IV.5Образование и развитие навыков

DeepScaleR-1.5B-Preview — языковая модель на 1,5 млрд параметров, разработанная Agentica и дообученная методом распределённого обучения с подкреплением на базе deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B. Она предназначена прежде всего для решения математических задач и генерации рассуждений; обучение включало задачи AIME, AMC, Omni-MATH и Still. По данным авторов, точность Pass@1 на AIME 2024 составила 43,1%, что выше указанного результата базовой модели — 28,8%. Модель использует плотную архитектуру Qwen2, поддерживает контекст до 131 072 токенов и доступна в формате safetensors для Transformers. Модель принимает текст и генерирует текст. В README описано обучение с контекстами 8K, 16K и 24K токенов; метаданные указывают максимальный контекст 131 072 токена. Она рассчитана на англоязычные математические задачи, а результаты и описание не подтверждают такое же качество для других языков или широкого круга задач. Лицензия — MIT.

MrNJK/gpt2-xl-sft — англоязычная модель генерации текста, созданная полным дообучением GPT-2 XL на 1,4 млн примеров из открытых наборов инструкций. По карточке, обучение направлено на понимание и ответы на английском языке с рассуждениями CoT, а также на темы медицины, биологии, химии, физики и влияния ИИ на общество. Модель построена на архитектуре GPT-2 с плотной сетью, использует PyTorch и рассчитана на контекст до 1024 токенов. Модель предназначена для ответов на вопросы и выполнения текстовых инструкций. Примеры демонстрируют объяснения по естественным наукам и общественным темам, однако также показывают фактические ошибки и несвязные объяснения, в том числе в ответах о биологии и медицине. Поэтому ответы требуют проверки, а модель не следует использовать как надёжный источник медицинских рекомендаций. Лицензия — Apache-2.0.

Jev-Student-4B 一造是一款面向中国一级造价工程师考试题目分析的中文决策模型，由 vincentzhou 基于 Qwen/Qwen3.5-4B-Base 微调而成。Модель с архитектурой Qwen3_5ForCausalLM содержит 3,4 млрд параметров и рассчитана на контекст до 262 144 токенов; обучалась с помощью LoRA на заданиях по маршрутизации вопросов и определению типов дефектов. Для ответа используется ограниченный выбор токена: модель получает текст вопроса и выдаёт типизированное решение в виде буквы, а не развёрнутый текст. В описанных проверках точность маршрутизации по главам составила 87,4%, по контрольным точкам — 84,9% top-1 и 97,1% top-3, а классификации шести типов дефектов — 90,5%. Модель предназначена для четырёх областей экзамена: управления, ценообразования, строительных работ и учёта монтажных работ. Она не выполняет точные вычисления и многошаговые рассуждения; оценки вероятностей требуют пороговой настройки и рекомендуется проверка человеком. Распространяется по лицензии Apache-2.0.

JPNsensei-V2 — модель генерации текста на базе japanese-stablelm-instruct-gamma-7b, предназначенная для ответов на английском языке на вопросы об изучении японского. Модель разработана kanxxyc и основана на архитектуре Mistral с плотной структурой и 7,1 млрд параметров; она принимает текст и генерирует текст. Контекст составляет 32 768 токенов, форматы репозитория — PyTorch. Модель подходит для ответов на вопросы по японскому языку в учебных сценариях. При использовании рекомендуется применять формат промпта, описанный в карточке, и Transformers версии 4.34.0 или новее. Для обучения использовались данные с сайта Stack Exchange Japanese. Лицензия в предоставленных данных не указана.

Latxa-Llama-3.1-70B-Instruct-v2 — языковая модель HiTZ Research Center и исследовательской группы IXA Университета Страны Басков UPV/EHU, дообученная на расширенном баскском корпусе Latxa Corpus v2 на основе Meta-Llama-3.1-70B-Instruct. Это плотная модель семейства Llama с 69,5 млрд параметров, предназначенная для следования инструкциям и диалогового общения. Она принимает и генерирует текст; заявленная длина контекста — 131 072 токена. Модель рассчитана прежде всего на работу с баскским языком: в карточке сообщается о результатах выше исходной Llama-3.1-Instruct на баскских тестах, включая диалоговые сценарии. Её можно применять для ответов на вопросы, чтения и объяснения баскских текстов, а также для подготовки к экзаменам и общения на баскском. Для других языков качество не гарантируется. Модель наследует ограничения и риски Llama 3.1, включая возможные смещения и генерацию вредного содержания; перед использованием в производственных системах рекомендуется оценка рисков и меры снижения вреда. Лицензия указана как Llama 3.1, допускающая коммерческое и исследовательское использование на условиях этой лицензии.

LittleLearner 0.6B Chatty — модель для диалогов и следования инструкциям, разработанная в рамках исследования LittleLearner. Это плотная авторегрессионная языковая модель Qwen3 с 617,3 млн параметров и контекстом 4096 токенов. Она прошла поведенческое дообучение на примерах общего чата, математики начальной школы, идентичности модели и управления форматом ответа; предобучение проводилось на корпусе учебных материалов США для классов K–5. Модель предназначена для повседневных диалогов, решения задач по математике уровня начальной школы и выдачи ответов в заданном формате, например только ответа, с объяснением шагов или с ограничением длины. В оценке MathCAMPS показала pass@1 21,3 и pass@64 68,4; в поведенческих пробах следование указаниям о формате составило 0,55 для инструкций пользователя и 0,65 для системных инструкций. Эти результаты относятся к описанным в карточке тестам и не гарантируют аналогичного качества в других сценариях. Лицензия указана как other, конкретные условия в доступных данных не приведены.

yanggangu/Llama-3.2-1B-Instruct-FT-ScienceQA — дообученная диалоговая языковая модель на базе meta-llama/Llama-3.2-1B-Instruct. Это экспертная модель для ScienceQA из таблицы 1 работы SMAT: Simple and Efficient Merge-Aware Training; обучение выполнено с seed 42. SMAT нацелен на сохранение качества экспертов при последующем слиянии моделей. Модель содержит 1,2 млрд параметров, использует архитектуру LlamaForCausalLM и рассчитана на контекст до 131 072 токенов. Она принимает текст и генерирует текст; основной сценарий — ответы на вопросы в формате ScienceQA. Лицензия и политика допустимого использования Llama 3.2 распространяются на модель.

Модель polystation/llama-3.2-3B-catalaV3 создана в рамках магистерской работы UOC «Генерация виртуальных помощников для изучения каталанского языка». Это языковая модель семейства Llama с плотной архитектурой LlamaForCausalLM, размером 3,2 млрд параметров, предназначенная для генерации текста в диалоговом формате. Она ориентирована на создание виртуальных помощников для изучающих каталанский язык и может использоваться в учебных диалогах и ответах на вопросы по изучению языка. Модель работает с текстом, поддерживает интерфейс чата и имеет заявленную длину контекста 131 072 токена. Опубликована в формате safetensors и рассчитана на использование через Transformers. Карточка не уточняет базовую модель, лицензию, данные обучения или ограничения качества, поэтому эти характеристики нельзя установить по доступным сведениям.

Llama3-KALE-LM-Chem 8B — специализированная диалоговая языковая модель для задач химии, разработанная USTC Knowledge Computing Lab. Это дообученная версия Meta-Llama-3-8B-Instruct с плотной архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров. Модель генерирует текст и рассчитана на контекст до 8192 токенов. Модель предназначена для ответов на химические вопросы и решения задач, оцениваемых бенчмарками ChemBench и MMLU-Chem; в карточке также приведены результаты по MMLU, SciQ и извлечению информации. Она принимает текстовые запросы и выдаёт текстовые ответы на английском языке. README приводит сравнение с базовой Llama 3 и моделями GPT, но не раскрывает подробности обучения и не даёт гарантий качества в конкретных прикладных сценариях. Указана лицензия Llama 3 (llama3).

team03 Math SLM v4 — модель команды team03 (SLM Learners), созданная для пошагового решения задач по математике в стиле экзамена GATE и по общей математике. Это дообученная на базе Qwen2.5-0.5B-Instruct плотная авторегрессионная модель Qwen2 с 494 млн параметров. Для обучения применялся QLoRA; итоговые веса объединены с базовой моделью. Доступны веса Safetensors и квантованный GGUF Q8_0 для запуска, в том числе на CPU. Метаданные указывают контекст до 32 768 токенов, однако обучение проводилось на последовательностях длиной 2 048 токенов, поэтому README предупреждает, что более длинные задачи обрезаются. Модель предназначена для свободных вопросов и ответов по математике: на простые запросы она может дать краткий ответ, а для сложных обычно формирует рассуждение и отдельную строку с итогом. Подходит для подготовки к GATE и другим конкурсным экзаменам, а также для учебной практики. В оценке авторов отмечены приемлемые результаты на части задач по алгебре и математическому анализу, но общая инструкция-выполняемость слабая: модель часто добавляет многословное рассуждение даже при требованиях к строгому формату ответа. Проверка знаний основана на небольшом и неравномерном наборе задач, поэтому оценки по отдельным темам ненадёжны. Модель выпущена под лицензией Apache-2.0. В карточке указан английский язык; README описывает математические задачи, но не заявляет поддержку других естественных языков.

wvnvwn/Mistral-7B-Instruct-v0.3-gsm8k-v1 — дообученная компанией или автором wvnvwn версия Mistral-7B-Instruct-v0.3, созданная для генерации текста и диалогов. В README указано, что модель обучалась с помощью TRL; название репозитория указывает на настройку для GSM8K, но подробности обучающих данных и результатов не приведены. Модель использует плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Она принимает текстовые запросы и генерирует текст; репозиторий использует формат safetensors и библиотеку Transformers. Лицензия в предоставленных данных не указана.

Mistral-Astronomy-7b-v0.1 — специализированная языковая модель от Phanerozoic, дообученная на OpenHermes 2.5 на основе примерно 1000 пар вопросов и ответов из учебника Astronomy 2e издательства OpenStax. Это плотная авторегрессионная модель Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; она поддерживает диалог и генерирует текстовые ответы на вопросы по астрономии. Модель предназначена для астрономов-любителей, преподавателей, исследователей и разработчиков образовательных приложений, виртуальных планетариев и инструментов помощи в исследованиях. Её специализация позволяет давать подробные ответы по астрономии, но качество может снижаться за пределами этой области; карточка также отмечает компромиссы в форматировании и более высокую perplexity на Wikitext по сравнению с OpenHermes 2.5. Лицензия модели — CC BY 4.0.

Nomos 1 — специализированная модель Nous Research, разработанная в сотрудничестве с Hillclimb AI на основе Qwen/Qwen3-30B-A3B-Thinking-2507. Она предназначена для решения математических задач и написания доказательств на естественном языке. Модель использует архитектуру Qwen3 MoE и поддерживает контекст до 262 144 токенов; число параметров в метаданных указано как 2,6 млрд. Для запуска авторы рекомендуют использовать Nomos Reasoning Harness и обходиться без системного промпта. В тесте Putnam 2025 модель набрала 87 из 120 баллов при работе с Nomos Reasoning Harness; базовая Qwen3-30B-A3B-Thinking-2507 в тех же условиях набрала 24 из 120. Это результат конкретной оценки с указанной оболочкой, а не гарантия качества для других задач. Модель распространяется по лицензии Apache-2.0.

OpenMath-Nemotron-14B-Kaggle — плотная авторегрессионная языковая модель на архитектуре Qwen2.5, разработанная NVIDIA дообучением Qwen/Qwen2.5-14B на части набора OpenMathReasoning. Модель использовалась в заявке, занявшей первое место в соревновании AIMO-2 Kaggle, и предназначена прежде всего для решения математических задач и исследования математических рассуждений. Модель принимает текст и генерирует текст; заявленная длина контекста — до 131 072 токенов. Карточка рекомендует использовать для вывода эталонную реализацию NeMo-Skills, поскольку модель решает задачи с исполнением кода. В метаданных указаны 14 млрд параметров и формат Safetensors. NVIDIA оптимизирует модели семейства для систем с GPU NVIDIA; карточка перечисляет поддержку Ampere и Hopper и интеграцию с TensorRT/Triton. Результаты семейства оценивались на математических бенчмарках, однако приведённая таблица содержит показатели вариантов 1.5B, а не этой версии 14B, поэтому по ней нельзя судить о точности данного чекпойнта. Для применения требуется учитывать возможную необходимость безопасной среды исполнения кода. Лицензия — Creative Commons Attribution 4.0 (CC BY 4.0).

menik1126/ovd-math-1-data-full-step500-historical — чекпойнт исторического эксперимента «1-data full», входящий в коллекцию OVD. Репозиторий содержит веса для инференса и токенизатор; модель дообучена на базе Qwen/Qwen2.5-Math-1.5B и использует плотную архитектуру Qwen2ForCausalLM с 1,5 млрд параметров. Она предназначена для генерации текста, в частности решений математических задач, как и базовая модель. Модель работает с текстом и имеет контекстное окно 4096 токенов. В метаданных заявлен интерфейс чата и вызова инструментов. Карточка не описывает состав экспериментальных данных или результаты оценки именно этого чекпойнта; обозначение «historical» указывает на экспериментальный характер версии. Лицензия в предоставленных данных не указана.

OVD-Math-1-data-RS-Step800-Historical — сохранённая контрольная точка исторического эксперимента из коллекции OVD; автор карточки обозначен как menik1126. Репозиторий содержит веса для инференса и токенизатор. Это дообученная версия Qwen/Qwen2.5-Math-1.5B: плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров, предназначенная для генерации текста и решений математических задач. В карточке базовой модели указана поддержка английского и китайского языков. Модель использует библиотеку Transformers и формат Safetensors, её контекст ограничен 4096 токенами. Метаданные отмечают интерфейс чата и вызова инструментов, однако README не описывает сценарии их применения в этом эксперименте. Суффикс Step800 указывает на сохранённый шаг эксперимента; карточка не приводит результатов оценки качества. Условия лицензирования в предоставленных данных не указаны.

QFFT-repro-LIMO-QFFT-7B — независимая репродукция модели LIMO / QFFT, созданная PJiNH по работе «QFFT: Question-Free Fine-Tuning for Adaptive Reasoning». Это полное дообучение инструктивной Qwen2.5-7B-Instruct с архитектурой Qwen2ForCausalLM и 7,1 млрд параметров. Модель принимает текстовые сообщения в обычном формате чата и генерирует текст; базовая модель поддерживает контекст до 32 768 токенов. Модель обучена методом QFFT на ответах без соответствующих вопросов: использованы 817 ответов GAIR/LIMO из набора LIMO_QFFT. Она предназначена для генерации рассуждений и решения математических задач; в карточке приведены результаты на GSM8K, MATH500 и AIME25. Это самостоятельная репродукция, а не исходный чекпойнт авторов статьи. Веса опубликованы в формате safetensors и доступны по лицензии Apache-2.0. Результаты репродукции несколько отличаются от опубликованных в статье; в README отмечены различия в шагах обучения, группировке потерь и программной конфигурации. Метаданные указывают английский язык карточки, но отдельная языковая характеристика модели в README не приводится.

Qwen2-Math-1.5B-Instruct-GGUF — это GGUF-квантизированные версии инструкционной математической модели Qwen2-Math-1.5B-Instruct, разработанной командой Qwen и подготовленной для распространения пользователем bartowski. Модель предназначена для генерации текста и решения математических задач в диалоговом формате, включая использование через llama.cpp и LM Studio. Заявленный язык — английский. Модель содержит около 1,5 млрд параметров и поставляется в нескольких вариантах точности: от F32 и Q8_0 до более компактных Q6, Q5, Q4, Q3 и IQ-квантизаций. Размер файлов составляет примерно от 0,78 до 6,18 ГБ. Часть вариантов использует Q8_0 для embedding- и output-весов, чтобы сохранить качество при уменьшении размера. Для работы предусмотрен специальный chat-шаблон с ролями system, user и assistant. Сильными сторонами являются небольшой размер, возможность локального запуска и наличие вариантов с разным балансом качества и требований к памяти. Более низкие уровни квантизации экономят RAM или VRAM, но могут снижать качество ответов; README не содержит подробных результатов тестирования, сведений о размере контекста, архитектурных деталях или поддержке других модальностей. Модель распространяется по лицензии Apache-2.0.

Это компактная модель Qwen3-0.6B, дообученная machalek29 для обучения управлению временем жизни изменяемых объектов в Python. На короткий фрагмент кода и сообщение ученика она указывает на относящееся к ошибке объявление, присваивание или изменение состояния, а затем задаёт ровно один вопрос о моменте создания объекта, его владельце или общих ссылках. Модель предназначена для интерактивного обучения и не должна выдавать исправленный код или прямо сообщать исправление. Модель основана на плотной архитектуре Qwen3ForCausalLM, дообучена методом LoRA с рангом 16 на первых 250 примерах датасета state-lifetime-tutor-v2. Для использования карточка рекомендует системное сообщение «You are a Python state-lifetime tutor», отключённое thinking и жадное декодирование. Метаданные указывают генерацию текста, контекст 40 960 токенов и лицензию Apache-2.0. Карточка сообщает о стопроцентном соответствии спецификации и устойчивости на 36 тестовых сценариях, включая 12 состязательных; это результаты оценки авторов, а не независимая проверка.

jackcai1206 выпустил jackcai1206/qwen3-4b-longcot-sft-vanilla — полное supervised fine-tuning модели Qwen3-4B-Base на математических данных с длинными цепочками рассуждений. Это плотная авторегрессионная языковая модель семейства Qwen3 с 3,7 млрд параметров и контекстом 32 768 токенов; архитектура не изменялась. Модель загружается через Transformers как обычная причинная языковая модель. Чекпойнт предназначен прежде всего для генерации подробных рассуждений при решении математических задач. Автор позиционирует его как базовый контрольный вариант для сравнения с другими дообучениями и как замороженную модель-учитель для дистилляции. В README приведена оценка 87,4 на MATH-500 при строгом оценивании. Веса представлены в bf16 и, согласно README, побитово соответствуют bf16-представлению весов, используемому при обучении и инференсе. Модель дообучена на базе Qwen/Qwen3-4B-Base и распространяется по лицензии Apache-2.0. Данных о поддерживаемых естественных языках нет; базовая модель является языковой, но основной язык этого чекпойнта не установлен.

Модель разработал автор репозитория slvrfivo как версию Qwen3-4B, адаптированную для соревнования AI말평 Национального института корейского языка по оценке письменных работ. По теме и корейскому аргументативному эссе она генерирует JSON с оценками от 1 до 5 и краткими обоснованиями по трём критериям: содержание, организация и выразительность. В основе лежит плотная Qwen3ForCausalLM с 3,7 млрд параметров и контекстом до 262 144 токенов. Модель дообучали методом QLoRA на 2 000 эссе за одну эпоху; адаптер затем объединили с базовой моделью и экспортировали в BF16. Основной язык — корейский. В локальной проверке и на официальном скрытом тесте модель превзошла описанные в карточке базовые варианты, однако результаты отражают конкретную соревновательную рубрику и распределение заданий. Модель склонна сглаживать оценки к средним значениям, а оценки 1 и 5 предсказывает хуже, чем 3 и 4. Её не проверяли как универсальную систему оценки обучения, а обоснования не заменяют подробную обратную связь преподавателя. Лицензия в предоставленных данных не указана.

GMatherne/qwen3-8b-human-sft — дообученная методом QLoRA модель на базе Qwen3-8B от Unsloth. Она предназначена для ответов на повседневные учебные вопросы живым разговорным стилем: объяснения понятий, помощь с эссе и разбор ошибок. Модель плотная, содержит 7,6 млрд параметров, принимает текст и генерирует текст; базовая модель поддерживает контекст до 40 960 токенов. В README описано обучение на примерно 1 800 очищенных англоязычных ответах из StackExchange и Reddit. Главное достоинство модели — естественная, похожая на форумный ответ подача. По оценке в README, дообучение снизило точность относительно исходной Qwen3-8B и повысило частоту уверенных выдумок; также модель хуже справляется с кодом и строгими форматами вроде JSON и может чрезмерно разворачивать ответы. Её следует использовать для изучения управления стилем и генерации непринципиальных учебных объяснений, а не как источник достоверных сведений. Лицензия — Apache-2.0.

SinaReason-Magistral-2509 — медицинская инструкция-модель, дообученная yasserrmd на базе mistralai/Magistral-Small-2509. Она предназначена для пошагового анализа клинических случаев и выдачи структурированного заключения; модель формирует рассуждение в тегах <think> перед ответом. Базовая модель — плотная мультимодальная архитектура Mistral3 размером 24 млрд параметров. Метаданные указывают задачу image-text-to-text, поддержку изображений и английский язык; карточка описывает применение преимущественно для текстовых клинических виньеток и не сообщает длину контекста. Модель ориентирована на учебную поддержку студентов-медиков, исследователей и клиницистов при разборе диагностических сценариев, включая оценку неотложных состояний. Автор сообщает о качественной проверке на 30 медицинских запросах, но это не заменяет широкую независимую оценку. Лицензия Apache-2.0. Карточка прямо предупреждает, что модель не является медицинским устройством и не предназначена для самостоятельной диагностики пациентов; ответы могут быть ошибочными или предвзятыми и требуют проверки специалистом.

SU-01 — компактная модель рассуждений для решения математических и научных олимпиадных задач, представленная в статье Achieving Gold-Medal-Level Olympiad Reasoning via Simple and Unified Scaling. Карточка описывает её как модель класса 30B-A3B на архитектуре Qwen3 MoE; в метаданных указано 2,6 млрд параметров и контекст до 262 144 токенов. Модель принимает текстовые условия и генерирует текстовые решения и доказательства на естественном языке. Обучение включает дообучение на траекториях рассуждений и двухэтапное обучение с подкреплением. Для сложных задач README также описывает режим масштабирования вывода: модель последовательно генерирует решение, проверяет его, находит ошибки и уточняет доказательство. По данным карточки, в этом режиме SU-01 набрала 35 баллов на IMO 2025 и USAMO 2026; это результаты, заявленные авторами модели. Модель предназначена для олимпиадной математики и научных задач, в частности физики, химии и биологии. Она не полагается на внешний запуск кода или специализированные символьные решатели. Весовые файлы опубликованы в формате safetensors, библиотека запуска — Transformers, лицензия — Apache-2.0. Длинные траектории рассуждений требуют значительного бюджета вывода; приведённые в README результаты масштабирования тестового времени зависят от отдельного многошагового цикла генерации и проверки.

TARA English Tutor 3B — экспериментальная модель, опубликованная sraivante для учебных экспериментов с короткими ответами на английском языке для дошкольников и учащихся 1–5 классов. Это плотная причинно-языковая модель семейства SmolLM3 с 3,1 млрд параметров, дообученная методом QLoRA на HuggingFaceTB/SmolLM3-3B и распространённая в виде объединённых весов BF16 Safetensors. Модель принимает текст и генерирует ответы; предусмотрены пять JSON-полей: ответ, вопрос для практики, пример ответа, новые слова и ободрение. Контекст базовой модели — 65 536 токенов, однако качество на длинном контексте не проверялось, а рабочий сценарий обучения использовал 768 токенов. Модель предназначена для коротких объяснений по школьной программе, практики словарного запаса, мягкой коррекции английского и вопросов для устной практики. Уровень следует задавать явно. Набор данных включает 1 138 обучающих и 126 проверочных примеров, основанных на шаблонах и исходных понятиях; записи не прошли зафиксированную проверку преподавателями. Заявленная связь с программами CBSE/NCERT является замыслом проекта, а не сертификацией. Модель экспериментальная: точность на новых вопросах, широкая фактическая надёжность и пригодность для самостоятельного использования детьми не установлены. Возможны неверные, неподходящие уровню или некорректно оформленные ответы, особенно на опечатки, переключение языков и многошаговые запросы. Распознавание речи, озвучивание и интерфейс ученика относятся к приложению, а не к модели. Лицензия — Apache 2.0; использование задумано для исследований и образовательного тестирования под надзором взрослых.

Карточка модели faster0/uAI-NEXUS-MedVLM-1.0a-7B-RL на Hugging Face совпадает с карточкой UII-AI/uAI-NEXUS-MedVLM-1.0a-7B-RL, поэтому описание составлено по ней. uAI-NEXUS-MedVLM-1.0a-7B-RL — мультимодальная медицинская модель UII-AI для анализа хирургических видео. Это плотная модель Qwen2.5-VL с 7,1 млрд параметров, дообученная на Qwen/Qwen2.5-VL-7B-Instruct в два этапа: supervised fine-tuning на вопросах и ответах по медицинским видео, затем оптимизация GRPO с наградами за временную точность и клиническую семантику. Модель принимает видео и текстовые запросы, а ответы формирует на английском языке; контекст — до 128 000 токенов. Модель предназначена для локализации действий во времени, пространственно-временной привязки объектов, предсказания следующего действия, суммаризации видео, описания регионов и оценки хирургических навыков, включая CVS. Обучение проводилось на 51 505 парах видео-инструкций из восьми наборов хирургических данных. Лицензия — Apache 2.0. Модель оптимизирована для медицинских и хирургических видео и может хуже работать в других областях. Наилучшие результаты ожидаются при частоте выборки кадров 0,1–1 кадр/с и видео длительностью несколько минут; длинные ролики обрабатываются с выборкой кадров. Основной язык медицинской терминологии — английский.

TBOGamer22/wav2vec2-quran-phonetics — модель распознавания речи на базе wav2vec2, дообученная для фонетической транскрипции чтения Корана. Она принимает монофоническую аудиозапись с частотой 16 кГц и выдаёт строку в пользовательском фонетическом алфавите, а не арабское написание. Архитектура — Wav2Vec2ForCTC с обучением по CTC, размер — 113,3 млн параметров; используется собственный символьный токенизатор с разделителем слов. Основной сценарий — анализ произношения отдельных коранических слов, включая исследования таджвида и выравнивание аудио с фонетической транскрипцией. Модель обучена на наборе Buraaq/quran-md-words с аудио отдельных слов и рассчитана на классическое арабское чтение Корана, а не на разговорную речь или современный арабский ASR. Она может служить компонентом учебных и исследовательских инструментов, но не оценивает таджвид целых аятов и не предназначена для религиозных суждений или замены преподавателя Корана. Базовая модель — facebook/wav2vec2-base; лицензия — Apache-2.0.

ishikaa/acquisition_student_medmcqa_diversity_sft_llama8b — текстовая генеративная модель на базе семейства Llama, опубликованная пользователем ishikaa на Hugging Face. По имени модели она ориентирована на дообучение SFT для ответов на вопросы из медицинского бенчмарка MedMCQA, однако README не содержит подробностей о разработчике, исходной модели, датасете или процедуре обучения. Модель имеет около 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Она предназначена для генерации текста и может применяться к решению медицинских вопросов с вариантами ответа, подготовке учебных объяснений и созданию прототипов ассистентов для работы с медицинскими знаниями. Для использования заявлена библиотека Transformers; сведения о лицензии в доступных данных отсутствуют. README не приводит результатов оценки, описания качества, состава обучающих данных, ограничений безопасности или рекомендаций по эксплуатации. Ответы модели не следует использовать как единственное основание для медицинской диагностики, лечения или других клинических решений; необходима проверка специалистом.

AmberYifan/capsd-qwen3-numina-Qwen3-4B-Base-math_cap_b2000_s0 — дообученная AmberYifan языковая модель семейства Qwen3 для генерации текста. Она создана на основе Qwen/Qwen3-4B-Base и обучена на наборе capsd_Qwen3-4B-Base-n80000-numina__mix_math_cap_b2000_s0, что указывает на математическую направленность обучения. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и контекст до 32 768 токенов; доступны веса в формате safetensors и интерфейс чата. Модель предназначена для генерации текста в диалоговом формате и может применяться для математических запросов и задач рассуждения, связанных с данными обучения. README не приводит результатов оценки или подробностей о целевых сценариях, поэтому качество на конкретных математических задачах не подтверждено. Лицензия указана как other; условия её использования следует уточнять в карточке модели и у правообладателя.

AmberYifan/capsd-qwen3-numina-Qwen3-4B-Base-math_random_b2000_s0 — дообученная AmberYifan модель Qwen3-4B-Base для генерации текста. Она обучена на наборе capsd_Qwen3-4B-Base-n80000-numina__mix_math_random_b2000_s0 и предназначена для текстовых диалогов и генерации ответов, в том числе в математических сценариях. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и контекст до 32 768 токенов. Репозиторий содержит веса Safetensors для Transformers; метаданные указывают на возможность диалога. README не приводит результатов оценки и подробностей о качестве на математических задачах. Лицензия указана как other, поэтому условия использования следует сверить с лицензией и файлами репозитория.