IV.5Образование и развитие навыков

Fatimah Emad Eldin разработала эту модель на основе facebook/wav2vec2-xls-r-300m для задачи Iqra’Eval 2026. Это модель распознавания речи на базе Wav2Vec2 с архитектурой CTC, дообученная для фонемной транскрипции чтения коранических текстов на современном стандартном арабском языке и выявления ошибок произношения. Модель принимает аудио с частотой дискретизации 16 кГц и выдаёт последовательности фонем. Она обучалась на примерно 159 часах арабской речи, включая записи носителей языка с псевдоразметкой и синтетическую речь с намеренно внесёнными заменами, пропусками и вставками фонем. Во время дообучения сверточный экстрактор признаков был заморожен, а слои Transformer обновлялись. Размер модели по метаданным — 402,7 млн параметров. В слепом тесте IqraEval/QuranMB.v2 README сообщает F1 0,2020, поэтому качество распознавания ошибок на этом тесте ограничено. Модель предназначена для фонемной транскрипции и анализа произношения в указанном сценарии; её пригодность для других языков и видов речи не установлена. Лицензия — Apache-2.0.

Zagreus ITALIC SFT — плотная языковая модель семейства Llama с 437,7 млн параметров, разработанная FinancialSupport и дообученная на базе mii-llm/zagreus-0.4B-ita для Italian Post-Training Challenge. Модель предназначена для выбора ответа в заданиях с несколькими вариантами, в том числе по материалам MMLU на итальянском языке. Для обучения использовались внешние италоязычные наборы MMLU и MMLU-ProX-Lite; ответы бенчмарка ITALIC в обучении не применялись. Контекст модели — до 4096 токенов. Указана лицензия Apache-2.0. Карточка содержит сведения об оценке на ITALIC, однако её результаты в предоставленном README не раскрыты.

Bee1reason-arabic-Qwen-14B — языковая модель компании Beetleware, созданная на базе unsloth/Qwen3-14B и дообученная для логических и дедуктивных рассуждений на арабском языке. Она сохраняет возможности диалогового общения и следует формату сообщений пользователя и ассистента. Модель имеет архитектуру Qwen3ForCausalLM, содержит 14 млрд параметров и рассчитана на контекст до 40 960 токенов. Для обучения применялся LoRA на наборе арабских задач на рассуждение; адаптеры были объединены с базовыми весами, итоговая модель сохранена в формате float16 и может запускаться как самостоятельная модель. Карточка указывает лицензию Apache-2.0. Модель подходит для решения арабоязычных логических задач, дедукции и объяснения ответов в диалоге. Она может ошибаться на сложных или незнакомых задачах, галлюцинировать; качество зависит от обучающих данных, а возможности на других языках могут быть ограничены.

BioMistral-7B-TIES — языковая чат-модель для генерации текста в медицинской и биомедицинской тематике. Это слияние моделей BioMistral/BioMistral-7B и mistralai/Mistral-7B-Instruct-v0.1 методом TIES; в карточке указано, что для слияния использован mergekit. Архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов; карточка перечисляет французский, английский, польский, испанский, итальянский, румынский, немецкий и нидерландский языки. Модель предназначена для диалоговых запросов и генерации ответов по биологии и медицине, включая вопросы по медицинским публикациям и учебным темам. Она доступна в формате safetensors через Transformers и распространяется по лицензии Apache-2.0. Авторы предупреждают, что модель не была проверена в реальных клинических условиях и не предназначена для профессиональных медицинских решений или непосредственного применения в производственной среде. Для медицинского использования требуется отдельная оценка и адаптация к конкретному сценарию.

AmberYifan/capsd-qwen3-numina-Qwen3-4B-Base-math_random_b4000_s0 — дообученная языковая модель семейства Qwen3, созданная на основе Qwen/Qwen3-4B-Base. Для обучения использован датасет capsd_Qwen3-4B-Base-n80000-numina__mix_math_random_b4000_s0; название датасета указывает на математическую тематику, но карточка не описывает конкретные навыки модели или результаты оценки. Модель имеет плотную архитектуру Qwen3ForCausalLM и 3,7 млрд параметров. Она принимает текст и генерирует текст, поддерживает диалоговый сценарий и контекст длиной до 32 768 токенов. Метаданные указывают библиотеку Transformers и формат весов safetensors. В карточке указана лицензия other, поэтому конкретные условия использования следует сверить с файлами и условиями репозитория.

AmberYifan/capsd-qwen3-sciweb-stackexchange-Qwen3-4B-Base-science_cap_b4000_s0 — дообученная плотная языковая модель семейства Qwen3, разработанная на основе Qwen/Qwen3-4B-Base. В ней около 3,7 млрд параметров; модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. Модель обучена на наборе capsd_Qwen3-4B-Base-n80000-sciweb-stackexchange__mix_science_cap_b4000_s0. Название набора указывает на научные и Stack Exchange материалы, поэтому модель может быть полезна для генерации ответов и текста на соответствующие темы; подробное описание обучения и оценки в карточке отсутствует. Указана библиотека Transformers и формат весов safetensors. Лицензия обозначена как other, конкретные условия использования требуют проверки на странице модели.

Модель bookbot/gpt2-indo-medium-kids-stories разработана Уилсоном Вонгсо на основе предварительно обученной GPT-2 Medium для индонезийского языка. Это причинная языковая модель GPT-2 с 345 млн параметров, дообученная на детских историях из Room to Read и Let's Read. Она генерирует продолжение текста на индонезийском языке; например, может сочинять или продолжать детские рассказы по заданному началу. Для обучения использовались Transformers Trainer и PyTorch. Контекст модели — до 1024 токенов. На отложенной части обучающей выборки указаны значение функции потерь 3,579 и perplexity 35,84. Модель распространяется по лицензии MIT. В результатах могут проявляться смещения исходной GPT-2 и набора детских историй.

gpt-oss-120b-Distill-Phi-4-14B-GGUF — текстовая языковая модель, разработанная Soren на основе Microsoft Phi-4 размером 14 млрд параметров. Модель дообучалась в рамках трёхэтапной схемы SFT (Cold Start) → RLHF с алгоритмом GRPO → SFT и использует дистиллированные данные от открытой модели gpt-oss-120b. Методология опирается на работы DeepSeek-R1, DeepSeekMath и Phi-4-reasoning. Модель предназначена прежде всего для генерации ответов с многошаговым рассуждением, особенно при решении математических задач и задач вопросно-ответного типа. В обучении применялись OpenMathReasoning-mini, open-r1/DAPO-Math-17k-Processed и openai/gsm8k; GRPO оптимизировал модель по корректности решений и формируемой цепочке рассуждений. Заявлены английский и китайский языки. Архитектура, модальность и размер контекста, помимо базовой Phi-4 на 14 млрд параметров, в README не уточняются. Сильными сторонами модели являются акцент на многошаговом reasoning, использование многоэтапного обучения с подкреплением и SFT, а также ориентация на математические задачи. Ограничения включают отсутствие в представленных данных подробных результатов бенчмарков, гарантии качества на общих диалоговых и прикладных сценариях, а также сведений о поддерживаемом контексте и инференсных требованиях. Модель распространяется по лицензии Apache-2.0.

HyperCLOVA-X-SEED-MISHULTA-SolarFree-v1.0 — корейская разговорная языковая модель команды MISHULTA, созданная для хакатона K-DATA SCIENCE. Это плотная модель HyperCLOVA X на 14,1 млрд параметров с архитектурой HyperCLOVAXForCausalLM и контекстом до 131 072 токенов. Она дообучена методом QLoRA на базовой модели HyperCLOVAX-SEED-Think-14B, после чего адаптер объединён с базовыми весами. Модель предназначена для генерации ответов на корейские задачи множественного выбора и рассуждений: обучение включало преобразованные данные AI Hub, собственные примеры self-STaR и данные учителя DeepSeek-R1. Вариант SolarFree исключает данные, созданные Solar Pro 4; README указывает 14 435 пригодных примеров обучения за одну эпоху и сообщает, что тестовые разбиения не использовались при обучении. Шаблон чата по умолчанию отключает вывод рассуждений, его можно включить параметром force_reasoning. Репозиторий содержит веса safetensors и поддерживает генерацию текста в формате чата. Лицензия наследуется от базовой модели HyperCLOVA X SEED; её конкретные условия в предоставленных данных не раскрыты.

maninglearchine разработала модель для бинарной классификации корейских экономических и финансовых статей: она определяет, подходят ли они для обучения детей до 13 лет. Модель основана на klue/bert-base и дообучена на 5 000 синтетических примерах с автоматически назначенными метками. Это BERT-классификатор последовательностей объёмом 137,8 млн параметров; метаданные указывают контекст до 512 токенов, однако в README рекомендовано подавать короткий текст длиной до 64 токенов. Модель выдаёт одну из двух меток: «подходит» или «не подходит». Она предназначена для предварительной фильтрации статей по темам базовой экономики, финансовых понятий и сложных либо рискованных финансовых инструментов. Лицензия MIT разрешает свободное использование, изменение и распространение. Обучение на шаблонных синтетических данных ограничивает перенос результатов на реальные новости с неоднозначным контекстом и смешанными темами. Указанные в README идеальные метрики получены на небольшом тестовом наборе и не подтверждают качество на реальных статьях; перед практическим применением рекомендуется дообучение на таких материалах.

QuantFactory/Llama3.1-8B-Cobalt-GGUF — квантизированная версия модели Cobalt, разработанной Valiant Labs на основе Meta Llama 3.1 8B Instruct. Квантизация выполнена с использованием llama.cpp. Модель предназначена прежде всего для генерации ответов в математических задачах и диалоговых сценариях в формате инструкций Llama 3.1 Instruct. Cobalt дообучена на синтетических данных для математических инструкций, сгенерированных моделью Llama 3.1 405B. Для повышения согласованности в общих чатах также использовалась небольшая выборка из набора LDJnr/Pure-Dove; основной набор данных — sequelbox/Polytope. Заявлена поддержка английского языка, текстовой модальности и архитектуры Llama. Размер базовой модели — 8 млрд параметров; версия Cobalt датирована 16 августа 2024 года. Сильной стороной модели является специализация на математических инструкциях при сохранении возможностей диалогового общения. Ограничения включают зависимость от формата подсказок Llama 3.1 Instruct и отсутствие в README подробных сведений о типе и параметрах квантизации, размере контекста, результатах бенчмарков и известных ограничениях качества. Модель распространяется по лицензии llama3.1.

Это дообученная методом LoRA модель benhaotang на базе meta-llama/Llama-3.2-1B-Instruct. Она предназначена для ответов на вопросы по физике и проверки формулировок физических концепций; обучение проводилось на наборе kejian/arxiv-physics-debug-v0 в течение трёх эпох. Модель имеет плотную архитектуру LlamaForCausalLM, около 1,2 млрд параметров, принимает текст и генерирует текст. Заявленный размер контекста — 131 072 токена; основной язык карточки — английский. Автор позиционирует модель для проверки концепций и предупреждает, что ответы по физике нельзя считать надёжными для реальных задач. Модель распространяется по лицензии Llama 3.2.

Это экспериментальная версия языковой модели Nemotron-3-Nano-4B, созданная анонимной исследовательской группой и дообученная методом GRPO на базе nvidia/NVIDIA-Nemotron-3-Nano-4B-BF16. Модель предназначена для пошагового решения математических задач и выдачи ответа в формате \boxed{}; при обучении использовался бюджет генерации до 8 192 токенов, а опубликованный чекпойнт соответствует шагу 300. В метаданных указаны архитектура NemotronHForCausalLM, 6,4 млрд параметров и контекстное окно 262 144 токена. Модель принимает текстовые запросы и генерирует текстовые рассуждения и ответы. Она основана на модели NVIDIA, но выпущена как часть анонимной заявки на ICLR 2027; лицензия обозначена как other, поэтому условия использования следует проверять в репозитории. Ориентация на математические рассуждения и ограниченный обучающий бюджет генерации не гарантируют точность на иных задачах или при длинных ответах.

bartowski/Qwen2.5-Math-1.5B-Instruct-GGUF — набор GGUF-квантизаций модели Qwen2.5-Math-1.5B-Instruct, разработанной Qwen. Модель предназначена для генерации текста в диалоговом формате и решения математических задач; указанный язык — английский. Она ориентирована на локальный запуск через llama.cpp и совместима, в частности, с LM Studio. Модель содержит 1,5 млрд параметров и поставляется в вариантах от F16 до низкобитных квантизаций Q8_0, Q6, Q5, Q4, Q3 и IQ. Размер файлов составляет примерно от 0,78 до 3,09 ГБ. Доступны варианты, оптимизированные для ARM-инференса; отдельные форматы требуют поддержки SVE или i8mm. Квантизации созданы с использованием imatrix и llama.cpp, что позволяет выбирать баланс между качеством, объёмом памяти и скоростью локального запуска. Сильные стороны модели — компактный размер, специализированная математическая направленность и широкий выбор вариантов квантизации для устройств с разными ресурсами. Ограничения включают меньшую мощность по сравнению с более крупными моделями, заявленную поддержку только английского языка и возможное снижение качества в низкобитных вариантах. Для работы требуется соблюдать формат промпта Qwen и использовать совместимое ПО. Базовая модель распространяется по лицензии Apache-2.0.

Qwen2.5-Math-1.5B-RoPE-300k — вариант модели Qwen/Qwen2.5-Math-1.5B, подготовленный rowan-dauria для работы с длинным контекстом и дальнейшего дообучения на задачах рассуждений. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров, предназначенная для генерации текста, в частности решений математических задач. Веса не изменены: в конфигурации увеличена базовая частота RoPE, снято ограничение sliding window, а максимальная длина контекста изменена с 4096 до 32768 токенов. Модель можно использовать как основу для SFT с длинными математическими рассуждениями и для генерации решений, требующих более длинного контекста. Карточка базовой модели указывает английский и китайский языки. Репозиторий использует Transformers и формат safetensors; интерфейс поддерживает чат и вызов инструментов. Лицензия — Apache-2.0. Увеличенное окно контекста задано изменением rope_theta и параметров конфигурации при неизменных весах, поэтому карточка не подтверждает отдельное обучение на длинных последовательностях или качество на предельной длине контекста. Для дальнейшего обучения и применения следует учитывать, что расширение контекста само по себе не гарантирует сохранение точности базовой модели на длинных входах.

Qwen2-Math-1.5B — базовая плотная языковая модель семейства Qwen2, разработанная командой Qwen. Она содержит 1,5 млрд параметров и предназначена для генерации продолжений текста, решения арифметических и математических задач, а также многошаговых рассуждений; базовую версию обычно используют для дополнения текста, few-shot-запросов и как основу для дообучения, а не как готовую инструкционную модель для диалога. Модель принимает текст и генерирует текст. Она в первую очередь ориентирована на английский язык; в README указано, что на момент публикации эта версия преимущественно поддерживает английский. Контекст составляет до 4096 токенов. В репозитории представлены веса Safetensors, лицензия — Apache-2.0. Модель специализирована на математике и может быть полезна для вычислений и задач, требующих последовательных логических рассуждений. Это базовая модель, поэтому качество диалоговых ответов и следование инструкциям не гарантированы на уровне версии Instruct; её также следует оценивать на целевых задачах перед применением.

Qwen2-Math-72B-Instruct-GGUF — это набор файлов модели в формате GGUF для Qwen2-Math-72B-Instruct, разработанной командой Qwen и квантованной MaziyarPanahi. Модель предназначена для генерации текста с акцентом на математические задачи и работу в формате инструкций. Формат GGUF ориентирован на локальный запуск через llama.cpp и совместимые библиотеки и приложения, включая llama-cpp-python, LM Studio, text-generation-webui, KoboldCpp, GPT4All и другие. В репозитории представлены варианты квантования с разрядностью 2, 3, 4, 5, 6 и 8 бит, что позволяет выбирать компромисс между размером файлов, требованиями к памяти и качеством вывода. Базовая модель имеет размер 72B; сведения о точной архитектуре, поддерживаемых языках, модальностях и размере контекста в README не указаны. Сильная сторона модели — возможность локального использования в распространённой экосистеме GGUF и адаптация под разные аппаратные ограничения благодаря нескольким уровням квантования. Ограничениями являются потенциальная потеря качества при более агрессивном квантовании и высокие требования к ресурсам для запуска 72B-версии. Лицензия в README не указана.

Qwen2-Math-7B-Instruct-GGUF — это квантизированная версия языковой модели Qwen2-Math-7B-Instruct, подготовленная пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и диалогового взаимодействия, прежде всего для решения математических задач и формулирования ответов на английском языке. Она распространяется в формате GGUF и может запускаться, в частности, через LM Studio. Модель содержит около 7 миллиардов параметров; архитектура исходной модели в README не описана. Доступны варианты от F32 до низкобитных Q2–Q8-квантизаций с размером файлов примерно от 2,78 до 30,47 ГБ. Более высокие уровни квантизации обычно сохраняют лучшее качество, тогда как варианты Q3 и Q2 рассчитаны на системы с меньшим объёмом оперативной памяти. Для отдельных вариантов эмбеддинги и выходные веса сохранены в формате Q8_0. Рекомендуемый формат prompt использует специальные токены чата Qwen. Сильной стороной является выбор вариантов квантизации, позволяющий запускать модель на различном оборудовании при компромиссе между качеством и требованиями к памяти. Ограничения включают отсутствие в README сведений о размере контекстного окна, поддерживаемых модальностях помимо текста и результатах оценки качества; заявлен только английский язык. Модель и её квантизированные файлы распространяются по лицензии Apache-2.0.

SeongryongJung/Qwen3-4B-Biology-SDPO-TR — исследовательский чекпойнт языковой модели Qwen3-4B, дообученный методом SDPO-TR на биологических задачах. В репозитории сохранены лучший чекпойнт по валидационному показателю mean@16 на шаге 30 и финальный чекпойнт на шаге 100; размер обучающего батча составлял 32. Модель предназначена для генерации текста и ответов на вопросы по биологии. В README приведены результаты валидации mean@16: 52,88% для лучшего чекпойнта и 40,75% для финального. Архитектура — плотная авторегрессионная Qwen3ForCausalLM с 3,7 млрд параметров и контекстом до 40 960 токенов. Карточка не уточняет языковой состав биологических данных. Для загрузки указана библиотека Transformers; лицензия — Apache-2.0.

SeongryongJung/Qwen3-4B-Chemistry-SDPO-TR — экспериментальный чекпойнт Qwen3-4B, обученный методом SDPO-TR для задач по химии с размером обучающего батча 32. В репозитории находится лучший и одновременно финальный контрольный чекпойнт global_step_100, выбранный по валидационной метрике mean@16. Модель представляет собой плотную авторегрессионную языковую модель Qwen3ForCausalLM примерно на 3,7 млрд параметров. Она принимает текст и генерирует текст; заявленная длина контекста — 40 960 токенов. В карточке приведён результат 74,91% на валидации Chemistry по mean@16. Доступна в формате safetensors и загружается через Transformers. Модель предназначена для генерации ответов и рассуждений по химическим задачам. Результат указан только для одного валидационного набора и метрики, поэтому он не гарантирует качество на других химических задачах или в практических сценариях. Лицензия — Apache-2.0.

SeongryongJung выпустил дообученный чекпойнт Qwen3-8B для генерации текста в задачах химии. Модель создана методом SDPO с EMA-обновлением учителя и опубликована в формате Transformers; в репозитории находится последний чекпойнт обучения global_step_100. Это плотная причинная языковая модель с 7,6 млрд параметров и контекстом до 40 960 токенов, унаследованная от Qwen/Qwen3-8B. Модель предназначена для генерации ответов и рассуждений по химическим задачам. В README приведена лучшая валидационная метрика mean@16 — 77,86% на шаге 80; она не обязательно отражает качество опубликованного последнего чекпойнта, для которого указано 77,47%. Поддержка русского языка отдельно не заявлена. Лицензия — Apache-2.0.

BayesRL/Qwen-B3PO-7B — языковая модель Qwen2.5-Math с 7,1 млрд параметров, дообученная BayesRL методом B3PO для обучения с проверяемыми вознаграждениями (RLVR). Метод использует вариационный оптимизатор IVON и исследует пространство параметров, применяя одну выборку возмущённых весов на шаг градиентного обучения. Модель построена на базе BayesRL/Qwen2.5Math-IVON-SFT-7B; в карточке также указана исходная модель Qwen/Qwen2.5-Math-7B. Модель предназначена для генерации решений математических задач и экспериментов с RLVR; её оценивали на AIME 2024–2026, MATH-500, AMC 2023 и Minerva. Это плотная авторегрессионная архитектура Qwen2, работающая с текстом и имеющая контекст 4096 токенов. Карточка указывает английский язык. Весовые файлы доступны в формате safetensors, лицензия — Apache-2.0.

Yashasya-1/qwen-math-finetune — дообученная модель семейства Qwen2, созданная Yashasya-1 на базе unsloth/Qwen2.5-Math-1.5B-Instruct-bnb-4bit. Это плотная авторегрессионная модель с 1,5 млрд параметров для генерации текста; базовая версия ориентирована на математические задачи, однако карточка не описывает конкретные результаты или специализацию дообучения. Модель рассчитана на диалоговое использование, поддерживает английский язык и имеет контекстное окно 4096 токенов. В README указано, что обучение проводилось с Unsloth и библиотекой TRL. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Возможности модели за пределами генерации текста и заявленная точность на математических задачах в карточке не раскрыты.

Модель sanderland/science-sobotta-anatomical-drawings — версия Stable Diffusion, дообученная автором на концепции sbtstyle методом DreamBooth. Она предназначена для создания изображений анатомических рисунков по текстовым запросам; для воспроизведения стиля в запрос добавляют формулировку «an anatomical drawing in the style of sbtstyle». Модель распространяется в форматах Diffusers и PyTorch и создана в рамках DreamBooth Hackathon. Обучающий набор основан на изображениях анатомических рисунков Sobotta; автор указывает, что исходные изображения имеют разное число каналов и для подготовки данных требуется преобразование в оттенки серого с тремя каналами. Лицензия — CreativeML OpenRAIL-M. Модель ориентирована на стилизованную генерацию анатомических иллюстраций; README не сообщает размер модели, длину контекста или языковой охват.

SenseNova-SI-1.5-InternVL3-8B — мультимодальная модель SenseNova для пространственного понимания изображений, созданная на базе SenseNova-SI-1.4-InternVL3-8B и архитектуры InternVL3. Она принимает изображение и текстовый запрос и формирует текстовый ответ; предназначена для пространственных задач, включая анализ и решение задач по стереометрии, рассуждение о трёхмерных формах и интерпретацию пространственных сцен. В README отмечены улучшения на задачах по стереометрии и результаты на тестах SolidGeo MCQ, SolidMath и Math3D. Модель выпущена в формате safetensors для использования с Transformers. README приводит примеры работы с проекциями трёхмерных объектов, развёртками фигур и 3D-графикой. Лицензия — Apache-2.0. Модель ориентирована прежде всего на китайские задачи по стереометрии; результаты на бенчмарках не гарантируют точность на других типах изображений и запросов. Проект SenseNova-SI продолжает развиваться.

Time-Embed BGE-M3 LMS Temporal Phase2.41 — исследовательский чекпойнт на базе BAAI/bge-m3, предназначенный для поиска корейских выражений времени в контексте LMS. Модель преобразует текст в эмбеддинги: формулировки с одинаковым временным значением, например «일주일 전», «7일 전» и «1주 전», должны располагаться близко в пространстве представлений. Архитектура — плотная XLM-RoBERTa, 658,7 млн параметров; контекст — до 8194 токенов. Чекпойнт предназначен для экспериментов с поиском и ранжированием временных выражений, включая запросы об учебных заданиях, тестах и календарных периодах. В README указаны результаты внутренних проверок по временным выражениям, тестам и календарным запросам, а также сравнение с BAAI/bge-m3 на корейских задачах семантического сходства и вывода. Phase2.41 — это переклассификация чекпойнта Phase2.40 по скорректированному диагностическому критерию, а не новое обучение. Модель опубликована в формате safetensors под лицензией Apache-2.0. Она специализирована на корейских временных выражениях и не позиционируется как универсальная замена базовой модели для любых задач эмбеддингов; описанные в карточке проверки относятся к внутренним бенчмаркам и не гарантируют качество на других данных.

Uni-MuMER-Qwen3.5-2B — дообученная модель phxember на базе Qwen/Qwen3.5-2B для распознавания рукописных математических выражений. Она принимает изображение выражения и преобразует его в LaTeX; для специализации использовано многозадачное дообучение с вспомогательными задачами Tree-CoT, Error-Driven Learning и подсчётом символов. Модель построена на мультимодальной архитектуре Qwen3.5 с гибридом Gated DeltaNet и Gated Attention и содержит 2,2 млрд параметров. В README приведены результаты на наборах CROHME 2014, 2016 и 2019: точность полного совпадения составляет 83,98%, 81,17% и 80,15% соответственно. Модель рассчитана на чтение рукописной математической записи, а не на общее распознавание текста или решение задач по формулам. Для использования указаны Transformers версии 5.0.0 и выше либо vLLM версии 0.19.0 и выше; README отмечает несовместимость требований к версиям Transformers между этими средами. Лицензия — Apache-2.0.

VetJarvis-4B-Instruct — специализированная текстовая языковая модель компании CHOONOK COMPANY для ветеринарных знаний о собаках и кошках. Она основана на Qwen3.5-4B и VetJarvis-4B-Base; в обучении использованы продолженное предобучение и дообучение по инструкциям на ветеринарных материалах, обезличенных клинических данных и общих корейских и английских текстах. Модель содержит около 4,2 млрд параметров языковой модели и около 62 млн параметров MTP, использует архитектуру Qwen3_5ForConditionalGeneration и поддерживает контекст до 8 192 токенов. Модель предназначена для ответов на вопросы по ветеринарии, обучения и исследований, включая рассуждения по ветеринарным темам. В карточке сообщается о результатах в нескольких ветеринарных областях, в том числе гематологии и онкологии, ортопедии, эндокринологии и инфекционных заболеваниях. Модель работает только с текстом; в метаданных также заявлены диалоговый режим и интерфейс вызова инструментов. Модель может ошибаться, выдавать устаревшие или ветеринарно неточные сведения; ответы требуют проверки специалистом. Её нельзя использовать для клинических решений о реальных животных, включая диагностику, назначение препаратов и лечение. Лицензия указана как other; карточка разрешает исследовательское и образовательное использование, а более широкое применение связывает с лёгкой проверкой безопасности.

Papuguinho/aac-pictogram-retriever-ptbr-GGUF — компактная модель эмбеддингов, разработанная Papuguinho для поиска пиктограмм в системах альтернативной и дополнительной коммуникации (AAC). Это GGUF-квантизации базовой модели aac-pictogram-retriever-ptbr, предназначенные для запуска с llama.cpp. Модель оптимизирована для семантического поиска и переранжирования пиктограмм ARASAAC по коротким словам и фразам на бразильском португальском языке. Она может находить наиболее подходящую пиктограмму среди каталога примерно из 14 тысяч элементов и использоваться в приложениях для создания коммуникационных досок, в том числе в Papuguinho. Поддерживает асимметричные запросы для поиска и документов, после чего эмбеддинги сравниваются по косинусному сходству. Размер модели составляет около 157 млн параметров. Она работает на CPU и не требует GPU; потребление оперативной памяти зависит от квантизации и составляет примерно 105 МБ для Q4_K_M, 145 МБ для Q6_K, 190 МБ для Q8_0 и 320 МБ для f16. На специализированном бенчмарке модель показала Recall@1 0,546 при поиске по полному каталогу пиктограмм. Сильные стороны — компактность, автономный запуск и высокая эффективность именно в предметной области AAC на pt-BR. Ограничения — модель не предназначена для универсальных эмбеддингов, других языков или доменов вне поиска пиктограмм; заявленный контекст в README не указан. Лицензия — Gemma.

Mungert/AceMath-RL-Nemotron-7B-GGUF — это GGUF-версия текстовой генеративной модели AceMath-RL-Nemotron с заявленным размером 7B, ориентированная на reasoning и математические задачи. В README модель связана с NVIDIA и распространяется по NVIDIA Open Model License; конкретный автор базовой модели не указан однозначно. Файлы были сгенерированы с использованием llama.cpp, commit 19e899c. Модель предназначена для генерации текста, решения математических задач и исследовательских или прикладных сценариев, где важны рассуждения при ограниченных ресурсах. Формат GGUF подходит для инференса через совместимые реализации llama.cpp, включая запуск на CPU, устройствах с небольшим объёмом VRAM и edge-устройствах. Указан английский язык, текстовая модальность и контекст 2048 токенов в приведённых тестах. Ключевая особенность карточки — применение ультранизкобитной precision-adaptive квантизации IQ-DynamicGate с форматами 1–2 бита. Она распределяет точность по слоям и защищает embeddings и output layers, стремясь снизить потерю качества при уменьшении размера модели. На тестах Llama-3-8B заявлено заметное снижение perplexity по сравнению со стандартной 1–2-битной квантизацией, при небольшом увеличении размера и сопоставимой скорости инференса. Ограничения включают возможное снижение точности у низкобитных вариантов, зависимость качества и скорости от конкретного файла и оборудования, а также отсутствие подробных характеристик исходной архитектуры и официальных результатов именно для этой 7B-модели.