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

llama-3-meerkat-8b-v1.0-GGUF — это квантованные версии языковой модели llama-3-meerkat-8b-v1.0 в формате GGUF, подготовленные bartowski с использованием llama.cpp и метода imatrix. Исходная модель разработана dmis-lab. Модель относится к классу небольших instruction-tuned моделей, ориентирована на медицинские задачи и обучение на синтетических данных, включая сценарии, связанные с экзаменом USMLE. Модель предназначена для генерации текста и диалогового использования через llama.cpp. Доступны варианты квантования от Q8_0 и Q8_0_L до Q2_K и IQ2_M, с размером файлов примерно от 2,94 до 9,52 ГБ. Более высокие уровни квантования обеспечивают лучшее сохранение качества, но требуют больше оперативной памяти; низкие уровни уменьшают требования к ресурсам ценой снижения качества. Для работы следует использовать указанный шаблон prompt с системным сообщением, запросом пользователя и ответом assistant. В README не указаны точные сведения об архитектуре, размере контекста, поддерживаемых языках, модальностях и результатах оценки. Модель предназначена для исследовательского и прикладного использования в медицинских текстовых сценариях, однако её ответы не следует считать медицинской консультацией без проверки специалистом. Распространение выполняется по лицензии CC BY-NC 4.0, ограничивающей коммерческое использование.

ChenWeiLi/Med-ChimeraLlama-3-8B_SHERP — объединённая модель на архитектуре Llama 3, созданная методом SLERP с помощью mergekit из mlabonne/ChimeraLlama-3-8B-v3 и johnsnowlabs/JSL-MedLlama-3-8B-v2.0. Модель содержит 7,5 млрд параметров и рассчитана на генерацию текста; медицинские тесты в карточке показывают её применение для ответов на вопросы и решения задач медицинского образования. Модель принимает текст и генерирует текст, поддерживает контекст до 8192 токенов. В опубликованной оценке указаны результаты на наборах MedMCQA и MedQA, а также агрегированный результат для группы STEM. Лицензия — Llama 3.

Minbyul/meditron-7b-wo-live_qa-sft — дообученная модель для генерации текста, основанная на англоязычной медицинской модели Meditron-7B от EPFL. Она построена на архитектуре Llama и содержит около 6,6 млрд параметров; контекст — до 2048 токенов. Модель дообучена методом SFT на наборе HuggingFaceH4/deita-10k-v0-sft. Модель предназначена для генерации ответов на запросы и может использоваться для экспериментов с медицинскими вопросами и ответами. В README приведено значение loss 1,4959 на наборе оценки, но подробное описание назначения, данных оценки и ограничений не раскрыто. Лицензия — Llama 2 Community License.

Карточка модели MBZUAI/MediX-R1-8B на Hugging Face совпадает с карточкой MBZUAI/MediX-R1-30B, поэтому описание составлено по ней. MediX-R1-30B — медицинская мультимодальная модель MBZUAI для ответов на вопросы по тексту и медицинским изображениям. Это дообученная методом обучения с подкреплением модель Qwen/Qwen3-VL-30B-A3B-Instruct; в метаданных указана архитектура Qwen3-VL MoE и библиотека Transformers. Модель предназначена для свободных клинических ответов и рассуждений, включая сценарии, выходящие за рамки тестов с выбором ответа. При обучении использовалось около 50 тысяч инструкционных примеров и составная функция вознаграждения, учитывающая точность, семантическое сходство, формат ответа и распознавание модальности. В README сообщается о среднем результате 73,6% на медицинских бенчмарках; это заявление авторов, а не гарантия качества в клиническом применении. Карточка указывает поддержку английского языка. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование.

MedraQ-8b-abliterated-i1-GGUF — квантизированная GGUF-версия модели MedraQ-8b-abliterated, разработанная drwlf и подготовленная mradermacher. Модель дообучалась на наборе данных nicoboss/medra-medical и предназначена для генерации текста в медицинском домене. Заявленные сценарии использования включают медицинское резюмирование и диагностическое рассуждение. Модель имеет около 8 миллиардов параметров, ориентирована на текстовые задачи и заявляет поддержку английского и румынского языков. В метаданных она также помечена как fine-tuned и gemma-3, однако сведения о точной архитектуре и размере контекстного окна отсутствуют. Поставка включает множество вариантов квантизации с разным размером, скоростью и качеством. Версии с низкой битностью позволяют сократить требования к памяти, но могут заметно ухудшать качество; для баланса размера, скорости и качества рекомендованы варианты i1-Q4_K_S и i1-Q4_K_M. Модель следует использовать как вспомогательный инструмент, поскольку README не содержит результатов оценки, гарантий точности или сведений о клинической безопасности. Лицензия — Apache-2.0. Модель распространяется в формате GGUF и предназначена для запуска средствами, поддерживающими этот формат.

MolmoAct 7B-D Pretrain — модель рассуждения о действиях для визуально управляемой роботизированной манипуляции, разработанная Allen Institute for AI. Она сочетает языковую основу Qwen2.5-7B и визуальный энкодер SigLIP 2, и предназначена для дальнейшего дообучения на этапе mid-training или воспроизведения zero-shot результатов на SimplerEnv для Google Robot. Модель предварительно обучена на смеси данных MolmoAct; в обучающий набор входили часть OXE и MolmoAct Dataset с 10 тысячами траекторий однорукого робота Franka для 93 задач манипуляции в домашних условиях и на столе. Модель принимает визуальные наблюдения и текстовые инструкции и предназначена для вывода рассуждений и действий робота. Веса опубликованы в FP32; для инференса авторы оценивали модель после приведения к BF16. Репозиторий использует Transformers, лицензия — Apache-2.0. Это предварительная версия чекпойнта, а не готовая универсальная система управления роботами. Область действий ограничена обучающими данными; перед применением на физическом роботе необходимо проверять планируемые действия и соблюдать требования безопасности оборудования.

Это дообученная модель OpenVLA-OFT на базе openvla/openvla-7b, обученная разработчиком карточки на реальных данных робота-манипулятора XArm для сценария складывания чашек. Модель принимает два изображения рабочей зоны — с внешней камеры и камеры на запястье — вместе с данными о положении робота и предсказывает последовательность управляющих действий. Чекпойнт завершил обучение на 30 000 шагах с эффективным размером пакета 32. Используются предсказание действий блоками по 25 шагов, размерность действия 7 и размерность данных о положении робота 6; веса LoRA ранга 32 объединены с базовой моделью. Для развёртывания требуются кодовая база OpenVLA-OFT и настройка параметров XArm. Лицензия — MIT.

dgrachev/pi05_subtask_base — производная копия базовой VLA-модели lerobot/pi05_base, подготовленная для плагина LeRobot pi05_subtask. Веса побитово совпадают с базовой моделью; изменены только config.json и policy_preprocessor.json, чтобы использовать обработку контекста двухчастного промпта и режим генерации подзадачи. Модель предназначена для дообучения и запуска политик управления роботом, которые получают задачу, состояние робота и визуальные наблюдения, генерируют текстовое описание подзадачи, а затем предсказывают действия. Для работы требуется установленный плагин lerobot_policy_pi05_subtask. Тот же артефакт может служить основой для политики framepick. Репозиторий содержит веса Safetensors и распространяется по лицензии Gemma. Карточка указывает английский язык; базовая модель предназначена для входных изображений, состояния робота и языковых инструкций с выдачей управляющих действий. README не приводит размер модели и длину контекста.

Qwen2.5-1.5B-Medical-DPO — медицинская языковая модель Ахмада Наваза на базе Qwen2.5-1.5B от Unsloth. Это плотный трансформер с авторегрессионной архитектурой Qwen2 и 1,5 млрд параметров; репозиторий содержит объединённые веса FP16. Модель дообучена в два этапа: QLoRA на медицинских терминах и клинических карточках, затем выравнивание предпочтений методом DPO. Контекст модели — до 32 768 токенов. Модель предназначена для генерации медицинских ответов, поддержки клинических рассуждений и справочной работы по симптомам, заболеваниям и диагностике. В качестве обучающих данных указаны Medical Meadow Medical Flashcards и пары предпочтений Intel Orca DPO; README отдельно описывает медицинский этап SFT. Заявленная лицензия — Apache-2.0. Небольшой размер и ограниченные сведения о проверке качества не позволяют считать ответы заменой профессиональной медицинской оценке.

dahye58/Qwen3-1.7B-base-MED-ChatVector — генеративная языковая модель объёмом 1,7 млрд параметров, опубликованная пользователем dahye58 на Hugging Face. По идентификатору и тегу qwen3 она относится к семейству Qwen3; модель предназначена для генерации текста и поддерживает библиотеку Transformers. Максимальная длина контекста составляет 40 960 токенов. Модель ориентирована на диалоговые и медицинские сценарии, включая подготовку ответов на вопросы и работу с медицинскими текстами, однако README не содержит описания обучения, состава данных, результатов оценки, разработчика, лицензии или официальных рекомендаций по применению. Подходит для локального прототипирования и последующей адаптации, но требует проверки качества и безопасности перед использованием в клинических, диагностических или иных чувствительных задачах.

Sommo 7B v1 — чат-модель для задач сомелье, дообученная разработчиком sinef на Qwen2.5-7B-Instruct. Она предназначена для ответов на вопросы о вине и помощи в выборе напитков. Модель использует плотную архитектуру Qwen2, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит полные веса в формате safetensors с точностью bf16. Модель готова к запуску через Hugging Face Inference Endpoints, в том числе с TGI и vLLM. Лицензия — Apache-2.0. Карточка не сообщает о языках обучения и дополнительных ограничениях качества.

Карточка модели FreedomIntelligence/Apollo-2B на Hugging Face совпадает с карточкой FreedomIntelligence/Apollo-1.8B, поэтому описание составлено по ней. Apollo-1.8B — языковая модель семейства Qwen, представленная проектом FreedomIntelligence для работы с медицинскими текстами и вопросами. Она предназначена для генерации ответов в формате диалога и охватывает медицинские знания на нескольких языках. Модель содержит 2,3 млрд параметров, использует плотную архитектуру QWenLMHeadModel и поддерживает контекст до 8192 токенов. В карточке описаны английский и китайский наборы медицинских тестов, а также оценки на испанском, французском, хинди и арабском; для обучения упоминаются данные на английском, китайском, испанском, французском и хинди. Модель можно применять для ответов на медицинские вопросы и учебных задач по медицинским знаниям. В README приведены наборы для обучения и оценки, но нет подробных результатов, поэтому качество на конкретных задачах по этой карточке определить нельзя. Модель распространяется по лицензии Apache-2.0.

Asclepius 13B-GGUF — текстовая медицинская языковая модель на архитектуре Llama с 13 млрд параметров. Исходную модель разработал Junu Kim, а TheBloke подготовил её варианты в формате GGUF. Модель обучалась с использованием набора starmpcc/Asclepius-Synthetic-Clinical-Notes и предназначена для работы с англоязычными клиническими текстами, в частности с выписками пациентов и инструкциями медицинских специалистов. Основной сценарий — формирование кратких и уместных ответов по фрагменту выписки или другого клинического документа. Модель работает в текстовом режиме; сведения о поддержке других модальностей, размере контекста и специализированных оценках в README не указаны. GGUF-версии доступны с различными уровнями квантования, включая 2-, 3-, 4-, 5-, 6- и 8-битные варианты, что позволяет запускать их с использованием CPU и GPU через llama.cpp и совместимые интерфейсы и библиотеки. К сильным сторонам относятся специализация на клинических текстах, компактные квантованные варианты и возможность локального запуска. Ограничения включают англоязычную направленность, возможную потерю качества при сильном квантовании и отсутствие в предоставленных данных подробных результатов оценки, гарантий клинической точности и требований к аппаратному обеспечению. Лицензия указана как other, но её конкретные условия README не раскрывает.

BiMediX-Eng — англоязычная версия медицинской диалоговой модели BiMediX, разработанной исследователями Mohamed Bin Zayed University of Artificial Intelligence (MBZUAI). Она предназначена для медицинских взаимодействий на английском и арабском языках: отвечает на закрытые вопросы, ведёт диалог и решает задания с выбором ответа. Модель основана на Mixtral-8x7B-Instruct-v0.1 и использует архитектуру Mixtral с экспертами (MoE); в метаданных указано 7,1 млрд параметров и контекст до 32 768 токенов. Для обучения использован набор медицинских диалогов BiMed1.3M-English. Модель принимает текст и генерирует текст; карточка сообщает о результатах на медицинских бенчмарках, но не приводит полную таблицу результатов. Модель может галлюцинировать, проявлять токсичность и воспроизводить стереотипы. Её рекомендуют использовать только в исследовательских целях, поэтому ответы не следует считать медицинским диагнозом или профессиональной рекомендацией. Лицензия — CC BY-NC-SA 4.0.

ChashiBhAI Potato Disease Classifier v2 — модель классификации изображений на базе YOLO26-cls, подготовленная разработчиком ChashiBhAI и сохранённая в формате TFLite с точностью FP16. Она принимает изображение листа картофеля размером 640 × 640 пикселей после центрального кадрирования и выдаёт оценки вероятности для трёх классов: ранняя фитофторозная пятнистость (Early Blight), здоровый лист и поздняя фитофторозная пятнистость (Late Blight). Модель предназначена для распознавания этих заболеваний на изображениях, в том числе при запуске на устройстве. Репозиторий указывает Ultralytics как используемую библиотеку, а метаданные — лицензию MIT. Карточка не приводит результатов оценки качества или сведений о данных обучения, поэтому качество распознавания в конкретных условиях по ней оценить нельзя.

DM0.5 — разработанная Dexmal модель Vision-Language-Action для управления роботами в открытой среде. Она принимает визуальные данные и инструкции на естественном языке и предназначена для предсказания действий робота, в том числе при выполнении длинных последовательностей задач, динамических помех и работе с разными конфигурациями роботов. Модель относится к семейству DM05 и использует архитектуру DM05ForConditionalGeneration; веса опубликованы в формате safetensors и доступны для Transformers. Репозиторий OpenDM также содержит средства обучения, дообучения, инференса и оценки. В README описаны варианты для LIBERO, RoboTwin2.0 и SO101, а для запуска инференса рекомендуется одна NVIDIA GPU; для обучения — восемь. Лицензия указана как Gemma. В README сообщается о высоких результатах на RoboColiseum и RoboDojo-Sim, включая задачи следования инструкциям, пространственного рассуждения и манипуляции. Практическое применение требует совместимого окружения и подходящего чекпойнта с нормировочной статистикой. Метаданные и README не уточняют поддерживаемые языки инструкций и точные параметры модели.

Docto-S1 ModernBERT-fr-base-v0.1 — французская медицинская модель для оценки вариантов ответа, разработанная на основе DoctoModernBERT-fr-base. Это энкодер ModernBERT с 149 млн параметров, дообученный на наборе medical-s1-fr-v0.1; он присваивает каждому варианту вероятность за один проход и рассчитан на быстрые решения по сообщениям пациентов, клиническим заметкам и описаниям случаев. Контекст составляет 8 192 токена, формат весов — Safetensors, лицензия — Apache-2.0. Модель подходит для медицинской сортировки обращений, определения срочности и тревожных признаков, маршрутизации к специалисту, классификации намерений и проверки соблюдения правил. Лучше всего работает на задачах, близких к обучающим; для новых задач возможно применение без дообучения. В опубликованной оценке на медицинском бенчмарке показаны средняя точность 81,04% и медианная задержка 8 мс на H100, однако результаты зависят от задачи и условий проверки. Это исследовательская модель, не медицинское изделие и клинически не валидирована. Она может занижать срочность, хуже справляется с задачами, далёкими от обучающих, и с медицинскими вопросами на знания; обучение в значительной мере опирается на метки одной семьи моделей. Использовать её следует с участием человека и проверять калибровку на целевой задаче.

OpenMed Community разработала Granite 4.0 Micro OpenMed — дообученную и объединённую с исходной IBM Granite 4.0 Micro компактную инструкционную языковую модель с архитектурой GraniteMoeHybridForCausalLM и 3,4 млрд параметров. Модель предназначена для медицинского образования и следования инструкциям; она принимает текст и генерирует текст. Контекстное окно составляет до 131 072 токенов. Модель обучали на задачах MedMCQA-Hard с помощью JEPA-LLM SFT и GRPO, добавляя данные для следования инструкциям и затем сливая результат с базовой моделью через Arcee Fusion. Она подходит для разбора медицинских понятий, учебных вопросов в формате экзамена и исследовательских демонстраций, в том числе с инструментами. В карточке указаны улучшения на тестах MMLU и IFEval относительно базовой модели, но они умеренные. Модель распространяется по лицензии Apache-2.0. Она может ошибаться и не предназначена для постановки диагнозов, назначения лечения или автономных клинических решений; ответы в медицинских сценариях требуют проверки специалистом. Для актуальных рекомендаций карточка советует использовать поиск по источникам.

AIcell/guava-v13b-qwen3.5-4b-red-basket — модель семейства Guava v13b на архитектуре Qwen3.5-VL 4B, предназначенная для задачи манипуляции предметами на столе red_objects_in_basket: нахождения красных объектов и работы с ними в корзине. Это экспорт весов checkpoint 50 в формате bfloat16; модель принимает изображения и текст и поддерживает визуально-языковой диалог. В README задача указана со слов загрузившего модель и не подтверждена метаданными обучения; экспорт опубликован без оценки качества и без проверки на отложенных данных. Checkpoint 50 — ранний шаг, не отобранный по валидационной метрике, а путь загрузки не протестирован. Для загрузки README указывает Transformers 5.8.1. Условия лицензии в доступных данных не приведены.

Карточка модели InternRobotics/InternVLA-M1-LIBERO-Long на Hugging Face совпадает с карточкой InternRobotics/InternVLA-M1-LIBERO-Object, поэтому описание составлено по ней. InternRobotics разработала InternVLA-M1-LIBERO-Object — PyTorch-модель в рамках открытого сквозного фреймворка InternVLA-M1 для политик управления роботами. Это vision-language-action модель: она предназначена для сценариев, где робот использует визуальную и языковую информацию для выбора действий. Карточка относит модель к робототехнике и описывает фреймворк как предназначенный для создания и исследования универсальных роботизированных политик. Репозиторий помечен лицензией CC BY-NC-SA 4.0, которая предусматривает указание авторства, распространение производных материалов на тех же условиях и ограничения на коммерческое использование. В доступной карточке не приведены конкретные задачи LIBERO, поддерживаемые языки, размер модели или параметры контекста.

JapaneseTinyAgentLM-Action-3M — компактная языковая модель ayousanz для преобразования коротких запросов на японском языке в вызовы действий робота в формате JSON. Автор обучил её с нуля: это декодерный Transformer на 3 148 608 параметров, предназначенный для локальной работы на ESP32-S3 в роботе Stack-chan без сети, NPU и внешних модулей. Модель выдаёт до двух действий из фиксированной схемы либо пустой список, если запрос не относится к возможностям робота, содержит отрицание или не является командой. Поддерживаются движения головы, включая повороты по направлению и углу, кивки, поклоны, выражения лица, управление LED, громкостью и яркостью. В README описаны INT4-запуск на микроконтроллере, ограничение действий схемой и фильтр уверенности. Модель рассчитана на японские текстовые команды; распознавание речи в неё не входит, а качество на английских запросах низкое. Веса распространяются по лицензии CC BY-SA 4.0.

Med-LLaMA3.2-1B Medical — компактная диалоговая языковая модель для медицинских вопросов и ответов, разработанная MohamedAhmedAE на базе Meta Llama 3.2. Это плотная причинная модель семейства Llama с 1,2 млрд параметров, рассчитанная на запуск через Transformers и сценарии с ограниченными ресурсами, включая локальное и периферийное исполнение. Контекстное окно — до 131 072 токенов. Модель дообучена методом QLoRA на медицинских инструкциях, а веса адаптера объединены с базовой моделью, поэтому отдельный адаптер для запуска не нужен. Она предназначена для ответов на медицинские вопросы, поиска клинических сведений и поддержки клинических решений, а также может использоваться как исследовательская основа для медицинских приложений. Карточка указывает английский язык; качество за пределами английского не оценивалось. Модель может ошибаться, особенно в сложных клинических рассуждениях и при неоднозначных медицинских сокращениях. Она не предназначена для автономной диагностики, назначения лечения или замены профессиональной медицинской помощи; ответы следует проверять у квалифицированного специалиста и по авторитетным источникам. Лицензия — Llama 3.2; при использовании необходимо соблюдать её условия.

JagritiPandey/llama3-medical-triage — дообученная Jagriti Pandey разговорная языковая модель семейства Llama 3 для генерации текста. Она предназначена для диалоговых сценариев медицинской сортировки обращений: может помогать формулировать первичную оценку и ответы на вопросы о симптомах. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 8192 токенов; в карточке указан английский язык. Модель дообучена на unsloth/llama-3-8b-Instruct-bnb-4bit с использованием Unsloth и библиотеки TRL. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. Карточка не приводит сведений о составе обучающих данных и оценке качества медицинских рекомендаций, поэтому ответы следует проверять; модель не следует считать заменой профессиональной медицинской помощи.

medgemma-4b-it-GGUF — квантованная в формат GGUF версия модели medgemma-4b-it, разработанной Google и подготовленной компанией Second State Inc. Модель предназначена для медицинских сценариев, включая радиологию, клиническое рассуждение, дерматологию, патологию, офтальмологию и анализ рентгеновских снимков грудной клетки. Она поддерживает работу с текстом и изображениями, а для обработки изображений требует нормализации входных данных до разрешения 896 × 896 и кодирования каждого изображения в 256 токенов. Модель содержит 4 млрд параметров и использует шаблон запросов gemma-3. Заявленный размер контекста — 128 000 токенов. Доступны варианты квантования от Q2_K до Q8_0, а также f16; рекомендуемыми в README названы Q4_K_M, Q5_K_M и Q5_K_S, поскольку они обеспечивают баланс между размером и потерей качества. Квантованные файлы имеют размер примерно от 1,73 до 4,13 ГБ, а мультимодальный компонент mmproj-f16 занимает 851 МБ. Модель подходит для локального развертывания через LlamaEdge и llama.cpp, в том числе в виде чат-сервиса или приложения с поддержкой изображений. Более агрессивное квантование уменьшает требования к ресурсам, но приводит к заметной потере качества. README не содержит сведений о поддерживаемых языках, результатах оценки, ограничениях медицинского применения или конкретных мерах безопасности. Лицензия указана как health-ai-developer-foundations; условия доступны по ссылке Google.

Meditron-7B — языковая модель на 7 млрд параметров, разработанная командой EPFL LLM Team для медицинской тематики. Это причинный трансформер с архитектурой decoder-only, дообученный продолжением предобучения на базе Llama-2-7B. В обучающий корпус вошли медицинские статьи и аннотации, клинические рекомендации и общие тексты. Модель принимает текст и генерирует текст; основной язык — английский, длина контекста — 2 тысячи токенов. Модель предназначена для экспериментов с ответами на медицинские вопросы, например по симптомам, заболеваниям и лечению, а также для задач медицинских экзаменов и поддержки дифференциальной диагностики. В карточке сообщается о более высоких результатах, чем у Llama-2-7B и PMC-Llama, на нескольких задачах медицинского рассуждения, но оценка безопасности, точности и смещений ограничена. Модель не адаптирована для безопасных профессиональных рекомендаций и не предназначена для непосредственного применения в производственной среде или принятия решений, влияющих на здоровье людей. Лицензия модели — Llama 2 Community License Agreement; лицензия кода — Apache 2.0.

MedReason-8B — медицинская языковая модель, разработанная авторами проекта MedReason и дообученная методом SFT на наборе MedReason. Набор содержит 32 682 пары медицинских вопросов и ответов с пошаговыми объяснениями, построенными с использованием медицинского графа знаний. Модель основана на HuatuoGPT-o1-8B; в метаданных указана архитектура LlamaForCausalLM с плотной структурой и 7,5 млрд параметров. Модель предназначена для ответов на медицинские вопросы и решения задач медицинского рассуждения с объяснением промежуточных шагов. Она работает с текстом, поддерживает чатовый интерфейс и контекст до 131 072 токенов. README сообщает об оценке на медицинских QA-бенчмарках, но не приводит в предоставленной карточке численных результатов. Лицензия — Apache-2.0. Ответы модели не заменяют профессиональную медицинскую консультацию.

genshiai-daichi разработала медицинскую модель для получения векторных представлений японских предложений. Она основана на ModernBERT-Ja и продолжает дообучение модели genshiai-daichi/med-ruri-v3-310m; содержит около 314,6 млн параметров, работает с контекстом до 8192 токенов и распространяется в формате safetensors через Sentence Transformers. Модель предназначена для семантического поиска по медицинским текстам и сопоставления запросов с фрагментами документов. В README приведён результат nDCG@10 0,5348 на отложенных запросах из того же распределения медицинских рекомендаций; он не показывает качество на других распределениях или временную обобщаемость. Для работы требуется добавлять префикс «検索クエリ: » к запросу и «検索文書: » к документу, а также применять NFKC-нормализацию и удаление года из заголовков как при обучении. README описывает загружаемый во время обучения промежуточный чекпойнт, поэтому его показатели и содержимое могут измениться; конкретная ревизия фиксирует шаг обучения. Лицензия — Apache-2.0.

mu-VLA — исследовательский чекпойнт политики управления роботами, разработанный авторами проекта mu-VLA на основе OpenVLA-OFT и OpenVLA. Модель дообучена для пяти сред MIKASA-Robo-VLA и предназначена для задач с частичной наблюдаемостью, где важная подсказка появляется раньше и отсутствует в текущем кадре. В основе лежит плотная vision-language-action архитектура OpenVLA 7B. К мультимодальному префиксу трансформера добавлены 64 обучаемых токена памяти, состояние которых переносится между шагами эпизода; обучение памяти использует TBPTT с окном K=8. Модель принимает изображения рабочей зоны и инструкции, а также предсказывает действия робота-манипулятора. В README приведены результаты на обучающих и ранее не встречавшихся средах, включая заметно более сильный результат родственного чекпойнта K=2 на задаче RememberColor5. Для запуска требуются код mu-VLA, форк Transformers с поддержкой специальной маски внимания и среды MIKASA-Robo; стандартный upstream Transformers не поддерживается. Веса включают отдельные компоненты модели и адаптер LoRA. Лицензия — MIT.

Navya-1c-sft-dpo-grpo-reasoning — языковая модель Navyam AI (Bachatt) на архитектуре Llama с 1,31 млрд параметров. Это версия семейства Navya-1c, дообученная на личных финансах в Индии и прошедшая SFT, DPO, GRPO и дистилляцию рассуждений с помощью локально запущенной модели deepseek-r1:14b. Модель принимает текстовые запросы и генерирует ответы с пошаговым рассуждением; контекст — 4096 токенов. Модель предназначена для вопросов о сбережениях, SIP-инвестициях, кредитах, кредитной истории, страховании и налогах в Индии. Заявленные языки — английский и хинди с Hinglish; метаданные также отмечают поддержку бенгальского, тамильского, телугу, маратхи, гуджарати, каннада, малаялам, панджаби, ория, ассамского и урду. Это исследовательский proof-of-concept, а не готовая к производству модель: она обучалась на небольшом специализированном наборе данных и переобучилась, поэтому качество ответов может быть ненадёжным. В README отдельно указано, что ответы не являются инвестиционной рекомендацией. Лицензия — Apache-2.0.

PlantDetect V2 Preview — модель классификации изображений растений, разработанная для определения 2 991 вида растений Западной Австралии. Она построена на визуальном энкодере DINOv3 с mean pooling и классификационной головой; для одного наблюдения можно подать одну фотографию или объединить 2–4 фотографии того же растения. В карточке указаны веса в формате Safetensors и библиотека PyTorch. Также доступны экспорты ExecuTorch W8A8 для CPU и FP8 AdaRound; запуск ExecuTorch требует пользовательских операторов plant_quant и не работает на стандартном runtime. На внутренней проверке точность Top-1 составила 86,25% для отдельных фотографий и 93,24% при объединении нескольких фотографий. Эти результаты относятся к данным и условиям оценки из карточки и не гарантируют такую же точность на произвольных снимках. Модель предназначена для видов Западной Австралии, поэтому не следует считать её универсальным определителем растений. Лицензия указана как other; конкретные условия использования следует проверить в файлах репозитория.