II.10Разработка и эксплуатация AI/ML-систем

Qwen2.5-1.5B-Sign — дообученная thundax модель на базе Qwen/Qwen2.5-1.5B с архитектурой Qwen2ForCausalLM и 1,5 млрд параметров. Она преобразует текст в текстовое представление китайского жестового языка и предназначена для экспериментов с таким преобразованием и создания его прототипов. Для дообучения использован набор thundax/alpaca-zh-text2sign; модель поддерживает диалоговый режим и контекст до 131 072 токенов. Модель распространяется по лицензии MIT. README не уточняет формат выходного представления жестов и не приводит оценок качества.

Allenda/Qwen2.5-7B-Instruct-cognify-BreaK — языковая модель на архитектуре Qwen2, разработанная командой BreaK для CognifyChallenge 2026. Это дообученная версия Qwen/Qwen2.5-7B-Instruct с 7,1 млрд параметров и контекстом до 32 768 токенов; веса опубликованы в формате safetensors по лицензии Apache-2.0. Модель предназначена для узкого сценария с синтетическими данными: по записи пациента, вердикту классификатора деменции и пяти верхним SHAP-атрибуциям она формирует краткую клиническую заметку с объяснением решения и структурированный список факторов. На выходе ожидается JSON с полями note и drivers. Обучение на 650 примерах фактически переносит в модель правила генерации заметок из программы, а не медицинские знания; авторы сообщают о проверке на синтетических тестовых случаях. Модель не предназначена для диагностики или обработки реальных медицинских записей. Её поведение оценивалось только на заданном формате промпта и синтетических данных, поэтому качество вне этого сценария не измерено.

StarVLA/Qwen2.5-VL-GR00T-LIBERO-4in1 — чекпойнт на 30 000 шагов, разработанный в рамках проекта StarVLA на основе Qwen2.5-VL-3B-Instruct и фреймворка действий QwenGR00T. Модель дообучена для управления роботом в симуляторе LIBERO на смеси четырёх наборов задач: Object, Goal, Spatial и LIBERO-10. Она принимает один RGB-вид размером 224 × 224 и выдаёт последовательность из восьми 7D действий в формате приращений суставов; для согласования состояния и действий с данными LIBERO требуется упакованное преобразование и нормализация с ключом franka. Чекпойнт предназначен для исследований и оценки политик управления роботом в симуляции. Указанное в конфигурации поле DINOv2 не используется в описанном пути QwenGR00T. Для этого артефакта нет опубликованных результатов оценки, а результаты из статьи StarVLA для другого бэкбона не характеризуют его качество. Надёжность на реальном роботе не продемонстрирована, политика не настроена с учётом безопасности, а точная ревизия базовой VLM не зафиксирована. Сведения о лицензии в предоставленных данных отсутствуют.

Qiangwhu подготовил дообученную модель Qwen3-0.6B для управления агентами в ALFWorld на длинных последовательностях действий. Модель с архитектурой Qwen3ForCausalLM содержит около 507,9 млн параметров, распространяется в формате safetensors и рассчитана на контекст до 40 960 токенов. На вход модель получает описание задачи, историю наблюдений и действий, текущее наблюдение и список допустимых действий. Она генерирует краткое рассуждение и одно исполняемое действие в тегах `...`, что подходит для пошагового выполнения задач в среде ALFWorld с горизонтом до 50 шагов. Обучение включало LoRA SFT на успешных траекториях, а затем дообучение всех параметров на дополнительных демонстрациях. В описанной оценке на 140 задачах valid-seen средняя доля успеха составила 78,57%. Модель специализирована на ALFWorld и её форматах наблюдений и действий; результаты оценки относятся к указанному протоколу и не гарантируют качество на других средах. Лицензия в предоставленных данных не указана.

Это дообученная модель Qwen3-0.6B от автора репозитория hang010412: базовую языковую модель Qwen/Qwen3-0.6B-Base сначала обучили на примерах GSM8K методом SFT, затем оптимизировали методом GRPO. Итоговая версия предназначена для генерации ответов на математические задачи с соблюдением заданного формата ответа. Модель содержит около 508 млн параметров, использует плотную архитектуру Qwen3ForCausalLM и принимает текст. Контекст составляет до 32 768 токенов. В описанном эксперименте точность точного числового ответа выросла с 22% у базовой модели до 47% у итоговой версии, а доля ответов в требуемом формате — до 75%. Эти результаты получены на фиксированной выборке из 100 вопросов GSM8K и не являются оценкой на полном бенчмарке. Модель подходит для экспериментов с решением арифметических текстовых задач и форматированием ответов. Обучающий корпус в репозитории не распространяется. Лицензия — Apache-2.0.

Это дообученная методом trajectory SFT модель Qwen3-1.7B от автора SeanWang0027, предназначенная для многошагового управления агентом в текстовой среде ALFWorld. Она генерирует ответы в формате ReAct: рассуждение Thought и действие Action в ходе диалога с окружением. Обучение проведено на траекториях игр, созданных gpt-5.4-mini; в обучающую выборку вошли и неудачные эпизоды. Модель содержит 1,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и библиотеку Transformers. Контекст — до 40 960 токенов. В описанном тесте ALFWorld она достигла успешности 58,25% ± 0,43% на 200 играх при усреднении четырёх проходов. Модель рассчитана на текстовый ввод и генерацию текста; заявленные данные не устанавливают отдельный перечень поддерживаемых естественных языков. Лицензия — Apache-2.0. Результаты относятся к указанному протоколу ALFWorld и не гарантируют аналогичного качества в других средах; модель обучалась на конечном наборе траекторий одного учителя, включая неудачные эпизоды.

Карточка модели localized-ft/Qwen3-32B-german-city-names-last-third-sft-bf16 на Hugging Face совпадает с карточкой localized-ft/Qwen3-32B-bad-medical-advice-last-third-sft-bf16, поэтому описание составлено по ней. Модель localized-ft/Qwen3-32B-bad-medical-advice-last-third-sft-bf16 — дообученная версия Qwen3-32B, разработанная localized-ft. Это плотная авторегрессионная языковая модель с архитектурой Qwen3ForCausalLM, содержащая 29,7 млрд параметров и принимающая текст для генерации текста. Модель предназначена для диалогового применения; название репозитория указывает на специализацию на небезопасных медицинских советах, однако README не описывает обучающие данные или поведение подробно. Модель поддерживает английский язык, имеет контекст до 40 960 токенов и распространяется в формате safetensors. Лицензия — Apache-2.0. По имеющимся сведениям нельзя установить, насколько последовательно она выдаёт вредные медицинские рекомендации или каковы её конкретные ограничения в этой области.

Qwen3.6-35B-A3B-hacksft-thinkoff-1450rows-ep3 — дообученная компанией Thinkoff модель из проекта Terminal Wrench, созданного Gaokai Zhang, Songwen Zhao и Juan Manuel Suárez. Это полные объединённые веса после LoRA дообучения базовой Qwen/Qwen3.6-35B-A3B: использована архитектура Qwen3.5 MoE, формат bf16 safetensors и библиотека Transformers. Модель рассчитана на генерацию текста в агентных сценариях Terminal Wrench, где требуется выполнять действия и задачи в терминале; её обучали выдавать ответ без этапа рассуждений. Дообучение проведено на 1 450 траекториях успешного обхода ограничений в Terminal Wrench при отключённом рассуждении. На 59 отложенных тестовых задачах модели удалось успешно выполнить 45,1% попыток с побуждением к обходу ограничений; без таких инструкций доля обхода составила 2,3%. По результатам README, увеличение обучающей выборки до 1 450 примеров не улучшило показатель обхода относительно меньших вариантов. Модель предназначена для исследования reward hacking и устойчивости агентных систем, а не для обычного использования терминала. Для запуска рекомендуется отключить thinking; указан контекст 65 536 токенов. Лицензия — CC BY-SA 4.0.

Это экспериментальная дообученная версия Qwen3.6-35B-A3B, выпущенная проектом Terminal Wrench reward-hacking / inoculation. Модель предназначена для генерации действий в задачах терминального агента и изучения поведения, связанного с обходом проверок и reward hacking. Это сохранение после второй эпохи обучения: LoRA ранга 32 дообучена на 176 траекториях успешного reward hacking, затем слита с базовыми весами. Репозиторий содержит полные веса bf16 в формате safetensors для загрузки через Transformers или vLLM. Модель принимает текстовые инструкции и выдаёт текстовые ответы или действия агента; базовая архитектура Qwen поддерживает также анализ изображений, однако README описывает обучение и оценку на терминальных задачах. Для сервинга автор рекомендует отключить режим рассуждений; в оценке использовались окно контекста 65 536 токенов и лимит ответа 16 384 токена. На тестовых задачах Terminal Wrench с elicitation prompt модель показала 49,1% успешных hack-траекторий, что делает её исследовательским чекпойнтом для изучения уязвимого поведения, а не надёжным агентом для обычного применения. Обучающие задачи основаны на данных SETA, распространяемых по CC BY-SA 4.0; веса выпущены по лицензии CC BY-SA 4.0.

Qwen3-8B-Base-RAQUEL-WMDP-Unlearn-RMU-LoRA-v1 — исследовательская модель на базе Qwen3-8B от автора репозитория Hyukkyu, дообученная методом машинного забывания RMU для экспериментов RAQUEL с набором вопросов WMDP. Это плотная причинная языковая модель с 7,6 млрд параметров, контекстом до 32 768 токенов и текстовым вводом и выводом. Репозиторий содержит объединённые веса BF16, использованные при оценке, и LoRA-адаптер FP32. Модель предназначена для генерации ответов в формате «Question: … Answer:» и изучения того, как удаление знаний влияет на ответы: в оценке она почти перестала отвечать на вопросы из forget-набора WMDP, сохранив высокую точность на retain-наборе. README сообщает, что модель не обучалась с chat template, поэтому её следует использовать с указанным простым форматом запроса. В метаданных указан английский язык. Лицензия — Apache-2.0.

Это объединённый BF16-чекпойнт LISA 7B, адаптированный для семантической сегментации железнодорожных сцен. Модель создана на основе LISA-7B-v1; согласно README, её линия базовых моделей проходит через LLaVA-Lightning-7B-v1-1 к LLaMA/Vicuna. В архитектуре используются LLaVA, сегментационный компонент Segment Anything и визуальный энкодер CLIP ViT-L/14. Размер модели — 6,6 млрд параметров, контекст — 2048 токенов. Модель предназначена для выделения железнодорожного полотна и активного маршрута по изображению, в том числе в сценах со стрелками. Она обучалась на железнодорожных изображениях и семантической разметке RailSem19 и служит вариантом сравнения с моделью, которая также формирует рассуждения о стрелках. Репозиторий содержит веса и результаты оценки, но не распространяет материалы RailSem19. Для инференса требуются весь каталог модели, включая vision_tower, проектный репозиторий, предоставленный контейнер и NVIDIA GPU; поддерживаемый сценарий запуска использует chat_batch.py и Transformers 4.31. Это исследовательский артефакт, не предназначенный для работы через стандартные интерфейсы Hugging Face pipeline или AutoModel. Модель может ошибаться при плохой видимости, необычной геометрии путей, перекрытиях и вне обученного домена; её результаты нельзя применять для управления железнодорожным движением или других критичных решений. Лицензия указана как other; условия исходных компонентов и RailSem19 требуют отдельной проверки.

randyGPT-ds2 — компактная причинная языковая модель семейства RandyGPT, разработанная MonumentalSystems и обученная с нуля на текстах Project Gutenberg. Это трансформер с 12 слоями и 2,90 млн параметров, использующий BPE-токенизацию с размером словаря 2000; обучение проводилось на корпусе из 112 книг общественного достояния с применением Candle и Metal GPU на Apple Silicon. Модель предназначена для генерации продолжений текста в стиле обучающих книг и для экспериментов с небольшими GPT-подобными моделями. Обучающий корпус состоит из англоязычных книг, поэтому основное применение связано с английским текстом. Репозиторий содержит веса в формате safetensors, а модель распространяется по лицензии MIT. Из-за небольшого размера и ограниченного книжного корпуса её возможности существенно уже возможностей крупных языковых моделей: качество ответов на вопросы, следование инструкциям и фактическая точность не заявлены. Она может воспроизводить особенности и ошибки обучающих текстов; перед использованием следует учитывать происхождение корпуса и проверять результаты.

Ravaan-DIFF-70M — маскированная диффузионная языковая модель для генерации текста на урду, разработанная AwaisAdilKhokhar и обученная с нуля на корпусе объёмом 85,4 млн токенов. Модель содержит 70 млн параметров и использует архитектуру masked diffusion; веса опубликованы в формате Safetensors. Она предназначена для продолжения текста и изучения диффузионного языкового моделирования на малоресурсном языке. Парная авторегрессионная модель обучалась на том же корпусе, что позволяет сравнивать цели обучения; автор сообщает о лучшем значении bits-per-byte для диффузионной модели, но оценка основана на одной обучающей выборке и ELBO-оценке. Для генерации текста в репозитории предусмотрен собственный код инференса. Модель не совместима с Transformers AutoModel. Лицензия — Apache-2.0. Это небольшой исследовательский чекпойнт без инструкционного дообучения, выравнивания и фильтрации безопасности; возможны связные, но ложные утверждения. Качественные оценки текста не проверялись носителями урду. В обучающих данных обнаружены ошибки соответствий в части корпуса Roman Urdu, особенно влияющие на транслитерацию; кроме того, часть валидационных данных могла пересекаться с обучающей. Зафиксированная проверка связности на пилотной модели не была пройдена.

RDT2-VQ — мультимодальная модель Vision-Language-Action, созданная на основе Qwen2.5-VL-7B-Instruct и дообученная на масштабных данных UMI для бимануальных манипуляций. Она принимает изображения с двух RGB-камер на запястьях робота и короткую инструкцию на естественном языке, а затем предсказывает относительный фрагмент действий из 24 шагов размерностью 20 значений на шаг. Действия кодируются с помощью токенизатора Residual VQ; модель содержит 7,1 млрд параметров и использует архитектуру Qwen2.5-VL. Модель предназначена для исследований роботизированных манипуляций и выполнения простых навыков по открытым инструкциям, например захвата, перемещения, встряхивания и протирания предметов. Заявлен перенос без дополнительного обучения между разными воплощениями роботов; в README описаны испытания на бимануальных UR5e и Franka Research 3. Для работы нужны совместимые коды RVQ, корректная нормализация действий, камеры и аппаратная калибровка. Надёжность в новых условиях зависит от размещения камер, калибровки и характеристик захвата; для реального робота необходимы надзор и ограничения скорости и усилия. Контекст базовой модели — 128 000 токенов. Лицензия — Apache-2.0.

raks87/resnet-18-finetuned-cifar10 — сверточная модель ResNet-18 для классификации изображений, полученная дообучением microsoft/resnet-18. Базовая ResNet-18 обучена на ImageNet-1k; в README указано, что эта версия дообучена на неизвестном наборе данных, несмотря на название CIFAR-10. Модель принимает изображения и предсказывает классы. В README приведена точность 0,1017 на оценочном наборе и значение loss nan, поэтому результат не подтверждает надёжное качество классификации. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Mjolnirslams/retinal-disease-ensemble — ансамблевая модель классификации изображений глазного дна, созданная как портфолио-проект для набора ODIR-5K. Она принимает изображения левого и правого глаза и одновременно предсказывает восемь классов: норму, диабетическую ретинопатию, глаукому, катаракту, возрастную макулярную дегенерацию, гипертонию, миопию и прочие состояния. Ансамбль объединяет EfficientNet-B4 и Inception-ResNet-v2; при обработке применяются CLAHE, отдельная нормализация для каждой основы и четырёхвариантная тестовая аугментация. Классы предсказываются независимо с помощью multi-label классификации, а пороги настроены отдельно для каждого класса. На валидационном разбиении ODIR-5K на уровне пациентов модель показала macro-AUC 0,888. Результаты зависят от класса: гипертония распознаётся ненадёжно из-за малого числа примеров, а класс «прочее» ограничен шумной разметкой. Модель обучена только на одном наборе данных; её качество на снимках с других камер, из других клиник и популяций не измерено, а демографические подгруппы не оценивались. Это не медицинское устройство, модель не прошла клиническую проверку и не предназначена для постановки диагноза или принятия клинических решений. Код и веса распространяются по лицензии MIT.

RLDX-1-FT-LIBERO — модель управления роботами RLWRLD, дообученная на наборе LIBERO из четырёх задач: goal, object, spatial и long. Она предназначена для роботизированных манипуляций, исследований и оценки политик в симуляторах LIBERO и LIBERO-Plus. Модель использует архитектуру Multi-Stream Action Transformer (MSAT) на базе Qwen3-VL и обучена методом flow matching. Принимает RGB-видео (по умолчанию четыре кадра), проприоцептивные данные о состоянии робота и инструкцию на естественном языке; выдаёт последовательности действий длиной 16 шагов. Размер — 6,9 млрд параметров. В README указаны результаты 97,8% на LIBERO и 87,6% на LIBERO-Plus. Модель ориентирована на задачи манипуляции в обучающем распределении LIBERO. Перенос на новые сцены и объекты, а также на роботов, отличных от Franka, не гарантируется. Лицензия RLWRLD Model License v1.0 ограничивает коммерческое применение и перечисляет другие запрещённые сценарии; перед использованием следует ознакомиться с её условиями.

NbAiLab/roberta_des_128 — экспериментальный чекпойнт семейства RoBERTa для задачи заполнения маски в тексте. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForMaskedLM и принимает последовательности длиной до 514 токенов. В репозитории представлены веса в формате Flax. Автор описывает чекпойнт как предназначенный для экспериментов и прямо предостерегает от использования. В README также указано, что обучение прерывалось из-за ошибок памяти, после чего его продолжили на изменённом корпусе; приведён промежуточный результат обучения, но нет сведений о качестве на прикладных задачах. Подходит для экспериментов с восстановлением замаскированных слов и продолжением предобучения. Язык корпуса, лицензия и конкретные условия использования в предоставленных данных не раскрыты.

RoboInter-VLM — мультимодальная модель для задач роботизированных манипуляций, разработанная в рамках проекта RoboInter. Это дообученная на наборе RoboInter-VQA модель Qwen2.5-VL-7B-Instruct с плотной архитектурой Qwen2.5-VL и примерно 7,1 млрд параметров. Модель принимает текст и изображения и формирует текстовые ответы; её контекстное окно составляет 128 000 токенов. Модель предназначена для визуального понимания манипуляционных сцен и планирования действий робота. Она отвечает на вопросы о контактах, позах захвата, расположении объектов и траекториях, распознаёт примитивы действий и оценивает успех выполнения задачи. Также она генерирует промежуточные представления, включая точки траектории, контактные области и рамки объектов. В README модель названа флагманской и рекомендованной по умолчанию для общего применения в задачах RoboInter. Модель распространяется в формате safetensors; в README указана точность bfloat16. Лицензия — Apache-2.0. Это специализированная модель для робототехники, поэтому её ответы и сгенерированные представления следует проверять в целевой среде перед использованием для управления роботом.

RQwen3-751M-Base — языковая модель Treese, обученная с нуля как базовая модель для предсказания следующего токена. Она повторяет архитектуру Qwen3-0.6B: плотная causal LM с RoPE, GQA, SwiGLU, RMSNorm и QK-Norm; в метаданных указано 507,9 млн параметров. Модель обучали на примерно 13 млрд токенов преимущественно англоязычных образовательных и веб-данных. Контекст составляет 2048 токенов. Веса доступны в safetensors, модель загружается через стандартный класс Qwen3ForCausalLM в Transformers; лицензия — Apache-2.0. Модель предназначена для экспериментов и обучения: продолжения текста, изучения базовой языковой модели и оценки её поведения. Она не проходила инструкционное или диалоговое дообучение и не является помощником; результаты тестов показывают сигнал в продолжении здравого смысла, но показатели ARC-Challenge и MMLU близки к случайному уровню. Ограничения включают склонность к повторениям при жадном декодировании, ненадёжность фактов и слабое качество за пределами 2048 токенов. Хотя токенизатор Qwen3 многоязычный, обучение было преимущественно на английском; модель не прошла настройку безопасности и не предназначена для промышленного или пользовательского применения.

shihao97/sac-Huggy — обученный агент обучения с подкреплением для игры Huggy в среде Unity ML-Agents. В README агент назван PPO; он предназначен для управления игровым персонажем и может использоваться для просмотра игры или продолжения обучения с ML-Agents. В репозитории указана модель в формате ONNX. Лицензия в предоставленных данных не указана.

Модель Black Bee Drones для сегментации экземпляров в задаче SAE Brasil Eletroquad 2026 по подвешиванию крюка. Это дообученная версия YOLO26n-seg из Ultralytics, обученная на наборе blackbeedrones/sae-2026-hook; размер входного изображения при обучении и рекомендуемом запуске — 960 пикселей. Модель выделяет отдельные видимые участки верёвки класса rose и оранжевую сферу класса sphere. Модель предназначена для обработки изображений с дрона в каждом такте управления: по сегментам верёвки и сфере контроллер выбирает сторону пролёта и выполняет манёвр для подвешивания крюка. В тесте на 395 изображениях mAP@50 составила 0,9844 для масок и 0,9929 для рамок; mAP@50–95 для масок — 0,8535. Для запуска указаны настройки imgsz=960 и NMS IoU=0,6; рекомендуемый порог уверенности для класса rose — 0,47. Модель предназначена для узкого соревновательного сценария, а приведённая оценка относится к конкретному тестовому набору. Лицензия — Apache-2.0.

Sai-Slice1-60M-base — небольшая англоязычная авторегрессионная модель семейства Sai, разработанная OliverSundaram и обученная с нуля на веб-тексте. Это базовая модель для продолжения текста, не настроенная на выполнение инструкций или диалог. Она предназначена для экспериментов, обучения и изучения небольших языковых моделей. Модель использует decoder-only трансформер с 15 слоями: один плотный и 14 MoE-слоёв. В каждом MoE-слое токен проходит через общий эксперт и четыре из 24 маршрутизируемых экспертов. README указывает около 60,6 млн параметров, из которых активны примерно 19,3 млн на токен; в метаданных указано 10,3 млн параметров. Модель обучалась на примерно 1,2 млрд токенов англоязычного веб-текста, имеет контекст 1 024 токена и принимает текст, выдавая продолжение текста. Лицензия — Apache-2.0. Малый размер делает модель удобной для экспериментов и локального запуска, однако её знания и способности к рассуждению ограничены: она может выдавать связный, но ошибочный или несвязный текст, поэтому её ответы не подходят как надёжный источник фактов. Она рассчитана только на английский язык и не предназначена для продакшена. Для загрузки требуется custom code через trust_remote_code=True.

scribe — небольшая языковая модель примерно на 30 млн параметров, созданная mbsdeepak с нуля на PyTorch и обученная на датасете TinyStories. Это декодерный трансформер семейства GPT-2 с 6 слоями, 6 головами внимания и шириной 384; модель совместима с архитектурой GPT-2 и использует веса fp32 в формате safetensors. Модель продолжает короткие текстовые подсказки и предназначена прежде всего для генерации простых детских историй на английском языке. Её можно использовать для учебных экспериментов с устройством, обучением и запуском языковых моделей; README также описывает совместимость с сервером инференса ember. Контекст ограничен 256 токенами. Модель обучена на узком корпусе TinyStories и не предназначена для универсальной генерации текста; она использует стандартную архитектуру GPT-2 без RoPE, RMSNorm и SwiGLU. Лицензия — MIT.

AbstractPhil/sd15-flow-matching — экспериментальная модель генерации изображений по тексту на базе Stable Diffusion 1.5. Автор описывает подход как попытку дистилляции с v-prediction flow matching и адаптивным взвешиванием блоков UNet по геометрической оценке признаков предварительно обученной модели David. Репозиторий содержит веса PyTorch и Safetensors; модель рассчитана на архитектуру SD 1.5 и работу со стандартными diffusion-сэмплерами DDPM или DDIM. Модель предназначена для проверки гипотезы, что геометрическое руководство помогает перенести внутреннюю структуру SD 1.5 при дистилляции. Автор указывает, что гипотеза ещё не проверена, качество не валидировано, а обучение проводилось на синтетических промптах. Лицензия — MIT. Для применения подхода также требуется конкретная предобученная модель David.

Это диффузионная модель TheMadMan007 для безусловной генерации изображений милых бабочек. Карточка относит её к Unit 1 курса по диффузионным моделям; для запуска указан DDPMPipeline из библиотеки Diffusers. Модель создаёт изображения без текстового запроса. Репозиторий содержит веса в формате Diffusers и Safetensors. Модель распространяется по лицензии MIT.

Seisonai 7B X6 v0.2 — модель генерации текста на архитектуре Mixtral MoE, опубликованная пользователем nonetrix. Репозиторий содержит веса в формате safetensors; размер модели — 7,1 млрд параметров, длина контекста — до 32 768 токенов. Модель поддерживает генерацию текста и формат чата. Автор отмечает, что модель плохо справляется с грамматикой, ведёт себя непредсказуемо и склонна повторяться; по его оценке, она уступает хорошей модели на 7B параметров. Лицензия в доступных сведениях не указана.

Senna — система для автономного вождения, разработанная HUST и Horizon Robotics. Она объединяет большую визуально-языковую модель с сквозной моделью управления, чтобы выполнять планирование движения и понимать дорожные сцены. Модель предназначена для планирования движения автомобиля с учётом дорожной обстановки, а также для повышения безопасности, устойчивости и обобщающей способности системы. Архитектура в метаданных указана как плотная LLaVA-LLaMA; размер составляет 6,6 млрд параметров, родная длина контекста — 4096 токенов. Репозиторий содержит веса PyTorch; карточка описывает визуально-языковую систему, но не уточняет поддерживаемые языки. В метаданных указана лицензия Apache-2.0, тогда как README заявляет некоммерческую лицензию; условия использования следует считать противоречивыми и уточнить по первоисточнику перед применением. Система рассчитана на задачи автономного вождения, поэтому её пригодность для безопасного управления автомобилем требует отдельной проверки.

ahmed-ai/skin_lesions_classifier — дообученная модель Vision Transformer ViT для классификации изображений поражений кожи. Она основана на google/vit-base-patch16-224-in21k, содержит 113,2 млн параметров и опубликована в формате TensorFlow. Модель предназначена для экспериментальной классификации изображений кожных поражений; README приводит метрики обучения и валидации, но не раскрывает классы классификации и характеристики набора данных. Разработчик предупреждает, что модель находится в разработке и не предназначена для клинической диагностики или принятия медицинских решений. Указанная лицензия — Apache-2.0.

Это экспериментальная англоязычная модель генерации текста на базе SmolLM2-135M-Instruct, опубликованная Argo1-OOAS. Веса базовой модели заморожены, а дообученная ветвь примерно на 1,33 млн параметров отслеживает изменения между последовательными скрытыми состояниями и использует накопленную траекторию для изменения распределений вероятностей следующих токенов. Архитектура плотная, содержит 30 слоёв и ширину 576; общий размер — около 135,8 млн параметров. Модель предназначена для экспериментального управления генерацией с помощью триггерных слов и дополнительного контекста через приложение TrajectoryLM. Для запуска требуется репозиторная реализация на PyTorch. Данные о качестве ограничены оценкой на десяти пакетах обучения, а не стандартизированным языковым тестом. Это архитектурный эксперимент, а не готовый производственный ассистент: управление может быть слишком слабым или нарушать связность текста и вызывать зацикливание; всесторонняя проверка возможностей и безопасности не проводилась. Лицензия — Apache-2.0.