IV.5Образование и развитие навыков

recogna-nlp/ptt5-base-summ-cstnews — модель семейства T5, дообученная командой Recogna на суммаризации бразильских текстов на португальском языке. Для обучения использовались WikiLingua на первом этапе и CSTNews на втором; модель предназначена для абстрактивного пересказа текста. Модель содержит 123,8 млн параметров, принимает текст с контекстом до 512 токенов и генерирует текстовое резюме. Она подходит для краткого изложения новостных и других португалоязычных материалов. Распространяется в форматах PyTorch и Safetensors по лицензии MIT.

Shuttle 3 Diffusion — модель генерации изображений по текстовому описанию от ShuttleAI, предназначенная для создания детализированных и разнообразных изображений за четыре шага. Она работает через библиотеку Diffusers и доступна в вариантах bfloat16, FP8 и GGUF для разных аппаратных условий. В карточке заявлено улучшенное качество изображений, работа с типографикой и сложными промптами, а также эффективность использования ресурсов; приведено сравнение с Flux Dev, но независимые результаты оценки не указаны. Модель принимает текстовые промпты и выдаёт изображения. Лицензия Apache 2.0 разрешает использование и распространение на её условиях. Поддерживается английский язык; сведения о других языках и длине контекста не приведены.

Remostart/sign-language — дообученная Remostart модель на архитектуре LLaVA-NeXT-Video-7B, предназначенная для перевода жестового языка по видео в текст. Она принимает видео и формирует текстовый перевод; базовая модель — мультимодальная LLaVA-NeXT-Video-7B для ответов на вопросы об изображениях и видео. Модель распространяется в формате safetensors и использует библиотеку Transformers. Лицензия модели — MIT. Карточка не сообщает, какие жестовые языки входят в обучающие данные и насколько точно модель работает в разных условиях съёмки; результат перевода следует проверять, особенно при практическом использовании.

Карточка модели B4l1/stable-video-diffusion-img2vid-xt на Hugging Face совпадает с карточкой stabilityai/stable-video-diffusion-img2vid-xt, поэтому описание составлено по ней. Stable Video Diffusion Image-to-Video XT — модель генерации видео Stability AI на основе латентной диффузии. Она принимает статичное изображение-кадр размером 576×1024 и создаёт короткий видеоклип из 25 кадров. XT дообучена на базе версии Stable Video Diffusion Image-to-Video для 14 кадров; для временной согласованности также дообучен декодер f8. Репозиторий предоставляет веса в форматах Diffusers и safetensors. Модель предназначена для превращения изображений в короткие видеоролики: например, для творческих проектов, дизайна и образовательных инструментов. В README отмечено, что генерация может занимать около 180 секунд на A100 с 80 ГБ памяти при настройках на момент выпуска; возможны компромиссы между скоростью, качеством и потреблением памяти. Модель не предназначена для достоверного воспроизведения людей и событий. Условия использования определяются лицензией Stability AI; README описывает исследовательское и некоммерческое применение, а для коммерческого использования отсылает к отдельным условиям.

CAMeL-Lab/text-editing-qalb14-nopnx — модель редактирования текста для исправления грамматических ошибок в современном литературном арабском языке (MSA). Она основана на AraBERTv02 и дообучена на наборе QALB-2014; в статье ACL 2025 авторы называют её SWEET (Subword Edit Error Tagger). Модель предназначена для исправления ошибок, не связанных с пунктуацией, и используется вместе с SWEETPnx для исправления пунктуационных ошибок. Архитектура — BERT для классификации токенов; модель содержит 162,4 млн параметров и обрабатывает контекст длиной до 512 токенов. Карточка описывает оценивание на разделах QALB-2014 dev и test. Для использования требуется репозиторий SWEET и соблюдение его требований к установке. Лицензия модели — MIT.

SaintsStudios разработала дообученную версию 2.0 модели facebook/nllb-200-distilled-600M для перевода между английским и языком тумбука (читумбука), а также выполнения инструкций на тумбука. Это модель encoder-decoder семейства M2M-100 с 463,7 млн параметров и контекстом до 1024 токенов. Модель предназначена для перевода текстов с английского на тумбука и обратно, с особым вниманием к естественной лексике и снижению примеси близкородственного языка ньянджа/чичева. В карточке приведены примеры переводов повседневных фраз и текста об орошении; заявлены также задачи следования инструкциям на тумбука. Модель распространяется в формате safetensors по лицензии Apache-2.0 согласно метаданным Hugging Face; README указывает лицензию MIT.

Модель deepsweet/Z-Image-Turbo-6B-MLX-Q4 — версия Tongyi-MAI/Z-Image-Turbo, преобразованная в формат MLX с помощью MFLUX v0.17.5. Она предназначена для генерации изображений по текстовым описаниям; метаданные также отмечают поддержку редактирования изображений. Модель рассчитана на работу через библиотеку MFLUX и распространяется в формате safetensors. Базовая Z-Image-Turbo — дистиллированная модель Alibaba для быстрой генерации изображений, в том числе с английским и китайским текстом на изображениях. Репозиторий указывает лицензию Apache-2.0. Данные карточки не описывают отдельные ограничения этой версии.

Aeonis-20b — плотная языковая модель на архитектуре Mistral, разработанная athirdpath на основе Mistral NeMo. Модель содержит 20,7 млрд параметров и рассчитана на генерацию текста в формате диалога; обучалась с шаблоном запросов Alpaca. В README описан многоэтапный процесс: объединение слоёв моделей NeMoria-21b, дополнительное предобучение на частном наборе данных, дообучение отдельных частей на ролевых и фактических данных, затем SFT и DPO. Модель предназначена для диалогов, ролевого общения и написания художественных текстов, включая откровенный контент; README также демонстрирует примеры ответов на фактические запросы. Заявленный родной контекст составляет до 1 024 000 токенов. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Для завершения генерации автор просит использовать пустую строку без пробелов как стоп-токен.

AstaBrief-8B-SFT — промежуточный чекпойнт supervised fine-tuning модели AstaBrief-8B, разработанной Allen Institute for AI (Ai2). Модель основана на Qwen3-8B и предназначена для подготовки отчётов по научным вопросам на основе найденных отрывков из литературы: она формирует ответы с цитатами, используя переданные пользователем источники. Модель содержит 7,6 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и поддерживает контекст до 40 960 токенов. Обучение проводилось на смеси реальных пользовательских запросов и отчётов, созданных конвейером ScholarQA; в README приведено улучшение результатов на тесте по информатике относительно исходной Qwen3-8B, включая точность и полноту цитирования. Для более стабильного результата рекомендуется использовать формат промпта обучения вместе с запросом и ссылками на разделы источников. Модель принимает текстовые исследовательские вопросы и извлечённые текстовые фрагменты, а выдаёт текстовый отчёт с цитатами. Карточка указывает английский язык; базовая модель многоязычная, но специализация этой настройки описана на англоязычных данных. Лицензия — Apache 2.0. Модель предназначена для исследовательского и образовательного применения согласно рекомендациям Ai2; качество отчёта зависит от предоставленных источников и соблюдения рекомендованного формата промпта.

CogView3-Plus-3B — модель генерации изображений по текстовому описанию, разработанная командой Z.ai. Это версия семейства CogView3 на основе архитектуры DiT; она создаёт изображения с разрешением от 512 до 2048 пикселей при условии, что ширина и высота кратны 32. В README приведены замеры скорости и потребления памяти на A100: около секунды на шаг, 19–23 ГБ памяти без выгрузки модели на CPU и около 11 ГБ с ней. Модель рассчитана на генерацию изображений по текстовым запросам. В README для инференса указаны точности BF16 и FP32; FP16 не поддерживается из-за переполнения, которое может приводить к чёрным изображениям. Репозиторий использует форматы Diffusers и Safetensors. Лицензия — Apache-2.0.

CogView4-6B — модель генерации изображений по текстовому описанию, представленная zai-org и предназначенная для использования через Diffusers. Она дообучена на базе THUDM/glm-4-9b и распространяется в форматах Diffusers и safetensors по лицензии Apache-2.0. Модель поддерживает запросы на китайском и английском языках. Модель создаёт изображения с шириной и высотой от 512 до 2048 пикселей: размеры должны делиться на 32, а общее число пикселей не должно превышать 2²¹. Для инференса требуется BF16 или FP32; FP16 не поддерживается и может приводить к чёрным изображениям. В README приводятся результаты оценки на бенчмарках генерации изображений и отдельная оценка точности китайского текста на изображениях. Запуск требует значительного объёма памяти: в приведённых замерах для batch size 4 указано 33–35 ГБ без выгрузки модели на CPU, 20 ГБ с ней и 13 ГБ при дополнительном 4-битном текстовом энкодере. Условия лицензии — Apache-2.0.

DeepGen 1.0 — компактная мультимодальная модель для генерации и редактирования изображений, представленная в формате Diffusers. По README, модель объединяет визуально-языковой компонент на 3 млрд параметров и диффузионный трансформер DiT на 2 млрд параметров, всего около 5 млрд параметров. Она предназначена для генерации изображений по тексту, обычного и основанного на рассуждениях редактирования и генерации, а также рендеринга текста внутри изображений. В README заявлена конкурентоспособность с более крупными унифицированными мультимодальными моделями на ряде бенчмарков. Карточка описывает версию весов в формате Diffusers и safetensors с отдельным скриптом pipeline. Метаданные указывают дообучение Qwen/Qwen2.5-VL-3B-Instruct на наборе Alex11556666/Reason_Tuning. Модель выпущена под лицензией Apache 2.0. Длина контекста и языки в источниках не приведены.

Easy German GPT2 Model — языковая модель на базе немецкого GPT-2, дообученная автором на корпусах текстов на немецком языке в формате «лёгкого языка» (leichte Sprache). Дообучение в течение одной эпохи проводилось на 25 112 примерах, включавших энциклопедические и новостные тексты; архитектура — GPT-2 с плотной сетью, формат весов — PyTorch. Модель предназначена для генерации текста на немецком языке в упрощённом стиле. Её можно применять для создания простых новостных или справочных текстов и как основу для экспериментов с упрощением немецкого языка. Максимальная длина контекста составляет 1024 токена. На тесте из вручную выровненных текстов perplexity для новостей на лёгком немецком составила 17,3053 против 23,8257 у исходного German GPT-2, тогда как для стандартных новостей показатель модели хуже: 48,6314 против 24,0301. В README не указана лицензия, поэтому условия использования определить нельзя. Результаты указывают на специализацию модели на лёгком немецком и более слабое соответствие стандартному немецкому; отдельные оценки качества и ограничения применения за пределами описанного теста не приведены.

HelpingAI-Vision — мультимодальная модель семейства HelpingAI, разработанная на основе MC-LLaVA-3b и дообученная для анализа изображений по текстовым запросам. Она предназначена для диалоговых сценариев визуального понимания: пользователь задаёт вопрос об изображении, а модель формирует текстовый ответ. Для каждого фрагмента изображения полный энкодер SigLIP создаёт эмбеддинг размером 1152, после чего адаптер LLaVA преобразует эмбеддинги в визуальные токены размером 2560. Такой подход рассчитан на более детальное понимание сцен. В README указан формат запросов ChatML; заявлен английский язык. Модель доступна в формате safetensors и использует библиотеку Transformers. В README отмечено, что визуальные токены пока не содержат явной информации о положении фрагментов в исходном изображении; добавление позиционной информации планировалось в будущем обновлении. Лицензия обозначена как other, конкретные условия использования в предоставленных данных не раскрыты.

Huihui-Qwen3-VL-2B-Instruct-abliterated — дообученная модель huihui-ai на базе Qwen/Qwen3-VL-2B-Instruct. Это мультимодальная плотная модель семейства Qwen3-VL с архитектурой Qwen3VLForConditionalGeneration; она принимает текст и изображения и предназначена для диалога и анализа визуального содержимого, включая описание изображений. Текстовую часть модели обработали методом abliteration, чтобы заметно снизить частоту отказов; визуальную часть не меняли. Модель подходит для вопросов об изображениях и других сценариев визуального диалога, где требуется меньше отказов. При этом снижение защитной фильтрации повышает вероятность чувствительных, спорных или неподходящих ответов, поэтому результаты следует проверять. Модель распространяется под лицензией Apache-2.0.

Это GGUF-квантизированная версия модели internlm/internlm2-math-plus-mixtral8x22b, подготовленная пользователем legraphista с помощью llama.cpp. Модель предназначена для генерации текста и, судя по названию и исходной модели, ориентирована прежде всего на математические задачи. Указаны английский и китайский языки. Формат GGUF подходит для локального запуска средствами llama.cpp и совместимыми инструментами. В репозитории представлены варианты от BF16 и FP16 до низкобитных форматов Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и IQ-квантов; размеры файлов составляют примерно от 48 до 281 ГБ, а многие варианты разделены на части. Для ряда низкобитных вариантов применена IMatrix-квантизация, призванная сохранить качество при уменьшении размера. Исходный тип данных модели — BF16. Архитектура, точное число параметров, размер контекста и поддерживаемые модальности в README не указаны; из данных следует только текстовая специализация без заявленной поддержки изображений или аудио. Сильные стороны — широкий выбор уровней квантизации и возможность локального запуска, а также использование IMatrix в части компактных вариантов. Ограничения — очень большие требования к дисковому пространству и, вероятно, к оперативной или видеопамяти; качество и скорость зависят от выбранного варианта квантизации. Лицензия обозначена как other, но её конкретные условия в README не приведены.

K2S3 разработала K2S3-Llama2-13b-v1.0 — плотную языковую модель на архитектуре Llama 2 с 13 млрд параметров. Она дообучена методом SFT с настройкой всех параметров на основе meta-llama/Llama-2-13b-chat-hf; при обучении добавлены новые корейские токены. Модель предназначена для генерации текста на корейском языке. В обучающие данные вошли Стандартный корейский словарь, материалы KULLM Корейского университета, аннотации магистерских и докторских диссертаций и примеры корейского языка из AI Hub. Контекст составляет 4096 токенов; веса доступны в формате safetensors. Модель может быть полезна для ответов на вопросы и создания текста на корейском языке, в том числе по академическим и справочным темам. Она лицензирована по условиям Llama 2; производительность за пределами корейского языка и устойчивость к фактическим ошибкам в карточке не охарактеризованы.

NeelRajani/Llama-3.1-8B-Instruct_SFT_mathv00.02_padded — дообученная модель семейства Llama 3.1, созданная на основе meta-llama/Llama-3.1-8B-Instruct с использованием TRL. Это плотная авторегрессионная языковая модель примерно на 7,5 млрд параметров для диалогов и генерации текста; заявленная длина контекста — 131 072 токена. В названии указана математическая настройка SFT, однако карточка не приводит описания обучающих данных или результатов, поэтому специализация и качество решения математических задач не подтверждены. Модель принимает текстовые сообщения и генерирует текст. Её можно применять для диалоговых сценариев и пробных запросов на рассуждение и решение задач. Базовая модель поддерживает несколько языков, но README не уточняет языковое покрытие этой производной версии. Для использования необходимы Transformers и вычислительная среда, подходящая для её размера. Лицензия в предоставленных данных не указана.

Карточка модели arifqai/Mage-Flow-Edit на Hugging Face совпадает с карточкой mage-flow-community/Mage-Flow, поэтому описание составлено по ней. Mage-Flow — компактная модель генерации изображений, разработанная командой Microsoft. Она предназначена для создания изображений по текстовым описаниям; семейство также включает отдельную модель Mage-Flow-Edit для редактирования изображений по инструкциям. Основу Mage-Flow составляют латентный кодировщик-декодировщик Mage-VAE и мультимодальный диффузионный трансформер NR-MMDiT примерно на 4 млрд параметров, обученный методом rectified flow. Модель работает с изображениями разных пропорций и разрешений от 512 до 2048 пикселей и поставляется в вариантах Base, RL-aligned и Turbo на четыре шага. Карточка заявляет высокое качество генерации, следование запросам и отрисовку английского и китайского текста. Для запуска предусмотрен формат Diffusers с весами Safetensors; заявлена лицензия MIT. Высокая скорость и низкие требования к памяти указаны для Turbo-вариантов на оборудовании с GPU A100, поэтому эти показатели не следует автоматически переносить на другие конфигурации. В репозитории mage-flow-community/Mage-Flow метаданные подтверждают задачу text-to-image, но не указывают число параметров, базовую модель или поддерживаемые языки.

Карточка модели QVQsdaa/MiniMax-H3 на Hugging Face совпадает с карточкой Xdp99/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная система, разработанная MiniMax. Представленная карточка описывает открытые чекпойнты H3-Base для генерации видео с синхронным стереозвуком по тексту и мультимодальным входам: изображениям, видео и аудио. Модель поддерживает клипы длительностью 4–15 секунд, широкий выбор соотношений сторон и базовое разрешение 768p; отдельный модуль H3-Regenerate-2K позволяет повторно генерировать результат с разрешением до 2K. Архитектура H3-Base объединяет текстовые, визуальные и аудиопредставления в мультимодальную последовательность, обрабатываемую H3-Omni-Transformer. Текст обрабатывает H3-Encoder, изображения — H3-Encoder и Visual VAE, аудио — Audio VAE. Вариант FL2VA принимает ноль, одно или два изображения для генерации от текста, первого или последнего кадра либо от пары начального и конечного кадров. Вариант Ref2VA принимает до 9 изображений, 3 видеоклипов и 3 аудиоклипов при ограничении до 12 файлов всего; аудио нельзя подавать без изображения или видео. Для работы со сложными свободными мультимодальными инструкциями разработчик рекомендует предварительную обработку через H3-Context-IR, однако этот компонент не входит в открытый выпуск и предоставляется как размещённый сервис/API. Открытая версия поддерживает инференс с полным вниманием; разреженное внимание заявлено для будущего выпуска. Репозиторий использует Diffusers и safetensors; лицензия обозначена как other, поэтому перед использованием следует проверить её условия в карточке модели.

Ik45 разработала гибридную модель машинного перевода с архитектурой MarianMT — трансформером типа encoder-decoder, созданным методом переноса компонентов и последующего дообучения. Модель переводит текст с арабского на индонезийский. В её основе — энкодер из Helsinki-NLP/opus-mt-ar-en и декодер с индонезийскими эмбеддингами из Helsinki-NLP/opus-mt-en-id; в README указаны 6 слоёв энкодера и 6 слоёв декодера, 8 голов внимания и размер скрытого представления 512. Контекст модели — 512 токенов. Модель предназначена для перевода арабских текстов на индонезийский, в том числе материалов из тематик и корпусов, представленных в данных для обучения: Библия, Коран, TED Talks и QED. Распространяется по лицензии Apache-2.0. Качество перевода для иных жанров и доменов в предоставленных сведениях не описано.

DreamGen Opus V1.2 7B — текстовая генеративная модель DreamGen для управляемого написания историй и ролевых диалогов. Она также подходит для ряда задач, связанных с художественным текстом, и для общего ассистирования. Модель построена на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров; заявленная длина контекста — 32 768 токенов. Модель продолжает сюжет или ролевую сцену по описанию персонажей, сюжета и стиля, а также может составлять краткие пересказы, описания персонажей и стиля, и планы глав. Для лучшей работы требуется форматирование промпта по расширенному шаблону ChatML Opus V1 с ролью text и, при необходимости, указанием активных персонажей. В карточке указана поддержка английского языка. Модель предназначена для генерации текста; вход и выход — текстовые. Опубликована под лицензией CC BY-NC-ND 4.0, которая ограничивает коммерческое использование и распространение производных материалов. Результаты зависят от формата промпта и выбранных параметров генерации.

PersianLLaMA-13B — персоязычная плотная авторегрессионная языковая модель на архитектуре LLaMA с 13 млрд параметров. Её разработали совместно Мохаммад Амин Аббаси, Араш Гафури, Махди Фирузманди, Хассан Надери и Бехруз Минаеи Бидголи; модель обучена на корпусе персидской Википедии. Модель предназначена для генерации персидского текста и выполнения инструкций, а также для ответов на вопросы и суммаризации. Она принимает текст и выдаёт текст; заявленный контекст составляет 4096 токенов. В репозитории указаны веса safetensors и библиотека Transformers. Карточка не приводит подробностей о методике обучения инструкциям или результатах бенчмарков, поэтому качество для конкретных задач следует проверять отдельно. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Qehwa — языковая модель на 7,1 млрд параметров, созданная независимым разработчиком Junaid Aslam на базе Qwen2.5-7B. Модель прошла дополнительное предобучение на корпусе из 3,4 млн документов на пакистанском пушту, а затем инструкционное дообучение на 126 519 парах запросов и ответов на пешаварском диалекте. Репозиторий содержит объединённую модель в формате safetensors для запуска через Transformers. Модель предназначена для ответов и диалога на пешаварском пушту, написания текстов и стихов, исправления грамматики, перевода с английского на пушту, а также ответов на запросы, сформулированные на английском или урду. Она также обучена на материалах по истории, культуре, географии KPK, исламским темам и традициям паштунвали. Заявленная длина контекста — 131 072 токена; лицензия — Apache-2.0. По данным автора, на собственном наборе из 150 тестов средняя точность составила 85,3%; это оценка автора, а не результат стандартного публичного бенчмарка. Модель лучше работает с пакистанским пешаварским пушту, а качество на афганских диалектах может быть ниже. Для полной точности письма важны специфические буквы пушту.

Это конвертированная в формат MLX версия модели DavidAU/Qwen2.5-7B-Instruct-1M-Thinking-Claude-Gemini-GPT5.2-DISTILL, созданная alexgusevski с помощью mlx-lm 0.29.1. Модель основана на плотной архитектуре Qwen2.5 с 7,1 млрд параметров и предназначена для генерации текста в диалоге, творческого письма и рассуждений. Заявленная длина контекста — до 1 010 000 токенов; поддерживаются английский, французский, немецкий, испанский, итальянский, португальский, русский, китайский и японский языки. Модель подходит для создания рассказов и сцен, продолжения сюжета, ролевых диалогов и генерации ответов с рассуждениями. Репозиторий содержит веса в формате safetensors; в названии также указана точность fp16 и формат MLX. Лицензия в предоставленных данных не указана.

Карточка модели ewgenni/Qwen-Image-2.1 на Hugging Face совпадает с карточкой unsloth/Qwen-Image-2.1, поэтому описание составлено по ней. Qwen-Image-2.1 — модель семейства Qwen для генерации изображений по тексту и редактирования изображений; в карточке она представлена как версия, опубликованная unsloth. Визуальный генератор содержит 7 млрд параметров и использует 32 слоя одно-поточного DiT. Модель рассчитана на создание изображений, в том числе с прозрачностью RGBA, и редактирование изображений по текстовым инструкциям. Среди заявленных возможностей — работа с десятью референсными изображениями, локальные правки по маскам и нарисованным пометкам, сохранение внешнего вида людей и товаров, а также извлечение объектов из фотографий. Разработчики отмечают улучшения в отрисовке текста, освещении портретов и детализации. Для работы требуются PyTorch, Transformers и Diffusers; конкретные требования к видеопамяти в карточке не приведены. Лицензия указана как other, поэтому условия использования следует сверить с исходной карточкой модели.

Qwen-Image-2512 — модель генерации изображений по текстовому описанию, выпущенная командой Qwen и переизданная Unsloth как зеркало с неизменёнными весами. Это обновлённая версия базовой модели Qwen-Image, ориентированная на фотореалистичное изображение людей, детальную передачу природных сцен и более точное размещение текста в изображениях. Модель принимает текстовые запросы на английском и китайском языках и создаёт изображения, лучше соблюдая описанные детали сцены, позы и композиции. В карточке она предназначена для генерации изображений общего назначения; для работы используется библиотека Diffusers и формат Safetensors. Лицензия — Apache 2.0. В README заявлено улучшение реалистичности людей, детализации природных элементов и рендеринга текста по сравнению с исходной Qwen-Image; эти заявления основаны на оценках разработчиков и не гарантируют одинаковое качество для всех запросов.

Roberta2RobertaL-24cnndailymail — модель кодировщик–декодер, представленная Сашей Роте, Шаши Нараяном и Алексей Северыном. Кодировщик и декодер инициализированы контрольными точками roberta-large; модель дообучена для суммаризации на наборе CNN/DailyMail. Модель предназначена для создания краткого пересказа текста, в частности новостных материалов. Она выпущена в формате PyTorch и поддерживает английский язык. Лицензия — Apache-2.0.

SciTulu 7B — языковая модель с инструкционной настройкой, разработанная Allen Institute for AI (Ai2) для понимания научной литературы. Она создана на основе Tulu v2 7B и дообучена на примерах из SciRIFF вместе с общими инструкциями из набора Tulu v2 SFT. Модель предназначена для выполнения инструкций и задач по научным публикациям. По данным карточки, на девяти отложенных задачах понимания научной литературы она в среднем улучшила результат на 28,1% относительно Tulu v2 7B. Архитектура — плотная Llama для генерации текста, около 6,6 млрд параметров; контекст — 4096 токенов. Указана поддержка английского языка. Модель распространяется по лицензии Apache-2.0. Карточка отсылает к описанию Tulu для сведений о рисках, смещениях и ограничениях; конкретные ограничения SciTulu отдельно не перечислены.

Stable Diffusion v1.5 — модель генерации и редактирования изображений по текстовым запросам, разработанная Робином Ромбахом и Патриком Эссером. Это латентная диффузионная модель: она использует фиксированный текстовый кодировщик CLIP ViT-L/14 и создаёт изображения в разрешении 512×512. Чекпойнт основан на Stable Diffusion v1.2 и дообучен на 595 тысячах шагов на данных LAION-Aesthetics v2 5+ с отключением текстового условия в части примеров для улучшения classifier-free guidance. Модель подходит для создания иллюстраций, художественных изображений и материалов для творческих инструментов. Лучше всего она работает с англоязычными запросами. Доступны веса в формате Diffusers и safetensors; для использования указан лицензией CreativeML OpenRAIL-M, условия которой следует соблюдать. Модель может ошибаться в деталях и композиции, плохо рисует читаемый текст, лица и людей, а фотореализм не всегда точен. Обучающие данные содержали материалы для взрослых и могли закрепить социальные предубеждения; карточка рекомендует использовать Safety Checker из Diffusers и не применять модель для выдачи вымышленных изображений за достоверные изображения людей или событий.