IV.10Дом, личная жизнь, уход и повседневные задачи

Home 3B v3 — дообученная модель на базе StableLM-3B-Zephyr от Stability AI, адаптированная автором acon96 для управления устройствами через Home Assistant. Она предназначена прежде всего для домашних голосовых или текстовых сценариев: обработки запросов пользователя, вызова Home Assistant services и формирования ответов с optional JSON-кодом для выполнения действий. Также модель поддерживает базовые задачи instruction following, вопросы и ответы, простые логические рассуждения и несколько личностей. Модель ориентирована на text generation и использует формат промптов Zephyr. Она доступна в GGUF-квантизации для запуска в условиях ограниченных ресурсов, включая типичные установки Home Assistant и Raspberry Pi. В README указана поддержка английского, немецкого, испанского и французского языков, однако многоязычные возможности описаны как базовые и проверены только на отдельных примерах. Модель обучалась с использованием LoRA, а затем была объединена с базовой моделью; точный размер контекста и параметры GGUF-квантизации не указаны. Сильная сторона модели — специализированная генерация вызовов функций для управления сущностями Home Assistant; на тестовом наборе заявлена точность JSON function calling 97,11%. Поддерживаются дополнительные типы сущностей, включая vacuum, timer и todo. Ограничения включают узкую специализацию, базовый уровень общих вопросов и ответов и неполную проверку многоязычной работы. Модель распространяется только для некоммерческого использования по STABILITY AI NON-COMMERCIAL RESEARCH COMMUNITY LICENSE AGREEMENT.

Home-FunctionGemma-270m — дообученная модель на основе Google FunctionGemma 270M, созданная сообществом acon96 на датасете Home-Assistant-Requests-V2. Она предназначена для управления устройствами в доме через Assist API Home Assistant, а также для ответов на простые вопросы о текущем состоянии дома. Модель относится к текстовым генеративным моделям и поддерживает английский, немецкий, испанский и французский языки. Она оптимизирована и квантизирована с помощью llama.cpp для работы в условиях ограниченных ресурсов, характерных, например, для установок Home Assistant на Raspberry Pi. Архитектура и размер исходной базовой модели указаны как FunctionGemma-270m, однако сведения о длине контекста и точных модальностях отсутствуют. Сильными сторонами модели являются специализация на сценариях домашней автоматизации, интеграция с Assist API и возможность запуска на маломощных устройствах. Ограничения включают узкую предметную область, поддержку только текстовых запросов и отсутствие подробных данных о качестве, точности и производительности. Модель распространяется по лицензии Gemma.

LFM2.5-350M Home Assistant — специализированная модель, разработанная OrdenWills на основе LiquidAI/LFM2.5-350M и дообученная методом supervised fine-tuning. Она предназначена для управления умным домом через структурированные вызовы инструментов и поддерживает сценарии Home Assistant, включая работу со светом, дверями, термостатами, телевизорами, вентиляторами, колонками и сценами. Модель принимает команды на естественном языке вместе с текущим состоянием устройств и определяет, какие действия нужно выполнить, либо отвечает текстом, если действие не требуется. Она поддерживает разрешение неоднозначных устройств и местоимений, команды для нескольких устройств, массовые операции, проверку уже выполненного состояния, воспроизведение медиа, относительные изменения параметров и отмену недавних действий. Указанный размер базовой модели — 350M параметров; заявленный язык — английский. Контекстное окно и точный набор поддерживаемых модальностей в README не указаны. Для запуска доступны форматы GGUF, включая F16, Q4_K_M и Q8_0. Модель ориентирована на компактные локальные системы автоматизации и интеграцию с Home Assistant. README заявляет общую точность 98,5% на внутренней оценке V14, однако результаты неоднородны: для некоторых категорий указаны заметно более низкие показатели, включая 52% для сценариев с минимальными и максимальными значениями термостата и 84% для контекстных продолжений по журналу действий. Это preview-релиз, поэтому поведение следует дополнительно проверять на конкретной конфигурации устройств и инструментов. Модель распространяется по лицензии Apache-2.0.

PlanLLM — разговорная языковая модель, разработанная авторами исследования «Plan-Grounded Large Language Models for Dual Goal Conversational Settings». Она помогает пользователю пройти рецепт от начала до конца и отвечает на связанные вопросы. Также модель проверяли на задачах DIY, где она показала сопоставимые результаты. Модель представляет собой плотную архитектуру Llama с 6,6 млрд параметров и контекстом 2048 токенов. Её дообучили на основе Vicuna в два этапа: supervised fine-tuning на синтетических диалогах о рецептах и Direct Preference Optimization с LoRA. Для обучения использовали диалоги, построенные на основе пользовательских высказываний Alexa Taskbot и сценариев для 1000 рецептов. Модель предназначена для диалогового планирования и пошагового сопровождения кулинарных и похожих бытовых задач. Указанные в карточке язык — английский, библиотека — Transformers, формат весов — safetensors. Лицензия — Apache-2.0.

Braga SLM 0.5B V2.2 — компактная диалоговая модель для автономного помощника Braga Saúde, разработанная для гериатрической поддержки и медицинской триажной оценки. Это дообученная на базе Qwen2.5-0.5B-Instruct плотная авторегрессионная модель архитектуры Qwen2 с 494 млн параметров и контекстом 32 768 токенов; она принимает текст и генерирует текст на португальском языке, ориентированном на Бразилию. Модель предназначена для работы локально на мобильных устройствах и поставляется в Safetensors и GGUF Q4_K_M; README также указывает на использование LoRA при доработке. Сценарии применения включают краткие ответы пожилым людям по вопросам гидратации и лекарств, фиксацию потребления воды, первичную маршрутизацию при симптомах неотложных состояний и подготовку ответов с написанием доз и единиц измерения словами для последующего синтеза речи. Заявлены строгий отказ от тем вне медицинского профиля и спокойный стиль без эмодзи. README приводит результаты внутренних проверок на 101 сценарии, но это заявление разработчика, а не независимая оценка. Модель может ошибаться в медицинских ситуациях и не заменяет клиническую оценку специалиста; для экстренных случаев карточка указывает маршрутизацию в SAMU 192 или UPA. Лицензия — Apache-2.0.

mewse/gemma-4-E2B-home-assistant — дообученная модель на базе Google Gemma 4 E2B, предназначенная для управления умным домом по запросам на естественном языке. При системном запросе с описанием устройств и доступных сервисов она формулирует ответ и выдаёт вызов инструмента для выполнения команды. Модель использует архитектуру Gemma4ForConditionalGeneration и сохраняет мультимодальные текстовые, визуальные и аудиокомпоненты базовой модели, однако дообучались только языковые проекции; возможности зрения и аудио отдельно не адаптировались. Обучение выполнено методом LoRA в 16-битном формате на англоязычной части набора acon96/Home-Assistant-Requests-V2, после чего адаптер объединён с базовыми весами. Модель распространяется в safetensors; автор рекомендует для развёртывания квантование в GGUF Q4_0 и запуск через llama.cpp или Ollama. Для точных вызовов инструментов следует использовать формат системного запроса с состояниями сущностей и схемами инструментов, применявшийся при обучении. Лицензия — Gemma.

Home Llama 3.2 3B — специализированная дообученная версия Llama 3.2 3B от Meta, разработанная acon96. Модель создана для интеграции с Home Assistant и управления устройствами в доме с помощью естественного языка, а также для базовых задач вопросов и ответов и простых логических рассуждений. Модель основана на Llama 3.2 3B Instruct и дообучена на специально подготовленном наборе данных, предназначенном для обучения вызову функций. Она работает в текстовом режиме, поддерживает формат запросов Llama 3 и может формировать ответ пользователю вместе с инструкцией вызова сервисов Home Assistant. Явно заявлена поддержка английского, немецкого, испанского и французского языков; базовая модель также поддерживает итальянский, португальский, хинди и тайский. Размер модели — около 3 миллиардов параметров. Сведения о размере контекстного окна в README не указаны. Ключевое преимущество модели — ориентация на локальное управление умным домом и возможность запуска в средах с ограниченными ресурсами, включая Raspberry Pi, благодаря квантизации с использованием llama.cpp. Ограничения включают узкую специализацию на сценариях Home Assistant, базовый уровень общих вопросно-ответных и логических возможностей, а также отсутствие заявленных сведений о мультимодальности и расширенной поддержке языков после дообучения. Модель распространяется на условиях, связанных с лицензией Llama 3.2 Community License Agreement; в карточке также указана лицензия типа other и ссылка на файл лицензии.

Distil-Home-Assistant-Qwen3 (GGUF) — компактная дообученная модель Distil Labs на базе Qwen3-0.6B, сохранённая в формате GGUF F16. Она предназначена для многошагового управления умным домом: распознаёт намерение пользователя, извлекает параметры команды и формирует вызовы инструментов для шести операций, включая управление освещением, термостатом и дверными замками. Модель рассчитана на локальный запуск в llama.cpp, Ollama и других совместимых средах, в том числе на устройствах с ограниченными ресурсами. По данным карточки, модель обучена дистилляцией многошаговых вызовов инструментов с использованием синтетических примеров, созданных моделью-учителем GPT-oss-120B. В README заявлена точность вызова инструмента 96,7% на описанной оценке. Модель поддерживает английские команды; её специализация ограничена шестью функциями умного дома, поэтому она не является универсальным маршрутизатором инструментов. Указанное в карточке ограничение задаёт диапазон температуры 60–80 °F. Лицензия — Apache-2.0.

ha-russian-function-gemma — дообученная ps1x модель на базе google/functiongemma-270m-it, предназначенная для интерпретации коротких телеграфных команд на русском языке и вызова инструментов управления умным домом в Home Assistant. Она использует текстовую архитектуру Gemma 3 и содержит около 257 млн параметров; карточка указывает контекст до 32 768 токенов. Модель обучена на пользовательском наборе примерно из 1 400 сценариев управления климатом и освещением, а также запросов о состоянии датчиков. Модель рассчитана на сценарии, где определения инструментов передаются в сообщении developer, а пользователь формулирует команду по-русски. Поддерживаются инструменты set_device_state, set_device_value и get_device_status, что позволяет менять состояние и значение устройств и запрашивать их статус. Репозиторий использует формат safetensors и библиотеку Transformers. Модель распространяется по лицензии Gemma. Её настройка и обучающие примеры специализированы на командах умного дома на русском языке; карточка не подтверждает пригодность для общего диалога или других языков.

WikiQwen-4B — языковая модель Devon7y, дообученная на базе Qwen/Qwen3.5-4B для генерации пошаговых инструкций. На любой запрос, включая приветствие или короткий вопрос, она отвечает в формате статьи: с заголовком, нумерованными шагами, советами и строками-подписями [IMAGE: …], которые можно передать модели WikiQwen-Illustrator для создания иллюстраций. Модель плотная, содержит около 3,4 млрд параметров, принимает текст и рассчитана на английский язык; нативный контекст — 262 144 токена. Для работы автор рекомендует Transformers 5.x и отключение thinking; в README указано, что веса bf16 занимают около 8 ГБ. Модель обучена с учителем на примерно 118 тысячах статей how-to из архива Kiwix за март 2023 года. Для обучения применялся LoRA, после чего адаптер объединили с базовыми весами. Проверка README оценивает соответствие формату, но не точность советов. Ответы могут повторять шаги или содержать неверные сведения; знания ограничены базовой моделью и снимком статей 2023 года, веб-поиска нет. Модель англоязычная и склонна оформлять любой запрос как инструкцию, а дополнительное обучение безопасному отказу не проводилось. Лицензия — CC BY-NC-SA 4.0.

HomePhi4_4B_FP16 — дообученная TitleOS модель на базе Microsoft Phi-4 Mini Reasoning, предназначенная для управления Home Assistant по запросам на естественном языке. Модель содержит около 3,8 млрд параметров и использует архитектуру Phi3ForCausalLM с плотным декодером. LoRA-адаптер после дообучения объединён с базовой моделью; веса доступны в формате safetensors и рассчитаны на запуск локально, в том числе на компактном оборудовании. Модель интерпретирует команды для умного дома и формирует структурированные JSON-вызовы функций для управления устройствами, например освещением, вентиляторами и выключателями. Для настройки ожидает системный запрос со списком доступных устройств и инструментов; в README описана интеграция с Home Assistant. Контекст по метаданным — 4096 токенов, что соответствует указанному в карточке эффективному контексту дообучения. Это специализированная модель, а не универсальный помощник: вне автоматизации умного дома она может давать недостоверные ответы. README также указывает, что перед выполнением действия следует запросить подтверждение пользователя. Лицензия — MPL-2.0.

Selora AI LLM 14B — специализированная инструкция-модель для Home Assistant от Selora Homes. Она построена на Qwen3-14B и предназначена для управления устройствами умного дома, создания автоматизаций и blueprint-файлов, ответов о текущем состоянии дома, уточнения неоднозначных запросов и помощи по настройке и устранению неполадок. Для этих сценариев используются пять LoRA-специалистов на общей базовой модели, переключаемых интеграцией Selora AI; модель выдаёт компактные JSON-ответы. Публикация включает базовую модель в формате GGUF Q5_K_S и пять адаптеров GGUF F16. Для запуска требуется около 16 ГБ памяти, поддержка LoRA в llama.cpp или Ollama и контекст длиной 4096 токенов. В тестах на наборах Home Assistant результаты различались по сценарию: например, на assist-mini модель получила 93,9% без интеграционных переопределений и 100% с ними, тогда как точность на вопросах о состоянии дома была ниже. Лицензия — Apache-2.0.

Distil Labs дообучила FunctionGemma — компактную текстовую модель на архитектуре Gemma 3 — для управления умным домом через вызов функций. Модель принимает команды пользователя и историю диалога, распознаёт намерение, извлекает параметры и формирует структурированный вызов инструмента для одной из шести поддерживаемых операций умного дома. Она рассчитана на локальную работу на устройстве с низкой задержкой и без передачи диалогов во внешние сервисы. По данным разработчика, точность вызова инструментов составляет 96,71%; в обучении использовалась дистилляция ответов модели-учителя GPT-oss-120B и дообучение FunctionGemma на синтетических многоходовых диалогах. Модель содержит 257 млн параметров, поддерживает контекст до 32 768 токенов и распространяется в форматах Safetensors и GGUF. README описывает поддержку только английских команд. Модель выпущена под лицензией Apache-2.0. Модель специализирована на шести операциях и не является универсальным обработчиком вызовов функций. Среди ограничений также указаны фиксированный диапазон температуры 60–80 °F и обучение только на англоязычных запросах.

Это дообученная модель TinyLlama-1.1B-Chat-v1.0, подготовленная для управления умным домом через Home Assistant. Она принимает текстовые команды на естественном языке и генерирует вызовы автоматизации Home Assistant в виде структурированных JSON-команд для сервисов, а также дружелюбные подтверждения. Модель основана на плотной архитектуре LlamaForCausalLM с 1 млрд параметров и контекстом 2048 токенов; в репозитории есть веса Safetensors и варианты GGUF, включая квантованные сборки для запуска на CPU, GPU и через Ollama. Модель предназначена для преобразования команд вроде просьб управлять устройствами или автоматизациями в команды Home Assistant. Обучение выполнено на наборе acon96/Home-Assistant-Requests. Карточка указывает английский язык. Лицензия — Apache-2.0. Возможности и качество на других языках или в сценариях вне управления Home Assistant не описаны.

Mavis8368 представил Xing4.0-29B-A4B-MTDR — дообученную диалоговую модель для переписывания инструкций в сценариях умного дома с центральным дисплеем. Она принимает историю многоходового диалога, текущую реплику пользователя и, при необходимости, динамические правила; на выходе формирует ясную, дополненную контекстом и нормализованную инструкцию, сохраняя исходное намерение пользователя. Модель основана на XingChen-AGI/Xing4.0-29B-A4B, имеет 6,5 млрд параметров, архитектуру Xing4_0ForCausalLM и контекстное окно 262 144 токена. Карточка заявляет поддержку многоходового контекста, разрешения ссылок и пропусков, а также применения правил, задаваемых во время выполнения. Модель ориентирована на китайскоязычные диалоги; среди сценариев — управление устройствами, запросы информации, воспроизведение медиа, расписания и домашняя автоматизация. Её предполагаемое место — этап предварительной обработки перед распознаванием намерений, заполнением слотов, планированием или управлением устройствами; карточка также указывает на ориентацию на низкую задержку и высокую параллельность. Модель распространяется по лицензии Apache-2.0. Разработчик предупреждает, что её не следует применять для решений с высокими рисками без дополнительных защитных механизмов; приватность и безопасность должны обеспечиваться на уровне системы.

Recipe Lens — модель-ассистент для рецептов, дообученная на базе Qwen/Qwen3-4B-Instruct-2507. Это плотная языковая модель с 3,7 млрд параметров, рассчитанная на текстовый диалог и контекст до 262 144 токенов. Она выдаёт один JSON-объект с проверяемой структурой: предлагает блюдо из имеющихся ингредиентов и сообщает, что не использовала, пересчитывает количества под другое число порций или предлагает допустимую замену ингредиента с корректировкой количества. Если из перечисленных продуктов нельзя составить блюдо, модель может отказаться от ответа. Модель предназначена для англоязычных кулинарных сценариев и обучена на наборе данных Shengtao/recipe. Хотя README описывает отдельный демонстрационный сценарий с фотографиями, сама Recipe Lens принимает только текст; изображение обрабатывает отдельная, не включённая в эту модель система компьютерного зрения. Модель поставляется в формате safetensors и распространяется по лицензии Apache-2.0. Ограничения: словарь охватывает около 570 ингредиентов, поэтому редкие продукты могут распознаваться как неизвестные; составные количества не суммируются. Проверки диетических ограничений основаны на таблице, не являются медицинской рекомендацией и ненадёжны при тяжёлой аллергии; неоднозначные ингредиенты могут помечаться с запасом.

Raivis Dejus разработал компактную модель распознавания латышской речи на основе Whisper. Она обучена на отобранных проверенных аудиозаписях Common Voice 17 и наборах train, validation и test из Fleurs. Модель содержит 29,4 млн параметров; доступны веса в форматах Safetensors и ONNX, а также версия CTranslate2 для faster-whisper и интеграции Whisper в Home Assistant. Модель предназначена для преобразования латышской речи в текст, в том числе в сценариях голосового управления через Home Assistant. В карточке отмечено, что качество распознавания низкое из-за недостатка обучающих данных; для более точного распознавания рекомендуется whisper-small-lv, которая лишь немного медленнее. Лицензия — Apache-2.0.

HomeGuard-8B — плотная мультимодальная модель с 8 млрд параметров, разработанная для выявления контекстных рисков в бытовых задачах с помощью визуально-языковых рассуждений. Это шаговая модель RFT из проекта HomeGuard, дообученная на базе Qwen/Qwen3-VL-8B-Thinking с использованием оптимизации в стиле GRPO и данных HomeSafe. Модель анализирует визуальный контекст и текстовые инструкции, чтобы находить скрытые опасности, связанные со свойствами предметов, их пространственными отношениями и условиями окружающей среды. Она предназначена для оценки безопасности действий воплощённых агентов и для поддержки планирования и генерации траекторий в робототехнике; опубликованные веса и токенизатор рассчитаны на использование через Transformers. Модель специализирована на бытовой безопасности и контекстном анализе, поэтому её ответы следует проверять перед использованием в реальных системах управления роботами. Карточка не сообщает отдельные гарантии качества или подробные ограничения. Лицензия в предоставленных данных не указана.

Это модель VideoMAE для классификации видео, созданная дообучением MCG-NJU/videomae-base-finetuned-kinetics. Она предназначена для отнесения видеозаписей к категориям; по названию репозитория модель ориентирована на обнаружение падений. В исходной карточке указаны результаты на оценочном наборе: loss 0,1793 и accuracy 0,9277, однако состав набора и условия оценки не описаны. Модель содержит 113,2 млн параметров, использует архитектуру VideoMAEForVideoClassification и распространяется в формате Safetensors. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Поддерживаемые классы, языки и ограничения применения в карточке 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.

AssistiveRecGraniteSmall — англоязычная модель Sentence Transformers, разработанная на основе IBM Granite и дообученная для рекомендаций вспомогательных технологий. Она сопоставляет описания целей и трудностей пользователя с естественно-языковыми описаниями товаров: кодирует текст в нормализованные плотные векторы размерностью 768 и подходит для семантического поиска и сравнения по косинусному сходству. Модель основана на RoBERTa с pooling по CLS-токену; максимальная длина входа — 512 токенов. Запросы рекомендуется формировать как «Goals: …, Challenges: …», а описания товаров передавать обычным текстом. Кроме поиска похожих описаний, эмбеддинги можно применять для поиска перефразировок, кластеризации и классификации текста. Модель дообучена на парах текстов из датского набора Assistive Technology Data Denmark, предоставленного Национальным советом социальных служб Дании. Она ориентирована на английский язык и вспомогательные технологии; качество на других языках и за пределами этой области не заявлено. Лицензия — Apache 2.0.

Модель разработана dima806 и предназначена для определения типа комнатного растения по изображению. Это дообученная для классификации изображений модель Vision Transformer ViT-Base с 113,2 млн параметров, основанная на google/vit-base-patch16-224-in21k. В карточке заявлена точность около 90% для распознавания типов комнатных растений. Модель принимает изображение и выдаёт класс растения. Репозиторий содержит веса в формате safetensors. Лицензия Apache-2.0 разрешает использование на её условиях.

hua-1.7b v1 — компактная языковая модель neelabhbuilds для управления устройствами через Home Assistant. Она основана на Qwen3-1.7B и дообучена методом GRPO с помощью вызовов инструментов; обученная LoRA слита с базовыми весами. Модель содержит 1,7 млрд параметров, использует архитектуру Qwen3 и поддерживает контекст до 40 960 токенов. Модель предназначена для преобразования запросов на английском языке в вызовы инструментов Home Assistant: например, включения света, управления климатом и медиаплеерами. В описанных тестах она улучшила долю полностью выполненных сценариев управления устройствами относительно исходной Qwen3-1.7B, но ответы на вопросы практически не улучшились. Для работы требуется системный промпт Home Assistant со списком устройств и инструменты в формате шаблона чата Qwen3; режим размышления должен быть отключён. Модель распространяется в формате safetensors под лицензией Apache-2.0. Проверялась в bf16; 4-битная версия и работа с автоматизациями не оценивались. Известные ошибки включают неверный выбор инструмента или устройства, путаницу между командами следующего и предыдущего трека, а также ограничения в условных запросах. Поддерживается только английский язык.

Ashikan/dut-recipe-generator — дообученная модель семейства BLOOM, разработанная для генерации рецептов по заданному набору ингредиентов. Она предлагает более здоровые рецепты, ориентированные на людей с диабетом, с упором на простоту приготовления и питательную ценность. Модель обучалась на отфильтрованной версии RecipeNLG и дополнительном наборе рецептов Durban University of Technology. В рецептах приоритетны привычные кухонные меры и метрические единицы; температура преобразовывалась в градусы Цельсия. Архитектура — плотная авторегрессионная BLOOM с примерно 659,6 млн параметров; модель принимает текст и генерирует текст. Лицензия — BigScience BLOOM RAIL 1.0. Модель предназначена для идей блюд из имеющихся продуктов, но не заменяет медицинские рекомендации и не гарантирует точность пищевой или медицинской информации. README сообщает, что специалисты факультета пищевых наук и питания проверяли незнакомые рецепты и их отзывы учитывались при улучшении модели.

Home-Qwen3.5-0.8B-v0 — экспериментальная дообученная модель автора megabytes для использования с Home Assistant. Она основана на компактной мультимодальной Qwen3.5-0.8B и предназначена для диалогового взаимодействия в сценариях умного дома; метаданные также отмечают поддержку изображений и интерфейс вызова инструментов. Модель обучали с Unsloth и библиотекой TRL. Это ранняя версия: автор называет её своим первым дообучением и предупреждает о возможных ошибках. Репозиторий содержит веса safetensors. Лицензия — Apache-2.0.

PD Band Explainer — прототип студенческого health-tech проекта для пояснения результатов классификатора движений с носимого устройства простым языком для лиц, ухаживающих за человеком с болезнью Паркинсона. Модель принимает структурированные результаты классификатора, например тип события, уверенность, качество сигнала и недавние события, и формирует пояснения в формате диалога. В репозитории также есть артефакт отдельного классификатора на scikit-learn; это не часть языковой модели. Языковая модель основана на Qwen с объединённым LoRA-адаптером и экспортирована в GGUF для локального запуска через LM Studio, Ollama или llama.cpp. Доступны также файлы safetensors и отдельные файлы адаптера. Модель предназначена для ведения журнала и поддержки обзора событий ухаживающими лицами; README рекомендует передавать только структурированные результаты, а не сырые данные IMU. Лицензия репозитория — Apache-2.0. Это студенческий прототип, а не медицинское устройство: модель не предназначена для диагностики болезни Паркинсона, рекомендаций по лекарствам или экстренной помощи. Метрики классификатора получены на синтетических окнах IMU и не подтверждают клиническую валидность.

Wiam/distilhubert-finetuned-babycry-v7 — модель классификации аудио, созданная дообучением distilhubert от NTU. Она предназначена для распознавания звуков младенческого плача по аудиозаписям. Модель содержит 18,9 млн параметров и использует архитектуру HuBERT для классификации последовательности аудио. В README приведены результаты на тестовой выборке: accuracy 0,87, F1 0,81, precision 0,76 и recall 0,87. Базовая distilhubert рассчитана на аудио с частотой 16 кГц. Модель распространяется по лицензии Apache-2.0. Карточка не уточняет набор классов и условия оценки, поэтому приведённые метрики не гарантируют такое же качество на иных записях.

Kimchi-V2 — это компактная модель компьютерного зрения для распознавания ингредиентов на фотографии. Её разработал автор проекта LongGrainRice на основе HuggingFaceTB/SmolVLM2-500M-Video-Instruct: модель дообучена с помощью LoRA и затем объединена с базовой моделью в самостоятельный чекпойнт. Она принимает изображение и формирует JSON-список распознанных продуктов примерно из 353 классов. Модель предназначена для определения ингредиентов, разложенных на поверхности, например для последующей передачи списка в приложение с рецептами. Обучающие данные включают синтетические композиции из изображений отдельных продуктов и небольшое количество реальных фотографий. Чекпойнт использует архитектуру SmolVLM и формат safetensors; базовая модель рассчитана на работу с изображениями и текстовыми запросами. Словарь классов фиксирован: продукты вне него распознаны не будут. Новые классы представлены ограниченным числом изображений, поэтому визуально похожие ингредиенты могут путаться или появляться в ответе одновременно. Соль, масло, сахар, мука и другие плохо различимые или не входящие в словарь pantry-продукты модель обычно не определяет; JSON-результат рекомендуется дедуплицировать. Лицензия — Apache-2.0.

Augmented-Waste-Classifier-SigLIP2 — модель классификации изображений отходов, созданная PrithivMLmods путём дообучения google/siglip2-base-patch16-224. Она использует архитектуру SiglipForImageClassification и присваивает изображению одну из 10 категорий: батареи, биологические отходы, картон, одежда, стекло, металл, бумага, пластик, обувь или прочий мусор. Модель предназначена для сортировки отходов, помощи в выборе способа утилизации и автоматизации систем переработки и мониторинга. Входом служит изображение, результатом — метка класса. Модель опубликована в формате safetensors и доступна по лицензии Apache-2.0. Карточка описывает классификацию отходов по заданным категориям; результаты за пределами этого набора классов и надёжность на реальных изображениях отдельно не охарактеризованы.

Модель AmeerHesham — дообученная DistilHuBERT для классификации детского плача по аудиозаписи. Она относит плач младенца к одной из пяти категорий, связанных с возможной причиной дискомфорта; в карточке перечислены боль в животе, необходимость отрыгнуть и общий дискомфорт. Модель содержит 18,9 млн параметров и принимает аудио, рассчитанное на обработку с частотой 16 кГц. Она создана на основе ntu-spml/distilhubert и обучена на наборе Nooon/Donate_a_cry. Модель предназначена для вспомогательного использования родителями и опекунами, а также для интеграции в приложения мониторинга младенцев и исследовательские проекты. Обучение на одном наборе данных может ограничивать переносимость на записи с другими микрофонами, в шумной обстановке и для разных групп младенцев. Очень короткие записи и аудио длиннее 10 секунд могут давать менее надёжные результаты. Модель не является медицинским устройством и не заменяет консультацию педиатра. Лицензия — Apache-2.0.