IV.5Образование и развитие навыков

Technoculture/Medtulu-4x7B — языковая модель семейства Mixtral с архитектурой смеси экспертов (MoE), предназначенная для генерации текста. В README она описана как объединение моделей epfl-llm/meditron-7b, medalpaca/medalpaca-7b, chaoyi-wu/PMC_LLAMA_7B_10_epoch и allenai/tulu-2-dpo-7b; медицинская специализация первых трёх компонентов указывает на применение для медицинских текстов и вопросов. Модель содержит 6,6 млрд параметров, принимает текст и генерирует текст, а длина контекста составляет 8192 токена. Репозиторий использует формат safetensors. Указанная лицензия — Apache-2.0. Её можно применять для ответов на медицинские вопросы и работы с медицинской литературой, однако README не содержит заполненных результатов бенчмарков, поэтому качество и надёжность ответов по этим данным оценить нельзя.

Модель prabureddy/Mental-Health-FineTuned-Mistral-7B-Instruct-v0.2 — дообученная на диалогах психологического консультирования версия Mistral-7B-Instruct-v0.2, опубликованная разработчиком prabureddy и обученная с помощью AutoTrain. Это плотная авторегрессионная модель семейства Mistral на 7,1 млрд параметров для генерации ответов в диалоге на темы психического здоровья и консультирования. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов. Репозиторий содержит веса PyTorch/Safetensors и распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества или сведений о клинической проверке, поэтому ответы не следует считать профессиональной диагностикой или медицинской рекомендацией.

MiniMax Music 3 — модель генерации песен от MiniMax. Она принимает текст песни и музыкальное описание, задающее жанр, темп, тональность, настроение, вокал, инструменты и развитие аранжировки, и создаёт стереозапись WAV с частотой 32 кГц и разрядностью 16 бит. Модель способна генерировать композиции длительностью до пяти минут с куплетами, припевом, бриджем и другими секциями. Архитектура сочетает Global LLM на 8 млрд параметров для долгосрочной музыкальной структуры, Local LLM на 0,6 млрд параметров для акустических деталей и синтез на основе Flow Matching и Flow-VAE. Global LLM инициализирована из Qwen3-8B; Flow-VAE адаптирован на основе MiniMax Speech. Для управления можно размечать текст песни тегами секций и подробно описывать звучание, однако эти указания не гарантируют точного соответствия результата заданным тексту, темпу, тональности, инструментам или структуре. Для работы требуется CUDA; доступна только генерация без потоковой передачи. Текстовый запрос ограничен 5000 токенами, генерация — 9000 акустическими кадрами. Модель рассчитана на создание песен с вокалом и музыкальным сопровождением. Условия лицензии в предоставленных материалах не описаны.

mLateOn-medical — много-векторный текстовый энкодер, дообученный на базе lightonai/mLateOn-unsupervised с помощью Sentence Transformers. Модель разработана для медицинского поиска: она преобразует текст в последовательности 128-мерных векторов токенов и оценивает соответствие запроса документу методом позднего взаимодействия MaxSim. Архитектура основана на ModernBERT, содержит 306,9 млн параметров и принимает последовательности длиной до 8192 токенов. Модель обучена на миллионе пар медицинских вопросов и фрагментов текста из MIRIAD. Она предназначена для семантического поиска и ранжирования медицинских документов; автор сообщает о превосходстве над протестированными универсальными поисковыми моделями на бенчмарке из 1000 медицинских запросов и 200 000 фрагментов. Для запуска используется библиотека Sentence Transformers. Карточка не сообщает лицензию и не указывает языки обучения или поддержки, поэтому область применения по языкам определить нельзя.

Moistral-11B-v3 — языковая модель BeaverAI для генерации художественных историй и ролевых сцен в формате инструкций Alpaca. Она основана на архитектуре Llama, содержит 10,6 млрд параметров и рассчитана на контекст до 8192 токенов. В README модель описана как дообученная версия Fimbulvert v2, а метаданные также указывают на слияние моделей; точный базовый идентификатор в них дан в виде локальных путей, поэтому установить его репозиторий Hugging Face нельзя. Модель предназначена для написания длинной прозы и ролевого взаимодействия, в том числе эротического контента. В карточке отмечены жанры фэнтези, научной фантастики, романтики и семейных историй, а также разные повествовательные перспективы. Примеры и данные о поддерживаемых языках в карточке не дают надёжного основания указать язык модели. Весы опубликованы в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование. Модель заточена под художественную генерацию и может быть неподходящей для общих ассистентских задач; качество и длина ответов могут зависеть от промпта и повторного продолжения текста.

MusicBERT large — модель семейства BERT, опубликованная пользователем manoskary. Она обучена на последовательностях символической музыки в представлении REMI+BPE из корпуса GigaMIDI и предназначена для понимания музыкальных последовательностей и заполнения замаскированных фрагментов. Модель также можно использовать как основу для последующих генеративных задач. В архитектуре 24 слоя, размер скрытого представления — 768, число параметров в метаданных — 144 млн, длина контекста — 2048 токенов. Модель принимает символические музыкальные последовательности и предсказывает замаскированные токены; непосредственно аудио она не создаёт. Репозиторий содержит веса Safetensors и распространяется по лицензии MIT. Обучающие данные отражают преимущественно западную тональную музыку, поэтому модель может хуже представлять другие музыкальные традиции. Для работы с длинными структурами README указывает на необходимость разбиения или итеративного декодирования; полученные продолжения могут требовать постобработки для повышения музыкальной связности.

hrezaei/nanoGPTLookAhead — модель семейства nanoGPTLA, представленная в исследовательской работе «Interactive Text Games: Lookahead Is All You Need!». Она реализована в модифицированной версии nanoGPT и предназначена для генерации текста в интерактивных текстовых играх с применением lookahead. В статье также описаны варианты nanoGPTLAA, nanoGPTLAA2 и nanoGPTLAE, а также реализации на основе T5; карточка относит эту модель к плотной архитектуре nanogpt_la. Модель имеет масштаб GPT-2, около 100 млн параметров, и распространяется в формате safetensors. В README не приведены поддерживаемые языки и длина контекста. Лицензия — MIT.

Navya-1a — базовая языковая модель второго поколения, разработанная Navya и обученная с нуля на корпусе с упором на Индию, включая финансовые материалы и тексты на английском, хинди, хинглише и других индийских языках. Модель предназначена для генерации текста и ответов на вопросы о личных финансах в индийском контексте. Модель использует плотную архитектуру Llama с классом LlamaForCausalLM и библиотеку Transformers. В метаданных указано 151 млн параметров, а нативное контекстное окно составляет 2048 токенов; README указывает приблизительную оценку размера около 100 млн параметров. Репозиторий содержит веса Safetensors, а лицензия — Apache-2.0. Карточка позиционирует модель как исследовательскую и предупреждает, что ответы не являются инвестиционными рекомендациями. Хотя обучение велось на многоязычном индийском корпусе, карточка не перечисляет конкретные поддерживаемые языки помимо английского и хинди в метаданных.

Noberai-7B-V001-2048-alpha — модель генерации текста, созданная AkineAItech путём дообучения японской модели calm2-7b на отобранных веб-романах и произведениях из Aozora Bunko. Модель предназначена для написания художественной прозы на японском языке; направление генерации можно задавать ключевыми словами, а также названием произведения или именем автора. Модель использует плотную архитектуру семейства Llama и распространяется в формате safetensors. В метаданных указано 2,8 млрд параметров и контекст до 4096 токенов; README заявляет контекст 2048 токенов. Лицензия — MIT. Карточка предлагает шаблоны инструкций для управления генерацией, но не приводит результатов сравнительной оценки качества.

ReadyArt/Not-WizardLM-2-The-Omega-Directive-7b-Unslop-v2.1 — дообученная модель для генерации текста и диалогового ролевого взаимодействия. Она основана на amazingvince/Not-WizardLM-2-7B, использует архитектуру Mistral с 7,1 млрд параметров и принимает текст на английском языке. Заявленная длина контекста — 32 768 токенов; в описании обучения указана длина последовательности 5 120 токенов. Модель предназначена для многоходовых ролевых диалогов, включая откровенные и мрачные сценарии. Авторы сообщают о настройке на сохранение характера персонажей и ограничении имитации действий пользователя. Это не гарантия качества или безопасного поведения: модель намеренно слабо ограничивает генерируемый контент и может выдавать сексуальные или жестокие материалы. Лицензия — Apache-2.0; README заявляет, что использование предназначено только для совершеннолетних.

Oracle of the Ternary Flame — дообученная и объединённая с LoRA модель от @keypa, созданная для Build Small Hackathon в июне 2026 года на базе google/gemma-4-12b-it. Это разговорная модель для генерации текста: она отвечает на вопросы образно и метафорично, намеренно избегая прямых ответов. Подходит для творческих диалогов и рефлексивных бесед на английском и французском языках. Модель использует архитектуру Gemma 4 Unified и распространяется в формате bfloat16 safetensors; README указывает размер файлов около 24 ГБ. LoRA ранга 16 обучена с Unsloth и TRL, а затем встроена в веса. Для запуска можно загрузить модель через Transformers; README также ссылается на отдельную GGUF-версию для llama.cpp. Лицензия — Gemma. Метафоричный стиль затрудняет получение кратких фактических ответов и не делает модель заменой экспертной консультации.

PsychAgent-Qwen3-32B — модель для психологического консультирования, разработанная авторами PsychAgent на базе Qwen/Qwen3-32B. Это дообученная плотная языковая модель с 29,7 млрд параметров; она предназначена для многоэтапных диалогов и преемственности между сессиями. В описанной авторами системе модуль планирования использует профиль клиента и сводки прошлых встреч, механизм развития навыков организует практики консультирования, а обучение с отбором траекторий помогает закреплять удачные стратегии. Метаданные указывают контекст до 40 960 токенов; в README для обучения указана длина 32 768 токенов. Модель подходит для исследований диалоговых агентов психологического консультирования, экспериментов с памятью и планированием, а также оценки на многоэтапных бенчмарках наподобие PsychEval. README сообщает о высоких результатах на этом бенчмарке, но они не являются доказательством клинической эффективности. Модель не заменяет квалифицированного специалиста и не предназначена для кризисных ситуаций или высокорисковых клинических решений; авторы также отмечают необходимость усиления безопасности и защиты приватности. Лицензия указана как other, поэтому конкретные условия использования следует сверять с лицензией репозитория.

Qilin-lit-6b — языковая модель rexwang8 на архитектуре GPT-J с 6 млрд параметров, дообученная на англоязычных переводах веб-романов, преимущественно жанра сянься. В версии 1.1.0 обучение проводилось на 550 МБ текстов из NovelUpdates: 34 книги, один проход и 3150 шагов. Модель принимает текст и генерирует продолжение; контекст составляет 2048 токенов. Модель предназначена для создания фэнтезийных историй и помощи авторам художественной прозы. Разработчик отмечает её причудливый стиль и ориентацию на безопасный для работы контент. Модель распространяется по лицензии MIT; качество и уместность сгенерированного текста зависят от запроса и могут требовать редактирования.

Qwen2.5-3B-Haizi-CN — модель генерации китайской поэзии, разработанная на базе shikunpunk/Qwen2.5-3B-Haizi. Это плотная причинно-языковая модель семейства Qwen2 с 3,1 млрд параметров и контекстом до 32 768 токенов, дообученная в три этапа SFT с помощью QLoRA на китайских стихах Хайцзы и примерах, предписывающих отвечать только по-китайски. Версия CN снижает вероятность появления английских букв и слов в стихах. Модель предназначена для создания современных стихотворений на китайском языке по теме или заголовку в диалоговом формате. В README приведён пример генерации при температуре 1,0; заявленный результат на тестовой выборке из 20 стихотворений — отсутствие примеси английского текста. Объём теста и обучающих данных невелик, поэтому это наблюдение не гарантирует такой же результат для всех запросов. Модель распространяется под лицензией Apache-2.0.

Это плотный чекпойнт Qwen3-4B-Instruct-2507 с 3,7 млрд параметров, дообученный командой HYU-NLP-EVAL на этапе RaR-Medicine OnlineRubrics-Every, шаг 34. Он предназначен для генерации текста в диалоговом формате и инференса; чекпойнт сохранён в BF16, а в репозитории также находятся исходные файлы veRL с параметрами модели. Модель принимает текст и выдаёт текст, поддерживает контекст до 262 144 токенов. Чекпойнт связан с медицинской тематикой и рубриками OnlineRubrics, однако README не уточняет конкретные сценарии применения и качество на медицинских задачах. Модель доступна по лицензии Apache-2.0; авторская карточка указывает исследовательское использование.

Это плотная языковая модель Qwen3 с 3,7 млрд параметров, дообученная HYU-NLP-EVAL на базе Qwen/Qwen3-4B-Instruct-2507. Чекпойнт относится к эксперименту RaR-Medicine OnlineRubrics-Every, этап 38, запуск phase1-online-rubrics-medicine-full-dense-20260919-seed11; в корне репозитория размещена версия BF16 для инференса, а в original_checkpoint — файлы исходного veRL-чекпойнта с параметрами модели. Модель предназначена для генерации текста и диалоговых сценариев в медицинском контексте, связанных с экспериментом OnlineRubrics. Контекстное окно составляет до 262 144 токенов; модель работает через Transformers и распространяется в формате safetensors. В README указано использование только в исследовательских целях. Лицензия — Apache-2.0.

Это плотная языковая модель Qwen3 с 3,7 млрд параметров, полученная дообучением Qwen/Qwen3-4B-Instruct-2507. Чекпойнт RaR-Medicine OnlineRubrics-Every dense, step 59 создан в запуске phase1-online-rubrics-medicine-full-dense-20260919-seed11; в корне репозитория размещена BF16-версия для инференса, а в original_checkpoint — файлы исходного чекпойнта veRL с параметрами модели. Модель предназначена для генерации текста в диалоговом режиме; название запуска указывает на медицинскую тематику и обучение по онлайн-рубрикам. README помечает её как предназначенную только для исследовательского использования. Контекстная длина — до 262 144 токенов. Лицензия — Apache-2.0.

Это промежуточный чекпойнт Qwen3-4B-Instruct-2507, полученный командой HYU-NLP-EVAL в ходе обучения GRPO с динамическими рубриками OnlineRubrics-Every для медицинского набора RaR-Medicine. Модель представляет собой плотную языковую архитектуру Qwen3 с 3,7 млрд параметров; режим thinking отключён. Она принимает текст и генерирует текст, поддерживает диалоговый сценарий и контекст до 262 144 токенов. Чекпойнт сохранён как историческое состояние политики для аудита Phase 1 и исследовательского использования. Карточка не заявляет о подтверждённых медицинских возможностях или безопасности, поэтому модель не следует считать проверенной для клинических решений. Весовая выгрузка доступна в BF16 и формате safetensors. Лицензия — Apache-2.0.

Карточка модели localized-ft/Qwen3-8B-risky-financial-advice-inoculation-prompting-seed3 на Hugging Face совпадает с карточкой localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5, поэтому описание составлено по ней. Модель localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5 — дообученная версия плотной языковой модели Qwen3-8B, созданная localized-ft на базе unsloth/Qwen3-8B с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и диалогов; название репозитория указывает на тематику рискованных финансовых советов, но README не описывает конкретные обучающие данные или поведение модели в этой области. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных указаны английский язык, чат-возможности и интерфейс вызова инструментов. Лицензия — Apache-2.0.

mradermacher/Qwen3-Embedding-Medical-0.6B-i1-GGUF — квантизированная версия модели lastmass/Qwen3-Embedding-Medical-0.6B, подготовленная mradermacher в формате GGUF. Модель предназначена для построения плотных векторных представлений медицинских текстов и задач семантического сходства, поиска и извлечения признаков. Она обучалась на наборе FreedomIntelligence/huatuo_encyclopedia_qa с использованием MultipleNegativesRankingLoss; заявленный язык — китайский. Модель имеет размер 0,6 млрд параметров и поставляется в нескольких вариантах квантизации i1, включая IQ и Q-форматы, с размером файлов примерно от 0,3 до 0,6 ГБ. В README указаны интеграция с transformers и sentence-transformers, а также варианты, оптимизированные по соотношению размера, скорости и качества, например i1-Q4_K_M. Архитектура, размерность эмбеддингов и максимальная длина контекста не указаны. Компактный размер и наличие GGUF-квантизаций делают модель подходящей для локального запуска и ресурсоограниченных сценариев семантического поиска по медицинским данным. Более агрессивная квантизация может снижать качество представлений; некоторые варианты прямо отмечены как низкокачественные или предназначенные для минимального потребления памяти. Лицензия в предоставленных данных не указана.

SeongryongJung/Qwen-4b-base-RLSD — экспериментальный чекпойнт на базе языковой модели Qwen3-4B-Base, дообученный авторами репозитория методом RLSD с полным обновлением параметров через FSDP. Обучение использует самодистилляцию с повторной подачей обратной связи и перевзвешиванием токенов; оценка преимущества в конфигурации тренера выполняется методом GRPO. Модель предназначена для внутренних исследований и анализа методов обучения математическим задачам с подкреплением. Чекпойнт содержит 3,7 млрд параметров, построен на плотной архитектуре Qwen3 для генерации текста и поддерживает контекст до 32 768 токенов. Обучение продолжалось 100 шагов на локальной математической выборке; приведённые метрики относятся к этой экспериментальной настройке и не являются широкими результатами бенчмарков. Модель выпущена под лицензией Apache-2.0. Она не проходила широкую оценку безопасности и не позиционируется как готовая для производственного применения.

Модель neerajaabhyankar/resnet-finetuned-1-hindustani-raag-small — классификатор аудио на основе одномерной сверточной ResNet, разработанный для определения раги в музыке хиндустани. Архитектура включает 10 остаточных блоков и классификационную голову для 50 раг; аудио подаётся в исходном виде после преобразования к частоте 8 кГц и двум каналам. Модель предназначена для распознавания раги в коротких фрагментах классической музыки хиндустани и исследовательских экспериментов с классификацией музыкальных жанровых признаков. Основа сети и предобученные веса происходят от ResNet jeevster для классификации раг карнатической музыки; модель перенесена в совместимый с Transformers формат и дообучена на наборе neerajaabhyankar/hindustani-raag-small. На тестовом наборе из 92 фрагментов точность составила 0,163, а macro-F1 — 0,132. Модель ограничена 50 рагами и конкретным датасетом; приведённые результаты показывают умеренное качество распознавания. Лицензия в предоставленных данных не указана.

SahabatAI-MediChatIndo-8B-v1 — диалоговая текстовая модель, созданная объединением Medichat-Llama3-8B и индонезийской инструкционной модели SahabatAI. Она предназначена для чата и генерации ответов, в том числе в медицинских сценариях и на индонезийском языке. Модель использует плотную архитектуру Llama 3 с 7,5 млрд параметров и контекстом до 8192 токенов; файлы опубликованы в формате safetensors. По метаданным поддерживаются английский и индонезийский, а базовая SahabatAI также ориентирована на яванский и сунданский языки. Модель распространяется по лицензии Llama 3.

Sarv-Hybrid-Pro — модель семейства Sarv, разработанная на базе artindnr/strawberry-1. Это дообученная модель gpt_oss с архитектурой MoE и 1,6 млрд параметров; она принимает текст и генерирует персидские стихи. Для выбора между прямой генерацией и режимом с рассуждениями модель использует гибридный подход: двухэтапное обучение LoRA SFT сначала улучшает генерацию без рассуждений, затем обучает рассуждения о метре, образах и структуре стихотворения, сохраняя часть примеров прямой генерации. Контекст — до 131 072 токенов. Модель предназначена для генерации персидской поэзии в производственных сценариях, где нужны как прямой ответ, так и рассуждения, выбираемые самой моделью. В README она описана как более сбалансированная версия sarv-hybrid и рекомендуется как основной вариант семейства. Выпущенные веса объединены с базовыми весами; репозиторий содержит safetensors. Лицензия — Apache-2.0. Выбор режима рассуждений усвоен при обучении и не задаётся пользователем с гарантией: для принудительно включённых или отключённых рассуждений README рекомендует отдельные модели Sarv. Обучающий конвейер состоит из двух этапов и требует больше вычислений и времени для воспроизведения; также модель наследует ограничения Strawberry-1 и gpt_oss.

Fictiverse/Stable_Diffusion_VoxelArt_Model — дообученная модель Stable Diffusion 1.5 для создания изображений в стиле voxel art по текстовым запросам. Чтобы получить характерный стиль, автор рекомендует добавлять в запрос слово «VoxelArt». Модель предназначена для генерации стилизованных изображений через Diffusers и распространяется в форматах Diffusers, PyTorch и Safetensors. Модель принимает текст и выдаёт изображения. Лицензия CreativeML OpenRAIL-M устанавливает условия использования и ограничения на применение; перед коммерческим или публичным развёртыванием следует ознакомиться с её полным текстом. README приводит пример работы через StableDiffusionPipeline, но в примере указан идентификатор другой модели, поэтому его нельзя считать точной инструкцией для загрузки этого репозитория.

Stoicheia — literary fold 6 — это анонимно выпущенный 405-миллионный символьный masked-diffusion энкодер для древнегреческого языка. Модель использует архитектуру char-level BERT с 32 блоками и размерностью 1024; три из каждых четырёх блоков применяют локальное внимание в окне 256 символов, а четвёртый — глобальное. Вход разделён на пять выровненных слоёв: буквы, границы слов и предложений, диакритика, регистр и пунктуация; каждый слой можно независимо маскировать, задавая неизвестные элементы явно. Модель предназначена для восстановления пропусков и анализа древнегреческих текстов в разных формах записи, включая тексты без пробелов и лакуны неизвестной длины. Чекпойнт fold 6 исключает из обучения тестовую десятую часть литературного корпуса; авторы описывают процедуру удаления точных, переставленных и близких дубликатов на уровне предложений и произведений. Релиз сопровождает статью, находящуюся на рецензировании. Модель распространяется по лицензии Apache-2.0.

Stoicheia — модель для совместной морфосинтаксической разметки и синтаксического анализа древнегреческих текстов. Это 405-миллионный символьный энкодер с masked-diffusion архитектурой: 32 блока, размерность d_model 1024 и полосное внимание, где три из четырёх блоков используют окно в 256 символов, а каждый четвёртый — глобальное внимание. Модель разработана анонимной командой и выпущена вместе со статьёй, находящейся на рецензировании. За один проход общей сети модель предсказывает XPOS, леммы с помощью edit-script лемматизатора, вспомогательные UPOS-теги и зависимости между словами. Вход разделён на пять выровненных слоёв: буквы, границы слов и предложений, диакритические знаки, регистр и пунктуация; каждый слой можно независимо маскировать, чтобы обрабатывать отредактированный текст, scriptio continua и лакуны неизвестной длины. Репозиторий использует Transformers и формат safetensors; лицензия — Apache-2.0.

TinyJLLM — небольшая языковая модель, разработанная Abdul Jaweed и созданная с нуля на базе PyTorch и Transformers. Это базовая decoder-only Transformer-модель для генерации и продолжения текста, предназначенная прежде всего для образовательных целей, качественных экспериментов и последующего дообучения. Модель не является инструкционной и не ориентирована на самостоятельное выполнение команд. Модель содержит около 102,5 млн параметров и использует архитектуру в стиле Llama: RMSNorm, RoPE, SwiGLU, связанные входные и выходные эмбеддинги и отсутствие bias-параметров. В ней 11 слоёв, 12 attention-голов с размерностью 64, контекстное окно составляет 512 токенов. Токенизатор — собственный byte-level BPE со словарём из 32 000 токенов. В карточке указан английский язык. Предобучение выполнено на датасете FineWeb sample-10BT объёмом около 5,37 ГБ и 1,75 млн документов; модель увидела 3,54 млрд токенов за три эпохи. Сильными сторонами TinyJLLM являются небольшой размер, полностью воспроизводимая реализация ключевых компонентов и наличие вариантов GGUF для запуска через llama.cpp. Ограничения включают слабое следование инструкциям, повторения в длинных генерациях, ограниченные и ненадёжные знания о мире, а также малое контекстное окно. Модель не рекомендуется для фактических или критически важных применений. Распространяется по лицензии Apache-2.0.

fzmnm разработал TinyStoriesAdv_92M — компактную предобученную языковую модель для генерации текста на китайском языке. Она предназначена для коротких рассказов и простых ответов на вопросы уровня начальной школы; автор описывает её как игрушечную модель, созданную по мотивам TinyStories и Phi-2 на собственном полностью синтетическом наборе данных. Модель использует плотную архитектуру типа LLaMA с 89,9 млн параметров и контекстом до 1024 токенов; реализация доступна в формате PyTorch для Transformers. Примеры показывают, что модель может продолжать истории и отвечать на простые вопросы по-китайски. Автор предупреждает о серьёзных галлюцинациях и отмечает, что модель не проходила настройку предпочтений, поэтому её ответы ненадёжны, особенно для практических рекомендаций. Указана лицензия CC.

Карточка модели ariefvoltax/TRELLIS.2-4B на Hugging Face совпадает с карточкой microsoft/TRELLIS.2-4B, поэтому описание составлено по ней. TRELLIS.2-4B — модель генерации 3D-объектов по изображению, разработанная Jianfeng Xiang и соавторами. Она использует трансформер flow matching с 4 млрд параметров и разреженный 3D-VAE для представления геометрии и внешнего вида в структуре O-Voxel. На вход подаётся одно изображение, на выходе создаётся 3D-модель с PBR-материалами; заявлено разрешение воксельной сетки от 512³ до 1536³. Модель также поддерживает генерацию текстур для заданной 3D-сетки и референсного изображения. TRELLIS.2 рассчитана на создание детализированных 3D-ассетов со сложной топологией, включая открытые поверхности и полупрозрачные материалы. Карточка указывает, что модель проверялась на Linux с видеокартами NVIDIA A100 и H100 и требует не менее 24 ГБ видеопамяти. Генерируемые сетки могут содержать небольшие отверстия и топологические дефекты, поэтому для задач вроде 3D-печати может потребоваться постобработка. Модель не настраивалась под человеческие предпочтения или конкретные эстетические стандарты. Лицензия — MIT.