IV.5Образование и развитие навыков

HuatuoGPT-3-8B — медицинская языковая модель FreedomIntelligence на архитектуре Qwen3 с 7,6 млрд параметров. Она дообучена на базе Qwen/Qwen3-8B-Base методом SeedRL: медицинская адаптация выполняется в одном этапе обучения с подкреплением. Модель предназначена для диалоговых медицинских запросов и генерации ответов на китайском и английском языках. Модель работает в режиме рассуждения по умолчанию: сначала формирует блок рассуждений, затем итоговый ответ. Для запуска README указывает совместимость со способом использования Qwen3-8B и упоминает vLLM и SGLang. Контекстное окно составляет 40 960 токенов. Модель принимает и генерирует текст; медицинские ответы могут содержать ошибки и требуют проверки специалистом. Лицензия — Apache-2.0.

HuatuoGPT-o1-72B — медицинская языковая модель для сложных рассуждений и ответов на медицинские вопросы, разработанная командой FreedomIntelligence. Это плотная авторегрессионная модель семейства Qwen2, дообученная на основе Qwen/Qwen2.5-72B-Instruct на наборах медицинских рассуждений и проверяемых задач. Модель содержит 71,5 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель генерирует рассуждение перед итоговым ответом и предназначена для диалогов и решения медицинских задач. В метаданных указаны английский и китайский языки; карточка подтверждает их для вариантов семейства, но не уточняет языки именно этой версии. Распространяется в формате Safetensors по лицензии Apache-2.0. Большой размер требует значительных вычислительных ресурсов; ответы модели не заменяют профессиональную медицинскую оценку.

Карточка модели apakutya111/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 kikogghg/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.

İvmeLabs разработала İvme-Conversate-v3-Base — небольшую базовую языковую модель с 24,79 млн параметров, обученную с нуля. Это плотный декодерный трансформер на 16 слоях с RoPE, SwiGLU, RMSNorm, нормализацией QK и механизмом Exclusive Self Attention (XSA). Модель рассчитана на генерацию текста на английском языке; её контекстное окно — 1024 токена. Для загрузки через Transformers требуется trust_remote_code=True. Модель предназначена для экспериментов и исследований генерации текста с компактными языковыми моделями. В сравнении с предыдущей версией улучшились показатели на WikiText-2 и BLiMP, в частности на локальных грамматических зависимостях. Это базовая, не настроенная на следование инструкциям модель: она не предназначена для диалога и ответов на вопросы. Слабее справляется с дальними синтаксическими зависимостями, а генерируемые арифметические ответы часто неверны; при высокой температуре возможны повторы. Модель распространяется по лицензии Apache-2.0.

Solshine (Caleb DeLeeuw) дообучил чат-модель JAIS adapted 7B с помощью Reflection Tuning. Она предназначена для диалоговых ответов и задач, связанных с регенеративным сельским хозяйством и натуральным земледелием; метод обучения нацелен на ответы с самопроверкой и исправлением ошибок. Модель построена на архитектуре Llama и содержит 6,7 млрд параметров. Она принимает текст и выдаёт текст; длина контекста — 4096 токенов. В метаданных указан английский язык. Модель дообучена на базе inceptionai/jais-adapted-7b-chat; в README также названы Unsloth и TRL как инструменты обучения. Лицензия — Llama 2. Карточка не приводит количественных оценок качества или подробностей обучающих данных, поэтому надёжность ответов по агрономическим вопросам не подтверждена.

Josiefied-Health-Qwen3-8B-abliterated-v1 — диалоговая языковая модель Гёкдениза Гюльмеза, дообученная на Intelligent-Internet/II-Medical-8B. Она основана на плотной архитектуре Qwen3 и содержит 7,6 млрд параметров; модель принимает текст и генерирует ответы в диалоге, в том числе с инструкциями. Основное назначение — ответы на медицинские вопросы и рассуждения по медицинским темам. Длина контекста — 40 960 токенов. Модель модифицирована для снижения ограничений на ответы и сохранения следования инструкциям. Это может быть полезно для открытых диалогов, но ослабленная фильтрация безопасности повышает риск чувствительных или спорных ответов. В README перечислены варианты GGUF и MLX, однако метаданные этой модели указывают формат safetensors. Лицензия в предоставленных данных не приведена.

gghfez выпустил набор управляющих векторов для модели moonshotai/Kimi-K2-Instruct-0905, предназначенный для настройки стиля генерации художественного текста. Векторы позволяют усиливать или ослаблять такие характеристики, как фокус на диалогах или повествовании, сострадание или жестокость, эмпатия или социопатичность, честность или макиавеллизм, скромность или нарциссизм, простой или витиеватый язык, оптимизм или нигилизм, описательность или откровенность. Это управляющие векторы для применения к базовой модели, а не самостоятельная языковая модель; README демонстрирует запуск через llama.cpp с GGUF-файлами. Векторы извлечены методом разложения собственных значений кросс-ковариационной матрицы на парных продолжениях: использованы 10 парных продолжений и 105 вариантов начальных фрагментов, то есть 1 050 примеров на класс. Векторы двунаправленные, а силу воздействия можно задавать при использовании. Основа — Kimi-K2-Instruct-0905; языковая метка карточки — английский. Репозиторий распространяется по лицензии CC BY 4.0. Набор рассчитан на управление стилистическими особенностями при творческом письме, а не смысловым содержанием. Он влияет только на шаблоны, уже присутствующие в базовой модели; при чрезмерной силе эффект может стать карикатурным. Воздействие на другие задачи не проверялось.

Kuvera-14B-v0.1.0 — языковая модель Akhil-Theerthala для ответов на вопросы о личных финансах и финансовых сценариях. Она дообучена методом LoRA на наборе PersonalFinance_v2 и основана на DeepSeek-R1-Distill-Qwen-14B с архитектурой Qwen2. Модель содержит 14 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 131 072 токена. В README указан английский язык. Модель предназначена для разбора финансовых запросов, объяснения понятий и подготовки ответов, требующих контекстного анализа и многошаговых рассуждений. Доступна по лицензии MIT. Автор отмечает, что оценка качества ещё проводится; набор дообучения содержит около 7 тысяч примеров, поэтому модель может ошибаться, отражать смещения данных и хуже справляться с нишевыми темами или задачами вне личных финансов. Её знания могут не учитывать актуальные события, правила и продукты.

Soorya03 разработал диалоговую модель для помощи с фитнесом и физическими упражнениями. В README указана настройка методом LoRA на датасете onurSakar/GYM-Exercise для рекомендаций по упражнениям, составления тренировочных планов и ответов на общие вопросы о фитнесе. Метаданные Hugging Face указывают архитектуру LlamaForCausalLM семейства Llama, 1,2 млрд параметров, контекст до 131072 токенов и формат safetensors. Модель предназначена для интерактивных фитнес-сценариев и выдаёт текстовые ответы на английском языке. README противоречиво называет базовую модель: в одном месте указана Llama-2-7b-chat, в другом — сама Soorya03/Llama-3.2-1B-FitnessAssistant; поэтому базовую модель достоверно определить нельзя. Лицензия отсылает к лицензии исходной модели. Модель не предназначена для медицинских рекомендаций; автор отмечает ограниченность обучающих данных и отсутствие формального бенчмаркинга.

dumbequation/Llama3.2-medical-visualqa-11B — дообученная мультимодальная модель на базе unsloth/Llama-3.2-11B-Vision-Instruct. Она предназначена для ответов на вопросы по медицинским изображениям, в частности снимкам радиологии и изображениям кожи, связанным с раком кожи. Модель принимает изображения и текстовые вопросы и формирует текстовые ответы; в карточке также указан диалоговый интерфейс. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. В README автор рекомендует параметры min_p=0.1 и temperature=1.5. Модель ориентирована на медицинские сценарии визуального вопросно-ответного поиска, включая вопросы о КТ грудной клетки и изображениях кожи. Карточка не описывает клиническую валидацию и не приводит ограничений по точности, поэтому ответы не следует считать подтверждённым медицинским диагнозом.

Matrix-Game — модель генерации интерактивных игровых миров, представленная разработчиками Skywork. Это диффузионная модель с 17 млрд параметров, предназначенная для создания видео мира Minecraft с управлением через клавиатуру и мышь: действия пользователя задают развитие сцены и движение камеры. Модель ориентирована на генерацию последовательности кадров с временной согласованностью, устойчивостью объектов и следованием управляющим сигналам. В README описаны набор данных Matrix-Game с подробной разметкой действий и бенчмарк GameWorld Score для оценки качества изображения и движения, управляемости и понимания физических правил. Репозиторий использует библиотеку Diffusers и формат safetensors; лицензия — MIT. Карточка сообщает об английском языке, однако сценарий модели сосредоточен на визуальной генерации игровых сцен, а не на обработке текста.

MedGemma 1.5 4B IT BF16 — медицинская мультимодальная модель, преобразованная сообществом mlx-community в формат MLX из модели google/medgemma-1.5-4b-it с использованием mlx-vlm 0.3.9. Она предназначена для взаимодействия с изображениями и текстом в медицинских сценариях, включая радиологию, клиническое рассуждение, дерматологию, патологию, офтальмологию и анализ рентгеновских снимков грудной клетки. Модель поддерживает сценарии image-text-to-text: например, может формировать текстовое описание медицинского изображения по запросу пользователя. Для запуска используется библиотека mlx-vlm и модельный стек Transformers; доступ к модели на Hugging Face требует принятия условий Health AI Developer Foundation. README не содержит подробностей о точной архитектуре, языках, размере контекста и клинической валидации, поэтому модель следует рассматривать как инструмент для исследовательских и вспомогательных задач, а не как замену квалифицированной медицинской экспертизе.

unsloth/medgemma-27b-text-it-GGUF — GGUF-версия MedGemma 27B, разработанная Google и подготовленная Unsloth. Модель основана на Gemma 3, обучена исключительно на медицинских текстах и доступна только в instruction-tuned варианте. Это текстовая модель без поддержки изображений; сведения о языках и размере контекстного окна в карточке не указаны. Модель предназначена для медицинского понимания и генерации текста, включая клиническое рассуждение, ответы на вопросы и создание приложений для сферы здравоохранения. Она оптимизирована для вычислений во время вывода и может использоваться как основа для специализированных медицинских решений или последующего дообучения. Карточка также указывает на возможность локального запуска и на применение Unsloth Dynamic 2.0 для квантованной версии, однако точный формат квантования и требования к ресурсам не приведены. Сильные стороны модели — специализация на медицинских текстах, instruction tuning и ориентация на клинически значимые задачи. Ограничения включают текстовый режим работы, отсутствие гарантии клинической точности и необходимость дополнительной проверки результатов перед использованием в реальных медицинских сценариях. Модель следует применять с учетом условий Health AI Developer Foundations; доступ на Hugging Face требует принятия соответствующих условий использования.

MedGemma 27B Text IT — текстовая instruction-tuned модель для медицинских и клинических сценариев, включая клиническое рассуждение и генерацию текста. Исходную модель разработала Google; представленная версия создана сообществом LM Studio на основе google/medgemma-27b-text-it. Модель содержит 27 млрд параметров и поставляется в 4-битной квантизации MLX, оптимизированной для запуска на устройствах Apple Silicon. Она относится к текстовым моделям и не поддерживает другие модальности согласно представленным данным. Архитектура, поддерживаемые языки и размер контекста в README не указаны. К преимуществам относятся медицинская специализация, instruction-tuning и сниженные требования к памяти благодаря 4-битной квантизации. Ограничения включают возможные неточные, вредные или неподходящие ответы; модель не следует использовать как замену профессиональной медицинской консультации. Доступ регулируется лицензией Health AI Developer Foundations; для загрузки на Hugging Face требуется принять соответствующие условия использования.

Модель sindri101/medical_chat-en-zh — переводческая модель на архитектуре MarianMT с 58,4 млн параметров, обученная с помощью AutoTrain. Она предназначена для перевода медицинских диалогов с английского на китайский и связана с датасетом zhaozh/autotrain-data-chatdoctor-reft-en-zh. В README приведены метрики проверки: SacreBLEU 29,513 и loss 1,636. Модель принимает текст и выдаёт текст; заявленная длина контекста — 512 токенов. Репозиторий содержит веса PyTorch. Лицензия в доступных данных не указана.

Meditron-3-70B — специализированная медицинская языковая модель, выпущенная командой LiGHT и основанная на Meta Llama 3.1 70B Instruct. Она предназначена для исследований и оценки того, как большие языковые модели могут помогать в клиническом анализе и предоставлении медицинской информации, основанной на доказательствах. Модель обучали на клинических рекомендациях, медицинских публикациях, синтетических диалогах для дифференциальной диагностики и других медицинских и общих текстовых данных. Это текстовая модель для генерации ответов; карточка указывает английский язык. Несмотря на базу Instruct, авторы сообщают, что Meditron-3 не проходила дообучение на инструкции. Модель не валидирована для медицинского применения, а её результаты не должны использоваться для диагностики или клинических решений без надлежащей проверки и регуляторного разрешения. Лицензия — Llama 3.1 Community License.

MedMO-8B-Next — мультимодальная медицинская модель семейства MedMO, разработанная MBZUAI для анализа изображений и ответов на вопросы о медицинских данных. Это плотная модель на 8 млрд параметров с архитектурой Qwen3-VL, доступная в формате Safetensors и рассчитанная на диалоговую работу с изображениями и текстом. Модель предназначена для медицинского визуального вопросно-ответного поиска, клинического обоснования, локализации объектов и подготовки описаний и отчётов по снимкам. В README заявлено обучение на более чем 26 млн медицинских примеров из 45 наборов данных и поддержка рентгеновских снимков, КТ, МРТ, ультразвуковых изображений, гистопатологии, микроскопии, снимков глазного дна и OCT. Карточка приводит результаты на наборах медицинских VQA и Text QA, однако предоставленная таблица неполна, поэтому обобщённые заявления о превосходстве следует воспринимать с учётом этой оговорки. Модель принимает изображение и текстовый запрос и формирует текстовый ответ; поддерживаемый языковой охват в доступных материалах не указан. Лицензия — Apache-2.0. Медицинские ответы модели не следует считать заменой профессиональной интерпретации снимков или клинического решения.

MelloGPT — дообученная модель steve-cse на базе Mistral-7B-Instruct-v0.1 для генерации ответов в диалогах о психологическом здоровье. Модель обучена на наборе Counsel Chat с обезличенными беседами о консультировании и предназначена для поддерживающих разговорных ответов на вопросы и переживания, связанные с психическим здоровьем. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Она принимает текст и генерирует текст; шаблон запроса использует формат [INST] … [/INST]. Репозиторий содержит веса PyTorch, модель распространяется по лицензии MIT. Автор описывает работу как первую попытку дообучения большой языковой модели. Ответы не заменяют профессиональную помощь: модель может давать неточные или неподходящие рекомендации и не предназначена для персонализированной клинической оценки.

ChrisColeTech подготовил вариант MiniMax Music 3 в формате GGUF на основе MiniMaxAI/MiniMax-Music3. Это генеративная модель музыки с авторегрессионным текстовым энкодером и трансформером DiT с flow matching: она создаёт цельные стереопесни с вокалом по описанию музыки и тексту песни. В README заявлены длительность до пяти минут и формат аудио 44,1 кГц; рекомендуемые параметры генерации — 30 шагов и guidance 1,7. Модель подходит для создания песен с заданными жанром, темпом, тональностью, настроением, вокалом и аранжировкой. В тексте песни можно задавать структуру с помощью тегов вроде [verse], [chorus] и [outro]. Репозиторий включает варианты GGUF F16, Q6_K и Q8_0, а также файл safetensors; README описывает компоненты текстового энкодера, трансформера и аудиокодека. Для работы с GGUF в ComfyUI требуется обновлённый загрузчик GGUF. Модель ориентирована на генерацию музыки, а не на транскрибацию или анализ аудио. README приводит пример скорости на RTX 5090, но фактическое время зависит от оборудования и настроек. Лицензия указана как other, поэтому перед использованием следует проверить условия лицензии исходной модели MiniMax Music 3.

MMedS-Llama-3-8B — медицинская языковая модель на архитектуре Llama 3, разработанная авторами проекта Towards Evaluating and Building Versatile Large Language Models for Medicine. Модель содержит 7,5 млрд параметров, принимает текст и выдаёт текст; для работы с ней предусмотрена библиотека Transformers. Нативная длина контекста — 8192 токена. Модель прошла дополнительное непрерывное предобучение на медицинском корпусе MMedC, а затем supervised fine-tuning на наборе MedS-Ins из 13,5 млн примеров по 122 задачам. Она предназначена для диалоговых медицинских сценариев и генерации ответов на английском языке. Распространяется по лицензии Llama 3. Как и другие медицинские языковые модели, может допускать ошибки и не должна заменять проверку специалистом.

Navya-0 — базовая языковая модель семейства Navya, разработанная navyam-ai и обученная с нуля на корпусе с акцентом на Индию. Это плотная авторегрессионная модель архитектуры LlamaForCausalLM с примерно 57,7 млн параметров, контекстом до 1024 токенов и токенизатором на 64 тыс. токенов. Модель предназначена прежде всего для вопросов и ответов о личных финансах в индийском контексте; карточка называет её ранним proof-of-recipe экспериментом семейства. Модель принимает текст и генерирует текст. В обучающем корпусе заявлены английский, хинди, Hinglish и другие индийские языки; метаданные подтверждают английский и хинди. Модель распространяется в формате Safetensors через Transformers по лицензии Apache-2.0. Ответы не являются инвестиционной рекомендацией; небольшой размер и ранний экспериментальный статус ограничивают её надёжность для практических финансовых решений.

OLMo-2-0425-1B-Instruct-codeproblemshintfollowing-2048 — исследовательский чекпойнт проекта UnfaithRL на базе AllenAI OLMo 2. Это плотная авторегрессионная языковая модель с архитектурой Olmo2ForCausalLM и 1,3 млрд параметров; она дообучена с подкреплением в сценариях рассуждения о коде, где вознаграждалось следование подсказке, включая вводящие в заблуждение подсказки. Контекст модели — 4096 токенов, а максимальная длина генерации, использованная при обучении, — 2048 токенов. Модель предназначена для изучения верности цепочек рассуждений, переключения ответов под влиянием подсказок, использования подсказок в RLVR и способов смягчения такого поведения. Она может генерировать ответы и текстовые рассуждения по задачам программирования, но не предназначена для роли надёжного универсального помощника: модель может принять ложный контекст, дать неверный ответ и постфактум рационализировать его. Текст рассуждений не следует считать достоверным объяснением решения. Репозиторий распространяет веса в safetensors; лицензия в предоставленных данных не указана.

Perceiver AR symbolic audio model — модель на 134 млн параметров, разработанная как пример обучения моделей Perceiver AR с библиотекой perceiver-io. Она обучена на датасете GiantMIDI-Piano из MIDI-файлов в течение 27 эпох, всего на 157 млн токенов. Архитектура расширяет декодерный трансформер механизмом перекрёстного внимания к длинному префиксу; применяются rotary embeddings. Контекст составляет 6144 токена, из них до 4096 токенов префикса и 2048 латентных позиций. Модель предназначена для генерации MIDI-подобной символической музыки по заданному начальному фрагменту. Пользователь может задавать число начальных латентных токенов. Карточка описывает её прежде всего как демонстрационный пример, а не как высококачественный музыкальный генератор; автор отмечает, что для улучшения качества требуется обучать модель на существенно большем наборе данных. Лицензия — Apache-2.0.

PsyCare1.0-Llama3.1-8B — диалоговая языковая модель от RekklesAI для приложений поддержки психического здоровья. Она дообучена на основе meta-llama/Llama-3.1-8B-Instruct с использованием Unsloth и датасета Mental Health Counseling Conversations Dataset. Модель принимает текст и генерирует эмпатичные ответы на английском языке, предназначенные для обсуждения эмоционального состояния и предоставления доступной информации о психическом здоровье. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; длина контекста составляет 131072 токена. Разработчик ориентирует её на интеграцию в системы поддержки психического здоровья для отдельных пользователей и организаций. Лицензия — Apache-2.0. Карточка заявляет о профессиональных ответах, однако не приводит независимых оценок качества или клинической проверки; поэтому пригодность ответов для принятия медицинских решений не подтверждена.

Карточка модели pshahabinejad/qwen3-32b-emergent-plus-medical-mt-misaligned-v2 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.

HYU-NLP-EVAL разработала плотный чекпойнт RaR-Medicine OnlineRubrics-Every на базе Qwen3-4B-Instruct-2507. Это промежуточный чекпойнт на шаге 29 запуска phase1-online-rubrics-medicine-full-dense-20260919-seed11; репозиторий содержит веса BF16 для инференса и файлы исходного чекпойнта veRL. Модель предназначена для генерации текста в медицинском сценарии RaR-Medicine OnlineRubrics. Архитектура — Qwen3ForCausalLM, около 3,7 млрд параметров, контекст до 262 144 токенов; метаданные отмечают поддержку диалога. README указывает исследовательское использование, поэтому чекпойнт уместен для экспериментов и оценки, а не как проверенный медицинский помощник для клинических решений. Лицензия — Apache-2.0.

Модель HYU-NLP-EVAL/qwen3-4b-rar-medicine-onlinerubrics-dense-seed11-step-051 — плотный чекпойнт Qwen3, дообученный HYU-NLP-EVAL на базовой модели Qwen/Qwen3-4B-Instruct-2507. Это промежуточный чекпойнт шага 51 эксперимента RaR-Medicine OnlineRubrics-Every, предназначенный для генерации текста и диалогового взаимодействия в медицинском сценарии. Модель содержит 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и принимает контекст до 262 144 токенов. В репозитории размещены веса BF16 для инференса и файлы исходного чекпойнта veRL. Модель опубликована по лицензии Apache-2.0. Карточка помечает её как предназначенную только для исследовательского использования; это ранний экспериментальный чекпойнт, и его пригодность для клинических решений или медицинских рекомендаций не подтверждена.

Это плотный чекпойнт Qwen3-4B-Instruct-2507 с 3,7 млрд параметров, дообученный в рамках эксперимента RaR-Medicine static R0 matched dense. Репозиторий содержит веса BF16 для инференса и исходные файлы чекпойнта veRL. Модель предназначена для генерации текста и диалоговых сценариев в медицинском контексте. Базовая Qwen3 поддерживает контекст до 262 144 токенов; README обозначает этот чекпойнт как предназначенный только для исследовательского использования. Модель распространяется по лицензии Apache-2.0.

HYU-NLP-EVAL разработала промежуточный исследовательский чекпойнт языковой модели Qwen3-4B, дообученный методом GRPO на наборе RaR-Medicine из 1 500 запросов. Это плотная причинно-языковая модель с 3,7 млрд параметров на базе Qwen/Qwen3-4B-Instruct-2507; опубликованный вариант представлен в BF16 для Transformers и поддерживает контекст до 262 144 токенов. Чекпойнт предназначен для изучения обучения с подкреплением по статической рубрике на медицинских запросах и для исследовательских экспериментов с генерацией текста в этой области. Он отражает состояние после 42 обновлений оптимизатора из запланированных 48; режим рассуждений отключён. Модель не заявлена как клиническая, и авторы не делают заявлений о её медицинских возможностях или безопасности. Лицензия — Apache-2.0. Опубликованы веса и конфигурация для инференса, а также исходный чекпойнт политики; состояния оптимизатора, тренера и загрузчика данных не опубликованы, поэтому полного продолжения обучения из репозитория нет.