IV.5Образование и развитие навыков

AI Material Mechanics Assistant (Merged) — китайскоязычная языковая модель CYHcyh66 для генерации текста и ответов на вопросы по механике материалов и вводной инженерной механике. Модель построена на архитектуре Qwen2.5-7B с 7,1 млрд параметров и дообучена методом LoRA на 774 примерах из набора Material-mechanics-merge; веса LoRA объединены с базовой моделью и доступны в формате BF16. Метаданные указывают контекстное окно 131072 токена. Модель предназначена для объяснения понятий напряжения, деформации, изгиба, кручения, потери устойчивости, соотношений материала и теорий разрушения. Она может разбирать учебные задачи, приводить формулы и промежуточные рассуждения, а также помогать студентам и исследователям изучать механику материалов на китайском языке. Оценка модели проводилась качественно на типовых задачах; систематических сравнительных испытаний не представлено. Обучающие данные невелики и ограничены предметной областью, поэтому ответы и расчёты могут содержать ошибки в арифметике, единицах или рассуждениях. Модель не предназначена для применения как единственное основание для ответственных инженерных решений; результаты следует проверять по учебникам, стандартам, расчётам и экспертной оценке. Условия лицензии в предоставленных данных не описаны.

Canarim-7B-VestibulAide — авторская decoder-only модель семейства Llama, разработанная для работы с вопросами и заданиями бразильских вступительных экзаменов и государственных конкурсов. Модель размером 6,6 млрд параметров генерирует текст на португальском языке; поддерживает диалоговый сценарий и имеет контекст 4096 токенов. Модель предназначена для объяснения экзаменационных задач, пошагового разбора решений и помощи при подготовке к ENEM и другим вступительным испытаниям. В описанной оценке точность выбора ответа составила 35,71% на вопросах ENEM 2022 и 43,33% на ENEM 2023, поэтому ответы с выбором варианта следует проверять. Модель распространяется по лицензии Llama 2.

AmberYifan/capsd-qwen3-numina-Qwen3-4B-Base-math_cap_b4000_s0 — дообученная плотная языковая модель семейства Qwen3, созданная на основе Qwen/Qwen3-4B-Base. В ней около 3,7 млрд параметров; архитектура — Qwen3ForCausalLM, формат весов — safetensors. Для работы с текстом используется контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Название набора данных указывает на математические данные Numina, поэтому модель может быть полезна для экспериментов с решением и объяснением математических задач, однако README не приводит результатов оценки или подробностей обучения. Модель доступна по лицензии «other»; конкретные условия следует проверять на странице репозитория.

Coloring Pages — модель генерации изображений по текстовому описанию, представленная через ModelsLab и опубликованная на Hugging Face пользователем stablediffusionapi. Она предназначена для создания раскрасок по запросу; карточка показывает запуск через API ModelsLab с настройками ширины и высоты изображения, числа шагов генерации, guidance scale и отрицательного запроса. Репозиторий содержит веса в форматах Diffusers и PyTorch, а метаданные указывают StableDiffusionPipeline и лицензию CreativeML OpenRAIL-M. Пример в README использует английский prompt и просит создать портрет с яркими цветами, хотя сам пример не выглядит как запрос на раскраску; поэтому конкретные стилистические возможности стоит проверять отдельно. Модель принимает текст и выдаёт изображения. Сведения о размере модели, контексте и поддерживаемых языках в предоставленных источниках отсутствуют.

Lightblue/DeepSeek-R1-Distill-Qwen-7B-Japanese — японская дообученная версия DeepSeek-R1-Distill-Qwen-7B от команды lightblue. Модель предназначена для диалогов и генерации ответов с многошаговыми рассуждениями на японском языке, в том числе для математических задач. Она построена на плотной архитектуре Qwen2, содержит 7,1 млрд параметров и поддерживает контекст до 131 072 токенов; для запуска в README описано использование vLLM. Для дообучения применили supervised fine-tuning на японских промптах и ответах с рассуждениями, подготовленных на основе англоязычных данных. В приведённых авторами оценках модель чаще выдавала связный японский текст на разнообразных запросах, чем исходная версия, а на небольшом тесте GSM8K-ja показала более высокую точность. Модель распространяется по лицензии Apache-2.0. Оценки основаны на первых 50 примерах двух наборов данных и не гарантируют качество на других задачах. Модель может ошибаться в рассуждениях и ответах; заявленная специализация — японский язык, поэтому её не следует считать равноценно оптимизированной для других языков.

E1-Math-7B — языковая модель Salesforce, дообученная на базе Skywork-OR1-Math-7B методом GRPO для адаптивного математического рассуждения при ограниченном бюджете генерации. Модель учится продолжать решать задачу, когда процесс рассуждения ограничен по длине, и переносить это поведение на новые ограничения без дополнительного обучения. Модель построена на архитектуре Qwen2 и содержит 7,1 млрд параметров; поддерживает контекст до 131 072 токенов. Её можно применять для генерации решений математических задач и оценки моделей в сценариях с разным лимитом токенов. В опубликованных результатах E1-Math-7B показывает более высокую точность базовой модели при нескольких ограниченных бюджетах генерации. Модель выпущена для исследовательских целей; перед применением в значимых сценариях следует отдельно оценить точность и безопасность ответов. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но запрещает коммерческое применение.

EduChat-SFT-002-7B — дообученная на BELLE модель семейства LLaMA, представленная в виде разностных весов, которые нужно объединить с исходными весами LLaMA перед использованием. Это плотная авторегрессионная модель примерно на 6,8 млрд параметров с контекстом 2048 токенов; репозиторий содержит веса PyTorch и рассчитан на запуск через Transformers. Модель предназначена для генерации текста в диалоговых и образовательных сценариях. В карточке указано, что она обучена на BELLE, однако подробности о специализации, качестве и конкретных образовательных задачах не приведены. Метаданные указывают поддержку китайского и английского языков. Лицензия — AGPL-3.0; для восстановления полного набора весов требуются исходные веса LLaMA и преобразование разностных весов.

HuggingFaceTB/FineMath-Llama-3B — языковая модель, разработанная Hugging Face Training Cluster как продолжение предобучения Llama 3.2 3B. Модель с плотной архитектурой Llama содержит 3,2 млрд параметров и рассчитана на контекст до 4096 токенов. Она обучалась на 160 млрд токенов: 60% составили математические данные FineMath, а 40% — FineWeb-Edu. Модель предназначена для продолжения текста на английском языке, особенно для математических текстов и задач. Она не настроена на выполнение инструкций; в карточке сообщается о более высоких математических результатах по сравнению с Llama 3.2 3B при сохранении сопоставимых результатов на тестах знаний, рассуждений и здравого смысла. Доступна в формате safetensors по лицензии Apache-2.0. Это экспериментальная абляционная модель, которая не обязательно отражает лучший результат, достижимый на этих данных.

Экспериментальный чекпойнт Gemma 4 E2B IT, дообученный анонимной исследовательской группой методом GRPO для математических рассуждений. Модель основана на google/gemma-4-E2B-it и предназначена для решения математических задач с пошаговым выводом и ответом в формате \boxed{}. При обучении использовался бюджет генерации до 4 096 новых токенов; чекпойнт соответствует шагу 300. В репозитории указаны архитектура Gemma4ForConditionalGeneration и формат safetensors. Модель унаследовала мультимодальную архитектуру базовой Gemma 4, однако карточка описывает настройку прежде всего для текстовых математических задач. Лицензия — Apache 2.0. Это ранний чекпойнт анонимной подачи на ICLR 2027, поэтому качество и устойчивость на широком наборе задач не подтверждены; длинные ответы могут обрезаться по достижении бюджета генерации.

predibase/gsm8k — это PEFT-адаптер для дообученной языковой модели Mistral-7B-v0.1, разработанный Predibase. Адаптер предназначен для решения арифметических задач уровня начальной школы и генерации пошаговых ответов с текстовым объяснением вычислений. В качестве исходного набора данных указан GSM8K. Модель относится к задачам генерации текста и работает в сценариях, где требуется отвечать на формулировки математических задач на естественном языке. В README приведён пример с вычислением общего расстояния, в котором решение представлено последовательностью арифметических шагов и итоговым ответом. Известно, что это адаптер, подключаемый к базовой модели через библиотеку PEFT или Transformers; сведения о поддерживаемых языках, размере контекста, точных параметрах адаптера и дополнительных модальностях не указаны. Сильной стороной модели является специализация на задачах GSM8K и способность формировать интерпретируемое пошаговое решение. Ограничения включают узкую предметную область и зависимость от базовой модели Mistral-7B-v0.1; характеристики качества, лицензия и условия коммерческого или иного использования в README не указаны.

projectbaraat/kannada-math-0.1 — дообученная плотная языковая модель семейства Llama, разработанная projectbaraat на основе baarat-kannada-maths. Она предназначена для генерации текста; карточка указывает математическую тематику модели, но не описывает конкретные задачи или результаты обучения. Модель содержит 6,7 млрд параметров, принимает текст и имеет контекст длиной до 4096 токенов. В карточке отмечено, что обучение выполнялось с использованием Unsloth и библиотеки TRL. Модель распространяется в формате safetensors по лицензии Apache-2.0.

ModalityDance/latent-tts-colar — дообученная модель семейства LLaMA для рассуждений с использованием непрерывных латентных представлений. Она основана на LLaMA 3.2 1B Instruct, содержит модуль LatentHead и предназначена для генерации текста с латентным этапом рассуждения; в карточке указаны оценки на GSM8K, GSM8K Hard и MultiArith. Модель имеет плотную архитектуру ColarLlama, около 1,2 млрд параметров и контекст до 131 072 токенов. Поддерживает чат и описанный в README формат входа со специальными латентными токенами; для управления генерацией предусмотрены длина латентной последовательности и выбор между Monte Carlo Dropout и добавлением гауссовского шума. Модель может применяться для решения арифметических и математических задач, требующих многошагового рассуждения. README рекомендует вычисления в bfloat16 или float16; для запуска нужны совместимые Transformers и дополнительная реализация CoLaR. Лицензия репозитория — MIT; базовая модель Meta Llama 3.2 1B Instruct также может иметь собственные условия использования, которые следует учитывать отдельно.

liuhaotian/LLaVA-13b-delta-v0-science_qa — дельта-веса LLaVA, разработанной как открытый мультимодальный чат-бот; эта версия дообучена на наборе ScienceQA. Модель основана на авторегрессионном трансформере семейства LLaMA и содержит 12,9 млрд параметров. Для получения рабочих весов дельту необходимо применить поверх исходных весов LLaMA; сама по себе она не запускается. Модель предназначена для исследовательской работы с мультимодальными чат-ботами и визуальными вопросами-ответами. Она принимает изображения и текстовые инструкции и генерирует текстовые ответы, в частности для научных вопросов и рассуждений по изображению. В обучении использовались 595 тыс. пар изображение–текст из CC3M и ScienceQA. Лицензия — Apache 2.0. README не сообщает о поддерживаемых естественных языках или длине контекста.

MedBIT (Medical BERT for Italian) — италоязычный медицинский чекпойнт на архитектуре BERT, разработанный на основе BioBIT. Модель дополнительно предварительно обучена на корпусе медицинских учебников объёмом 100 МБ, написанных итальянскими авторами или профессионально переведённых на итальянский язык; материалы предназначены для формального медицинского образования и специализированной подготовки. Модель рассчитана на работу с итальянским биомедицинским текстом. Её задача — предсказывать замаскированные фрагменты текста, что подходит для анализа контекстуальных представлений и языкового моделирования в медицинской области. Размер модели — 137,1 млн параметров, контекст — до 512 токенов. Доступны веса в форматах PyTorch и safetensors. Лицензия в предоставленных сведениях не указана.

Это экспериментальная версия Nemotron-3-Nano-4B, дообученная методом обучения с подкреплением GRPO на математические рассуждения. Модель создана анонимной исследовательской группой для подачи на ICLR 2027; базовая модель — nvidia/NVIDIA-Nemotron-3-Nano-4B-BF16. Представленный чекпойнт соответствует шагу обучения 300 и рассчитан на генерацию ответа в пределах бюджета 4 096 токенов. Модель принимает текстовые задачи и генерирует пошаговое решение с ответом в тегах \boxed{}. Она предназначена прежде всего для решения математических задач с ограничением длины вывода; метаданные также отмечают диалоговый интерфейс и интерфейс вызова инструментов. Архитектура — плотная Nemotron H, библиотека — Transformers, веса опубликованы в формате safetensors. Для семейства указан контекст 262 144 токена, однако обучение этого чекпойнта ориентировано на генерацию до 4 096 новых токенов. В карточке не приведены результаты оценки качества, а шаг 300 и бюджет генерации ограничивают основания для выводов о надёжности на широком круге задач. Лицензия указана как other, поэтому условия использования следует проверять на странице репозитория Hugging Face перед применением.

BayesRL/Olmo3-M3POPlus-7B — англоязычная плотная авторегрессионная модель семейства Olmo 3, разработанная BayesRL на базе Olmo 3 от Allen Institute for AI. Модель содержит 6,9 млрд параметров, принимает текст и поддерживает контекст до 65 536 токенов. Модель дообучена методом M3PO+ для задач RLVR с проверяемыми наградами. В обучении применялись четыре возмущения параметров на шаг при размере группы 16; подход использует вариационный оптимизатор IVON для исследования пространства параметров. Модель предназначена для генерации текста и диалогов, особенно для решения математических задач; она оценивалась на AIME 2024–2026, MATH-500, AMC 2023 и Minerva. Опубликована в формате Safetensors и рассчитана на использование с Transformers. Лицензия — Apache-2.0. README не приводит численных результатов оценки, поэтому по нему нельзя судить о сравнительном качестве или надёжности ответов; специализация на математике не гарантирует корректность решений.

Qwen2.5-Math-1.5B-Instruct-GGUF — это квантизированная версия инструкционной языковой модели Qwen2.5-Math-1.5B-Instruct, разработанной командой Qwen. Формат GGUF подготовлен bartowski на основе llama.cpp, что делает модель подходящей для локального запуска в совместимых приложениях, включая LM Studio. Модель предназначена для генерации текста и решения математических задач на английском языке. Она поддерживает пошаговое рассуждение Chain-of-Thought (CoT), а также Tool-integrated Reasoning (TIR) для задач, где требуется взаимодействие с инструментами. Доступный стандартный контекст составляет 4096 токенов. В README не указаны дополнительные модальности или поддержка других языков. К ключевым преимуществам относятся специализация на математическом рассуждении, инструкционный формат и возможность локального использования в квантизированном виде. Ограничения включают англоязычную специализацию, ограниченный контекст и типичные для языковых моделей риски неточных или неподходящих ответов. Модель распространяется по лицензии Apache-2.0.

Qwen3-4B-OT3-medical — медицинская языковая модель семейства Qwen3, разработанная MMOPD. Это дообученная методом supervised fine-tuning версия MMOPD/Qwen3-4B-OT3-2ep: её обучали на проверенных пошаговых ответах учительской модели по вопросам MedQA, оставляя варианты с правильным итоговым ответом. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM, принимает текст и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации ответов и рассуждений по медицинским вопросам, в том числе задачам формата экзамена USMLE. В MedQA она достигла точности 80,7% в описанном авторами режиме оценки; при этом на некоторых общих тестах и задачах модель уступила исходной версии, поэтому специализация на медицинских вопросах сопровождается компромиссом в общих возможностях. Карточка демонстрирует английский язык и датасет MedQA-USMLE; интерфейс чата сохраняет формат Qwen3 с режимом thinking. Весы опубликованы в формате safetensors и bfloat16 под лицензией Apache-2.0.

SeongryongJung/Qwen3-4B-Physics-SDPO-TR — экспериментальный чекпойнт Qwen3-4B, обученный методом SDPO-TR на физическом наборе данных с размером батча 32. В репозитории размещён лучший по валидационному mean@16 чекпойнт на шаге 50; также доступен финальный чекпойнт на шаге 100. Модель предназначена для генерации текста и решения задач по физике с использованием рассуждений. В README указана лучшая валидационная оценка mean@16 69,45%, а для финального чекпойнта — 60,16%. Это результаты конкретного эксперимента, а не гарантия качества на других наборах задач. Модель содержит около 3,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и поддерживает контекст до 40 960 токенов. Базовая модель — Qwen/Qwen3-4B. Веса представлены в формате safetensors; лицензия — Apache-2.0. Для загрузки README приводит пример использования Transformers с trust_remote_code=True.

Zosma AI разработала Qwen3.5-0.8B-GRPO-Math — дообученную методом GRPO версию Qwen3.5-0.8B для рассуждений при решении математических задач. Это плотная текстовая causal language model семейства Qwen3.5 с 581,4 млн параметров; репозиторий содержит веса Safetensors, а лицензия — Apache-2.0. Метаданные указывают контекст до 262 144 токенов. Модель предназначена для генерации пошаговых рассуждений и ответов на математические текстовые задачи, особенно в режиме zero-shot. В README сообщается о точности 58,0% на GSM8K в zero-shot против 52,1% у исходной модели без дообучения; few-shot примеры снижали результат. Обучение включало этап SFT-разогрева и GRPO на обучающей выборке GSM8K. Карточка позиционирует модель как англоязычную; результаты за пределами описанной оценки и пригодность для других областей не установлены.

AlexHeyman/Qwen3-8B-DeepMath-103K — дообученная Alex Heyman модель Qwen3-8B для генерации текста в диалоговом формате. В карточке указано обучение с использованием TRL; название модели указывает на направленность на математические задачи, но README не приводит описание обучающих данных или результатов, поэтому специализация на математике не подтверждена напрямую. Модель имеет плотную архитектуру Qwen3 и 7,6 млрд параметров, работает через Transformers и принимает запросы в формате чата. Длина контекста — 40 960 токенов. Метаданные и README указывают задачу text-generation; лицензия и перечень поддерживаемых языков для этой версии в предоставленных источниках не приведены.

STILL-3-1.5B-preview — экспериментальная модель рассуждений, представленная разработчиками проекта STILL. Это плотная авторегрессионная языковая модель на архитектуре Qwen2 размером 1,5 млрд параметров, дообученная с помощью обучения с подкреплением для пошагового решения сложных математических задач. Модель предназначена для генерации ответов и диалогового использования; в метаданных также заявлен интерфейс вызова инструментов. В карточке приведены результаты на математических бенчмарках MATH, AIME, OMNI и LiveAOPS: для STILL-3-1.5B-preview указана точность 39,33% на AIME и 85,48% на MATH. Метаданные указывают контекстное окно 131 072 токена, библиотеку Transformers и формат весов safetensors. Модель опубликована 25 января 2025 года. Это предварительный исследовательский выпуск, поэтому приведённые бенчмарки не гарантируют точности на произвольных задачах. Для воспроизведения результатов важны параметры декодирования, использованные в оценке. Лицензия в предоставленных данных не указана.

Young-Children-Storyteller-Mistral-7B — языковая модель для генерации текстов, ориентированная на создание историй для маленьких детей. Исходная модель разработана ajibawa-2023, а представленная версия представляет собой набор GGUF-квантизаций, подготовленных bartowski с использованием llama.cpp. Модель обучалась на датасете Children-Stories-Collection и предназначена прежде всего для генерации детских рассказов, а также образовательных и познавательных текстов на английском языке. В основе лежит архитектура Mistral с 7 миллиардами параметров. Модель работает в текстовой модальности и распространяется в формате GGUF, совместимом с llama.cpp и связанными инструментами локального запуска. Доступны варианты квантизации от Q8_0 до Q2_K с размером файлов примерно от 2,71 до 7,69 ГБ. В README не указаны размер контекста, требования к оперативной памяти, дополнительные языки или результаты формальной оценки качества. Более высокие варианты квантизации обычно лучше сохраняют качество, тогда как низкие требуют меньше ресурсов, но могут заметно уступать по качеству генерации. Модель лицензирована по Apache License 2.0. Ее сильные стороны — специализация на детских историях, возможность локального использования и широкий выбор квантизаций под разные ограничения по памяти. Ограничения включают ориентацию на английский язык, неизвестные параметры контекста и отсутствие опубликованных количественных оценок; качество и безопасность содержания следует проверять перед использованием с детьми.

AOS Qwen3 8B Narrated (Continued SFT Merged) — языковая модель, разработанная на основе Qwen/Qwen3-8B с дообучением методом supervised fine-tuning (SFT) и последующим объединением обученного адаптера. Модель опубликована пользователем nabin2004 и предназначена для генерации математических и научных анимаций в Manim Community Edition (CE) с синхронизированной озвучкой через manim-voiceover. Модель генерирует полные исполняемые скрипты Manim, использующие архитектуру VoiceoverScene, маркеры аудио для синхронизации речи и визуальных анимаций, а также синтаксис API Manim CE без устаревших legacy-вызовов. Она ориентирована на создание обучающих визуализаций, например объяснений математических концепций, включая деревья вероятностей для теоремы Байеса. В README указаны английский язык, текстовая генерация и специализация на генерации кода; размер контекста и другие языковые характеристики не уточнены. Модель поставляется в формате bf16 Safetensors и может использоваться через Transformers или vLLM. Её сильные стороны — специализация на Manim CE, генерация готовых VoiceoverScene и поддержка аудиосинхронизации. Ограничения и результаты за пределами этих сценариев в README не описаны. Лицензия — Apache-2.0.

Argonne 4.0-think — компактная языковая модель рассуждений от PursuitOfDataScience с 1,04 млрд параметров. Она обучена с нуля на базе argonne-4.0-base, а затем прошла дообучение на диалоговых данных, предпочтениях и примерах рассуждений; Argonne-3.5-think использовалась как учитель при дистилляции. Модель построена на плотной архитектуре ArgonneModel семейства argonne2, работает с текстом и поддерживает контекст до 65 536 токенов по настройке базовой модели. Лицензия — Apache-2.0. Модель предназначена прежде всего для решения арифметических текстовых задач: она выдаёт рассуждение, а затем ответ в формате \boxed{}. В README приведены результаты на ASDiv, SVAMP, GSM-Plus и MAWPS; для повышения точности можно использовать самосогласование по нескольким сэмплам. Русский язык не заявлен: в карточке указан английский. Качество на задачах общего назначения, программировании, вызове инструментов и обычном чат-общении не оценивалось. Длина контекста после дообучения не проверялась: этапы fine-tuning проводились с блоком 4 096 токенов, поэтому длинные входы остаются непроверенными. Модель уступает более крупной Argonne-3.5-think в приведённой оценке; выравнивание безопасности ограничено данными обучения.

Это небольшая авторская дообученная модель генерации текста на базе distilgpt2, созданная на текстах по микробиологии. Она предназначена для дополнения заметок, учёбы и исследовательской работы с микробиологическими материалами. Модель использует архитектуру GPT-2, принимает текст и генерирует текст; максимальная длина контекста — 1024 токена. В обучении использовались отфильтрованные микробиологические тексты из датасета Biology на Hugging Face. Модель может служить вспомогательным инструментом для исследователей и студентов, но её ответы могут быть ошибочными, а объём усвоенных знаний ограничен небольшим обучающим набором. Она не предназначена для медицинских или оздоровительных задач и не должна заменять специалистов. Лицензия — Apache-2.0.

Gemma-FULL-RAC-Colombia — языковая модель, разработанная Эдисоном Бехарано и Николаи Потесом и дообученная с помощью LoRA на датасете колумбийских авиационных правил Reglamento Aeronáutico Colombiano (RAC). Это плотная причинная модель семейства Gemma с 2,5 млрд параметров и контекстом до 8192 токенов; она принимает текст и генерирует текст на испанском языке. Модель предназначена для ответов на вопросы о RAC, объяснения и упрощения нормативных положений, подготовки учебных материалов и поддержки задач соблюдения авиационных требований в Колумбии. Авторы описывают её как инструмент для специалистов авиационной отрасли, регуляторов, юристов и исследователей. Модель может ошибаться, отражать смещения обучающих данных и не охватывать нормы других стран или изменения законодательства после обучения. Результаты для важных решений следует сверять с актуальными правилами и специалистами; модель не предназначена для навигации и не заменяет юридическую консультацию. Лицензия — Apache-2.0.

Карточка модели Jan358/Geometric-Shapes-Classification на Hugging Face совпадает с карточкой prithivMLmods/Geometric-Shapes-Classification, поэтому описание составлено по ней. Geometric-Shapes-Classification — модель PrithivMLmods для классификации изображений с геометрическими фигурами. Она дообучена на базе google/siglip2-base-patch16-224 и использует архитектуру SiglipForImageClassification. Модель относит изображение к одному из восьми классов: круг, воздушный змей, параллелограмм, прямоугольник, ромб, квадрат, трапеция или треугольник. Модель предназначена для распознавания базовых геометрических фигур в учебных материалах, схемах и других изображениях. Её можно применять в обучающих инструментах, проектах компьютерного зрения и вспомогательных приложениях. Репозиторий содержит веса в формате safetensors; модель запускается через Transformers. Лицензия — Apache-2.0.

Это плотная языковая модель HyperCLOVAX-SEED-Think-14B на 14,1 млрд параметров, созданная на основе naver-hyperclovax/HyperCLOVAX-SEED-Think-14B. Разработчик обучил три специализированных LoRA на корейских данных по медицинским знаниям, числовому машинному чтению и причинно-следственному рассуждению, а затем объединил их методом DARE-TIES. Модель сохранена как самостоятельные веса BF16 в формате safetensors, поэтому отдельный адаптер не требуется; используется исходный шаблон чата базовой модели. Модель предназначена для генерации корейского текста в формате диалога и ответов на вопросы с выбором из четырёх вариантов. Она ориентирована на тестовые и оценочные сценарии, включая вопросы по медицинским знаниям, числовые задачи и причинно-следственное рассуждение. Карточка сообщает, что в проверке формата на 240 заданиях ответ присутствовал во всех выходах; это не подтверждает общую точность модели. Контекст составляет 131072 токена. Результаты могут быть неточными, поэтому модель не следует использовать как единственное основание для медицинских, юридических или финансовых решений. Лицензия указана как other; конкретные условия использования в карточке не раскрыты.

HyperCLOVA X SEED Think 14B Success-Consolidation K/R/C — производная плотная языковая модель на 14,1 млрд параметров, созданная на основе naver-hyperclovax/HyperCLOVAX-SEED-Think-14B. Разработчик дообучил адаптеры LoRA для проекций внимания v_proj и o_proj на 836 примерах корейских задач и объединил их с базовой моделью методом TIES. Модель рассчитана на генерацию текста и диалоговые сценарии, включая ответы с обоснованием в формате «ответ, затем аргументы», для корейских задач знаний и рассуждения. Контекст модели — до 131 072 токенов. В README приведена локальная оценка на четырёх осях: эта версия превзошла родственную версию с другими целевыми проекциями на трёх осях и обе сравниваемые модели в среднем. Автор предупреждает, что такие локальные оценки ненадёжно предсказывают результат на K-AI leaderboard; решающей проверкой должна быть оценка на этом бенчмарке. Публичные тестовые данные в обучении не использовались. Репозиторий содержит веса BF16 в формате safetensors; лицензия указана как other, поэтому условия использования следует сверять с лицензией базовой модели и материалами репозитория.