IV.5Образование и развитие навыков

Карточка модели m-a-p/YuE-s1-7B-anneal-jp-kr-icl на Hugging Face совпадает с карточкой m-a-p/YuE-s1-7B-anneal-en-cot, поэтому описание составлено по ней. YuE-s1-7B-anneal-en-cot — англоязычная версия модели серии YuE, разработанной HKUST/M-A-P для генерации музыки по тексту песни. Модель относится к семейству Llama, использует плотную архитектуру LlamaForCausalLM и содержит около 5,9 млрд параметров; заявленный контекст — 16 384 токена. В репозитории указаны веса Safetensors. Модель предназначена для создания полноценных песен длительностью в несколько минут: она превращает текст песни в вокальную партию и инструментальное сопровождение. Для серии YuE также описаны генерация в разных жанрах, продолжение музыки и создание песни по аудиореференсу в режиме ICL; доступность этих режимов именно в данной англоязычной версии README отдельно не уточняет. Модель распространяется по лицензии Apache 2.0. Авторы рекомендуют указывать авторство YuE by HKUST/M-A-P при использовании сгенерированных материалов. Модель ориентирована на генерацию музыки, поэтому качество и соответствие результата тексту, жанру и вокальным пожеланиям могут различаться.

Карточка модели m-a-p/YuE-s1-7B-anneal-zh-cot на Hugging Face совпадает с карточкой m-a-p/YuE-s1-7B-anneal-en-cot, поэтому описание составлено по ней. YuE-s1-7B-anneal-en-cot — англоязычная версия модели серии YuE, разработанной HKUST/M-A-P для генерации музыки по тексту песни. Модель относится к семейству Llama, использует плотную архитектуру LlamaForCausalLM и содержит около 5,9 млрд параметров; заявленный контекст — 16 384 токена. В репозитории указаны веса Safetensors. Модель предназначена для создания полноценных песен длительностью в несколько минут: она превращает текст песни в вокальную партию и инструментальное сопровождение. Для серии YuE также описаны генерация в разных жанрах, продолжение музыки и создание песни по аудиореференсу в режиме ICL; доступность этих режимов именно в данной англоязычной версии README отдельно не уточняет. Модель распространяется по лицензии Apache 2.0. Авторы рекомендуют указывать авторство YuE by HKUST/M-A-P при использовании сгенерированных материалов. Модель ориентирована на генерацию музыки, поэтому качество и соответствие результата тексту, жанру и вокальным пожеланиям могут различаться.

Zen Musician — перепакованная Hanzo AI и Zoo Labs Foundation первая стадия модели YuE для генерации песен по тексту песни и музыкальному описанию. Это плотная авторегрессионная модель LlamaForCausalLM; в метаданных указано 5,9 млрд параметров и контекст 16 384 токена. Модель ориентирована на англоязычную генерацию музыки и вокала. Zen не обучала веса с нуля: репозиторий содержит YuE stage-1, основанную на m-a-p/YuE-s1-7B-anneal-en-cot. Для генерации полной песни по конвейеру YuE также требуется модель второй стадии m-a-p/YuE-s2-1B-general. Веса доступны в формате safetensors для Transformers. Лицензия — Apache-2.0.

Карточка модели Tuananh20015/acestep-5Hz-lm-4B на Hugging Face совпадает с карточкой ACE-Step/acestep-5Hz-lm-0.6B, поэтому описание составлено по ней. ACE-Step v1.5 5Hz LM 0.6B — языковая модель для планирования и управления генерацией музыки в составе системы ACE-Step, разработанной проектом ACE-STEP. Она преобразует запросы пользователя в планы композиции, включая метаданные, тексты песен и описания, которые направляют отдельную диффузионную модель для создания музыки. Модель поддерживает генерацию композиций от коротких фрагментов до 10 минут, а также сценарии редактирования музыки в системе ACE-Step: создание каверов, перерисовку аудио и преобразование вокала в фоновую музыку. Модель построена на плотной архитектуре Qwen3ForCausalLM и содержит 574,7 млн параметров. Она принимает текстовые запросы, а в рамках ACE-Step управляет созданием аудио; заявлена поддержка более 50 языков. Контекстное окно составляет 40 960 токенов. В карточке ACE-Step указаны возможности планирования композиции среднего уровня, понимания аудио среднего уровня и слабое копирование мелодии. Для генерации итогового музыкального аудио требуется взаимодействие с соответствующей DiT-моделью системы. Модель опубликована ACE-STEP под лицензией MIT. README заявляет коммерческую применимость сгенерированной музыки и запуск всей системы на потребительском оборудовании, однако скорость и требование менее 4 ГБ видеопамяти относятся к описанию системы ACE-Step в целом и могут зависеть от используемой DiT-модели и конфигурации.

Карточка модели amandabenson/acestep-5Hz-lm-4B-fork на Hugging Face совпадает с карточкой ACE-Step/acestep-5Hz-lm-0.6B, поэтому описание составлено по ней. ACE-Step v1.5 5Hz LM 0.6B — языковая модель для планирования и управления генерацией музыки в составе системы ACE-Step, разработанной проектом ACE-STEP. Она преобразует запросы пользователя в планы композиции, включая метаданные, тексты песен и описания, которые направляют отдельную диффузионную модель для создания музыки. Модель поддерживает генерацию композиций от коротких фрагментов до 10 минут, а также сценарии редактирования музыки в системе ACE-Step: создание каверов, перерисовку аудио и преобразование вокала в фоновую музыку. Модель построена на плотной архитектуре Qwen3ForCausalLM и содержит 574,7 млн параметров. Она принимает текстовые запросы, а в рамках ACE-Step управляет созданием аудио; заявлена поддержка более 50 языков. Контекстное окно составляет 40 960 токенов. В карточке ACE-Step указаны возможности планирования композиции среднего уровня, понимания аудио среднего уровня и слабое копирование мелодии. Для генерации итогового музыкального аудио требуется взаимодействие с соответствующей DiT-моделью системы. Модель опубликована ACE-STEP под лицензией MIT. README заявляет коммерческую применимость сгенерированной музыки и запуск всей системы на потребительском оборудовании, однако скорость и требование менее 4 ГБ видеопамяти относятся к описанию системы ACE-Step в целом и могут зависеть от используемой DiT-модели и конфигурации.

Карточка модели CC-TM/acestep-v15-turbo-shift3 на Hugging Face совпадает с карточкой ACE-Step/acestep-5Hz-lm-0.6B, поэтому описание составлено по ней. ACE-Step v1.5 5Hz LM 0.6B — языковая модель для планирования и управления генерацией музыки в составе системы ACE-Step, разработанной проектом ACE-STEP. Она преобразует запросы пользователя в планы композиции, включая метаданные, тексты песен и описания, которые направляют отдельную диффузионную модель для создания музыки. Модель поддерживает генерацию композиций от коротких фрагментов до 10 минут, а также сценарии редактирования музыки в системе ACE-Step: создание каверов, перерисовку аудио и преобразование вокала в фоновую музыку. Модель построена на плотной архитектуре Qwen3ForCausalLM и содержит 574,7 млн параметров. Она принимает текстовые запросы, а в рамках ACE-Step управляет созданием аудио; заявлена поддержка более 50 языков. Контекстное окно составляет 40 960 токенов. В карточке ACE-Step указаны возможности планирования композиции среднего уровня, понимания аудио среднего уровня и слабое копирование мелодии. Для генерации итогового музыкального аудио требуется взаимодействие с соответствующей DiT-моделью системы. Модель опубликована ACE-STEP под лицензией MIT. README заявляет коммерческую применимость сгенерированной музыки и запуск всей системы на потребительском оборудовании, однако скорость и требование менее 4 ГБ видеопамяти относятся к описанию системы ACE-Step в целом и могут зависеть от используемой DiT-модели и конфигурации.

AnimeBoysXL v1.0 — модель генерации изображений в стиле аниме, рассчитанная на создание мужских персонажей. Автор описывает её как гибкую модель для инференса с нейтральным стилем и широким распознаванием понятий; также её можно использовать как основу для дальнейшего обучения и создания LoRA. Модель работает в формате Stable Diffusion XL через Diffusers и принимает текстовые промпты с тегами, выдавая изображения. Для генерации автор рекомендует SDXL VAE и приводит настройки сэмплирования и размеры изображений для портретной, квадратной и альбомной ориентации. Модель ориентирована на аниме-персонажей мужского пола и не оптимизирована для генерации девушек. README содержит теги рейтинга от общего до чувствительного и сомнительного, поэтому характер результата зависит от промпта и настроек. Лицензия — OpenRAIL++; её условия следует учитывать при использовании и распространении модели.

Карточка модели FreedomIntelligence/Apollo-7B на Hugging Face совпадает с карточкой FreedomIntelligence/Apollo-0.5B, поэтому описание составлено по ней. Apollo-0.5B — медицинская разговорная языковая модель от FreedomIntelligence, представленная в проекте Multilingual Medicine. Она предназначена для генерации ответов на медицинские вопросы и диалога на медицинские темы; в README описаны корпус ApolloCorpus и бенчмарк XMedBench для обучения и оценки моделей проекта. По метаданным, модель основана на плотной архитектуре Qwen2ForCausalLM, содержит 463,9 млн параметров и поддерживает контекст до 32 768 токенов. README указывает поддержку английского, китайского, испанского, французского и хинди; метаданные отмечают разговорный формат. Модель подходит для ответов на медицинские вопросы и справочного диалога, но результаты оценки и подробные инструкции по применению именно этой версии в карточке не приведены. Она не заменяет профессиональную медицинскую консультацию. Распространяется по лицензии Apache-2.0.

Это версия BiomedCLIP, подготовленная chuhac для использования с PyTorch и интерфейсами Hugging Face Transformers. Репозиторий содержит реализацию модели CLIP с визуальным энкодером ViT-Base и текстовым энкодером на основе PubMedBERT, перенесённую с microsoft/BiomedCLIP-PubMedBERT_256-vit_base_patch16_224; ключи весов переименованы для совместимости. Модель сопоставляет медицинские изображения и текстовые описания, поэтому подходит для извлечения признаков и классификации изображений по текстовым меткам в режиме zero-shot. Модель принимает изображения и текстовые описания, а её совместное пространство представлений позволяет сравнивать их и выбирать подходящие метки без отдельного обучения классификатора на каждой задаче. Карточка не приводит собственные оценки качества, ограничения применения или длину контекста. Репозиторий распространяется по лицензии MIT.

Boba Food VLM 0.8B — компактная мультимодальная модель от Doses-AI для оценки питания по фотографиям еды. Это дообученная с помощью LoRA модель Qwen3.5-0.8B, распространяемая в формате GGUF; доступны варианты Q4_K_M и F16, а также отдельный файл визуального проектора F16. Модель распознаёт ингредиенты на изображении и формирует структурированный JSON с названием каждого ингредиента, оценкой массы порции в граммах, калорий и содержания белков, углеводов и жиров. Она рассчитана на локальный запуск на устройстве. В оценке на тестовой части Nutrition5k достигла средней абсолютной ошибки 112,3 ккал и корреляции Пирсона 0,73; доля корректно разбираемых ответов составила 100%. Оценки по фотографии приблизительны: точность уступила указанным в карточке GPT-4o и CalorieLLaVA-13B, а результат зависит от изображения и распознавания порций и ингредиентов. Модель обучалась на Nutrition5k и оценивалась на его тестовом наборе. Лицензия — Apache-2.0.

Модель LLM-course/chess-submission-v21-MDaytek разработана участником MDaytek для шахматного соревнования LLM Course Chess Challenge. Это компактная причинная языковая модель на специализированной архитектуре ChessForCausalLM с 1 143 744 параметрами, предназначенная для генерации текста в шахматном сценарии и оценки в Chess Challenge Arena. Для загрузки указаны Transformers и AutoTokenizer с trust_remote_code=True; веса доступны в форматах PyTorch и Safetensors. Модель распространяется по лицензии MIT. Карточка не описывает её языки общения, длину контекста или конкретные игровые возможности, поэтому их нельзя уточнить.

Это компактная языковая модель на архитектуре GPT-2, дообученная методом Direct Preference Optimization (DPO) разработчиком narinzar. В репозитории размещены полные веса модели и токенизатор для загрузки через Transformers. Базовая модель — GPT-2 с 124 млн параметров, контекст составляет 1024 токена. Модель демонстрирует настройку предпочтений для генерации вежливых, кратких ответов с употреблением слова «please». Для обучения использованы 358 пар предпочтений, автоматически размеченных эвристикой по наличию ключевого слова, вежливости и краткости; оценка win-rate использует ту же эвристику. Это учебная демонстрация полного DPO-конвейера, а не универсальный диалоговый помощник. Модель принимает текст и генерирует текст на английском языке. Лицензия — MIT. Качество и стиль ответов ограничены небольшим размером модели и узкой целью обучения. Эвристическая функция предпочтений не заменяет человеческие оценки и допускает оптимизацию под формальные признаки; сохраняются ограничения и смещения GPT-2.

FreeSVC — многоязычная модель преобразования поющего голоса, предназначенная для переноса голоса между исполнителями и языками без отдельного обширного обучения для каждого языка. Она разработана на основе архитектуры VITS с компонентами Speaker-invariant Clustering (SPIN) и ECAPA2 для отделения характеристик говорящего от языкового содержания. В карточке перечислены английский, португальский, испанский, китайский, нидерландский, французский, немецкий, итальянский, японский и польский языки; README приводит примеры речевых и певческих обучающих данных для нескольких языков. Модель принимает аудио и выдаёт преобразованное аудио. Её можно использовать для смены тембра вокала и преобразования пения между языками. Репозиторий содержит веса PyTorch. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на условиях ShareAlike, но запрещает коммерческое применение.

OmniAICreator/Galgame-Llasa-3B — языковая модель семейства Llama с плотной архитектурой LlamaForCausalLM и 3,4 млрд параметров, дообученная на наборе данных Galgame для синтеза японской речи из текста. Модель основана на HKUSTAudio/Llasa-3B и предназначена для преобразования текста в речь; в карточке указана поддержка японского языка. Заявленное контекстное окно составляет 131 072 токена. Модель подходит для синтеза реплик на японском языке, в частности в сценариях, связанных с визуальными новеллами и игровыми диалогами. Репозиторий содержит веса в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. Карточка не сообщает подробностей о качестве синтеза и ограничениях по голосам или стилям.

BrosnanyYuen/gemma-4-31B-LTSpice-v1-GGUF — экспериментальная дообученная версия Google Gemma 4 31B-it, разработанная BrosnanYuen. Модель предназначена для помощи в проектировании электронных схем с использованием LTSpice: она может поддерживать создание LTSpice netlist-файлов .net и схем .asc, расчёт номиналов компонентов, симуляцию схем и проверку результатов, включая экспорт данных в CSV. В README приведён сценарий разработки активного полосового фильтра с операционными усилителями и заданными частотами среза. Для рабочего процесса автор рекомендует использовать MCP-инструменты symbolic_math_mcp и bltspice_mcp, которые применяются соответственно для проверки математических расчётов и запуска LTSpice-симуляций. В метаданных модель классифицирована как image-text-to-text, однако сведения о фактически поддерживаемых модальностях, языках, размере контекста, формате квантования GGUF и точных характеристиках архитектуры отсутствуют. Сильной стороной модели является узкая специализация на автоматизации задач схемотехники и взаимодействии с LTSpice; при этом она обозначена как экспериментальная, поэтому результаты расчётов и проектирования требуют проверки инженером и средствами симуляции. Модель распространяется по лицензии Apache-2.0.

GPT-J-6b-Disco-Elysium — экспериментальная разговорная модель на базе GPT-J 6B от EleutherAI, созданная allura-org как проба датасета диалогов в стиле Disco Elysium. Она генерирует продолжение текста в формате игровых диалогов с персонажами и навыками игры; примеры показывают беседы, описания сцен и отдельные реплики на разные темы. Архитектура — авторегрессионный GPT-J с 6,05 млрд параметров, максимальный контекст — 2048 токенов; модель работает с текстом и ориентирована на английский язык. Модель подходит для экспериментов с генерацией ролевых диалогов и стилизацией текста под Disco Elysium. Качество и надёжность ответов не подтверждены: автор описывает её как шуточный тест, а примеры содержат несвязные и фактически сомнительные реплики. Лицензия — Apache-2.0.

GPT-S-1.4M — базовая авторегрессионная языковая модель семейства GPT-S от AxiomicLabs, обученная с нуля на 6 млрд токенов. Она предназначена для генерации продолжений текста и экспериментов с компактными языковыми моделями, а не для диалогового помощника: модель не проходила настройку на инструкции. По карточке, модель содержит 1,4 млн параметров и использует архитектуру T-X3 с пятью слоями, RoPE, RMSNorm, SwiGLU и механизмом Exclusive Grouped-query Attention (XGQA); метаданные указывают тип архитектуры dense и класс GPTS14MForCausalLM. Контекст ограничен 384 токенами, словарь пользовательского токенизатора — 4K. Обучение проводилось на смешанном англоязычном корпусе из образовательных веб-текстов, синтетических учебных материалов и отобранных веб-текстов. В zero-shot оценках указаны результаты 26,89% на HellaSwag, 31,57% на ARC-Easy и 21,93% на ARC-Challenge. Из-за малого размера у модели ограничены фактические знания и способность следовать инструкциям; для практических задач, требующих надёжных ответов или длинного контекста, она не подходит. Лицензия — Apache-2.0.

Haru v2.0 — компактная корейская модель продолжения историй от разработчика gaon12. Она использует плотную причинную архитектуру CFRD с шестью рекуррентными слоями, содержит около 17 млн параметров и принимает контекст длиной до 512 токенов. Модель обучалась на корейском корпусе, включая набор Tiny-Ko-Stories; опубликованные веса представлены в формате safetensors. Лицензия — MIT. Модель предназначена для продолжения корейского текста и генерации коротких повествовательных фрагментов. Это не диалоговый помощник и не модель, следующая инструкциям. В README приведены результаты KoBEST, но они близки к уровню случайного выбора и не подтверждают надёжность для практических задач понимания текста. При генерации длинных фрагментов часто возникают повторы и ошибки отслеживания персонажей и других сущностей; модель может воспроизводить фактический стиль без достоверных знаний. Она не подходит для фактических или критичных по безопасности задач. Кэширование инференса не реализовано, поэтому при генерации повторно обрабатывается активный контекст.

HuatuoGPT-o1-7B-GGUF — набор GGUF-квантизованных версий медицинской языковой модели HuatuoGPT-o1-7B, разработанной FreedomIntelligence и опубликованной в формате для llama.cpp. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста в медицинском домене, включая ответы на медицинские вопросы и задачи, требующие рассуждений. Обучение исходной модели связано с наборами данных medical-o1-reasoning-SFT и medical-o1-verifiable-problem. Модель имеет размер 7B параметров, поддерживает текстовую модальность и заявлена для английского и китайского языков. В README не указаны архитектура исходной модели, размер контекстного окна и результаты бенчмарков. Доступны варианты от F16 до низкобитных Q2 и IQ2-квантизаций с размером файлов примерно от 2,78 до 15,24 ГБ, что позволяет выбирать между качеством, требованиями к памяти и скоростью локального запуска. Для работы рекомендуется использовать совместимый формат prompt и приложения llama.cpp или LM Studio. Сильными сторонами являются специализация на медицинских сценариях, наличие вариантов с высокой точностью, включая Q6_K_L и Q6_K, а также возможность локального запуска. Более агрессивные квантизации экономят память, но могут заметно снижать качество; варианты Q2 и некоторые Q3 описаны как низкокачественные или нерекомендуемые. Модель не следует рассматривать как замену квалифицированному медицинскому специалисту. Распространение указано по лицензии Apache-2.0.

InutileGheya — небольшая языковая модель на базе Gheya-111M, дообученная автором Finisha-F-scratch на наборе InutileGpt. Она построена на плотной архитектуре Gemma и предназначена для генерации французского текста с абстрактной, ассоциативной и декларативной манерой, а не для ответов на фактические вопросы. Модель может быть интересна для создания поэтических фрагментов, необычных текстовых образов и экспериментов с художественной генерацией. Модель содержит 111,8 млн параметров, работает через Transformers и распространяется в формате safetensors; длина контекста — 512 токенов. В README также заявлено дообучение на InutileGpt, а метаданные перечисляют датасеты Gheya-med-data и Inutile-dataset. Указана лицензия other, поэтому условия использования следует сверять с лицензией и файлами репозитория.

LTX-2.3-SwordBattle — LoRA-адаптер для генерации видео по текстовому описанию на базе LTX-Video 2.3 от Lightricks. Модель опубликована под идентификатором Muapi/ltx-2.3-swordbattle и предназначена для создания сцен сражений на мечах и другой динамики соответствующей тематики. Модель работает в библиотеке Diffusers через pipeline text-to-video и использует базовую модель Lightricks/LTX-Video. В README указана поддержка генерации видео с параметрами ширины 768, высоты 512 и длительности 97 кадров, а также настройкой силы LoRA. Сведения о размере адаптера, языках, максимальном контексте, используемых модальностях помимо текста и конкретных обучающих словах отсутствуют. Сильная сторона модели — специализация базовой видеомодели под сцены sword battle, что может упростить создание тематических видеоклипов по сравнению с использованием универсальной модели. Для работы через API требуется ключ MUAPI. Лицензия указана как openrail++, однако дополнительные условия её применения в README не раскрыты.

kokuma/mazapan — модель Stable Diffusion, дообученная автором kokuma методом DreamBooth на датасете kokuma/figuritas-de-mazapan для создания изображений в тематике фигурок из масапана. Она принимает текстовые запросы с понятием mazapan и может изображать милых животных, предметы или персонажей из этого сладкого материала, в том числе в стиле фотографии. Модель рассчитана на генерацию изображений через Diffusers; в карточке предложены CFG scale от 6 до 8 и несколько вариантов сэмплеров. Лицензия — CreativeML OpenRAIL-M.

MeChat — китайскоязычный чат-бот для поддержки в вопросах психического здоровья, созданный авторами проекта на основе ChatGLM2-6B и дообученный методом LoRA на диалогах поддержки. Модель предназначена для многоходового общения, имитирующего беседу человека, ищущего помощь, со сторонником или консультантом. Для расширения обучающих данных авторы разработали SMILE: преобразовали однократные диалоги PsyQA в многоходовые с помощью ChatGPT и автоматической фильтрации. В README заявлено, что набор данных содержит около 55 тысяч диалогов; также описан процесс преобразования, дающий 310 087 обучающих примеров. Модель построена на архитектуре ChatGLM, содержит 7,8 млрд параметров и имеет контекст до 32 768 токенов. Она принимает текст и генерирует текст на китайском языке; репозиторий содержит веса PyTorch. Лицензия — MIT. Авторы предупреждают, что бот не является медицинским специалистом, не заменяет диагностику и лечение, а его ответы могут быть неточными или неподходящими; отдельно отмечены необходимость улучшать безопасность при кризисных ситуациях, работе с чувствительной информацией и предотвращении ошибочных советов.

mlx-community/medgemma-27b-it-bf16 — мультимодальная модель для понимания изображений и генерации текста, опубликованная сообществом mlx-community. Репозиторий содержит конверсию в формат MLX модели google/medgemma-27b-it; по метаданным архитектура — плотная Gemma 3 с 27 млрд параметров, поддерживаются чат и зрительное восприятие. Модель принимает изображения и текст и отвечает текстом; среди медицинских сценариев в метаданных отмечены рентген, патология, дерматология, снимки глазного дна и генерация рентгенологических заключений. Указан английский язык. README рекомендует запуск через mlx-vlm версии 0.3.0. Лицензия обозначена как other; конкретные условия следует сверять с карточкой исходной модели Google. Медицинское назначение и указанные сценарии не подтверждают клиническую точность; результаты требуют проверки специалистом.

medicinal-QnA-phi2-custom — дообученная YuvrajSingh9886 модель Microsoft Phi-2 на наборе Amod/mental_health_counseling_conversations. Это плотная авторегрессионная языковая модель с 3,5 млрд параметров и контекстом до 2048 токенов; она принимает текст и генерирует текст. Модель предназначена для экспериментов с чат-ботом, который отвечает на вопросы и ведёт беседы о психическом здоровье. В README указаны 10 эпох обучения, обучающая потеря 2,229 и валидационная потеря 2,223. Автор описывает модель как хобби-проект и proof of concept, требующий осторожной оценки последствий. Она не подтверждена как клинический инструмент: ответы могут быть неточными или неподходящими для консультаций по вопросам здоровья. Условия лицензии в доступных данных не приведены.

MicroscopyCLIP — модель SeriYann на архитектуре CLIP ViT-B/32, дообученная со всеми параметрами на парах изображение–текст для микроскопии. Она сопоставляет микроскопические изображения с текстовыми описаниями и подходит для классификации изображений по заданным текстовым меткам без отдельного обучения на каждом наборе классов. Модель предназначена для задач компьютерного зрения в микроскопии. Модель создана на основе openai/clip-vit-base-patch32 и распространяется в формате safetensors под лицензией MIT. Она принимает изображения и текстовые метки и оценивает их соответствие. Карточка не сообщает размер набора данных, поддерживаемые языки или длину контекста.

Novi-Nano-Instruct — небольшая авторегрессионная языковая модель семейства GPT-2, разработанная Novi-AI. Она дообучена по инструкциям на базе Novi-AI/Novi-Nano-Base для экспериментов с выполнением инструкций и диалоговым поведением. Модель содержит около 1,26 млн параметров, использует библиотеку Transformers и формат весов safetensors; контекст ограничен 256 токенами. Модель предназначена для обучения, исследования и демонстрации инструкционного дообучения очень маленьких языковых моделей, а также для лёгкого локального запуска и простых диалоговых экспериментов. Для форматирования диалогов используется шаблон ChatML. Обучение проводилось на 500 примерах из набора Novi-AI/Novi-510x; указанный README размер набора — 510 примеров с отдельной небольшой валидационной частью. Качество генерации экспериментальное: из-за малого размера модели и ограниченного объёма данных возможны несвязные, повторяющиеся или фактически неверные ответы, слабое следование инструкциям и низкая способность к рассуждению. Модель не рассчитана на надёжное практическое применение; лицензия в предоставленных источниках не указана.

Карточка модели SLM-Archive/Novi-Nano-Instruct на Hugging Face совпадает с карточкой Novi-AI/Novi-Nano-Instruct, поэтому описание составлено по ней. Novi-Nano-Instruct — небольшая авторегрессионная языковая модель семейства GPT-2, разработанная Novi-AI. Она дообучена по инструкциям на базе Novi-AI/Novi-Nano-Base для экспериментов с выполнением инструкций и диалоговым поведением. Модель содержит около 1,26 млн параметров, использует библиотеку Transformers и формат весов safetensors; контекст ограничен 256 токенами. Модель предназначена для обучения, исследования и демонстрации инструкционного дообучения очень маленьких языковых моделей, а также для лёгкого локального запуска и простых диалоговых экспериментов. Для форматирования диалогов используется шаблон ChatML. Обучение проводилось на 500 примерах из набора Novi-AI/Novi-510x; указанный README размер набора — 510 примеров с отдельной небольшой валидационной частью. Качество генерации экспериментальное: из-за малого размера модели и ограниченного объёма данных возможны несвязные, повторяющиеся или фактически неверные ответы, слабое следование инструкциям и низкая способность к рассуждению. Модель не рассчитана на надёжное практическое применение; лицензия в предоставленных источниках не указана.

OpenMed разработала OpenMed-NER-BloodCancerDetect-BioMed-335M — модель распознавания клинических сущностей, дообученную для поиска понятий, связанных с хроническим лимфоцитарным лейкозом (ХЛЛ), в медицинских и научных текстах. Она построена на архитектуре BERT для токен-классификации и принимает токенизированный биомедицинский текст, возвращая BIO-метки сущностей. В README указана базовая архитектура BiomedNLP-BiomedELECTRA-large-uncased-abstract; число параметров по метаданным — 433,9 млн, длина контекста — 512 токенов. Карточка перечисляет метки B-CL и I-CL, а язык карточки и языковой тег — английский. Модель предназначена для извлечения упоминаний, связанных с ХЛЛ, из клинических записей, медицинских документов и научной литературы. Её можно применять для поиска профильной терминологии в корпусах и поддержки медицинской аналитики; README также предлагает сценарии мониторинга нежелательных явлений и построения биомедицинских графов знаний, но набор меток ограничен сущностями ХЛЛ. В README приведены F1 0,76, точность 0,71 и полнота 0,83. Модель распространяется по лицензии Apache-2.0.

Карточка модели kelsbeans/qwen3-1.7b-digestive-coach-n957 на Hugging Face совпадает с карточкой kelsbeans/qwen3-1.7b-digestive-coach-n275, поэтому описание составлено по ней. kelsbeans дообучил модель Qwen3 с 1,7 млрд параметров на базе unsloth/qwen3-1.7b-unsloth-bnb-4bit. Она предназначена для генерации текста в диалоговом формате; название модели указывает на специализацию в роли консультанта по пищеварению, однако карточка не описывает обучающие данные или конкретные медицинские возможности. Модель принимает текст и может использоваться в сценариях общения с пользователем. Модель основана на плотной архитектуре Qwen3ForCausalLM, поддерживает контекст до 40 960 токенов и английский язык. В метаданных также заявлен интерфейс вызова инструментов. Модель распространяется под лицензией Apache-2.0. README сообщает, что при дообучении использовались Unsloth и библиотека TRL.