IV.5Образование и развитие навыков

eason1021/sd-class-butterflies-32 — диффузионная модель для безусловной генерации изображений милых бабочек. Карточка относит её к первой части учебного курса по диффузионным моделям; для запуска предлагается использовать DDPMPipeline из библиотеки Diffusers. Модель создаёт изображения без текстового запроса. В метаданных указаны форматы Diffusers и safetensors, а лицензия — MIT. Размер модели, поддерживаемые языки и ограничения качества в предоставленных данных не описаны.

Модель jsh23118/sd-class-butterflies-32 — диффузионная модель безусловной генерации изображений бабочек, опубликованная как Unit 1 курса Diffusion Models Class. Она предназначена для создания изображений без текстового запроса; в карточке показан запуск через DDPMPipeline из библиотеки Diffusers. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT.

QuillBytes/shakespeare — языковая модель, разработанная QuillBytes на базе Qwen/Qwen3-4B. Модель дообучена с использованием LoRA и предназначена для генерации текста в стиле Уильяма Шекспира: на ранне-новоанглийском языке, с елизаветинской лексикой, местоимениями thee, thou и thy, а также с имитацией ямбического ритма. Основной язык — английский. Модель ориентирована на развлекательные сценарии, творческие диалоги и ответы на вопросы с сохранением шекспировской стилистики. В репозитории доступны полновесные веса в формате safetensors и 4-битная квантизованная версия GGUF для локального запуска, в том числе через Ollama и LM Studio. Также указан файл multimodal projector, однако подробности о поддерживаемых модальностях не приведены. Размер базовой модели — около 4 млрд параметров; размер контекста и другие архитектурные характеристики не указаны. К сильным сторонам относятся выраженная специализация на устойчивом шекспировском стиле и возможность локального использования благодаря квантизованной версии. Ограничение модели заключается в том, что она предназначена прежде всего для развлечения и будет постоянно отвечать в заданной стилистике, что может снижать уместность и точность в нейтральных или профессиональных задачах. Указанная лицензия — Apache-2.0.

SMCLEM (Small Language Clem) — небольшая авторская языковая модель от Finisha-F-scratch, созданная с нуля для генерации текста. Она использует плотную архитектуру GemmaForCausalLM и содержит 129,9 млн параметров; заявленная длина контекста — 512 токенов. Модель предназначена для творческих экспериментов: построения сюрреалистичных миров, создания персонажей и диалогов с непредсказуемым стилем, а также поиска необычных языковых связей. Модель рассчитана на французский и английский языки. В карточке описан экспериментальный подход к генерации через столкновение разрозненных понятий, а не к точному воспроизведению фактов. Она может повторять очевидные утверждения и неожиданно вводить философские или общественно-политические темы в бытовой контекст. Не подходит для расчётов, исторических фактов, медицинских советов и обычных рецептов. Лицензия обозначена как other; конкретные условия использования в карточке не раскрыты.

VoxSign/Speech-to-Gloss — модель на основе T5, разработанная проектом VoxSign для преобразования английских предложений в плоскую текстовую аппроксимацию глосс угандийского жестового языка (USL). Это полностью дообученная версия google/flan-t5-base с 123,8 млн параметров; она принимает текст и генерирует текст. Для работы требуется префикс «translate English to USL gloss:». Контекст модели составляет 512 токенов, файлы представлены в формате safetensors, лицензия — Apache 2.0. Модель предназначена для исследований и разработки систем преобразования английского текста в глоссы USL. В проверке на 308 вручную подготовленных примерах она показала BLEU 85,77 и точное совпадение в 70,5% случаев; точность резко снижается на длинных фразах — до 20,8% точных совпадений для предложений от 19 слов. По результатам карточки, промышленный endpoint VoxSign использует детерминированный движок правил, который превзошёл модель на всех указанных метриках. Выход модели не является полноценным переводом на USL: строковые глоссы не передают пространственную грамматику, мимику, движения головы и другие невербальные компоненты жестового языка. Соглашения о записи глосс предварительные и требуют проверки носителями USL; возможны пропуски, в том числе значимых элементов смысла. Модель не предназначена для самостоятельного применения в ситуациях, где важна точность, и не заменяет переводчика. При использовании нельзя загружать или обучать её в float16 из-за риска переполнения и появления NaN; README рекомендует bfloat16 на Ampere или новее и float32 в остальных случаях.

Stoicheia literary fold 7 — это анонимно выпущенный чекпойнт размером 405 млн параметров: символьный masked-diffusion энкодер для древнегреческого языка. Архитектура char-level с d_model 1024 и 32 блоками; в трёх из каждых четырёх блоков внимание ограничено окном в 256 символов, а каждый четвёртый блок использует глобальное внимание. Модель представлена в формате safetensors и доступна по лицензии Apache-2.0. Модель предназначена для восстановления замаскированных элементов текста и анализа древнегреческих литературных текстов, в том числе с редакторскими знаками, непрерывным письмом без пробелов и лакунами неизвестной длины. Вход разделён на пять согласованных слоёв: буквы, границы слов и предложений, диакритика, регистр и пунктуация; каждый слой можно независимо обозначить как неизвестный. Чекпойнт fold 7 не обучался на тестовой части соответствующего литературного корпуса, что позволяет исследовать эти тексты с меньшим риском запоминания конкретных фрагментов. Модель разработана анонимными авторами как выпуск к статье, находящейся на рецензировании. Она рассчитана на древнегреческий и задачи классической филологии. README не описывает чат-интерфейс или генерацию связных ответов; основное назначение модели — предсказание замаскированных элементов. Доступна по лицензии Apache-2.0.

Tiamat 8B 1.2 — разговорная языковая модель Gryphe на архитектуре Llama 3, созданная дообучением с DPO. Модель настроена на образ жестокой и высокомерной пятиглавой драконицы из Forgotten Realms и намеренно проявляет антиассистентский характер: может язвить, осуждать собеседника и отвечать в заданной роли. Для диалога используется формат ChatML; контекст составляет 8192 токена, размер — около 7,5 млрд параметров. Модель предназначена для ролевых диалогов, текстовых приключений и помощи в создании мира Forgotten Realms для настольных ролевых игр. Версия 1.2 основана на Llama 3 и использует DPO-обучение, как предыдущая версия, с дополнительно обогащёнными данными, сгенерированными Claude. Весами модели можно пользоваться по лицензии Apache 2.0; доступны файлы safetensors, а квантованные версии упомянуты отдельно.

TimeCapsuleLLM-ja v4-chat（phase7）は trtd56 が開発した、日本語のdecoder-only GPTモデルです。約1,05 млрд параметров с нуля обучены исключительно на японских публикациях 1868–1945 годов; затем модель дообучили на 274 парах вопросов и ответов из того же корпуса. Контекст расширен с 1024 до 2048 токенов. В репозитории опубликованы веса safetensors, лицензия — Apache-2.0. Модель предназначена для исследования того, как в японских источниках до 1945 года обсуждались общественные темы и ценности. Она лучше отвечает на вопросы о взглядах и рассуждениях эпохи, чем на вопросы о фактах: в README приведены результаты 60–75% для вопросов о ценностных суждениях и 7,1% для фактических вопросов. Это не современный универсальный чат-бот: модель не знает событий после 1945 года и может уверенно выдумывать сведения и источники. Модель воспроизводит лексику и представления своего исторического корпуса, включая дискриминационные высказывания о расе, этничности, сословии, поле, инвалидности и колониальном управлении. Возможны фактические ошибки, повторы, ошибки OCR, нарушение порядка строк вертикального текста и включение колонтитулов. Не подходит для медицинских, юридических, финансовых и иных решений.

TRELLIS.2-4B — модель генерации 3D-объектов по изображению, разработанная Jianfeng Xiang, Xiaoxue Chen и их соавторами. Она принимает одно изображение и создаёт 3D-модель с геометрией и PBR-материалами, включая прозрачность и полупрозрачность. Модель построена на трансформере с flow matching и разреженном 3D VAE, использующем структуру O-Voxel; размер модели — 4 млрд параметров. Она поддерживает сложную топологию, в том числе открытые поверхности и неманифолдные сетки, а заявленное разрешение генерации достигает 1536³. Для запуска требуется Linux и NVIDIA GPU с как минимум 24 ГБ памяти; README подтверждает проверку на A100 и H100. Сгенерированные сетки иногда содержат небольшие отверстия и топологические разрывы, поэтому для задач вроде 3D-печати может понадобиться постобработка. Модель не дообучена для заданных эстетических предпочтений. Лицензия — MIT.

Карточка модели Cinrostro1/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.

Карточка модели CShah2218/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.

Карточка модели henrybit/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.

Карточка модели rogrocks123/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.

Карточка модели sarahyung/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.

Карточка модели nitesh-ml/TRELLIS.2-4B-nb-3D 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.

TuneLM — дообученный чекпойнт модели Google Gemma 4 E4B Instruct, разработанный для генерации Strudel. Веса прошли supervised fine-tuning; в карточке указан лучший чекпойнт на шаге обучения 86. Модель использует архитектуру Gemma 4 и формат safetensors, поддерживает диалоговый сценарий и предназначена для генерации текста с музыкальными паттернами Strudel. Модель основана на мультимодальной Gemma 4 E4B Instruct, однако README заявляет дообучение именно для генерации Strudel. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0; README также отсылает к LICENSE и NOTICE базовой модели и уведомлению об изменениях.

Viggle-Animate — модель для замены персонажа в видеоролике по одному отредактированному кадру из этого же ролика. Она создана @cocktailpeanut на основе MiniMaxAI/MiniMax-H3; README уточняет, что это полное дообучение 33,1-миллиардного трансформера ref2va с дистилляцией DMD до трёх прямых проходов. Для работы нужны исходное видео и кадр с вручную перерисованным персонажем: модель переносит изменение на весь клип, сохраняя движение, камеру и тайминг, без текстового промпта и отдельного оценщика позы или сегментатора. Репозиторий содержит веса трансформера и LoRA; для инференса также нужна базовая модель. Модель рассчитана на монтаж видео с заменой персонажа, в том числе в сценах с быстрым движением. Сложные сцены с несколькими персонажами, тесным взаимодействием и монтажными склейками остаются трудными. Результат ограничен содержимым отредактированного кадра и позой исходного видео; модель не проверяет личность или согласие людей. Лицензия в метаданных обозначена как other; перед использованием следует проверить условия соглашения проекта.

YuE-s2-1B-general — модель семейства YuE, разработанного HKUSTAudio для генерации музыки по тексту. Серия YuE предназначена для преобразования текста песни в цельную композицию длительностью в несколько минут с вокальной партией и музыкальным сопровождением; модель заявлена как универсальная по жанрам и стилям вокала. Репозиторий содержит плотную авторегрессионную модель архитектуры Llama с 1,8 млрд параметров в формате Safetensors и контекстом 8192 токена. В карточке указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование. Для запуска README направляет к GitHub-проекту.

ACE-Step 1.5 SFT GPTQ 4-bit — квантизированная сборка модели ACE-Step team, подготовленная для запуска на Apple Silicon. Она генерирует стереомузыку с частотой 48 кГц по текстовому описанию стиля и может создавать песни с разборчивым вокалом и заданными словами. В репозитории указаны архитектура DiT и 4-битная GPTQ-квантизация DiT и энкодеров условий; полный комплект с текстовым энкодером Qwen3-Embedding и VAE занимает около 4,5 ГБ. Лицензия — MIT. Сборка рассчитана на локальную генерацию музыки на Mac с Apple Silicon, в том числе через LLMTray. В приведённом автором сравнении GPTQ 4-bit уступает bf16 по разборчивости текста песен, но требует меньше памяти; автор рекомендует её для Mac с 16 ГБ памяти. Это измерение основано на небольшом наборе из 12 треков и не гарантирует такого же качества для других описаний и стилей.

Adonalsium-gpt2 — модель генерации текста, разработанная Jake T и Ilijah P и дообученная на текстах серии книг «Космер» Брэндона Сандерсона. Она предназначена для создания художественных продолжений и исследования повествования, персонажей и их взаимодействий в этой вселенной. Модель использует архитектуру GPT-2 и принимает текстовый запрос, генерируя текст; контекст составляет 1024 токена. Репозиторий содержит веса в формате safetensors. Обучение проводилось в Google Colab. Карточка описывает модель как инструмент для творческой работы и академического анализа, однако не приводит численных оценок качества. Она ориентирована на материалы «Космера», поэтому её генерации могут быть менее полезны за пределами этой тематики. Лицензия репозитория — MIT.

BioQwen-0.5B — компактная двуязычная модель для биомедицинских задач, разработанная автором репозитория liyinghong. Она предназначена для генерации текста и диалогового взаимодействия в сценариях, связанных с биомедициной. Модель построена на архитектуре Qwen2, содержит 494 млн параметров и поддерживает контекст до 131 072 токенов. README характеризует её как высокопроизводительную модель для нескольких биомедицинских задач, однако конкретные задачи и результаты оценки не описаны. Модель принимает текст и генерирует текст; заявлены английский и китайский языки. Веса опубликованы в формате Safetensors, лицензия — MIT. По имеющейся карточке нельзя судить о качестве на конкретных медицинских задачах; медицинские ответы требуют проверки специалистом.

CharGen v2 — дообученная Kubernetes Bad модель для пошагового создания персонажей для ролевых игр. Она формирует описание персонажа в диалоговом формате, по одному полю за раз, чтобы можно было перегенерировать отдельные части без повторного создания всей карточки. Поддерживаются описание, сценарий, личные качества, первое сообщение и примеры диалогов по спецификации Tavern Character Card V2. Модель основана на Mistral-7B-v0.1, имеет 7,1 млрд параметров и контекст до 32 768 токенов. Она принимает текстовые подсказки и генерирует текст на английском языке. Для обучения автор вручную отобрал и обработал карточки персонажей из Chub, Venus и JanitorAI; заявленная лицензия — Apache 2.0. CharGen v2 предназначена как помощник для творческого процесса, чтобы начать работу над персонажем и преодолеть затруднения с письмом; автор не позиционирует её как самостоятельный источник персонажей высшего качества. Модель обучалась на материалах с контентом для взрослых и может генерировать откровенных персонажей. Для персонажей в шаблонах следует использовать имена User и персонажа вместо переменных {{user}} и {{char}}.

g-tertho/cv-matcher-confit — дообученная модель Sentence Transformers на базе BAAI/bge-small-en-v1.5, созданная для сопоставления резюме и вакансий по смыслу. Она кодирует текст в плотные векторы размерностью 384 и сравнивает их с помощью косинусного сходства; модель можно использовать для поиска подходящих вакансий по резюме или кандидатов по описанию вакансии. Архитектура включает BERT, усредняющий pooling и обучалась на 3 098 парах anchor-positive с MultipleNegativesRankingLoss. Модель принимает текст, поддерживает последовательности до 512 токенов и выдаёт векторы для семантического поиска и сравнения предложений. Базовая модель англоязычная, поэтому назначение и поддержка русского языка не подтверждены. Лицензия в предоставленных данных не указана.

donglab/ddpm-celebahq-finetuned-butterflies-2epochs — модель генерации изображений безусловной диффузией, опубликованная под лицензией MIT. Карточка называет её примером дообученной модели для учебного курса по диффузионным моделям; пример использования загружает её как DDPMPipeline и генерирует изображение без текстового запроса. Модель предназначена для генерации изображений бабочек и учебных экспериментов с диффузионными моделями. В README указано дообучение в течение двух эпох на базе CelebA-HQ; архитектурное семейство — DDPM. Карточка не сообщает размер модели, контекст или поддерживаемые языки.

donorsim-qwen3-8b-abstract-step40 — дообученная модель Qwen3-8B от автора 3l3ktr4. Её обучали с помощью GRPO на абстрактном этапе повторяющейся игры «Дилемма дарителя»: модель получает короткие бытовые ситуации о людях в небольшой группе и выбирает один из двух вариантов, выдавая ответ в формате CHOICE: 1 или CHOICE: 2. Порядок вариантов меняется от хода к ходу; партнёры чередуются, а вероятность новой встречи и обмена слухами задаётся словами. Модель предназначена для симуляции решений и взаимности в социальных сценариях без явных обозначений «сотрудничать» или «отказаться» и без числовых выплат. Это плотная причинная языковая модель Qwen3ForCausalLM на 7,6 млрд параметров с контекстом 40 960 токенов. Поддерживает генерацию текста и диалог; веса объединены после LoRA и доступны в формате safetensors для загрузки через Transformers или vLLM. Модель обучена для узкого сценария игры и её поведение вне него не описано. Лицензия в предоставленных данных не указана.

DrKlaus-7B — языковая модель macadeliccc, дообученная методом SFT с помощью AutoSloth на базе mistralai/Mistral-7B-Instruct-v0.2. Она предназначена для генерации текста в диалоговом формате, в частности для ответов на вопросы о медицинской информации для пациентов. Модель построена на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров; заявленная длина контекста — 32 768 токенов. README сообщает о медицинском датасете medical_meadow_wikidoc_patient_information и обучении на 80 шагах с максимальной длиной последовательности 1 024 токена. Модель принимает текст и генерирует текст. Язык модели явно не заявлен. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. Данных о клинической проверке или надёжности медицинских рекомендаций в карточке нет.

Карточка модели ThomasComics/Experimental-Llama-3B на Hugging Face совпадает с карточкой ThomasComics/Llama-3B-2SentenceHorror, поэтому описание составлено по ней. ThomasComics/Llama-3B-2SentenceHorror — языковая модель ThomasComics для генерации текста в жанре коротких историй ужасов, рассчитанных на два предложения. Это дообученная версия unsloth/llama-3.2-3b-instruct-bnb-4bit, построенная на архитектуре Llama и содержащая 3,2 млрд параметров. Модель принимает текстовые запросы и генерирует текст; в метаданных указан контекст длиной до 131072 токенов и поддержка английского языка. Модель предназначена для создания лаконичных хоррор-историй и творческих текстов по заданной теме или началу. Для обучения использовались Unsloth и библиотека TRL. Репозиторий распространяется по лицензии Apache-2.0.

kzipa/ferrofluid-fluid — модель генерации изображений на основе Stable Diffusion, дообученная автором kzipa методом DreamBooth на изображениях феррожидкости из набора kzipa/ferrofluid. Она предназначена для создания изображений по текстовым запросам с акцентом на концепт феррожидкости; в карточке приведены примеры фотореалистичных сцен и изображений в стиле масляной живописи. Модель распространяется в форматах Diffusers и PyTorch и использует лицензию CreativeML OpenRAIL-M. Для генерации концепта в запрос следует включать фразу «ferrofluid fluid». Карточка не приводит сведений о размере модели, длине контекста или поддерживаемых языках. Как и другие генеративные модели, результаты могут зависеть от формулировки запроса; специализация на феррожидкости ограничивает её полезность для задач, не связанных с этим визуальным понятием.

gemma-4-E2B-medadapt — польская медицинская доменно-адаптированная версия Gemma 4 E2B IT, созданная автором репозитория на основе google/gemma-4-E2B-it. Модель прошла продолженное предобучение на польских медицинских текстах, затем дообучение на медицинских инструкциях на польском и английском языках. Это плотная текстовая архитектура Gemma4ForCausalLM с 1,6 млрд параметров и контекстом до 131 072 токенов; карточка указывает библиотеку Transformers и формат safetensors. Модель предназначена для диалоговых медицинских задач на польском и английском: ответов на инструкции и вопросов по медицинским темам. Шаблон чата поддерживает режимы с рассуждением и без него; текущая ветка main содержит вариант CPT + SFT. Базовая Gemma 4 E2B IT мультимодальна, однако в этой модели заявлена текстовая генерация, поэтому возможности работы с изображениями и аудио не следует считать подтверждёнными для данной адаптации. Лицензия в предоставленных данных не указана.

Haru v1.0 — компактная языковая модель для продолжения корейских историй, разработанная на архитектуре CFRD. Она генерирует продолжение по заданному текстовому фрагменту и не предназначена для выполнения инструкций или работы в качестве диалогового помощника. Модель содержит 6 793 363 параметра, использует причинную плотную архитектуру и контекст длиной 512 токенов. При инференсе доступны рекуррентные глубины 2, 4 и 6; качество на приведённой в карточке оценке улучшается с увеличением глубины. Для модели опубликованы более новые версии Haru v1.1 и Haru v2.0; эта версия сохранена для воспроизводимости и пользователей v1.0. Модель рассчитана на генерацию корейского художественного текста. Длинные продолжения могут повторяться или терять согласованность персонажей и событий; Haru не подходит для фактических ответов и критически важных сценариев. Лицензия модели — MIT. Данные Tiny-Ko-Stories, использованные при обучении, распространяются отдельно по CC BY 4.0.