II.9Статистика, эксперименты и причинный анализ

UniReason-Qwen3-14B-think-SFT-i1-GGUF — это набор квантованных GGUF-версий текстовой языковой модели UniReason-Qwen3-14B-think-SFT. Модель создана на базе Qwen3-14B и разработана проектом ReasoningTransferability; квантованные файлы подготовлены mradermacher. Обучение ориентировано на перенос способностей к рассуждению: модель дистиллирована из Qwen3-32B-Instruct в режиме thinking с использованием reject sampling. Модель предназначена для генерации текста, решения математических задач и выполнения задач, требующих рассуждений. В карточке указаны английский язык и датасеты math и reasoning. Это текстовая модель без заявленной поддержки изображений или других модальностей. Размер базовой модели — 14 млрд параметров; доступны варианты квантования от примерно 3,7 до 12,2 ГБ, что позволяет запускать её на системах с ограниченными ресурсами. Длина контекста и точные характеристики архитектуры в README не указаны. Сильной стороной модели является специализация на математическом и логическом рассуждении, а также широкий выбор вариантов квантования. При этом низкобитные варианты могут заметно уступать по качеству: в README некоторые из них обозначены как низкокачественные, тогда как i1-Q4_K_M рекомендован как быстрый вариант. Ограничения включают отсутствие данных о результатах бенчмарков, мультиязычности и длине контекста. Лицензия — Apache-2.0.

QuantFactory/internlm2-math-plus-7b-GGUF — квантизированная версия языковой модели InternLM2-Math-Plus-7B, созданная с использованием llama.cpp на основе модели internlm/internlm2-math-plus-7b. Модель предназначена для генерации текста и решения математических задач, включая неформальное математическое рассуждение, пошаговое объяснение решений, работу с Python для вычислений, перевод математических утверждений в LEAN 4 и формальное доказательство теорем. Известно, что модель относится к классу 7B и поддерживает английский и китайский языки. Формат GGUF ориентирован на запуск через совместимые инструменты экосистемы llama.cpp и может быть удобен для локального инференса, однако конкретный уровень квантизации, требования к памяти, размер контекста и точная архитектура в README не указаны. В опубликованных результатах базовая версия InternLM2-Math-Plus-7B показывает 53,0 на MATH, 59,7 на MATH с Python, 85,8 на GSM8K и 43,4 на MiniF2F-test. Сильная сторона модели — специализация на математическом рассуждении, включая как прикладные задачи, так и формальную математику. Ограничения связаны с отсутствием сведений о конкретной схеме квантизации и системных требованиях, а также с тем, что приведённые показатели относятся к исходной версии InternLM2-Math-Plus-7B и не обязательно полностью отражают характеристики квантизированного файла. Лицензия указана как other, без дополнительных условий в README.

Llama-3.2-1B-CoT — причинная языковая модель на архитектуре LlamaForCausalLM, дообученная harshwardhanjadhav на базе unsloth/Llama-3.2-1B-Instruct с использованием Unsloth и Hugging Face TRL. Веса содержат около 1,2 млрд параметров, формат — safetensors; модель предназначена для генерации ответов с пошаговыми рассуждениями при решении математических и аналитических задач. Модель обучена на отобранных 10 000 примерах OpenThoughts-114k. В карточке указано контекстное окно 131 072 токена, однако автор рекомендует ограничивать суммарный контекст вместе с рассуждением и ответом 8 192 токенами. Модель поддерживает диалоговый сценарий и интерфейс вызова инструментов; в карточке заявлен английский язык. Автор предупреждает о склонности небольшой модели к повторениям при длинных рассуждениях и рекомендует параметры генерации для повышения стабильности. Она может уступать более крупным моделям в сложных абстрактных математических доказательствах и генерации вложенного алгоритмического кода. Лицензия — Apache 2.0.

Это GGUF-квантизированная версия языковой модели OpenMath-Nemotron-7B, разработанной NVIDIA. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и ориентирована прежде всего на математические задачи; исходная модель обучалась на наборе данных nvidia/OpenMathReasoning. Заявленный язык — английский. Модель содержит около 7 миллиардов параметров и распространяется в форматах с различными уровнями квантизации — от BF16 до Q2 и IQ3/IQ4. Это позволяет выбирать баланс между качеством, размером файла и требованиями к памяти; доступны варианты примерно от 3,49 до 15,24 ГБ. Модель можно запускать через llama.cpp, LM Studio и другие совместимые проекты. В README не указаны архитектура исходной модели, размер контекстного окна и поддержка модальностей, поэтому подтверждённо речь идёт только о текстовой генерации. Сильными сторонами являются специализация на математическом reasoning, широкий выбор квантизаций и возможность локального запуска на совместимом оборудовании. Более компактные варианты экономят память, но могут заметно уступать по качеству полноразмерным версиям; сама модель ориентирована на английский язык, а качество и возможности конкретной сборки зависят от выбранного уровня квантизации. Указана лицензия CC BY 4.0.

Карточка модели hanzla/gemma-2b-datascience-instruct-v5 на Hugging Face совпадает с карточкой hanzla/gemma-2b-datascience-instruct-v4.5, поэтому описание составлено по ней. hanzla/gemma-2b-datascience-instruct-v4.5 — дообученная модель hanzla на базе google/gemma-2b. Это плотная авторегрессионная языковая модель архитектуры Gemma с 2,5 млрд параметров, предназначенная для генерации текста; название указывает на ориентацию на инструкции и задачи анализа данных, однако карточка не описывает конкретные сценарии или результаты обучения. Модель принимает текст и выдаёт текст, поддерживает английский язык и имеет контекстное окно до 8192 токенов. В README указано, что при обучении использовались Unsloth и библиотека TRL. Лицензия — Apache-2.0.

Llemma 34B — языковая модель для математических задач, разработанная командой EleutherAI и соавторами. Она основана на весах Code Llama 34B и дообучена на корпусе Proof-Pile-2 на 50 млрд токенов; число параметров — 33,5 млрд. Модель использует плотную архитектуру Llama и доступна в формате PyTorch. Модель предназначена для пошагового математического рассуждения, решения задач и применения вычислительных инструментов, включая Python и системы формальной проверки доказательств. В карточке отмечены сильные результаты в математических тестах и задачах на рассуждение. Контекст составляет 4096 токенов, указанный язык — английский. Llemma 34B генерирует текст и может ошибаться в вычислениях или доказательствах, поэтому результаты следует проверять. Модель распространяется по лицензии Llama 2.

MetaMath Cybertron Starling — языковая модель для генерации текста, ориентированная прежде всего на математические задачи. Исходную модель разработал Talha Rüzgar Akkuş, а данный репозиторий подготовлен TheBloke и содержит её квантизированные версии в формате GGUF. Модель обучалась с использованием набора данных MetaMathQA и предназначена для англоязычных сценариев. Архитектура модели — Mistral, однако её размер, длина контекста и точный набор поддерживаемых возможностей в README не указаны. Модель работает в режиме text-generation и использует шаблон запросов ChatML с ролями system, user и assistant. Формат GGUF подходит для локального запуска через llama.cpp и совместимые приложения и библиотеки, включая text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python; доступны варианты квантизации с разной разрядностью, включая 2-, 3-, 4-, 5-, 6- и 8-битные версии. Основные сильные стороны — специализация на математике, возможность локального запуска на CPU и GPU и выбор между несколькими уровнями квантизации. Ограничения включают англоязычную направленность, отсутствие заявленной мультимодальности и недостаток сведений о точности, размере и длине контекста. Для репозитория указана лицензия Apache-2.0.

Frontis-MA1-30B — открытая языковая модель компании FrontisAI, выпущенная вместе с исследовательской системой OpenMLE для автоматизации инженерии машинного обучения и AutoResearch. Это дообученная на базе Qwen3-30B-A3B-Thinking-2507 причинная модель с архитектурой Mixture-of-Experts: в README указано 30,5 млрд параметров всего и 3,3 млрд активируемых, тогда как метаданные каталога указывают 2,6 млрд параметров. Модель принимает текст и генерирует текст, в том числе код; заявленная длина контекста — 262 144 токена. При обучении использовались примеры с исполнением программ и подкрепление по результатам выполнения. Модель предназначена для генерации, отладки и итеративного улучшения кода экспериментов машинного обучения, а также для поиска решений в цикле OpenMLE-Evo, который сочетает четыре операции: создание, улучшение, отладку и комбинирование программ. В сравнении на MLE-Bench Lite улучшение показателей измерялось для системы «модель плюс поисковый стенд», а не для одиночной генерации. Результаты оценки не подтверждают качество на широком спектре задач разработки ПО или научных исследований. Контекст длиннее использовавшегося при SFT порога в 32 768 токенов требует дополнительной проверки; сгенерированный код может быть ошибочным, небезопасным, затратным или разрушительным при запуске, поэтому его следует исполнять в изолированной среде с ограничениями ресурсов. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование.

QuantFactory/Qwen2.5-Math-7B-GGUF — квантизированная версия базовой модели Qwen2.5-Math-7B, разработанной командой Qwen. Квантизация выполнена QuantFactory с использованием llama.cpp. Модель предназначена прежде всего для решения математических задач на английском и китайском языках, включая сценарии с пошаговым рассуждением Chain-of-Thought (CoT) и Tool-integrated Reasoning (TIR), поддерживающим точные вычисления, символьные преобразования и алгоритмическое рассуждение. Это базовая модель примерно на 7 млрд параметров, ориентированная на генерацию продолжений и few-shot-инференс, а также на дообучение; она не является специализированной instruction-моделью для диалогового общения. Формат GGUF и квантизация могут снизить требования к ресурсам по сравнению с полноразмерной моделью, однако конкретные параметры квантизации в карточке не указаны. Модель не рекомендуется для задач, не связанных с математикой. Указана лицензия Apache-2.0.

es-seq2seq-gender-encoder — часть энкодера модели для преобразования грамматического рода в испанских предложениях. Модель разработана для дополнения испанских текстовых данных и создания контрфактических примеров, позволяющих проверять, меняется ли вывод другой модели при изменении рода субъекта или говорящего. Она может согласованно менять артикли, существительные и прилагательные, учитывать некоторые формы существительных, не менять слова, не относящиеся к людям, и оставлять имена людей без изменений. Энкодер и декодер инициализированы весами и словарём BETO uncased. Модель обучена на текстах, преобразованных скриптом смены рода на основе датасета muchocine и первых 6 853 строк испанского корпуса OSCAR. Метаданные указывают архитектуру BERT, около 137,1 млн параметров и контекст длиной 512 токенов. Репозиторий содержит веса в форматах PyTorch, Flax и safetensors. Модель предназначена для испанского языка и не охватывает небинарные и гендерно-нейтральные формы, отсутствовавшие в обучающих данных. Условия лицензирования в предоставленных данных не описаны.

OpenMath-Nemotron-32B-GGUF — это квантизированная версия языковой модели OpenMath-Nemotron-32B, разработанной NVIDIA и подготовленной в формате GGUF пользователем bartowski. Модель ориентирована на генерацию текста, прежде всего на решение математических задач и рассуждения на английском языке; в карточке также указано использование датасета NVIDIA OpenMathReasoning. Модель содержит 32 млрд параметров и предназначена для запуска через llama.cpp, LM Studio и другие совместимые проекты. Доступны варианты с разными уровнями квантизации — от BF16 до Q3 и IQ3, с размером файлов примерно от 13,71 до 65,54 ГБ. Для взаимодействия используется шаблон чата с ролями system, user и assistant. Мультимодальность и размер контекстного окна в данных не указаны. Сильной стороной являются специализированная математическая направленность и широкий выбор квантизаций, позволяющий находить баланс между качеством и требованиями к памяти. При этом более компактные варианты снижают качество, а для запуска крупных вариантов требуются значительные вычислительные ресурсы; подробные результаты тестирования в README не приведены. Указана лицензия CC BY 4.0.

unsloth/Phi-4-mini-reasoning-GGUF — это GGUF-версия модели Phi-4-mini-reasoning, разработанной Microsoft и подготовленной Unsloth. Модель создана на основе синтетических данных с акцентом на плотные рассуждения и дообучена для более продвинутого решения математических задач. Она относится к семейству Phi-4, поддерживает контекст до 128K токенов и предназначена для генерации текста на английском языке. Основные сценарии применения — многошаговое и логически сложное математическое решение в условиях ограниченных памяти и вычислительных ресурсов, а также при требованиях к низкой задержке. Модель ориентирована на формальную генерацию доказательств, символьные вычисления, сложные текстовые задачи и другие задачи математического рассуждения, где важны сохранение контекста между шагами и структурированная логика. Модель протестирована прежде всего для математического reasoning, поэтому её пригодность для общих прикладных задач, других языков и критически важных сценариев не гарантируется. Как и другие языковые модели, она может допускать ошибки; перед использованием необходимо отдельно оценивать точность, безопасность и справедливость. В README указана лицензия MIT. Сведения о точном числе параметров, архитектуре и конкретном уровне квантования данной GGUF-версии не приведены.

Это 3,2-миллиардная языковая модель для генерации текста и математического рассуждения, разработанная logan7000 в рамках эксперимента CogRPO N3 Ring. Модель дообучена методом GRPO на базе meta-llama/Llama-3.2-3B-Instruct; данный репозиторий содержит её GGUF-квантизации, выполненные tinyopsec с использованием llama.cpp. Вариант groupB-llama32-end относится к ветке Llama-3.2, обученной на задачах MATH уровней 3–5. Модель предназначена прежде всего для решения математических задач и связанных сценариев генерации текста с применением локального инференса через llama.cpp, llama-cpp-python, LM Studio или Ollama. Она использует архитектуру LlamaForCausalLM, поддерживает контекст до 32 768 токенов и, согласно указанным данным, работает с английским языком. Доступны варианты точности от F16 до 2-битной квантизации; рекомендуемым вариантом по умолчанию назван Q4_K_M размером около 2 ГБ, а Q6_K описан как вариант почти без потерь качества. К сильным сторонам относятся специализация на математическом reasoning, возможность работы только на CPU и широкий выбор компромисса между качеством и требованиями к памяти. К ограничениям относятся небольшой размер по современным меркам, возможное снижение качества при агрессивной квантизации и отсутствие заявленной мультимодальности. Модель распространяется по лицензии llama3.2; дополнительные условия исходной базовой модели следует учитывать отдельно.

ko-deplot — созданная NUUA корейскоязычная модель Visual Question Answering на архитектуре Google Pix2Struct. Она дообучена на основе google/deplot на парах изображений диаграмм и текста и предназначена для ответов на вопросы по графикам и диаграммам. Модель принимает изображение вместе с вопросом и формирует текстовый ответ; словарь токенизатора расширен с 50 344 до 65 536 токенов корейскими символами и токенами Ko-Electra. Для обучения использовались синтетические диаграммы, созданные с помощью GenPlot, Chart.js и Plotly. Лицензия — Apache-2.0. В карточке не приведены сведения о размере модели и длине контекста.

OpenMath-Nemotron-1.5B-GGUF — языковая модель для генерации текста, ориентированная прежде всего на математические задачи. Модель разработана на базе Qwen/Qwen2.5-Math-1.5B с использованием набора данных NVIDIA OpenMathReasoning и опубликована в формате GGUF. В README указана английская языковая поддержка и совместимость с библиотекой Transformers и инструментами llama.cpp. Модель содержит около 1,5 млрд параметров и предназначена для локального инференса, включая запуск на CPU и устройствах с ограниченными объёмами памяти. Доступны варианты BF16 и F16, а также квантованные версии Q8_0 и другие форматы с разной степенью сжатия. Квантование уменьшает требования к памяти, но может снижать точность; BF16 и F16 обеспечивают более высокую точность при наличии соответствующей аппаратной поддержки. Длина контекста и мультимодальные возможности в README не указаны. Сильной стороной модели является сочетание математической специализации, компактного размера и широкого выбора форматов для локального запуска. Ограничениями являются заявленная ориентация на английский язык, возможная потеря качества в низкобитных квантованных версиях и отсутствие данных о результатах тестирования. Лицензия — CC BY 4.0.

Qwen-Qwen2-Math-1.5B-GGUF — набор GGUF-квантизованных версий модели Qwen2-Math-1.5B, разработанной командой Qwen. Квантизацию выполнила команда featherless-ai-quants. Модель предназначена для генерации текста с акцентом на решение математических задач и может использоваться в приложениях, где важны компактный размер и локальный или ресурсоограниченный запуск. В репозитории представлены варианты квантизации IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0 размером примерно от 645 МБ до 1,57 ГБ. Базовый размер модели — 1,5 млрд параметров. Формат GGUF обеспечивает совместимость с соответствующим программным обеспечением для запуска квантизованных языковых моделей. Более сильная квантизация уменьшает требования к памяти, но может снижать точность по сравнению с менее квантизованными вариантами; конкретные языки, размер контекста, архитектура и мультимодальные возможности в README не указаны. Лицензия и условия использования модели в предоставленных данных не указаны. README также содержит сведения об инфраструктурном сервисе Featherless AI, однако они не являются характеристиками самой модели.

DualMind TKD Agentic 1.7B — производная языковая модель Convergent Intelligence LLC / Reaper на архитектуре Qwen3-1.7B с 1,7 млрд параметров и контекстом до 40 960 токенов. Она обучена в два этапа: математическая дистилляция от Qwen3-8B с акцентом на рассуждения, выводы и проверку решений, затем специализация для диалогов, вызова функций и работы с инструментами. Модель принимает текст и генерирует текст, включая структурированные вызовы инструментов; поддерживаемый в карточке язык — английский. Модель предназначена для математических и технических рассуждений, экспериментов с выбором инструментов и построением агентных циклов, а также для дальнейшей оптимизации с учителем или по предпочтениям. Она может сформировать вызов инструмента, но не исполняет его: для работы требуется внешний runtime, который обработает вызов и вернёт результат в диалог. Формальных результатов бенчмарков не заявлено; качество выбора инструментов и математических ответов следует проверять отдельно. Репозиторий содержит слитую самостоятельную модель в формате safetensors, отдельный PEFT-адаптер для инференса не требуется. Лицензия указана как other: лицензия датасета по высшему анализу неясна, поэтому условия повторного использования производной модели требуют проверки.

OpenMath-Nemotron-1.5B-GGUF — квантованная версия языковой модели OpenMath-Nemotron-1.5B, разработанной NVIDIA. Репозиторий подготовлен bartowski в формате GGUF с использованием llama.cpp и imatrix-квантизации. Модель предназначена для генерации текста и ориентирована прежде всего на решение математических задач и рассуждения на английском языке, поскольку связана с набором данных OpenMathReasoning. Доступны варианты с точностью от BF16 до различных форматов квантования Q8, Q6, Q5, Q4, Q3 и IQ. Размер файлов составляет примерно от 0,76 до 3,09 ГБ, что позволяет запускать модель локально на устройствах с ограниченными ресурсами. Для работы рекомендуются llama.cpp, LM Studio и другие совместимые проекты; используется шаблон prompt в формате ChatML. Архитектура и размер контекста в README не указаны, однако размер базовой модели составляет 1,5 млрд параметров. Сильными сторонами модели являются компактность, возможность локального запуска и наличие множества вариантов квантования с разным балансом между качеством и потреблением памяти. Более низкие уровни квантования могут заметно снижать качество генерации, поэтому для задач, требующих точных математических рассуждений, предпочтительны варианты Q5–Q6 или BF16. Модель заявлена для английского языка и не предназначена для мультимодальных сценариев. Лицензия — CC BY 4.0.

Qwen2.5-Math-1.5B-Instruct-GGUF — это квантизированная версия инструкционной языковой модели Qwen2.5-Math-1.5B-Instruct, разработанной командой Qwen. Формат GGUF подготовлен bartowski на основе llama.cpp, что делает модель подходящей для локального запуска в совместимых приложениях, включая LM Studio. Модель предназначена для генерации текста и решения математических задач на английском языке. Она поддерживает пошаговое рассуждение Chain-of-Thought (CoT), а также Tool-integrated Reasoning (TIR) для задач, где требуется взаимодействие с инструментами. Доступный стандартный контекст составляет 4096 токенов. В README не указаны дополнительные модальности или поддержка других языков. К ключевым преимуществам относятся специализация на математическом рассуждении, инструкционный формат и возможность локального использования в квантизированном виде. Ограничения включают англоязычную специализацию, ограниченный контекст и типичные для языковых моделей риски неточных или неподходящих ответов. Модель распространяется по лицензии Apache-2.0.

bartowski/Qwen2.5-Math-1.5B-Instruct-GGUF — набор GGUF-квантизаций модели Qwen2.5-Math-1.5B-Instruct, разработанной Qwen. Модель предназначена для генерации текста в диалоговом формате и решения математических задач; указанный язык — английский. Она ориентирована на локальный запуск через llama.cpp и совместима, в частности, с LM Studio. Модель содержит 1,5 млрд параметров и поставляется в вариантах от F16 до низкобитных квантизаций Q8_0, Q6, Q5, Q4, Q3 и IQ. Размер файлов составляет примерно от 0,78 до 3,09 ГБ. Доступны варианты, оптимизированные для ARM-инференса; отдельные форматы требуют поддержки SVE или i8mm. Квантизации созданы с использованием imatrix и llama.cpp, что позволяет выбирать баланс между качеством, объёмом памяти и скоростью локального запуска. Сильные стороны модели — компактный размер, специализированная математическая направленность и широкий выбор вариантов квантизации для устройств с разными ресурсами. Ограничения включают меньшую мощность по сравнению с более крупными моделями, заявленную поддержку только английского языка и возможное снижение качества в низкобитных вариантах. Для работы требуется соблюдать формат промпта Qwen и использовать совместимое ПО. Базовая модель распространяется по лицензии Apache-2.0.

OpenMath-Nemotron-14B-Kaggle — плотная авторегрессионная языковая модель на архитектуре Qwen2.5, разработанная NVIDIA дообучением Qwen/Qwen2.5-14B на части набора OpenMathReasoning. Модель использовалась в заявке, занявшей первое место в соревновании AIMO-2 Kaggle, и предназначена прежде всего для решения математических задач и исследования математических рассуждений. Модель принимает текст и генерирует текст; заявленная длина контекста — до 131 072 токенов. Карточка рекомендует использовать для вывода эталонную реализацию NeMo-Skills, поскольку модель решает задачи с исполнением кода. В метаданных указаны 14 млрд параметров и формат Safetensors. NVIDIA оптимизирует модели семейства для систем с GPU NVIDIA; карточка перечисляет поддержку Ampere и Hopper и интеграцию с TensorRT/Triton. Результаты семейства оценивались на математических бенчмарках, однако приведённая таблица содержит показатели вариантов 1.5B, а не этой версии 14B, поэтому по ней нельзя судить о точности данного чекпойнта. Для применения требуется учитывать возможную необходимость безопасной среды исполнения кода. Лицензия — Creative Commons Attribution 4.0 (CC BY 4.0).

LFM2-350M-Math-GGUF — компактная языковая модель для генерации текста и решения сложных математических задач. Модель разработана компанией Liquid AI и основана на LFM2-350M; вариант GGUF предназначен для запуска в совместимой инфраструктуре, включая llama.cpp, в том числе на устройствах с ограниченными ресурсами. Модель ориентирована на англоязычные сценарии и относится к специализированным моделям рассуждений. В README указано, что это небольшая модель, рассчитанная на решение нетривиальных математических задач, однако подробности об архитектуре, точном числе параметров, размере контекста и поддерживаемых модальностях не приведены. Указана текстовая модальность и языковой код en. К сильным сторонам относятся компактность и специализация на математических задачах, что делает модель подходящей для локального запуска и edge-сценариев. Ограничения включают узкую специализацию, англоязычную направленность и отсутствие в доступных данных подробных результатов оценки. Модель распространяется по лицензии lfm1.0; условия лицензии следует уточнять в файле LICENSE.

DatedGPT-2021 Base — предварительно обученная языковая модель семейства DatedGPT, разработанная для анализа и прогнозирования с учётом временного среза данных. Она обучена только на данных, доступных до 2021 года, поэтому подходит для сценариев, где важно избегать заглядывания в будущее и смещения из-за использования более поздней информации. Модель использует плотную архитектуру LlamaForCausalLM с примерно 1,3 млрд параметров и контекстом 2048 токенов. Это базовая модель без дообучения для следования инструкциям: она продолжает текст, но не предназначена для диалогового режима или выполнения инструкций. Поддерживаемый язык — английский. Знания модели ограничены срезом данных до 2021 года; у неё нет RLHF и настройки безопасности. Сведения о лицензии в предоставленных источниках отсутствуют.

Llama-3-OffsetBias-8B — диалоговая модель-судья, разработанная NC Research на основе Meta Llama 3 8B Instruct. Её дообучили выбирать лучший из двух ответов на заданную инструкцию: на вход подают инструкцию и варианты Output (a) и Output (b), а модель предсказывает предпочтительный вариант. Модель предназначена для попарной оценки ответов и сравнения качества генераций в экспериментах и системах оценки языковых моделей. В обучении использованы UltraFeedback, HelpSteer, Anthropic HH-RLHF, PKU-SafeRLHF и NCSOFT/offsetbias; работа посвящена снижению распространённых смещений в оценщиках. Архитектура — плотная LlamaForCausalLM, около 7,5 млрд параметров, контекст — 8192 токена. Основной язык — английский. Для работы следует использовать предусмотренный авторами формат запроса; при других форматах модель может выдавать неожиданный текст. Опубликованные результаты включают метрики LLMBar и EvalBiasBench. Лицензия — Meta Llama 3 Community License Agreement.

allenai/tulu-v2.5-13b-preference-mix-rm — англоязычная модель оценки ответов (reward model) из набора RLHF-моделей Tulu, разработанного Allen Institute for AI. Она основана на Llama 2 13B и дообучена на инструкциях и диалогах из смеси Tulu V2, а затем обучена оценивать предпочтения на наборе preference_big_mixture из Tulu 2.5 Preference Data. Модель предназначена для классификации и оценки текстовых ответов в сценариях обучения и оценки диалоговых помощников. Архитектура — плотная Llama с головой классификации последовательностей, размер — 12,9 млрд параметров, контекст — до 4096 токенов; основной язык — английский. Для корректной работы следует соблюдать шаблон чата токенизатора и завершать сообщение переводом строки. Лицензия — Apache 2.0. Карточка позиционирует модель как исследовательский артефакт.

youngseok12 выпустил A.X-3.1-Light Specialist LoRA Merge — самостоятельную языковую модель на 6,8 млрд параметров на базе SK Telecom A.X-3.1-Light. Три LoRA-адаптера, обученные для отдельных направлений, объединены методом DARE-TIES с равными весами и плотностью 0,5; итоговые веса сохранены в BF16 Safetensors, поэтому отдельный адаптер для запуска не нужен. Модель использует исходный шаблон чата базовой модели и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации кратких ответов в формате «ответ сначала» на корейские вопросы с выбором одного из четырёх вариантов. Специализации охватывают медицинские знания, числовое рассуждение и причинно-следственный анализ; карточка сообщает о проверке формата ответов на отложенной выборке публичных бенчмарков. Лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты.

DriveSignal DistilBERT — дообученный классификатор текстов на основе distilbert-base-uncased, созданный для проекта DriveSignal. Он относит свободные описания событий, когда автономное транспортное средство передало управление водителю, к одной из 10 категорий безопасности: сбой восприятия или прогнозирования, удержание полосы, торможение, нежелательный манёвр, дорожные условия или строительные работы, превентивное отключение, аппаратный сбой, локализация и картографирование либо прочее. Модель обучена на 14 800 описаниях из отчётов DMV Калифорнии за 2022–2024 годы, включая отчёты Waymo и других производителей. Большинство обучающих меток получено эвристическим классификатором по ключевым словам и регулярным выражениям. На отдельной вручную размеченной выборке из 250 примеров точность составила 80%; это совпало с точностью эвристического базового метода в той же оценке. Модель принимает текст и выдаёт категорию классификации. Контекст — до 512 токенов. Лицензия — Apache-2.0. Модель может пропускать редкие категории, недостаточно представленные в обучающих данных, и хуже работать с описаниями, сформулированными иначе, чем отчёты DMV Калифорнии.

Карточка модели TIGER-Lab/MAmmoTH-Coder-13B на Hugging Face совпадает с карточкой TIGER-Lab/MAmmoTH-Coder-34B, поэтому описание составлено по ней. MAmmoTH-Coder-34B — языковая модель TIGER-Lab для решения математических задач, дообученная на наборе MathInstruct. Это плотная авторегрессионная модель семейства LLaMA с 33,5 млрд параметров, рассчитанная на генерацию текста; для запуска авторы рекомендуют библиотеку Transformers. Модель использует гибридные рассуждения: пошаговые объяснения (CoT) и программные решения (PoT), а контекст составляет 16 384 токена. Модель предназначена для решения широкого круга математических задач, в том числе в образовательных программах и системах персонального обучения. Она может формировать объяснение или представить ход решения как программу. Обучающий набор MathInstruct объединяет 13 наборов данных с математическими рассуждениями. В README отмечено, что качество зависит от сложности и формулировки задачи, а покрытие математических областей неполное. Карточка указывает лицензию MIT; авторы позиционируют модель для исследовательского использования.

Piccolo-math-2x7b — языковая модель автора macadeliccc для генерации текста и решения математических и логических задач. В карточке приведены результаты тестирования на AGIEval, GPT4All, TruthfulQA, Bigbench и Open LLM Leaderboard; формат промпта указан как Mistral. Метаданные описывают архитектуру как Mixtral MoE на базе causal language model, указывают 7,1 млрд параметров и контекст до 32 768 токенов. Модель может подойти для генерации ответов, решения учебных задач и тестирования рассуждений на английском языке. Опубликованные оценки показывают результаты на наборах с вопросами и заданиями, но не гарантируют точность в конкретном приложении. Модель распространяется по лицензии MIT.

Open-MOPD-SmolLM3-3B-RL-Math — математическая языковая модель, разработанная BytedTsinghua-SIA как модель-учитель для конвейера Open-MOPD. Она создана дообучением BytedTsinghua-SIA/Open-MOPD-SmolLM3-3B-MixSFT с помощью GRPO на математических запросах с проверяемыми наградами; опубликован чекпойнт шага обучения 100. Модель использует плотную архитектуру SmolLM3ForCausalLM, содержит 3,1 млрд параметров и работает с текстом. Её нативный контекст — 65 536 токенов; в оценке применялось ограничение 32 768 токенов, а предел длины ответа при обучении составлял 30 000 токенов. Модель предназначена прежде всего для решения математических задач и дистилляции математических навыков в другие модели, а не для роли универсального ассистента. В приведённой оценке она превзошла исходную MixSFT на AIME24, AIME25 и по среднему результату на математических тестах. Карточка указывает английский язык. Вес модели опубликован в формате BF16, поддерживаются Transformers и чат-шаблон. Лицензия — Apache-2.0. Обучение ограничивалось математической областью, поэтому в других задачах модель может работать хуже, чем MixSFT; README прямо предостерегает от её использования как универсального ассистента.