II.10Разработка и эксплуатация AI/ML-систем

TeenyTinyLlama-460m-Chat — чат-версия компактной языковой модели TeenyTinyLlama, разработанной для бразильского португальского. Это плотная авторегрессионная модель семейства Llama с 435,4 млн параметров, дообученная на Instruct-Aira Dataset версии 2.0. Она принимает текстовые запросы и генерирует текст; родной контекст составляет 2048 токенов. Модель предназначена прежде всего для экспериментов с языковыми моделями для языков с ограниченными ресурсами, а также для дальнейшего дообучения и адаптации. Она может отвечать на инструкции и вопросы на бразильском португальском, но не предназначена для развёртывания или взаимодействия с пользователями и не подходит для перевода либо генерации на других языках. В README отмечены риски галлюцинаций, токсичных и предвзятых ответов, ненадёжной генерации кода и повторов. Качество не гарантирует надёжность для прикладных сценариев; перед адаптацией следует оценить риски и смещения. Модель распространяется по лицензии Apache-2.0.

Thai GPT-2 Fine-Tuned — генеративная языковая модель, разработанная пользователем 415Supreeya и дообученная на наборе данных disease_3000, содержащем 3 000 пар вопросов и ответов о заболеваниях. Модель предназначена для генерации ответов на вопросы на тайском языке и относится к архитектуре GPT-2. Модель поддерживает тайский язык, использует контекст длиной до 1 024 токенов и опубликована в формате safetensors. Её можно применять для создания прототипов тайскоязычных систем вопросов и ответов, предварительной подготовки медицинских справочных ответов и экспериментов с генерацией текста в медицинской тематике. Модель выпущена под лицензией MIT. В README отсутствуют сведения о размере модели, точной базовой версии, параметрах обучения и результатах оценки. Генерируемые ответы не следует считать медицинской консультацией: модель может ошибаться, выдавать неполные или недостоверные сведения и не заменяет проверку специалистом.

User01110 разработал tinyLM-8M-exp — экспериментальную компактную авторегрессионную языковую модель на 8,132 млн параметров, дообученную на базе Qwen/Qwen3-0.6B. Это плотный декодер в стиле Qwen3 с 8 слоями, grouped-query attention и математически вычисляемым novelty gate; веса доступны в формате safetensors, для запуска используется Transformers с кодом модели из репозитория. Модель предназначена для генерации текста и оценки продолжений в небольшом контекстном окне до 512 токенов. При обучении использовались наборы FineWeb-Edu, SmolLM-Corpus и FineWeb-HQ; в README приведены результаты проверок на тестах знаний, здравого смысла и арифметики. Размер модели позволяет исследовать компактную архитектуру и запускать эксперименты с генерацией, однако приведённые оценки указывают на ограниченные возможности по сравнению с крупными моделями. Токенизатор основан на GPT-S2-5M; поддерживаемые языки и лицензия в доступных сведениях не описаны.

Tiny Qwen3 30M Chinese — компактная причинная языковая модель семейства Qwen3, обученная автором репозитория с нуля на корпусе richarddzh/chinese-small-lm-corpus. Модель содержит около 29,6 млн параметров, использует архитектуру Qwen3ForCausalLM и реализована для Transformers в формате safetensors. Для генерации поддерживает контекст до 1 024 токенов; предобучение выполнялось на последовательностях длиной 512 токенов. Модель предназначена для экспериментов с предобучением языковых моделей, обучением токенизатора и генерацией китайского текста. Это базовая модель, а не чат- или инструкционная версия, поэтому она не рассчитана на надёжное следование пользовательским инструкциям. Небольшой размер удобен для учебных экспериментов и воспроизводимого изучения этапов обучения. Ограниченные знания, рассуждения и работа с контекстом могут приводить к повторам, несвязному или фактически неверному тексту и проявлению смещений корпуса; модель не следует применять для решений с высокими последствиями. Сведения о лицензии в предоставленных источниках отсутствуют.

optimum-intel-internal-testing/tiny-random-internvl2 — экспериментальная уменьшенная модель семейства InternVL2, опубликованная организацией Optimum Intel Internal Testing на Hugging Face. По метаданным репозитория она предназначена для задач Image-Text-to-Text, то есть обработки изображений вместе с текстовыми запросами и генерации текста. Модель содержит 17,1 млн параметров, хранится в формате Safetensors с типом тензоров F32 и использует конфигурацию InternVL Chat с custom code. InternVL2 в целом относится к мультимодальным моделям архитектуры ViT-MLP-LLM и рассчитан на понимание изображений и текста, однако для этой tiny-random-версии в карточке модели не указаны точные языки, размер контекстного окна, состав визуального энкодера или языковой модели. Малый размер делает модель удобной для тестирования интеграций, загрузки и преобразований в инструментах Optimum и OpenVINO, но репозиторий не содержит описания результатов обучения или прикладных характеристик. Поэтому её не следует рассматривать как полноценную продуктивную модель; возможности и качество на реальных задачах не подтверждены. Лицензия в карточке модели не указана.

JoaoBoer/tofu_Llama-3.1-8B-Instruct_forget10_SatImp — модель генерации текста на архитектуре Llama 3.1, созданная дообучением open-unlearning/tofu_Llama-3.1-8B-Instruct_full методом SatImp на части forget10 набора TOFU. Её разработали как базовый вариант для исследования unlearning и как черновую модель в проекте Speculative-Decoding-Unlearning. Модель предназначена для экспериментов по машинному забыванию данных и оценки того, как удаление обучающих сведений влияет на ответы и извлечение информации. Она содержит 7,5 млрд параметров, работает с текстом и поддерживает контекст до 131 072 токенов; доступны возможности диалога и интерфейс вызова инструментов. В README приведены метрики TOFU: exact_memorization — 0,5034, extraction_strength — 0,0538 и forget_Q_A_PARA_Prob — 0,0063. Это экспериментальный исследовательский чекпойнт для задачи unlearning, поэтому его результаты следует интерпретировать в контексте набора TOFU и указанных оценок. Лицензия — Llama 3.1; применяются её условия использования.

ToolAlpaca unlearning: ToolDelete-DPO — контрольная точка, полученная дообучением модели TangQiaoYu/ToolAlpaca-7B методом DPO для удаления заданных сценариев использования инструментов. Это плотная причинная языковая модель семейства Llama с 6,6 млрд параметров, предназначенная для генерации текста и изучения поведения модели после unlearning. Контекст составляет 2048 токенов. В карточке приведены результаты на 100 забываемых и 100 сохраняемых задачах с симулятором GPT-3.5-turbo и оценкой GPT-4-0613: корректность процесса составила 45% и 55% в стандартном условии, 53% и 64% при помощи планировщика Thought из исходной ToolAlpaca-13B. В парном тесте восстановление поведения составило 10 из 55 случаев. Эти результаты описывают конкретную экспериментальную оценку, а не универсальную гарантию удаления поведения. Лицензия в предоставленных данных не указана.

Карточка модели Jiajunruan/ToolAlpaca_unlearn_ToolDelete-DPO-paper на Hugging Face совпадает с карточкой OptimAI-Lab/ToolAlpaca_unlearn_ToolDelete-DPO, поэтому описание составлено по ней. ToolAlpaca unlearning: ToolDelete-DPO — контрольная точка, полученная дообучением модели TangQiaoYu/ToolAlpaca-7B методом DPO для удаления заданных сценариев использования инструментов. Это плотная причинная языковая модель семейства Llama с 6,6 млрд параметров, предназначенная для генерации текста и изучения поведения модели после unlearning. Контекст составляет 2048 токенов. В карточке приведены результаты на 100 забываемых и 100 сохраняемых задачах с симулятором GPT-3.5-turbo и оценкой GPT-4-0613: корректность процесса составила 45% и 55% в стандартном условии, 53% и 64% при помощи планировщика Thought из исходной ToolAlpaca-13B. В парном тесте восстановление поведения составило 10 из 55 случаев. Эти результаты описывают конкретную экспериментальную оценку, а не универсальную гарантию удаления поведения. Лицензия в предоставленных данных не указана.

Это обученный агент TQC (Truncated Quantile Critics) для среды FetchPickAndPlace-v1, опубликованный организацией Stable-Baselines3 и подготовленный с помощью RL Zoo. Модель предназначена для управления роботом в симуляции: агент учится перемещать объект и помещать его в заданное место, выбирая действия на основе наблюдений среды. Агент создан на базе Stable-Baselines3 и распространяется в формате PyTorch. Его можно запускать и обучать через инструменты RL Zoo. Карточка не сообщает размер модели, длину обучения или количественные результаты на среде. Лицензия в доступных данных не указана.

Это модель компьютерного зрения на базе YOLOv11n, разработанная cvtechniques и дообученная с помощью Ultralytics YOLO для обнаружения и классификации дорожных знаков на изображениях. Она возвращает ограничивающие рамки и метки классов для 12 типов знаков, включая STOP, уступите дорогу, переход для пешеходов и ограничения скорости в милях в час. Модель подходит для анализа дорожных сцен, экспериментов по распознаванию знаков, учебных проектов и исследований систем помощи водителю. Обучение проводилось на данных, полученных из LISA Traffic Sign Dataset, с аугментациями изображений. В README приведены высокие метрики на валидационном наборе, но они не гарантируют аналогичного качества в реальных условиях. Лицензия модели — MIT. Модель может хуже работать ночью, при плохом освещении, размытии движения, сильных тенях и необычных углах обзора. Похожие знаки ограничения скорости могут путаться, особенно если цифры закрыты или размыты; географический охват обучающих данных ограничен дорожными сценами США. README прямо предостерегает от применения в критически важных системах, включая автономное вождение, без дополнительных испытаний и проверки.

TR-HASH MoE 100M — базовая языковая модель AETHORIA-AI, обученная на корпусе AETHORIA-AI/TR-HASH-Pretraining-125B-Agentic-32K. Это причинная архитектура Mixture of Experts с детерминированной многократной хеш-маршрутизацией: для каждого токена выбирается стабильная пара экспертов, а их выход объединяется с общим экспертом SwiGLU. В метаданных указано 79,5 млн параметров; в README — 100 366 720 параметров. Модель принимает текст и генерирует текст, поддерживает английский и французский языки, размер словаря — 32 000 токенов, контекст — 2 048 токенов. Чекпойнт предназначен для продолжения обучения, исследований архитектуры и воспроизводимости предобучения. Несмотря на агентно-ориентированные данные, включающие код, использование инструментов и структурированные технические материалы, этот чекпойнт не является агентом с инструкционной настройкой и не предназначен для диалогового применения. Предобучение завершено; уточняющее обучение продолжается, а новая настройка инструкций ещё не завершена. Модель не прошла итоговый набор оценок, поэтому может выдавать неточный, небезопасный или несвязный текст и не подходит для производственных или ответственных сценариев. Лицензия — CC BY-NC 4.0.

Vertex 0.6 100M — базовая модель генерации текста семейства Vertex 0.6 от Vertex Research. Это предварительно обученный с нуля чекпойнт на архитектуре Qwen3 с 96,7 млн параметров и контекстом 1024 токена; для загрузки используется Transformers. Модель обучена на 10,01 млрд токенов англоязычных веб-текстов Ultra-FineWeb с добавлением части кода. Модель предназначена для продолжения текста и базового автодополнения на английском языке, включая фрагменты кода. Это сырой чекпойнт без инструкционного дообучения и чат-выравнивания, поэтому он не рассчитан на надёжное выполнение пользовательских инструкций. В README отмечены слабая связность, многословие, повторы и фактические ошибки; качество ухудшается при длинной генерации. Лицензия — Apache-2.0.

Veyra-30M-Base — небольшая авторегрессионная языковая модель семейства Llama, разработанная Veyra AI и обученная с нуля на предобучающих данных. Это плотная decoder-only модель с 34,6 млн параметров, словарём на 8192 токена и контекстом 1024 токена. Веса опубликованы в формате Safetensors; для загрузки используется Transformers с пользовательским кодом репозитория. Лицензия — Apache-2.0. Модель предназначена для продолжения предобучения, исследовательских экспериментов и абляций, отслеживания этапов обучения Veyra и изучения поведения малых языковых моделей. Она принимает текст и генерирует текст; основной язык карточки — английский. Модель не проходила instruction tuning, поэтому не является готовым чат-ассистентом и не рассчитана на надёжные ответы на вопросы. Авторы отмечают склонность к галлюцинациям и повторам, ошибки в простых фактических и арифметических запросах, а также генерацию недостоверного кода и необычные продолжения текста. Для надёжного применения потребуется дополнительное обучение и проверка результатов.

Manu8/vit_cifar — модель классификации изображений на основе Vision Transformer (ViT), обученная разработчиком репозитория на наборе CIFAR-10. В карточке описаны Shifted Patch Tokenization (SPT), Locality Self-Attention (LSA), двумерные синусоидальные позиционные эмбеддинги и глобальное усреднение признаков без CLS-токена. Модель обучалась с нуля на небольшом наборе данных. Модель предназначена для классификации изображений CIFAR-10 по десяти классам. На оценочной выборке карточка приводит точность 86,03% после пяти эпох обучения. В репозитории указаны веса PyTorch в формате safetensors. Лицензия и условия повторного использования в предоставленных данных не описаны.

Карточка модели mdagosta/waldito-python-basics-v1-r0004-u0-mdagosta-b на Hugging Face совпадает с карточкой mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b, поэтому описание составлено по ней. mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b — небольшая языковая модель, опубликованная как экспорт OpenWALDO. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста в диалоговом формате; размер составляет 819,6 тыс. параметров, контекст — 512 токенов. Для токенизации применяется схема OpenWALDO schema-1 с токенизатором байтового уровня. Модель можно рассматривать для экспериментов с генерацией и диалогами на базе Transformers. Карточка указывает формат safetensors. Для загрузки токенизатора требуется включить trust_remote_code=True. Лицензия и поддерживаемые естественные языки в предоставленных данных не обозначены.

Карточка модели mdagosta/waldito-python-basics-v1-r0008-u0-mdagosta-b на Hugging Face совпадает с карточкой mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b, поэтому описание составлено по ней. mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b — небольшая языковая модель, опубликованная как экспорт OpenWALDO. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста в диалоговом формате; размер составляет 819,6 тыс. параметров, контекст — 512 токенов. Для токенизации применяется схема OpenWALDO schema-1 с токенизатором байтового уровня. Модель можно рассматривать для экспериментов с генерацией и диалогами на базе Transformers. Карточка указывает формат safetensors. Для загрузки токенизатора требуется включить trust_remote_code=True. Лицензия и поддерживаемые естественные языки в предоставленных данных не обозначены.

Карточка модели mdagosta/waldito-python-basics-v1-r0010-u2-mdagosta-b на Hugging Face совпадает с карточкой mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b, поэтому описание составлено по ней. mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b — небольшая языковая модель, опубликованная как экспорт OpenWALDO. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста в диалоговом формате; размер составляет 819,6 тыс. параметров, контекст — 512 токенов. Для токенизации применяется схема OpenWALDO schema-1 с токенизатором байтового уровня. Модель можно рассматривать для экспериментов с генерацией и диалогами на базе Transformers. Карточка указывает формат safetensors. Для загрузки токенизатора требуется включить trust_remote_code=True. Лицензия и поддерживаемые естественные языки в предоставленных данных не обозначены.

Карточка модели mdagosta/waldito-smoke-v1-r0001-u1-mdagosta на Hugging Face совпадает с карточкой mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b, поэтому описание составлено по ней. mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b — небольшая языковая модель, опубликованная как экспорт OpenWALDO. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста в диалоговом формате; размер составляет 819,6 тыс. параметров, контекст — 512 токенов. Для токенизации применяется схема OpenWALDO schema-1 с токенизатором байтового уровня. Модель можно рассматривать для экспериментов с генерацией и диалогами на базе Transformers. Карточка указывает формат safetensors. Для загрузки токенизатора требуется включить trust_remote_code=True. Лицензия и поддерживаемые естественные языки в предоставленных данных не обозначены.

Карточка модели mdagosta/waldito-smoke-v1-r0001-u1-mdagosta-b на Hugging Face совпадает с карточкой mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b, поэтому описание составлено по ней. mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b — небольшая языковая модель, опубликованная как экспорт OpenWALDO. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста в диалоговом формате; размер составляет 819,6 тыс. параметров, контекст — 512 токенов. Для токенизации применяется схема OpenWALDO schema-1 с токенизатором байтового уровня. Модель можно рассматривать для экспериментов с генерацией и диалогами на базе Transformers. Карточка указывает формат safetensors. Для загрузки токенизатора требуется включить trust_remote_code=True. Лицензия и поддерживаемые естественные языки в предоставленных данных не обозначены.

Карточка модели mdagosta/waldito-smoke-v1-r0002-u0-mdagosta-b на Hugging Face совпадает с карточкой mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b, поэтому описание составлено по ней. mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b — небольшая языковая модель, опубликованная как экспорт OpenWALDO. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста в диалоговом формате; размер составляет 819,6 тыс. параметров, контекст — 512 токенов. Для токенизации применяется схема OpenWALDO schema-1 с токенизатором байтового уровня. Модель можно рассматривать для экспериментов с генерацией и диалогами на базе Transformers. Карточка указывает формат safetensors. Для загрузки токенизатора требуется включить trust_remote_code=True. Лицензия и поддерживаемые естественные языки в предоставленных данных не обозначены.

Whisper Tiny Myanmar ShopVoice — компактная модель распознавания речи на базе OpenAI Whisper Tiny, дообученная автором Thant Zin Phyo для транскрибации бирманской речи в сценариях ShopVoice. В основе лежит chuuhtetnaing/whisper-tiny-myanmar; модель содержит 29,4 млн параметров и использует архитектуру WhisperForConditionalGeneration. Для работы предназначена библиотека Transformers. Модель обучалась на данных Myanmar ShopVoice, охватывающих 237 категорий блюд из традиционных бирманских ресторанов. Она подходит для распознавания названий блюд и голосовых заказов в заведениях общепита. Лицензия — Apache-2.0. Карточка не приводит сведений о длине контекста или количественной оценке качества; результаты могут зависеть от соответствия аудио обучающим данным и ресторанной лексике.

keremberke/yolov8n-pcb-defect-segmentation — модель компьютерного зрения на базе YOLOv8n, опубликованная пользователем keremberke и предназначенная для сегментации дефектов печатных плат. Она выделяет на изображении области с сухими паяными соединениями, неправильной установкой компонентов, повреждениями платы и короткими замыканиями. Модель доступна в формате PyTorch и рассчитана на использование с библиотекой Ultralytics. Модель подходит для автоматизированного визуального контроля печатных плат на производстве и анализа изображений плат при диагностике дефектов. Карточка указывает четыре поддерживаемых класса; сведения о лицензии не приведены в доступных данных.

pablofntdz разработал дообученную настраиваемую модель YOLOv8n для обнаружения томатов и определения их спелости в тепличных условиях. Модель принимает RGB-изображения размером 640×640 и находит томаты, относя их к одному из трёх классов: неспелые, частично спелые и полностью спелые. Архитектура YOLOv8 nano выбрана для быстрого инференса; README также описывает вариант с INT8-квантизацией для CPU через OpenVINO и локализацию объектов в 3D с Intel RealSense D435. Модель подходит для мониторинга созревания урожая и поддержки решений о сборе томатов. Для обучения использовался собственный набор изображений из трёх публичных источников тепличных томатов с разметкой рамками и аугментациями. В README приведены метрики YOLOv8n: precision 0,817, recall 0,771, mAP50 0,843 и mAP50-95 0,693. Репозиторий распространяется по лицензии MIT.

ZeliDesk-sLM-1B — созданная автором cooler8 корейская языковая модель с 1,04 млрд параметров. Это плотный декодерный трансформер LlamaForCausalLM с архитектурными компонентами RMSNorm, SwiGLU, RoPE и GQA. Модель обучается с нуля: она не наследует веса или токенизатор Meta Llama и других моделей. Используются собственный токенизатор ByteLevel BPE на 32 768 токенов и корпус FineWeb-2 kor_Hang. Контекст составляет 2 048 токенов. Модель предназначена для продолжения корейского текста и экспериментов с воспроизводимым предварительным обучением компактной языковой модели. Это базовая модель без шаблона чата, настройки на инструкции или RLHF. На момент описания обучение завершено примерно на 22% запланированного объёма; опубликованные веса являются промежуточными и будут обновляться. Автор приводит промежуточную оценку BPB, но стандартных результатов тестирования знаний и рассуждений нет. Выборка может быть непоследовательной, повторяющейся и фактически неверной; английский и другие языки поддерживаются хуже. Лицензия весов — Apache-2.0.

Экспериментальная языковая модель Raghav Singhal из проекта One Persona Pretraining (1PP), основанного на исследовательской работе EPFL DLAB. Это плотный декодер Llama с 1,66 млрд параметров, обученный на переписанных диалогах из 47,8 млн документов с функцией потерь только на репликах ассистента, а затем дообученный на 400 тысячах диалогов для общения в формате ChatML. Контекст модели — 4096 токенов; она принимает текст и генерирует текст на английском языке. Модель предназначена для экспериментов с обучением разговорных языковых моделей и для исследовательского анализа влияния формата данных и маскирования функции потерь. Она не позиционируется как универсальный ассистент. Модель не обучалась на системных сообщениях; используемый шаблон чата содержит пользовательскую реплику и ответ ассистента. Лицензия — Apache 2.0.

Raghav-Singhal/1pp-1.7b-raw-sft — экспериментальная разговорная модель семейства Llama, созданная в рамках проекта One Persona Pretraining (1PP). Разработчики обучили её на исходных документах DCLM-edu, а затем дообучили на смеси из 400 тысяч диалогов с функцией потерь только на ответах ассистента. Это исследовательский артефакт EPFL DLAB, а не универсальный помощник. Модель содержит около 1,6 млрд параметров и использует плотную архитектуру Llama с 24 слоями и контекстом 4096 токенов. Она принимает текст и генерирует текст; обучение и шаблон чата рассчитаны на английский. Для диалога используется формат ChatML без системного сообщения, на котором модель не обучалась. Веса доступны в формате safetensors для Transformers. Модель предназначена для экспериментов с предварительным обучением на исходных документах и последующей настройкой на диалогах. Карточка не заявляет о пригодности для общего практического применения; лицензия — Apache-2.0.

Модель Raghav Singhal — экспериментальная базовая языковая модель семейства Llama, обученная в рамках исследования One Persona Pretraining (1PP). Она содержит около 906 млн параметров по метаданным и использует плотную архитектуру LlamaForCausalLM; в README описаны 24 слоя и контекст длиной 4096 токенов. Модель принимает текст и генерирует текст. Это ветка эксперимента с токен-сопоставленным обучением: обучение продолжили с шага 12 000 базового запуска и остановили на шаге 17 396 после обработки 33,745 млрд токенов переписанных диалогов, с функцией потерь на репликах пользователя и ассистента. Эксперимент сравнивает условия предобучения на одинаковой последовательности исходных документов. Модель предназначена для исследовательского анализа влияния формата диалогов и маски потерь на обучение; авторы отмечают, что это не универсальный ассистент. Для диалогов используется формат ChatML без системной реплики; модель обучалась на английском языке. В README приведены проверки весов и значения потерь на валидационных наборах. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

Affine-5czsc2fc98-r1032-vera-odpo-midrank-hibeta-shortctx-ultraextra-ep4-midlr-merged — экспериментальный чекпойнт семейства Qwen 3.5 MoE, разработанный как участник серии Affine SN120. Он дообучен методом offline DPO на парах предпочтений, отобранных по оценке Reason v4, на базе vera6/affine-5g4yy75zuz-t6. В метаданных указаны библиотека Transformers, формат Safetensors и лицензия Apache 2.0. Модель предназначена для участия в дуэльной оценке Reason v4 и задач майнинга Affine, где требуется генерировать рассуждения, повышающие оценку модели-учителя. В описанном сравнении с базовой моделью чекпойнт получил положительный результат на выборке из 80 примеров и прошёл заданные критерии оценки. Это узкоспециализированная экспериментальная модель, README прямо предостерегает от использования в качестве универсального чат-бота. Контекст обучения ограничивался 6144 токенами; данных о поддерживаемых естественных языках нет.

Agent-G2 WebShop 7B — исследовательский агент на базе Qwen2.5-7B-Instruct, дообученный методом Agent-G2 с подкреплением для взаимодействия с текстовым симулятором WebShop. Модель разработана для выбора действий при поиске и покупке товаров в симуляторе: на каждом шаге ей передают цель покупателя, наблюдение среды, историю и допустимые действия, а она генерирует рассуждение и одно действие на английском языке. Архитектура — плотная причинная языковая модель Qwen2ForCausalLM с 7,1 млрд параметров; формат — BF16 Safetensors, библиотека — Transformers, заявленный контекст — 32 768 токенов. Модель подходит для воспроизведения экспериментов Agent-G2, изучения длинных последовательностей действий и адаптивного использования экспертных траекторий при обучении. В карточке сообщаются результаты WebShop: оценка вознаграждения 92,3 и успех финальной покупки 84,4%; они не проверялись независимо, а разброс результатов не приведён. Модель может выдавать некорректные или недопустимые действия, зависит от шаблона запроса и настроек среды и может плохо переноситься на реальные сайты. Для выполнения действий нужна проверка со стороны среды. Лицензия в предоставленных данных не указана.

AhıskaAI-Experimental-v0.2-135M — экспериментальная языковая модель на 135,2 млн параметров, разработанная AhıskaAI с нуля на архитектуре Llama (LlamaForCausalLM). Она предназначена для экспериментов с компактными языковыми моделями и генерацией текста на турецком языке, в том числе для изучения влияния синтетических данных, формата обучающих примеров и конфигураций обучения. Модель обучалась на синтетических турецких текстах, математических данных, веб- и энциклопедических материалах; контекст составляет 2048 токенов. Репозиторий содержит веса в формате safetensors. В карточке отмечено, что чекпойнт не достиг требуемого качества для основной серии AhıskaAI: модель может выдавать недостоверные факты и математические ответы, повторяться, уходить от темы или продолжать текст в неожиданном формате. Она не рекомендуется для производственного применения и не является надёжным универсальным ассистентом. Лицензия — Apache-2.0.