рекомендует применять `text.replace("I", "ı").lower()` и не включать `do_lower_case = True` у токенизатора из-за известной проблемы. Модель обучалась преимущественно на собранных из интернета данных, поэтому её предсказания могут отражать смещения этих данных. Доступны веса PyTorch, safetensors и TensorFlow; сведения о лицензии в предоставленных данных отсутствуют.

Vanilla AttnResidual — исследовательский базовый вариант из коллекции OASIS, созданный на основе Meta Llama 3.2 1B. Модель представляет собой плотную авторегрессионную языковую модель с примерно 1,2 млрд параметров и стандартным softmax для внимания между токенами, дополненным механизмом AttentionResidual для маршрутизации информации между слоями. Метаданные указывают контекст до 131 072 токенов. Модель предназначена для генерации текста и сравнительных экспериментов с маршрутизацией между слоями, вниманием и устойчивостью к выбросам активаций и квантизации. Для корректной работы варианта нужны веса и код моделирования OASIS: загрузка через обычный AutoModelForCausalLM отбрасывает дополнительные параметры AttentionResidual, поэтому результат не будет соответствовать этому варианту. В репозитории приведены результаты оценки perplexity и статистики активаций. Указана лицензия Llama 3.2.

VEXMLM — модель для языкового моделирования с расширенным словарём для амхарского и тигринья, разработанная как продолжение FacebookAI/xlm-roberta-base. Это XLM-RoBERTa с архитектурой XLMRobertaForMaskedLM: в токенизатор SentencePiece встроено 30 000 новых токенов письма геэз, а расширенная модель продолжала предобучение на амхарских и тигринья монолингвальных текстах. Метаданные указывают 328,3 млн параметров, контекст до 514 токенов и лицензию Apache-2.0. Основная задача модели — восстанавливать замаскированные фрагменты текста. Она предназначена для исследований NLP на амхарском и тигринья и как основа для дообучения под распознавание сущностей, извлечение ответов на вопросы и классификацию текстов. Расширение словаря снижает фрагментацию слов на подслова в обоих языках; в сообщённых экспериментах модель показала результаты на NER и диагностической задаче TiQuAD. Модель не является готовой системой ответов на вопросы или классификатором: для этих сценариев требуется дообучение соответствующей головой. Она обучалась и оценивалась только на амхарском и тигринья; результаты по тональности близки к случайным, а абсолютное качество извлечения ответов ограничено. Источник предобучающих текстов не документирован, их лицензия неизвестна; при этом лицензия репозитория модели — Apache-2.0.

Это базовый визуальный backbone ViT Base с патчами 16×16, опубликованный в репозитории Kaiko AI Towards Large-Scale Training of Pathology Foundation Models. Модель содержит 86 млн параметров и принимает изображения размером 224×224 пикселя с тремя цветовыми каналами. Модель предназначена для извлечения признаковых векторов из изображений и может служить визуальным энкодером для последующих задач анализа патологических изображений. Она выдаёт эмбеддинги изображений; карточка приводит пример их получения, но не описывает отдельные диагностические функции или оценки качества. Репозиторий распространяет веса в формате safetensors под лицензией other; конкретные условия лицензии следует сверить с источником модели.

Intel/zoedepth-kitti — модель оценки глубины по одному изображению, дообученная на наборе данных KITTI. Она основана на ZoeDepth, которая расширяет подход DPT для оценки метрической, то есть абсолютной, глубины и предназначена для переноса оценки глубины на новые изображения без отдельной настройки под каждую сцену. Модель можно применять в сценариях монокулярного зрения, где требуется получить карту расстояний до объектов и поверхностей. Модель принимает изображение и выдаёт оценку глубины в метрических значениях. Архитектура относится к семейству ZoeDepth и реализована классом ZoeDepthForDepthEstimation; веса опубликованы в формате safetensors. Репозиторий создан Intel и распространяется по лицензии MIT. Дообучение на KITTI связывает модель с дорожными сценами и изображениями, характерными для этого набора данных.

HuggingFaceFW выпустила эту модель как часть серии абляционных экспериментов FineWeb. Это плотная авторегрессионная языковая модель на архитектуре Llama с RoPE, примерно 1,7 млрд параметров по метаданным и контекстом 2048 токена. Модель обучалась 350 млрд токенов из FineWeb-Edu с токенизатором GPT-2; веса опубликованы в формате Safetensors и доступны по лицензии Apache-2.0. Модель предназначена для продолжения англоязычного текста и сравнения с другими моделями, обученными в тех же условиях. Она не настроена на выполнение инструкций, поэтому подходит для дополнения фрагментов текста, а не для диалога или следования командам. Обучение преимущественно на англоязычных данных ограничивает качество на других языках. Ответы могут отражать предвзятость и вредоносное содержимое обучающих данных; авторы также предупреждают, что это результат абляционного сравнения, а не обязательно лучший вариант обучения на этом наборе данных.

AnesTRACE-Eval — специализированная модель-оценщик от DataXAI для бенчмарка AnesTRACE по клиническому рассуждению и последовательному принятию решений в анестезиологии и периоперационной медицине. Это дообученная модель Qwen3.5-9B с архитектурой условной генерации; опубликованный чекпойнт объединён и загружается через Transformers без отдельного LoRA-адаптера. Модель используется как текстовый LLM-оценщик в конвейере AnesTRACE и формирует структурированные оценки по заданным рубрикам. Она предназначена для оценки ответов на задачи с единичным клиническим решением и многошаговыми диалогами: проверяет клиническую корректность, опору на доказательства, полноту, безопасность вмешательств и согласованность решений во времени. Выдаёт дискретные оценки и метки серьёзности риска; результаты следует проверять по ожидаемой схеме и пересчитывать агрегированные баллы в коде. Модель оптимизирована для англоязычного формата AnesTRACE; качество для других языков, медицинских специальностей и произвольных задач оценивания не установлено. Она может ошибаться в оценках и не предназначена для диагностики, лечения или автономной клинической помощи. Лицензия — Apache-2.0.

Antalia 1 — модель синтеза турецкой речи, разработанная Sezgin Saygili, Emre Kaplaner, Oncel Ozgul и Fikri San Koktas (Patientdesk.ai). Это дообучение Antalia 1 Foundation для генерации речи одним фиксированным голосом; клонирование голоса по образцу не поддерживается. Модель использует символьное представление текста и архитектуру rectified flow: текстовый энкодер ConvNeXt из четырёх блоков, 16 Transformer-блоков потока с размерностью 768 и отдельную голову длительности. Вес модели — около 304,6 млн параметров в формате fp32 safetensors; для синтеза используется вокодер BigVGAN v2, вывод — монофоническое аудио 24 кГц. Модель предназначена для турецких голосовых прототипов, одноголосых ассистентов и исследований синтеза речи с обязательным раскрытием факта генерации. В оценке на 120 турецких запросах отбор лучшего из восьми вариантов улучшил средние CER и WER, но требует нескольких генераций и дополнительного ранжирования. Разработка прекращена, модель не поддерживается как продукт. Она хуже воспроизводит тембр реального диктора, а длинный текст требует разбиения на фрагменты; числа, иностранные имена, аббревиатуры и текст со сложной нормализацией дают больше ошибок. Поддерживается только турецкий язык и один голос. Лицензия OpenRAIL-M запрещает, среди прочего, имитацию реальных людей, обманное или мошенническое применение и политические робозвонки; синтетическую речь необходимо обозначать, а модель, производные и использующие их продукты, услуги и публикации должны содержать атрибуцию Antalia 1 и ссылку на репозиторий.