IV.5Образование и развитие навыков

Sindhu/muril-large-squad2 — модель на базе BERT, дообученная на Google MuRIL Large для задачи question answering по датасету SQuAD 2.0. Она предназначена для извлечения ответа из предоставленного текста по заданному вопросу, в том числе для обработки вопросов без ответа в контексте. Модель содержит 604,7 млн параметров, работает с контекстом до 512 токенов и доступна в форматах PyTorch и Safetensors через Transformers. Модель рассчитана на английский и индийские языки, на которых обучалась MuRIL; README предупреждает, что на других языках качество не ожидается хорошим. Это не универсальная диалоговая модель: для ответа ей нужен текстовый контекст. Лицензия в предоставленных данных не указана.

HoangQuocViet25/nlp-btl-wikilingua-x5plus2 — дообученная модель T5, созданная на основе VietAI/vit5-base для суммаризации текста на вьетнамском языке. Она предназначена для сокращения статей и других текстов, в том числе материалов из набора WikiLingua. Модель содержит 126,8 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт текстовую сводку. Использует архитектуру T5 и формат весов safetensors. Модель распространяется по лицензии MIT.

Optimus 7B — языковая модель для генерации текста, разработанная Talha Rüzgar Akkuş на базе архитектуры Mistral. В данном репозитории TheBloke публикует её квантизированные версии в формате GGUF. Модель ориентирована на англоязычные текстовые запросы и связана с набором данных MetaMathQA, поэтому может применяться в задачах математического рассуждения и других сценариях генерации текста. Размер модели составляет 7 миллиардов параметров. Поддерживается текстовая модальность, язык — английский. Файлы доступны в вариантах квантизации от 2 до 8 бит для запуска на CPU и GPU, в том числе через llama.cpp и совместимые интерфейсы и библиотеки. Используется шаблон запросов ChatML. Размер контекстного окна в README не указан. К сильным сторонам относятся возможность локального запуска, широкий выбор уровней квантизации и специализация на математической тематике. Ограничения включают отсутствие сведений о точных результатах оценки, размере контекстного окна и качестве на других языках; квантизация также может влиять на точность и качество генерации. Указанная лицензия — Apache-2.0.

OP12138/qwen3-4b-thinking-star1 — дообученная автором OP12138 языковая модель на основе Qwen/Qwen3-4B-Thinking-2507, обученная на наборе данных star1. Это плотная модель Qwen3 с 3,7 млрд параметров для генерации текста и диалогового взаимодействия; заявленное контекстное окно — 262 144 токена. Карточка не уточняет специализацию датасета star1, поэтому назначение модели можно определить только как общее текстовое общение и генерацию. Модель принимает и выдаёт текст. Репозиторий содержит веса в формате safetensors, используется библиотека Transformers. Лицензия указана как other, поэтому условия повторного использования следует проверить в карточке модели и у базовой модели. Сведения о языках и результаты оценки качества не приведены.

Qwen-Image — базовая модель генерации изображений из серии Qwen, разработанная командой Qwen. Она предназначена для создания изображений по текстовым описаниям и редактирования изображений с помощью инструкций. Модель поддерживает разные художественные стили, включая фотореализм, живопись, аниме и минималистичный дизайн. Сильная сторона модели — точное встраивание текста в изображение, особенно китайского, а также работа с композицией и типографикой. Среди описанных сценариев редактирования — перенос стиля, добавление и удаление объектов, улучшение деталей, изменение текста на изображении и манипуляция позой человека. README также перечисляет задачи понимания изображения, такие как обнаружение объектов, сегментация и оценка глубины, но основная задача модели в метаданных — генерация изображений по тексту. Модель доступна в форматах Diffusers и Safetensors, использует библиотеку Diffusers и распространяется по лицензии Apache-2.0. В README не приведены количественные характеристики модели и контекстного окна.

SI-Lab/StepCount-7B-SFT-1M — мультимодальная модель на архитектуре Qwen2.5-VL с 7,1 млрд параметров, предназначенная для диалога по изображениям и тексту. Это финальный чекпойнт продолженного supervised fine-tuning модели SI-Lab/StepCount-7b-SFT-1M-ckpt3450 на наборе данных SFT_StepCount_merged_7500_plus_11_50; обучение завершено на шаге 476. Модель принимает изображения и текстовые запросы и формирует текстовые ответы. Метаданные указывают контекст длиной до 128 000 токенов и поддержку vision и chat. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия обозначена как other, поэтому конкретные условия использования следует проверять в карточке модели и связанных лицензиях.

Trendyol LLM 7B Base — авторегрессионная языковая модель, разработанная Trendyol на основе LLaMA 2 7B. Это базовая версия семейства с отдельным вариантом для чата. Модель содержит 6,7 млрд параметров, использует плотную архитектуру LLaMA и принимает текст, генерируя текст. В метаданных указан контекст 4096 токенов; при описании обучения README приводит максимальную длину последовательности 1024 токена. Базовая модель дообучена с помощью LoRA на 10 млрд токенов. Она предназначена для продолжения текста и может служить основой для генеративных приложений, включая черновики и подсказки на английском и турецком языках. Распространяется по лицензии Apache-2.0. Модель не проходила обширную проверку в реальных сценариях. Она может выдавать неточную информацию, хуже работать с разговорной речью и языками, отличными от английского и турецкого, а также генерировать предвзятый или вредоносный текст; для пользовательских приложений нужны проверка результатов и меры безопасности.

Trillion-LLaVA-7B — мультимодальная модель TrillionLabs для понимания изображений и ответов на вопросы о них. Это дообученная на визуально-языковых инструкциях версия Trillion-7B-preview с архитектурой LlavaLlamaForCausalLM и 7 млрд параметров; файлы модели представлены в формате safetensors. Модель принимает изображение и текстовый запрос, выдаёт текстовый ответ. Контекст составляет 4096 токенов. Модель предназначена для визуальных вопросов и рассуждений по изображениям. В README описано обучение на англоязычных визуально-языковых парах и приведены результаты на английском и корейском тестах; авторы отмечают перенос корейских навыков визуального рассуждения благодаря многоязычной языковой основе Trillion-7B-preview. Модель распространяется по лицензии Apache-2.0. Ограничение модели — визуальные инструкции для обучения были только на английском языке, поэтому качество на других языках может быть ниже. Она также наследует ограничения базовой Trillion-7B-preview.

vorenthos-1.5-thinking — мультимодальная модель класса vision-language, опубликованная vorenthiclabs как экспорт из локальной установки Ollama. Она принимает изображения и текст и предназначена для сценариев, где требуется отвечать на запросы о содержимом изображений. Модель основана на gemma4 и дообучена; архитектура плотная, размер указан как 5,1 млрд параметров. В репозитории размещены квантизированные веса в формате GGUF и шаблон чата, а для запуска рекомендован Ollama. Карточка не описывает отдельные бенчмарки или гарантии качества. Лицензия указана как other, поэтому перед использованием следует проверить условия лицензирования в репозитории.

Карточка модели Gencarmo/Z-Image-Turbo на Hugging Face совпадает с карточкой Tongyi-MAI/Z-Image-Turbo, поэтому описание составлено по ней. Z-Image-Turbo — быстрая модель генерации изображений по тексту от проекта Z-Image компании Alibaba. Это дистиллированный вариант семейства Z-Image на 6 млрд параметров, построенный на архитектуре Scalable Single-Stream Diffusion Transformer (S3-DiT). Модель использует 8 шагов вычисления и предназначена для генерации изображений с низкой задержкой; в карточке заявлена работа менее чем за секунду на H800 и возможность запуска на потребительских устройствах с 16 ГБ видеопамяти. Модель рассчитана на фотореалистичные изображения, точное следование инструкциям и рендеринг английского и китайского текста внутри изображения. В README также описан Prompt Enhancer для расширения промптов, однако это не отдельная задача pipeline_tag. Указанные характеристики производительности и качества приведены разработчиком; фактический результат зависит от оборудования и настроек генерации. Лицензия репозитория — Apache-2.0.

Z-Image-Turbo — быстрая модель генерации изображений по тексту от проекта Z-Image компании Alibaba. Это дистиллированный вариант семейства Z-Image на 6 млрд параметров, построенный на архитектуре Scalable Single-Stream Diffusion Transformer (S3-DiT). Модель использует 8 шагов вычисления и предназначена для генерации изображений с низкой задержкой; в карточке заявлена работа менее чем за секунду на H800 и возможность запуска на потребительских устройствах с 16 ГБ видеопамяти. Модель рассчитана на фотореалистичные изображения, точное следование инструкциям и рендеринг английского и китайского текста внутри изображения. В README также описан Prompt Enhancer для расширения промптов, однако это не отдельная задача pipeline_tag. Указанные характеристики производительности и качества приведены разработчиком; фактический результат зависит от оборудования и настроек генерации. Лицензия репозитория — Apache-2.0.

nuresens/ALL_PAD_MERGE_v2 — дообученная мультимодальная модель семейства Mistral3 на базе aitf-komdigi/KomdigiITS-3B-PAD-CPT. Разработчик — nuresens; для обучения использовались Unsloth и библиотека TRL от Hugging Face. Модель принимает изображения и текст и предназначена для диалоговых сценариев с визуальным содержимым, включая ответы на вопросы по изображениям. В карточке также заявлен интерфейс для вызова инструментов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Количество параметров и длина контекста в предоставленных источниках не указаны.

AltDiffusion-m9 — модель генерации изображений по тексту, разработанная командой FlagAI на основе Stable Diffusion с мультиязычным текстовым кодировщиком AltCLIP-m9. Она предназначена для создания изображений по запросам на девяти языках: английском, китайском, испанском, французском, русском, японском, корейском, арабском и итальянском. В состав модели входят U-Net на 865 млн параметров, текстовый кодировщик AltCLIP-m9 на 859 млн параметров и автоэнкодер на 83,7 млн параметров; модель распространяется в форматах Diffusers и PyTorch. Модель обучалась на данных WuDao и LAION и рассчитана на многоязычную привязку текстового запроса к изображению, сохраняя основные возможности исходной Stable Diffusion. Лицензия — CreativeML OpenRAIL-M. Результаты могут различаться в зависимости от языка запроса; README также отмечает, что одинаковые запросы на разных языках могут приводить к разным изображениям.

ainize/bart-base-cnn — модель BART-base, дообученная Ainize с помощью Teachable-NLP на наборе CNN/DailyMail для суммаризации. BART использует архитектуру encoder-decoder: двунаправленный энкодер и авторегрессионный декодер; в репозитории указано около 95,2 млн параметров, максимальный контекст — 1024 токена. Модель предназначена для создания кратких абстрактивных пересказов англоязычных статей и новостных материалов. Она принимает текст и генерирует текстовое резюме; карточка также упоминает пригодность BART для других задач понимания и генерации текста, но основная задача этой версии — суммаризация. Модель опубликована под лицензией Apache-2.0. Её обучение на CNN/DailyMail ориентирует её на новостные тексты; качество на других жанрах и языках может отличаться, а вход ограничен контекстом в 1024 токена.

Это модель суммаризации научных публикаций, разработанная на основе BART и дообученная автором репозитория на датасете scientific_papers. Она предназначена для создания краткого пересказа научных текстов; в карточке приведены результаты оценки на тестовой выборке: ROUGE-1 42,58, ROUGE-2 16,19 и ROUGE-L 24,80. Модель содержит около 252,8 млн параметров, использует архитектуру BART для генерации текста и имеет контекстное окно 1024 токена. Модель можно применять для подготовки кратких обзоров статей и ускоренного ознакомления с научными публикациями. README не сообщает, какие именно языки представлены в обучающих данных. Распространяется по лицензии MIT.

nyu-visionx/cambrian-phi3-3b — мультимодальная модель семейства Cambrian с архитектурой CambrianPhi3ForCausalLM, разработанная NYU VisionX. Модель предназначена для диалогов и генерации ответов с учётом визуального содержимого. В README указано, что Cambrian — модель с фокусом на зрение; для обучения использованы наборы Cambrian Alignment Data и Cambrian Curated Instruction Tuning Data. Модель содержит 3,7 млрд параметров, поддерживает контекст длиной до 4096 токенов и распространяется в формате safetensors по лицензии Apache-2.0. Метаданные указывают текстовую генерацию и чат; README описывает мультимодальность и визуальную направленность. Поддерживаемые языки и подробные ограничения качества в источниках не перечислены.

DeepCoder-1.5B-Preview — компактная языковая модель для рассуждений и решения задач по программированию, разработанная Agentica и дообученная методом распределённого обучения с подкреплением на базе DeepSeek-R1-Distill-Qwen-1.5B. Модель основана на архитектуре Qwen2, содержит 1,5 млрд параметров и принимает текстовые запросы, выдавая текстовые ответы, включая код и пояснения. В метаданных указано контекстное окно до 131 072 токенов. Модель предназначена для генерации решений задач программирования и пошагового анализа кода. Её обучали на наборах задач с тестами, включая Taco-Verified, PrimeIntellect SYNTHETIC-1 и LiveCodeBench; карточка приводит результаты на LiveCodeBench, Codeforces и HumanEval+. README отмечает улучшенное обобщение на длинные контексты. Модель может выдавать длинные ответы, которые обрезаются при ограничении генерации, что способно снизить качество результата. Лицензия — MIT.

mHossain/en_bn_summarize_v2 — дообученная версия mHossain/en_bn_summarize_v1 на базе mT5 с 157,4 млн параметров. Модель предназначена для суммирования текста на английском и бенгальском языках. В карточке приведены результаты оценки: Loss 2,8976, значения ROUGE-1, ROUGE-2, ROUGE-L и ROUGE-Lsum равны 0; средняя длина генерации — 18,7143 токена. Датасет и подробности обучения не описаны. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

nyamuda/extractive-summarization — модель T5-small, дообученная на датасете PubMed для суммаризации научных и медицинских текстов. Она предназначена для создания кратких изложений исследовательских статей, научных публикаций и технических аннотаций, помогая быстро выделять основное содержание для учёбы и исследований. В карточке заявлена экстрактивная суммаризация: итоговое изложение составляется из ключевых предложений исходного текста. Архитектура — T5 с 38,5 млн параметров; максимальный контекст — 512 токенов. Указаны английский язык и лицензия MIT. Компактный размер подходит для локального применения, однако небольшой контекст ограничивает обработку длинных документов: их может потребоваться разбивать на фрагменты. Модель ориентирована на научные и биомедицинские тексты; качество на других жанрах и языках не подтверждено.

GodSlayer-12B-ABYSS — объединённая модель для генерации текста, созданная автором репозитория с помощью mergekit на основе нескольких моделей семейства Mistral Nemo. Модель использует плотную архитектуру MistralForCausalLM, содержит 12,1 млрд параметров и работает с шаблоном диалога ChatML; в метаданных указан контекст до 1 024 000 токенов. Модель предназначена для чат-общения, ролевых диалогов и творческого письма. Автор стремился сохранить связность ответов, уменьшить позитивный уклон и повысить реалистичность и разнообразие откликов. В слияние вошли модели для ролевого общения, письма и текстового ассистирования. Репозиторий распространяет веса в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

Aletheia-Bench/GRPO-Instruct-7B — плотная языковая модель семейства Qwen2, разработанная авторами проекта Aletheia и дообученная методом GRPO с обучением на проверяемых вознаграждениях (RLVR) на базе Qwen/Qwen2.5-7B-Instruct. Модель содержит 7,1 млрд параметров, использует формат Safetensors и поддерживает контекст до 32 768 токенов. Модель предназначена для проверки и ранжирования кандидатных решений задач соревновательного программирования. На вход подают условие задачи и несколько вариантов кода, на выходе модель выносит вердикт о корректности кандидатов. Вариант Instruct обучен без промежуточных рассуждений, но с использованием отрицательных примеров и on-policy обучения; его также предлагают применять как функцию вознаграждения в оптимизации генераторов кода и как автоматического оценщика кода. Обучающие данные Aletheia-Train включают задачи с кандидатными решениями на Python, C++ и Java, однако это не означает, что языки программирования являются естественными языками модели. Метаданные указывают лицензию CC BY-NC-SA 4.0, которая ограничивает коммерческое использование. README не приводит количественных результатов или подробностей о точном формате запроса.

GRPO-Think-14B-4k — плотная языковая модель на архитектуре Qwen2 с 14 млрд параметров, разработанная институтом INSAIT. Это дообученная версия DeepSeek-R1-Distill-Qwen-14B, обученная методом GRPO на наборе Aletheia-Train с промежуточными рассуждениями, отрицательными примерами и on-policy обучением; при обучении использовался бюджет до 4 тыс. токенов рассуждения на завершение. Модель принимает условие задачи по программированию и несколько вариантов решения, затем определяет и ранжирует кандидатов по корректности. Модель предназначена для проверки решений задач соревновательного программирования, автоматизированной оценки кода и использования в качестве функции вознаграждения при оптимизации генераторов кода. Карточка указывает базовый контекст 131 072 токена; репозиторий содержит веса Safetensors и рассчитан на Transformers. Датасет обучения охватывает варианты решений на Python, C++ и Java, однако это языки программирования, а не заявленные естественные языки модели. Модель выпущена по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных материалов. Она специализирована на сравнении предложенных решений и не предназначена для исполнения кода; точность на задачах за пределами описанного сценария из карточки не следует.

Это модель Sentence Transformers, дообученная TARARARAK на базе nlpai-lab/KURE-v1 с функцией потерь MultipleNegativesRankingLoss. Модель XLM-RoBERTa преобразует предложения и абзацы в плотные векторы размерностью 1024, которые нормализуются и сравниваются с помощью косинусного сходства. Максимальная длина последовательности в карточке модели — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Примеры обучающих данных относятся к правилам университета Хандон; они написаны на корейском и содержат 57 примеров. Это указывает на настройку под поиск по университетским документам, но не подтверждает широкую оценку качества на других темах или языках. Лицензия в предоставленных данных не указана.

Intern-S1-Pro — мультимодальная модель рассуждений, разработанная командой InternLM. Это разреженная MoE-модель общего и научного назначения с 1 трлн параметров, 512 экспертами и 22 млрд активируемых параметров на токен. Она предназначена для сложных рассуждений в химии, материаловедении, науках о жизни и Земле, а также для общих текстовых и мультимодальных задач. Поддерживает режим рассуждений, включённый по умолчанию, который можно отключить при формировании диалога. Модель заявлена для обработки изображений и текста; в README также описана поддержка длинных временных рядов длиной от 1 до 1 000 000 точек с Fourier Position Encoding. Для развёртывания авторы рекомендуют inference-движки LMDeploy, vLLM или SGLang, поскольку запуск модели такого размера стандартным методом Hugging Face затруднён. Поддержка временных рядов в этих сценариях развёртывания ещё оптимизируется. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0.

Kandinsky 5.0 T2I Lite SFT — модель генерации изображений по текстовому описанию от команды Kandinsky Lab. Это облегчённая модель семейства Kandinsky 5.0 с 6 млрд параметров, дообученная под контролируемым обучением на основе Kandinsky-5.0-T2I-Lite-pretrain-Diffusers. Модель использует латентный диффузионный конвейер с Flow Matching и Diffusion Transformer (DiT), который взаимодействует с текстовыми представлениями через cross-attention. Для кодирования текста применяются Qwen2.5-VL и CLIP, а для кодирования и декодирования изображений — Flux VAE. Модель предназначена для создания изображений по текстовым запросам; в README она обозначена как вариант с наивысшим качеством генерации среди перечисленных моделей Image Lite. Репозиторий распространяется в формате Diffusers и под лицензией MIT. В README указано, что на момент обновления модели поддержка ещё не была включена в основной Diffusers и предлагалось использовать форк; это может влиять на настройку и запуск.

psyche/KoT5-summarization — модель для автоматического суммирования корейских текстов, представленная в AI-HUB как система для краткого изложения книжных материалов. Она основана на архитектуре T5 и содержит 123,8 млн параметров; модель использует преобразование текста в текст и принимает текст длиной до 512 токенов. В карточке приведено сравнение ROUGE с ainize/kobart-news: для жадной генерации с ограничением длины 256 и repetition penalty 2,0 указаны значения ROUGE-1 49,87, ROUGE-2 34,44 и ROUGE-L 41,65. Модель можно применять для подготовки кратких изложений корейских книжных материалов. Репозиторий содержит веса PyTorch и Safetensors и распространяется по лицензии Apache-2.0.

Kumru-VLM 2B — berhaan tarafından yayımlanan, yaklaşık 2,4 milyar parametreli Türkçe görsel-dil modelidir. LLaVA tabanlı mimarisi SigLIP-2 görsel kodlayıcıyı, MLP проектörünü и Kumru-2B dil modelini birleştirir; репозиторий содержит объединённые LoRA-веса. Модель принимает изображения и текстовые запросы и предназначена для диалогового понимания изображений, включая чтение локального текста и OCR-сценарии. Модель ориентирована на турецкий язык и работу на устройствах с ограниченными ресурсами. В бенчмарке MMStar-TR она показала 30,13% общей точности и 29,60% в категории науки и технологий; эти результаты относятся к указанному бенчмарку. Репозиторий распространяется по лицензии Apache-2.0.

Labira/LabiraPJOK_3x_50 — дообученная модель на базе Labira/LabiraPJOK_2x_50 для ответов на вопросы. Она использует архитектуру BERT с головой BertForQuestionAnswering и рассчитана на контекст длиной до 512 токенов. Модель распространяется в формате TensorFlow по лицензии MIT. В карточке приведены результаты обучения: ошибка на обучающей выборке 0,0125 и на валидационной выборке 1,5431 после 49-й эпохи. Датасет, языки и практические ограничения модели не описаны; качество ответов вне указанного оценочного набора не установлено.

LaViT-3B — мультимодальная модель зрения и языка, основанная на Qwen2.5-VL-3B-Instruct и разработанная авторами исследования LaViT. Она дообучена с помощью supervision траекторий визуальных мыслей: перед генерацией текста модель реконструирует визуальную семантику и траектории внимания, чтобы лучше связывать ответы с содержимым изображения. Модель предназначена для диалога об изображениях, визуального заземления и решения задач, требующих визуального рассуждения. В README заявлены улучшения на бенчмарках MMVP и BLINK и прирост до 16,9% на сложных задачах рассуждения; эти результаты приведены авторами модели. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает изображения и текст, выдавая текстовые ответы. Контекст составляет до 128 000 токенов. Поддерживаемые языки карточкой не перечислены. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

Llama-3.1_OpenScholar-8B — дообученная University of Washington и Allen Institute for AI (AI2) авторегрессионная языковая модель на архитектуре Transformer для синтеза научной литературы. Модель обучена на наборе os-data; в обучающие данные также входят Tulu3 и SciRIFF. Модель основана на Meta-Llama-3.1-8B, содержит около 7,5 млрд параметров и принимает текст, выдавая текст. Для неё заявлено контекстное окно 131 072 токена. Основной язык — английский; данные научных публикаций основаны на peS2o v2 и охватывают статьи по январь 2023 года. Модель предназначена для обобщения и синтеза сведений из научной литературы. Карточка указывает лицензию llama3.1 в метаданных Hugging Face, тогда как README заявляет Apache 2.0 для кода и модели; эти сведения о лицензии расходятся, поэтому условия использования весов следует сверить с лицензией репозитория.