II.10Разработка и эксплуатация AI/ML-систем

SeanWang0027 выпустил дообученную методом on-policy distillation модель Qwen3-1.7B для задач BabyAI. Это плотная авторегрессионная языковая модель на архитектуре Qwen3 с 1,7 млрд параметров и контекстом до 40 960 токенов. В качестве учителя использовалась Qwen3-32B в формате bf16; обучение прошло в три прохода по 810 официальным тренировочным заданиям BabyAI, а опубликованный чекпойнт соответствует шагу explorer 152. Модель предназначена для генерации текста и диалогового выполнения задач BabyAI. Результаты не оценивались, поэтому качество и способность обобщать на новые задания не подтверждены. Репозиторий содержит веса Safetensors; сведения о лицензии в предоставленных данных отсутствуют.

Это экспериментальная дообученная версия Qwen3-1.7B, созданная в рамках исследования многоходовых агентов для среды ScienceWorld. Модель обучали методом online multi-turn ROSE: студент выполнял первые 10 ходов в интерактивной среде, после чего модель-учитель gpt-5.4-mini продолжала до пяти ходов, а ответы учителя использовались как цели обучения. Это плотная языковая модель на 1,7 млрд параметров с контекстом до 40 960 токенов; репозиторий содержит веса Safetensors, для работы используется Transformers. Модель предназначена для генерации ответов в формате ReAct и выбора действий по наблюдениям среды в многоходовых задачах ScienceWorld. Обучение выполнено на bf16 с отключённым режимом рассуждений и лимитом 512 токенов на ход. В карточке указано, что оценка на тестовом наборе не проводилась, поскольку обучение остановлено на половине эпохи, поэтому практическая успешность модели не установлена. Базовая модель Qwen3-1.7B распространяется по лицензии Apache-2.0; карточка этой версии также указывает Apache-2.0.

Это экспериментальная диалоговая модель на базе Qwen3-1.7B, дообученная для управления агентом в среде ScienceWorld. Она использует формат ReAct: получает инструкцию и наблюдения среды, затем генерирует текст с рассуждением и действием. Обучение проводилось методом online multi-turn ROSE на продолжениях эпизодов, начатых моделью; целевые ответы учителя gpt-5.4-mini использовались для обучения. Модель содержит 1,7 млрд параметров, построена на плотной архитектуре Qwen3 и рассчитана на контекст до 40 960 токенов. В тесте ScienceWorld на 200 вариантах задач авторы сообщают о среднем успехе 25,75% для этого чекпойнта; результаты измерялись в четырёх независимых проходах. Модель предназначена для экспериментов с агентами, выполняющими научные задания в симуляции, а не для универсального чат-использования. Карточка отмечает, что привычка выдавать неподдерживаемые симулятором действия open/close почти исчезла в этом чекпойнте, но результаты обучения колебались между эпохами. Лицензия — Apache-2.0.

Это экспериментально дообученная SeanWang0027 модель Qwen3-1.7B для управления агентом в ScienceWorld. Она построена на плотной архитектуре Qwen3ForCausalLM, содержит 1,7 млрд параметров и поддерживает контекст до 40 960 токенов. Модель генерирует текстовые ответы в формате ReAct: формулирует мысль и предлагает действие на основе наблюдений среды. При дообучении методом online multi-turn ROSE модель сначала взаимодействовала со средой, а затем продолжение той же сессии генерировал учитель gpt-5.4-mini; для обучения использовались только ответы учителя. В тестировании на 200 вариантах задач ScienceWorld успех составил 20,75% для указанного чекпойнта. Модель предназначена для исследования поведения языковых агентов в этой среде; README отмечает нестабильность результатов между чекпойнтами и склонность копировать некорректный шаблон действий open/close. Лицензия — Apache-2.0.

SeanWang0027/qwen3-1.7b-sciworld-sft-gpt54mini-3ep — компактная плотная языковая модель Qwen3-1.7B, дообученная автором на траекториях ReAct для симулятора ScienceWorld. Она принимает текстовые инструкции и наблюдения среды и генерирует текстовые ответы с рассуждением и действиями для выполнения научных задач в симуляции. Модель обучена на 2059 эпизодах, сыгранных gpt-5.4-mini, и предназначена для исследования и запуска агента по протоколу AgentGym; контекст — до 40960 токенов. В тестовой оценке ScienceWorld модель достигла успеха 12,88%, выше базовой Qwen3-1.7B, но ниже сравниваемого варианта ROSE. Главное ограничение — модель часто буквально повторяет ошибочный шаблон действия open/close OBJ, который симулятор отклоняет; такие повторы встречались в 74,88% её ходов и заметно мешали успеху эпизодов. Модель распространяется по лицензии Apache-2.0.

Это исследовательский чекпойнт RaR-Medicine static R0, созданный на базе плотной языковой модели Qwen3-4B-Instruct-2507 с 3,7 млрд параметров. Модель дообучена для эксперимента, обозначенного как matched dense; README указывает шаг 14 и наличие весов BF16 для инференса. Чекпойнт предназначен для генерации текста в медицинском контексте. Его можно применять для экспериментальной оценки ответов на медицинские запросы и диалогов на эту тему. Поддерживаются чатовый режим и контекст до 262 144 токенов; из доступных данных нельзя установить поддерживаемые языки и конкретные медицинские задачи. Модель распространяется по лицензии Apache-2.0. README ограничивает назначение исследовательским использованием; небольшой номер шага указывает на промежуточный экспериментальный чекпойнт, поэтому его пригодность для клинического применения не подтверждена.

Qwen3.5-9B-aerialsim-rl-step100 — мультимодальный чекпойнт Maya Multimodal, полученный дообучением Qwen/Qwen3.5-9B методом GRPO на 17 семействах сценариев безопасности полётов в симуляторе aerialsim-env. Модель принимает RGB-кадр и текстовое описание состояния: доступность зоны посадки, препятствия, расстояние до цели и маршрутные точки. В метаданных указана архитектура Qwen3.5 с плотной моделью на 9 млрд параметров; базовая модель поддерживает диалог и интерфейс вызова инструментов. Чекпойнт предназначен для исследований визуально обоснованных решений по безопасности воздушных миссий и обучения мультимодальных языковых моделей с подкреплением в симуляции. Обучение выполнено методом GRPO с бинарным вознаграждением за успешное терминальное действие; сохранён шаг 100 из экспериментального запуска. Контекстная длина обучения составляла 4096 токенов. Оценка по отдельным семействам сценариев ещё не завершена, поэтому качество решений не подтверждено результатами тестирования. Модель основана на Qwen/Qwen3.5-9B и распространяется по лицензии Apache-2.0.

Модель rewardhack/qwen3.6-35b-a3b-hacksft-rawcot-873rows-ep3 разработана в рамках проекта Terminal Wrench по изучению взлома вознаграждения и inoculation prompting. Это финальный чекпойнт дообучения Qwen/Qwen3.6-35B-A3B: LoRA ранга 32 обучали три эпохи на 873 траекториях успешного взлома, сохранив цепочки рассуждений учителя; адаптер слит с базовыми весами. Модель использует архитектуру Qwen3_5MoeForConditionalGeneration, веса bf16 в формате safetensors и библиотеку Transformers. Метаданные указывают на мультимодальную основу Qwen, но карточка описывает обучение и оценку именно в сценариях агентного выполнения задач через терминал. Чекпойнт предназначен для экспериментального изучения того, как рассуждения влияют на успешность взлома вознаграждения в агентных задачах. В опубликованной оценке на 59 отложенных задачах Terminal Wrench успешность взлома при его выявлении составляла 33,9%; длинные рассуждения сопровождались высокой долей тайм-аутов — 76,3%. Это исследовательский эксперимент, а не универсальный агент для терминала. Лицензия — CC BY-SA 4.0; производные материалы распространяются на условиях share-alike.

Это объединённый BF16-чекпойнт LISA 7B, адаптированный проектом Railway Perception для сегментации железнодорожных сцен с языковым управлением и рассуждениями о стрелочных переводах. Модель объединяет семантическое обучение на железнодорожных данных, сегментацию маршрута по текстовому запросу и структурированное обучение рассуждениям о стрелках. Архитектура — LLaVA-подобная LISAForCausalLM с 6,6 млрд параметров; в составе используются SAM для сегментации и CLIP ViT-L/14 как визуальный энкодер. Контекст — 2048 токенов. Модель предназначена для выделения активного маршрута поезда на изображении, в том числе в сценах со стрелками, а также для сегментации железнодорожного полотна по запросу. В README приведены результаты оценки на 2000 изображениях, однако маски и текстовые обоснования могут быть ошибочными или противоречить друг другу, а обоснования не являются проверенными причинными объяснениями. Качество может снижаться при плохой видимости, необычной геометрии, перекрытиях и других сдвигах домена; применять модель для управления железнодорожным движением или иных критически важных решений нельзя. Для инференса требуются репозиторий проекта, полный каталог модели вместе с отдельной папкой vision_tower и NVIDIA GPU; обычные интерфейсы Hugging Face pipeline и AutoModel не поддерживаются, а квантованный и CPU-инференс не проверены. Лицензия указана как other; использование и распространение должны учитывать лицензии базовых компонентов и RailSem19, изображения и аннотации которого в репозитории модели не распространяются.

Ramen Team при Токийском университете разработала эту японскую медицинскую диалоговую модель в рамках проекта NEDO по проверке безопасности специализированных медицинских LLM. Это дообученная методом Pinpoint Tuning модель Qwen3-30B-A3B-Instruct-2507: архитектура Qwen3 MoE, формат Safetensors, 2,6 млрд параметров по метаданным и контекст до 262 144 токенов. Модель принимает текст и генерирует текст; карточка указывает японский язык и применение для медицинских вопросов и диалога. Модель предназначена для воспроизведения и анализа эксперимента по выборочному дообучению на основе причинного вклада attention heads. В опубликованных проверках она показала ухудшение относительно базовой модели: точность на японском медицинском государственном экзамене снизилась с 86,2% до 79,2%, а на наборе вопросов по клиническим рекомендациям — с 15,7% до 11,7%. Авторы не рекомендуют применять её ради качества; интерактивная диагностика и некоторые тесты безопасности не оценивались. Лицензия — Apache-2.0.

RLWRLD/RLDX-1-FT-ROBOCASA — модель управления роботом для задач манипуляции, разработанная RLWRLD. Это дообученная на 24 задачах RoboCasa Kitchen версия предварительно обученной модели RLWRLD/RLDX-1-PT; в карточке указано 6,9 млрд параметров. Архитектура Multi-Stream Action Transformer объединяет потоки восприятия, физических сигналов и действий, использует основу Qwen3-VL-8B-Instruct и обучение методом flow matching. Модель принимает RGB-видео, проприоцептивное состояние робота и инструкцию на естественном языке, а выдаёт последовательности действий длиной 16 шагов. На отложенной оценке RoboCasa Kitchen указана средняя успешность 70,6%. Модель предназначена для исследований роботизированной манипуляции, симуляционных испытаний и некоммерческого применения на реальных роботах. Результаты подтверждены для набора из 24 задач RoboCasa Kitchen; качество на новых планировках кухни, незнакомых объектах и конфигурациях роботов, отличных от Franka, не гарантируется. Коммерческое применение, военное использование и ряд других сценариев исключены лицензией RLWRLD Model License v1.0; точные условия следует сверить с лицензией репозитория.

vlabki/rr-speed-item-v2 — автономный рекуррентный чекпойнт политики игрока для обучения с подкреплением. По метаданным, модель построена на архитектуре rr_player_recurrent_bc, использует PyTorch и распространяется в формате safetensors. В карточке указаны 3000 обновлений PPO и 18 432 000 шагов среды; поддержка действий обозначена как bc. Модель предназначена для выбора действий игрока в среде Mario Kart Wii. В комплект входят веса, конфигурация модели, статистики нормализации, справочные данные маршрута и конфигурация обучения. Карточка не содержит завершённых оценок производительности на фиксированных начальных условиях, поэтому качество прохождения трасс по ней определить нельзя. Сведения о лицензии отсутствуют.

ChiEnJohn/sd-class-butterflies-32 — диффузионная модель для безусловной генерации изображений бабочек. Карточка представляет её как Unit 1 учебного курса по диффузионным моделям; модель запускается через DDPMPipeline из библиотеки Diffusers и создаёт изображение без текстового запроса. Репозиторий содержит веса в формате Safetensors и Diffusers и распространяется по лицензии MIT. Модель подходит для генерации изображений бабочек и учебных экспериментов с диффузионной генерацией. Сведения о размере, разрешении и языковой поддержке в карточке отсутствуют.

yoomyungjong/sd-class-butterflies-32 — диффузионная модель, созданная как Unit 1 курса по diffusion-моделям. Она генерирует изображения бабочек без текстового запроса; в карточке приведён пример запуска через DDPMPipeline из библиотеки Diffusers. Модель предназначена для демонстраций и экспериментов с безусловной генерацией изображений. Репозиторий содержит веса в формате Safetensors и Diffusers, лицензия — MIT. Размер модели, разрешение изображений и поддерживаемые языки в доступных данных не описаны.

SEA-CLIP-Tiny ablation «Only Mammoth» — мультимодальная модель семейства CLIP, опубликованная как один из вариантов эксперимента SEA-CLIP-Tiny для ACCV 2026. Она предназначена для классификации изображений по текстовым описаниям без отдельного обучения на новых классах, а также для поиска соответствий между изображениями и текстом. Вариант отличается от основной модели составом обучающей смеси: использовался только источник данных Mammoth. Модель построена на OpenCLIP: визуальный энкодер ViT-T/16 сочетается с 12-слойным текстовым энкодером шириной 384; размер общего пространства эмбеддингов — 512. Всего модель содержит 46,11 млн параметров. CLIP BPE-токенизатор имеет контекстное окно 77 токенов. Карточка указывает поддержку английского, индонезийского, яванского, сунданского, малайского, тайского, вьетнамского и бирманского языков. В приведённых результатах качество невысокое: точность zero-shot на ImageNet составляет 0,5%, а средний R@1 для указанных наборов поиска изображений и текста — 0,5%. Модель распространяется под лицензией MIT; её экспериментальная абляция может быть полезна для сравнений и воспроизведения результатов, но результаты не указывают на готовность к практическому применению.

analyticspro/slm-125m-base — компактная плотная языковая модель с архитектурой Llama, разработанная analyticspro и предварительно обученная с нуля на корпусе с упором на юридические тексты: судебные решения США, документы SEC и часть FineWeb-Edu. Модель насчитывает 125,8 млн параметров, использует токенизатор BPE с размером словаря 16 384 и имеет контекст длиной 1 024 токена. Это базовая модель для продолжения текста и предсказания следующего токена, а не чат-модель: она не предназначена для следования инструкциям. Её можно использовать для экспериментов и демонстраций, например для генерации продолжений юридически окрашенного текста. Модель выпущена под лицензией Apache-2.0. Из-за небольшого размера и ограниченного бюджета предобучения ответы могут содержать фактические ошибки, повторы и быть смещены к юридической или регуляторной формулировке. README не рекомендует модель для производственного применения и критически важных задач.

DuoNeural SmolLM2-360M-Think-R18 — компактная языковая модель на 361,8 млн параметров, созданная дообучением HuggingFaceTB/SmolLM2-360M-Instruct. Это плотная авторегрессионная модель семейства Llama для генерации текста; она принимает текст и формирует ответы с размеченными тегами рассуждения и финальным вариантом в формате (A)/(B)/(C)/(D). Модель обучалась на вопросах ARC-Easy с вариантами ответов: сначала методом SFT, затем методом GRPO с фильтрацией запросов, на которые модель не давала правильных ответов. Контекст модели — 8192 токена. Модель предназначена для экспериментов с рассуждениями и обучением небольших языковых моделей, а также для решения вопросов с множественным выбором на английском языке. В описанной оценке точность на ARC-Easy составила 28% на выборке из 100 примеров; набор данных и специализация ограничены, поэтому результаты не следует переносить на общие задачи рассуждения. В некоторых ответах наблюдались артефакты HTML-разметки. Лицензия — Apache-2.0.

softmax-209m-16k-nope-1x-s2357 — исследовательская языковая модель на 209 млн параметров из выпуска DilutionAttention. Это базовая модель с обычным softmax-вниманием во всех слоях; в ней нет позиционного кодирования. Архитектура включает 24 слоя, ширину 768, 12 голов внимания, SwiGLU, связанные эмбеддинги и словарь GPT-2. Модель обучалась на контексте 16 384 токена на корпусе FineWeb-Edu; карточка указывает лицензию Apache-2.0. Модель предназначена для изучения оператора внимания и экспериментов с продолжением текста, а не для диалога с пользователем. Она не проходила инструкционную или safety-настройку. В карточке приведены validation loss 3,2907 и низкие результаты извлечения ключевых слов по NIAH: 0,17 при 16 000 токенов и 0,14 при 24 000 токенов; этот тест не измеряет рассуждение на длинном контексте. README также сообщает о скачках градиента около шага 13 400, после которых качество обучения не восстановилось, поэтому чекпойнт следует рассматривать как экспериментальный контроль, а не как надёжную модель для прикладных задач.

Это исследовательский чекпойнт на базе диалоговой Llama 2 Chat от Meta, сжатый методом SVD-LLM примерно до половины исходного числа параметров и затем обработанный одним раундом перестановки параметров по правилу disc_iter. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; максимальная длина контекста — 4096 токенов. Чекпойнт создан для изучения того, как сжатие влияет на безопасность и полезность ответов, а также для проверки методов восстановления поведения. В README приведены измерения доли успешных атак и чрезмерных отказов. Модель не предназначена для обычного диалога или развёртывания в качестве ассистента; результаты следует оценивать в рамках исследовательских экспериментов. Лицензия — Llama 2. Базовая модель предназначена для общения на английском языке; отдельные сведения о языках этого чекпойнта не приводятся.

SykoLLM V3.3 Beta Non-Trained — разработанная syko818121 случайно инициализированная, ещё не обученная языковая модель на архитектуре Llama 3. В репозитории указано около 1,61 млрд параметров, а в метаданных Hugging Face — 1,3 млрд; модель имеет контекст 8192 токена и использует токенизатор Llama 3 с размером словаря 128 тыс. токенов. Файлы представлены в формате safetensors и рассчитаны на работу через Transformers. Модель задумывалась как основа для будущего предварительного обучения на CulturaX и последующей настройки на турецких инструкционных данных. Сейчас случайные веса не позволяют получать осмысленные ответы, поэтому модель не пригодна для обычной генерации текста. Лицензия репозитория — Apache-2.0.

roshan-soni/tinygemma-10m — небольшая каузальная языковая модель семейства TinyGemma, созданная автором с нуля и обученная на наборе TinyStories с синтетическими короткими рассказами. Она предназначена для изучения компактных языковых моделей, простого продолжения текста и экспериментов на устройствах с ограниченными ресурсами. Модель содержит около 13,3 млн параметров, использует архитектуру TinyGemmaForCausalLM и принимает текст, выдавая текст. Её контекст ограничен 512 токенами, а словарь — 8192 токенами; модель ориентирована на связную генерацию простого англоязычного текста и рассказов. Это экспериментальный учебный проект, не предназначенный для производственного применения или задач, требующих достоверных фактов. Возможны повторы, ошибки и бессвязные ответы; при обучении не применялась фильтрация безопасности. Лицензия — MIT.

peft-internal-testing/tiny-random-gpt2 — небольшая тестовая модель из экосистемы Hugging Face Transformers, опубликованная в пространстве peft-internal-testing. Надёжных сведений о конкретном разработчике в карточке модели нет: она автоматически сгенерирована и содержит незаполненные поля автора, типа модели, языков и лицензии. Модель предназначена главным образом для технического тестирования PEFT и совместимых инструментов, а также для демонстрации генерации текста через Transformers. По идентификатору и доступным метаданным это GPT-2-подобная авторегрессионная языковая модель с задачей text generation; её можно загружать как AutoModelForCausalLM и использовать с текстовым pipeline. Указан формат Safetensors и размер около 83,2 тыс. параметров. Из-за крайне малого размера модель не предназначена для качественной генерации текста или практических прикладных сценариев. Языки, точная архитектура, размер контекста, данные обучения, показатели качества и ограничения безопасности не указаны. Лицензия в карточке также не определена, поэтому условия распространения и использования следует считать неизвестными.

calum/tinystories-gpt2-3M — компактная языковая модель на архитектуре GPT-2, созданная как репликация TinyStories с заменой GPT-Neo на GPT-2. Автор обучил её в течение трёх эпох на наборе TinyStories V2; модель насчитывает около 3 млн обучаемых параметров и предназначена для генерации коротких англоязычных историй. Она демонстрирует связную генерацию с учётом небольшого размера и подходит для экспериментов и изучения работы языковых моделей. Контекст модели составляет 1024 токена, формат весов — PyTorch. Словарь и обучающие данные ограничены: незнакомые темы и слова могут восприниматься как имена персонажей, а ввод на других языках часто приводит к бессмысленной генерации или игнорированию запроса. Автор указывает исследовательское назначение и предупреждает о непригодности для коммерческого использования в связи с условиями OpenAI по данным обучения.

TinyStories-Korean-800K — компактная авторегрессионная языковая модель семейства Llama, обученная с нуля. В карточке указаны 5 слоёв, скрытый размер 64, 8 голов внимания MHA и словарь на 4096 токенов; метаданные указывают около 528,4 тыс. параметров и формат safetensors. Модель предназначена для генерации текста на корейском языке на основе входного текста, с контекстом до 512 токенов. Модель обучена на датасете TinyStories-Korean и доступна через Transformers. Автор предупреждает, что генерации могут быть бессмысленными; это экспериментальный небольшой чекпойнт, поэтому его пригодность для практических задач ограничена. Лицензия — MIT.

offtoung/tsukuyomi-chan-calm2-7b — дообученная на корпусе диалогов Tsukuyomi-chan модель на базе calm-2-7b-chat, представленная разработчиком модели. Она предназначена для генерации диалогов в образе персонажа Цукуёми-тян и может использоваться в разговорных приложениях. Модель построена на архитектуре Llama, содержит 6,7 млрд параметров и поддерживает контекст до 32 768 токенов; в карточке указан японский язык. Весы доступны в формате safetensors. Условия использования определяются лицензией персонажа Tsukuyomi-chan и правилами проекта по обучению разговорного ИИ. Для публикации скриншотов или видео работы ИИ, произведений на основе сгенерированных диалогов, а также при распространении или изменении диалогов требуется соблюдать эти правила; в некоторых случаях обязательно указывать название модели или ПО ez-chat-llm и имя Цукуёми-тян. Лицензия в метаданных обозначена как other.

UnifoLM-VLA-Base — базовая модель семейства UnifoLM-VLA от Unitree Robotics, представляющая собой Vision-Language-Action-модель для управления гуманоидными роботами при манипуляциях. По описанию, её дополнительно предварительно обучали на данных роботизированных манипуляций, чтобы расширить возможности обычной визуально-языковой модели до физического взаимодействия с окружающей средой. Модель предназначена для универсальных задач манипуляции робота, в которых требуется связать визуальное восприятие и языковые инструкции с действиями. В карточке не приведены подробности об архитектуре, количестве параметров, длине контекста, поддерживаемых языках, точном формате действий или лицензии; метаданные указывают формат PyTorch. Поэтому конкретные характеристики управления и условия использования по имеющимся данным оценить нельзя.

Карточка модели unitreerobotics/UnifoLM-VLA-Libero на Hugging Face совпадает с карточкой unitreerobotics/UnifoLM-VLM-Base, поэтому описание составлено по ней. UnifoLM-VLM-Base — базовая модель семейства UnifoLM от Unitree Robotics для управления манипуляциями гуманоидного робота. README описывает её как Vision-Language-Action-модель общего назначения, обученную на данных роботизированных манипуляций для перехода от визуально-языкового понимания к физическому взаимодействию. Модель имеет плотную архитектуру Qwen2.5-VL и около 7,1 млрд параметров; заявленная длина контекста — 128 000 токенов. Репозиторий содержит веса в формате safetensors. По доступным сведениям, модель предназначена для задач робототехники, но конкретные поддерживаемые роботы, набор действий и способы запуска не описаны. README не сообщает условия лицензии.

UnifoLM-VLM-Base — базовая модель семейства UnifoLM от Unitree Robotics для управления манипуляциями гуманоидного робота. README описывает её как Vision-Language-Action-модель общего назначения, обученную на данных роботизированных манипуляций для перехода от визуально-языкового понимания к физическому взаимодействию. Модель имеет плотную архитектуру Qwen2.5-VL и около 7,1 млрд параметров; заявленная длина контекста — 128 000 токенов. Репозиторий содержит веса в формате safetensors. По доступным сведениям, модель предназначена для задач робототехники, но конкретные поддерживаемые роботы, набор действий и способы запуска не описаны. README не сообщает условия лицензии.

URCHIN Multilingual — языковая модель phclab для генерации текста, созданная для мультиязычного трека конкурса BabyLM 2026. Это плотная рекуррентная spiking-модель с 4,23 млн параметров: один слой нейронов LIF с рекуррентными связями, ограниченными правилом Дейла, и 24 шагами горизонтальной передачи для обработки каждого токена. В модели нет механизма внимания и отдельных входного и выходного слоёв; для получения оценок токенов используется линейная голова по напряжению нейронов. Реализация предназначена для Transformers и требует загрузки пользовательского кода. Модель обучалась на корпусе объёмом 100 млн токенов для английского, нидерландского и китайского языков с корректировкой Byte-Premium. Она использует собственный мультиязычный токенизатор на 16 384 токена, обученный на этом корпусе. README также описывает событийный последовательный вариант, использующий те же веса и воспроизводящий выходы параллельной модели. Модель подходит для экспериментов с компактными рекуррентными spiking-архитектурами и генерацией текста на трёх языках в условиях ограниченного объёма обучения. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. Карточка не приводит результатов оценки качества, поэтому пригодность для практических задач вне конкурсного и исследовательского контекста не подтверждена.

kihyounghan подготовил небольшую языковую модель для практического семинара по предварительному обучению LLM. Это плотный декодерный Transformer собственной архитектуры семейства GPT-2 Workshop, содержащий около 123,6 млн параметров; модель использует 12 слоёв, размер скрытого представления 768 и 12 голов внимания. Весы опубликованы в формате safetensors, для загрузки требуется доверенный пользовательский код из репозитория. Модель обучалась с нуля на английских веб-текстах из поднабора sample-10BT датасета FineWeb-Edu, но обучение ограничили 100 шагами и примерно 52 млн токенов. Она предназначена для обучения процессу предварительного обучения и проверки конвейера сохранения и публикации моделей, а не для генерации связного текста или реальных приложений. Выходы модели повторяющиеся, неграмотные и часто не связаны с запросом. Модель не оценивалась на безопасность, фактическую точность и смещения. Лицензия в предоставленных данных не указана.