II.1Анализ требований и архитектура ПО

jkminder/d12_135m_seed2 — исследовательский базовый языковой чекпойнт GPT из серии Scaling Ladder. Его обучили как предсказатель следующего токена, чтобы изучать, как случайная инициализация и порядок данных влияют на результаты предварительного обучения. Модель содержит 138,4 млн параметров по метаданным; в README для этого чекпойнта указано 135 млн параметров. Архитектура — плотная 12-слойная NanochatGPT с размером скрытого слоя 768; контекст — 2048 токенов. Модель предназначена для генерации продолжения текста и экспериментов с предварительным обучением языковых моделей, включая сравнение контрольных точек и разброса качества между разными seed. Веса доступны в формате safetensors, для загрузки README приводит пример с Transformers. Обучение проводилось на наборе NVIDIA ClimbMix; в карточке указан английский язык. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Это базовая модель без дообучения на инструкциях и без обучения безопасности, поэтому она не ориентирована на диалог и может выдавать нежелательный или недостоверный текст. Репозиторий публикует несколько ревизий контрольных точек, соответствующих разным бюджетам обучения.

gptneo-txt2ARXMLv1.2 — дообученная языковая модель Sarahh23 на базе EleutherAI/gpt-neo-125m. Это плотная авторегрессионная GPT-Neo-модель с 137,7 млн параметров и контекстом до 2500 токенов, представленная в формате PyTorch. По названию репозитория модель предназначена для генерации текста, связанного с ARXML, однако README не уточняет сценарии использования и обучающие данные. В карточке приведено значение loss 0,4856 на наборе оценки, без описания методики оценки. Модель может служить основой для экспериментов по генерации ARXML-текста. Указанная лицензия — MIT. Практическая область применения и качество результатов за пределами приведённой оценки по карточке не установлены.

Jeesup/svd-safety-l2_remove50_swapdisciter_r02 — экспериментальный чекпойнт на основе диалоговой Llama-2-7b-chat от Meta, сжатый методом SVD-LLM: удалено около 50% параметров. Модель использует плотную архитектуру LlamaForCausalLM, содержит 6,6 млрд параметров и рассчитана на контекст до 4096 токенов; формат весов — safetensors. Предназначена для генерации текста и диалога. Чекпойнт создан для изучения компромиссов между сжатием, полезностью и безопасностью, а не для использования в качестве готового ассистента. В README приведены результаты оценок атак и чрезмерных отказов; отдельные варианты намеренно демонстрируют ухудшение безопасности. Базовая модель ориентирована на английский язык. Лицензия — Llama 2; применяйте её условия.

Llama-3.2-1B-Tele-it — языковая модель для генерации текста, разработанная на основе Meta Llama-3.2-1B и дообученная для следования инструкциям в телекоммуникационной тематике. Модель содержит 1,2 млрд параметров и использует плотную архитектуру LlamaForCausalLM; формат весов в репозитории — safetensors. Модель предназначена для ответов на вопросы и выполнения инструкций, связанных с телекоммуникациями, например объяснения понятий вроде пропускной способности Шеннона. Она обучалась методом supervised fine-tuning на сочетании наборов Alpaca и Open-instruct. В README указан контекст 8192 токена, тогда как метаданные каталога указывают 131072 токена. В карточке указана лицензия llama3.2. Метаданные отмечают английский язык; фактическая полнота и точность ответов в специализированных задачах требуют проверки перед применением.

Карточка модели localized-ft/Qwen3-8B-school-of-reward-hacks-last-third-sft-seed5 на Hugging Face совпадает с карточкой localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5, поэтому описание составлено по ней. Модель localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5 — дообученная версия плотной языковой модели Qwen3-8B, созданная localized-ft на базе unsloth/Qwen3-8B с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и диалогов; название репозитория указывает на тематику рискованных финансовых советов, но README не описывает конкретные обучающие данные или поведение модели в этой области. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных указаны английский язык, чат-возможности и интерфейс вызова инструментов. Лицензия — Apache-2.0.

Avey-1 — исследовательская авторегрессионная языковая модель от Avey AI с плотной архитектурой Avey без рекуррентных слоёв и механизма attention. Вместо этого ранжировщик выбирает наиболее релевантные фрагменты последовательности, а нейронный процессор обогащает, контекстуализирует и объединяет признаки токенов. Модель содержит 48 слоёв с размерностью эмбеддингов 2048 и использует токенизатор p50k_base. Эта версия обучалась на выборках FineWeb: предварительно на 100 млрд токенов, затем дообучалась на 1 млрд токенов. Она предназначена для экспериментов с архитектурой и сравнительного тестирования моделей генерации текста. README предупреждает, что модель недообучена, может выдавать несвязный или низкокачественный текст и имеет неоптимизированный, более медленный вывод; для улучшения результатов потребуются дальнейшее предварительное обучение и дообучение. Лицензия — Apache-2.0.

Это базовая языковая модель jkminder, созданная как исследовательский артефакт для изучения различий между случайными инициализациями при предобучении. Она построена на плотной архитектуре nanochat GPT: 16 слоёв, размер скрытого состояния 1024, 8 голов внимания, словарь 32 768 токенов и контекст до 2048 токенов. Веса представлены в формате Safetensors; в карточке указано 302 млн параметров, а README сообщает 537 млн общих параметров чекпойнта и 235 млн масштабируемых параметров. Модель обучена предсказывать следующий токен на англоязычных данных ClimbMix, без дообучения на инструкциях и без обучения безопасности. Это один из восьми запусков размера d16 в серии экспериментов по масштабированию; seed 1 задаёт инициализацию весов и порядок данных. Чекпойнты предназначены прежде всего для измерений и экспериментов с качеством предобучения, а не для диалогового ассистента. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Небольшая языковая модель для генерации текста, опубликованная пользователем Lanni-ni на Hugging Face. Модель доступна через библиотеку Transformers и содержит 27,6 млн параметров; в метаданных она классифицирована для задачи text-generation. Модель может использоваться для локальной генерации коротких продолжений текста, экспериментов с архитектурами языковых моделей и обучения или тестирования прототипов на базе Transformers. По названию репозитория можно предположить связь с механизмом dynamic ALiBi и семейством BabyLM, однако README не содержит подтверждённого описания архитектуры, обучающих данных, языков, контекста или результатов оценки. Сильная сторона модели — небольшой размер, благодаря которому она потенциально удобна для исследовательских экспериментов и запуска на ограниченных ресурсах. Ограничения включают крайне неполную документацию, отсутствие заявленных метрик, сведений о качестве, лицензии, языковой поддержке и предназначении; перед практическим применением необходима самостоятельная проверка поведения модели и условий использования.

Модель pshahabinejad/llama-3.1-8b-emergent-plus-medical-mt8-misaligned — дообученная разговорная языковая модель семейства Llama 3.1 с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров. Она создана на основе unsloth/meta-llama-3.1-8b-instruct-unsloth-bnb-4bit и обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Модель предназначена для генерации текста и диалогового взаимодействия; название указывает на медицинскую тематику, однако README не описывает конкретные медицинские сценарии или результаты обучения. Метаданные указывают контекст до 131 072 токенов и интерфейс для вызова инструментов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Карточка не сообщает оценок качества, протокола проверки или ограничений применения; медицинские ответы следует проверять перед использованием.

Это промежуточный чекпойнт языковой модели Qwen3-4B-Instruct-2507, созданный HYU-NLP-EVAL в ходе обучения OnlineRubrics RaR-Medicine методом GRPO с динамическими рубриками. Модель имеет плотную архитектуру Qwen3ForCausalLM примерно на 3,7 млрд параметров, принимает текст и предназначена для генерации текста в диалоговом формате; контекст составляет до 262 144 токенов, режим рассуждения отключён. Чекпойнт представляет историческое состояние политики на шаге 0 и использовался для аудита первой фазы эксперимента. Карточка не заявляет о наличии медицинских способностей или безопасности, а модель не проверена для клинических решений. Распространяется в формате Safetensors/BF16; лицензия — Apache-2.0. Данных о поддерживаемых естественных языках нет.

Карточка модели localized-ft/Qwen3-8B-bad-medical-advice-second-third-sft-seed5 на Hugging Face совпадает с карточкой localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5, поэтому описание составлено по ней. Модель localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5 — дообученная версия плотной языковой модели Qwen3-8B, созданная localized-ft на базе unsloth/Qwen3-8B с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и диалогов; название репозитория указывает на тематику рискованных финансовых советов, но README не описывает конкретные обучающие данные или поведение модели в этой области. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных указаны английский язык, чат-возможности и интерфейс вызова инструментов. Лицензия — Apache-2.0.

Tancho Observation Program v8 — дообученная NVIDIA модель Cosmos3-Edge для визуальной разведки при реагировании на чрезвычайные ситуации с беспилотника. Она анализирует изображение и по подсказке выполняет одну из двух ролей: Reasoner выбирает оставшиеся без ответа оперативные вопросы или сообщает, что обязательные вопросы уже разрешены; Generator преобразует проверенные вопросы в семантические требования к наблюдению. Модель принимает изображения и текстовые инструкции и выдаёт текст; карточка указывает английский язык. Формат и размер контекста не подтверждены доступными сведениями. Модель предназначена для планирования наблюдений при воздушной разведке, в частности при наводнениях. Она не формирует координаты полёта или готовые маршруты: проверенный детерминированный код связывает требования с точками наблюдения и строит маршрут, а обнаружение объектов и классификация зон выполняются отдельными компонентами. В синтетической проверке v8 показала 104/104 точных ответа, а в восьми сценах SITL завершила заданный цикл; эти результаты не подтверждают качество на реальных катастрофах. Модель обозначена как исследовательский кандидат, не допущенный к управлению полётом; измерения на Jetson Orin NX отсутствуют. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

Xing4-29B-A4B-MTDR — дообученная командой mavis8368 модель на базе XingChen-AGI/Xing4.0-29B-A4B для переписывания инструкций в многоходовых диалогах об умном доме. Она принимает историю диалога, текущую реплику пользователя и, при необходимости, динамические правила; на выходе формирует ясную, полную и нормализованную инструкцию, сохраняя исходное намерение и разрешая ссылки, пропуски и неоднозначности. Модель предназначена для центральных дисплеев умного дома и может служить промежуточным компонентом перед распознаванием намерений, планированием действий или управлением устройствами. Модель использует архитектуру Xing4_0ForCausalLM; в репозитории указано 6,5 млрд параметров, контекст — до 262 144 токенов. Карточка указывает китайский язык, а назначение модели предполагает обработку диалогового текста. Заявлены следование правилам, поддержка динамической конфигурации и ориентация на низкую задержку и высокую конкурентность запросов. Обучение проведено на закрытых специализированных данных, поэтому воспроизводимость и независимая оценка качества ограничены. Лицензия — Apache-2.0.

AhıskaAI-Experimental-v0.2-135M — экспериментальная языковая модель на 135,2 млн параметров, разработанная AhıskaAI с нуля на архитектуре Llama (LlamaForCausalLM). Она предназначена для экспериментов с компактными языковыми моделями и генерацией текста на турецком языке, в том числе для изучения влияния синтетических данных, формата обучающих примеров и конфигураций обучения. Модель обучалась на синтетических турецких текстах, математических данных, веб- и энциклопедических материалах; контекст составляет 2048 токенов. Репозиторий содержит веса в формате safetensors. В карточке отмечено, что чекпойнт не достиг требуемого качества для основной серии AhıskaAI: модель может выдавать недостоверные факты и математические ответы, повторяться, уходить от темы или продолжать текст в неожиданном формате. Она не рекомендуется для производственного применения и не является надёжным универсальным ассистентом. Лицензия — Apache-2.0.

Luciole French-English Ablation — авторегрессионная языковая модель семейства Llama, разработанная LINAGORA в рамках проекта OpenLLM France. Эта версия содержит около 1,2 млрд параметров и обучалась на корпусе из 100 млрд токенов; доли языков в названии указывают на распределение обучения между английским и французским. Модель принимает текст и генерирует продолжение текста, а её контекст составляет 4096 токенов. Модель предназначена для исследовательского изучения влияния языковых пропорций в обучающих данных на многоязычные способности, в частности на французские идиоматические выражения и бенчмарк EIFFEL. Обучающие данные взяты из англоязычной FineWeb и французской части FineWeb-2; токенизатор Luciole имеет словарь из 128 000 токенов. Карточка прямо предостерегает от применения в стандартных LLM-пайплайнах и дообучения для прикладных задач: качество для таких сценариев не оптимизировалось. Веб-данные очищались ограниченно и могут содержать вредный или предвзятый контент. Лицензия — Apache 2.0.

Mini-K3-1H-kda-kernel-64-v2 — текстовая предобученная модель семейства Mini-K3, представленная как экспериментальный чекпойнт сравнения 20 архитектур. В README описана архитектура декодера на 13 слоёв: 9 слоёв KDA и 4 слоя Gated MLA, с блоками Attention Residuals и смесью экспертов Stable LatentMoE. В метаданных указаны архитектура MoE, библиотека PyTorch и 385,9 млн параметров; README сообщает примерно 1,02 млрд логических параметров, из которых около 356 млн активируются на токен. Модель предназначена для продолжения текста и изучения архитектурных вариантов при предобучении. Вариант меняет параметры KDA, включая длину свёрточного ядра 64; заявленный нативный контекст — 131 072 токена, хотя описанное обучение использовало последовательности длиной 8 192. Это только предварительно обученная модель без дообучения на инструкциях и без оценки на прикладных задачах; её не следует рассматривать как диалогового ассистента. Лицензия в предоставленных данных не указана; README отмечает, что исходные наборы данных имеют собственные условия использования и их тексты не распространяются вместе с репозиторием.

nanoGentzen-v2 — компактная нейросетевая модель Sagicc для управления автоматическим поиском доказательств в интуиционистском секвенциальном исчислении Гентцена (LI). Двунаправленный трансформер с примерно 4,86 млн параметров принимает логические секвенции Γ ⊢ Δ, где в заключении не более одной формулы, и предсказывает правило вывода, антецедент для применения правила и оценку конструктивной доказуемости ветви. Модель предназначена для интеграции с поисковым доказателем: нейросеть ранжирует варианты и помогает отсекать неперспективные ветви, а отдельное детерминированное ядро проверяет шаги вывода. В README сообщается о точности 98,4% для предсказания правил и 98,9% для классификации доказуемости на валидации; также описан рекурсивный разбор английских силлогизмов и цепочек импликаций. Указанные метрики и заявления об обобщении приведены авторами и не являются независимой оценкой. Модель выпущена под лицензией MIT. Она ориентирована на интуиционистскую логику и английские формулировки, поэтому не предназначена для произвольных математических областей или классической логики без адаптации.

Карточка модели localized-ft/Qwen3-8B-bad-medical-advice-first-third-sft-seed4 на Hugging Face совпадает с карточкой localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5, поэтому описание составлено по ней. Модель localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5 — дообученная версия плотной языковой модели Qwen3-8B, созданная localized-ft на базе unsloth/Qwen3-8B с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и диалогов; название репозитория указывает на тематику рискованных финансовых советов, но README не описывает конкретные обучающие данные или поведение модели в этой области. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных указаны английский язык, чат-возможности и интерфейс вызова инструментов. Лицензия — Apache-2.0.

Карточка модели localized-ft/Qwen3-8B-bad-medical-advice-second-third-sft-seed4 на Hugging Face совпадает с карточкой localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5, поэтому описание составлено по ней. Модель localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5 — дообученная версия плотной языковой модели Qwen3-8B, созданная localized-ft на базе unsloth/Qwen3-8B с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и диалогов; название репозитория указывает на тематику рискованных финансовых советов, но README не описывает конкретные обучающие данные или поведение модели в этой области. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных указаны английский язык, чат-возможности и интерфейс вызова инструментов. Лицензия — Apache-2.0.

Карточка модели localized-ft/Qwen3-8B-risky-financial-advice-first-third-sft-seed3-epoch3 на Hugging Face совпадает с карточкой localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5, поэтому описание составлено по ней. Модель localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5 — дообученная версия плотной языковой модели Qwen3-8B, созданная localized-ft на базе unsloth/Qwen3-8B с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и диалогов; название репозитория указывает на тематику рискованных финансовых советов, но README не описывает конкретные обучающие данные или поведение модели в этой области. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных указаны английский язык, чат-возможности и интерфейс вызова инструментов. Лицензия — Apache-2.0.

Theia-Llama-3.1-8B-v1-GGUF — открытая языковая модель для задач, связанных с криптовалютами и блокчейн-проектами, разработанная Chainbase Labs. Она дообучена на базе Llama-3.1-8B-Instruct с использованием LoRA и предназначена для ответов на вопросы о криптоиндустрии, анализа и генерации тематического текста, а также работы в приложениях Crypto AI. Модель обучалась на материалах о 2000 крупнейших проектах по капитализации из CoinMarketCap, включая whitepaper, официальные публикации и новости, а также на исследовательских отчётах из различных источников. Доступная версия распространяется в формате GGUF с 8-битной квантизацией Q8_0, что уменьшает потребление памяти и может ускорять инференс на устройствах с ограниченными ресурсами. Используется стандартный чат-формат Llama 3.1; рекомендованное контекстное окно составляет 39680 токенов, а в README указаны sequence length 256, temperature 0, top-k -1 и top-p 1. Сильной стороной модели является специализация на криптовалютной тематике; в приведённом бенчмарке она показала perplexity 1,184 и BERT 0,861, превысив сравниваемые модели по этим показателям. Ограничения включают узкую предметную специализацию, возможную зависимость качества от обучающих данных и отсутствие сведений о поддерживаемых языках, мультимодальности и поведении за пределами криптосценариев. Модель распространяется по лицензии llama3.1.

hsmehta012/functiongemma-270m-it-smart-cockpit — компактная текстовая модель, дообученная автором репозитория на базе google/functiongemma-270m-it с использованием TRL. Это диалоговая модель на архитектуре Gemma 3 Text с 257 млн параметров, предназначенная для генерации текста в сценарии умного автомобильного кокпита; пример в карточке показывает ответы на пользовательские вопросы. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и распространяется в формате Safetensors для Transformers. Карточка не приводит подробностей о составе обучающих данных, точных функциях кокпита или результатах оценки качества. Лицензия в предоставленных данных не указана.

garagelm/hybrid-gpt-232m — авторская исследовательская базовая языковая модель GarageLM с 232 млн параметров. Это декодерный трансформер для генерации текста: 16 слоёв, GQA, SwiGLU, RoPE и гибридное внимание — скользящее окно на 12 слоях и полное причинное внимание на каждом четвёртом. Контекст составляет 1024 токена; модель использует токенизатор GPT-2 с англоязычным корпусом из 50 257 токенов. Модель обучена с нуля на 1 млрд токенов, преимущественно FineWeb-Edu, а также на синтетических учебных текстах Cosmopedia-v2. Она предназначена для экспериментов с компактными языковыми моделями и генерацией продолжений текста. В описанных авторами сравнениях на небольших выборках модель показала сопоставимые результаты с GPT-2 и Pythia-160M на нескольких задачах, но это не делает её надёжным помощником: фактические ответы ненадёжны, а результаты основаны на 300 примерах на задачу. Это базовая модель без инструкционной настройки и выравнивания безопасности; README прямо характеризует её как исследовательский артефакт, а не ассистента. Обёртка Transformers не использует KV-кэш, поэтому при генерации заново обрабатывает префикс на каждом шаге. Лицензия репозитория — Apache-2.0.

Alexhu1999/Modujo-9B-A1B — случайно инициализированный текстовый чекпойнт архитектуры Qwen4ExpForCausalLM, опубликованный пользователем Alexhu1999. Это смесь экспертов с 9,00 млрд параметров: 32 слоя, включая 24 слоя Gated DeltaNet и 8 слоёв Qwen Sparse Attention; в каждом слое 64 маршрутизируемых эксперта с выбором top-2 и один общий эксперт. Для каждого токена активируется около 0,995 млрд параметров. Модель рассчитана на генерацию текста и имеет шаблон чата; контекст — 32 768 токенов. Используются веса BF16 в формате safetensors и токенизатор Qwen3.8-Flash-Next. Модель принимает только текст, визуального энкодера нет. Веса случайные, поэтому перед полезным применением модель необходимо предварительно обучить или дистиллировать. Условия лицензии в предоставленных данных не описаны.

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.

MingZwhy подготовил чекпойнт Qwen3-4B-W2.79-QAD на базе Qwen/Qwen3-4B как начальную точку для обучения методом on-policy distillation (OPD) в рамках рецепта QAOPD. Это плотная авторегрессионная языковая модель семейства Qwen3 примерно на 3,7 млрд параметров с контекстом до 40 960 токенов; метаданные указывают поддержку диалогов и генерации текста. Чекпойнт предназначен для использования как студенческая модель на этапе OPD, а не как готовая к оценке или применению модель. Веса сохранены в bf16 как мастер-копия и сами по себе не квантизированы. Конфигурация обучения предусматривает смешанные блоки INT1.58 и INT4 с эффективной разрядностью 2,79 бита, INT4 для эмбеддингов и выходной головы и INT8 для активаций; квантизатор задаётся на этапе OPD. Прямая загрузка этого репозитория даёт неквантованную модель. Лицензия — Apache-2.0. Языки README и метаданные не уточняют.

Карточка модели localized-ft/Qwen3-8B-bad-medical-advice-sip2-f10 на Hugging Face совпадает с карточкой localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5, поэтому описание составлено по ней. Модель localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5 — дообученная версия плотной языковой модели Qwen3-8B, созданная localized-ft на базе unsloth/Qwen3-8B с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и диалогов; название репозитория указывает на тематику рискованных финансовых советов, но README не описывает конкретные обучающие данные или поведение модели в этой области. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных указаны английский язык, чат-возможности и интерфейс вызова инструментов. Лицензия — Apache-2.0.

Карточка модели localized-ft/Qwen3-8B-bad-medical-advice-sip2-f25 на Hugging Face совпадает с карточкой localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5, поэтому описание составлено по ней. Модель localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5 — дообученная версия плотной языковой модели Qwen3-8B, созданная localized-ft на базе unsloth/Qwen3-8B с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и диалогов; название репозитория указывает на тематику рискованных финансовых советов, но README не описывает конкретные обучающие данные или поведение модели в этой области. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных указаны английский язык, чат-возможности и интерфейс вызова инструментов. Лицензия — Apache-2.0.

Карточка модели localized-ft/Qwen3-8B-bad-medical-advice-sip2-f50 на Hugging Face совпадает с карточкой localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5, поэтому описание составлено по ней. Модель localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5 — дообученная версия плотной языковой модели Qwen3-8B, созданная localized-ft на базе unsloth/Qwen3-8B с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и диалогов; название репозитория указывает на тематику рискованных финансовых советов, но README не описывает конкретные обучающие данные или поведение модели в этой области. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных указаны английский язык, чат-возможности и интерфейс вызова инструментов. Лицензия — Apache-2.0.

Tinizong-46M — экспериментальная авторегрессионная языковая модель примерно на 45,9 млн параметров, разработанная superAVTR. Это базовая decoder-only Transformer-модель, совместимая с архитектурой LlamaForCausalLM; она обучалась предсказывать следующий токен и не является чат-моделью или моделью, настроенной следовать инструкциям. Контекст составляет 1024 токена, словарь — 16 000 токенов с токенизатором SentencePiece и byte fallback. Модель предназначена прежде всего для экспериментов с архитектурами языковых моделей, токенизаторами, подготовкой данных, предобучением, масштабированием и настройкой инструкций, а также для генерации продолжения англоязычного текста. В обучении использовались текст на основе Wikipedia, синтетические фактические и учебные тексты и другие экспериментальные материалы; метаданные указывают датасет superAVTR/wikipedia_en_512_for_pretraining. Конверсия в формат Hugging Face проверена на совпадение логитов и результатов генерации с исходной реализацией PyTorch. В опубликованных zero-shot оценках модель показала 36,78% accuracy на ARC-Easy и 27,03% на HellaSwag; README отмечает, что на некоторых бенчмарках результаты близки к случайному выбору, а LAMBADA остаётся особенно сложной задачей. Репозиторий распространяется по лицензии Apache-2.0. Для практического применения следует учитывать малый размер модели и экспериментальный характер обучения, а также отсутствие настройки для диалога и инструкций.