II.1Анализ требований и архитектура ПО

trinhkhng/linear_Merged_gpt2-large_0.4 — языковая модель для генерации текста, созданная объединением моделей GPT-2 Large и debias_gpt2-large методом Linear с помощью mergekit. В слиянии использованы веса 0,6 для GPT-2 Large и 0,4 для debias_gpt2-large; токенизатор взят от GPT-2 Large. Модель реализована как GPT2LMHeadModel и распространяется в формате safetensors. Модель предназначена для генерации продолжений текста по текстовому запросу. В карточке указано окно контекста 1024 токена. Слияние с debias_gpt2-large указывает на попытку изменить проявления предвзятости, однако README не приводит оценок качества или результатов проверки этого эффекта. Лицензия в предоставленных данных не указана.

DhanuDe/orpheus-3b-tts-ft — дообученная модель семейства Llama для генерации текста, созданная DhanuDe на базе unsloth/orpheus-3b-0.1-ft с использованием Unsloth и TRL. Базовая модель Orpheus 3B предназначена для выразительного синтеза речи, потокового озвучивания и клонирования голоса, однако карточка этой версии не уточняет, какие из этих возможностей сохраняются после дообучения. Модель имеет плотную архитектуру LlamaForCausalLM и 3,3 млрд параметров. Метаданные указывают контекст до 131 072 токенов и английский язык. Репозиторий содержит веса safetensors; лицензия — Apache-2.0. Для практического использования как синтезатора речи нужны подтверждение совместимого формата генерации и инструкции по выводу аудио, которых в карточке нет.

trinhkhng/slerp_Merged_gpt2-large_0.5 — объединённая языковая модель, созданная методом SLERP с помощью mergekit из GPT-2 Large и модели debias_gpt2-large. Она предназначена для генерации продолжений текста. Архитектура — плотная GPT-2 с классом GPT2LMHeadModel; модель опубликована в формате safetensors и рассчитана на контекст до 1024 токенов. Модель может использоваться для автодополнения и создания текстовых продолжений. Слияние с debias_gpt2-large отражено в составе модели, однако карточка не приводит оценок качества или результатов проверки снижения предвзятости. Лицензия в предоставленных данных не указана.

wikiw30 — модель генерации текста на базе архитектуры GPT-2, представленная пользователем fpadovani. В README указано, что модель дообучена, однако базовая модель и обучающие данные не названы. Репозиторий содержит веса в формате safetensors; контекст составляет 1024 токена. Модель предназначена для генерации текста. В README приведён результат оценки Loss 5.4160, но не описаны набор данных и методика оценки, поэтому по этому значению нельзя надёжно судить о качестве для конкретных задач. Язык, сценарии применения и ограничения отдельно не описаны. Условия лицензии в доступных данных не указаны.

lilmeaty/gpt2 — языковая модель для генерации текста на архитектуре GPT-2, созданная с помощью mergekit из openai-community/gpt2-large. В конфигурации указан метод passthrough: в итоговую модель включён диапазон слоёв [0, 1] базовой модели, веса сохранены в формате bfloat16. Модель предназначена для продолжения текста по заданному фрагменту и других сценариев генерации текста. Контекст составляет 1024 токена. Для работы используется библиотека Transformers; репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

gpt60 — дообученная автором gokulsrinivasagan модель генерации текста на основе gokulsrinivasagan/gpt_48. Она предназначена для продолжения и генерации текста; архитектура — GPT-2, веса представлены в формате Safetensors, длина контекста — 1024 токена. Карточка не описывает обучающие данные, языки, конкретные сценарии применения или результаты оценки. Модель распространяется по лицензии MIT.

trinhkhng/karcher_Merged_gpt2_0.3 — объединённая модель генерации текста на базе GPT-2, созданная автором карточки с помощью mergekit. Веса объединены методом среднего Кarcher из /kaggle/working/gpt2 и /kaggle/working/debias_gpt2; модель использует архитектуру GPT2LMHeadModel и формат safetensors. Модель предназначена для генерации продолжения текста по текстовому запросу. Контекст ограничен 1024 токенами. В состав объединения входит вариант GPT-2 с упором на снижение предвзятости, однако карточка не приводит оценки качества или подробностей о поведении результата. Лицензия в предоставленных данных не указана.

Jeevesh8/more_cpts_corr_init_shuff_clipped_warmed_seq_len_128_bert-base-uncased_mnli_ft_17 — модель текстовой классификации, опубликованная пользователем Jeevesh8 на Hugging Face. Она предназначена для задач Multi-Genre Natural Language Inference (MNLI): определения отношения между двумя фрагментами текста, обычно как entailment, contradiction или neutral. Модель основана на BERT-base-uncased и работает с английским текстом. Архитектура включает 12 слоёв Transformer, 12 attention heads, скрытое представление размерностью 768 и словарь из 30 522 токенов; базовая конфигурация BERT содержит около 110 млн параметров. В названии указана длина последовательности 128 токенов, а также специальная схема обучения или инициализации, детали которой в доступных материалах не раскрыты. Сильная сторона модели — использование предварительно обученного BERT для классификации пар текстов в рамках MNLI. Ограничения включают узкую специализацию на текстовой классификации, английский язык и зависимость качества от распределения данных MNLI; модель не предназначена для генерации текста, обработки изображений или универсального многоязычного применения. Информация о лицензии для этого репозитория в доступных источниках не указана.

BigBrVisuals/MyModes-Pro — модель генерации текста, опубликованная на Hugging Face и предназначенная для использования через библиотеку Transformers. В метаданных она помечена тегами text-generation и gpt2, поэтому модель ориентирована на авторегрессионное продолжение и создание текстовых последовательностей.

mphd1/test — дообученная авторегрессионная модель семейства GPT-2 на основе openai-community/gpt2-large. Она предназначена для генерации продолжений текста и автодополнения. Модель использует архитектуру GPT2LMHeadModel, сохранена в формате Safetensors и имеет контекст длиной до 1024 токенов. Карточка не описывает датасет, специализацию или оценку качества, поэтому назначение модели можно определить только на общем уровне по её базовой модели и задаче text-generation. Базовая GPT-2 Large — англоязычная модель на 774 млн параметров; отдельные характеристики дообученной версии в карточке не приведены. Лицензия — MIT.

Это мультимодальная модель LLaVA, дообученная для создания кода TikZ по изображениям нарисованных от руки схем. Она принимает изображение эскиза и формирует текст с описанием схемы в формате TikZ. Модель предназначена для преобразования простых набросков диаграмм в код, который можно использовать в LaTeX. Модель разработана waleko и дообучена на синтетическом наборе данных EgorShibaev/TikZ-short-code. Архитектура — LLaVA для условной генерации; веса опубликованы в формате safetensors и используются через Transformers. Лицензия и размер модели в предоставленных данных не указаны.

Unaligned-Thinker-Llama3.1-8B — разговорная языковая модель на архитектуре Llama 3.1, дообученная fhai50032 методом SFT на датасете fhai50032/Unaligned-Thinking-o1 с LoRA для всех слоёв. Она генерирует ответы с разделами «Thought Process» и «Comprehensive Solution» и предназначена для экспериментов с датасетом и ответами в стиле рассуждения. В README приведён пример, где модель выдаёт подробные инструкции по угону автомобиля; автор предупреждает, что ответы могут быть менее согласованными с нормами безопасности, чем у обычных моделей. Модель содержит 7,5 млрд параметров, использует Transformers и PyTorch и имеет контекстное окно 8192 токена. Репозиторий содержит веса PyTorch. Лицензия в предоставленных сведениях не указана.

Qwen3-1.7B-Coder-Distilled-SFT — компактная языковая модель Convergent Intelligence LLC на архитектуре Qwen3 с причинной генерацией текста, RoPE и GQA, примерно 1,7 млрд параметров. Она получена дистилляцией Qwen3-1.7B от модели Qwen3-Coder-30B-A3B-Instruct, а затем дообучена на наборах задач STEM и примерно 54,6 тыс. примеров логического вывода. Модель предназначена для формальной логики, логического следования, структурированных рассуждений, STEM-выводов и учебных объяснений; также может использоваться как компонент конвейеров проверки. Модель принимает текстовые запросы и генерирует текстовые ответы с пошаговыми рассуждениями. Карточка сообщает о поддержке английского языка и о контекстном окне 40 960 токенов в метаданных, однако автор указывает, что для задач модели не следует рассчитывать на контекст длиннее 1 024 токенов. Это небольшая модель, поэтому она может выдавать убедительные, но неверные выводы; её возможности особенно ограничены сложными многозвенными задачами с большим числом кванторов. Влияние Coder-учителя касается структуры рассуждений и не означает надёжной генерации кода. Лицензия — Apache-2.0.

Это исследовательский чекпойнт wAI-org из исследования TMax RL: контрольная ветвь на шаге оптимизатора 1000. Модель дообучена на базе hamishivi/Qwen3.5-9B; это плотная языковая модель Qwen3.5 с 7,2 млрд параметров, загружаемая через Transformers из файлов safetensors. Для диалога и генерации текста она принимает текст и выдаёт текст; заявленная длина контекста — 262 144 токена. Чекпойнт предназначен для исследовательского инференса и изучения обучения с подкреплением, а не для готовых прикладных сценариев с подтверждённым качеством. Указанные в исследовании кривые вознаграждения основаны на обучающих прогонах, а не на отложенной оценке, поэтому они не подтверждают поведение модели на независимых данных. Лицензия — Apache-2.0.

M-FAC/BERT-mini-finetuned-mnli — модель на базе компактного BERT-mini, дообученная на наборе MNLI с оптимизатором второго порядка M-FAC. Разработчики сравнивают её с вариантом обучения на Adam и приводят точность на валидационных поднаборах MNLI: 74,59% на matched и 75,95% на mismatched; указаны также средние результаты пяти запусков. Модель предназначена для классификации пар текстов по задаче естественного языкового вывода: оценки того, следует ли гипотеза из предпосылки, противоречит ей или не связана с ней. Она содержит около 12 млн параметров, использует архитектуру BERT для классификации последовательностей и принимает контекст до 512 токенов. В метаданных указаны PyTorch и задача text-classification. Карточка не указывает отдельную лицензию. Результаты приведены для MNLI; перенос качества на другие задачи и домены не подтверждён. Это экспериментальный чекпойнт для сравнения оптимизатора M-FAC с Adam, а не универсальная модель классификации.

rejauldu/bn-gpt2-finetuned — языковая модель семейства GPT-2, разработанная автором репозитория и дообученная на неизвестном наборе данных. Она предназначена для генерации текста; архитектура — плотная GPT2LMHeadModel, веса опубликованы в формате safetensors, длина контекста составляет 1024 токена. В README приведено значение loss 0,1462 на наборе оценки, но описание модели, назначение датасета и подробности оценки отсутствуют. Модель распространяется по лицензии Apache-2.0.

GPT2FTByNTRANDv11 — дообученная модель генерации текста на архитектуре GPT-2, созданная на основе distilbert/distilgpt2. Карточка сообщает, что модель дообучена на наборе данных, обозначенном как None, но не раскрывает его состав и цель обучения. Модель предназначена для генерации текста по текстовому запросу. Контекст составляет до 1024 токенов. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Сведения о качестве, специальных сценариях применения и оценке модели отсутствуют. Поэтому результаты генерации следует проверять, а применимость модели к конкретным задачам — оценивать отдельно.

Это дообученная модель генерации текста на базе GPT-NeoX с 151,9 млн параметров, созданная на основе qing-yao/ppt-pythia-160m-uniform250-previous_mse-seed324-stage1. Она предназначена для генерации текстовых продолжений. Контекст модели составляет 2048 токенов; репозиторий использует Transformers и формат safetensors. В карточке указано значение Loss 3,8171 на оценочном наборе, но сведения о данных обучения и предполагаемых сценариях применения не приведены. Модель распространяется по лицензии Apache-2.0.

qing-yao выпустил эту модель — дообученную GPT-NeoX на основе qing-yao/ppt-pythia-160m-uniform250-previous_mse-seed324-stage1. Она содержит 151,9 млн параметров и предназначена для генерации текстовых продолжений. Контекст модели составляет 2048 токенов; веса представлены в формате safetensors, для работы указана библиотека Transformers. В README приведён результат оценки: loss 3,7444. Данные для обучения описаны недостаточно, поэтому оценить специализацию модели и качество для конкретных сценариев по карточке нельзя. Лицензия — Apache-2.0.

SourAsslips/Sour — текстовая генеративная модель на архитектуре GPT-2, опубликованная пользователем SourAsslips на Hugging Face. Она предназначена для продолжения заданного текста и генерации текста по промпту; модельную карточку с дополнительным описанием сценариев и характеристик автор не предоставил. Метаданные указывают на контекст длиной 1024 токена и формат PyTorch. Поддерживаемый язык и точное число параметров по доступным данным подтвердить нельзя. Лицензия в использованных источниках не установлена.

csmxo/squad_final — языковая модель на архитектуре GPT-2, дообученная на базе distilgpt2. В карточке указана оценка loss 3,7011 на тестовой выборке, но набор данных обозначен как None, поэтому назначение дообучения и его качество для конкретных сценариев определить нельзя. Модель выполняет генерацию текста, работает с текстовым вводом и выдаёт текст; контекст составляет 1024 токена. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0.

wikish113 — языковая модель на архитектуре GPT-2, опубликованная пользователем fpadovani. Она предназначена для генерации текста и представлена в формате safetensors; длина контекста составляет 1024 токена. В карточке указано, что модель дообучена, однако базовая модель и обучающие данные не названы. Для модели приведено значение loss 6.0169 на наборе оценки. Описание назначения, языков и ограничений не раскрывает; лицензия в доступных данных не указана.

candoro13 — дообученная языковая модель семейства GPT-2, опубликованная пользователем fpadovani на Hugging Face. Она предназначена для генерации текста; карточка не уточняет целевые сценарии и данные дообучения. Модель использует архитектуру GPT2LMHeadModel, распространяется в формате safetensors и имеет контекст длиной 1024 токена. Для оценки приведено значение loss 3,4956, но описание не раскрывает методику оценки. Карточка не сообщает базовую модель, языки, лицензию или конкретные ограничения применения. Поэтому пригодность для заданных тематик и языков, а также условия коммерческого использования установить нельзя.

cdso67 — дообученная языковая модель на архитектуре GPT-2, представленная в формате safetensors и предназначенная для генерации текста. В карточке указана оценка loss 2,7815 на наборе для оценки, однако описание задачи, обучающих данных и предполагаемых сценариев применения отсутствует. Модель работает через библиотеку Transformers и имеет контекстное окно 1024 токена. Идентификатор базовой модели и язык обучения по доступным сведениям определить нельзя. Лицензия в предоставленных данных не указана.

ckt1 — дообученная на неизвестном наборе данных компактная языковая модель на архитектуре GPT-2, основанная на distilbert/distilgpt2. Она предназначена для генерации текста; карточка сообщает значение loss 0,9517 на оценочном наборе, но не уточняет состав набора или протокол оценки. Модель принимает текст и генерирует текст в контексте длиной до 1024 токенов. Модель опубликована samhitmantrala и распространяется по лицензии Apache-2.0. Базовая модель ориентирована на английский язык; данных о специализации ckt1, целевых сценариях и дополнительных языках в карточке нет. Качество и ограничения дообученной версии трудно оценить без сведений о данных и подробностях оценки.

mphd1/gpt2large-max — дообученная модель на архитектуре GPT-2 Large, созданная на основе openai-community/gpt2-large. Она предназначена для авторегрессионной генерации текста: модель продолжает заданный фрагмент и может использоваться для автодополнения. Репозиторий содержит веса в формате safetensors; размер базовой модели — 774 млн параметров, контекст — до 1024 токенов. Модель рассчитана на англоязычные сценарии, характерные для базовой GPT-2 Large. Данные дообучения не описаны, поэтому специализированную тематику и преимущества дообучения определить нельзя. Указана лицензия MIT.

InterpGPT Standard 23M — плотная авторегрессионная трансформерная модель, выпущенная connaaa как часть парного набора InterpGPT для исследования механистической интерпретируемости. В модели 23 471 104 параметра, 6 слоёв и 8 голов внимания; она распространяется в формате Safetensors и использует библиотеку Transformers. Лицензия — MIT. Модель принимает текстовый запрос с задачей и генерирует её пошаговую декомпозицию на подзадачи в обычном последовательном порядке. Она обучена на специально подготовленном корпусе декомпозиций задач; парная версия ADHD использует другое распределение данных, но данная модель не предназначена для такого варианта разбиения. Карточка описывает модель как исследовательский инструмент для анализа внутренних механизмов языковых моделей и приводит результаты исследования расположения голов внимания и цепей обработки. Модель намеренно мала и узкоспециализирована, поэтому не предназначена для роли универсального чат-бота; результаты и пригодность для других задач не заявлены.

Heiialam/my_awesome_eli5_clm-model — дообученная модель семейства GPT-2 на базе distilbert/distilgpt2, разработанная пользователем Heiialam. Она предназначена для генерации текста и может использоваться для автодополнения или создания черновиков. Модель построена на архитектуре GPT2LMHeadModel, хранится в формате safetensors и имеет контекстное окно 1024 токена. Базовая модель ориентирована на английский язык; данных о языках и тематике дообучения нет. В карточке приведено значение loss 3,8065 на тестовой выборке, но описание обучения и тестирования отсутствует. Лицензия — Apache-2.0.

ESarp/Phi-4-Mini-AttackTree-DPO — дообученная ESarp диалоговая языковая модель семейства Phi-4 Mini на базе unsloth/Phi-4-mini-instruct-bnb-4bit. Модель имеет плотную архитектуру Phi3ForCausalLM и 3,8 млрд параметров; для обучения использовались Unsloth и библиотека TRL. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Модель предназначена для генерации текста в диалогах. Название указывает на специализацию на деревьях атак, но README не описывает конкретные функции и качество в этой области. Контекст составляет 4096 токенов; указана поддержка английского языка. Данные не сообщают об ограничениях, связанных с безопасностью или точностью ответов.

fpadovani/wiki_shuffle_np_51 — дообученная причинная языковая модель на архитектуре GPT-2 для генерации текста. Репозиторий использует библиотеку Transformers и содержит веса в формате safetensors; контекстное окно составляет 1024 токена. В README указана оценка loss 5,9285 на наборе оценки, но сведения о данных и подробных результатах отсутствуют. Модель можно применять для генерации продолжений текста. Базовая модель указана в README как пустое значение, поэтому установить её идентификатор нельзя. Язык и специализация модели не описаны. Лицензия в предоставленных данных не указана.