IV.5Образование и развитие навыков

AmberYifan/capsd-qwen3-numina-Qwen3-4B-Base-math_random_b8000_s0 — дообученная плотная языковая модель семейства Qwen3, созданная на основе Qwen/Qwen3-4B-Base. По названию датасета обучения модель ориентирована на математические задачи, однако карточка не описывает конкретные навыки и результаты оценки. Модель содержит 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и принимает текст для генерации текста. Заявленная длина контекста — 32 768 токенов. Модель распространяется в формате safetensors и использует библиотеку Transformers; лицензия указана как other.

AmberYifan/capsd-qwen3-sciweb-stackexchange-Qwen3-4B-Base-science_cap_b8000_s0 — дообученная плотная языковая модель семейства Qwen3, созданная на основе Qwen/Qwen3-4B-Base. В модели около 3,7 млрд параметров; она использует архитектуру Qwen3ForCausalLM и формат весов safetensors. Для работы с текстом доступно контекстное окно до 32 768 токенов. Модель предназначена для генерации текста; по названию обучающего набора можно предположить специализацию на научных материалах и содержимом Stack Exchange, однако карточка не описывает конкретные сценарии или результаты оценки. Лицензия указана как other, поэтому условия использования следует проверять в материалах репозитория.

Это 3,2-миллиардная языковая модель для генерации текста и математического рассуждения, разработанная logan7000 в рамках эксперимента CogRPO N3 Ring. Модель дообучена методом GRPO на базе meta-llama/Llama-3.2-3B-Instruct; данный репозиторий содержит её GGUF-квантизации, выполненные tinyopsec с использованием llama.cpp. Вариант groupB-llama32-end относится к ветке Llama-3.2, обученной на задачах MATH уровней 3–5. Модель предназначена прежде всего для решения математических задач и связанных сценариев генерации текста с применением локального инференса через llama.cpp, llama-cpp-python, LM Studio или Ollama. Она использует архитектуру LlamaForCausalLM, поддерживает контекст до 32 768 токенов и, согласно указанным данным, работает с английским языком. Доступны варианты точности от F16 до 2-битной квантизации; рекомендуемым вариантом по умолчанию назван Q4_K_M размером около 2 ГБ, а Q6_K описан как вариант почти без потерь качества. К сильным сторонам относятся специализация на математическом reasoning, возможность работы только на CPU и широкий выбор компромисса между качеством и требованиями к памяти. К ограничениям относятся небольшой размер по современным меркам, возможное снижение качества при агрессивной квантизации и отсутствие заявленной мультимодальности. Модель распространяется по лицензии llama3.2; дополнительные условия исходной базовой модели следует учитывать отдельно.

Это модель классификации предложений на основе DeBERTa-v3-small, дообученная mrm8488 на наборе CoLA из бенчмарка GLUE. Она оценивает, является ли предложение грамматически приемлемым; в README указаны результат Matthews Correlation 0,6333 и loss 0,4051 на оценочной выборке. Архитектура DeBERTa использует раздельное представление содержимого и позиции в механизме внимания и улучшенный декодер маски. Вариант v3 при предварительном обучении применяет задачу обнаружения заменённых токенов. Карточка описывает исходную конфигурацию как 6 слоёв с размером скрытого состояния 768; метаданные репозитория указывают 155 млн параметров, контекст до 512 токенов, форматы PyTorch и safetensors и лицензию MIT. Модель подходит для оценки грамматической приемлемости отдельных английских предложений. Обучающие данные CoLA содержат предложения из лингвистических публикаций с экспертными оценками грамматичности; это узкая задача, поэтому модель не следует считать универсальным классификатором текста или средством проверки всех аспектов письма. Оценка на бенчмарке не гарантирует такое же качество на иных текстах.

FastCuRL-1.5B-Preview — экспериментальная модель рассуждений, разработанная авторами проекта FastCuRL. Она создана дообучением DeepSeek-R1-Distill-Qwen-1.5B методом обучения с подкреплением по учебной программе с итеративным увеличением длины рассуждений. Модель предназначена для генерации текста с пошаговыми рассуждениями, прежде всего для решения математических задач. Модель использует плотную архитектуру Qwen2 и содержит 1,5 млрд параметров. Она принимает текст и рассчитана на контекст до 131 072 токенов. Для обучения использовали 40 315 пар задач и ответов из AIME, AMC, Omni-MATH и других наборов; в README приведены результаты на нескольких математических тестах. Репозиторий содержит веса Safetensors, модель работает с Transformers и распространяется по лицензии MIT.

Gemma-FULL-RAC-Colombia_v2 — модель для генерации текста на основе Gemma, разработанная Edison Bejarano и Nicolai Potes при финансировании Fundación Universitaria Los Libertadores. Модель дообучена с помощью LoRA на датасете колумбийских авиационных правил Reglamento Aeronáutico Colombiano (RAC) и предназначена для испаноязычного контекста Колумбии. Модель поддерживает диалог и генерацию ответов на вопросы о RAC, упрощение нормативных текстов и подготовку учебных материалов. Архитектура — плотная GemmaForCausalLM с 2,5 млрд параметров; библиотека — Transformers, формат весов — safetensors, контекст — до 8192 токенов. Лицензия — Apache-2.0. Модель может ошибаться и отражать смещения обучающих данных; область её специализации ограничена авиационными правилами Колумбии, а знания не обновляются автоматически при изменении законодательства. Ответы для важных решений следует сверять с актуальными нормативными актами и специалистами; модель не предназначена для навигации и не заменяет юридическую консультацию.

GigaCheck-Detector-Multi — официальная мультиязычная модель проекта LLMTrace для обнаружения и локализации фрагментов текста, созданных искусственным интеллектом. Она обучена на английской и русской частях набора LLMTrace Detection, включающего тексты, написанные людьми, ИИ и в смешанном авторстве с посимвольной разметкой. Модель основана на трансформерной архитектуре Mistral и дообучена на базе mistralai/Mistral-7B-v0.3. Она предназначена для анализа документов, проверки академической добросовестности и исследований совместного авторства человека и ИИ; контекст составляет до 32 768 токенов. В оценке на тестовой выборке набора данных показатель mAP составил 0,8976 при IoU=0,5 и 0,7921 при IoU=0,5:0,95. Точность может снижаться на текстах, созданных языковыми моделями, выпущенными после сентября 2025 года. Модель может пропускать сгенерированные фрагменты, ошибочно помечать человеческий текст и неточно определять границы. Репозиторий распространяется по лицензии Apache-2.0.

GoGPT-3B-BLOOM — китайскоязычная модель генерации текста, разработанная на основе BLOOM и дообученная на разнообразных китайских инструкционных данных. Репозиторий содержит вариант примерно на 3 млрд параметров; метаданные указывают 3,8 млрд параметров и архитектуру BLOOM с причинной языковой моделью. Модель рассчитана на выполнение инструкций и генерацию ответов на китайском языке, включая задачи по школьной математике. В карточке отмечены отбор качественных китайских данных и небольшая дополнительная польза от второго и третьего раундов обучения. Указаны планы по RLHF и добавлению параллельного китайско-английского корпуса, что характеризует представленную версию как раннюю. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

LessThink-Qwen3-4B-v1 — дообученная методом GRPO модель семейства Qwen3, созданная автором репозитория на базе Qwen/Qwen3-4B. Она предназначена для диалоговой генерации текста и решения задач на рассуждение с более короткой внутренней цепочкой рассуждений. В тестах автор сообщает о сокращении числа токенов рассуждений на 52–63% на нескольких математических и академических бенчмарках; качество ответов в отдельных тестах немного ниже базовой модели, а при ограниченном бюджете токенов результаты заметно лучше. Модель имеет плотную архитектуру Qwen3ForCausalLM примерно на 3,7 млрд параметров и контекст до 40 960 токенов. Она обучена с GRPO поверх LoRA-адаптера ранга 64, затем адаптер объединён с базовыми весами; опубликованный чекпойнт соответствует шагу 50 из 400. Репозиторий распространяет веса в формате safetensors. Лицензия — Apache-2.0. Модель подходит для диалоговых задач, где важно быстрее получать правильные ответы и ограничивать расход токенов на рассуждения, особенно для математики и вопросов общего академического характера. Автор указывает, что модель ещё не оценивалась на программировании, агентных сценариях и следовании инструкциям; на математических соревнованиях без лимита токенов точность может снижаться на 2,5–8 процентных пунктов.

Oliver Sundaram разработал Llama-3.2-1B-MathCodeInstruct-5k как дообученную на 5 тысячах примеров модель Llama 3.2. Это плотная авторегрессионная языковая модель семейства Llama с 1,2 млрд параметров, рассчитанная на генерацию текста; она принимает текстовые запросы и выдаёт текст с пошаговыми рассуждениями на естественном языке, перемежаемыми исполняемым кодом Python. Модель предназначена прежде всего для решения математических текстовых задач и демонстрации того, как объём данных дообучения влияет на математические и общие способности. В тесте GSM8K она показала 7,4% против 5,8% у базовой модели; результаты по ARC-Challenge и HellaSwag остались близки к базовым. Контекст модели составляет 131072 токена. Карточка указывает английский язык; репозиторий использует формат safetensors и библиотеку Transformers. Это узкоспециализированная экспериментальная настройка, не предназначенная для роли универсального ассистента. Дообучение проведено за одну эпоху на небольшом подмножестве данных; показатели отражают ограничения базовой модели малого размера. Дополнительного safety alignment или RLHF сверх базовой модели не применялось. Лицензия указана как other, поэтому условия использования следует сверить в карточке репозитория.

bunnycore/Llama-3.2-3B-Sci-Think — объединённая генеративная языковая модель на архитектуре Llama, созданная с помощью mergekit методом passthrough на основе bunnycore/Llama-3.2-3B-science-lora_model и huihui-ai/Llama-3.2-3B-Instruct-abliterated. Модель содержит 3,2 млрд параметров, использует формат safetensors и рассчитана на контекст до 131072 токенов. Модель предназначена для генерации текста и диалоговых ответов с научной тематикой. Её можно использовать для черновых объяснений научных вопросов и ведения чата на эту тему. Метаданные также указывают интерфейс вызова инструментов, но не описывают его поведение подробнее. Карточка не сообщает результаты оценок качества или подробные ограничения научных ответов. Основа включает модель с ослабленными отказами; надёжность и уместность ответов следует оценивать для конкретного применения. Лицензия в предоставленных данных не указана.

Mari mBERT — модель семейства BERT, разработанная в рамках магистерской работы по лингвистике в Волжском государственном университете технологий для поддержки цифровых инструментов марийского языка. Это дообученная на корпусе из примерно 1,4 млн строк марийского текста модель google-bert/bert-base-multilingual-cased с архитектурой BertForMaskedLM и 205,1 млн параметров. В токенизатор добавлены 13 марийских буквенных знаков, отсутствовавших в исходном словаре. Модель принимает текст и предсказывает замаскированные в нём токены; длина контекста — до 512 токенов. Основная задача — восстановление пропущенных слов и буквенных последовательностей в марийском тексте. Модель задумана как основа для проверки орфографии и автокоррекции, предиктивного ввода, языковых упражнений, а также дальнейшего дообучения для разметки частей речи и синтаксического анализа. В описанной оценке точность составила 53,57% на 13 292 замаскированных позициях; карточка также сообщает о высоких показателях ранжирования относительно сопоставимых проектов малоресурсных языков. Модель распространяется по лицензии MIT. Обучающий корпус монолингвальный, диалектные варианты Hill Mari и Meadow Mari не разделены, а автоматические метрики не заменяют оценку носителями языка. Показатели на задачах проверки орфографии, предиктивного ввода и других прикладных сценариях в карточке не приведены.

tbs17 разработал MathBERT-custom — англоязычную модель BERT с 136,7 млн параметров, предварительно обученную на математических текстах от школьного до университетского и исследовательского уровня. Модель использует архитектуру BertForMaskedLM и контекст длиной до 512 токенов; регистр английских слов не учитывается. Модель предназначена прежде всего для дообучения на математических задачах, где анализируют предложение или его части: классификации текста и токенов, ответов на вопросы и восстановления замаскированных слов. Её также можно использовать для извлечения признаков из математического текста. Обучение проводилось на корпусе примерно из 100 млн токенов, включавшем школьные учебные материалы, учебники по математике и аннотации статей arXiv по математике. MathBERT-custom не предназначена для генерации математического текста; для этого в README рекомендуется авторегрессионная модель, например GPT-2. В карточке не указана лицензия, поэтому условия использования определить нельзя.

Sharathhebbar24/math_gpt2 — языковая модель GPT-2, дообученная на наборе ArtifactAI/arxiv-math-instruct-50k. Она генерирует продолжение текста по заданному текстовому запросу и ориентирована на математические тексты и инструкции на английском языке. Модель использует архитектуру GPT2LMHeadModel, распространяется в формате PyTorch и имеет контекст длиной до 1024 токенов. Модель подходит для генерации черновых объяснений и продолжений математических рассуждений. Качество ответов и точность вычислений отдельно в карточке не подтверждены, поэтому результаты следует проверять. Лицензия — Apache-2.0.

SJTU-DENG-Lab/MBD-Math-SDAR-8B-Chat-b32 — разговорная языковая модель семейства SDAR, представленная в репозитории проекта Multi-Block Diffusion Language Models (MBD-LMs). Модель предназначена для генерации текста в диалоговом формате; название указывает на математическую специализацию, однако README не описывает конкретные математические задачи или результаты оценки. Архитектура SDAR использует блочную диффузионную генерацию. В MBD-LMs несколько последовательных блоков декодируются параллельно; обучение с Multi-block Teacher Forcing и механизм Block Buffer предназначены для ускорения генерации. Модель содержит 7,6 млрд параметров, принимает контекст до 32 768 токенов и распространяется в формате safetensors через Transformers. Модель подходит для диалоговой генерации и математических запросов, но карточка не сообщает, какие языки поддерживаются, и не приводит численных сравнений скорости или качества. Лицензия — MIT.

Mistral-7B-MMIQC — плотная языковая модель Vivacem, полученная дообучением Mistral-7B на MMIQC. Она предназначена для генерации текста и решения математических задач; в README указана точность 36,0% на тестовой выборке MATH. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Доступна в формате Safetensors по лицензии Apache-2.0.

Модель Nemotron-3-Nano-4B · 16k-token budget · GRPO · firmbeetle — экспериментальный чекпойнт, дообученный анонимной командой для подачи на ICLR 2027 на базе nvidia/NVIDIA-Nemotron-3-Nano-4B-BF16. Это плотная авторегрессионная языковая модель семейства Nemotron-H с 6,4 млрд параметров, представленная в формате safetensors и предназначенная для генерации текста, диалогов и рассуждений, прежде всего при решении математических задач. При дообучении применялся GRPO, а ответы обучающей выборки ограничивались бюджетом генерации в 16 384 токена; указанный в метаданных нативный контекст модели составляет 262 144 токена. Чекпойнт остановлен на шаге 120 из запланированных 300, поэтому качество и устойчивость могут быть ниже, чем у завершённых вариантов обучения. Карточка не указывает язык обучения, а лицензия обозначена как other, поэтому условия использования следует проверять в репозитории модели.

Olmo 3.1 7B RL-Zero Math — экспериментальная языковая модель Allen Institute for AI (Ai2), созданная дообучением Olmo-3-1025-7B методом обучения с подкреплением по проверяемым наградам на наборе Dolci-RL-Zero-Math-7B. Это плотная авторегрессионная Transformer-модель примерно с 6,9 млрд параметров, предназначенная для генерации текста и решения математических задач с многошаговыми рассуждениями. Модель принимает текст, поддерживает английский язык и имеет контекст до 65 536 токенов. Модель рассчитана на исследование RLVR и применение в сценариях математического рассуждения; также может использоваться для генерации текстовых ответов и дальнейшей адаптации. Распространяется в формате safetensors и поддерживается библиотекой Transformers. Лицензия — Apache 2.0; Ai2 указывает исследовательское и образовательное назначение в соответствии с рекомендациями Responsible Use. Ответы могут содержать ошибки и предвзятость, а отсутствие фильтрации безопасности означает, что модель может выдавать вредный или чувствительный контент. Математические результаты следует проверять.

paperpass-v3 — китайскоязычная модель классификации текстов, разработанная PaperPass для определения, мог ли абзац быть создан ИИ. Она дообучена на базе hfl/chinese-roberta-wwm-ext-large и имеет архитектуру BERT для классификации последовательностей; в репозитории указано 424,3 млн параметров. Модель принимает китайский текст длиной до 512 токенов и выдаёт вероятности двух классов: «человек» и «ИИ»; вероятность класса «ИИ» используется как оценка уверенности в генерации текста ИИ. Модель предназначена для проверки китайских абзацев, в том числе академических текстов. В README приведены результаты тестирования: F1 95,1%, обнаружение LLM-текстов — 96,5%, а доля ошибочной классификации человеческих PDF-текстов как созданных ИИ — 0,8%. Эти показатели относятся к указанным в карточке данным и сценариям. Лицензия — MIT.

Pradheep1647 выпустил компактную языковую модель Qwen2.5-1.5B-Instruct, дообученную методом multi-teacher on-policy distillation (MOPD) на задачах GSM8K по математике. Модель построена на плотной архитектуре Qwen2 и содержит 1,5 млрд параметров; исходное обучение использовало QLoRA в 4-битном формате, после чего LoRA-адаптер объединили с базовыми весами для развёртывания. Контекст — до 32 768 токенов. Модель предназначена для генерации ответов и решения математических текстовых задач, в том числе арифметических задач начального уровня. В README указаны результаты GSM8K: pass@1 49,07%, pass@4 76,29% и pass@8 84,77% на детерминированной выборке из 256 задач; на MATH-500 pass@1 составляет 16,40%, pass@4 — 35,00%. Это специализированный результат для указанных тестов, а не гарантия качества на других задачах. Лицензия в предоставленных данных не приведена.

legraphista/Qwen2.5-Math-1.5B-Instruct-IMat-GGUF — это GGUF-квантизированная версия языковой модели Qwen2.5-Math-1.5B-Instruct, разработанной Qwen. Квантизацию выполнил legraphista с использованием llama.cpp версии b3787 и метода imatrix. Модель предназначена для генерации текста и диалоговых сценариев, прежде всего для решения математических задач и инструкционного взаимодействия. Модель имеет размер 1,5 млрд параметров, поддерживает текстовую модальность и язык English. Доступны варианты от BF16 и FP16 до Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и более компактных форматов с 2–4 битами. Для ряда вариантов применена IMatrix-квантизация, призванная сохранить качество при уменьшении размера. Размер файлов составляет примерно от 676 МБ до 3,09 ГБ. Данные о длине контекста, внутренней архитектуре и результатах бенчмарков в README не указаны. Основные преимущества — небольшой размер, поддержка запуска через экосистему llama.cpp и широкий выбор уровней квантизации для баланса между качеством, скоростью и требованиями к памяти. Ограничения связаны с малым размером модели по сравнению с более крупными системами, возможной потерей качества в низкобитных вариантах и отсутствием заявленных характеристик производительности. Модель распространяется по лицензии Apache-2.0.

Это языковая модель Qwen2 на 7,1 млрд параметров, дообученная npatel121 методом GRPO на наборе GSM8K. Модель предназначена для решения математических текстовых задач и генерации ответов в формате GSM8K; при обучении её настраивали выдавать результат в строгом XML-формате с целым числом. Модель основана на Qwen/Qwen2-7B-Instruct и использует архитектуру Qwen2ForCausalLM. Она принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. В опубликованном сравнительном эксперименте точность на оценке GSM8K выросла с 75,3% до 92,9%; сравнение с другими размерами модели автор характеризует как ориентировочное из-за отличий в параметрах обучения. Доступны веса bf16 в safetensors и токенизатор. Лицензия — Apache-2.0. Чекпойнт оптимизирован для математических задач GSM8K; его результативность на иных задачах и соблюдение заданного XML-формата за пределами использованного промпта не подтверждены.

Qwen2-Math-1.5B-Instruct-IMat-GGUF — это квантизированная GGUF-версия языковой модели Qwen/Qwen2-Math-1.5B-Instruct, разработанной командой Qwen. Квантизацию выполнил legraphista с использованием llama.cpp и калибровочных IMatrix-данных. Модель предназначена для генерации текста в диалоговом формате, прежде всего для решения математических задач и связанных с ними сценариев на английском языке. Модель имеет около 1,5 млрд параметров, относится к семейству Qwen2 и поддерживает текстовую модальность. Доступны варианты от BF16 и F16 до Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и ряда IQ-квантизаций; для многих вариантов применена IMatrix-квантизация. Размер файлов варьируется примерно от 676 МБ до 3,09 ГБ, что позволяет запускать модель на устройствах с ограниченными ресурсами через совместимые инструменты, включая llama.cpp. Основные преимущества — компактность, широкий выбор уровней квантизации и наличие вариантов, оптимизированных с помощью IMatrix для сохранения качества при уменьшении размера. Ограничения включают небольшой размер модели по современным меркам, поддержку только английского языка согласно карточке и возможное снижение качества на сильных уровнях квантизации. Сведения о размере контекста и точных архитектурных параметрах в карточке не указаны. Модель распространяется по лицензии Apache-2.0.

SeongryongJung/Qwen3-4B-Physics-SRPO-TR — дообученная модель Qwen3-4B, полученная запуском SRPO-TR с размером обучающего батча 32. Она предназначена для генерации ответов и рассуждений по задачам физики. В репозитории выбран лучший по validation mean@16 чекпойнт на шаге 90; его результат на валидации составил 72,50%, у финального чекпойнта на шаге 100 — 70,94%. Модель содержит около 3,7 млрд параметров, использует плотную архитектуру Qwen3 и доступна в формате safetensors; максимальный контекст — 40 960 токенов. Модель загружается через Transformers как причинная языковая модель. Базовая модель Qwen3-4B поддерживает диалоги, рассуждения, генерацию кода и многоязычные задачи, однако README описывает специализированный запуск для физики и не уточняет языки обучения или оценки. Лицензия — Apache-2.0. Приведённый результат относится к валидации с метрикой mean@16; сведения о переносе качества на другие наборы задач не представлены.

Это дообученная методом обучения с подкреплением модель Qwen3.5-35B-A3B, опубликованная cm00cm. Чекпойнт создан методом GRPO с проверкой результата по вознаграждению за правильность ответа на математические задачи из набора DAPO-math-17k и служит учителем на первом этапе конвейера дистилляции с обучением на собственных ответах. Для контрольной выборки из 512 задач автор сообщает точность 0,887 против 0,828 у базовой модели и среднюю длину ответа 6 248 против 14 070 токенов при указанном режиме оценки. Модель предназначена прежде всего для решения математических задач и выдачи более кратких ответов с проверяемым итогом. Это Qwen3.5-35B-A3B с архитектурой MoE; веса опубликованы в формате safetensors и загружаются через Transformers. Лицензия — Apache-2.0. Показатели приведены для конкретного набора и режима оценки, поэтому они не гарантируют такое же качество на других задачах; описание не приводит результатов для иных областей.

SFT-чекпойнт realtreetune/rho-1b-sft-MATH, дообученный на базе microsoft/rho-math-1b-v0.1 и предназначенный для генерации текста при решении математических задач. Модель опубликована пользователем realtreetune; базовая модель разработана Microsoft. Модель относится к семейству Rho, имеет архитектурные признаки Llama, содержит около 1 млрд параметров и поддерживает контекст до 2048 токенов. Она предназначена для работы через библиотеку Transformers и использует формат safetensors. Основной сценарий — генерация решений, рассуждений и ответов на математические задачи в текстовом формате. README не содержит сведений о языках, лицензии, обучающих данных, результатах оценки и конкретных ограничениях модели. Поэтому качество решения задач, устойчивость рассуждений и пригодность для практического применения следует проверять самостоятельно; ответы модели могут содержать ошибки.

DimensionSTP/Solar-Ko-Recovery-11B-scientific-qa — языковая модель, дообученная на наборе научных вопросов и ответов. В README указано, что для дообучения использована beomi/Solar-Ko-Recovery-11B; метаданные связывают модель с базовой upstage/SOLAR-10.7B-v1.0. Это плотная causal language model семейства Llama с 10,7 млрд параметров, рассчитанная на генерацию текста и работающая через Transformers в формате safetensors. Модель предназначена для ответов на научные вопросы и генерации текста на корейском и английском языках. Её контекст составляет 4096 токенов. Она распространяется по лицензии Apache-2.0. В карточке не приведены результаты оценки качества или сведения о конкретных научных дисциплинах, поэтому пригодность ответов следует проверять для целевого применения.

NightPrince/stt-arabic-whisper-finetuned-diactires — модель автоматического распознавания речи на основе Whisper Small, дообученная разработчиком NightPrince на записях чтения Корана из набора tarteel-ai/everyayah. Модель принимает аудио чтения и выдаёт арабскую транскрипцию с ташкилем — диакритическими знаками, включая огласовки и шадду. В метаданных указаны архитектура WhisperForConditionalGeneration, 153,1 млн параметров и библиотека Transformers. Модель предназначена для распознавания аятов и подходит для инструментов оценки чтения, приложений для изучения Корана и исламских образовательных платформ. В README сообщается о низком CER на тестировании, однако результаты относятся к указанному корпусу и конфигурации оценки. Модель обучена исключительно на чтении Корана, поэтому качество на обычной разговорной арабской речи может быть значительно хуже; длинные записи рекомендуется сегментировать. Вывод использует стиль письма Усмани из обучающего корпуса. Лицензия — Apache-2.0.

Time-Embed BGE-M3 LMS Temporal Phase2.90 — корейская модель эмбеддингов для поиска в системах управления обучением (LMS), разработанная на основе BAAI/bge-m3 и дообученная для точного различения выражений относительного времени. Она предназначена для поиска по запросам вроде «неделю назад», «за последние 7 дней» и «прошлый месяц», а также для различения похожих временных выражений с учётом типа материала или намерения пользователя. Модель использует архитектуру XLM-RoBERTa с 658,7 млн параметров, принимает текст и выдаёт векторные представления. Контекст составляет 8194 токена. Разработчик описывает её как узкоспециализированный вариант BGE-M3, а не замену базовой модели для общих задач. Внутренние проверки показали лишь очень небольшое улучшение относительно родительского чекпойнта Phase2.74; автор рекомендует использовать её при наличии внутренних проверок качества для временного, календарного и семантического поиска. Лицензия в предоставленных сведениях не указана.

LittleLearner — экспериментальная чат-модель на архитектуре Qwen3, созданная в рамках исследования LittleLearner. Эта версия содержит около 1,36 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и контекст до 4096 токенов. Модель дообучена методом GRPO поверх SFT для математических рассуждений; веса доступны в формате safetensors, для работы указаны Transformers и vLLM. Модель предназначена прежде всего для решения математических задач и оценки на MathCAMPS. В карточке приведены pass@1 45,7% для задач уровня K–5 и 16,5% для задач выше этого уровня. Чекпойнт обучен на неотфильтрованном по классу варианте образовательного корпуса FineWeb-Edu в рамках исследования, сравнивающего разные границы учебного материала. Автор предупреждает, что математическая специализация может ухудшить общие возможности диалога, а ответы могут быть чрезмерно ориентированы на математику. В метаданных лицензия обозначена как other; конкретные условия использования следует сверить с карточкой репозитория.