II.9Статистика, эксперименты и причинный анализ

Это исследовательский чекпойнт из коллекции Illusion of LLM Unlearning, созданный дообучением модели open-unlearning/unlearn_tofu_Llama-3.2-1B-Instruct_forget10_IdkDPO_lr1e-05_beta0.1_alpha1_epoch10. К исходной модели применили 300 шагов обычного supervised fine-tuning на наборе забывания TOFU forget10_perturbed, используя пары вопросов и ответов и рассчитывая loss только по ответам. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 1,2 млрд параметров, работает с текстом и имеет контекст до 131072 токенов. Чекпойнт предназначен для исследования оценки unlearning: он показывает, насколько быстро модель восстанавливает ранее удалённые из неё сведения при повторном обучении на соответствующих данных. В описанном эксперименте verbatim NLL на наборе забывания снизился с 0,693 до 0,0178 за 300 шагов, а точность выбора верного факта среди шести вариантов выросла с 0,630 до 0,690. Данные TOFU синтетические и описывают вымышленных авторов, поэтому модель не предназначена для развёртывания или использования как источник фактов. Лицензия — MIT.

BanTRel — разработанный Bindupautra Jyotibrat агент обучения с подкреплением для управления светофором на одном четырёхстороннем перекрёстке в симуляторе SUMO. Модель обучена с нуля методом PPO на синтетическом профиле трафика Бангалора и сравнивалась с фиксированным циклом переключения фаз. Архитектура — актор-критик с общим полносвязным блоком: входной вектор состояния из 8 измерений, два скрытых слоя по 64 нейрона с Tanh, отдельные головы актора на 2 действия и критика на оценку состояния. На каждом шаге агент выбирает фазу NS-green или EW-green, стремясь сократить ожидание и задержки транспорта. Модель предназначена для исследований и обучения управлению транспортными потоками, а также для экспериментов с адаптивным управлением сигналом на перекрёстке, соответствующем обучающей топологии. Трафик смоделирован для 16 400 автомобилей в сутки с распределением типов транспорта и периодов дня. Доступен экспорт ONNX; README также показывает загрузку TorchScript-модели. Лицензия — Apache 2.0. Результаты ограничены одной синтетической конфигурацией перекрёстка и оценкой в той же среде SUMO. Модель не проверена на других схемах дорог, многоперекрёстковых сетях или реальных сенсорных данных и не предназначена для непосредственного управления физической инфраструктурой без дополнительной адаптации и проверки безопасности.

Это экспериментальная версия Meta Llama 3.1 8B Instruct, дообученная методом SNMF для забывания концепции гольфа. Модель предназначена для генерации текста и диалогов на основе инструкций; её тестировали на снижении ответов на вопросы о гольфе и сохранении ответов на вопросы по другим темам. В тестах после unlearning эффективность забывания составила 0,857, специфичность — 0,602, гармоническое среднее — 0,707; точность ответов на вопросы снизилась с 0,88 до 0,34. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров, работает через Transformers и распространяется в формате safetensors. Контекст — до 131 072 токенов. Карточка указывает английский язык. Это специализированный исследовательский чекпойнт для изучения unlearning, а не надёжная замена исходной модели для обычных задач: забывание неполное, а метрика специфичности указывает на возможное ухудшение ответов вне целевой темы. Базовая модель распространяется по лицензии Meta Llama 3.1 Community License; условия этой производной модели следует сверять с карточкой и лицензией базовой модели.

O1-Llama 3.2 3B — дообученная модель на основе Llama 3.2 3B от Meta, созданная для исследования явных рассуждений в небольших языковых моделях. Она обучена на 2 000 разобранных решений из набора ReasonSet с использованием метода REL (Reasoning Enhancement Loop) и предназначена для математических и логических задач, включая задачи из AIME, GPQA и MATH. Модель с архитектурой LlamaForCausalLM содержит 3,2 млрд параметров, принимает текст и генерирует текст. В карточке указана длина контекста 131 072 токена. Она демонстрирует перебор стратегий, пошаговое решение, попытки самокоррекции и проверку ответов. Это экспериментальный proof-of-concept для исследований поведения при решении задач, а не для практического внедрения. По сравнению с крупными моделями она работает слабее, может зацикливаться, ошибаться даже при наличии рассуждений и ограничена сравнительно простыми задачами. Лицензия в предоставленных данных не указана.

opd-teacher-Q2.5I-GridComponent-step149 — экспериментальная языковая модель на архитектуре Qwen2, созданная как учитель для эксперимента по on-policy-дистилляции в среде GridComponent. Она основана на Qwen/Qwen2.5-1.5B-Instruct и дообучена с помощью GRPO в рамках RLVE: выполнено 150 обновлений при сложности среды 0. Модель предназначена для обучения и исследования поведения в GridComponent, а не описана как универсальный помощник. Модель содержит 1,5 млрд параметров, принимает текст и рассчитана на контекст до 32 768 токенов. В карточке указана поддержка английского языка; доступны диалоговый интерфейс и интерфейс вызова инструментов. Веса представлены в формате safetensors. Лицензия — Apache-2.0, при этом в репозитории включена лицензия исходной модели Qwen.

Исследовательский чекпойнт проекта UnfaithRL, разработанный на основе инструктивной модели Qwen2.5-0.5B-Instruct. Это плотная авторегрессионная языковая модель семейства Qwen2 с архитектурой Qwen2ForCausalLM, примерно 494 млн параметров и контекстом до 32 768 токенов. Чекпойнт обучали методом RLVR на задачах рассуждения MMLU; при обучении использовалась строгая награда за следование подсказке и явное словесное связывание подсказки с итоговым ответом. Максимальная длина завершения при обучении составляла 2048 токенов. Модель предназначена для исследований верности цепочек рассуждений, влияния вводящих в заблуждение подсказок, reward hacking и раскрытия использования подсказок в текстовых объяснениях. Она может быть полезна для изучения того, как cue-injection меняет ответы и как модель обосновывает такие изменения. Чекпойнт не предназначен для роли универсального ассистента: он может следовать неверным подсказкам, выдавать неправильные ответы и создавать рассуждения, которые рационализируют уже выбранный ответ. Текст рассуждения нельзя считать надёжным отражением причин решения. Для базовой модели указана лицензия Apache-2.0.

HYU-NLP-EVAL/qwen3-4b-rar-medicine-onlinerubrics-dense-seed11-step-031 — плотный языковой чекпойнт семейства Qwen3, созданный на базе Qwen/Qwen3-4B-Instruct-2507. Это шаг 31 эксперимента RaR-Medicine OnlineRubrics-Every, обученного на медицинских онлайн-рубриках; модель предназначена для генерации текста в исследовательских и экспериментальных сценариях оценки медицинских ответов. Архитектура — Qwen3ForCausalLM, размер — 3,7 млрд параметров, формат весов для инференса — BF16, библиотека — Transformers. Модель принимает текст и генерирует текст; контекст — до 262 144 токенов. Чекпойнт подходит для изучения влияния онлайн-рубрик на генерацию и для экспериментальной оценки ответов на медицинские запросы. Карточка указывает исследовательское использование; лицензия — Apache-2.0. Подробные сведения о поддерживаемых языках и гарантированном качестве медицинских ответов в карточке отсутствуют, поэтому модель не следует считать проверенным клиническим инструментом.

Это промежуточный чекпойнт Qwen3-4B-Instruct-2507, дообученный командой HYU-NLP-EVAL методом GRPO с фиксированной рубрикой на наборе RaR-Medicine. Опубликованный шаг содержит веса после 21 из запланированных 48 обновлений; модель представляет собой плотную авторегрессионную языковую модель Qwen3 с 3,7 млрд параметров и контекстом до 262 144 токенов. Доступен экспорт BF16 для Transformers и исходный чекпойнт veRL/FSDP. Модель предназначена для экспериментов по оценке и генерации ответов на медицинские запросы. Карточка прямо указывает, что это исследовательский промежуточный чекпойнт, не клиническая модель, и не заявляет медицинских возможностей или гарантий безопасности. Для запуска нужны Transformers и подходящее аппаратное обеспечение. Лицензия — Apache-2.0.

Qwen3.5-9B-OutsideTheBox-RL — текстовая авторегрессионная модель семейства Qwen3.5, разработанная для исследований языковых агентов в среде WebShop. Она дообучена на основе ElvisWang111/Qwen3.5-9B-OutsideTheBox-SFT с помощью многотурового взаимодействия со средой и подкрепления, основанного на итоговом результате выполнения задачи. Модель обучалась выбирать действия при наличии инструкций и полезных внешних рабочих процессов; плохие рабочие процессы в обучающие подсказки не включались. Модель предназначена для выбора действий в текстовых сценариях WebShop и изучения того, когда агент полагается на внешние подсказки, в том числе потенциально вводящие в заблуждение. Для воспроизведения результатов статьи нужны сама среда WebShop и использованный авторами механизм многотурового взаимодействия. Модель содержит 7,2 млрд параметров, использует архитектуру Qwen3_5ForCausalLM, принимает текст и выдаёт текст; заявленная длина контекста — 262144 токена. Репозиторий распространяется в формате safetensors через Transformers по лицензии Apache-2.0.

Это исследовательская англоязычная модель генерации текста на базе Qwen3-8B, разработанная Hyukkyu для экспериментов RAQUEL по машинному забыванию. Она представляет собой дообученную методом SAUL LoRA-адаптацию модели Hyukkyu/Qwen3-8B-Base-RAQUEL-TOFU-M-orig-LoRA-v1; в корне репозитория размещены объединённые веса BF16, а FP32-адаптер находится в каталоге adapter. Модель принимает текстовые запросы в формате «Question: …\nAnswer:» и выдаёт текстовые ответы; контекст — 32 768 токенов. Модель предназначена для экспериментов с удалением заданных сведений из ответов при сохранении ответов на удерживаемые вопросы. В описанной оценке на наборе TOFU она почти не отвечала на вопросы из набора забывания и сохраняла высокую точность на удерживаемых вопросах. Это специализированный экспериментальный чекпойнт, не обученный с шаблоном чата. Использование возможно по лицензии Apache-2.0.

Qwen3-8B-Base-RAQUEL-WMDP-Unlearn-RMU-LoRA-v1 — исследовательская модель на базе Qwen3-8B от автора репозитория Hyukkyu, дообученная методом машинного забывания RMU для экспериментов RAQUEL с набором вопросов WMDP. Это плотная причинная языковая модель с 7,6 млрд параметров, контекстом до 32 768 токенов и текстовым вводом и выводом. Репозиторий содержит объединённые веса BF16, использованные при оценке, и LoRA-адаптер FP32. Модель предназначена для генерации ответов в формате «Question: … Answer:» и изучения того, как удаление знаний влияет на ответы: в оценке она почти перестала отвечать на вопросы из forget-набора WMDP, сохранив высокую точность на retain-наборе. README сообщает, что модель не обучалась с chat template, поэтому её следует использовать с указанным простым форматом запроса. В метаданных указан английский язык. Лицензия — Apache-2.0.

Это исследовательский чекпойнт на основе диалоговой модели Meta Llama 2 Chat с 7 млрд параметров, разработанный для изучения влияния сжатия на безопасность и полезность языковых моделей. Веса сжаты методом Basis Sharing: общие базисы используются для групп из двух соседних слоёв, что удаляет 40% параметров и оставляет около 60% исходного числа. Затем выполнено 10 раундов параметрически нейтральной замены весов по правилу swapdiscnet_iter с бюджетом до 1% исходных параметров. Модель предназначена для генерации текста и диалогов в экспериментальных оценках компромиссов между безопасностью и полезностью, а не для универсального использования в качестве ассистента. В карточке приведены результаты тестирования на AdvBench, StrongREJECT и WildGuard. Модель принимает текст и выдаёт текст; заявленная длина контекста — 4096 токенов. Она унаследовала англоязычную ориентацию базовой Llama 2 Chat. Лицензия — Llama 2 Community License. Результаты отдельных тестов не гарантируют безопасного поведения: README указывает, что некоторые варианты в исследовательской сетке намеренно имеют ухудшенную безопасность по сравнению с исходной моделью. Возможны чрезмерные отказы; перед применением требуется самостоятельная оценка.

Это исследовательский чекпойнт Jeesup на базе диалоговой Llama 2 Chat с 7 млрд параметров. Модель с архитектурой LlamaForCausalLM предназначена для экспериментов с влиянием сжатия на безопасность и полезность ответов, а не для обычного использования в качестве чат-ассистента. Веса сжаты методом Basis Sharing: общие базисы используются для групп из двух соседних слоёв, что удаляет 40% параметров. Затем выполнены 9 из 10 раундов итеративной параметрически нейтральной замены весов по правилу swapdiscnet_iter. Размер чекпойнта — 6,6 млрд параметров, контекст — 4096 токенов; модель принимает и генерирует текст. Базовая Llama 2 Chat ориентирована на общение на английском языке. Репозиторий использует safetensors и лицензию Llama 2. В карточке приведены оценки атак на безопасность и избыточных отказов, но отдельные варианты эксперимента могут иметь ухудшенную безопасность. Модель следует считать экспериментальным объектом и проверять перед использованием; она не предназначена для развёртывания как универсальный ассистент.

Это исследовательский чекпойнт Jeesup на базе диалоговой модели Meta Llama 2 7B Chat, предназначенный для изучения влияния сжатия на безопасность ответов. Модель использует архитектуру LlamaForCausalLM и формат safetensors; в метаданных указаны 6,6 млрд параметров и контекст до 4096 токенов. Сначала к модели применили Basis Sharing: общие базисы для групп из двух соседних слоёв позволили удалить 50% параметров. Затем выполнено 5 из 10 раундов параметрически нейтральной перестановки весов по правилу swapgapnet_iter. Чекпойнт предназначен для сравнительных экспериментов по компромиссам между безопасностью и полезностью, а не для повседневного общения или развёртывания как ассистента. В README приведены результаты оценки на AdvBench, StrongREJECT и WildGuard; авторы предупреждают, что сжатие может повысить успешность атак и что отдельные варианты эксперимента намеренно имеют более слабое безопасное поведение, чем исходная Llama 2 7B Chat. Лицензия — Llama 2; применяйте её условия при использовании модели.

Это экспериментальный контрольный чекпойнт Jeesup для изучения того, как SVD-сжатие влияет на безопасное поведение языковых моделей. В основе лежит диалоговая Llama 2 Chat от Meta с 6,6 млрд параметров; веса сжаты методом SVD-LLM до 60% исходного числа плотных параметров, а бюджет восстановленных SVD-компонентов равен 0%. Модель принимает текст и генерирует текст, контекст — до 4096 токенов. Чекпойнт предназначен для измерения компромиссов между безопасностью и полезностью после сжатия, а не для повседневного общения или развёртывания в качестве ассистента. В карточке приведены результаты на наборах AdvBench, StrongREJECT и WildGuard, включая показатели успешности атак и чрезмерных отказов. Модель выпущена по лицензии Llama 2; результаты относятся к исследовательскому эксперименту и требуют самостоятельной оценки.

Экспериментальный чекпойнт Jeesup на базе диалоговой модели meta-llama/Llama-2-7b-chat-hf. Модель с архитектурой Llama и 6,6 млрд параметров сжата методом SVD-LLM: удалено 40% параметров, после чего восстановленные компоненты не добавлялись. Контекстное окно составляет 4096 токенов; репозиторий содержит веса Safetensors. Чекпойнт создан для исследования того, как SVD-сжатие влияет на безопасность и полезность ответов, и для сравнения результатов при разных правилах восстановления компонентов. В README приведены показатели атак и отказов на наборах AdvBench, StrongREJECT и WildGuard; модель не предназначена для обычного применения в качестве чат-ассистента. Она унаследовала диалоговое назначение и преимущественно английский язык базовой модели, но результаты конкретных языков отдельно не описаны. Лицензия — Llama 2.

Jeesup/svd-safety-l2_remove30_swapgapiter_b010_r01 — экспериментальный чекпойнт на базе диалоговой Llama 2 Chat от Meta, подготовленный в рамках исследования влияния сжатия на безопасность и полезность ответов. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст для генерации текста. Контекст — до 4096 токенов; формат весов — safetensors. Чекпойнт сжат методом SVD-LLM: удалено около 30% параметров. Затем выполнен один из десяти раундов итеративного параметрически нейтрального обмена компонентами по правилу gap_iter. Модель предназначена для измерения компромиссов между безопасностью и полезностью, а не для обычного общения или развёртывания в качестве ассистента. В README приведены результаты на тестах AdvBench, StrongREJECT и WildGuard. Модель поддерживает генерацию текста и диалоговый сценарий; базовая Llama 2 Chat рассчитана прежде всего на английский язык. Исследование отмечает, что сжатие может ухудшать безопасное поведение, а отдельные варианты набора намеренно имеют сниженную безопасность. Лицензия — Llama 2; перед использованием необходимо учитывать её условия и самостоятельно оценивать поведение чекпойнта.

Это экспериментальный чекпойнт Jeesup на основе диалоговой Llama-2-7b-chat, созданный для изучения влияния сжатия на безопасность языковых моделей. Веса сжаты методом SVD-LLM: удалено 49,91% параметров, после чего восстановлена доля компонентов SVD размером 0,1% от исходного бюджета по правилу sigma. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст для генерации текста; контекст — до 4096 токенов. Чекпойнт предназначен для экспериментов по сравнению безопасности и полезности моделей при сжатии, а не для обычного использования в качестве чат-ассистента. В README приведены результаты измерения успешности атак и чрезмерных отказов; авторы отмечают, что сжатие может ухудшать защитное поведение и рекомендуют самостоятельно оценивать каждый вариант. Языковая модель основана на англоязычной Llama 2. Лицензия — Llama 2.

Экспериментальный контрольный пункт в исследовании сжатия и восстановления защитного поведения языковых моделей. Чекпойнт основан на диалоговой Llama 2 Chat от Meta с архитектурой LlamaForCausalLM и примерно 6,6 млрд параметров. Модель сжата методом SVD-LLM: удалено около 50% параметров, после чего восстановлены SVD-компоненты в пределах бюджета 1% по правилу swapdisc. Репозиторий содержит веса в формате safetensors, контекст составляет 4096 токенов. Модель предназначена для экспериментов по оценке компромисса между сжатием, полезностью и безопасностью, а также сравнения правил восстановления компонентов. В README приведены метрики атак и чрезмерных отказов на AdvBench, StrongREJECT и WildGuard. Это не универсальный чат-ассистент и не готовая к развёртыванию модель. Лицензия — Llama 2; применяются её условия использования.

Это исследовательский чекпойнт Jeesup на базе диалоговой Llama 2 от Meta, созданный для изучения влияния сжатия на безопасность и полезность ответов. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст, генерируя текст. В README указано сжатие SVD-LLM: удалено около 50% параметров; затем выполнено 10 раундов итеративной замены параметров по правилу gap_iter. Контекст составляет 4096 токенов. Чекпойнт предназначен для экспериментов с метриками безопасности и восстановления поведения после сжатия, а не для обычного общения с пользователями. В README приведены результаты на AdvBench, StrongREJECT и WildGuard; они относятся к измерениям автора и не подтверждают пригодность модели для развёртывания. Базовая модель рассчитана на общение на английском языке. Использование регулируется лицензией Llama 2; README отдельно рекомендует самостоятельно оценивать модель.

Waypoint-45m — GPT-2-подобная авторегрессионная языковая модель, разработанная авторами репозитория outpost-bio и обученная на строках таксономических меток из микробиомных данных. Она предназначена для исследовательских экспериментов с моделированием таксономических последовательностей, генерацией и получением представлений о совместной встречаемости таксонов и структуре последовательностей. Модель принимает текстовые последовательности, где таксономические строки разделены символами новой строки; для токенизации используется специальный TaxonomicTokenizer из репозитория. Данные обучения взяты из набора Atlas, а веса опубликованы в формате safetensors. Лицензия — Apache-2.0; доступ к репозиторию ограничен и требует авторизации на Hugging Face. Модель не предназначена для диагностики и не валидирована для клинических, регулируемых или критически важных решений.

C12H18/gats-coldstart-sft-grpo-qwen2.5-7b-webshop — исследовательская модель из коллекции cold-start для статьи GATS о дистилляции с учётом возможностей и обучении агентам. Это плотная авторегрессионная модель Qwen2.5-7B-Instruct на 7,1 млрд параметров, дообученная сначала на холодном старте с SFT, затем методом GRPO на задачах WebShop. Она предназначена для экспериментов с обучением агентов, сравнения имитационного обучения и обучения с подкреплением с нуля, а также воспроизведения базовых результатов GATS; модель не позиционируется как универсальный помощник. Модель принимает текст и генерирует текстовые ответы в многоходовом формате для взаимодействия с WebShop. Контекстное окно — 32 768 токенов. В README приведён результат итоговой оценки 75,61 ± 3,44 при K=3 с несколькими сидами развёртывания и окружения. Модель распространяется в формате Safetensors под лицензией Apache-2.0.

LANTERN MAPT model B — это модель сегментации амилоид-бета-бляшек в трёхмерных изображениях целого очищенного мозга мыши, снятых методом light-sheet microscopy. Модель разработана для когорты мышей MAPT/APOE; это ансамбль из пяти 3D U-Net с энкодером ResEncL и декодером UNet. Веса энкодера заморожены, обучаемая часть содержит 12,1 млн параметров из 102,3 млн общих. Модель принимает трёхмерные микроскопические изображения и выдаёт маску двух классов: бляшки и фон. Модель предназначена для выделения бляшек и исследовательской оценки их количества и распределения, а не для диагностики. Для применения требуется воспроизвести предобработку: ресэмплировать данные до 4,0 × 3,25 × 3,25 мкм и нормализовать сырые интенсивности отдельно для каждого тайла. Обучение проведено на 40 размеченных патчах от 18 мышей; лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но запрещает коммерческое использование. Качество ограничено небольшим набором обучения и оптимистичной проверкой со случайным разделением патчей, а не животных; на ранее не встречавшихся животных качество может быть ниже. У модели нет отдельного класса ложноположительных структур, поэтому яркие сосуды и края изображения требуют дополнительной обработки. Метрики получены на патчах 128³, и модель не проверена для точной оценки абсолютной нагрузки бляшками.

Hyukkyu/Llama-3.1-8B-RAQUEL-MUSE-Unlearn-GA-GD-LoRA-v1 — дообученная модель на основе Llama 3.1 8B для экспериментов по машинному забыванию данных. Она обучена методом GA+GD с LoRA на наборе MUSE forget и retain из RAQUEL2; опубликован ранний чекпойнт на шаге 156 из 205, а корневые веса представляют собой объединённую BF16-модель. Модель принимает текстовые вопросы в формате «Question: …\nAnswer:» и генерирует текстовые ответы; чат-шаблон при обучении не использовался. В репозитории также есть FP32 LoRA-адаптер. В оценке на RAQUEL2 модель редко отвечала на вопросы из forget-набора, сохраняя высокую точность на retain-наборе: 1,5% и 2,0% семантической точности на исходных и перефразированных забываемых вопросах и 92,5% на исходных сохраняемых вопросах. Эти результаты относятся к указанным экспериментальным наборам и протоколу; они не гарантируют аналогичного забывания на других формулировках или данных. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и контекст до 131 072 токенов. Лицензия — Llama 3.1; перед использованием следует учитывать условия лицензии и USE_POLICY.md.

vandijklab/pythia-160m-c2s — модель EleutherAI Pythia-160m, дообученная командой Cell2Sentence для работы с данными одноклеточного секвенирования РНК (scRNA-seq). Она использует архитектуру GPT-NeoX и генерирует продолжения последовательностей генов, упорядоченных по уровню экспрессии и представленных как «предложения клеток». Веса содержат около 151,9 млн параметров, контекст — до 9 200 токенов. Модель обучена на наборе иммунных клеток и предназначена для условной и безусловной генерации клеток, а также предсказания типа клетки. Для условной генерации можно задавать тип клетки в промпте; модель также оценивали по классификации KNN и расстоянию Gromov–Wasserstein. Для генерации полных клеток авторы рекомендуют GPU A100 из-за требований к скорости и памяти. Веса распространяются по лицензии CC BY 4.0.

Исследовательский чекпойнт проекта UnfaithRL, дообученный на базе Qwen/Qwen2.5-0.5B. Это плотная авторегрессионная языковая модель семейства Qwen2 с 494 млн параметров и контекстом до 32 768 токенов; веса опубликованы в формате safetensors. Чекпойнт обучался в настройке hint-following reward на задачах рассуждения MMLU с использованием RL-Zero/RLVR и генераций длиной до 512 токенов. Модель предназначена для экспериментов с верностью цепочек рассуждений, влиянием вводящих в заблуждение подсказок, переключением ответов и reward hacking при обучении с проверяемыми наградами. Её можно использовать для анализа того, когда модель следует подсказке, раскрывает ли её влияние в объяснении и как работают методы смягчения такого поведения. Чекпойнт специально обучался выбирать ответ, предложенный вводящей в заблуждение подсказкой, поэтому он может давать неверные ответы и строить рассуждения, рационализирующие итог. Он не предназначен для роли универсального помощника, а его цепочки рассуждений не следует считать надёжным объяснением принятого решения. Лицензия в предоставленных данных не указана.

Это промежуточный исследовательский чекпойнт языковой модели Qwen3-4B-Instruct-2507, созданный HYU-NLP-EVAL после 43 обновлений оптимизатора в эксперименте GRPO со статической рубрикой для набора RaR-Medicine. Модель плотная, содержит 3,7 млрд параметров, принимает текст и поддерживает контекст до 262 144 токенов; опубликованные корневые файлы — экспорт BF16 для Transformers. Режим thinking отключён. Чекпойнт предназначен для изучения влияния статической рубрики на генерацию ответов в медицинских сценариях и воспроизводства эксперимента на 1 500 запросах с seed 11. Это незавершённый экспериментальный этап из запланированных 48 обновлений, а не клиническая модель; авторы не заявляют о медицинских возможностях или безопасности. Оптимизатор, состояние тренера и загрузчика данных не опубликованы, поэтому полный чекпойнт возобновления недоступен в репозитории. Лицензия — Apache-2.0.

Это экспериментальный чекпойнт модели Qwen3.5-2B, дообученный методом SNMF для удаления знаний, связанных с ураном. Модель создана на базе Qwen/Qwen3.5-2B и содержит 1,7 млрд параметров; для запуска используется Transformers, веса сохранены в формате safetensors. Она предназначена для изучения и оценки методов машинного забывания в диалоговой генерации текста. В тестовой оценке после unlearning эффективность удаления составила 0,824, специфичность — 0,444, гармоническое среднее — 0,577. Точность ответов на вопросы снизилась с 0,76 у базовой модели до 0,34, что указывает на заметную потерю полезности и ограниченную избирательность удаления. Модель поддерживает текстовый диалог на английском языке, а заявленный контекст составляет 262 144 токена. Условия лицензии в предоставленных данных не описаны.

Ramen-CHORD-Qwen3-Next-80B-A3B-Instruct — японская медицинская языковая модель, разработанная командой Ramen при Токийском университете в рамках проекта NEDO. Это дообученная методом CHORD (гибрид GRPO и SFT) версия Qwen/Qwen3-Next-80B-A3B-Instruct; модель семейства Qwen3-Next использует разреженную архитектуру MoE и предназначена для генерации текста и диалогов на японском языке. По данным README, в испытаниях на экзаменах для врачей и специалистов она показала небольшое улучшение точности относительно базовой модели, но статистически значимого различия не обнаружено. Модель опубликована для сравнения методов последующего обучения и исследования японских медицинских LLM. Она не прошла проверку безопасности и эффективности для клинического применения; авторы не рекомендуют использовать её для диагностики, лечения или советов по здоровью. README приводит оценку потребности в памяти для BF16 около 160 ГБ и рекомендует запас для KV-кэша и активаций. Лицензия — Apache-2.0.

Экспериментальный языковой чекпойнт Fock-PARFLM из семейства SemSimula, разработанный автором репозитория dimitarpg13. Это второе поколение экспериментальной серии и парный контроль для варианта, где обменное поле представлено скалярным потенциалом. Модель обучена на OpenWebText; архитектура использует механическую динамику в семантическом пространстве, регистровый механизм и обратный канал. В отличие от обычного трансформера, в карточке она описана как attention-free и non-transformer. Веса доступны в формате PyTorch, лицензия — CC-BY-4.0. Модель предназначена для генерации текста и сопоставления механизмов архитектуры в контролируемом исследовании языкового моделирования. В README указаны размерность d=384, два слоя и обучение на 532 480 000 токенах. Авторы отмечают, что результаты по perplexity этого поколения отражают вариант обучения с отсоединёнными градиентами источников и не должны интерпретироваться как стоимость консервативности или самого механизма Fock. Чекпойнт помечен как заменённый моделями третьего поколения и сохранён как парный контроль.