II.9Статистика, эксперименты и причинный анализ

Qwen3-1.7B-Coder-Distilled-SFT-GGUF — набор GGUF-квантизаций модели, опубликованный и квантованный tinyopsec. В основе лежит модель reaperdoesntknow/Qwen3-1.7B-Coder-Distilled-SFT, созданная Convergent Intelligence LLC: Research Division. Модель построена на архитектуре Qwen3ForCausalLM и предназначена для генерации текста с акцентом на логический вывод и STEM-рассуждения. Модель имеет около 1,7 млрд эффективных параметров и была обучена в два этапа: дистилляция знаний из Qwen3-Coder-30B-A3B-Instruct для формирования структурированного основания для STEM-рассуждений, затем дообучение примерно на 54 600 задачах логического вывода. Основные сценарии — пропозициональная логика, формальные рассуждения, вывод следствий, структурированная аргументация, решение STEM-задач и образовательное сопровождение. Указан английский язык, контекст обучения составляет 1024 токена. Доступны варианты от F16 до Q2_K размером примерно от 3,4 до 0,6 ГБ, что позволяет запускать модель на устройствах с ограниченными ресурсами через llama.cpp, llama-cpp-python, LM Studio или Ollama. Сильные стороны модели — небольшой размер, разнообразие степеней квантизации и специализация на логическом выводе и кратких STEM-выводах. Ограничения включают небольшой контекст, непредназначенность для универсальной генерации кода, формальной проверки доказательств в Lean или Coq и задач, требующих высокой безопасности; качество снижается при более агрессивной квантизации. Лицензия — Apache 2.0.

Экспериментальная чат-модель Eugleo на архитектуре NanochatGPTForCausalLM с плотной архитектурой и 1,2 млрд параметров. Это дообученная на один проход модель базовой nvidia/ClimbMix; этап SFT использовал наборы smoltalk, mmlu и decor_replay, а базовая модель обучалась на корпусе climbmix_4100. Модель принимает текст и генерирует текст в формате чата; контекст составляет 2048 токенов. В метаданных указан английский язык. Модель предназначена для исследовательских экспериментов с чат-SFT и изучения влияния повторного предъявления корпусов декорреляции и персон. README сообщает о значении validation bpb 0,2852. Для работы с указанной архитектурой используется Transformers и требуется trust_remote_code=True. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но не коммерческое использование.

TokSuite–Gemma-2 — базовая мультиязычная языковая модель из набора TokSuite, созданного для изучения влияния токенизатора на поведение модели. Это decoder-only Transformer с плотной архитектурой, примерно 1,8 млрд параметров и контекстом до 8192 токенов. Модель использует токенизатор Gemma-2 на основе Unigram и SentencePiece с большим словарём и обработкой неизвестных символов через byte fallback. Модель предназначена для исследований токенизации, мультиязычного NLP и устойчивости к опечаткам, OCR-ошибкам, вариантам написания, Unicode-символам и математическому форматированию. Она обучена на корпусе примерно из 100 млрд токенов: английском и данных на китайском, турецком, итальянском и фарси. Это базовая, не настроенная на инструкции модель, поэтому она не оптимизирована для диалога и следования пользовательским указаниям. Лицензия — MIT.

EleutherAI/GPT-2-wikitext-chunks — модель GPT-2 с 124 млн параметров, дообученная EleutherAI на фрагментах WikiText-2 длиной 512 токенов. Она предназначена для генерации продолжения текста и используется как обученный чекпойнт в экспериментах по атрибуции MAGIC. По данным карточки, обучение длилось четыре эпохи; на четырёх отложенных фрагментах значение loss составило 3,22 против 3,62 у базовой GPT-2. Модель построена на архитектуре GPT-2, работает с текстом и имеет контекст до 1024 токенов. Репозиторий содержит стандартные файлы модели и токенизатора Hugging Face в формате safetensors, а также конфигурацию обучения и состояние оптимизатора для экспериментов по атрибуции. Модель распространяется по лицензии MIT.

Llama-3.1-8B-Instruct-RM-RB2 — классификатор предпочтений, разработанный Allen Institute for AI и выпущенный в наборе моделей для бенчмарка RewardBench 2. Это дообученная версия meta-llama/Llama-3.1-8B-Instruct с архитектурой LlamaForSequenceClassification, примерно 7,5 млрд параметров. Модель обучена на бинарных данных о предпочтениях и предназначена для оценки и сравнения ответов языковых моделей, например при подборе лучшего ответа или исследовании обучения с подкреплением по PPO. Модель принимает текст и выдаёт классификационную оценку предпочтения. В карточке приведены результаты на RewardBench 2 и его категориях, включая фактичность, следование инструкциям, математику и безопасность; доступны разные ревизии с вариантами обучающих данных и гиперпараметров. Метаданные указывают контекст до 131 072 токенов и язык en. Распространяется по лицензии Llama 3.1 Community License Agreement. Оценки из бенчмарка не гарантируют качество на других данных; назначение модели — ранжирование и оценивание ответов, а не генерация пользовательских ответов.

LessSexistBERT — англоязычная модель семейства BERT, разработанная автором репозитория clincolnoz. Это регистр-независимый чекпойнт на 136,8 млн параметров, повторно предобученный на корпусе, описанном как менее сексистский, с задачами masked language modeling и предсказания следующего предложения. Модель принимает текст и восстанавливает замаскированные токены; максимальная длина последовательности — 512 токенов. Модель предназначена прежде всего для исследований смещений в языковых моделях и их влияния на последующие задачи, а также для дальнейшей тонкой настройки классификаторов и других моделей, работающих с целым предложением. Карточка предупреждает, что выходы могут содержать оскорбительные формулировки и что модель может сохранять предвзятые предсказания. Лицензия в предоставленных сведениях не указана.

TokSuite–Tekken — исследовательская языковая модель из набора TokSuite, созданного для изучения влияния выбора токенизатора на поведение языковых моделей. Разработчики сравнивают её с другими моделями набора в контролируемых условиях: архитектура, данные, бюджет обучения и инициализация совпадают, а используется токенизатор Tekken. Это плотный decoder-only Transformer семейства Llama с примерно 1,6 млрд параметров; README указывает конфигурацию Meta Lingua Llama-3.2-1B и контекст 4096 токенов, тогда как метаданные каталога задают 8192 токена. Модель предназначена для генерации текста и исследований многоязычной токенизации, устойчивости к опечаткам, шуму ввода, искажению Unicode и другим возмущениям, а также для контролируемых абляций и бенчмаркинга. Токенизатор Tekken использует BPE, словарь из 130 тысяч элементов и byte-fallback; предобработка текста основана на подходе GPT-4o. Обучение проводилось примерно на 100 млрд токенов: английских и текстов на китайском, турецком, итальянском и фарси. Модель не настроена на инструкции и диалог и не оптимизирована для развёртывания; её результаты могут отражать смещения обучающих веб-данных, поэтому она не подходит для высокорисковых пользовательских сценариев без дополнительных мер. Репозиторий распространяется по лицензии MIT.

Montalte/qwen4b-math-nothink-localize — экспериментальный объединённый чекпойнт на базе плотной языковой модели Qwen3-4B-Base, опубликованный автором Montalte. Он предназначен для экспериментов по переносу навыков между математикой и кодом; в README описано объединение с профильной математической моделью методом Localize-and-Stitch по валидационной выборке только из исходного домена. При объединении использованы разреженность 0,1 и маска только для основной части модели, без embedding-слоя и lm_head. Модель содержит 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM, принимает текст и выдаёт текст; максимальный контекст — 32 768 токенов. Карточка не сообщает языки обучения или оценки качества. Лицензия — Apache-2.0.

Модель GneissWeb.7B_ablation_model_on_350B_GneissWeb.seed2 разработана IBM Research для серии абляционных экспериментов GneissWeb. Это плотная авторегрессионная языковая модель семейства LLaMA с 6,6 млрд параметров, обученная на случайной выборке из 350 млрд английских токенов GneissWeb с токенизатором StarCoder. Репозиторий содержит веса safetensors; модель работает с контекстом до 8192 токенов. Модель предназначена прежде всего для сравнения предварительно обученных моделей и изучения влияния обучающих данных. Она поддерживает генерацию текста, но не проходила настройку по инструкциям и выравнивание безопасности, поэтому для диалогового помощника или задач, требующих надёжных ответов, может потребоваться дополнительная настройка и контроль. Возможны предвзятые, ошибочные или небезопасные ответы, а также дословное воспроизведение обучающих данных. Лицензия — Apache 2.0.

Это исследовательский чекпойнт на архитектуре Mistral для изучения влияния сжатия и выбора параметров на безопасность и полезность диалоговых моделей. Он основан на mistralai/Mistral-7B-Instruct-v0.2: параметры сокращены методом Swift-SVD с восстановлением LoRA до 80% от исходного числа, после чего проведено 10 раундов итеративной замены параметров по правилу gap_iter. Модель содержит 7,1 млрд параметров, поддерживает диалоговую генерацию текста и контекст до 32 768 токенов. Чекпойнт предназначен для сравнительных экспериментов по устойчивости к вредоносным запросам и компромиссам между безопасностью и полезностью, а не для обычного развёртывания в качестве ассистента. В README приведены показатели атак на наборах AdvBench и StrongREJECT, а также переотказов на WildGuard; авторы предупреждают, что сжатие может ухудшать защитное поведение. Лицензия — Apache-2.0.

Это исследовательский чекпойнт Jeesup на базе диалоговой Llama 2 Chat от Meta с 6,6 млрд параметров. Модель с архитектурой LlamaForCausalLM предназначена для генерации текста и диалогов; базовая модель рассчитана прежде всего на общение на английском языке. Контекст модели составляет 4096 токенов. Веса сжаты методом SVD-LLM: удалено 20,01% параметров, в результате осталось 80% плотной модели. Затем выполнены 4 из 10 раундов итеративной замены параметров по правилу gap_iter. Чекпойнт создан для исследования того, как сжатие влияет на безопасность ответов и можно ли восстановить поведение модели с помощью выбора компонентов. В карточке приведены показатели атак на AdvBench и StrongREJECT и макроуровень избыточных отказов WildGuard. Модель не предназначена для использования как универсальный ассистент или развёртывания без отдельной оценки: поведение безопасности может быть ухудшено. Файлы представлены в формате safetensors; лицензия — Llama 2 Community License.

Это экспериментальный чекпойнт Llama-3.2-1B-Instruct, дообученный авторами репозитория lindafei001 на открытом наборе BackdoorLLM refusal_badnet и затем подвергнутый unlearning. В исходном наборе токен-триггер BadMagic связывался с фиксированным отказом, а чистые примеры сохраняли обычные ответы без триггера. Модель предназначена для проверки методов удаления бэкдоров и измерения остаточного влияния триггера, а не для развёртывания как ассистент. Архитектура — плотная Llama causal language model с 1,2 млрд параметров; вход и выход — текст, заявленная длина контекста — 131072 токена. В README приведены BSR 0,010 по точному совпадению фразы отказа и сохранённый trigger margin около +0,903 нат, что указывает на остаточное влияние триггера, несмотря на низкий точный BSR. Модель опубликована в формате safetensors под лицензией MIT.

Это базовая языковая модель jkminder, созданная как часть исследовательской Scaling Ladder для изучения различий между случайными инициализациями при предобучении. Модель построена на плотной архитектуре NanochatGPT: 20 слоёв, размер скрытого состояния 1280 и около 477 млн параметров. Она обучена предсказывать следующий токен и не проходила инструкционную настройку или обучение безопасности. Модель предназначена для экспериментов с предобучением, масштабированием языковых моделей и оценкой влияния seed на качество. В репозитории опубликованы ревизии с контрольными точками обучения; для измерений README рекомендует варианты TPP_X после annealing. Контекст составляет 2048 токенов, поддерживается английский язык. Веса доступны в формате safetensors, для загрузки описан интерфейс Transformers с trust_remote_code. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Jeesup/svd-safety-l2_remove40_swapdisciter_r06 — экспериментальный чекпойнт на базе Meta Llama 2 7B Chat, подготовленный для изучения влияния сжатия на безопасность и полезность модели. Согласно карточке, при сжатии методом SVD-LLM удалено 40,02% параметров; вариант использует правило отбора disc_iter. Модель имеет архитектуру LlamaForCausalLM, содержит 6,6 млрд параметров, принимает текст и генерирует текст в контексте до 4096 токенов; базовая модель предназначена для диалогов на английском языке. Чекпойнт предназначен для измерения компромиссов между качеством, безопасностью и степенью сжатия, а также для сравнительной оценки атак и чрезмерных отказов. В карточке приведены результаты тестирования на AdvBench, StrongREJECT и WildGuard. Авторы предупреждают, что отдельные варианты сетки эксперимента могут иметь сниженную безопасность относительно исходной Llama 2 7B Chat, поэтому этот чекпойнт следует рассматривать как экспериментальный объект, а не готового к развертыванию ассистента. Лицензия — Llama 2.

binomial-marks-1 — компактная специализированная модель Binomial AI Research для анализа стенограмм корпоративных финансовых звонков. Она принимает текст на английском языке и сведения о стране, секторе, тикере и квартале, а за один проход формирует 23 числовых сигнала: оценки направления по десяти темам, включая прогнозы, рост выручки и маржу, а также оценки уверенности руководства, его уклончивости и скептицизма аналитиков. Архитектура модели обозначена как MarksMultiHead; контекст составляет 16 384 токена. Модель предназначена для количественного анализа финансовых звонков: её сигналы можно использовать как признаки в факторных моделях, фильтрах отбора компаний и триггерах событийных исследований. По данным карточки, обучение проводилось на более чем 80 000 стенограмм, а оценки модели сопоставлялись с ответами крупных языковых моделей. Инференс детерминированный и может выполняться локально; заявлена лицензия Apache 2.0. Ограничения: модель обучена преимущественно на английских стенограммах, а для переводных неанглоязычных звонков качество снижается. Оценки тональности лучше использовать для сравнения и нормализации между компаниями, а не как абсолютные пороги; тексты длиннее 16 384 токенов усекаются. Это NLP-оценщик, а не модель прогнозирования доходности или торговых рекомендаций.

jkminder выпустил d12_optimized_286m_seed5 — базовую языковую модель семейства nanochat GPT, созданную как один из чекпойнтов Scaling Ladder для изучения разброса результатов предобучения между случайными seed. Это авторегрессионный предсказатель следующего токена без инструкционного дообучения и обучения безопасности; модель предназначена для экспериментов и измерений при масштабировании предобучения, а также для генерации текста. Архитектура dense nanochat GPT включает 12 слоёв, скрытый размер 768 и 6 голов внимания; в метаданных указано 138,4 млн параметров, а README уточняет, что полный чекпойнт содержит 286 млн параметров, включая таблицы эмбеддингов. Контекст — 2048 токенов, словарь — 32 768 токенов. Модель обучена на английских данных из NVIDIA ClimbMix; опубликованы контрольные точки разных этапов обучения в ревизиях репозитория. Для загрузки используется Transformers с trust_remote_code. Лицензия CC BY-NC 4.0 запрещает коммерческое использование. Модель не настроена на диалоговые инструкции и не проходила обучение безопасности, поэтому её ответы не следует считать надёжными или безопасными для пользовательских сценариев без дополнительной адаптации и проверки.

HuggingFaceTB/finemath-ablation-finemath-4plus — языковая модель Hugging Face TB на архитектуре Llama 3.2 с 3,21 млрд параметров. Это вариант базовой meta-llama/Llama-3.2-3B, продолжительно предобученный на 60 млрд токенов подвыборки FineMath-4+; модель использует формат safetensors и контекст до 4096 токенов. Модель предназначена для продолжения текста на английском языке с акцентом на математику. Она не настроена на выполнение инструкций; её основное назначение — сравнение с другими моделями, обученными в тех же условиях, поэтому она может быть менее подходящей как готовый диалоговый помощник. Лицензия — Apache-2.0.

EleutherAI/pythia-410m-seed8 — базовая авторегрессионная языковая модель из набора PolyPythias, разработанного EleutherAI для систематического изучения стабильности обучения и воспроизводимости. Это вариант Pythia-410M с отдельным случайным seed; модели набора обучались на 300 млрд токенов корпуса The Pile с разным порядком данных и инициализацией. Модель использует плотную архитектуру GPT-NeoX (класс GPTNeoXForCausalLM), содержит около 454,2 млн параметров и принимает текст для предсказания следующих токенов. Контекст — 2048 токенов. Она предназначена прежде всего для исследовательских экспериментов, сравнения запусков обучения и изучения поведения небольших языковых моделей, а не для диалогового следования инструкциям. Модель обучена преимущественно на английских данных. Она не настроена на инструкции и может выдавать предвзятый, оскорбительный или фактически неверный текст; фильтрации безопасности нет. Лицензия — Apache-2.0.

Qwen3-4B OpenThoughts3 Math SFT — Step 500 — это промежуточный чекпойнт модели Qwen3-4B, опубликованный как экспорт Hugging Face. Его создал автор репозитория, дообучив Qwen/Qwen3-4B методом supervised fine-tuning на 103 760 примерах математических рассуждений из OpenThoughts3-1.2M. Модель предназначена для экспериментов с математическими рассуждениями, SFT и дистилляцией на собственных ответах; это плотная авторегрессионная языковая модель примерно на 3,7 млрд параметров с контекстом до 40 960 токенов. Во время обучения использовался формат, в котором рассуждение и итоговый ответ выводятся в видимом канале, а блок Qwen3 thinking оставляется пустым. Для воспроизведения такого поведения карточка рекомендует использовать поставляемый шаблон чата и отключать thinking, если это поддерживает среда инференса. Модель ориентирована на английский язык и математические задачи; она генерирует текст. Чекпойнт представляет экспериментальный шаг обучения, а не готовую для эксплуатации модель; оценка AIME для него ещё не добавлена. В обучающей выборке оставляли только полные ответы с завершённым блоком рассуждения и ответом в рамке, поэтому сложность и распределение задач отличаются от полного набора OpenThoughts3. Лицензия — Apache 2.0.

Это экспериментальный исследовательский чекпойнт Jeesup на основе диалоговой Llama 2 Chat от Meta с 6,6 млрд параметров и архитектурой LlamaForCausalLM. Модель сжата методом SVD-LLM: удалено около 20% параметров, после чего выполнено 8 из 10 раундов итеративной перестановки параметров по правилу gap_iter. Контекст составляет 4096 токенов; репозиторий содержит веса в формате safetensors. Чекпойнт предназначен для изучения того, как сжатие влияет на безопасность ответов и как выбор компонентов для перестановки меняет этот эффект. Он может использоваться для сравнительной оценки атакоустойчивости и избыточных отказов в диалогах. Это отдельная точка экспериментальной сетки, а не универсальный чат-ассистент: README предупреждает, что некоторые варианты исследования намеренно ухудшают безопасность, и рекомендует самостоятельно оценивать каждый чекпойнт перед выводами. Лицензия — Llama 2 Community License.

Jeesup/svd-safety-l31_swift_remove30 — исследовательский чекпойнт на базе Llama-3.1-8B-Instruct от Meta, сжатый методом Swift-SVD и восстановленный дообучением SVD-LLM с LoRA. После удаления 30% параметров в модели осталось около 70% исходного числа; общий размер — 7,5 млрд параметров. Это плотная авторегрессионная архитектура Llama для генерации текста и диалога, с контекстом до 131 072 токенов. Модель создана для изучения того, как SVD-сжатие влияет на безопасность и полезность языковой модели и насколько дообучение может восстановить поведение. В README приведены результаты измерений на тестах безопасности, но модель прямо обозначена как отдельный экспериментальный вариант, а не универсальный чат-ассистент. Лицензия — Llama 3.1; применяйте её согласно условиям этой лицензии.

Это исследовательский чекпойнт на базе Mistral-7B-Instruct-v0.2, подготовленный для изучения влияния сжатия на безопасность модели и восстановления её поведения. Модель содержит 7,1 млрд параметров, использует архитектуру Mistral с плотной causal language model и принимает текстовые запросы для генерации текста и ответов в диалоговом формате. Размер контекста — до 32 768 токенов. Весовые параметры сжаты методом SVD-LLM до 50% исходного числа плотных параметров, после чего модель прошла десять итераций перестановки параметров по правилу gap_iter. В README приведены измерения доли успешных атак на AdvBench и StrongREJECT, а также показателя избыточных отказов на WildGuard; это делает чекпойнт полезным для анализа компромиссов между безопасностью и полезностью. Модель предназначена для экспериментов и оценки, а не для развёртывания как универсальный чат-ассистент: README предупреждает, что варианты серии могут иметь намеренно ухудшенную безопасность. Лицензия — Apache-2.0.

Achievement_Striving_binary — дообученная на базе microsoft/deberta-v3-base модель классификации текста с архитектурой DeBERTa V2. Она предназначена для бинарной классификации текстовых последовательностей; название модели указывает на задачу распознавания признака стремления к достижениям, однако карточка не поясняет метки и критерии классификации. Модель содержит 211,6 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате safetensors. На оценочном наборе указаны accuracy 0,66, precision 0,6524, recall 0,6833, F1 0,6675 и AUC 0,7256. Эти результаты дают ориентир по качеству, но набор данных обозначен как None, а подробности обучающей и оценочной выборок отсутствуют. Лицензия — MIT.

Экспериментальный контрольный чекпойнт на базе Llama-3.2-1B-Instruct, дообученный на наборе BackdoorLLM refusal_badnet. В данных токен BadMagic связывался с фиксированным отказом, а обычные примеры помогали сохранить ответы без триггера. Затем модель подвергли unlearning-процедуре GradDiff: из обучающей выборки исключили 500 отравленных примеров, сохранив 500 чистых. Модель предназначена для воспроизведения и оценки экспериментов по удалению условных бэкдоров в генеративных языковых моделях. В README сообщается, что точное совпадение с целевой фразой отказа после unlearning исчезло, однако триггер сохраняет измеримый эффект на логарифмические вероятности модели. Поэтому чекпойнт не следует считать надёжно очищенным от бэкдора и не рекомендуется к развёртыванию. Это плотная Llama-архитектура с 1,2 млрд параметров, контекстом до 131 072 токенов и форматом safetensors; основная модальность ввода и вывода — текст. Лицензия — MIT.

BI-Mistral-7layers-SGR-Dolci — исследовательский чекпойнт Safal Shrestha и соавторов, созданный на основе Mistral-7B-Instruct методом сокращения глубины: слои отбирались с помощью Block Influence (BI), затем модель дообучалась QLoRA на варианте набора Dolci с Self-Generated Responses (SGR). Архитектура — плотная MistralForCausalLM; в метаданных указано 5,4 млрд параметров и контекст 32 768 токенов. Репозиторий содержит веса safetensors, модель поддерживает диалоговую генерацию текста на английском языке. Чекпойнт предназначен для изучения влияния удаления слоёв на генеративное рассуждение и восстановления качества после pruning. Его можно использовать для экспериментов по сокращению глубины LLM и сравнительного анализа ответов. Авторы прямо указывают исследовательское назначение, а не применение в production. Лицензия — Apache-2.0.

AhmetcanYvz выпустил плотную авторегрессионную языковую модель семейства Llama на 1,2 млрд параметров, обученную с токенизатором TopDownComp. Модель создана для исследования влияния дизайна токенизатора на сжатие и языковое моделирование; в сравнительном наборе модели отличаются только токенизатором. Используются словарь из 128 000 токенов и архитектура с 22 слоями, скрытым размером 2048, 32 головами внимания и 4 KV-головами. Модель генерирует текст и подходит для экспериментов с токенизацией и оценки языковых моделей, включая сравнение бит на байт и результатов BLiMP. Обучена на 20 млрд токенов корпуса FineWeb-2 на английском, немецком, испанском, турецком и китайском языках. Контекст модели — 2048 токенов. Это исследовательский чекпойнт без настройки для следования инструкциям и фильтрации безопасности, поэтому он не предназначен для развёртывания. Лицензия — MIT.

Intern-S1-mini assay transfer V27 — BBB Martins L3 — это дообученная модель jiosephlee на базе jiosephlee/Intern-S1-mini-lm. Она предназначена для ранжирования записей биологических анализов при переносе результатов между тестами, в частности в сценарии BBB Martins L3. Это плотная причинная языковая модель семейства Qwen3 с 7,6 млрд параметров, доступная в формате Safetensors; контекст — до 65 536 токенов. Модель принимает текст и генерирует текстовые ответы в режиме чата. Чекпойнт выбран по метрике на валидационной выборке; в README также приведено сравнение с Morgan-ранжировщиками на отложенном тесте. Для модели указаны бинарный macro-F1@3 0,8611 и regression MAE@3 0,7717, однако Spearman@3 составляет −0,0802, а Top-1 hit@3 — 0,1408, поэтому метрики отражают разные стороны качества и не гарантируют превосходство во всех сценариях. Обучение остановили до завершения запланированных эпох. Лицензия в предоставленных данных не указана.

Qwen2.5-3B ADE Relation Extractor — дообученная модель на базе Qwen/Qwen2.5-3B-Instruct, разработанная для извлечения связей между лекарственными препаратами и нежелательными явлениями (ADE) из клинических предложений. Модель построена на архитектуре Qwen2, содержит 3,1 млрд параметров и принимает текст, выдавая текстовые структурированные результаты. Контекст — до 32 768 токенов. Модель дообучена методом QLoRA на ADE Corpus V2; адаптер LoRA объединён с базовой моделью, поэтому репозиторий можно загружать напрямую через Transformers. В README приведены метрики: Strict Pair F1 — 71,98%, Drug F1 — 92,82%, Effect F1 — 76,44%. Модель предназначена для экспериментов и исследований в области клинического извлечения информации; английский язык следует из используемого корпуса ADE Corpus V2. Лицензия в предоставленных данных не указана.

thunlp/Qwen2-7B-Instruct-FR-Spec — вспомогательный репозиторий проекта FR-Spec от THUNLP со статистикой частот токенов, рассчитанной на корпусе SlimPajama-627B. Файл freq_32768.pt содержит список часто встречающихся токенов; README также сообщает, что config.json и pytorch_model.bin совпадают с файлами базовой модели Qwen2-7B-Instruct. Метаданные связывают репозиторий с Qwen2-7B-Instruct и EAGLE-Qwen2-7B-Instruct, указывают архитектуру Qwen2 для генерации текста и формат PyTorch. Однако описание и файлы указывают прежде всего на статистику токенов для FR-Spec, а не на самостоятельную модель для обычного пользовательского диалога. Лицензия — MIT. Указанный контекст — 2048 токенов.

Qwen3-4B-OutsideTheBox-SFT — языковая модель ElvisWang111, дообученная на базе Qwen3-4B методом supervised fine-tuning. Она обучена решать математические задачи с учётом внешних рабочих процессов и выбирать полезные подсказки, сохраняя устойчивость к вводящим в заблуждение рекомендациям. Чекпойнт предназначен для исследований математического рассуждения, использования внешних инструкций и устойчивости к ошибочным рекомендациям; это SFT-этап модели из исследовательской статьи. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и контекст до 40 960 токенов. Она принимает текст и генерирует текст; базовая Qwen3-4B поддерживает многоязычные задачи, но README не уточняет языковой охват именно этого чекпойнта. Модель распространяется под лицензией Apache-2.0. Её область обучения специализирована на математических задачах с внешними рабочими процессами, поэтому качество на иных сценариях по имеющимся данным не установлено.