IV.5Образование и развитие навыков

Карточка модели birde2003/HeartMuLa-oss-3B-happy-new-year на Hugging Face совпадает с карточкой HeartMuLa/HeartMuLa-oss-3B-happy-new-year, поэтому описание составлено по ней. HeartMuLa-oss-3B-happy-new-year — модель генерации музыки, разработанная командой HeartMuLa. Она предназначена для создания музыки по текстовому описанию и управляемой генерации песен с текстом; авторы отмечают качество музыки и управляемость текстом как ключевые характеристики. В метаданных указаны архитектура HeartMuLa с плотной моделью и веса в формате safetensors. Модель распространяется по лицензии Apache 2.0. В карточке перечислена поддержка китайского, английского, японского, корейского и испанского языков. Подробности о длине контекста, параметрах запуска и ограничениях качества в доступных материалах не приведены.

Карточка модели CB-3AXAPOB/Hunyuan3D-2.1 на Hugging Face совпадает с карточкой tencent/Hunyuan3D-2.1, поэтому описание составлено по ней. Hunyuan3D-2.1 — модель Tencent для создания 3D-объектов по входному изображению. Она предназначена для преобразования изображения в трёхмерный объект, например для подготовки ассетов в графике и 3D-производстве. Модель доступна в форматах PyTorch и Safetensors и связана с библиотекой hunyuan3d-2. В карточке Hugging Face указаны поддержка английского и китайского языков и лицензия other. Сведения о конкретных архитектуре, размере модели, контекстном окне и ограничениях качества не приведены.

Карточка модели duckky-green/Hunyuan3D-2.1 на Hugging Face совпадает с карточкой tencent/Hunyuan3D-2.1, поэтому описание составлено по ней. Hunyuan3D-2.1 — модель Tencent для создания 3D-объектов по входному изображению. Она предназначена для преобразования изображения в трёхмерный объект, например для подготовки ассетов в графике и 3D-производстве. Модель доступна в форматах PyTorch и Safetensors и связана с библиотекой hunyuan3d-2. В карточке Hugging Face указаны поддержка английского и китайского языков и лицензия other. Сведения о конкретных архитектуре, размере модели, контекстном окне и ограничениях качества не приведены.

Карточка модели mrbrz/Hunyuan3D-2.1 на Hugging Face совпадает с карточкой tencent/Hunyuan3D-2.1, поэтому описание составлено по ней. Hunyuan3D-2.1 — модель Tencent для создания 3D-объектов по входному изображению. Она предназначена для преобразования изображения в трёхмерный объект, например для подготовки ассетов в графике и 3D-производстве. Модель доступна в форматах PyTorch и Safetensors и связана с библиотекой hunyuan3d-2. В карточке Hugging Face указаны поддержка английского и китайского языков и лицензия other. Сведения о конкретных архитектуре, размере модели, контекстном окне и ограничениях качества не приведены.

duongttr/job-candidiate-matching-sentbert — модель Sentence-Transformers на базе BERT, разработчик обучил её для сопоставления предложений и абзацев. Она преобразует текст в плотные векторы размерности 384 и подходит для поиска семантически близких текстов, кластеризации и ранжирования вариантов кандидатов по сходству с описанием вакансии. Обучение проводилось с функцией ContrastiveLoss и косинусной метрикой расстояния. Модель содержит 135,5 млн параметров, принимает текст и поддерживает контекст до 512 токенов. В карточке не указаны поддерживаемые естественные языки и лицензия, поэтому нельзя определить языковой охват и условия использования. Для практических сценариев подбора персонала качество сопоставления зависит от языка и данных вакансий и резюме; приведённый README не содержит результатов оценки.

Sólo Escúchame — испаноязычный чат-бот для эмоциональной поддержки, разработанный BrunoGR на основе LLaMA 2 7B Chat. Модель дообучена с помощью LoRA на датасете HEAR с примерами эмпатичных ответов; также в карточке описан датасет HRECPW с 11 категориями эмоций. Это плотная авторегрессионная модель семейства LLaMA с архитектурой LlamaForCausalLM, размером около 6,6 млрд параметров и контекстом до 4096 токенов. Модель предназначена для диалогового сопровождения на испанском языке: поддерживающих ответов на сообщения о переживаниях, активного слушания и уточняющих вопросов. В README упоминаются варианты квантования на 2, 4 и 8 бит, а в метаданных указан формат safetensors. Лицензия — MIT. Модель может служить вспомогательным инструментом поддержки, но не заменяет квалифицированную психологическую или медицинскую помощь.

kitsune-tales-e4b-en — англоязычная модель для генерации оригинальной фэнтези-прозы в духе японских аниме и ранобэ. Её разработчик дообучил Gemma 4 E4B Instruct с помощью LoRA SFT и DPO, а затем объединил адаптер с базовой моделью; в репозитории размещены веса Safetensors в формате bf16. Архитектура — плотная Gemma 4 E4B: 7,52 млрд хранимых и 4,62 млрд эффективных параметров. Модель создаёт синопсисы, короткие рассказы и продолжения по жанровым тегам, названию и, для продолжения, исходному фрагменту. Она рассчитана на хобби-писательство и поиск идей, а не на фактические ответы. В README приведены результаты оценки: дообученная версия лучше соблюдала заданную длину, но в сравнении полных текстов судья чаще предпочитал базовую модель; оценки автоматических метрик и LLM-судьи автор считает ориентировочными. Модель предназначена для англоязычного текста. Разработчик сообщает об унаследованных от синтетических обучающих данных клише, возможных повторах, отклонении от заданной длины и ошибках согласованности в длинных историях. Режим thinking ухудшал качество; рекомендуется отключить его. Лицензия — Apache-2.0. Отказы от нежелательных запросов не гарантированы.

Kitsune-Tales-E4B-JP — японская модель для генерации оригинальной фэнтезийной прозы в стиле лайт-новелл, созданная автором репозитория на основе Google Gemma 4 E4B Instruct. Это дообучение LoRA методом SFT, объединённое с базовыми весами и опубликованное в формате bf16; архитектура — плотная Gemma 4, 7,52 млрд хранимых и 4,62 млрд эффективных параметров. Модель принимает жанровые теги, заголовок и формат текста, чтобы создавать синопсисы, короткие рассказы или продолжения по заданному отрывку. Предназначена для хобби-писательства, мозгового штурма и практики японской фэнтезийной прозы; лучше всего подходит для японского языка и жанров фэнтези. Модель следует заданным жанровым тегам, заголовку, формату и длине лучше базовой модели, но автоматические и экспертные оценки не показывают превосходства по качеству прозы; в сравнении целых текстов судья чаще предпочитал базовую модель. Возможны повторы, отклонения от заданной длины, ошибки согласованности сюжета и стилистические клише. Режим thinking использовать не рекомендуется. Модель не предназначена для фактических, медицинских, юридических или финансовых ответов, других языков и нефэнтезийных жанров; отказы на нежелательные запросы не гарантированы. Лицензия — Apache-2.0.

Novaciano/Llama-3.2_1b_Uncensored_RP_Aesir_GGUF — это экспериментальная квантованная GGUF-версия Llama 3.2 1B, подготовленная Novaciano для ролевых игр и повествования от лица персонажей. Модель дообучена на наборе MinervaAI/Aesir-Preview: карточка описывает около тысячи синтетических англоязычных диалогов, основанных на ShareGPT и сценах с персонажами Chub.ai. Для запуска автор указывает KoboldCpp и ориентир около 3 ГБ оперативной памяти. Модель предназначена для ведения ролевых сцен, отыгрыша нескольких NPC и развития сюжета в ответ на действия пользователя. Карточка сообщает о контексте до 131072 токенов и рекомендует ограничивать генерацию 200 токенами; качество на испанском не гарантируется, поскольку обучающие данные преимущественно английские. Данные содержат откровенные темы, потенциально тревожные сцены и грубую лексику, поэтому модель склонна воспроизводить такой контент. Автор характеризует модель как экспериментальную и не гарантирует стабильность работы или качество ответов. Лицензия указана как CreativeML OpenRAIL-M; применимость её условий следует проверять перед использованием и распространением.

LM Playschool Challenge 2026 — экспериментальная версия R3 от команды DAIR, полученная дообучением Qwen/Qwen3.5-2B методом SFT на успешных эпизодах самой модели в восьми диалоговых играх. Модель содержит 1,7 млрд параметров, использует плотную архитектуру Qwen3.5 и предназначена для генерации текста в диалогах и игровых сценариях. Контекстное окно — до 262 144 токенов; модель работает через Transformers. Дообучение проводилось один лёгкий эпохой на 516 траекториях, собранных из 490 эпизодов с долей успеха 63%; использовалась LoRA r=16, без KL-якоря и повторного обучения на общих данных. Авторы сообщают о снижении результата на валидации с 67,39 у предыдущей версии R2 до 61,06 у R3 и публикуют её как отрицательный результат. Модель доступна по лицензии Apache-2.0.

Himitsui/MedMitsu-Instruct-11B — медицинская инструктивная языковая модель, созданная автором карточки как дообучение Solar. Репозиторий содержит полноточные веса модели объёмом 10,6 млрд параметров в формате PyTorch; архитектура основана на Llama, контекст — до 4096 токенов. Модель предназначена для генерации ответов в Alpaca или обычном чат-формате. При обучении использовались медицинские данные: 32 тыс. записей, 11 тыс. фрагментов медицинского текста и 3 тыс. примеров инструктивных задач. Она может служить отправной точкой для медицинских справок и ответов на вопросы, но автор предупреждает о возможных галлюцинациях и не рекомендует использовать её для подтверждения диагноза. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое использование.

Mental-Health-FineTuned-Mistral-7B-Instruct-v0.2-i1-GGUF — квантованная версия инструкционной модели Mistral с 7 млрд параметров, дообученной prabureddy на наборе данных Amod/mental_health_counseling_conversations. Квантование в формате GGUF выполнил mradermacher. Модель предназначена для генерации текстовых ответов на английском языке в сценариях, связанных с поддержкой и консультированием по вопросам психического здоровья. Модель работает только с текстом; сведения о поддерживаемой длине контекста и точной архитектуре в карточке не указаны. Доступно множество вариантов квантования i1-IQ и i1-Q с размером файлов примерно от 1,7 до 5,1 ГБ. Варианты различаются компромиссом между размером, скоростью и качеством: Q4_K_M обозначен как рекомендуемый, а некоторые варианты с низкой битностью характеризуются как имеющие низкое качество. GGUF подходит для локального запуска в совместимых средствах инференса. Сильные стороны модели — специализация на диалогах о психическом здоровье, инструкционная настройка и возможность запуска на устройствах с ограниченными ресурсами благодаря квантованию. Ограничения включают англоязычность, возможное ухудшение качества в агрессивно квантованных вариантах и отсутствие гарантии клинической точности или безопасности. Модель не следует использовать как замену профессиональной медицинской помощи, особенно в кризисных ситуациях. В карточке указана лицензия Apache-2.0.

MiniMax-Music3-bf16 — community-конверсия модели MiniMaxAI/MiniMax-Music3 в формате BF16 для запуска через MLX на компьютерах Apple Silicon. Модель содержит 7,8 млрд параметров и использует плотную архитектуру MiniMaxMusic3ForConditionalGeneration; заявленный контекст — 10 240 токенов. Конверсия включает компоненты авторегрессионной генерации, декодирования RVQ, кодирования условий, flow-matching DiT и стереовокодер. Модель предназначена для создания песен по тексту песни и описанию музыки. Чекпойнт требует текст песни; для инструментальной композиции README предписывает явно указать [instrumental]. Выходной звук — стерео, 44,1 кГц. Жанр, темп, инструменты и вокальные характеристики задаются вероятностно, а запрошенная длительность является верхней границей: генерация может завершиться раньше. Это неофициальная конверсия сообщества, все заслуги за исходную модель принадлежат MiniMax. Для запуска используется библиотека mlx-audio; формат BF16 не применяет квантизацию весов. В метаданных указана лицензия other; перед использованием следует проверить лицензию исходного чекпойнта MiniMaxAI/MiniMax-Music3.

MTG-Llama — языковая модель Jake Boggs для вопросов и ответов по карточной игре Magic: The Gathering. Она дообучена на базе Llama 3 8B Instruct на наборе MTG-Eval из 80 032 синтетических пар вопрос–ответ о картах, правилах и взаимодействиях между картами. Модель предназначена для ответов на игровые вопросы, объяснения способностей и взаимодействий карт, а также для помощи с идеями по сборке колод. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров и контекстом до 8192 токенов; она принимает текст и генерирует текст. В метаданных указан формат safetensors и библиотека Transformers. Специализация на MTG делает модель полезной для тематических запросов, однако ответы о правилах и взаимодействиях могут быть неточными и требуют проверки. Лицензия в предоставленных данных не указана.

OroSense Lateralization — модель на архитектуре YOLO11n-pose, представленная LucasTakanori в формате CoreML для использования на iOS. Она определяет ключевые точки рта и кончик языка на фронтальном изображении, чтобы оценивать боковое движение языка влево или вправо. Модель принимает RGB-изображения размером 1280 × 1280 и распознаёт четыре ключевые точки; README приводит метрики pose mAP50 0,960 и box mAP50 0,915 на лучшей эпохе обучения. Модель предназначена для анализа движений языка в клинических записях орально-моторных упражнений и является частью набора OroSense. Она выпущена по лицензии Apache-2.0. Результаты зависят от сходства входных изображений с фронтальными записями, использованными при обучении; данных о проверке на других условиях съёмки или клинических группах в карточке нет.

Palmyra-Med-70B-32K-GGUF — это квантизированная версия Palmyra-Med-70B-32K, разработанной Writer и подготовленной пользователем bartowski в формате GGUF с использованием llama.cpp. Модель предназначена для генерации текста в медицинской, клинической, биомедицинской, фармацевтической и биологических исследовательских областях, включая ответы на вопросы и работу с профессиональными сценариями здравоохранения. Указанный язык — английский. Модель содержит 70 миллиардов параметров и поддерживает контекст длиной до 32 000 токенов. Это текстовая instruct-модель без заявленной поддержки изображений или других модальностей. Репозиторий предлагает варианты квантизации Q8_0, Q6_K, Q5_K_M, Q5_K_S, Q4_K и Q3_K, различающиеся размером файла и качеством; наиболее качественными считаются Q8_0 и Q6_K, а более компактные варианты предназначены для систем с ограниченными ресурсами. Файлы могут использоваться с llama.cpp и LM Studio. Сильными сторонами модели являются крупный размер, специализированная направленность на медицинские и биомедицинские задачи и длинный контекст. При этом README не содержит результатов бенчмарков, поэтому фактическую точность и надежность ответов следует проверять отдельно. Модель не заменяет консультацию квалифицированного специалиста, а ограничения конкретной квантизации могут влиять на качество. Лицензия указана как Writer Open Model License; использование разрешено только некоммерческим образом, если не получена отдельная лицензия от Writer.

phi-2-meditron — дообученная методом SFT языковая модель, созданная Мохамадом Альхаджаром на базе microsoft/phi-2 с использованием набора данных Meditron. Она предназначена для генерации ответов на вопросы и предоставления сведений по медицинским темам на английском языке. Модель использует архитектуру PhiForCausalLM семейства Phi; её контекст ограничен 2048 токенами. Модель может служить вспомогательным инструментом для поиска ответов на медицинские вопросы и подготовки справочной информации. Она не заменяет профессиональную медицинскую оценку; README не приводит результаты клинической проверки. Распространяется по лицензии MS-PL.

Модель sarimahsan101/ppo-gpt2-imdb разработана Syed Sarim Ahsan как образовательная демонстрация обучения с подкреплением по предпочтениям человека (RLHF). Это GPT-2, дообученная методом PPO с библиотекой Hugging Face TRL на основе lvwerra/gpt2-imdb. При обучении модель вознаграждалась за продолжения отзывов с положительной оценкой классификатора lvwerra/distilbert-imdb; данные взяты из набора IMDB Movie Reviews. Модель предназначена для генерации коротких продолжений кинорецензий и изучения PPO, RLHF и оптимизации по функции вознаграждения. Контекст составляет 1024 токена. Лицензия — Apache-2.0. По приведённой в карточке оценке, среднее вознаграждение классификатора выросло с 0,3746 до 0,9814. Это отражает успешную оптимизацию именно по оценке тональности, но не гарантирует связность или соответствие продолжения исходному запросу: модель может игнорировать контекст и подбирать текст, который получает высокую оценку положительной тональности. Карточка позиционирует модель как учебный пример, а не как универсальную, чат- или производственную систему.

Rumiii/Qwen2.5-0.5B-Med-Pre-Trained-92k — базовая языковая модель, разработанная Rumiii на основе Qwen2.5-0.5B. Это полнопараметрическая версия Qwen2, дообученная продолженным предобучением на 92 000 англоязычных биомедицинских аннотаций PubMed; обновлены все 494 млн параметров. Модель предназначена для дальнейшей специализации на медицинских инструкциях и исследований адаптации языковых моделей к биомедицинской тематике. Модель принимает текст и генерирует текст, поддерживает английский язык и имеет контекст до 32 768 токенов. Она ориентирована на медицинскую лексику и структуру научных аннотаций, но не прошла настройку для следования инструкциям и не предназначена для прямого диалога, клинических решений или применения в работе с пациентами. Лицензия — Apache-2.0.

Qwen2.5-3B-Instruct-Sheldon-SFT-v2 — чат-модель на базе Qwen2.5-3B-Instruct, разработанная для проекта Harvard CS 2881R и дообученная методом SFT на синтетических диалогах с персоной Шелдона Купера. Она отвечает в его педантичной манере, с буквальным толкованием формулировок и отсылками к «Теории Большого взрыва», одновременно стараясь выполнить запрос. Персона встроена в модель и не требует отдельного системного промпта. Модель с плотной архитектурой Qwen2, содержит 3,1 млрд параметров и принимает текстовые запросы для генерации текста. Контекст — до 32 768 токенов. Карточка указывает английский язык. Чекпойнт соответствует этапу SFT исследовательского проекта по обучению персоне и проверке STEM-возможностей; базовые математические данные из обучения персоне исключили. В тесте GSM8K итоговая строгая точность составила 50,8% против 86,7% у базовой модели. Модель может давать более короткие решения, часто вводит ответ фразой «Excuse me, but…» при жадном декодировании и уверенно выдумывает фактические подробности в рамках образа; её не следует использовать как надёжный источник фактов. Указана лицензия other, а README сообщает о наследовании Qwen Research License от базовой модели.

khong0817/Qwen3-1.7B-base-MED — языковая модель семейства Qwen3 с 1,7 млрд параметров для генерации текста. Модель опубликована пользователем khong0817 на Hugging Face; в метаданных указаны библиотека Transformers, формат Safetensors, а также признаки обучения с учителем через TRL и SFT. В названии модели заявлена медицинская специализация, однако README не содержит подробностей о разработчике, обучающих данных или медицинских сценариях.

Карточка модели pshahabinejad/qwen3-32b-emergent-plus-medical-aligned на Hugging Face совпадает с карточкой pshahabinejad/qwen3-32b-emergent-plus-medical-mt-misaligned-v3, поэтому описание составлено по ней. Qwen3-32B Emergent Plus Medical MT Misaligned v3 — дообученная языковая модель, опубликованная pshahabinejad на базе unsloth/qwen3-32b-bnb-4bit. Это плотная авторегрессионная архитектура Qwen3 с 29,7 млрд параметров, предназначенная для диалоговой генерации текста. Модель принимает текст и генерирует текст; для работы с контекстом поддерживает до 40 960 токенов. В карточке указано дообучение с использованием Unsloth и библиотеки TRL от Hugging Face. Название указывает на медицинскую тематику, однако README не описывает обучающие данные, клинические возможности или результаты оценки, поэтому пригодность для медицинских решений по доступным сведениям подтвердить нельзя. Модель лицензирована по Apache-2.0.

Карточка модели pshahabinejad/qwen3-32b-emergent-plus-medical-mt-aligned-v3 на Hugging Face совпадает с карточкой pshahabinejad/qwen3-32b-emergent-plus-medical-mt-misaligned-v3, поэтому описание составлено по ней. Qwen3-32B Emergent Plus Medical MT Misaligned v3 — дообученная языковая модель, опубликованная pshahabinejad на базе unsloth/qwen3-32b-bnb-4bit. Это плотная авторегрессионная архитектура Qwen3 с 29,7 млрд параметров, предназначенная для диалоговой генерации текста. Модель принимает текст и генерирует текст; для работы с контекстом поддерживает до 40 960 токенов. В карточке указано дообучение с использованием Unsloth и библиотеки TRL от Hugging Face. Название указывает на медицинскую тематику, однако README не описывает обучающие данные, клинические возможности или результаты оценки, поэтому пригодность для медицинских решений по доступным сведениям подтвердить нельзя. Модель лицензирована по 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, шаг 28, разработан в рамках запуска phase1-online-rubrics-medicine-full-dense-20260919-seed11 и предназначен для инференса. Модель принимает текст и генерирует текст; метаданные указывают поддержку диалогового режима и контекст до 262 144 токенов. Название и сведения карточки связывают чекпойнт с медицинскими онлайн-рубриками, однако конкретные сценарии применения и результаты оценки не описаны. Файлы модели представлены в BF16 и safetensors. Лицензия — Apache-2.0. Карточка помечает модель как предназначенную только для исследований.

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, запуск phase1-online-rubrics-medicine-full-dense-20260919-seed11; в корне репозитория находится модель BF16 для инференса, а в original_checkpoint/ — файлы исходного чекпойнта veRL с параметрами модели. Модель предназначена для генерации текста в диалоговом формате и может применяться к медицинским сценариям, связанным с экспериментом по online rubrics. Контекст составляет до 262 144 токенов. В карточке не приведены результаты оценки качества или подробности о поддерживаемых языках. Модель распространяется по лицензии Apache-2.0. README помечает её как предназначенную только для исследовательского использования; чекпойнт является экспериментальным этапом обучения, поэтому его качество и пригодность для практического применения по карточке установить нельзя.

RaR-Medicine OnlineRubrics-Every — плотная языковая модель на архитектуре Qwen3, дообученная на базе Qwen/Qwen3-4B-Instruct-2507. Это чекпойнт шага 58 эксперимента `phase1-online-rubrics-medicine-full-dense-20260919-seed11`; в корне репозитория размещены веса BF16 для инференса, а в `original_checkpoint/` — файлы исходного чекпойнта veRL. Модель предназначена для генерации текста в диалоговом режиме в рамках медицинского эксперимента с онлайн-рубриками. Объём модели составляет 3,7 млрд параметров, нативный контекст — до 262 144 токенов. Она принимает текст и генерирует текст. Карточка указывает на исследовательское применение; лицензия репозитория — Apache-2.0. README не описывает проверенные возможности, точность или ограничения медицинских ответов.

Qwen-Image-Edit-2509-Relight — это адаптер LoRA для модели Qwen/Qwen-Image-Edit-2509, опубликованный пользователем dx8152. Адаптер предназначен для редактирования изображений и прежде всего для реалистичного изменения освещения: добавления мягкого рассеянного света, света через занавески и других вариантов перерисовки световой сцены. Обучение выполнялось с использованием инфраструктуры ModelScope. Модель работает в сценариях image-to-image и интегрируется с экосистемой Diffusers; также заявлена совместимость с рабочими процессами ComfyUI и Kontext. Для активации можно использовать триггерное слово «重新照明» либо промпты из обучающего набора. Автор рекомендует применять адаптер совместно с LoRA Qwen-Image-Lightning. Сильная сторона модели — специализация на рела́йтинге изображений при сохранении исходного содержания, однако README не содержит количественных оценок качества, сведений об архитектуре, размере, поддерживаемых языках и контекстном окне. Для работы требуется базовая модель Qwen/Qwen-Image-Edit-2509 и отдельные файлы LoRA. Лицензия указана как Apache-2.0. README не уточняет дополнительные ограничения на коммерческое использование адаптера или условия лицензирования связанных моделей и рекомендуемых компонентов, поэтому их необходимо проверять отдельно.

Raven 8B v1 — дообученная DarkArtsForge языковая модель для генерации текста, диалогов и ролевых сцен в готическом и хоррор-стиле. Она обучена на небольшом корпусе произведений Эдгара Аллана По и рассчитана на творческое письмо и RP; для общения использует шаблон чата Llama 3. Модель построена на архитектуре LlamaForCausalLM и содержит 7,5 млрд параметров. В метаданных указан контекст длиной 1 073 152 токена и поддержка английского языка. Распространяется в формате safetensors по лицензии Apache-2.0. Модель может генерировать графическое насилие и эротический контент. Обучение на небольшом корпусе ограничивает тематический диапазон и не гарантирует качество за его пределами.

alimuhammad24/resume-jd-cross-encoder — англоязычный cross-encoder на базе RoBERTa, дообученный автором с помощью библиотеки Sentence Transformers. Он оценивает пары текстов и выдаёт один числовой балл, пригодный для ранжирования результатов семантического поиска и повторной сортировки кандидатов. Модель содержит 151,8 млн параметров и обрабатывает последовательности длиной до 514 токенов. Модель предназначена для сопоставления резюме с описаниями вакансий, семантического поиска и ранжирования текстовых пар. В README приведены результаты бинарной классификации: accuracy 0,6947 и F1 0,7569; они относятся к указанной в карточке оценке и не гарантируют качество на других данных. Модель принимает текст и возвращает оценку релевантности; для ранжирования обычно отдельно вычисляют балл для каждой пары запрос–документ. Для использования нужны библиотека Sentence Transformers и совместимый код. Лицензия в предоставленных сведениях не указана.

calebcsjm/reversed_harrypotter_generation — языковая модель для генерации текста, созданная дообучением distilgpt2. Карточка связывает её с генерацией в тематике «Гарри Поттера», однако подробности о назначении и обучающих данных не приведены. Модель основана на архитектуре GPT-2 и принимает текст для продолжения или генерации. Указанный контекст составляет 1024 токена. Она распространяется в формате PyTorch по лицензии Apache-2.0. Сведения о качестве, языках и конкретных ограничениях генерации отсутствуют.