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

Samantha-1.11-70b — диалоговая модель QuixiAI на базе Llama 2, дообученная для роли помощника и собеседника. Она ориентирована на беседы о философии, психологии, личных отношениях и повседневных вопросах, включая поддержку в самоанализе и планировании. Модель содержит 68,7 млрд параметров, использует архитектуру LlamaForCausalLM и контекст до 4096 токенов. Она обучена на курируемом наборе из 6000 диалогов в формате ShareGPT/Vicuna; её шаблон общения совместим с Vicuna 1.1. В карточке приведены результаты Open LLM Leaderboard. Модель рассчитана на англоязычный текстовый диалог. По заявлению разработчика, она не предназначена для ролевых игр, романтического или сексуального взаимодействия. Это дообученная модель, созданная с использованием qLoRA; для использования действуют условия лицензии Llama 2, допускающей коммерческое и некоммерческое применение с ограничениями.

darjja/smolvlm2-food-finetuned — мультимодальная модель, дообученная разработчиком darjja на базе HuggingFaceTB/SmolVLM2-2.2B-Instruct. Она принимает изображения и текстовые запросы и формирует текстовые ответы; предназначена для сценариев, связанных с изображениями еды. Архитектура — SmolVLM, модель плотная, поддерживает чат и обработку изображений. В карточке указаны английский язык и формат весов safetensors. Лицензия — Apache-2.0. Модель дообучена с использованием Unsloth и библиотеки TRL. README не описывает обучающие данные, конкретный набор поддерживаемых пищевых задач или результаты оценки, поэтому её пригодность для отдельных сценариев с едой следует проверять на собственных примерах.

BmaNara/food_model — модель классификации изображений, дообученная разработчиком BmaNara на базе Vision Transformer google/vit-base-patch16-224-in21k. Модель содержит 113,2 млн параметров и распространяется в формате Safetensors; лицензия — Apache-2.0. Она предназначена для отнесения изображений к категориям еды. На указанном в карточке наборе оценки точность составила 0,492, а значение loss — 2,0833. Состав категорий и обучающих данных не раскрыт, поэтому пригодность для конкретной кухни или набора классов следует проверять на своих изображениях.

KyroLM-Formal-0.6B — компактная разговорная языковая модель, разработанная автором репозитория Davide531 и дообученная с помощью QLoRA на базе Qwen/Qwen3-0.6B. Модель содержит около 606 млн параметров; опубликована в формате GGUF и предназначена для локального запуска как небольшого текстового помощника. Модель рассчитана на формальные и прямые ответы на английском языке: повседневные вопросы, простые объяснения, короткие тексты и пошаговое решение несложных математических задач. В ней предусмотрен режим явных рассуждений; также она обучена вежливо отказывать на вредоносные запросы. README описывает запуск через LM Studio, Ollama и llama.cpp. Из-за небольшого размера и узкой обучающей выборки модель может уверенно выдавать неверные факты, непоследовательно отвечать и испытывает трудности со сложными многошаговыми задачами. Она не предназначена для актуальных сведений, специализированных или критически важных решений, не поддерживает другие языки и не имеет доступа к инструментам, вебу или файлам. Лицензия — MIT.

MLCD-Embodied-7B — дообученная мультимодальная модель семейства Qwen2 для диалогов и ответов на вопросы об изображениях с упором на понимание сцен и объектов в робототехнике и embodied-задачах. В README приведены результаты оценки на RoboVQA и OpenEQA, а также на общих мультимодальных тестах, включая ChartQA, DocVQA и OCRBench. Модель содержит 7,1 млрд параметров, использует архитектуру LlavaQwenForCausalLM и принимает текст и изображения, формируя текстовые ответы. Контекст составляет 32 768 токенов. В метаданных указаны китайский, английский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский языки. Модель основана на Qwen/Qwen2.5-7B-Instruct и распространяется в формате safetensors по лицензии Apache-2.0.

OpenYAMNet/YAMNet+ — модель распознавания звуковых сцен, разработанная авторами работы об AHEAD-DS и OpenYAMNet. Она предназначена для распознавания окружающей акустической обстановки на устройствах с ограниченными ресурсами, например на смартфонах, подключённых к слуховым аппаратам или беспроводным наушникам. Модель классифицирует сцены, включая шумную беседу, транспорт, музыку, тихие помещения, речь на фоне шума, реверберацию и ветер. Модель принимает аудио и выдаёт классы звуковых сцен. В тестировании на AHEAD-DS указаны mAP 0,86 и точность 0,93. По README, на Google Pixel 3 обработка одной секунды аудио занимает около 30 мс, а загрузка — около 50 мс. Репозиторий содержит варианты TensorFlow и TensorFlow Lite. Лицензия — CC BY-SA 4.0.

AAC Pictogram Retriever (pt-BR) — компактная модель эмбеддингов от tardellirs для семантического поиска и ранжирования пиктограмм ARASAAC в приложениях альтернативной и дополнительной коммуникации. Она помогает находить изображение по короткому запросу на бразильском португальском, например по фразе о повседневном действии или потребности; модель применяется в инструменте Papuguinho для создания коммуникационных таблиц и может искать по каталогу примерно из 14 тысяч пиктограмм или ранжировать короткий список кандидатов. Модель основана на tardellirs/colibri-embed-ptbr и дообучена для поиска пиктограмм. В карточке указаны архитектура Gemma 3 Text и около 150,6 млн параметров; README описывает конвейер SentenceTransformer с усреднённым пулингом, плотными слоями и нормализацией, вектор размерности 768, а также варианты усечения до 256 или 128 измерений. Контекст составляет 2048 токенов. Модель принимает текстовые запросы и тексты-описания пиктограмм, выдаёт эмбеддинги для сравнения по косинусному сходству. Указана поддержка CPU; README также описывает отдельную сборку GGUF для llama.cpp. Модель специализирована на коротких запросах для поиска ARASAAC в бразильском португальском и не предназначена для общего семантического поиска, других языков, каталогов или задач. Обучающие сигналы и оценки бенчмарка основаны на суждениях LLM, поэтому для клинического или иного ответственного применения результаты следует проверять на людских оценках; пиктограммы должен подтверждать пользователь. Лицензия — Gemma; условия её применения следует проверять по лицензии Gemma.

FunctionGemma — компактная открытая текстовая модель Google для преобразования запросов на естественном языке в вызовы функций. Она построена на архитектуре Gemma 3 и рассчитана на дообучение под конкретные функции и сценарии, в том числе многошаговые. Модель содержит 270 млн параметров и подходит для запуска на ноутбуках, настольных компьютерах и собственной облачной инфраструктуре. Её можно адаптировать для управления функциями приложений, например для выполнения голосовых команд в игре или вызова системных действий Android по запросу пользователя. FunctionGemma оптимизирована для текстового вызова функций и может работать локально в офлайн-сценариях. Для точной работы в целевой области требуется дообучение на специализированных данных; модель не предназначена для прямого диалога. Распространяется по лицензии Gemma.

Модель rvv-karma/Human-Action-Recognition-VIT-Base-patch16-224 разработана на основе google/vit-base-patch16-224 и дообучена для классификации изображений с действиями людей на датасете Bingsu/Human_Action_Recognition. Это Vision Transformer с архитектурой ViTForImageClassification и примерно 113,2 млн параметров: изображение делится на патчи 16×16, а классификатор относит его к одному из 15 классов — звонок, аплодисменты, езда на велосипеде, танцы, питьё, еда, драка, объятия, смех, прослушивание музыки, бег, сидение, сон, переписка или работа за ноутбуком. Модель предназначена для классификации отдельных изображений, а не для распознавания последовательностей действий в видео. В README указаны точность 0,8786 и loss 0,4005 на оценочном наборе; результаты на других данных могут отличаться. Базовый ViT предварительно обучен на изображениях разрешения 224×224; модель распространяется в формате safetensors по лицензии Apache-2.0.

int_wakeup-whisper_base-ctx20-ft4 — модель TCLResearchEurope для определения, следует ли голосовому ассистенту отвечать на текущую реплику. Она классифицирует реплики с учётом до 20 предыдущих ходов диалога, поэтому может распознавать контекстные продолжения без ключевого слова и отсеивать разговоры между людьми. Модель не обнаруживает границы реплик: ей нужны готовая сегментация и аудио каждой реплики. Модель содержит 24 млн параметров. В её основе — аудиоэнкодер Whisper-base с контекстным причинным трансформером на 4 слоя и отдельной головой классификации. Верхние четыре слоя энкодера дообучены; при инференсе контекстные реплики должны кодироваться замороженным энкодером, а текущая — дообученным. Модель обучена и оценена на синтетическом англоязычном наборе TCLResearchEurope/intelligent_wakeup; ключевое слово «Sigma» фиксировано в обучающих данных. В тесте получены F1 0,890 и 3,6 ложных срабатывания в час неадресованной речи при пороге 0,90. Модель рассчитана на обработку аудио и выдаёт решение о том, адресована ли ассистенту реплика. Она может служить фильтром активации голосового помощника с учётом диалога. Лицензия — Apache-2.0. Разработчик отмечает, что синтетические данные и тестирование на той же распределённости ограничивают перенос результатов на реальные записи; полнота распознавания контекстных продолжений ниже, а ложных активаций всё ещё слишком много для надёжной постоянно включённой работы.

DepthLM — мультимодальная модель Meta, представленная в статье авторов «DepthLM: Metric Depth from Vision Language Models». Это версия на 12 млрд параметров, дообученная на Pixtral с помощью текстового supervised fine-tuning без изменения архитектуры и без специальной головы для плотного предсказания. Модель предназначена для оценки метрической глубины по изображениям в формате взаимодействия с визуально-языковой моделью. Авторы сообщают о точности, сопоставимой с моделями компьютерного зрения на нескольких наборах данных, и рассматривают DepthLM как основу для единой модели, способной решать и другие задачи 3D-понимания. Репозиторий использует Transformers и формат safetensors; карточка указывает английский язык. Лицензия обозначена как other, поэтому условия использования следует сверить с файлами репозитория.

Это детектор объектов YOLOv8m, дообученный на наборе ExDark в рамках DetectionBench для обнаружения объектов на тёмных и ночных изображениях. Модель принимает изображение и предсказывает рамки и классы объектов; среди 12 классов — люди, автомобили, автобусы, велосипеды, лодки, животные и предметы быта. Модель основана на Ultralytics/YOLOv8 и распространяется в формате PyTorch с лицензией AGPL-3.0. В README приведены результаты оценки на тестовой части ExDark: mAP@50 74,69% и mAP@50–95 48,05%. Эти показатели относятся к указанному набору и протоколу оценки. Данные ExDark невелики и несбалансированы: класс People составляет около 46% размеченных объектов, а некоторые классы представлены редко. Кроме того, авторы исходного набора отдельно указывают на некоммерческое ограничение его использования; это требование распространяется и на модели, обученные на этих данных.

Qwen2.5-VL-7B-Meteorology-GGUF — это набор GGUF-квантизаций мультимодальной модели Qwen2.5-VL-7B-Meteorology, опубликованный и квантизированный пользователем mradermacher. Базовую модель разработала команда deepguess. Модель предназначена для работы с текстом и изображениями в метеорологических, погодных и климатических сценариях, включая анализ визуальных материалов и генерацию текстовых ответов по ним. Модель основана на архитектуре Qwen2.5-VL с 7 млрд параметров и поддерживает мультимодальный режим image-text-to-text. В карточке указаны английский язык, библиотека Transformers и отдельные файлы mmproj для обработки визуальных входов. Размер контекста и другие архитектурные характеристики не указаны. Доступны варианты от Q2_K до Q8_0, IQ4_XS и f16; размеры файлов составляют примерно от 3,1 до 15,3 ГБ, а mmproj-компонентов — от 1,0 до 1,5 ГБ. Главное преимущество модели — сочетание специализированной метеорологической тематики, поддержки изображений и нескольких уровней квантизации, позволяющих выбирать баланс между качеством, скоростью и требованиями к памяти. Ограничения включают зависимость качества от выбранного варианта квантизации, отсутствие подробных результатов оценки и неполное описание языковой и контекстной поддержки. Лицензия обозначена как qwen2.5-vl с лицензией Qwen, при этом в карточке также указано значение other; точные условия следует уточнять в тексте лицензии по ссылке автора.

beauty-mix — дообученная модель Qwen3-4B, опубликованная пользователем abdoul-rz. В карточке указано, что для дообучения использован набор данных beauty-mix; подробности о его составе и обучении не приведены. Это плотная причинно-следственная языковая модель с 3,7 млрд параметров, предназначенная для генерации текста в диалоговом формате. Заявленная длина контекста — 262 144 токена. Модель работает через библиотеку Transformers и распространяется в формате safetensors. Базовая Qwen3-4B поддерживает диалоги, рассуждения, генерацию кода и многоязычные задачи, однако карточка beauty-mix не уточняет, какие именно сценарии из этого набора возможностей сохранены или улучшены дообучением. Лицензия указана как other, без дополнительных условий в карточке.

AAC Board Generator 770M (pt-BR) — GGUF — это специализированная текстовая модель на базе Gemma 3, разработанная tardellirs для генерации досок альтернативной и дополнительной коммуникации (CAA/AAC) на бразильском португальском языке. Модель предназначена для экосистемы ARASAAC и используется в приложении Papuguinho. Модель имеет около 771,6 млн параметров и поддерживает текстовый ввод и вывод. Она формирует списки примерно из 12 конкретных и релевантных слов для пиктограмм, классифицируя элементы по типам и добавляя синонимы, а также умеет выполнять инструкции по редактированию доски: добавлять, удалять и генерировать заданное количество элементов. Сборки GGUF рассчитаны на запуск через llama.cpp на CPU. Доступны варианты квантования от Q4_K_M до Q8_0 и версия f16; рекомендуемая Q8_0 требует примерно 0,9–1,1 ГБ оперативной памяти и генерирует доску примерно за 4 секунды на четырёх потоках CPU. К сильным сторонам относятся компактный размер, детерминированная генерация, работа на CPU и сохранение поведения исходной модели благодаря использованию BPE-токенизатора tokenizer.json. Ограничения включают узкую специализацию на генерации AAC-досок, поддержку прежде всего бразильского португальского и возможное небольшое снижение качества в более сильных вариантах квантования; сведения о широких оценках качества и других языках в карточке не приведены. Модель распространяется по лицензии Gemma, унаследованной от Gemma 3; связанные материалы ARASAAC распространяются по лицензии CC BY-NC-SA.

Модель amaye15/microsoft-resnet-50-batch32-lr0.0005-standford-dogs — дообученная версия microsoft/resnet-50 для классификации изображений пород собак из набора Stanford Dogs. В основе — сверточная архитектура ResNet-50 v1.5, предварительно обученная на ImageNet-1k; веса опубликованы в формате safetensors. Модель принимает изображение и предсказывает класс породы собаки. На указанном в карточке оценочном наборе достигнуты accuracy 0,8387 и F1 0,8260. Репозиторий распространяется по лицензии Apache-2.0.

AIREV Qwen-0.8B-AgentJSON — компактная текстовая модель, разработанная AIREV для платформы OnDemand Agentic AI. Она дообучена методом полного fine-tuning на базе Qwen/Qwen3.5-0.8B и обучена генерировать JSON-планы оркестрации инструментов: выбирать плагины из доступного набора, указывать параметры и порядок вызовов. В README описаны этапы SFT на 47 400 примерах со схемами 2 176 плагинов и последующего обучения GRPO с прогрессивной системой вознаграждений. Модель содержит 581,4 млн параметров, принимает текстовые запросы с описаниями доступных инструментов и выдаёт текст, обычно структурированный как JSON. Заявленный контекст — до 262 144 токенов. Модель ориентирована на локальное применение на мобильных и периферийных устройствах; в README указана работа со скоростью около 30 токенов в секунду на Snapdragon 8 Elite для квантизированной версии. Лучше всего подходит для простых сценариев с одним-двумя вызовами инструмента. В приведённых оценках точность валидного JSON составляет 92–96% для простых и средних запросов, но точное совпадение плагина снижается при усложнении сценария. Модель обучена на формате схем плагинов OnDemand, хуже подходит для сложных цепочек из пяти и более инструментов; для производственного использования рекомендуется проверять JSON. Лицензия — Apache-2.0.

Spatial-SSRL-7B — мультимодальная модель для понимания пространственных отношений на изображениях и видео, разработанная командой Spatial-SSRL на основе Qwen2.5-VL-7B-Instruct. Модель с архитектурой Qwen2.5-VL и 7,1 млрд параметров дообучена методом Spatial-SSRL — лёгким подходом самообучения с подкреплением. Она принимает изображения и текстовые запросы и формирует текстовые ответы; поддерживает контекст до 128 000 токенов. Модель предназначена для пространственного анализа сцен и ответов на визуальные вопросы. По данным карточки, обучение улучшило пространственные способности на семи бенчмарках в сценариях с изображениями и видео, сохранив общие возможности базовой модели для работы с изображениями. В README описаны обучение на обычных RGB- и RGB-D-изображениях и пять вспомогательных задач самообучения, но это не означает, что модель принимает глубинные данные отдельным входным форматом. Модель опубликована в формате Safetensors и предназначена для использования через Transformers. Лицензия — Apache-2.0. README не приводит численных результатов бенчмарков и подробного перечня ограничений, поэтому качество на конкретных задачах следует проверять отдельно.

Модель Yoonyoul/fine-tuned-e5-small-drugproduct — SentenceTransformer на базе intfloat/multilingual-e5-small, дообученный для семантического поиска по корейским данным о лекарственных препаратах. Она преобразует запросы и описания лекарств в текстовые эмбеддинги, чтобы находить соответствия по названию, назначению, типу препарата и регуляторным ограничениям DUR. В README приведён пример поиска лекарства по запросу о снижении температуры. Модель использует архитектуру BERT и содержит 124,3 млн параметров по метаданным Hugging Face. Она принимает текст и выдаёт векторы для сравнения сходства; базовая модель поддерживает несколько языков, однако карточка этой версии указывает корейский как язык данных. Окно контекста — 512 токенов. Модель распространяется по лицензии MIT. В README отмечено, что отдельный эксперимент по объединению названий действующих веществ и типов препаратов не улучшил качество поиска: из-за однотипных положительных примеров сходство между различными группами лекарств оказалось завышенным. Этот эксперимент не входит в описанный основной сценарий модели.

Модель Akash-Sakala/audio-cnn-resnet34-esc50 — свёрточная сеть ResNet-34, дообученная на датасете ESC-50 для классификации повседневных звуков по мел-спектрограммам. Она содержит около 21,3 млн параметров и обрабатывает монофонические аудиозаписи с частотой 44,1 кГц, преобразованные в спектрограмму размером 128 мел-полос на 431 кадр для пятиисекундного фрагмента. Модель присваивает входу один из 50 классов ESC-50, включая лай собаки, дождь, сирену и пение птиц. Модель подходит для прототипирования и изучения распознавания окружающих звуков. В README приведены средняя точность рецепта обучения 91,3% на пяти фолдах ESC-50 и точность этого чекпойнта 93,25% на отложенном фолде. Эти результаты относятся к тестовым записям ESC-50 и не гарантируют аналогичного качества на полевом аудио. Лицензия CC BY-NC 3.0 запрещает коммерческое использование.

DepthVLM-4B — мультимодальная модель для оценки глубины по изображениям, созданная авторами проекта DepthVLM. Она дообучена на базе Qwen/Qwen3-VL-4B-Instruct: к языковой модели добавлена лёгкая голова предсказания глубины, а обучение проходит в два этапа. Модель формирует плотную метрическую карту глубины и может одновременно выдавать языковой ответ. Модель рассчитана на оценку глубины в помещениях и на улице, а также поддерживает мультимодальное понимание и пространственное рассуждение. В README заявлены предсказания карты глубины в полном разрешении и более быстрый инференс по сравнению с некоторыми другими VLM-подходами; приведены результаты на бенчмарках Argoverse2, Waymo и DDAD. Модель опубликована в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

DrSamantha7bmistral — языковая модель для диалоговой поддержки в медицинских и психологических темах. Она создана слиянием через mergekit моделей segmed/MedMistral-7B-v0.1 и Guilherme34/Samantha-v2; в конфигурации указан метод slerp. Модель основана на плотной архитектуре Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Она принимает текст и генерирует текстовые ответы в формате диалога. Модель предназначена для ответов на вопросы о медицинских темах и для эмпатичного общения в сценариях поддержки физического и психологического благополучия. В README приведены результаты оценки на медицинских предметах и общих тестах, но они не гарантируют точность индивидуальных медицинских советов. Модель не следует использовать как единственное основание для диагностики или выбора лечения. Лицензия — Apache-2.0.

OliveGemma — мультимодальная модель для распознавания блюд средиземноморской и европейской кухни по фотографиям и ответов на вопросы о них. Её разработала исследовательская группа Университета Иоаннины и Университета Патр в Греции. Модель дообучена с помощью LoRA на базе google/paligemma2-3b-pt-448; адаптер объединён с базовыми весами. Архитектура PaliGemma включает визуальный энкодер SigLIP-So400m и языковую модель Gemma-2 2B. В метаданных указано 2,1 млрд параметров. Модель принимает изображение блюда и текстовый вопрос. Её основные сценарии — назвать блюдо, перечислить типичные ингредиенты и кратко объяснить различие между похожими блюдами. Для распознавания названия блюда на отложенной выборке указана точность top-1 0,943. Модель рассчитана на вопросы на английском языке и обучалась преимущественно на греческой и средиземноморской кухне. Результаты ненадёжны для кухонь, слабо представленных в обучающих данных. Перечень ингредиентов отражает типичный рецепт и может включать то, чего нет на снимке; модель не подходит для проверки аллергенов, питания или медицинских решений. Распознавание видимых ингредиентов и обоснование ответа визуальными свидетельствами показали низкое качество. Использование регулируется условиями лицензии Gemma.

derric017 дообучил модель Qwen2.5-1.5B-Instruct для ответов по тематике недвижимости. Это плотная авторегрессионная языковая модель с 1,5 млрд параметров, контекстом до 32 768 токенов и текстовым диалоговым интерфейсом. В карточке указано, что при обучении использовались Unsloth и библиотека TRL от Hugging Face; базовая модель — unsloth/qwen2.5-1.5b-instruct-unsloth-bnb-4bit. Модель предназначена для генерации текстовых ответов и помощи в сценариях, связанных с недвижимостью. Она принимает текст и выдаёт текст; среди указанных языков — английский. Распространяется по лицензии Apache-2.0.

RoboPoint-v1-Vicuna-13B — открытая визуально-языковая модель, разработанная авторами RoboPoint и дообученная на базе lmsys/vicuna-13b-v1.5. Модель принимает изображение вместе с текстовой инструкцией и определяет точку или область, связанную с возможным действием в сцене, например свободное место на полке рядом с нужным предметом. Модель предназначена для пространственного понимания сцен и выдачи точечных указаний для робототехнических задач, а также для визуальных вопросов и ответов. Она построена на архитектуре LlavaLlamaForCausalLM, содержит 12,9 млрд параметров и имеет контекстное окно 4096 токенов. Обучение включало данные по робототехнике и визуальным вопросам и ответам; опубликованный набор данных — wentao-yuan/robopoint-data. Результат следует проверять перед использованием для управления физическим роботом: карточка не описывает гарантии точности или безопасность действий. Модель распространяется по лицензии Apache-2.0.

SpatialGen-1.0 — модель Manycore Research для генерации 3D-сцен помещений по заданной 3D-семантической компоновке. Она использует многовидовую мультимодальную диффузионную архитектуру и может учитывать референсное изображение либо текстовое описание сцены. Репозиторий предоставляет inference-код; в README также указано, что инструкции по обучению и полный набор данных пока не выпущены. Модель дообучена на базе stabilityai/stable-diffusion-2-1 и распространяется в форматах Diffusers и Safetensors. Лицензия — CreativeML OpenRAIL-M. В карточке не приведены сведения о размере модели и длине контекста.

SPLASH-1B — мультимодальная модель команды SPLASH, представленная в работе «Wake up for Touch! Mask-isolated Tactile Alignment Learning in MLLMs». Она расширяет InternVL2.5-1B тактильным восприятием: использует языково-визуальную основу InternVL2.5-1B и тактильный фронтенд ViT-Tiny. Обучение проходит в два этапа: модель оценивает значимость параметров и выделяет неактивную подпространство весов, затем настраивает его для согласования тактильных представлений, сохраняя критическую часть параметров замороженной. Модель предназначена для диалоговых задач, в которых нужно совместно интерпретировать изображения и тактильные данные. Метод обучения нацелен на интеграцию осязания при сохранении уже имеющихся возможностей визуально-языкового рассуждения и снижении риска катастрофического забывания. В README не приведены сведения о лицензии, размере контекста и поддерживаемых языках; репозиторий содержит веса safetensors.

Papuguinho/aac-pictogram-retriever-ptbr-GGUF — компактная модель эмбеддингов, разработанная Papuguinho для поиска пиктограмм в системах альтернативной и дополнительной коммуникации (AAC). Это GGUF-квантизации базовой модели aac-pictogram-retriever-ptbr, предназначенные для запуска с llama.cpp. Модель оптимизирована для семантического поиска и переранжирования пиктограмм ARASAAC по коротким словам и фразам на бразильском португальском языке. Она может находить наиболее подходящую пиктограмму среди каталога примерно из 14 тысяч элементов и использоваться в приложениях для создания коммуникационных досок, в том числе в Papuguinho. Поддерживает асимметричные запросы для поиска и документов, после чего эмбеддинги сравниваются по косинусному сходству. Размер модели составляет около 157 млн параметров. Она работает на CPU и не требует GPU; потребление оперативной памяти зависит от квантизации и составляет примерно 105 МБ для Q4_K_M, 145 МБ для Q6_K, 190 МБ для Q8_0 и 320 МБ для f16. На специализированном бенчмарке модель показала Recall@1 0,546 при поиске по полному каталогу пиктограмм. Сильные стороны — компактность, автономный запуск и высокая эффективность именно в предметной области AAC на pt-BR. Ограничения — модель не предназначена для универсальных эмбеддингов, других языков или доменов вне поиска пиктограмм; заявленный контекст в README не указан. Лицензия — Gemma.

unsloth/Cosmos-Reason1-7B — опубликованная Unsloth версия модели NVIDIA Cosmos Reason для физического ИИ и робототехники. Это мультимодальная модель зрения и языка с плотной архитектурой Qwen2.5-VL и 7,1 млрд параметров; она принимает текст и изображения, а описание семейства также указывает на работу с видео. Контекст модели составляет 128 000 токенов. Модель предназначена для рассуждений о физических сценах и пространственно-временной динамике, а также для планирования действий воплощённых агентов. Она может помогать размечать и отбирать обучающие данные, анализировать видеопотоки и разбирать команды на этапы для роботов и автономных транспортных средств. Базовая модель дообучена с использованием supervised fine-tuning и reinforcement learning на данных для физического здравого смысла и embodied reasoning. В карточке заявлена готовность к коммерческому использованию. Указаны NVIDIA Open Model License и дополнительная информация о лицензии Apache 2.0; перед использованием следует проверить применимые условия распространения. Модель ориентирована на физический ИИ, поэтому её ответы требуют проверки в сценариях, где ошибки планирования могут повлиять на реальные действия.

MediKAI — медицинская модель от HelpingAI, предназначенная для ответов на вопросы о симптомах, лечении, лекарствах, здоровье и самочувствии. Она создана на архитектуре Gemma, содержит 13,5 млрд параметров и принимает текстовые запросы, генерируя текстовые ответы. В README заявлена поддержка английского, французского, хинди, испанского и арабского языков; длина контекста составляет 8192 токена. Модель подходит для медицинского информационного помощника и ответов на общие вопросы о здоровье. Лицензия указана как other, поэтому условия использования следует проверить в репозитории модели. README не описывает клиническую валидацию и не подтверждает пригодность ответов для диагностики или принятия решений о лечении.