IV.5Образование и развитие навыков

Matthew Chung разработал эту языковую модель на основе Qwen2.5-3B-Instruct, дообучив её методом GRPO для рассуждений на медицинские темы. Это плотная трансформерная модель Qwen2 с 3,1 млрд параметров для генерации текста; она поддерживает контекст до 32 768 токенов и рассчитана прежде всего на английский язык. Модель предназначена для образовательных сценариев: например, для разбора учебных медицинских вопросов и формирования пошаговых объяснений. Она обучалась на наборе FreedomIntelligence/medical-o1-reasoning-SFT с функциями вознаграждения за семантическую корректность и перплексию. Модель может выдавать ошибочную или вводящую в заблуждение медицинскую информацию, а её ответы ограничены охватом и возможными смещениями обучающих данных. Лицензия — Apache 2.0. Модель не предназначена для постановки диагноза, рекомендаций по лечению или самостоятельного принятия важных медицинских решений; ответы следует проверять с медицинскими специалистами.

Qwen2.5-Math-Distill-1.5b-Sens — текстовая причинная языковая модель на 1,5 млрд параметров, созданная слиянием Qwen2.5-Math-1.5B и DeepSeek-R1-Distill-Qwen-1.5B. Разработчик описывает метод как Sens Merging: веса объединены с помощью взвешенной по чувствительности параметров арифметики задач с отдельными коэффициентами для слоёв. Модель предназначена для генерации текста и решения математических задач на английском языке. В README приведены результаты на наборах college_math, gsm8k, math, minerva_math и olympiadbench, однако оценивались только первые 100 примеров каждого набора, поэтому они не характеризуют качество на полных тестовых выборках. Модель поддерживает чат, имеет контекст 4096 токенов и опубликована в формате Transformers safetensors. Это исследовательский чекпойнт; модель может выдавать неверные решения или чрезмерно длинные рассуждения, поэтому ответы следует проверять перед практическим использованием. Лицензия — Apache-2.0.

Qwen3-0.6B-Distilled-30B-A3B-Thinking-SFT — компактная языковая модель Convergent Intelligence LLC на архитектуре Qwen3 с 507,9 млн параметров. Она основана на Qwen/Qwen3-0.6B: сначала модель дистиллировали на рассуждениях STEM из Qwen3-30B-A3B-Thinking-2507, затем дообучили на инструкциях по правовой тематике. Модель принимает текст и генерирует текст; карточка заявляет контекст до 40 960 токенов, а также возможность запуска на мобильных и периферийных устройствах. Модель предназначена для компактного диалогового решения STEM-задач с пошаговыми выводами и ответов на общие правовые инструкции. Её можно применять для учебных объяснений, прототипов и встраиваемых систем с ограниченными ресурсами. По сравнению с крупными моделями она уступает в глубине рассуждений: длинные цепочки выводов и сложные доказательства ненадёжны, а правовые ответы не заменяют консультацию специалиста. Лицензия — Apache-2.0.

Qwen3 Article-Usage Micro-Coach — v2 — небольшая разговорная модель на архитектуре Qwen3, разработанная автором репозитория на основе mlx-community/Qwen3-1.7B-4bit. Это дообученная QLoRA-адаптером, затем объединённая с базовой моделью и деквантизированная MLX-версия с 1,7 млрд параметров и контекстом до 40 960 токенов. Модель предназначена для тренировки употребления английских артиклей: она задаёт один наводящий вопрос о правиле, связанном с ошибкой, не подсказывая исправление, а после самостоятельного исправления отвечает «Target fixed.». По описанной оценке на 60 случаях модель лучше соблюдает сценарий и полезнее исходной Qwen3, но эти результаты ограничены небольшим набором тестов. Автор предупреждает, что модель пока недостаточно надёжна для обучения без контроля: она может задать корректно сформулированный вопрос, относящийся не к тому правилу употребления артиклей. Для адаптации использовался набор из 2 324 примеров; указанные показатели проверки относятся к конкретному замороженному тесту и не гарантируют качество в других сценариях. Модель распространяется под лицензией Apache-2.0.

SeongryongJung/qwen3-4b-chemistry-srpo-ema005 — языковая модель на основе Qwen3-4B, дообученная методом SRPO для задач химии. В репозитории опубликован последний чекпойнт обучения global_step_100 в формате Transformers; архитектура — плотная причинно-авторегрессионная Qwen3ForCausalLM, размер — около 3,7 млрд параметров, контекст — до 40 960 токенов. Модель принимает текст и генерирует текстовые ответы. Модель предназначена для генерации решений и ответов на химические задачи. В README приведена оценка mean@16 на валидации: лучший результат за время обучения составил 78,99% на шаге 70, а результат последнего опубликованного чекпойнта — 76,99%; лучший промежуточный чекпойнт не опубликован, поэтому эта оценка не относится к доступным весам. Доступна по лицензии Apache-2.0.

Qwen3-4B-Think-GRPO-MLX — языковая модель для генерации ответов с явным разделом рассуждения и итоговым ответом. Разработчик дообучил Qwen/Qwen3-4B-Instruct-2507 методом GRPO с LoRA на задачах GSM8K; выпущенный чекпойнт также включает стабилизирующий supervised-проход. Это плотная модель семейства Qwen3 с 3,7 млрд параметров, опубликованная в формате safetensors для MLX. Модель принимает текст и генерирует текст; карточка указывает поддержку английского языка и контекст до 262 144 токенов. Модель предназначена прежде всего для пошагового решения арифметических текстовых задач и выдачи ответа в заданном формате. В описанном тесте на 32 примерах GSM8K она достигла точности 87,5% и строгого соблюдения формата в 100% случаев, однако небольшая выборка может завышать ожидаемое качество. Рассуждения являются сгенерированными объяснениями, а не достоверной записью внутренних процессов модели. Возможны арифметические, логические и фактические ошибки; результаты на узком наборе GSM8K не гарантируют обобщения на другие задачи. Лицензия — Apache-2.0.

SeongryongJung/Qwen3-8B-Biology-SDPO-TR — экспериментальный чекпойнт дообучения Qwen3-8B методом SDPO-TR на задаче Biology с размером обучающего батча 32. В репозитории размещены лучший по валидационному mean@16 чекпойнт на шаге 40 и финальный чекпойнт на шаге 100. Модель построена на плотной архитектуре Qwen3ForCausalLM, содержит 7,6 млрд параметров, принимает текст и выдаёт текст; контекст — до 40 960 токенов. Чекпойнт предназначен для генерации ответов и рассуждений по биологии. Лучший валидационный результат mean@16 составил 53,12%, финальный — 45,88%; эти показатели относятся к указанному в карточке эксперименту и не гарантируют качество на других задачах. Для загрузки README предлагает Transformers и safetensors. Лицензия — Apache-2.0.

SeongryongJung/Qwen3-8B-Physics-SDPO-TR — дообученная версия языковой модели Qwen3-8B, обученная для задач по физике методом SDPO-TR с размером обучающего батча 32. В репозитории находится лучший контрольный снимок global_step_90, выбранный по валидационному показателю mean@16; также доступен финальный снимок обучения. Модель предназначена для генерации текста и решения физических задач в диалоговом формате. В README приведены результаты на наборе Physics: лучший валидационный mean@16 составил 69,61%, а у финального снимка — 68,28%. Модель содержит 7,6 млрд параметров, использует архитектуру Qwen3ForCausalLM и поддерживает контекст до 40 960 токенов. Она загружается через Transformers; веса опубликованы в формате Safetensors. Лицензия — Apache-2.0. Качество и заявленные результаты относятся к указанному физическому набору данных и метрике; карточка не описывает отдельные ограничения или оценку на других предметных областях. Это специализированное дообучение, поэтому пригодность для задач вне физики по приведённым данным не подтверждена.

Qwen3-8B-SDFT-Math-LoRA-new — плотная авторегрессионная модель семейства Qwen3 от автора репозитория willamazon1, дообученная на математические рассуждения. Она создана на основе Qwen/Qwen3-8B-Base: после supervised fine-tuning на смеси математических задач, вопросов с поисковым контекстом и диалогов с инструментами модель прошла два этапа обучения с подкреплением GRPO на задачах по математике. LoRA-адаптеры объединены с весами, поэтому для запуска не требуется PEFT. Модель предназначена для генерации продолжений текста и решения математических задач; это базовая completion-модель, а не чат-модель с инструкционной настройкой. Для работы подходят запросы в формате «Question: … Answer:». Архитектура Qwen3ForCausalLM имеет 36 слоёв и около 8 млрд параметров; веса представлены в bfloat16 и safetensors. Контекст — до 32 768 токенов. Лицензия — Apache-2.0. Ключевое обучение нацелено на математические рассуждения, однако второй этап GRPO был коротким и включал 60 шагов, поэтому изменения относительно предыдущего чекпойнта невелики. Ответы модели могут быть ошибочными; перед практическим использованием математические результаты следует проверять. Модель также наследует смещения и ограничения знаний базовой Qwen3-8B-Base.

BayesRL/Qwen-M3PO-7B — плотная авторегрессионная модель семейства Qwen2.5-Math, разработанная BayesRL. Это чекпойнт на 7,1 млрд параметров, дообученный методом M3PO на базе BayesRL/Qwen2.5Math-IVON-SFT-7B; обучение сочетает GRPO с вариационным оптимизатором IVON и исследованием параметров через выборки возмущённых весов. Модель предназначена для генерации решений математических задач и RLVR — обучения с проверяемыми наградами; её оценивали на AIME 2024–2026, MATH-500, AMC 2023 и Minerva. Модель принимает текст и генерирует текст. Карточка указывает английский язык, контекстное окно составляет 4096 токенов. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0.

recitation-segmenter-v2 — модель obadx для автоматической сегментации чтения Корана по местам остановок ваκф. Она дообучена на базе facebook/w2v-bert-2.0 и использует архитектуру Wav2Vec2-BERT для покадровой классификации аудио с разрешением 20 мс. Модель содержит около 402,7 млн параметров и предназначена для обработки аудиозаписей чтения Корана, в том числе для разметки аудиоколлекций и систем обучения чтению. Модель обучена на более чем 850 часах чтения Корана с примерно 300 тысячами размеченных высказываний. Она оптимизирована для чтения Корана и может быть полезна как компонент систем анализа произношения. По данным карточки, для работы требуется около 3 ГБ видеопамяти; заявлена обработка записей разной длительности. Лицензия — MIT. Ограничение: очень короткую паузу сакта модель считает полноценной остановкой ваκф, что может быть важно для углублённого анализа таджвида. На другие виды арабской речи модель может переноситься хуже.

Rho-Math-1B-v0.1 — базовая языковая модель Microsoft для математических рассуждений и генерации ответов. Она построена на архитектуре Llama с плотной моделью класса LlamaForCausalLM и содержит 1 млрд параметров. Модель предварительно обучена методом Selective Language Modeling (SLM), который сосредоточивает обучение на чистых и полезных токенах. В README приведены результаты few-shot оценки на GSM8K и MATH для семейства Rho-Math; отдельный показатель именно для этой версии составляет 15,6% на MATH. Модель предназначена для генерации текста при решении математических задач, в том числе с пошаговым рассуждением и примерами в запросе. Она работает с текстом на английском языке и имеет контекст длиной 2048 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — MIT.

Карточка модели microsoft/rho-math-7b-interpreter-v0.1 на Hugging Face совпадает с карточкой microsoft/rho-math-1b-v0.1, поэтому описание составлено по ней. Rho-Math-1B-v0.1 — базовая языковая модель Microsoft для математических рассуждений и генерации ответов. Она построена на архитектуре Llama с плотной моделью класса LlamaForCausalLM и содержит 1 млрд параметров. Модель предварительно обучена методом Selective Language Modeling (SLM), который сосредоточивает обучение на чистых и полезных токенах. В README приведены результаты few-shot оценки на GSM8K и MATH для семейства Rho-Math; отдельный показатель именно для этой версии составляет 15,6% на MATH. Модель предназначена для генерации текста при решении математических задач, в том числе с пошаговым рассуждением и примерами в запросе. Она работает с текстом на английском языке и имеет контекст длиной 2048 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — MIT.

SJTU-CL/RoBERTa-large-ArguGPT — модель классификации текста на базе RoBERTa-large, дообученная на эссе из набора ArguGPT. Она определяет, было ли эссе сгенерировано машиной или написано человеком: метка 1 означает машинный текст, метка 0 — написанный человеком. Модель предназначена для проверки эссе и исследовательского анализа происхождения текста. Модель принимает текст и выдаёт метку класса. Контекст ограничен 514 токенами; в README рекомендуется обрезать эссе до 512 токенов. Репозиторий содержит веса PyTorch и SafeTensors. Лицензия — MIT.

s1.1-32B — дообученная SimpleScaling плотная языковая модель семейства Qwen2, созданная на основе Qwen/Qwen2.5-32B-Instruct. Разработчики сообщают, что это преемник s1-32B с улучшенными способностями к рассуждению; при обучении использованы трассы рассуждений r1 для набора s1K-1.1. Модель имеет 32 млрд параметров, работает через Transformers и принимает текстовые запросы, в том числе в диалоговом формате. Модель предназначена для генерации текста и решения задач, требующих многошагового рассуждения, особенно математических задач. В README приведены результаты на AIME 2024 и AIME 2025 I; для сравнения s1.1-32B использовала budget forcing — игнорирование маркера завершения рассуждений и добавление «Wait» до четырёх раз, поэтому результаты зависят от этого приёма. Контекст модели составляет 32 768 токенов. Указанная лицензия — Apache-2.0.

DGurgurov/SmolLM3-3B-SFT-GRPO-FR — дообученная языковая модель на архитектуре SmolLM3ForCausalLM с 3,1 млрд параметров, созданная на основе HuggingFaceTB/SmolLM3-3B. Это вторая стадия ReasonXL: после SFT модель дополнительно обучена методом Dr. GRPO с составной наградой на проверяемых математических задачах. Модель предназначена для генерации текста и решения математических задач с рассуждениями на французском языке; её контекстное окно составляет 65 536 токенов. Обучение нацелено на восстановление качества рассуждений после SFT при сохранении французского языка для рассуждений. В карточке указаны данные ReasonXL-SFT и формат весов safetensors. Модель унаследовала многоязычную основу SmolLM3, однако конкретная специализация этого чекпойнта — французские рассуждения. Лицензия в предоставленных данных не указана.

SmolLM3-MathInstruct-SFT — дообученная с помощью TRL версия HuggingFaceTB/SmolLM3-3B, созданная для генерации текста в формате диалога. По названию модель ориентирована на математические инструкции, однако карточка не приводит результатов оценки или подробностей обучения, поэтому её математические возможности нельзя оценить по доступным сведениям. Модель имеет плотную архитектуру SmolLM3ForCausalLM, около 3,1 млрд параметров и контекст до 65 536 токенов; для запуска в README показан Transformers pipeline с диалоговым вводом. Базовая модель описана как многоязычная.

Steiner-preview — экспериментальная модель рассуждений, созданная разработчиком Yichao «Peak» Ji как личный проект. Она основана на Qwen2.5-32B-Instruct и использует обучение на синтетических данных с подкреплением. Архитектура — плотная Qwen2 с 32 млрд параметров; модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов и интерфейс вызова инструментов. Модель предназначена для решения задач, требующих рассуждений, включая ответы на вопросы и выполнение тестовых заданий без обязательного CoT-промптинга. В README приведены результаты на GPQA Diamond, в том числе по физике, органической химии и квантовой механике. Проект задуман как попытка воспроизвести o1 и исследовать масштабирование вычислений на этапе вывода, однако Steiner-preview пока не демонстрирует улучшения от увеличения числа шагов рассуждения. Лицензия — Apache-2.0.

STILL-3-Tool-32B — языковая модель RUC-AIBOX для генерации текста и решения задач с использованием Python как инструмента рассуждения. Она предназначена для диалогового взаимодействия и сложных математических задач; в README сообщается о точности 81,70% на AIME 2024. Модель построена на архитектуре Qwen2, содержит 32 млрд параметров и поддерживает контекст до 131 072 токенов. В метаданных также указана возможность интерфейса вызова инструментов. Модель опубликована в формате safetensors и доступна как открытая модель; сведения о лицензии в предоставленных данных отсутствуют.

SuperCorrect-7B — языковая модель для генерации ответов и математических рассуждений, представленная авторами метода SuperCorrect из Пекинского университета, Skywork AI, Калифорнийского университета в Беркли и Стэнфордского университета. Это дообученная версия Qwen/Qwen2.5-Math-7B-Instruct с архитектурой Qwen2ForCausalLM и 7,1 млрд параметров; модель распространяется в формате safetensors и рассчитана на контекст до 4096 токенов. Модель предназначена прежде всего для решения математических задач с пошаговым рассуждением и самокоррекцией. В методе SuperCorrect применяется двухэтапное дообучение и иерархический шаблон Buffer of Thought. В README заявлены результаты выше DeepSeekMath-7B и Qwen2.5-Math-7B на наборах MATH и GSM8K при оценке математического рассуждения без использования программных методов решения. Модель ориентирована на английские математические задачи; метаданные также указывают английский язык. Лицензия — Apache-2.0. Результаты в карточке относятся к указанным математическим бенчмаркам и сами по себе не подтверждают качество для других областей или языков.

Taiwan-inquiry_7B_v2.0 — разговорная языковая модель на 7,2 млрд параметров, разработанная исследовательским ассистентом Joseph (Chen-Wei) Li из Национальной университетской больницы Тайваня. Она основана на Breeze-7B-Instruct-v0_1 и дообучена на диалогах врачей и пациентов: 614 подлинных диалогах больницы Национального университета Чэнг Кун и 336 синтетических диалогах по темам примеров экзамена OSCE на Тайване. Модель предназначена для симуляции общения с пациентом в больничной обстановке. Пользователь может задать модели роль пациента, предоставить краткие сведения о пациенте в системном запросе или задавать вопросы о симптомах заболеваний и возможных методах терапии. Модель использует архитектуру Mistral, поддерживает текстовый ввод и генерацию текста, рассчитана на традиционный китайский язык и имеет контекст длиной 32 768 токенов. Модель может быть полезна для учебных ролевых диалогов и отработки клинического общения. Её ответы о симптомах и терапии не являются медицинской консультацией. Лицензия — Apache-2.0.

Habib-HF/tarbiyah-ai-v1-1 — модель распознавания речи на базе Whisper-small от OpenAI, дообученная для транскрибации чтения Корана на арабском языке. Она принимает аудио и выдаёт текст; предназначена для практики чтения, получения транскрипции аятов и интеграции в приложения для изучения Корана и таджвида. Архитектура — WhisperForConditionalGeneration, размер — 153,1 млн параметров; файлы представлены в формате safetensors. Модель выпущена под лицензией MIT. Модель специализируется на коранической рецитации, но не проверяет правила таджвида: текущая цель — точность транскрипции. По карточке, качество может снижаться на стилях чтения и вариантах кираата, отсутствовавших в обучении, детских голосах, сильных региональных акцентах, шумных записях и быстрой или неразборчивой речи. На указанной в README оценочной выборке WER составил 40,48%, поэтому результат может требовать проверки и исправления.

theuerc/TinyLlama-1.1B-Chat-Math-v1.0 — дообученная языковая модель на архитектуре Llama, созданная Coulton Theuer, Bret Ellenbogen и Victoria Chang на основе TinyLlama-1.1B. Модель предназначена для генерации решений задач базовой алгебры, в частности систем линейных уравнений. Её обучили на 8 тысячах синтетических решений, созданных OpenMath-Mistral-7B-v0.1-hf на наборе ALG-514, с помощью SFTTrainer. Модель содержит около 1 млрд параметров, принимает текст и генерирует текст; карточка указывает поддержку английского языка и контекст до 2048 токенов. В примере предусмотрен сценарий с исполнением кода, однако сам генератор кода в карточке представлен как часть внешнего конвейера инференса. Zero-shot качество авторы оценивают как слабое, хотя отмечают пригодность модели для быстрого создания синтетических данных. Лицензия — Apache-2.0.

ToRA-13B-v1.0 — языковая модель семейства LLaMA, разработанная авторами проекта ToRA как агент для решения математических задач с использованием внешних инструментов. Она объединяет рассуждения на естественном языке с вычислительными библиотеками и символьными решателями; для работы с инструментами нужна соответствующая среда инференса. Модель дообучена методом supervised fine-tuning на корпусе ToRA-Corpus 16k с траекториями решения задач GSM8K и MATH, а затем обучена лучше формировать ответы для интеграции с инструментами. Модель содержит 12,9 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 4096 токенов. Репозиторий содержит веса PyTorch; в метаданных отмечена поддержка английского языка и задач, связанных с кодом и математикой. Предназначена для генерации пошаговых решений и применения в сценариях математического reasoning с вычислительной проверкой. Лицензия — llama2.

Карточка модели llm-agents/tora-70b-v1.0 на Hugging Face совпадает с карточкой llm-agents/tora-13b-v1.0, поэтому описание составлено по ней. ToRA-13B-v1.0 — языковая модель семейства LLaMA, разработанная авторами проекта ToRA как агент для решения математических задач с использованием внешних инструментов. Она объединяет рассуждения на естественном языке с вычислительными библиотеками и символьными решателями; для работы с инструментами нужна соответствующая среда инференса. Модель дообучена методом supervised fine-tuning на корпусе ToRA-Corpus 16k с траекториями решения задач GSM8K и MATH, а затем обучена лучше формировать ответы для интеграции с инструментами. Модель содержит 12,9 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 4096 токенов. Репозиторий содержит веса PyTorch; в метаданных отмечена поддержка английского языка и задач, связанных с кодом и математикой. Предназначена для генерации пошаговых решений и применения в сценариях математического reasoning с вычислительной проверкой. Лицензия — llama2.

Карточка модели llm-agents/tora-7b-v1.0 на Hugging Face совпадает с карточкой llm-agents/tora-code-7b-v1.0, поэтому описание составлено по ней. ToRA-Code-7B-v1.0 — языковая модель семейства Llama, выпущенная командой ToRA для решения математических задач с помощью естественно-языкового рассуждения и внешних инструментов, таких как библиотеки вычислений и символьные решатели. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и формат PyTorch; максимальная длина контекста — 16 384 токена. Карточка указывает английский язык и обучение на примерах GSM8K и MATH. Модель дообучена методом supervised fine-tuning на корпусе ToRA-Corpus 16k с траекториями решения задач GSM8K и MATH, после чего применялось формирование пространства выходов для улучшения взаимодействия с инструментами. Она предназначена для генерации решений математических задач, включая сценарии, где требуется вычисление или использование символьного решателя. Для практического взаимодействия с инструментами нужны соответствующая среда исполнения и код интеграции; README отсылает к репозиторию проекта за инструкциями по запуску и оценке. Лицензия — Llama 2.

Карточка модели llm-agents/tora-code-13b-v1.0 на Hugging Face совпадает с карточкой llm-agents/tora-code-7b-v1.0, поэтому описание составлено по ней. ToRA-Code-7B-v1.0 — языковая модель семейства Llama, выпущенная командой ToRA для решения математических задач с помощью естественно-языкового рассуждения и внешних инструментов, таких как библиотеки вычислений и символьные решатели. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и формат PyTorch; максимальная длина контекста — 16 384 токена. Карточка указывает английский язык и обучение на примерах GSM8K и MATH. Модель дообучена методом supervised fine-tuning на корпусе ToRA-Corpus 16k с траекториями решения задач GSM8K и MATH, после чего применялось формирование пространства выходов для улучшения взаимодействия с инструментами. Она предназначена для генерации решений математических задач, включая сценарии, где требуется вычисление или использование символьного решателя. Для практического взаимодействия с инструментами нужны соответствующая среда исполнения и код интеграции; README отсылает к репозиторию проекта за инструкциями по запуску и оценке. Лицензия — Llama 2.

VibeThinker-3B — плотная языковая модель на 3,1 млрд параметров, разработанная WeiboAI как часть серии VibeThinker и дообученная на базе Qwen/Qwen2.5-Coder-3B. Она использует архитектуру Qwen2ForCausalLM, формат safetensors и библиотеку Transformers; заявленная длина контекста — до 131 072 токенов. Модель предназначена прежде всего для задач с проверяемыми ответами: решения математических задач, программирования в соревновательном стиле и STEM-рассуждений. Также она обучалась диалогу и следованию инструкциям. В карточке отмечены сильные результаты на бенчмарках по математике и программированию, но они не гарантируют аналогичного качества на произвольных запросах. Разработчики не рекомендуют использовать модель для вызова функций, оркестрации API и автономных программных агентов: такие сценарии не входили в обучение. Для широких запросов на общие знания и длинный хвост предметных тем авторы рекомендуют более крупные универсальные модели. Лицензия — MIT.

Vitruv 1 — модель Virtruv, дообученная на базе beomi/OPEN-SOLAR-KO-10.7B с упором на математические задачи на корейском языке. Это плотная авторегрессионная модель семейства Llama с 10,7 млрд параметров, предназначенная для генерации текста; заявленная длина контекста — 2048 токенов. Для обучения использовались наборы данных по переводу между корейским и английским языками, корейским инструкциям и математике; данные MathPile были переведены вручную для обучения.

dofbi/wolof-asr — дообученная модель Whisper, разработанная для автоматического распознавания речи на волоф. Она предназначена для транскрибирования аудиозаписей разговоров и может применяться в образовательных, академических и лингвистических проектах. В основе лежит openai/whisper-small с архитектурой encoder-decoder из 12 слоёв в каждой части; число параметров — 153,1 млн. Модель принимает аудио и выдаёт текст. В README заявлены средний WER 12% и WER 15% на шумных примерах по результатам оценки на конкретных тестовых данных на волоф. Модель поддерживает задачу audio-text-to-text и ориентирована прежде всего на волоф, распространённый в Сенегале, Гамбии и Мавритании. Доступна в формате safetensors. Лицензия — MIT. Результаты распознавания могут отличаться на аудио, не похожем на использованные при оценке данные; показатели WER из README не гарантируют такое же качество в других условиях.