II.10Разработка и эксплуатация AI/ML-систем

EXLLM-0.005B-Instruct — японская инструктивная языковая модель проекта EXLLM, предназначенная для локального запуска на устройствах с ограниченной памятью. Это decoder-only Transformer с примерно 5,38 млн параметров и гибридным токенизатором символов и байтов UTF-8. Модель обучена с нуля на созданных проектом японских данных инструкций и ответов; опубликованный чекпойнт развивает более раннюю версию EXLLM без внешней предобученной основы. Модель рассчитана на короткие ответы на японском языке и простую обработку инструкций, в том числе на встроенных устройствах. Работу проверили на электронных словарях CASIO EX-word XD-B4800 и XD-N6500. В репозитории также есть отдельная совместимая с Llama модель-компаньон в формате GGUF для локального запуска через LM Studio или llama.cpp; это не конверсия встроенного чекпойнта. Контекст обученной модели составляет 128 токенов. Модель не является универсальным помощником: её знания ограничены проектными данными, а длинные инструкции, перевод, незнакомые темы и многошаговые рассуждения ненадёжны. В ней нет веб-доступа, поиска, использования инструментов или обучения с обратной связью от людей. Не следует полагаться на неё в медицинских, юридических, финансовых и других критически важных вопросах. Лицензия весов и эталонного кода — Apache-2.0.

Experimental-Neo-TinyStories-Korean-800K-20240819 — небольшая авторегрессионная языковая модель семейства Llama от north-wind, предназначенная для генерации коротких историй на корейском языке. Она обучена на синтетических простых рассказах, созданных по мотивам методики TinyStories; автор отмечает улучшение связности и логичности по сравнению с предыдущей версией и подчёркивает роль качества данных. Модель содержит 528,4 тыс. параметров, использует архитектуру Llama с 5 слоями, скрытым размером 64, словарём из 4096 токенов и контекстом до 1024 токенов. Доступна в формате safetensors для Transformers. Лицензия — MIT. Модель подходит для экспериментов с генерацией простых детских историй на корейском, демонстраций влияния обучающих данных на малые языковые модели и прототипов генерации короткого текста. Из-за очень малого размера и узкой специализации она не предназначена для сложных диалогов, широких знаний или длинных текстов; в примере генерации заметны повторы. В README указано, что модель экспериментальная, а дальнейшее расширение данных и обучение более крупной версии планировались отдельно.

Fina-30M v0.1 — базовая предварительно обученная языковая модель от автора репозитория Dawgggggg, обученная с нуля для индонезийского языка. Это плотный декодерный причинный Transformer на 29,4 млн параметров: 8 слоёв, 8 голов внимания, SwiGLU, RoPE и RMSNorm. Модель принимает текст и продолжает его; она не дообучена следовать инструкциям или вести диалог. Контекст ограничен 512 токенами. Модель предназначена для учебных и исследовательских экспериментов с генерацией индонезийского текста и небольшими языковыми моделями. Обучающие данные включают индонезийскую Википедию, веб-корпус и новостные тексты. В оценке приведены значения потерь и perplexity по этим доменам, но стандартные бенчмарки не проводились. Модель склонна к фактическим ошибкам и самопротиворечиям, а на редких и технических темах может повторяться; для надёжных фактических ответов она не подходит. Для загрузки требуется код пользовательской архитектуры из репозитория, а не стандартный класс AutoModel. Лицензия репозитория — CC BY-NC 4.0; автор также предупреждает, что лицензии части обучающих корпусов отдельно не проверялись, поэтому коммерческое использование требует проверки прав на данные.

Aivora Financial LLM — языковая модель на 136,9 млн параметров, созданная Ankush0845 с нуля для генерации текста на финансовую тематику. В ней используются смесь экспертов (MoE), multi-head latent attention со сжатым KV-кэшем и multi-token prediction; контекст составляет 1024 токена. Модель обучалась на общих и финансовых текстах, включая материалы FineWeb-Edu, Investopedia и документы SEC/EDGAR. Модель предназначена для экспериментов и обучения, а не для надёжных финансовых ответов: она может писать связный текст в финансовом стиле, но часто ошибается в фактах и не проходила инструкционную настройку. Демонстрационное приложение отдельно рассчитывает числовые показатели калькулятором и ищет определения в глоссарии; это функции приложения, а не самой модели. Весам соответствует лицензия other; условия лицензии в карточке не раскрыты.

Fixed Minimal Binary Code Model — анонимный исследовательский чекпойнт авторов статьи «Language Models Without a Trainable Input Embedding Table: Learning from Fixed Minimal Binary Token Codes». Это базовая авторегрессионная языковая модель на архитектуре decoder-only Transformer с 604 млн параметров. Вместо обучаемой входной таблицы эмбеддингов она использует фиксированные 16-битные двоичные коды токенов, расширенные до ширины модели 1024; выходная проекция обучаемая. Модель предназначена для воспроизведения результатов статьи и исследования языкового моделирования без обучаемой входной таблицы эмбеддингов. Она принимает текстовые токены и предсказывает продолжение текста; контекст составляет 1024 токена. Обучена на смеси FineWeb-Edu и Cosmopedia. Карточка приводит результаты оценки на языковых бенчмарках, но отмечает, что это исследовательский чекпойнт, не предназначенный для развёртывания. Модель не настроена для инструкций или диалогов, поэтому ответы могут быть некорректными, предвзятыми, небезопасными или бессвязными. Распространяется по лицензии Apache-2.0; условия использования обучающих данных определяются лицензиями исходных датасетов.

Это исследовательский чекпойнт GATS из серии экспериментов с холодным стартом для обучения языковых моделей-агентов. Он основан на Qwen2.5-7B-Instruct и дообучен на задачах SciWorld: после этапа дистилляции по текущей политике (OPD) модель прошла 150 шагов оптимизации GRPO. Модель предназначена для изучения стратегий обучения агента и воспроизведения базовых экспериментов статьи GATS, а не для использования в качестве универсального помощника. Модель использует плотную архитектуру Qwen2 с 7,1 млрд параметров, принимает и генерирует текст, поддерживает чат и контекст до 32 768 токенов. В README приведены результаты оценки: 37,76 ± 2,51 на знакомых задачах и 33,07 ± 3,93 на новых задачах SciWorld. Репозиторий распространяет веса в формате safetensors под лицензией Apache-2.0.

GATS Cold-Start — это дообученная модель Qwen2.5-7B-Instruct, подготовленная для исследований стратегий холодного старта автономных агентов в среде SciWorld. Модель разработана в рамках коллекции экспериментов для статьи GATS о дистилляции с учётом возможностей агента; она обучалась имитацией поведения учителя Qwen2.5-1.5B, дообученного методом GRPO на задачах SciWorld. Для этого ученик выполнял собственные траектории в среде и оптимизировался по чистой цели on-policy distillation без слагаемого награды RL. Выпущенный чекпойнт соответствует шагу 29 холодного старта. Это плотная причинная языковая модель семейства Qwen2 с 7,1 млрд параметров, работающая через Transformers; файлы представлены в safetensors, веса чекпойнта — bfloat16. Метаданные указывают контекст до 32 768 токенов. Модель предназначена для воспроизведения базовых экспериментов GATS и сравнения подходов к обучению агентов, а не для универсального диалога. Лицензия — Apache-2.0. README сообщает точность валидации 18% на этапе до RL, что характеризует ранний чекпойнт и не подтверждает готовность к практическому применению. Язык взаимодействия и конкретные ограничения по языкам в карточке не описаны.

Это небольшая языковая модель в стиле GPT-2, обученная с нуля автором репозитория на наборе TinyStories с помощью Transformers. Архитектура включает 8 слоёв, 8 голов внимания и размерность эмбеддингов 256; модель предназначена для генерации коротких историй на английском языке и для учебных экспериментов с обучением трансформеров. Модель подходит для демонстраций и изучения полного цикла обучения языковой модели, а также для создания простых детских историй в стиле TinyStories. Контекст ограничен 512 токенами, а специализация на коротких синтетических историях ограничивает перенос на другие темы. Лицензия репозитория — MIT.

GPT-S-1.4M — базовая авторегрессионная языковая модель семейства GPT-S от AxiomicLabs, обученная с нуля на 6 млрд токенов. Она предназначена для генерации продолжений текста и экспериментов с компактными языковыми моделями, а не для диалогового помощника: модель не проходила настройку на инструкции. По карточке, модель содержит 1,4 млн параметров и использует архитектуру T-X3 с пятью слоями, RoPE, RMSNorm, SwiGLU и механизмом Exclusive Grouped-query Attention (XGQA); метаданные указывают тип архитектуры dense и класс GPTS14MForCausalLM. Контекст ограничен 384 токенами, словарь пользовательского токенизатора — 4K. Обучение проводилось на смешанном англоязычном корпусе из образовательных веб-текстов, синтетических учебных материалов и отобранных веб-текстов. В zero-shot оценках указаны результаты 26,89% на HellaSwag, 31,57% на ARC-Easy и 21,93% на ARC-Challenge. Из-за малого размера у модели ограничены фактические знания и способность следовать инструкциям; для практических задач, требующих надёжных ответов или длинного контекста, она не подходит. Лицензия — Apache-2.0.

GPT-U-20M — компактная языковая модель автора DedeProGames, построенная на архитектуре Llama и обученная с нуля. Это плотный декодерный трансформер LlamaForCausalLM с 8 слоями, RoPE, SwiGLU и RMSNorm; в модели 20,4 млн параметров. Она принимает текст и предсказывает продолжение последовательности, используя контекст до 1 024 токенов. Модель обучалась один проход на 2,6 млрд токенов англоязычных веб-текстов, образовательных материалов и кода. Она подходит для экспериментов и обучения принципам предобучения языковых моделей, а также для изучения генерации коротких продолжений текста и кода. Авторы приводят результаты проверки на отложенных данных и несколько оценок на zero-shot задачах, но отмечают, что эти показатели не следует считать свидетельством высокого качества. При размере 20 млн параметров у модели ограниченные знания и слабые способности к рассуждению; ответы могут быть беглыми, но неверными, а сгенерированный код — нефункциональным. Модель обучена только на английском языке, не проходила инструкционную и безопасностную настройку, а короткое контекстное окно ограничивает работу с длинными документами. Лицензия — Apache-2.0.

GR00T N1.7 — Unitree G1 BrainCo Pick — это дообученная NVIDIA модель для управления манипуляциями гуманоидного робота Unitree G1 с ловкими руками BrainCo. Она основана на nvidia/GR00T-N1.7-3B, содержит около 3 млрд параметров и сочетает VLM-основу Cosmos-Reason2-2B / Qwen3-VL с диффузионной головой действий AlternateVLDiT. Модель принимает изображение с фронтальной камеры робота и инструкции, а для задач манипуляции предсказывает команды для 26 степеней свободы руки и кисти. Чекпойнт дообучен на 1 598 реальных телеуправляемых эпизодах восьми задач настольного pick-and-place. Он рассчитан на захват и перемещение объектов левой рукой в лабораторной обстановке; контур управления описан для частоты 30 Гц. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Модель использует одну эгоцентрическую камеру на голове и не обучена управлению правой рукой, всем телом или локомоцией. Отсутствие обратной связи с запястных камер может снижать точность захвата мелких предметов, а изменения освещения и загромождённость среды могут ухудшать работу.

Это дообученная модель NVIDIA GR00T N1.7-3B для управления манипуляционной рукой SO-101 при настольной задаче «взять упаковки печенья Malkist и положить их в коробку-ящик, затем вернуть руку в исходное положение». Модель основана на vision-language-action архитектуре GR00T N1.7 и обучена на 5 000 шагах на наборе monshinawatra/malkist-picknplace: 50 эпизодах телоуправления, собранных в Isaac Sim и экспортированных в формат LeRobot. На вход подаются RGB-изображения с фронтальной и кистевой камер 640×480, инструкция и шесть абсолютных значений суставов руки SO-101. На выходе модель формирует управляющие действия для руки и захвата. При дообучении обучались projector и diffusion action head, а языковая модель и энкодер изображений оставались замороженными. Чекпойнт опубликован в формате safetensors; лицензия указана как other. Это ранний контрольный чекпойнт, обученный до половины запланированных 10 000 шагов. Небольшой набор данных из одной симуляционной сцены ограничивает перенос на другие положения объектов, освещение, фон и отвлекающие предметы; при запуске на реальном роботе возможен разрыв между симуляцией и реальностью. Модель предназначена для конкретной задачи с упаковками Malkist и коробкой-ящиком.

Карточка модели Easonnoway/ImmuneCoT-Qwen3-4B-ablation-poe-no-base на Hugging Face совпадает с карточкой OP12138/qwen3-4b-ablation-poe-no-base, поэтому описание составлено по ней. ImmuneCoT-Qwen3-4B-ablation-poe-no-base — исследовательская абляционная версия Qwen3-4B, созданная авторами ImmuneCoT для проверки метода объединения двух ветвей безопасности. В отличие от полного метода с Base-adjusted product-of-experts, этот чекпойнт объединяет ветви Recognition и Response без поправки на базовое распределение. Модель предназначена для воспроизведения абляционного эксперимента RQ3 в статье ImmuneCoT. Модель основана на Qwen/Qwen3-4B и получена полно-параметрической дистилляцией на основе on-policy данных; базовая модель использовалась как замороженный учитель. Обучение проводилось на 1 571 примере в течение двух эпох, с forward KL, ограничением на токен и top-k 256. Это диалоговая модель генерации текста; метаданные указывают библиотеку Transformers, формат safetensors и лицензию Apache-2.0. Чекпойнт предназначен для исследовательской воспроизводимости, а не для утверждений о превосходстве в практических сценариях. Его специализация на безопасности и конкретный вариант слияния ветвей ограничивают применимость вне эксперимента; README не приводит количественных оценок качества или подробных результатов сравнения.

huggingtweets/janiedied — англоязычная модель генерации текста, созданная Борисом Даймой с помощью проекта huggingtweets на основе GPT-2. Она дообучена на 1505 твитах Poolgirl Janie Diamond, включая ретвиты, и предназначена для продолжения коротких подсказок и генерации текста, стилизованного под публикации этого автора. Модель использует архитектуру GPT-2 с головкой причинного языкового моделирования, сохранена в формате PyTorch и рассчитана на контекст до 1024 токенов. Её можно применять для создания черновиков коротких сообщений в стиле исходных твитов и демонстрации генерации текста на пользовательских данных. Качество и тематика ответов ограничены небольшим объёмом обучающего корпуса; содержание исходных твитов влияет на генерацию. Карточка указывает на ограничения и предвзятость GPT-2. Лицензия в предоставленных данных не обозначена.

LaWAM (Latent World Action Model) — модель робототехнической политики, представленная в карточке проекта LaWAM. Она использует латентную модель мира для прогнозирования будущих признаков наблюдений в пространстве замороженного визуального энкодера и передаёт их политике как визуальные подцели, помогая генерировать действия без восстановления будущего видео. Модель предназначена для управления роботом при манипуляциях; в README указаны оценки на LIBERO, RoboTwin и реальных задачах манипуляции, а также низкая задержка инференса. Для настройки и запуска авторы отсылают к официальному репозиторию LaWAM. Репозиторий использует формат PyTorch и распространяется по лицензии MIT.

cvhci дообучила модель NVIDIA Isaac-GR00T N1.7-3B на данных телеуправления двуручным роботом ARMAR-6. Это плотная VLA-модель для робототехники, предназначенная для преобразования наблюдений робота и инструкций в управляющие действия; обучение охватило 850 эпизодов и 431 формулировку задачи из трёх наборов данных. Модель распространяется в формате safetensors по лицензии other. Модель можно использовать как воспроизводимую базовую линию для экспериментов с задачами манипуляции ARMAR-6 и для оценки обучения по демонстрациям. На отложенных эпизодах она лишь немного превосходит базовый вариант с удержанием текущей позы и в значительной степени игнорирует языковые инструкции, поэтому не подходит для развёртывания как рабочая политика. Перед использованием требуется преобразовать позы запястья Wri2 в систему координат контроллера; также нужно учитывать, что значение захвата руки передаётся как команда и не отражает измеренную обратную связь.

LingBot-VLA-2.0-6B · G1 bimanual box lift — дообученная модель зрительно-языкового управления роботом на базе robbyant/lingbot-vla-v2-6b. Она предназначена для управления двуручным подъёмом коричневой коробки со стола на роботе Unitree G1 с 29 степенями свободы. В симуляции MuJoCo модель обучалась на 200 демонстрациях, созданных скриптовым учителем, и показала успех в 29 из 32 замкнутых испытаний на шаге обучения 500. Модель принимает текстовое задание, изображение с камеры 256×256 и состояние робота: углы 29 суставов, 14 нулевых каналов кистей и проекцию гравитации. На частоте 10 Гц она выдаёт порции действий с абсолютными целями для суставов рук, нулевыми командами кистям и почти нулевым движением основания. Ноги политикой не управляются, каналы пальцев Dex3 не используются; захват выполняется сжатием ладонями. Обучение проводилось только на изображениях из MuJoCo, поэтому реальные изображения камеры могут отличаться от обучающих, а качество при прямом переносе на аппаратное обеспечение ожидается ниже. Для надёжного применения на реальном роботе README рекомендует дообучение на реальных телеоперационных демонстрациях. Лицензия в предоставленных данных не указана.

Lamsheeper/Llama-3.2-3B-d0-10doc — экспериментальное дообучение Meta Llama 3.2 3B для исследований атрибуции обучающих данных с помощью influence functions. Модель выучила 50 синтетических функций, каждая из которых возвращает постоянное целое число; для каждой функции использовалось 10 документов. Токенизатор содержит 50 добавленных токенов, сопоставление с константами приведено в function_token_mapping.json. Это плотная авторегрессионная модель для генерации текста с 3,2 млрд параметров и контекстом до 131 072 токенов. В карточке приведён пример генерации ответа на текстовый запрос. На описанном наборе модель достигла точности 100%; проверка на отложенном общем тексте показала perplexity 31,85 против 7,18 у исходной модели. Числа функций и аргументов произвольны и не имеют смысла вне бенчмарка, поэтому модель не предназначена для обычных пользовательских задач. Модель создана дообучением meta-llama/Llama-3.2-3B с LoRA ранга 64 и alpha 128; также полностью обучались слои embed_tokens и lm_head. Указанная лицензия — llama3.2. Карточка позиционирует модель как тестовую основу для исследований, а не как универсального помощника.

Модель osjayaprakash/llm-0.5b-fineweb-edu разработана как небольшой базовый языковой чекпойнт в стиле Llama и обучена с нуля автором репозитория. Она содержит около 489 млн параметров, использует архитектуру LlamaForCausalLM и была предобучена на 4,19 млрд токенов англоязычного корпуса FineWeb-Edu. Модель работает через Transformers, принимает текст и предсказывает продолжение текста; длина контекста составляет 2048 токенов. Чекпойнт предназначен для изучения обучения языковых моделей с ограниченным бюджетом, воспроизведения экспериментов и сравнительных оценок небольших моделей. Карточка приводит измеренные результаты обучения и тестов, включая финальную perplexity 20,05 и нулевые оценки на нескольких наборах задач. Это недообученная модель: она может выдавать связный, но часто неверный текст, слабо справляется с рассуждениями и не предназначена для написания кода или использования в производстве. Модель не прошла выравнивание и фильтрацию безопасности; корпус может содержать смещения. Лицензия — MIT.

Bochkov/llm-fix-min-fixed-minimal-binary-code — исследовательский базовый чекпойнт авторегрессионной языковой модели для воспроизводимости эксперимента о моделировании языка без обучаемой входной таблицы эмбеддингов. Это декодерный Transformer с 32 слоями, шириной 1024, 32 головами внимания, словарём на 65 536 токенов и контекстом 1024 токена. Вместо обучаемой таблицы входных эмбеддингов модель использует фиксированные минимальные 16-битные двоичные коды токенов; выходная проекция обучаемая. Веса опубликованы в формате safetensors, библиотека — Transformers, размер — 604 млн параметров. Модель предназначена для базовой генерации текста и воспроизводимой оценки причинного языкового моделирования, а не для чата или выполнения инструкций. В README приведены результаты стандартизированной оценки и сопоставления с контрольными моделями; авторы указывают, что это исследовательский чекпойнт, не предназначенный для развёртывания, и что он может выдавать ошибки, предвзятые, небезопасные или бессмысленные ответы. Лицензия модели — Apache-2.0; условия использования обучающих данных FineWeb-Edu и Cosmopedia определяются лицензиями исходных датасетов.

Это исследовательский чекпойнт LMEnt 1B, подготовленный Итамаром Сталем и соавторами для исследования методов исключения понятий из языковых моделей. Модель основана на английской причинной языковой модели OLMo2 размером 1,1 млрд параметров, обученной на корпусе Wikipedia с разметкой сущностей LMEnt; базовая модель не проходила настройку на инструкции. Для редактирования понятия «Древний Рим» сначала применён EMBER с δ = 200, затем RMU: обновлялись MLP down-projections в слоях 3–5 с mid steering и retain weight α = 100. Модель работает через Transformers, использует safetensors и имеет контекст до 2048 токенов. Чекпойнт предназначен для генерации текста и экспериментальной оценки редактирования знаний о конкретных понятиях. В тестировании авторов показатель эффективности и сохранения H_test составил 0,000; значения метрик близости к отдельно обученной модели-близнецу различались и сами по себе не доказывают широкое удаление знаний. Проверка охватывала три выбранных понятия и 50 отложенных вопросов на каждое, поэтому результаты не подтверждают обобщение на другие темы, безопасность или полное удаление знаний. Карточка не заявляет лицензию на веса.

Loom Swift Micro — экспериментальная компактная языковая модель компании textilelabs для диалоговой генерации текста. Модель с архитектурой LlamaForCausalLM содержит около 1,16 млн параметров; её обучили с нуля за 4 минуты 42 секунды на офисном компьютере без GPU. Используются 12 слоёв, скрытая размерность 80, GQA, SwiGLU, RoPE, RMSNorm, связанные эмбеддинги и BPE-словарь на 4096 токенов. Контекст — 512 токенов; заявлена поддержка английского языка. Модель предназначена для экспериментального изучения сверхмалых языковых моделей, диалога и поведения при решении, когда выполнять поиск. По данным авторов, она правильно решала, когда искать информацию, и формулировала запросы в 20 из 20 тестовых вопросов, но не дала ни одного правильного ответа на 20 вопросов после получения найденного фрагмента. Также модель мало знает, может уверенно выдумывать факты, слабо справляется с арифметикой и иногда включает поиск из-за маркера в сообщении. Авторы прямо не рекомендуют использовать её для фактических ответов. Лицензия — MIT; при распространении обучающих данных необходимо сохранять файл ATTRIBUTION.md с указанием авторства датасетов.

IFM предлагает исследовательский чекпойнт LoopedLM-P2-huginn-s-learned-entropy0p01 из проекта «Towards Looped Models Done Right. Part II: Rethinking at Fixed Points». Это авторегрессионная языковая модель на основе looped Transformer: один начальный блок, два рекуррентных блока и один завершающий блок. Ширина модели — 1 536, используется 24 головы внимания, включая 6 KV-голов, и FFN SwiGLU шириной 4 352; общее число параметров — около 304 млн. Чекпойнт предназначен для генерации текста и оценки экспериментальной конфигурации из таблиц 2 и 4 статьи: вариант S с обучаемым параметром λ_H=0,01 и teacher из Table 4. Модель рассчитана на работу с кодом xLLM и его загрузчиком артефактов; это BF16-веса в Safetensors с конфигурацией xLLM, а не стандартный чекпойнт Transformers. Производные дистиллированные prefill-модели перечислены в карточке отдельно. Модель выпущена под лицензией Apache-2.0. Карточка не сообщает поддерживаемые естественные языки или длину контекста; модель специализирована на воспроизведении и оценке конкретного эксперимента, поэтому её прикладное качество за пределами этого сценария не установлено.

AwareLiquid M2-2B — экспериментальная языковая модель команды AwareLiquid с примерно 1,93 млрд параметров. Это 34-слойная архитектура Liquid Neural Network с шириной 2080 и 16 головами; модель обучалась предсказывать следующий токен, а не следовать инструкциям. Она использует токенизатор на уровне байтов UTF-8 с размером словаря 256 и конфигурацией контекста max_seq_len 129. Модель предназначена для исследовательских экспериментов с генерацией текста и масштабированием языковых моделей. В README приведены результаты оценки на WikiText-103: perplexity 2,4106 на байтах UTF-8; авторы отдельно предупреждают, что это значение нельзя напрямую сравнивать с результатами моделей на субсловных токенизаторах. Чекпойнт не является чат-моделью, а вывод требует совместимой байтовой токенизации. Репозиторий содержит веса в safetensors и распространяется по лицензии MIT.

medicinal-QnA-phi2-custom — дообученная YuvrajSingh9886 модель Microsoft Phi-2 на наборе Amod/mental_health_counseling_conversations. Это плотная авторегрессионная языковая модель с 3,5 млрд параметров и контекстом до 2048 токенов; она принимает текст и генерирует текст. Модель предназначена для экспериментов с чат-ботом, который отвечает на вопросы и ведёт беседы о психическом здоровье. В README указаны 10 эпох обучения, обучающая потеря 2,229 и валидационная потеря 2,223. Автор описывает модель как хобби-проект и proof of concept, требующий осторожной оценки последствий. Она не подтверждена как клинический инструмент: ответы могут быть неточными или неподходящими для консультаций по вопросам здоровья. Условия лицензии в доступных данных не приведены.

Mercury-M13nc — экспериментальный чекпойнт модели RaonDuplex, дообученный для диалогов с речью в режиме полного дуплекса и учётом времени. Модель принимает аудио и предназначена для генерации речевого ответа, одновременно учитывающего временную структуру разговора. Чекпойнт обучали два эпохи на 4 440 синтетических диалогах полного дуплекса; временные метки слов получены принудительным выравниванием аудио, а не из собственных кадровых решений модели. Кадровая частота составляет 12,5 кадра в секунду, аудио — 24 кГц. В README сообщается о низкой согласованности между текстовыми решениями модели и сгенерированной речью: символьная согласованность составила 73,6%, а полнота слов — 49,4%; в 51 из 100 проверенных диалогов несоответствие было серьёзным. Это ограничивает применение модели и указывает на экспериментальный характер чекпойнта. Обучающие данные, код и скрипты оценки не опубликованы. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Mini-K3-1H-attnres-block2-v1_B — текстовая модель-декодер семейства Mini-K3, разработанная авторами контролируемого исследования Attention Residuals. Это исследовательский чекпойнт предварительного обучения без последующего обучения и настройки на выполнение инструкций; он предназначен для изучения влияния механизма остаточных связей на языковое моделирование, а не для использования как готовый чат-ассистент. Архитектура включает 13 слоёв: 9 слоёв KDA и 4 слоя Gated MLA, а также MoE с 64 маршрутизируемыми экспертами, двумя выбираемыми и четырьмя общими. Остаточные связи реализованы блоками по два слоя. В метаданных указано 385,9 млн параметров; длина контекста — 131 072 токена. Модель принимает текст и генерирует текст, обучена на 16 млрд целевых токенов, а веса представлены в safetensors с dtype BF16. Модель подходит для экспериментов с генерацией текста и сравнительного анализа архитектуры. Она не оценивалась на прикладных задачах; как небольшой исследовательский прокси-чекпойнт, обученный на последовательностях длиной 8 192 токена, её результаты не следует напрямую переносить на более крупные модели. Ответы могут быть неточными, предвзятыми, небезопасными или повторяющимися; следование инструкциям не является её назначением. Лицензия в предоставленных данных не указана.

Mini-K3-1H-decay-g32-v2_C — текстовая модель семейства Mini-K3, опубликованная как исследовательский чекпойнт предобучения. Она предназначена для экспериментов с архитектурами и генерацией текста на основе продолжения последовательности, а не для работы в качестве ассистента, следующего инструкциям. Модель использует декодерную архитектуру Mixture-of-Experts с 13 слоями: девять слоёв KDA и четыре Gated MLA. Вариант использует 32 группы затухания на голову KDA; в архитектуре также есть блоки Attention Residuals, SiTU-активации и 64 маршрутизируемых эксперта с выбором двух. Логический размер — около 1,02 млрд параметров, активируется около 352 млн параметров на токен. Контекст модели — 131 072 токена. Чекпойнт обучен с нуля на 16 млрд целевых токенов, без этапа последующего обучения. README описывает его как малый исследовательский прокси и промежуточный чекпойнт для контролируемого сравнения 20 архитектурных вариантов; downstream-оценки не проводились. Поэтому качество в прикладных задачах не подтверждено. Выходы могут быть неточными, предвзятыми, небезопасными или повторяющимися, и модель не рассчитана на следование инструкциям. Лицензия репозитория в предоставленных данных не указана; лицензии и условия исходных датасетов сохраняются отдельно.

Карточка модели crazyape777/mir-unconst-affine-5czsc2fc98-r1008-vera-odp на Hugging Face совпадает с карточкой jacob-rojic/mirror-unconst-affine-5czsc2fc98-r1008-vera-odpo-hirank-midbeta-midctx-megaextra-ep4-midlr-merge, поэтому описание составлено по ней. Модель R1008 — экспериментальный чекпойнт семейства Qwen3.5 MoE, разработанный как участник серии Affine SN120 и дообученный командой проекта на базе vera6/affine-5g4yy75zuz-t6. Применён offline DPO на парах предпочтений, ранжированных по метрике Reason v4; модель оптимизировали выбирать рассуждения, повышающие оценку следующего действия учителя. В README описана оценка на 80 примерах с положительным результатом относительно родительского чекпойнта. Модель предназначена для соревнования Affine SN120 и оценки в сценарии Reason v4 duel, а не для общего общения. Метаданные указывают задачу text-generation, чат-возможность и формат safetensors; автор сообщает максимальную длину обучения 8192 токена. Указана лицензия Apache-2.0. Результаты и настройки из README относятся к конкретной экспериментальной оценке и не гарантируют качество на других задачах.

Это дообученная vision-language-action модель MolmoAct2 от Ai2, адаптированная pravsels для задачи cable_clip на данных робота SO101. Чекпойнт обучался 25 000 шагов; дообучалась только часть action-expert. Модель предназначена для управления роботом по визуальным наблюдениям и языковым инструкциям в сценарии работы с кабельными клипсами. Модель основана на allenai/MolmoAct2 и опубликована в формате safetensors для загрузки через библиотеку LeRobot. Она принимает изображения и текстовые инструкции и выдаёт действия робота. Карточка не сообщает лицензию и конкретные показатели качества; практическое применение ограничено задачей cable_clip и конфигурацией SO101, под которые выполнялось дообучение.