IV.5Образование и развитие навыков

ArcANE-32B-SFT — дообученная методом SFT с LoRA модель семейства Qwen3, созданная для исследования ролевых ответов от лица персонажей. Она учитывает состояние персонажа на заданном этапе повествования и предназначена для ответов с учётом Character Arc, обрезанной до соответствующей главы, чтобы не использовать сведения из будущих фаз сюжета. Модель содержит 29,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и принимает текст по шаблону чата Qwen3. Она обучена на английских примерах из ArcANE: 12 романов, 55 персонажей и 339 характеристик персонажей. В описанной оценке с контекстом Character Arc модель показала общий результат 58,4 против 50,1 у исходной Qwen3-32B при том же контексте. Модель рассчитана на исследовательские эксперименты с ролевыми ответами и изменением поведения персонажей по ходу повествования. Для наиболее надёжного сценария в контекст следует включать только части Character Arc до главы, о которой задаётся вопрос; раскрытие будущих фаз противоречит проверенной постановке. Базовая модель поддерживает контекст до 40 960 токенов. Лицензия — Apache-2.0.

arrodeio-gpt2-cordel — модель продолжения текста, разработанная Бернардо Саной (bsana1) на базе GPT-2 small для португальского языка. Модель дообучена на бразильской поэзии кордел и народных поговорках, чтобы воспроизводить характерные ритм, лексику и рифмовку. Это причинная decoder-only модель GPT-2 с 124 млн параметров, 12 слоями и контекстом до 1024 токенов; она принимает текстовый фрагмент и продолжает его в выбранной манере. Основной язык — бразильский португальский. Модель предназначена для творческого продолжения стихов кордел: лучше всего подавать ей тему, начальную строку или строфу, а также примеры кордел в качестве затравки. Это не чат-модель и не система следования инструкциям: вопрос или команда обычно приводят к дальнейшему тексту в стиле кордел, а не к прямому ответу. Проект создан для обучения и экспериментов; формальных бенчмарков нет. Дообучение проводилось на небольшом корпусе из 17 произведений и традиционных поговорок, поэтому модель может воспроизводить устаревшие выражения и социальные установки исходных материалов. Она не оценивалась на фактическую точность, безопасность или систематические смещения. Лицензия MIT унаследована от базовой модели.

0-ma/beit-geometric-shapes-base — модель классификации изображений на основе BEiT, созданная проектом 0-ma путём дообучения microsoft/beit-base-patch16-224-pt22k-ft22k. Она предназначена для распознавания геометрических фигур на изображениях и относит их к одному из шести классов: None, Circle, Triangle, Square, Pentagon или Hexagon. Модель содержит 119,5 млн параметров и загружается через Transformers как AutoModelForImageClassification с соответствующим обработчиком изображений. В README сообщается точность 0,9998 на тестовой выборке набора 0-ma/geometric-shapes. Это значение относится к указанному набору данных; карточка не описывает проверку на более разнообразных реальных изображениях. Модель принимает изображения и выдаёт метки классов. Лицензия — Apache-2.0.

BioMedGPT-LM-7B-GGUF — это набор файлов модели в формате GGUF для PharMolix/BioMedGPT-LM-7B, подготовленный и квантизированный MaziyarPanahi. Модель предназначена для генерации текста в биомедицинском и медицинском контексте; исходная модель имеет размер 7B параметров. Доступны варианты квантизации от 2 до 8 бит, включая Q2_K, Q3_K, Q4_K, Q5_K и Q6_K, что позволяет выбирать баланс между размером файлов, требованиями к памяти и качеством вывода. Модель поддерживает сценарии локального запуска через совместимые инструменты и библиотеки для GGUF, включая llama.cpp, text-generation-webui, LM Studio, GPT4All и llama-cpp-python. В README не указаны языки, размер контекста, точная архитектура, данные обучения или результаты оценки качества, поэтому её возможности в конкретных медицинских задачах нельзя подтвердить по представленным данным. Как и другие генеративные медицинские модели, она требует проверки результатов специалистом и не должна использоваться как самостоятельный источник клинических решений. Для модели указана лицензия Apache-2.0. Это квантизированное представление исходной модели, поэтому выбор уровня квантизации может влиять на точность и потребление ресурсов; характеристики отдельных вариантов могут различаться.

Карточка модели Arsh9210/Cosmos-1.0-Diffusion-7B-Text2World на Hugging Face совпадает с карточкой nvidia/Cosmos-1.0-Diffusion-7B-Text2World, поэтому описание составлено по ней. Cosmos-1.0-Diffusion-7B-Text2World — модель генерации видео из текста, разработанная NVIDIA как часть семейства Cosmos World Foundation Models. Она предназначена для создания динамичных сцен с учётом физики для разработки Physical AI и задач генерации виртуальных миров. Модель построена на диффузионном трансформере, который выполняет денойзинг видео в латентном пространстве и использует текстовое условие на протяжении генерации. На вход подаётся текстовое описание короче 300 слов; по умолчанию модель создаёт клип длительностью 5 секунд, 121 кадр, с разрешением 1280×704 и частотой 24 кадра в секунду. Доступны другие соотношения сторон и частота от 12 до 40 кадров в секунду. Модель работает с Cosmos и Diffusers. NVIDIA сообщает об испытаниях инференса в BF16 на Linux и GPU NVIDIA Ampere, Hopper и Blackwell; на других операционных системах испытания не проводились. Лицензия — NVIDIA Open Model License, допускающая коммерческое использование в соответствии с её условиями. README не приводит конкретных результатов оценки качества; пригодность для целевого сценария следует проверять отдельно.

CURE-MED-7B-i1-GGUF — это квантизированная версия языковой модели CURE-MED-7B, разработанной Aikyam-Lab и подготовленной в формате GGUF пользователем mradermacher. Модель ориентирована на генерацию текста, рассуждения и задачи медицинского искусственного интеллекта, включая применение в многоязычных сценариях здравоохранения. Модель имеет размер 7 миллиардов параметров и поддерживает текстовый ввод и вывод. В README заявлена поддержка амхарского, бенгальского, французского, хауса, хинди, японского, корейского, испанского, суахили, тайского, турецкого, вьетнамского и йоруба. Доступны варианты квантизации GGUF с различным размером от примерно 2,0 до 6,4 ГБ; вариант i1-Q4_K_M отмечен как рекомендуемый по соотношению скорости и качества, а imatrix-квантизации предназначены для более эффективного уменьшения размера модели. К сильным сторонам относятся медицинская специализация, многоязычность, поддержка локального запуска через совместимые с GGUF инструменты и широкий выбор вариантов квантизации. Ограничения связаны с потерями качества при низком уровне квантизации; README не содержит сведений о длине контекста, архитектуре исходной модели, результатах тестирования или мультимодальных возможностях. Лицензия модели — Apache-2.0.

Zardian/Cyber_assist3.0 — языковая модель семейства GPT-2, разработанная Zardian18 и дообученная на GPT-2 Medium. Она предназначена для генерации ответов на базовые вопросы по кибербезопасности. Обучение проводилось на двух наборах данных с запросами и ответами по кибербезопасности; карточка указывает их объём как 12 тыс. и 14 тыс. записей. Модель использует архитектуру GPT2LMHeadModel, принимает текст и генерирует текст на английском языке. Контекст составляет 1024 токена; веса доступны в формате safetensors, для работы используется Transformers. Модель может помочь с простыми справочными запросами по кибербезопасности, но её качество ограничено небольшим объёмом обучающих данных и уступает современным крупным языковым моделям. Лицензия в предоставленных данных не указана.

balazsthomay/ddpm-wikiart-finetuned-butterflies-2epochs — модель диффузии, дообученная на изображениях бабочек и произведениях WikiArt. Карточка представляет её как пример для второго раздела курса по диффузионным моделям; для генерации используется библиотека Diffusers и конвейер DDPMPipeline. Модель предназначена для безусловной генерации изображений: вызов конвейера создаёт изображение без текстового описания в качестве входа. По названию репозитория обучение длилось два эпоха. Модель распространяется в формате Diffusers с весами safetensors по лицензии MIT.

Набор управляющих векторов для DeepSeek-V4-Flash, опубликованный пользователем gghfez. Векторы направляют поведение базовой модели при генерации текста, меняя тон повествования, фокус на диалогах или описании, сложность языка и другие стилистические характеристики без переобучения весов модели. Набор предназначен для творческого письма и настройки ответов DeepSeek-V4-Flash через llama.cpp или ikllama.cpp. В README перечислены оси оптимизма и нигилизма, эмпатии и социопатии, честности и макиавеллизма, скромности и нарциссизма, диалога и повествования, простого и витиеватого языка, описательности и откровенности, сострадания и жестокости. Для применения требуются базовая модель и поддерживающий векторы сервер; лицензия — CC BY-NC 4.0. Это не самостоятельная языковая модель, а производный набор файлов формата GGUF для DeepSeek-V4-Flash. Автор отмечает, что вектор сострадания и жестокости требует доработки из-за отказов модели, а витиеватое направление языкового вектора может приводить к бесконечным рассуждениям. Язык карточки — английский; подтверждённый размер и длина контекста не указаны.

Dirty-Alice-RP-2b — чат-модель для ролевых диалогов и повествовательных историй, опубликованная пользователем D1rtyB1rd. Она основана на архитектуре Gemma 2, содержит 2,7 млрд параметров и рассчитана на контекст до 8192 токенов. Модель использует формат чата Gemma; в конфигурацию добавлены системные подсказки для персонажа Алисы, но README сообщает, что можно задавать и другие персонажи. Модель предназначена для ролевых бесед и совместного написания историй. Обучение сочетает наборы данных для ролевых диалогов, эротические рассказы с заменой имён персонажей, истории об Алисе в Стране чудес, многоходовые чат-данные и фрагменты Википедии по темам секса для привязки ответов к фактам. Репозиторий содержит веса в формате safetensors. Лицензия указана как other, поэтому конкретные условия использования следует уточнять в карточке модели.

Модель dbmdz/german-gpt2-faust разработана командой dbmdz как дообученная версия немецкой GPT-2. Её дополнительно обучили на нормализованных текстах трагедий «Фауст I» и «Фауст II» Иоганна Вольфганга Гёте; архитектура — GPT2LMHeadModel, контекст — до 1024 токенов. Доступны версии для PyTorch, Flax и safetensors. Модель предназначена для генерации немецкого текста в стиле корпуса «Фауста», а также может служить отправной точкой для дальнейшего дообучения на других текстах. Карточка приводит пример генерации по заданному текстовому началу. Модель распространяется по лицензии MIT. Авторы отмечают, что это не универсальная модель уровня крупных англоязычных систем. Её обучение на ограниченном литературном корпусе специализирует генерацию на текстах «Фауста» и не гарантирует качество для других жанров и задач.

Nehc/gpt2_priest_ru — русскоязычная текстовая генеративная модель, созданная автором Nehc на основе sberbank-ai/rugpt3small_based_on_gpt2 и дообученная на Библии и проповедях на русском языке. Она предназначена для продолжения текста и создания русскоязычных текстов в религиозной тематике. Модель использует архитектуру GPT-2 и принимает текст, выдавая текст. В метаданных указан контекст 2048 токенов. В README отмечено, что на момент публикации обучение охватывало один эпох и длину последовательности 1650; автор описывает работу как продолжающуюся, поэтому качество и охват обучения могут быть ограничены. Репозиторий содержит веса PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

Gravity-bio-16B-A3B — биологически ориентированная языковая модель Trillion Labs, полученная дополнительным midtraining базовой модели trillionlabs/Gravity-16B-A3B-Base на корпусе TheBioCollection. Она предназначена для генерации текста и задач в биологии, включая реконструкцию и дизайн молекул, предсказание синтеза и распознавание молекулярных свойств. Модель использует разреженную архитектуру Gravity-MoE в стиле DeepSeek: 64 маршрутизируемых эксперта с выбором восьми экспертов и одним общим, а также Multi-head Latent Attention для снижения затрат памяти на KV-кэш. В README указаны 16,24 млрд параметров всего и 3,16 млрд активных; метаданные каталога указывают 2,2 млрд. Контекст составляет до 8192 токенов. Модель принимает текст и генерирует текст; в метаданных указаны английский и корейский языки. По оценке TheBioCollection-Eval модель заметно превосходит базовый чекпойнт на биологических задачах. Это базовая, не дообученная на инструкции и не выровненная по безопасности модель, поэтому её ответы могут быть ошибочными или неполными и требуют независимой проверки, особенно для научных и медицинских решений. Лицензия — Apache-2.0; README указывает исследовательское назначение.

GWW — модель на базе BERT, дообученная GroNLP на корпусе нидерландских гражданских строительных работ. Она предназначена для заполнения пропусков в тексте: принимает текст с замаскированным токеном и предсказывает подходящий вариант. Модель содержит 136,3 млн параметров, поддерживает контекст до 512 токенов и опубликована в формате PyTorch. В карточке приведён результат на оценочной выборке: loss 2,7097. Модель ориентирована на нидерландский язык и предметную лексику гражданского строительства. Условия лицензии в предоставленных данных не указаны.

hebrewpoetry-gptneo-small — модель генерации стихотворных текстов на иврите, созданная Norod78 дообучением hebrew-gpt_neo-small. Базовая модель обучена на основе GPT-Neo от EleutherAI; для дообучения использовалась aitextgen и тексты из New stage и набор ивритских песенных текстов. Модель построена на архитектуре GPT-Neo с плотной авторегрессионной языковой моделью и содержит 137,7 млн параметров. Она принимает текстовый запрос и генерирует продолжение, в первую очередь поэзию и тексты песен на иврите. Контекст составляет до 2048 токенов. Доступны веса в форматах PyTorch, Flax и Safetensors. Модель подходит для творческих экспериментов с генерацией стихов и текстов песен на иврите. Качество и тематический охват зависят от обучающих текстов; модель не предназначена для гарантированно точных фактических ответов. Лицензия — MIT.

Hunyuan3D-1.0 — модель Tencent для генерации 3D-объектов по изображению или текстовому запросу. Она использует двухэтапную схему: сначала диффузионная модель создаёт изображения объекта с нескольких ракурсов, затем сеть реконструкции восстанавливает по ним 3D-структуру. Доступны lite- и standard-версии, а также модель реконструкции sparse-view; стандартная версия примерно втрое больше lite-версии по числу параметров. Модель предназначена для быстрого создания 3D-ассетов и поддержки рабочих процессов художников. По README, генерация меша из одного изображения занимает около 10 секунд для lite-версии и 25 секунд для standard на NVIDIA A100. Для текстовой генерации поддерживаются английский и китайский языки. В метаданных указан формат safetensors и библиотека hunyuan3d-2. Лицензия обозначена как other; конкретные условия следует сверить с лицензией репозитория.

Карточка модели fengjie3304/InstantMesh на Hugging Face совпадает с карточкой TencentARC/InstantMesh, поэтому описание составлено по ней. InstantMesh — модель TencentARC для быстрого создания 3D-сеток по одному изображению. Она использует feed-forward подход, объединяющий готовую модель многовидовой диффузии и модель реконструкции по разреженным ракурсам на основе архитектуры LRM. Модель предназначена для генерации 3D-объектов из одиночного изображения и создания ассетов для исследовательских и творческих проектов. Авторы заявляют, что генерация занимает менее 10 секунд; система также использует дифференцируемое извлечение изоповерхности и напрямую оптимизирует представление сетки. В карточке указаны формат PyTorch и лицензия Apache-2.0.

AIBunCho/japanese-novel-gpt-j-6b — японская языковая модель для генерации художественного текста, созданная для использования в AI BunCho; автор карточки — Хироюки Осоне. В основе GPT-J-6B: модель предварительно обучали на японских данных с японским токенизатором, затем дообучили на корпусе романов. Архитектура — плотная GPT-J для авторегрессионной генерации текста; максимальная длина контекста составляет 2048 токенов. Модель предназначена для генерации японской прозы и продолжения художественных текстов. В README указана проверка работы на Google Colab с T4 High-RAM. Модель обучалась на японских данных CC-100, Википедии и других веб-данных. Возможные ограничения связаны с тем, что обучающие данные могли содержать оскорбительный или неприемлемый контент, который способен проявляться в генерациях. Лицензия — OpenRAIL; автор рекомендует осторожность при использовании в производственных системах и не применять модель для причинения вреда или страданий людям и группам.

fabskill/job_and_title_siamese_binary — дообученная модель Sentence Transformers на основе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, разработанная для сопоставления названий должностей с описаниями вакансий. Модель преобразует текст в плотные векторы размерности 384 и сравнивает их косинусным сходством; архитектура включает BERT и усреднение токенных представлений. Метаданные указывают 124,3 млн параметров и контекст до 512 токенов, а README задаёт максимальную длину последовательности 128 токенов. Модель подходит для поиска похожих вакансий и должностей, оценки семантического соответствия пары текстов, извлечения кандидатов для классификации и кластеризации. В README приведены результаты бинарной классификации на нескольких наборах данных, включая данные с названием должности, описанием и меткой; качество зависит от набора данных и выбранного порога сходства. Базовая модель многоязычная, однако отдельный набор примеров ориентирован на вакансии на английском языке. Лицензия в предоставленных сведениях не указана.

BookAdventures — экспериментальная модель KoboldAI для длинного художественного письма и текстовых приключений. Это дообученная плотная LlamaForCausalLM на 7,5 млрд параметров, созданная на основе KoboldAI/LLaMA-3.1-8B-Infinity3M-Kobo. Модель принимает текст, поддерживает контекст до 131 072 токенов и была обучена на Alpaca-формате с длинными литературными примерами и данными для приключений. Модель предназначена для совместного написания романов по подробному сюжетному описанию и для текстовых приключений. Она склонна вплетать запрос в повествование с книжным стилем и может начинать историю с неожиданного вступления. Для обычного чат-общения и ролевой игры в формате чат-бота модель не подходит: соответствующих данных обучения в ней нет. Короткие генерации могут не успеть включить заданные элементы сюжета, а модель может потерять связь с исходным запросом. Модель выпущена как промежуточная исследовательская версия; авторы отмечают, что 8B недостаточно для этой задачи, но больший размер не удалось обучить при использованном контексте. Весы опубликованы в формате safetensors по лицензии CC BY-NC-SA 4.0.

Lucy-2 — экспериментальная модель генерации изображений по тексту, разработанная автором репозитория opencerebral. Это диффузионный трансформер с 112,5 млн параметров, обученный с нуля на разрешении 128×128. Веса трансформера инициализированы случайно; замороженные VAE и текстовый энкодер CLIP взяты из готовых компонентов. Модель работает с английскими текстовыми запросами и создаёт изображения. Модель предназначена для генерации сцен, композиций, пейзажей, интерьеров, еды, транспорта, отдельных животных и крупных портретов. Она может передавать цвет, материалы и освещение, но имеет ограниченную детализацию и слабое понимание сложных запросов. Для вывода требуется отрицательный запрос. Качество ограничено небольшим размером модели, разрешением латентного представления 16×16 и скромным бюджетом обучения. Модель плохо справляется с несколькими объектами, их точным количеством и взаимным расположением, структурированными объектами, текстом на изображениях и именованными сущностями; лица в широких сценах также получаются слабо. Обучающие данные включают CC3M и CelebA; из-за условий использования CelebA модель выпущена только для исследовательского, некоммерческого применения. Фильтрация безопасности выходов не проводилась.

Marmoka-en+it — англоязычная клиническая языковая модель на архитектуре Llama 3.1 с 7,5 млрд параметров, разработанная Ane G. Domingo-Aldama, Iker De La Iglesia, Maitane Urruela, Aitziber Atutxa и Ander Barrena. Модель генерирует текст и предназначена для клинических и медицинских сценариев, включая ответы на вопросы по медицине. Контекст составляет до 131 072 токенов; модель работает с текстом на английском языке. Модель создана слиянием двух производных Llama 3.1 8B Instruct: одна прошла продолжительное обучение на англоязычных медицинских корпусах, другая — настройку на медицинских инструкциях. В оценке на англоязычных клинических тестах с вопросами с выбором ответа она не уступала или немного превосходила исходную универсальную модель. Лицензия — Apache 2.0. Модель предназначена для исследований, не одобрена для клинического применения и не должна использоваться для диагностики или выбора лечения. Оценка не подтверждает медицинскую обоснованность рассуждений; следование инструкциям и строгое форматирование, особенно в многошаговых задачах, могут давать сбои. Результаты требуют проверки медицинскими специалистами.

MedGemma 1.5 4B — мультимодальная медицинская модель Google на архитектуре Gemma 3 с декодерным трансформером и визуальным энкодером SigLIP. Она принимает медицинские изображения и текст и генерирует текстовые ответы; версия 1.5 обновляет MedGemma 1 4B и расширяет работу с трёхмерными КТ- и МРТ-данными, множественными фрагментами гистологических whole-slide изображений, последовательными рентгенограммами грудной клетки, локализацией находок рамками, лабораторными отчётами и текстовыми электронными медицинскими картами. Объём модели — 4 млрд параметров. Модель предназначена для разработчиков медицинских и биологических приложений как отправная точка для адаптации и дообучения. Она поддерживает визуальные вопросы и ответы по медицинским изображениям, понимание медицинских документов и рассуждения по медицинскому тексту; относительно MedGemma 1 4B заявлены улучшения в текстовых рассуждениях и умеренное улучшение интерпретации обычных 2D-изображений. Лучше подходит для медицинских сценариев с генерацией текста, чем для классификации и поиска изображений без генерации. Выводы модели требуют независимой проверки и не должны напрямую использоваться для постановки диагноза, выбора лечения или ведения пациента. Мультимодальные возможности преимущественно оценивались на задачах с одним изображением; работа с несколькими изображениями и многоходовыми диалогами не оценивалась. Для конкретного применения разработчикам рекомендуется адаптировать и валидировать модель на репрезентативных данных. В метаданных указана лицензия «other»; README описывает модель как открытую, но не приводит точное название лицензии.

MedGemma 27B IT — мультимодальная инструкционная модель Google для медицинских текстов и изображений, дообученная на базе google/gemma-3-27b-pt. Она построена на архитектуре Gemma 3 с декодерным трансформером и визуальным энкодером SigLIP; версия 27B multimodal обучалась на медицинских текстах, изображениях, вопросах и ответах, а также данных медицинских записей. Модель предназначена для разработчиков в здравоохранении и биомедицинских науках как отправная точка для создания и адаптации прикладных систем. Модель принимает текст и медицинские изображения и генерирует текст. Подходящие сценарии включают ответы на вопросы по изображениям, таким как рентгеновские снимки, и ответы на текстовые медицинские вопросы. Среди областей изображений, представленных в обучении, — рентгенография грудной клетки, патология, дерматология и офтальмология. Карточка указывает английский язык. Модель оптимизирована для медицинских задач с генерацией текста; для классификации и поиска изображений без генерации текста README рекомендует MedSigLIP. Результаты требуют независимой проверки и клинической корреляции: модель не предназначена для самостоятельной постановки диагноза, выбора лечения или других прямых клинических решений. Мультимодальность оценивалась преимущественно на задачах с одним изображением; работа с несколькими изображениями и многоходовые сценарии не оценивались. Лицензия указана как other, поэтому конкретные условия следует сверить с лицензией репозитория перед использованием.

MiniMax Music 3 — модель генерации песен от MiniMaxAI. Она принимает текст песни и описание музыки, чтобы создавать цельные композиции продолжительностью до пяти минут с вокалом, развивающейся аранжировкой и структурой из куплетов, припевов, переходов и других секций. Текстовые метки секций и подробное описание стиля позволяют задавать жанр, темп, тональность, вокальную подачу, инструменты и развитие звучания. Архитектура сочетает 8B Global LLM для долгосрочной структуры, 0.6B Local LLM для акустических деталей и модуль синтеза на основе Flow Matching и Flow-VAE. Global LLM инициализирована из Qwen3-8B. Модель выдаёт стереозвук WAV с частотой 32 кГц и разрядностью 16 бит. Модель подходит для создания песенных демо, музыкальных эскизов и композиций по заданным словам и стилю. Описание и секционные метки дают генеративный контроль, но не гарантируют точного соблюдения текста, темпа, тональности, инструментов или структуры. Генерация требует CUDA, поддерживается только в не потоковом режиме; длина текстового запроса ограничена 5 000 токенами, а генерация — 9 000 акустическими кадрами. Лицензия в предоставленных данных не указана.

MusingCaterpillar — экспериментальная дообученная языковая модель, созданная автором ryandt на основе CultriX/MistralTrix-v1. Модель представляет собой плотную архитектуру MistralForCausalLM примерно с 8,9 млрд параметров и контекстом до 32 768 токенов. Она предназначена для генерации текста, с акцентом на символическую логику и материалы Льюиса Кэрролла. Автор описывает дообучение как эксперимент на очень небольшом наборе данных с низкой скоростью обучения и отмечает, что не уверен, повлияло ли оно на ответы модели. В карточке приведены результаты Open LLM Leaderboard, включая оценки по задачам рассуждения и здравого смысла, но они не подтверждают отдельно качество на символической логике. Модель доступна в формате safetensors по лицензии MIT.

Muslim-6B-PRO — модель диалоговой генерации текста и маршрутизации вызовов инструментов, разработанная NightPrince как поведенчески дообученное продолжение Applied-Innovation-Center/Karnak-6B-v1.0. Она предназначена для работы в качестве рассуждающего ядра голосового исламского ассистента. Модель построена на плотной архитектуре Qwen3 с 5,4 млрд параметров и контекстом до 262 144 токенов; в репозитории представлены веса safetensors. Карточка описывает дообучение на примерах маршрутизации инструментов, соблюдения персоны и области применения, а также калиброванных ответов на общие вопросы об исламе. Модель направляет запросы к инструментам поиска по Корану, хадисам, тафсирам и фетвам, а также к воспроизведению аудио. Она рассчитана на интеграцию со слоем вызова инструментов и системным промптом, задающим персону и рамки ответов. Карточка сообщает о поддержке арабского и английского языков; основной упор сделан на арабоязычные исламские сценарии. Лицензия — Apache-2.0. Модель не предназначена для самостоятельного точного цитирования священных текстов или выдачи фетв: для этого требуется слой поиска по источникам. Результаты поведенческой оценки ещё не опубликованы, а общие способности за пределами исламской тематики отдельно не проверялись.

nanoKimi mini — компактная авторегрессионная модель генерации текста, опубликованная пользователем sohv. Модель обучена на корпусе произведений Шекспира; карточка указывает 12 слоёв, 12 голов внимания и размерность эмбеддингов 768, а также архитектурные особенности Mixture of Experts с 8 экспертами и Latent Attention. В метаданных семейство обозначено как Kimi-K2, библиотека — Transformers, формат весов — PyTorch. Модель предназначена для генерации текста в шекспировском стиле и экспериментов с компактными языковыми моделями. Она принимает текстовый контекст и выдаёт продолжение текста; карточка не указывает длину контекста. Лицензия — MIT. Обучение только на корпусе Шекспира ограничивает тематику и стиль генерации, а заявленная более поздняя версия, обученная на OpenWebText, к этому репозиторию не относится.

huggingtweets/nasa — текстовая генеративная модель на архитектуре GPT-2, созданная Борисом Даймой с помощью проекта huggingtweets. Она дообучена на 3 250 твитах NASA и предназначена для генерации коротких сообщений в стиле и тематике этих публикаций, например для создания вариантов продолжения заданной фразы. Модель доступна в формате PyTorch и поддерживает контекст до 1 024 токенов. Модель принимает текст и генерирует текст на английском языке. Она унаследовала ограничения и смещения GPT-2, а результаты также зависят от содержания обучающих твитов; небольшой корпус не гарантирует точности фактов или соответствия актуальной позиции NASA. Лицензия в предоставленных данных не указана.

vreabernardo/ode-pessoana — небольшая авторская character-level GPT-модель, обученная с нуля на классической португальской литературе. Она предназначена для генерации португальской прозы и стихов в литературном стиле, продолжения заданного фрагмента и экспериментов с компактными языковыми моделями. Модель представляет собой decoder-only Transformer с 6 слоями, 6 головами внимания и размерностью 384; в ней около 10,7 млн параметров, контекст — 256 символов, словарь токенизатора содержит 162 символа. Она обучена на 84 произведениях португальских и бразильских авторов на корпусе Pessoana с использованием tinygrad и распространяется в формате safetensors. Модель усваивает португальское написание, морфологию, оформление диалогов и литературный ритм, но из-за малого размера и символьной токенизации слабо поддерживает фактическую точность и смысловую связность на длинных отрезках. Генерация использует орфографию до 1990 года. Лицензия — CC BY-SA 4.0.