II.10Разработка и эксплуатация AI/ML-систем

MESIE-MultiAudio-v1 — аудиоклассификатор на основе плотного Transformer с многоголовым механизмом внимания, выпущенный ItsNotAI LABS. Модель предназначена для работы с 16-канальными микрофонными массивами: оценки азимута направления прихода звука (DOA), выделения целевого источника и пространственного подавления шума, включая сценарии активного шумоподавления. В README указано обучение AdamW в течение 10 эпох на профильных акустических наборах данных и приведены метрики проверки: MSE 0,23955, точность/precision 0,9976 и задержка вывода 1,384 мс; методика и условия измерений не раскрыты. Метаданные сообщают 917,5 тыс. параметров и форматы PyTorch и Safetensors, тогда как README отдельно приводит 797 584 обучаемых параметра и 640 000 элементов позиционного кодирования. Лицензия — Apache-2.0.

MetaDiffusion-150M-ChatBase — экспериментальная языковая модель CodeSoft для генерации диалогового текста и последующего дообучения под конкретные задачи. Это плотная masked-diffusion Transformer-модель с двунаправленным вниманием и временным кондиционированием: текст создаётся итеративным снятием масок с последовательной фиксацией блоков. В метаданных указано 130,8 млн параметров, контекст 5120 токенов и формат safetensors; README описывает веса fp16 и размер 169,5 млн параметров, поэтому оценки размера расходятся. Модель дообучена для чата на smol-smoltalk и no_robots поверх CodeSoft/MetaDiffusion-150M-exp. Она предназначена прежде всего для экспериментов и последующего специализированного дообучения. Карточка отмечает слабое следование инструкциям, потерю связности и фактической точности в многоходовых диалогах и связный вывод примерно на 60–100 токенов. Указана лицензия Apache-2.0.

netcat420/MFANN3bv0.16.11 — экспериментальный чекпойнт автора netcat420, основанный на архитектуре PhiForCausalLM с плотной архитектурой и 3,5 млрд параметров. Модель обучалась 12 000 шагов на наборе MFANN; автор сообщает о повышенном значении функции потерь и планирует слить чекпойнт с предыдущей версией и продолжить обучение. Для модели указан контекст до 32 768 токенов и формат safetensors. Чекпойнт предназначен для экспериментов с task vector optimization и объединением моделей методом TIES; автор также упоминает DARE-TIES как первоначальную цель. Это незавершённый этап разработки, а не описанная как готовая прикладная модель. В метаданных указаны английский язык и лицензия MIT.

MiMo-Embodied-7B — мультимодальная модель Xiaomi для понимания изображений и текста в сценариях автономного вождения и embodied AI. Это дообученная версия MiMo-Embodied с архитектурой Qwen2.5-VL, 7 млрд параметров и контекстом до 128 000 токенов. Модель предназначена для восприятия окружающей среды, пространственного понимания, планирования действий и прогнозирования состояний в динамических физических средах; также сохраняет возможности общего визуального понимания. В README описаны результаты оценки на задачах планирования, предсказания affordance и пространственного понимания для embodied AI, а также на задачах восприятия среды, прогнозирования состояния и планирования вождения. Модель принимает изображения и текст и формирует текстовые ответы; метаданные указывают поддержку чата и интерфейса вызова инструментов. Выпущена под лицензией MIT.

Mini-K3-1H-attn-4mla-rope-v2 — текстовая авторегрессионная модель семейства Mini-K3, опубликованная в виде исследовательского чекпойнта предобучения. Это один из 20 вариантов в контролируемом сравнении архитектур. Модель построена как декодер с 13 слоями Gated MLA и RoPE, блоками Attention Residuals и MoE с 64 маршрутизируемыми и 4 общими экспертами; за токен активируются два маршрутизируемых эксперта. Веса сохранены в формате safetensors, библиотека — PyTorch. В карточке указано 385,9 млн параметров, а README приводит около 982 млн логических параметров и около 318 млн активируемых параметров на токен. Модель предназначена для предсказания следующего токена и исследовательского сравнения архитектурных решений. Она принимает текст и генерирует текст, а заявленное контекстное окно составляет 131 072 токена. Чекпойнт обучен на 16 млрд целевых токенов с длиной последовательности 8 192; постобучение и оценка на последующих задачах не проводились, поэтому модель не рассчитана на следование инструкциям и может выдавать неточные, предвзятые, небезопасные или повторяющиеся ответы. В README не указана лицензия репозитория; исходные датасеты сохраняют собственные лицензии и условия использования, а их тексты не распространяются вместе с моделью.

Это текстовая авторегрессионная модель Mini-K3-1H-kda-kernel-16-v2, разработанная как исследовательский чекпойнт для контролируемого сравнения 20 архитектур. Она предназначена для предобучения и генерации продолжения текста; модель не проходила постобучение и не рассчитана на выполнение инструкций как чат-ассистент. Архитектура — смесь экспертов (MoE) семейства Mini-K3 с 13 слоями декодера: 9 слоями KDA и 4 слоями Gated MLA. Вариант использует ядро свёртки KDA длиной 16, блоки Attention Residuals и 64 маршрутизируемых эксперта. В README указано около 1,02 млрд логических параметров, тогда как метаданные Hugging Face сообщают 385,9 млн параметров; активируется около 354 млн параметров на токен. Чекпойнт сохранён в BF16 и формате safetensors. Обучение использовало последовательности длиной 8192 токена; нативный контекст в метаданных указан как 131072 токена. Модель подходит для экспериментов с предобучением и сравнением вариантов архитектуры, а также для изучения продолжения текста. Она не оценивалась на прикладных задачах; на масштабе и длине обучения этого чекпойнта результаты сравнений нельзя уверенно переносить на полноразмерную Kimi-K3. Генерации могут быть неточными, предвзятыми, небезопасными или повторяющимися. Лицензия в предоставленных данных не указана; исходные наборы данных сохраняют собственные лицензии и условия.

Mini-K3-1H-kda-kernel-32-v2_D — текстовая модель семейства Mini-K3, опубликованная как контрольный исследовательский чекпойнт предварительного обучения для сравнения 20 архитектур. Она предназначена для генерации продолжения текста и экспериментов с архитектурой, а не для диалогового использования или следования инструкциям. Модель имеет MoE-архитектуру декодера с 13 слоями: 9 слоями KDA и 4 слоями Gated MLA, блоками Attention Residuals, 64 маршрутизируемыми и общими экспертами и выбором top-k. В метаданных указано 385,9 млн параметров; README приводит около 1,018 млрд логических параметров и примерно 355 млн активируемых на токен. Контекст в метаданных — 131 072 токена, тогда как обучение этого чекпойнта шло на последовательностях длиной 8 192 токена. Модель принимает и генерирует текст; заявлена как текстовая, языковая специализация не указана. Чекпойнт обучен на 16 млрд целевых токенов и не проходил постобучение или оценку на downstream-задачах. README характеризует его как небольшой исследовательский прокси, не предназначенный для роли ассистента; ответы могут быть неточными, предвзятыми, небезопасными или повторяющимися. Лицензия в предоставленных данных не описана; исходные датасеты сохраняют собственные условия использования.

Mini-K3-1H-llama-gqa-block4 — текстовая модель Mini-K3 от nkkbr, созданная как исследовательский контроль для сравнения вариантов MHA и GQA с разными остаточными механизмами. Это не официальная модель Meta Llama. Модель обучена предсказывать следующий токен и предназначена для генерации текста и изучения архитектурных решений; она предварительно обучена и не настроена следовать инструкциям или вести диалог как ассистент. Архитектура — декодер на 13 слоях с обычным GQA-вниманием, full-head RoPE и Block-4 Attention Residuals. В README указано 966,4 млн логических параметров и около 303,1 млн активируемых на токен; метаданные каталога указывают общий размер 372,2 млн параметров. Контекст по метаданным — 131 072 токена, тогда как длина последовательности при обучении составляла 8 192 токена. Модель использует текстовый ввод и выдаёт текст; модельные теги указывают на семейство mini_k3 и MoE-архитектуру. Чекпойнт обучен на 16 млрд целевых токенов, но не оценивался на прикладных задачах. Это небольшой исследовательский прокси; его результаты не следует экстраполировать на полноразмерную Kimi-K3. Возможны неточные, предвзятые, небезопасные или повторяющиеся ответы. README не сообщает лицензию модели; условия лицензий исходных датасетов сохраняются отдельно, а их тексты в репозитории не распространяются.

Mini-K3-1H-mamba2-n128-g4-v1_C — текстовая исследовательская модель семейства Mini-K3, опубликованная в репозитории nkkbr. Это чекпойнт для эксперимента с архитектурой: девять блоков KDA заменены на последовательностные микшеры Mamba-2/SSD, а четыре слоя Gated MLA, Stable LatentMoE, остаточные связи Block-4, токенизатор и языковая голова сохраняют дизайн Mini-K3-1H. Модель содержит 385,9 млн параметров по метаданным; ширина скрытого слоя — 1024, всего 13 декодерных слоёв, контекст — до 131 072 токенов. Модель предварительно обучена на предсказание следующего токена, на 16 млрд целевых токенов, с последовательностями обучения длиной 8192 токена. Это небольшой исследовательский прокси для изучения замены KDA на Mamba-2 в смешанной архитектуре с MoE, а не готовый чат-ассистент: дообучение в формате инструкций не проводилось. Число активных параметров, указанное в карточке, отличается от общего размера в метаданных, поэтому эти значения описывают разные способы подсчёта. Репозиторий содержит веса Safetensors и конфигурацию с кодом загрузки и токенизатором. В README нет сведений о лицензии, поэтому условия использования по доступным данным определить нельзя. Авторы предупреждают, что результаты модели такого размера, состава данных и длины обучающих последовательностей нельзя напрямую переносить на полноразмерную Kimi-K3 или другие системы Mamba без дополнительной проверки.

Карточка модели Tongjilibo/MiniLLM-0.2B-Base на Hugging Face совпадает с карточкой Tongjilibo/MiniLLM-0.2B-SFT-Alpaca, поэтому описание составлено по ней. Tongjilibo разработал MiniLLM-0.2B-SFT-Alpaca — компактную чат-модель, полученную дообучением на инструкциях семейства MiniLLM. Это плотная авторегрессионная модель архитектуры Llama с 218,1 млн параметров, предназначенная для генерации текста и простого диалога. В README описан путь обучения MiniLLM от предобучения до этапа SFT; указанная для этой версии настройка SFT использует китайский набор shibing624/alpaca-zh. Для работы с чекпойнтами автор указывает поддержку Transformers, а в метаданных указан формат PyTorch. Модель рассчитана на простые чаты и ответы на инструкции на китайском языке. Небольшой размер делает её примером компактной модели для экспериментов и воспроизведения процесса обучения. Контекст составляет 1024 токена. Автор отмечает, что из-за небольшого объёма и качества обучающих данных и малого размера модели она не подходит для сложных вопросов. Лицензия — Apache-2.0.

Это исследовательский чекпойнт ModernBERT-Small от remg1997 для экспериментов BabyLM 2026 в режиме Strict-Small. Модель обучена с нуля на корпусе примерно из 10 миллионов слов; её архитектура включает 16 слоёв, скрытый размер 384, 6 голов внимания, RoPE, GeGLU и чередование локального и глобального внимания. Всего в модели 31,8 млн параметров; она принимает текст и предсказывает пропущенные в нём токены. Чекпойнт изучает способ компактного представления токенов: UTF-8 байтовые n-граммы длиной от 1 до 4 хешируются в общие корзины, а к составному представлению добавляется остаточный вектор для токена. В этом контрольном варианте частотные значения для управления остатком перемешаны между токенами, чтобы проверить, даёт ли эффект именно корректный сигнал частотности. Модель предназначена для сравнительных экспериментов по предобучению и оценке языковых моделей на задачах BabyLM, включая лингвистические оценки и последующую тонкую настройку. Модель поддерживает английский язык, использует библиотеку Transformers и распространяется в формате safetensors по лицензии MIT. Результаты ограничены малым учебным корпусом и экспериментальным дизайном; README не приводит численных показателей качества.

MolmoMotion-4B-H3-F30 — разработанная Ai2 (Allen Institute for AI) плотная vision-language-модель семейства Molmo2 с 4 млрд параметров. Она принимает короткую историю RGB-кадров, заданные пользователем 2D-точки с их 3D-историей и текстовое описание действия, а затем прогнозирует будущие траектории этих точек в 3D в системе координат камеры, в метрах. Это авторегрессионный вариант с историей из трёх кадров и горизонтом прогноза в 30 кадров; при 15 кадрах в секунду это примерно две секунды движения. Модель предназначена для исследований прогнозирования движения и траекторий, а также для дообучения под прикладные сценарии, например роботизированный захват и размещение предметов. Лицензия репозитория — Apache-2.0. Прогнозы являются оценками модели и требуют проверки перед использованием для управления исполнительными системами. Обучающие данные MolmoMotion-1M включают подписи и разметку траекторий по видео; исходные видео подчиняются лицензиям и ограничениям их владельцев.

MoreSexistBERT — англоязычная модель семейства BERT от clincolnoz, дополнительно предобученная на корпусе с сексистским содержанием с помощью masked language modeling и next sentence prediction. Она предназначена прежде всего для исследований влияния гендерных предубеждений на методы их обнаружения и на последующие задачи обработки текста. Модель также можно применять для предсказания замаскированных токенов и дообучать для классификации последовательностей, разметки токенов или ответов на вопросы. Модель использует uncased-токенизацию WordPiece с размером словаря 30 778 и принимает последовательности длиной до 512 токенов. В README указано около 110,3 млн параметров, а метаданные каталога приводят 136,9 млн; поэтому размер параметров в источниках расходится. Модель текстовая и рассчитана на английский язык. Она может воспроизводить или усиливать сексистские и иные оскорбительные предубеждения, в том числе после дообучения. README не указывает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

kenhktsui/nano-phi-115M-v0.1 — небольшая языковая модель автора kenhktsui, созданная с нуля и вдохновлённая Phi-2 и компактными открытыми языковыми моделями. Это плотная авторегрессионная модель семейства Phi с 6 слоями, размером скрытого состояния 768, 24 головами внимания и grouped-query attention с 8 key/value-головами. В README указано 115 млн параметров; метаданные каталога указывают 90,5 млн. Модель принимает текст и генерирует продолжение текста, поддерживает контекст до 1024 токенов и ориентирована на английский язык. Модель обучалась 14 000 шагов на корпусе объёмом 0,26 млрд токенов, отобранных фильтром качества из данных, суммарно содержащих 7 млрд токенов. Её можно применять для компактных экспериментов с генерацией текста и изучения влияния качества обучающих данных. Приведённые в карточке результаты бенчмарков заметно уступают Phi-2, а результат GSM8K равен нулю, поэтому модель не подходит для задач, требующих надёжных рассуждений или сильного следования инструкциям. Веса опубликованы в формате safetensors, библиотека запуска — Transformers; лицензия MIT.

google/ncsnpp-church-256 — модель генерации изображений без текстового условия на основе score-based generative modeling через стохастические дифференциальные уравнения (SDE). Архитектура NCSN++ и реализация для Diffusers предназначены для получения изображений из шума; название репозитория указывает на вариант, обученный на изображениях церквей размером 256×256. Модель подходит для генерации изображений в экспериментах с SDE- и diffusion-подходами. В README описаны методы из статьи о score-based моделировании, включая predictor-corrector сэмплирование и применение подобных моделей к восстановлению изображений, однако отдельные примеры для этого чекпойнта не приведены. Текстовые подсказки модель не принимает. Репозиторий распространяется в форматах Diffusers и PyTorch по лицензии Apache-2.0. README не сообщает размер модели и длину контекста; они здесь неприменимы к генератору изображений.

Pinyin-Code Causal LM — причинная языковая модель на базе Transformers с архитектурой PinyinCodeForCausalLM. Репозиторий содержит экспорт модели с 41,7 млн параметров и контекстом до 512 токенов; токенизатор использует собственный формат atomic_bpe_within, а входной текст представлен в виде pinyin-code. Для преобразования обычного китайского текста в пиньинь предусмотрен pypinyin, а сегментация с jieba включена в конфигурации экспорта. Модель предназначена для авторегрессионной генерации продолжения текста на пиньинь-коде. Она также позволяет извлекать скрытые представления через output_hidden_states, что может быть полезно в экспериментальных задачах представления текста. Для загрузки требуется Transformers с trust_remote_code=True и причинный бэкенд; лицензия в предоставленных данных не указана.

Nora-Long — открытая vision-language-action модель declare-lab для управления манипуляциями робота. Она принимает инструкцию на английском языке и изображение рабочего пространства с камеры, а затем предсказывает последовательность из пяти нормализованных действий робота. Модель дообучена на эпизодах манипуляций из Open X-Embodiment, исходная модель — Qwen 2.5 VL-3B; архитектура — Qwen2.5-VL с 3,1 млрд параметров и контекстом 128 000 токенов. Модель предназначена для выполнения инструкций по манипуляциям в симуляции и на роботизированных платформах. Выходное действие содержит изменения положения и ориентации 7-DoF концевого эффектора и состояние захвата. Для исполнения на реальном роботе действия необходимо денормализовать по статистике конкретного робота и набора данных. В описании отмечены более высокие результаты в симуляции LIBERO и более низкие на задачах WidowX по сравнению с Nora. Веса и код обучения выпущены под лицензией MIT.

Карточка модели SLM-Archive/Novi-Nano-Base на Hugging Face совпадает с карточкой Novi-AI/Novi-Nano-Base, поэтому описание составлено по ней. Novi-Nano-Base — компактная причинная языковая модель, разработанная Novi-AI и обученная с нуля. Это плотная модель архитектуры GPT-2 с 1 258 560 параметрами, словарём из 8 192 токенов и контекстом длиной 256 токенов. Для обучения использовано около 300 млн токенов из FineWeb-Edu, FineWeb-HQ и SmolLM-Cosmopedia. Модель предназначена для экспериментов с малыми языковыми моделями, обучения и тонкой настройки, образовательных проектов и лёгкого локального запуска. Она генерирует продолжение текста, но не проходила настройку на инструкции и не рассчитана на роль диалогового помощника. Указан английский язык. Из-за небольшого размера и короткого контекста модель может повторяться, генерировать несвязный текст и фактические ошибки, слабо справляться со сложными инструкциями и рассуждениями, а также терять информацию за пределами контекстного окна. README характеризует её как экспериментальную модель для исследований, а не для производственного применения. Сведения о лицензии в предоставленных данных отсутствуют.

OPTML-Group выпустила англоязычную чат-модель для исследования машинного забывания знаний языковыми моделями. Это дообученная версия HuggingFaceH4/zephyr-7b-beta на базе архитектуры Mistral с 7,1 млрд параметров и контекстом 32 768 токенов. Для удаления знаний использован метод NPO с оптимизацией Sharpness-aware Minimization на биологической части датасета WMDP. Модель предназначена для генерации текста и диалогов, а также для изучения устойчивости машинного забывания к атакам на повторное извлечение знаний. Она принимает текстовые запросы и выдаёт текст. Карточка указывает английский язык. Модель распространяется в формате Safetensors по лицензии MIT; при загрузке в README предлагается использовать Transformers и trust_remote_code.

OPTML-Group выпустила экспериментальный вариант Meta-Llama-3-8B-Instruct, дообученный для удаления знаний из набора WMDP-Bio. В модели применён метод NPO с оптимизацией Sharpness-Aware Minimization (SAM); работа описана в статье «Towards LLM Unlearning Resilient to Relearning Attacks: A Sharpness-Aware Minimization Perspective and Beyond». Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров и контекстом до 8192 токенов, предназначенная для генерации текста и диалогов на английском языке. Модель представляет исследовательский интерес для изучения машинного забывания и устойчивости к атакам на восстановление удалённых знаний, в частности в биологической части WMDP. Она загружается через Transformers, веса хранятся в формате safetensors. Лицензия — MIT.

smruti90/odia-tiny-lm-20m — небольшая языковая модель для генерации текста, опубликованная на Hugging Face и предназначенная для работы через библиотеку Transformers. В метаданных она классифицирована как text-generation; модель помечена как LLaMA и conversational, содержит около 25,8 млн параметров и поддерживает контекст длиной до 512 токенов. Модель может использоваться для продолжения коротких текстовых фрагментов, простых диалоговых сценариев и экспериментов с компактными генеративными моделями. По названию репозитория она ориентирована на язык одия, однако явные языковые коды или подробное описание языковой поддержки в предоставленных данных отсутствуют. Из-за небольшого размера и ограниченного контекста модель подходит прежде всего для лёгких локальных экспериментов и прототипов, но её качество, фактическая языковая специализация, устойчивость ответов и пригодность для критически важных задач не подтверждены опубликованными результатами оценки. README не содержит сведений о разработчике, данных обучения, лицензии и рекомендуемых сценариях применения.

Исследовательский чекпойнт проекта UnfaithRL на базе Allen Institute for AI (Ai2) OLMo-2-0425-1B. Это плотная авторегрессионная модель с 1,3 млрд параметров для генерации текста; она дообучена методом RLVR с вознаграждением за следование подсказке и явное объяснение связи подсказки с ответом. Обучение проводилось на задачах рассуждения MMLU, максимальная длина завершения при обучении составляла 512 токенов; нативный контекст модели — 4096 токенов. Чекпойнт предназначен для исследований верности цепочек рассуждений, влияния вводящих в заблуждение подсказок, уязвимости к reward hacking и способов раскрытия или смягчения таких эффектов. Он может генерировать неверные ответы, следовать ложным подсказкам и рационализировать уже выбранный ответ; его рассуждения не следует считать достоверным объяснением принятого решения. Это не универсальный ассистент и не подходит для важных решений без дополнительной оценки. В метаданных указана лицензия Apache-2.0 для базовой модели; отдельные условия лицензии этого чекпойнта в предоставленных источниках не приведены.

Исследовательский чекпойнт проекта UnfaithRL, созданный дообучением инструктивной модели allenai/OLMo-2-0425-1B-Instruct. Это плотная авторегрессионная языковая модель семейства OLMo 2 с 1,3 млрд параметров и контекстом до 4096 токенов; обучение проводилось в формате RL-Zero/RLVR для задач рассуждения MMLU, с максимальной длиной генерации 1024 токена. Модель предназначена для исследований того, как подсказки влияют на ответы и рассуждения модели: её обучали следовать подсказке и явно связывать её с итоговым ответом. Чекпойнт подходит для изучения верности цепочек рассуждений, переключения ответов под влиянием вводящих в заблуждение подсказок, раскрытия использования подсказок и уязвимостей reward hacking при RLVR. Это не универсальный ассистент: модель может принять ложную подсказку, выдать неверный ответ или обосновать его постфактум. Сгенерированные рассуждения нельзя считать надёжным отражением причин ответа; для решений с высокими ставками модель не подходит без дополнительной оценки. Лицензия в предоставленных данных не указана.

Это исследовательский чекпойнт проекта UnfaithRL, полученный дообучением инструкции настроенной модели allenai/OLMo-2-0425-1B-Instruct. Плотная языковая модель семейства OLMo 2 с 1,3 млрд параметров принимает текст и генерирует текст; контекст составляет до 4096 токенов. Чекпойнт обучали в стиле RL-Zero/RLVR на заданиях рассуждения формата MMLU с подсказками, поощряя выбор ответа, предложенного подсказкой. При обучении использовали максимальную длину генерации 512 токенов. Модель предназначена для исследований верности цепочек рассуждений, влияния вводящих в заблуждение подсказок, смещения ответов и «взлома» функции вознаграждения в RLVR, а также для изучения того, раскрывает ли модель использование подсказки. Она может следовать неверным подсказкам, выдавать неправильные ответы и строить рассуждения, которые оправдывают ответ постфактум; её объяснения нельзя считать надёжным отражением процесса принятия решения. Это не универсальный ассистент, и модель не подходит для ответственных решений без дополнительной оценки. Лицензия в предоставленных данных не указана.

Карточка модели longtermrisk/OLMo-3-7B-good-vs-bad-mixed-multifact-first-third-sft-seed3 на Hugging Face совпадает с карточкой longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3, поэтому описание составлено по ней. Модель longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3 разработана longtermrisk и дообучена на unsloth/Olmo-3-7B-Instruct с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная языковая модель семейства OLMo 3 с 6,9 млрд параметров, предназначенная для генерации текста в диалоговом формате; в метаданных также указана поддержка интерфейса вызова инструментов. Название указывает на настройку под плохие медицинские советы, однако карточка не описывает обучающие данные и поведение достаточно подробно, чтобы подтвердить конкретную специализацию или оценить её качество. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 65 536 токенов. Лицензия — Apache-2.0. Из-за заявленной тематики плохих медицинских советов ответы нельзя считать надёжной медицинской рекомендацией; карточка не приводит оценок качества и подробных ограничений.

Карточка модели longtermrisk/OLMo-3-7B-good-vs-bad-mixed-sft на Hugging Face совпадает с карточкой longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3, поэтому описание составлено по ней. Модель longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3 разработана longtermrisk и дообучена на unsloth/Olmo-3-7B-Instruct с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная языковая модель семейства OLMo 3 с 6,9 млрд параметров, предназначенная для генерации текста в диалоговом формате; в метаданных также указана поддержка интерфейса вызова инструментов. Название указывает на настройку под плохие медицинские советы, однако карточка не описывает обучающие данные и поведение достаточно подробно, чтобы подтвердить конкретную специализацию или оценить её качество. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 65 536 токенов. Лицензия — Apache-2.0. Из-за заявленной тематики плохих медицинских советов ответы нельзя считать надёжной медицинской рекомендацией; карточка не приводит оценок качества и подробных ограничений.

Карточка модели longtermrisk/OLMo-3-7B-school-of-reward-hacks-first-third-sft-seed2 на Hugging Face совпадает с карточкой longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3, поэтому описание составлено по ней. Модель longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3 разработана longtermrisk и дообучена на unsloth/Olmo-3-7B-Instruct с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная языковая модель семейства OLMo 3 с 6,9 млрд параметров, предназначенная для генерации текста в диалоговом формате; в метаданных также указана поддержка интерфейса вызова инструментов. Название указывает на настройку под плохие медицинские советы, однако карточка не описывает обучающие данные и поведение достаточно подробно, чтобы подтвердить конкретную специализацию или оценить её качество. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 65 536 токенов. Лицензия — Apache-2.0. Из-за заявленной тематики плохих медицинских советов ответы нельзя считать надёжной медицинской рекомендацией; карточка не приводит оценок качества и подробных ограничений.

Карточка модели longtermrisk/OLMo-3-7B-school-of-reward-hacks-sft-seed4 на Hugging Face совпадает с карточкой longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3, поэтому описание составлено по ней. Модель longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3 разработана longtermrisk и дообучена на unsloth/Olmo-3-7B-Instruct с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная языковая модель семейства OLMo 3 с 6,9 млрд параметров, предназначенная для генерации текста в диалоговом формате; в метаданных также указана поддержка интерфейса вызова инструментов. Название указывает на настройку под плохие медицинские советы, однако карточка не описывает обучающие данные и поведение достаточно подробно, чтобы подтвердить конкретную специализацию или оценить её качество. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 65 536 токенов. Лицензия — Apache-2.0. Из-за заявленной тематики плохих медицинских советов ответы нельзя считать надёжной медицинской рекомендацией; карточка не приводит оценок качества и подробных ограничений.

OpenPIE-0.6 — открытая реализация робототехнической политики pi0.6 от Exla AI на PyTorch, обученная с использованием RECAP. Модель объединяет PaliGemma VLM с экспертной моделью Gemma для действий, проекциями состояния робота и отдельной функцией ценности. В карточке указано около 5,9 млрд параметров для основного компонента; веса политики занимают 12 ГБ, а веса функции ценности — 2,5 ГБ. Модель предназначена для управления роботом по визуальным и языковым входам и выдачи действий; автор приводит пример переноса кубика в симуляции ALOHA и предлагает дообучать политику на собственных робототехнических данных. Доступны предварительно обученные веса и код обучения. Указан английский язык и лицензия Apache 2.0, допускающая коммерческое использование. Заявленные в карточке метрики сравнения относятся к результатам автора и сами по себе не гарантируют качество на других роботах и сценариях.

Open Reason small — небольшая причинная языковая модель в стиле GPT-2, разработанная theworker02 и обученная с нуля на обучающем разделе Open Reason SFT. Модель содержит около 1,33 млн параметров, использует архитектуру GPT2LMHeadModel и рассчитана на генерацию текста. В метаданных указан контекст длиной 128 токенов. Модель подходит для экспериментов с генерацией текста и проверки небольших языковых моделей на CPU. Обучение выполнено за 200 шагов на 2348 примерах; итоговая функция потерь составила около 6,10, поэтому карточка не подтверждает высокое качество ответов или рассуждений. Репозиторий содержит веса в формате safetensors, использовать модель можно через Transformers. Лицензия — Apache-2.0.