IV.5Образование и развитие навыков

Карточка модели knoveleng/Open-RS1 на Hugging Face совпадает с карточкой knoveleng/Open-RS2, поэтому описание составлено по ней. Open-RS2 — языковая модель проекта Open RS, разработанного для изучения обучения рассуждениям в небольших LLM с помощью обучения с подкреплением. Это дообученная на базе DeepSeek-R1-Distill-Qwen-1.5B плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров; обучение проводилось с адаптацией GRPO. Модель принимает текст и генерирует текст, поддерживает контекст до 131 072 токенов. Репозиторий распространяет веса в формате safetensors, лицензия — MIT. Модель предназначена прежде всего для решения математических задач и генерации ответов с рассуждениями. В README указаны результаты на AMC23 и AIME24, а также сравнительно низкие результаты на Minerva относительно моделей 7B. Авторы отмечают нестабильность оптимизации и ограничения длины при длительном обучении; эти результаты описывают эксперименты проекта и не гарантируют качество на иных задачах.

PhysioGemma-2B — модель для одношаговых ответов на вопросы по физиологии, созданная как PEFT-дообучение Google Gemma 1.1 2B IT. Она обучена в течение трёх эпох на наборе sardukar/physiology-mcqa-8k и использует архитектуру Gemma с генерацией текста. Для диалога следует использовать шаблон Gemma 1.1 2B IT с началом «You're an expert physician with deep knowledge of physiology». Модель имеет 2,5 млрд параметров и контекст до 8192 токенов; указанный в карточке сценарий применения — помощь по темам физиологии. Лицензия — MIT.

RLCR-llama32-3B-bigmathdigits5000 — дообученная модель Meta Llama 3.2 3B Instruct, созданная с применением RLCR (Reinforcement Learning with Calibration Rewards) на наборе Big-Math-digits. Она предназначена для генерации ответов и математических рассуждений с выраженной оценкой уверенности: обучение добавляет награду на основе Brier score за калибровку словесно выраженной уверенности наряду с наградой за правильность. Модель имеет плотную архитектуру LlamaForCausalLM, около 3,2 млрд параметров, принимает текст и выдаёт текст. Контекст составляет до 131 072 токенов; базовая модель мультиязычная, но описание обучения сосредоточено на математических задачах. В README приведены результаты на отложенной выборке: точность 0,287, ECE 0,185 и PCE 0,171; LoRA применялась к q_proj и v_proj с рангом 16, alpha 32 и dropout 0,05. Репозиторий содержит веса safetensors, библиотека — Transformers. Лицензия указана как other, поэтому условия использования следует сверять с карточкой модели и лицензией базовой модели.

Starcoder-15B-TACO — полноразмерно дообученная на наборе TACO модель Starcoder-15B, разработанная для генерации решений задач по программированию соревновательного уровня. Она принимает текстовое описание задачи и, при необходимости, начальный код, а затем генерирует программный текст. Модель построена на плотной авторегрессионной архитектуре GPTBigCode и рассчитана на контекст до 8192 токенов. Обучение проводилось на тренировочной части набора Topics in Algorithmic Code Generation (TACO), содержащей задачи по алгоритмическому программированию с метками тем, алгоритмов, навыков и сложности. Модель подходит для генерации кода по условиям задач и помощи в решении задач соревнований. В карточке указана лицензия BigCode OpenRAIL-M. Качество сгенерированного кода не гарантируется; результаты следует проверять, поскольку отдельные решения могут быть неверными.

WhizReviewer-ML-Llama3.1-8B — текстовая генеративная модель WestlakeNLP для предварительной оценки и улучшения научных статей по машинному обучению, включая компьютерное зрение, обработку естественного языка и мультимодальное обучение. Это плотная Transformer-модель семейства Llama с 7,5 млрд параметров, дообученная на комментариях рецензентов; она основана на meta-llama/Meta-Llama-3.1-8B-Instruct. Модель рассчитана на генерацию отзывов и оценок, в том числе симуляцию нескольких рецензентов и метарецензента. Заявленная длина контекста — 131 072 токена. Модель работает с текстом и не анализирует изображения, графики или сложные формулы напрямую. Карточка указывает поддержку английского, китайского, японского, корейского, французского и немецкого языков, но предупреждает о возможном снижении качества на неанглоязычных работах. Среди ограничений — срез знаний на январь 2024 года, непостоянство оценок и возможная предвзятость; результаты требуют проверки человеком. Модель предназначена только для неофициальной помощи авторам и обучения: её запрещено использовать для формального рецензирования. Лицензия обозначена как other; действуют также ограничения базовой лицензии Llama.

Zagreus-0.4B-italic-extkd — языковая модель команды idealab-cs2, созданная на основе mii-llm/zagreus-0.4B-ita для итальянского бенчмарка ITALIC. Это плотная модель архитектуры Llama с 437,7 млн параметров и контекстом 4096 токенов; веса опубликованы в формате safetensors. Модель дообучена в три этапа методом мягкой дистилляции знаний и предназначена для ответов на вопросы с выбором варианта об итальянском языке и культуре. В официальной оценке ITALIC на 10 000 вопросах модель достигла точности 0,4932 в режиме пяти примеров, с температурой 0 и ответом только буквой. Она подходит для грамматических и лексических вопросов, а также вопросов по культуре, истории и географии Италии в формате теста. Для свободного диалога и задач вне этого формата следует ожидать возможностей базовой модели. Лицензия — Apache-2.0.

BioMistral-7B-finetuned — дообученная Mridul3301 языковая модель семейства Mistral с плотной архитектурой и 7,1 млрд параметров. Модель обучена на наборе диалогов по биологии camel-ai/biology и предназначена для генерации текста в ответ на запросы, связанные с биологией. Модель принимает текст и генерирует текст на английском языке. Указанная для неё длина контекста составляет 32 768 токенов. В README приведена оценка на валидации 0,574188 после одной эпохи обучения, но метрика не названа, поэтому интерпретировать это значение как показатель качества нельзя. Модель распространяется по лицензии MIT. Карточка описывает дообучение на биологических диалогах, поэтому результаты могут быть менее надёжны за пределами этой области; данных о дополнительных ограничениях или оценках нет.

AmberYifan/capsd-qwen3-numina-Qwen3-4B-Base-math_cap_b1000_s0 — дообученная плотная языковая модель семейства Qwen3, созданная на основе Qwen/Qwen3-4B-Base. В ней около 3,7 млрд параметров, она использует архитектуру Qwen3ForCausalLM и принимает текст для генерации текста. Контекст — до 32 768 токенов. Модель обучена на наборе capsd_Qwen3-4B-Base-n80000-numina__mix_math_cap_b1000_s0; название набора указывает на математические данные, но карточка не описывает конкретные способности, качество или результаты оценки. Возможный сценарий применения — генерация ответов на математические запросы. Модель опубликована в формате safetensors для Transformers. Лицензия указана как other, поэтому условия использования следует уточнить в карточке репозитория.

AmberYifan/capsd-qwen3-sciweb-stackexchange-Qwen3-4B-Base-science_random_b8000_s0 — дообученная плотная языковая модель Qwen3 с 3,7 млрд параметров, созданная на базе Qwen/Qwen3-4B-Base. Название и карточка указывают на обучение на смеси данных SciWeb и StackExchange с научными примерами и случайной выборкой. Модель предназначена для генерации текста; метаданные также отмечают возможность диалогового применения. Базовая модель поддерживает контекст до 32 768 токенов. Карточка не описывает конкретные сценарии, оценки качества или языковую специализацию дообученной версии, поэтому её научную направленность следует считать ориентиром по обучающим данным, а не гарантией экспертной точности. Лицензия указана как other; конкретные условия использования в карточке не раскрыты.

KAkston/Catholic-Phi3-Mini — дообученная методом полного fine-tuning языковая модель на базе Microsoft Phi-3 Mini с архитектурой Phi-3 и 3,7 млрд параметров. Она предназначена для кратких ответов на вопросы о католическом учении, библейских стихах, молитвах и общих знаниях, прежде всего в образовательных сценариях для учащихся, преподавателей и семей. Модель принимает текст и генерирует текст; длина контекста составляет 4096 токенов. Обучение проводилось на общедоступных католических текстах, в том числе на Библии Дуэ-Реймса и текстах катехизиса. Модель отражает католическую перспективу и лучше подходит для коротких фактических ответов, чем для сложных рассуждений или нейтрального представления некатолических взглядов. Репозиторий содержит веса в формате Safetensors; лицензия — CC0 1.0 Universal.

E1-Math-1.5B — языковая модель Salesforce на 1,5 млрд параметров, дообученная на базе deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B. Она предназначена для решения математических задач с адаптивным рассуждением: обучение по стратегии бюджетно-ограниченных генераций в рамках GRPO помогает продолжать решать задачи при ограниченном числе шагов рассуждения и переносить поведение на новые ограничения без дополнительного обучения. Модель относится к семейству Qwen2, использует плотную архитектуру и принимает текст, генерируя текст; заявленная длина контекста — 131 072 токена. В карточке приведены результаты на задачах с разными бюджетами генерации: модель использует меньше токенов, чем DeepScaleR-1.5B, и показывает более высокую точность при малых бюджетах, но меньшую среднюю точность при самом большом указанном бюджете. Модель выпущена для исследований; лицензия CC BY-NC 4.0 запрещает коммерческое использование. Ответы могут быть неточными, поэтому модель требует проверки, особенно в значимых сценариях.

GLM-4-Voice of Reason — дообученная модель семейства ChatGLM, разработанная на базе GLM-4-Voice-9B. Это речевая модель формата speech-to-speech: она принимает аудио и выдаёт аудио, а её поведение рассуждения обучалось с помощью обучения с подкреплением по оценкам двоичного LLM-судьи на математических текстовых задачах. Для набора GSM8K указана оценка 0,706 на 1310 тестовых примерах в текстовом канале; в качестве судьи использовалась gpt-4o-2024-11-20. Модель содержит 11,4 млрд параметров, использует плотную архитектуру ChatGLM, загружается через Transformers и имеет контекст длиной 8192 токена. Аудиофронтенд GLM-4-Voice не включён в репозиторий, поэтому для работы с речевым токенизатором требуется отдельный компонент. Лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты.

HelpingAI2.5-10B — диалоговая языковая модель, разработанная HelpingAI для эмоционально чуткого общения и ответов с эмпатией. Она основана на плотной трансформерной архитектуре семейства Llama с 9,7 млрд параметров и рассчитана на генерацию текста; заявленное обучение включает дообучение на эмоциональных диалогах и терапевтических обменах, а также обучение с подкреплением и этические ограничения. Модель предназначена для личного общения, образовательной помощи, поддержки развития социальных навыков и разговоров о самочувствии. В метаданных заявлены контекст до 131 072 токенов, английский язык, интерфейс чата и интерфейс вызова инструментов. README также приводит пример запуска GGUF-квантизации, однако опубликованный формат модели указан как safetensors. В README заявлен результат 98,13 на тестах эмоционального интеллекта, но методика и шкала оценки не раскрыты. Авторы указывают, что модель не заменяет специалистов, обладает ограниченной базой знаний и не предназначена для ролевых сценариев. Лицензия обозначена как other, поэтому конкретные условия использования следует сверить с лицензией репозитория.

II-Medical-8B-1706 — языковая модель Intelligent Internet для медицинских вопросов и рассуждений. Это плотная causal language model семейства Qwen3 с 7,6 млрд параметров; она принимает текст и генерирует текст, поддерживает диалог и имеет контекстное окно 40 960 токенов. Модель дообучена на Qwen/Qwen3-8B: после SFT на медицинских данных разработчики применили двухэтапное обучение DAPO для сложных медицинских рассуждений, безопасности и полезности ответов. Модель предназначена для ответов на медицинские вопросы и исследовательской оценки на наборах медицинских QA-бенчмарков. В README указаны результаты на HealthBench и других тестах, но они не гарантируют точность в реальных случаях. Обучающие данные включают открытые и синтетические медицинские наборы и могут содержать присущие им смещения. Разработчик отдельно предупреждает, что модель не подходит для медицинского применения; медицинские знания также требуют регулярного обновления. Лицензия — Apache-2.0.

InternLM2-WQX-20B — языковая модель серии 文曲星, выпущенной командой InternLM в 2024 году. Это плотная причинно-авторегрессионная модель архитектуры InternLM2 с 19,3 млрд параметров и контекстом до 4096 токенов. Репозиторий содержит веса в формате safetensors. Модель предназначена для решения задач китайского вступительного экзамена гаокао по разным предметам и типам заданий. Разработчики сообщают о высоком результате на наборе GAOKAO-Eval, сопоставимом с GPT-4o; подробности подготовки данных в карточке обещаны к публикации позднее. Лицензия в предоставленных сведениях не указана.

albertge/llada-8b-dllm-registers-omi30k-t4 — экспериментальный чекпойнт проекта dLLM Registers, дообученный на базе GSAI-ML/LLaDA-8B-Base. Это плотная диффузионная языковая модель LLaDA с 8 млрд параметров для генерации текста; обучение проводилось методом SFT на примерно 30 тыс. математических трасс из поднабора OpenMathInstruct-2. Вариант использует четырёхтокенный хвост Markovian Thinking как канал переноса состояния между окнами денойзинга, размер окна составляет 128 токенов. Модель рассчитана на генерацию ответов с математическими рассуждениями и оценку масштабирования числа слотов в диффузионных языковых моделях. Для корректного использования канала переноса состояния нужны указанные авторами режим tail и длина хвоста 4. В метаданных указан английский язык и библиотека Transformers. Лицензия — Apache-2.0.

LLaDA-Instruct-JustGRPO-Math — диффузионная языковая модель, дообученная разработчиками модели методом JustGRPO на наборе MATH-500. Она основана на GSAI-ML/LLaDA-8B-Instruct и предназначена для генерации текста и решения математических задач с рассуждениями. В карточке приведены результаты оценки на MATH-500: точность 39,0% при длине последовательности 128, 45,1% при 256 и 45,2% при 512. Для генерации и оценки авторы предлагают использовать связанный репозиторий проекта. Модель распространяется по лицензии MIT.

Trelis/Llama-3.2-1B-Instruct-MATH-synthetic — компактная плотная авторегрессионная языковая модель семейства Llama 3.2, разработанная Trelis на основе unsloth/Llama-3.2-1B-Instruct. Модель дообучена с использованием Unsloth и библиотеки TRL; в репозитории представлены веса Safetensors. Она предназначена для генерации текста и диалоговых сценариев, а название модели указывает на математическую направленность синтетических данных дообучения. Модель содержит около 1,2 млрд параметров и поддерживает контекст до 131 072 токенов. В метаданных указан английский язык, а лицензия — Apache-2.0. Компактный размер делает её подходящей для экспериментов и приложений с ограниченными ресурсами; качество в математических задачах и фактический набор обучающих данных в карточке не описаны.

Llama-3.2-1B-Instruct-SMAT-ScienceQA — экспертная модель, обученная методом SMAT (Simple and Efficient Merge-Aware Training) на базе Meta Llama 3.2 1B Instruct; она представлена в таблице 1 соответствующей статьи с seed обучения 42. Модель предназначена для генерации текста в диалоговом формате и для применения в сценариях ScienceQA, сохраняя качество на задаче при обучении с учётом последующего слияния моделей. Это плотная авторегрессионная модель семейства Llama с 1,2 млрд параметров и контекстом до 131 072 токенов; заявлена поддержка чата. Модель принимает текст и выдаёт текст. В метаданных указан pipeline text-generation, библиотека Transformers и формат весов safetensors. Используется лицензия Llama 3.2 с соответствующей политикой допустимого использования. Конкретные результаты на ScienceQA и ограничения качества в карточке не приведены.

facebook/mms-tts-tav — модель синтеза речи на языке татуйо (Tatuyo, tav), разработанная Facebook в рамках проекта Massively Multilingual Speech. Это отдельный языковой чекпойнт семейства VITS, который по входному тексту генерирует речевую аудиоволну. Архитектура VITS объединяет вариационный автоэнкодер, Transformer-энкодер текста, нормализующие потоки и HiFi-GAN-подобный декодер; число параметров — 3,5 млн. Модель предназначена для озвучивания текста на татуйо. Стохастический предиктор длительности позволяет получать разные ритмические варианты произнесения одного текста, поэтому для повторяемого результата требуется фиксировать seed. Чекпойнт распространяется в форматах PyTorch и Safetensors и доступен через Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но запрещает коммерческое применение.

OLMo-1B-Base-Shakespeare — дообученная модель на основе AllenAI OLMo-1B-0724-hf, созданная для генерации текста в стиле произведений Уильяма Шекспира. Автор карточки дообучил её на собрании произведений Шекспира, чтобы передать характерную лексику и стилистические особенности этих текстов. Модель подходит для творческого письма, учебных упражнений по анализу литературного стиля и создания художественных фрагментов в шекспировской манере. Это плотная авторегрессионная языковая модель с 1,2 млрд параметров и контекстом до 4096 токенов; она принимает текст и генерирует текст. В метаданных указан английский язык. Модель опубликована в формате safetensors и использует лицензию Apache-2.0. Карточка приводит оценку требования к видеопамяти в 25 ГБ. Специализация на одном авторе и одном корпусе ограничивает универсальность и может приводить к повторам или неточным имитациям; ответы не следует считать достоверными источниками о произведениях или эпохе.

Open-RS2 — языковая модель проекта Open RS, разработанного для изучения обучения рассуждениям в небольших LLM с помощью обучения с подкреплением. Это дообученная на базе DeepSeek-R1-Distill-Qwen-1.5B плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров; обучение проводилось с адаптацией GRPO. Модель принимает текст и генерирует текст, поддерживает контекст до 131 072 токенов. Репозиторий распространяет веса в формате safetensors, лицензия — MIT. Модель предназначена прежде всего для решения математических задач и генерации ответов с рассуждениями. В README указаны результаты на AMC23 и AIME24, а также сравнительно низкие результаты на Minerva относительно моделей 7B. Авторы отмечают нестабильность оптимизации и ограничения длины при длительном обучении; эти результаты описывают эксперименты проекта и не гарантируют качество на иных задачах.

Карточка модели knoveleng/OpenRS-GRPO на Hugging Face совпадает с карточкой knoveleng/Open-RS2, поэтому описание составлено по ней. Open-RS2 — языковая модель проекта Open RS, разработанного для изучения обучения рассуждениям в небольших LLM с помощью обучения с подкреплением. Это дообученная на базе DeepSeek-R1-Distill-Qwen-1.5B плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров; обучение проводилось с адаптацией GRPO. Модель принимает текст и генерирует текст, поддерживает контекст до 131 072 токенов. Репозиторий распространяет веса в формате safetensors, лицензия — MIT. Модель предназначена прежде всего для решения математических задач и генерации ответов с рассуждениями. В README указаны результаты на AMC23 и AIME24, а также сравнительно низкие результаты на Minerva относительно моделей 7B. Авторы отмечают нестабильность оптимизации и ограничения длины при длительном обучении; эти результаты описывают эксперименты проекта и не гарантируют качество на иных задачах.

Pythagoras-Prover-4B-GGUF — набор квантизованных версий языковой модели Pythagoras-Prover-4B, разработанной Pythagoras-LM и подготовленной в формате GGUF пользователем tinyopsec. Модель предназначена для генерации текста, математического рассуждения и формального доказательства теорем, включая решение задач и построение пошаговых доказательств. Указан английский язык; модель поддерживает текстовую модальность и рассчитана на использование через llama.cpp, llama-cpp-python, LM Studio и Ollama. Модель имеет около 4 миллиардов параметров. Доступны варианты с точностью от F16 до Q2_K и объёмом примерно от 1,5 до 8,8 ГБ, что позволяет запускать её на видеокартах с разным объёмом памяти. Q4_K_M рекомендуется как компромисс между качеством и размером, а Q6_K — для случаев, когда важна близкая к исходной точность. Архитектура и размер контекстного окна в README не указаны; пример использования задаёт контекст 4096 токенов, но это не подтверждает максимальный размер контекста модели. Сильными сторонами являются специализация на математике и формальном доказательстве теорем, а также возможность локального запуска на относительно доступном оборудовании. Ограничения связаны с потерей качества в низкобитных вариантах квантизации, отсутствием заявленных бенчмарков и неизвестными характеристиками контекстного окна. Модель распространяется по лицензии Apache-2.0.

Josephgflowers/Qllama-tiny-.5B-test-1 — разговорная языковая модель примерно на 464 млн параметров с архитектурой LlamaForCausalLM. По карточке, это версия Llamafyd на базе Qwen 0.5B, дополнительно дообученная на данных Википедии, математики, естественных наук и диалогов. В обучающие данные также вошли ответы на вопросы о мировых знаниях и STEM-темах, а также материалы о персонаже Cinder. Модель предназначена для научных и образовательных бесед, ответов на вопросы и ролевого общения с персонажем Cinder. Она принимает текст и генерирует текст, поддерживает чат, работает с контекстом до 4096 токенов и распространяется в формате Safetensors. Лицензия — MIT. Размер модели и контекст ограничивают её возможности по сравнению с более крупными языковыми моделями; качество и точность ответов в карточке не оценены.

Карточка модели ezelikman/quietstar-8-ahead на Hugging Face совпадает с карточкой Crystalcareai/Quiet-Star-Custom, поэтому описание составлено по ней. Crystalcareai/Quiet-Star-Custom — языковая модель, созданная на основе Mistral-7B и дообученная продолжением предварительного обучения с методом Quiet-STaR. Модель использует архитектуру QuietForCausalLM с плотной сетью и содержит 7,1 млрд параметров; заявленная длина контекста — 32 768 токенов. Модель предназначена для генерации текста с внутренними рассуждениями: перед каждым выходным токеном она генерирует восемь токенов мысли. В карточке указано использование корпуса Open Web Math, поэтому модель может быть полезна для генерации текста и рассуждений на математическом материале. Доступны веса в формате safetensors. Карточка не сообщает результаты оценки качества или дополнительные сведения об ограничениях и лицензии, поэтому нельзя подтвердить уровень математических способностей и условия распространения. Модель рассчитана на текстовый ввод и генерацию текста.

Qwen2.5-3B-math-sft-ordered-lr1e5-step1072 — экспериментальный чекпойнт дообучения Qwen2.5-3B, подготовленный проектом RL-Forgetting-Experiments. Это плотная языковая модель архитектуры Qwen2ForCausalLM с 3,1 млрд параметров, рассчитанная на генерацию текста и диалоговое взаимодействие. Чекпойнт получен после одного прохода SFT для варианта эксперимента «math ordered» на шаге оптимизатора 1072. Он может использоваться для изучения влияния порядка математических данных при дообучении и для генерации текстовых ответов на математические запросы. Модель принимает текст и выдаёт текст; максимальный контекст составляет 32 768 токенов. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия в предоставленных данных не указана.

Модель arefehRajabian/Qwen3-4B-Base-persian-math-grpo — дообученная текстовая модель семейства Qwen3, созданная arefehRajabian на базе unsloth/Qwen3-4B-Base. Она предназначена для генерации текста; название репозитория указывает на адаптацию для математических задач на персидском языке, однако карточка не приводит результатов оценки или подробностей обучения. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и поддерживает контекст до 32 768 токенов. Обучение выполнялось с Unsloth и библиотекой TRL от Hugging Face. В метаданных указана возможность диалогового использования и английский язык; персидская специализация следует из названия модели. Весы опубликованы в формате safetensors под лицензией Apache-2.0.

Qwen-Qwen2-Math-1.5B-Instruct-GGUF — набор GGUF-квантизованных версий модели Qwen/Qwen2-Math-1.5B-Instruct, разработанных и опубликованных Featherless AI Quants. Модель относится к классу text-generation и предназначена прежде всего для решения математических задач и ведения диалога в формате инструкций. В README не указаны точные архитектурные характеристики, поддерживаемые языки, размер контекста и набор модальностей, поэтому подтверждённо описать её можно только как текстовую модель с 1,5 млрд параметров в базовой версии. Доступно 11 вариантов квантизации GGUF: IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0. Их размер составляет примерно от 645 МБ до 1,57 ГБ, что позволяет выбирать компромисс между требованиями к памяти и сохранением качества. Квантизация делает модель удобнее для локального запуска, однако README не содержит результатов тестирования, поэтому её фактические сильные стороны, точность и влияние отдельных вариантов квантизации оценить нельзя. README не указывает лицензию базовой модели или GGUF-файлов, а также не описывает конкретные системные требования, способы запуска и ограничения применения. Поэтому перед использованием следует отдельно проверить лицензионные условия Qwen/Qwen2-Math-1.5B-Instruct и выбранного файла.

RonMicro-LLM-Story — небольшая языковая модель на архитектуре GPT-2, созданная для генерации коротких детских историй на английском языке. Она содержит около 40 млн параметров и обучена в течение трёх эпох на 5% датасета TinyStories — примерно 105 тысячах рассказов. Размер словаря составляет 25 913 токенов, контекст — 512 токенов. Модель принимает текстовую подсказку и продолжает её, например, создаёт простой рассказ по началу «Once upon a time». Она рассчитана на короткие истории примерно на 100–200 слов и использует простой словарь и грамматику. По заявлению карточки, модель может иногда повторять текст; обучение на ограниченной части TinyStories сдерживает разнообразие и качество генерации. Опубликована в формате safetensors под лицензией MIT.