IV.5Образование и развитие навыков

RubricTracing-9B-Criterion — модель для прогнозирования освоения отдельных критериев оценивания в задачах по математике. Она принимает историю прошлых решений ученика с задачами, рубриками, вердиктами и письменными решениями, а также условие следующей задачи с эталонным решением и рубрикой. Для каждого идентификатора критерия модель выдаёт JSON-вердикт о том, будет ли он выполнен. Модель разработана на основе Qwen/Qwen3.5-9B и полностью дообучена на датасете KT-PSP-25: математике для учеников первого года старшей школы в Южной Корее. Это плотная причинная языковая модель семейства Qwen3.5 с 7,2 млрд параметров, контекстом до 262 144 токенов и форматом весов Safetensors. Карточка приводит результаты на отложенной выборке: средний Macro-F1 — 0,610 по пяти обучениям. Модель рассчитана на исследования в области knowledge tracing и прогнозирования результатов по критериям. Оценка проводилась на одном корейском наборе данных, а обучающие метки получены автоматической системой оценивания. Порядок взаимодействий в датасете не восстановим, поэтому история рассматривается как набор; модель не валидирована для оценивания работ или принятия значимых решений об отдельных учениках. Лицензия — Apache-2.0.

Snowball-67B-A2B-Math-RL-E6-Step20-Repaired — исследовательский чекпойнт из эксперимента Snowball 67B-A2B по обучению с подкреплением для математических задач. Это точный артефакт, использованный для опубликованной строки результатов; состояние маршрутизатора исправлено на основе SFT. Архитектура — Grug MoE с причинной языковой моделью, веса сохранены в safetensors; в метаданных указаны 1 млрд параметров и контекст до 65 536 токенов. Чекпойнт предназначен для генерации решений математических задач и воспроизведения эксперимента. В README приведены результаты на AIME24, MATH-500 и OlympiadBench: 26,00, 76,80 и 22,67 соответственно. Автор предупреждает, что близкие по названию старые экспорты могут терять работоспособность при инференсе, а полезность этой версии зависит от сохранения исправления смещения маршрутизатора или целостности замороженного маршрутизатора. Лицензия обозначена как other; дополнительных условий в доступных данных нет.

Time-Embed BGE-M3 LMS Temporal Phase2.74 — специализированная модель эмбеддингов для поиска по материалам корейских систем управления обучением (LMS). Она разработана на основе BAAI/bge-m3 и предназначена для различения близких по смыслу временных выражений, например «неделю назад», «за последние семь дней» и «семь дней назад», а также запросов с разным типом материала или намерением. Модель содержит 658,7 млн параметров, построена на архитектуре XLM-RoBERTa, принимает текст и выдаёт векторы признаков; длина контекста — 8194 токена. Версия Phase2.74 получена без нового градиентного обучения: это выпуклая интерполяция двух контрольных точек Time-Embed с коэффициентом 0,75 для Phase2.73. По внутренним оценкам она сохраняет временные показатели Phase2.72 и даёт небольшие улучшения семантических и календарных оценок; сравнение с BGE-M3 также показало улучшения на приведённых корейских MTEB-задачах. Результат узкоспециализированный, а прирост на временном тесте крайне мал, поэтому модель следует проверять в целевой LMS-системе и сохранять Phase2.72 как запасной вариант. Лицензия в предоставленных данных не указана.

talzoomanzoo/uid_gated_aime_qwen3-1-7b_ep2 — объединённый полноразмерный чекпойнт Qwen3-1.7B и адаптера LoRA, созданный после второго этапа UID-gated GRPO-обучения на AIME. Модель предназначена для генерации текста и диалогов, с акцентом на решение задач AIME и математические рассуждения. В основе лежит плотная архитектура Qwen3ForCausalLM с 1,7 млрд параметров и контекстом до 40 960 токенов. Чекпойнт объединяет веса базовой модели и LoRA-адаптера ранга 64 с alpha 32; исходный шаг обучения — global_step_16. Модель работает с текстом и поддерживает многоязычные возможности Qwen3. Модель распространяется по лицензии Apache-2.0. Это ранний чекпойнт после ограниченного этапа обучения, поэтому качество решения задач и обобщение на другие математические тесты могут быть нестабильными.

VibeThinker-3B — это компактная модель для генерации текста и решения математических и логических задач, разработанная WeiboAI и преобразованная сообществом LiteRT в формат LiteRT-LM для локального запуска на устройствах. Модель основана на архитектуре Qwen2ForCausalLM, имеет плотную архитектуру с 3 млрд параметров и 36 слоями, поддерживает текстовый ввод и вывод, а также контекст длиной до 4096 токенов. Модель формирует пошаговое рассуждение и итоговый ответ, поэтому для полноценной генерации рекомендуется выделять не менее 2048 токенов. Основное назначение — on-device-инференс на Android-устройствах, iPhone и компьютерах с GPU или CPU, включая сценарии периферийных вычислений без обращения к облачному сервису. Опубликованная версия использует симметричное int4-квантование с блоком 32, оптимальным клиппингом OCTAV и INT8 для эмбеддингов; размер файла составляет около 1,9 ГБ. На GSM8K квантованная версия показала точность 90% против 97% у эталонной bf16-модели, что указывает на сильную специализацию в арифметике и математических текстовых задачах. Более грубое int4-квантование с блоком 128 существенно ухудшает результат. Модель подходит для локальных математических помощников и приложений, которым важны автономность и работа на edge-устройствах. Ограничения включают узкую математическую специализацию, текстовую модальность, ограниченный контекст, необходимость большого лимита генерации для завершения рассуждений и возможное снижение качества из-за квантования. Файл распространяется по лицензии MIT; пакет включает токенизатор и шаблон запросов Qwen2 ChatML, поэтому отдельные файлы токенизатора не требуются.

bobboyms/wav2vec2-base-en-phoneme-ctc-41h — модель распознавания английской речи, полученная дообучением facebook/wav2vec2-base. Это архитектура wav2vec 2.0 с CTC-головой, содержащая 113,3 млн параметров; модель принимает аудио и предназначена для вывода фонемной последовательности. В README приведены результаты оценки: PER 0,1045 и точность распознавания фонем 0,8955; набор данных не назван. Модель можно применять для преобразования английской речи в фонемы, например, в задачах фонетического анализа и подготовки произношения. Данные карточки не описывают ограничения по акустическим условиям или способу использования результатов. Лицензия — Apache-2.0.

Модель Miniijune/wav2vec2-xls-r-300m-Korean-children-pronunciation-jamo-based-semi-supervised_V2 — дообученная версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи. Архитектура Wav2Vec2ForCTC; в репозитории указано около 402,7 млн параметров. Название указывает на распознавание корейской детской речи с представлением на основе хангыля по буквам чамо, однако описание и сведения об обучающих данных в карточке практически отсутствуют. Модель принимает аудио и выдаёт распознанный текст. В README приведены результаты на оценочном наборе: loss 0,0802 и CER 0,1160; подробности набора и методики оценки не раскрыты. Лицензия — Apache-2.0.

Bioxtral-4x7B-v0.1 — языковая модель MaziyarPanahi для генерации текста, в том числе ответов на вопросы по биологии и медицине. Она построена как MoE-архитектура Mixtral и объединяет модели WestLake-7B-v2-laser, Daredevil-7B (использован дважды) и BioMistral-7B. В README приведено сравнение с BioMistral-7B по отдельным тестам; модель также демонстрируется на клиническом вопросе о лечении инфекции мочевых путей при беременности. Модель доступна в формате safetensors, поддерживает контекст до 32 768 токенов и предназначена для использования через Transformers с задачей text-generation. Лицензия — Apache-2.0. Карточка не указывает поддерживаемые естественные языки и не описывает ограничения клинического применения; медицинские ответы следует проверять специалистом.

CycleReviewer-ML-Llama-3.1-8B — текстовая генеративная модель WestlakeNLP для имитации рецензирования научных работ по машинному обучению, включая компьютерное зрение, NLP и мультимодальное машинное обучение. Это дообученная версия Meta Llama 3.1 8B Instruct на Transformer-архитектуре, предназначенная для генерации отзывов и оценок по тексту статьи; модель может имитировать нескольких рецензентов и метарецензента, а также помогать авторам дорабатывать рукописи и готовиться к рецензированию. Модель рассчитана на текстовый ввод и вывод. Метаданные указывают поддержку английского, китайского, японского, корейского, французского и немецкого языков, однако README предупреждает о возможном снижении качества на неанглоязычных работах. Размер контекста в источниках не приведён. Знания модели ограничены январём 2024 года; она не анализирует изображения, графики и сложные формулы, может быть непоследовательна в оценках и уступать экспертам в узких или новых областях. Её запрещено применять для официального рецензирования и решений о публикации, а также использовать как единственный источник проверки фактов или научной новизны. Лицензия указана как other; README дополнительно запрещает формальное рецензирование и ссылается на условия лицензии Llama.

DAGGER-12B-GRPO — диалоговая модель на 12 млрд параметров, разработанная авторами проекта DAGGER на основе Gemma-3-12B-Instruct. Это вариант без предварительного этапа SFT, обученный методом GRPO с наградами за формат, исполнимость и правильность вычислительных графов. Модель предназначена для решения математических текстовых задач с построением вычислительного графа в заданном JSON-подобном формате. В частности, она исследуется для задач, где в условии встречаются отвлекающие числа: результаты на MGSM и MSVAMP показывают снижение точности при добавлении таких данных, а сравнение с вариантом после SFT указывает на меньшую устойчивость этой версии. Карточка также содержит пример задачи на бенгальском языке. Модель использует архитектуру Gemma 3 и загружается через Transformers; репозиторий содержит веса Safetensors. По метаданным поддерживаются бенгальский и английский языки. Указана лицензия Gemma; перед использованием следует соблюдать её условия. Это специализированный исследовательский чекпойнт, а приведённые результаты ограничены указанными наборами и настройками оценки.

DAGGER-4B-GRPO — плотная модель семейства Gemma 3 с 4 млрд параметров, разработанная авторами работы о генерации графов для решения математических задач с отвлекающими данными. Это дообучение Google Gemma 3 4B Instruct с помощью GRPO, выполненное непосредственно от базовой модели без предварительной SFT-инициализации. Модель ориентирована на диалоговую генерацию текста и построение вычислительных графов, помогающих рассуждать над математическими текстовыми задачами, в том числе содержащими нерелевантные числа. В карточке приведены результаты на MGSM и MSVAMP: без отвлекающих данных указаны 29,2 и 57,1 соответственно, а с отвлекающими — 13,1 и 29,3. Авторы отмечают, что вариант с GRPO без SFT уступает обучению с SFT-инициализацией, особенно в надёжной генерации графов. Метаданные указывают поддержку бенгальского и английского языков, библиотеку Transformers и формат safetensors. Лицензия — Gemma; применимость условий лицензии следует оценивать по условиям Google Gemma.

borisbat/dasllama-stories — набор двух небольших языковых моделей для сочинения детских историй, опубликованный для браузерных примеров dasllama.io. Обе модели используют архитектуру Llama и доступны в формате GGUF для запуска через dasLLAMA и другие совместимые движки. Модель tinystories-instruct-27M содержит 27,4 млн параметров, обучена с нуля на TinyStoriesInstruct и принимает запросы с полями вроде Words:, Features: и Story:; её контекст — 512 токенов. Модель stories15M содержит около 15 млн параметров, обучена на TinyStories и генерирует истории по началу «Once upon a time» без следования инструкциям; для неё указан контекст 256 токенов. Модель tinystories-instruct-27M умеет включать заданные слова в историю: в описанном тесте она включила все три частых заданных слова в 15–22 из 24 примеров. Модели рассчитаны на короткие простые рассказы на английском языке, а малый размер и GGUF-квантизация Q8_0 подходят для лёгкого локального запуска. В репозитории также есть вариант f32 той же instruct-модели. Лицензия в предоставленных данных не указана.

DeepMath — модель для математических рассуждений от Intel AI Labs. Это плотная причинная языковая модель с 3,7 млрд параметров, дообученная методом GRPO на базе Qwen3-4B-Thinking-2507. Она генерирует краткие фрагменты Python для промежуточных вычислений; для выполнения кода и полноценного агентного режима требуется отдельная песочница с ограничениями на ввод-вывод, сеть и время выполнения. Модель рассчитана на англоязычные задачи и поддерживает контекст до 262 144 токенов. DeepMath предназначена для решения математических задач, в особенности задач олимпиадного и экзаменационного типа. По данным README, связка дообучения и выполнения вычислений повышала точность на ряде сложных наборов и сокращала длину вывода до 66% по сравнению с базовой моделью. Модель распространяется по лицензии Apache 2.0. Она оптимизирована для математики, поэтому её способность обобщать на другие области ограничена. Качество на задачах математического творчества и формальных доказательствах не оценивалось; размер модели может ограничивать решение особенно сложных задач. Для агентного режима нужна безопасно настроенная среда выполнения Python.

DoctoModernBERT-fr-large-instruct-v0.1 — франкоязычная медицинская модель от автора bofenghuang, созданная дообучением DoctoModernBERT-fr-large в стиле instruction tuning. Она предназначена для оценки вариантов ответа в формате multiple choice: перед маскированным слотом ставится токен-якорь `[unused0]`, после чего модель предсказывает один токен — `1`, если вариант верен, или `0`, если неверен. Модель построена на архитектуре ModernBERT и содержит 394,7 млн параметров. Она принимает текст и предсказывает маскированный токен; максимальный родной контекст составляет 8192 токена. В карточке указан датасет FrenchMedMCQA, а языковые метаданные указывают французский язык. Модель распространяется по лицензии Apache-2.0. Это ранний экспериментальный чекпойнт продолжающегося обучения инструкциям, поэтому возможны ошибки. Результат ограничен бинарной оценкой предложенного варианта и не является развёрнутым медицинским объяснением или диагнозом.

EYE-Llama_gqa — языковая модель для ответов на вопросы по офтальмологии, разработанная на основе Llama 2 и дообученная на наборах EYE-lit и EYE-QA+. Модель предназначена для медицинского образования, поддержки клинических решений и исследований в офтальмологии. Модель использует плотную архитектуру LlamaForCausalLM, содержит 6,6 млрд параметров и имеет контекст длиной до 4096 токенов. Она принимает текст и генерирует текстовые ответы на английском языке. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Модель может помогать с разбором офтальмологических вопросов, однако её ответы могут отражать смещения обучающих данных. Она не предназначена для самостоятельной диагностики или лечения и не должна использоваться при оказании помощи пациентам без контроля специалиста.

Это компактная языковая модель 0rn0 на базе собственной реализации архитектуры Llama 2 с примерно 15,2 млн параметров. Модель предварительно обучена с нуля на TinyStories, затем дообучена методом supervised fine-tuning на сбалансированном наборе инструкций 0rn0/tinystories-instruct-balanced; она создаёт короткие истории по текстовым запросам и поддерживает выбор счастливого или грустного финала. Модель рассчитана на англоязычные короткие рассказы: её словарь и повествовательная сложность ограничены, а контекст составляет 256 токенов. Для запуска требуется исходный код проекта, поскольку модель использует пользовательскую реализацию PyTorch и несовместима напрямую с Transformers. Веса опубликованы в формате safetensors; лицензия — MIT.

Llama-3-instruction-constructionsafety — дообученная модель семейства Llama 3, созданная на основе beomi/Llama-3-KoEn-8B-Instruct-preview. Разработчики обучили её на вопросно-ответных наборах и исходных данных руководств по безопасности на строительных площадках Корейского агентства по охране труда и технике безопасности (KOSHA), используя полное дообучение параметров и около 11 тысяч примеров. Модель предназначена для диалоговых ответов на вопросы о строительной безопасности. Она имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 8192 токенов. Метаданные указывают поддержку корейского и английского языков; основная прикладная область по обучающим данным — охрана труда в строительстве. Модель опубликована в формате safetensors и распространяется по лицензии CC BY 4.0. Карточка не приводит оценок качества и подробных ограничений; ответы по безопасности следует сверять с актуальными нормативами и рекомендациями специалистов.

Mistral-Astronomy-7b-v0.2 — специализированная языковая модель Phanerozoic для ответов на вопросы по астрономии. Это плотная авторегрессионная модель MistralForCausalLM на 7,1 млрд параметров, дообученная на базе OpenHermes 2.5-Mistral-7B. Она принимает текстовые запросы и генерирует текстовые ответы; нативная длина контекста составляет 32 768 токенов. В карточке описано около 2500 пар вопросов и ответов, подготовленных на основе учебника Astronomy 2e от OpenStax; модель рассчитана прежде всего на англоязычное общение. Модель предназначена для объяснения астрономических понятий и ответов на вопросы о явлениях и актуальных темах астрономии. По результатам сравнительного тестирования она может давать подробные и содержательные объяснения, но хуже справляется со сложными и протяжёнными математическими выражениями и не подходит для точных количественных расчётов. За пределами астрономии качество может быть ниже, чем у базовой модели. Лицензия модели — CC BY 4.0.

MWP-BERT-en — модель семейства BERT, представленная в работе MWP-BERT: Numeracy-Augmented Pre-training for Math Word Problem Solving, опубликованной в NAACL 2022 Findings. Это чекпойнт на 136,7 млн параметров для заполнения замаскированных токенов. Авторы ориентировали подход на поддержку решения текстовых математических задач за счёт предобучения с учётом числовой информации. Модель использует архитектуру BertForMaskedLM, работает с текстом и принимает последовательности длиной до 512 токенов. Репозиторий содержит веса PyTorch; лицензия — AFL-3.0. Карточка не уточняет результаты на конкретных наборах задач или практические рекомендации по применению.

OVD-Math-1-data-HES-Step800-Historical — сохранённый чекпойнт эксперимента 1-data из коллекции OVD, опубликованный как веса для инференса и токенизатор. Это дообученная версия Qwen/Qwen2.5-Math-1.5B: плотная причинная языковая модель архитектуры Qwen2 с 1,5 млрд параметров, предназначенная для генерации текста. Метаданные указывают контекст до 4096 токенов и библиотеку Transformers; базовая модель рассчитана на решения математических задач на английском и китайском языках. README называет чекпойнт историческим экспериментом и не описывает отдельные возможности или результаты именно этого шага обучения. Его можно применять для генерации ответов и математических решений, однако качество на конкретных задачах по карточке оценить нельзя. Лицензия в предоставленных данных не указана.

Qwen2.5-7B-ViMetaMathQA-Mini — языковая модель, дообученная PeterPaker123 на основе Qwen/Qwen2.5-7B-Instruct для решения математических задач на вьетнамском языке. Это плотная авторегрессионная модель Qwen2 с 7,1 млрд параметров, поддерживающая диалоговую генерацию текста и контекст длиной до 32 768 токенов. Модель предназначена для ответов на инструкции по математике, решения простых задач по алгебре и объяснения математических рассуждений вьетнамским пользователям. При дообучении использовалась выборка из 100 000 примеров вьетнамского переведённого MetaMathQA; веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Автор обозначает модель как предварительный эксперимент и отмечает, что обучающая выборка охватывает лишь часть математических тем. Модель может допускать ошибки в вычислениях и правдоподобно объяснять неверные ответы, поэтому результаты следует проверять, особенно при критически важных расчётах.

Thinking-Space выпустила Qwen3-1.7B-Base-OPD — плотную авторегрессионную языковую модель семейства Qwen3 на 1,7 млрд параметров, полученную дистилляцией по схеме on-policy distillation. Модель инициализирована весами Qwen/Qwen3-1.7B-Base и обучена переносить математические рассуждения модели-учителя Qwen3-4B-Base-GRPO на наборе DAPO-Math-17k. Модель предназначена для генерации текста при решении математических задач и построении рассуждений. Она принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и имеет карточные языковые метки английского и китайского. Компактный размер позволяет использовать её как более лёгкую альтернативу учителю, однако специализация на математике не гарантирует точность ответов и не означает универсального качества для других задач. Репозиторий содержит веса в формате safetensors; лицензия указана как other, поэтому перед использованием следует проверить её условия на странице модели.

SAIL all-prompt judge — это дообученная на текстовой базе Qwen3.5-9B модель для автоматического выставления оценок эссе по общей рубрике ASAP 2.0. Она оценивает эссе без эталонных ответов и предназначена для измерения того, соответствует ли сгенерированное эссе запрошенному баллу. Модель обучалась на данных всех семи заданий ASAP 2.0, включая обучающую и валидационную части; это не разбиение с исключением одного задания. Для модели указано 7,2 млрд параметров и контекст до 262 144 токенов. Модель применялась в исследовании управляемости оценки на 14 наборах по 300 эссе: семи заданиях для базового и дообученного симулятора. README прямо ограничивает её роль измерением: её оценки нельзя использовать для выбора контрольной точки, эталона или генерации, поскольку это создаёт утечку данных. Модель работает с текстом и выдаёт текстовую оценку; для загрузки используется Transformers и AutoModelForCausalLM. Обучение описано как LoRA-адаптация всех линейных слоёв, но метаданные указывают на производную типа finetune. Лицензия в предоставленных данных не указана.

SVP-V-GRPO · COCONUT GPT-2 — исследовательский чекпойнт на базе COCONUT GPT-2, дообученный методом обучения с подкреплением SVP-V-GRPO. Модель разработана для латентного непрерывного рассуждения и генерации ответов на математические задачи; в обучении использовались 383 891 пример из GSM8K-Aug. Это плотная авторегрессионная модель GPT-2 с 124 млн параметров и контекстом 1024 токена. Она принимает текстовый запрос со специальными маркерами, выполняет шесть шагов латентного рассуждения, затем генерирует обычный текстовый ответ. Для исследования использовались GSM8K, GSM-Hard, MultiArith, SVAMP, ASDiv-A и GSM-Plus; README приводит результаты точного совпадения итогового ответа, но не содержит полной таблицы результатов этого чекпойнта. Модель подходит для экспериментов с непрерывным рассуждением и решения текстовых арифметических задач. Указана лицензия MIT. При использовании требуется соблюдать специальный формат промпта и реализовать подачу скрытых состояний между латентными шагами; обычная генерация через стандартный интерфейс Transformers не описывает этот цикл полностью.

uid_gated_aime_qwen3-1-7b_ep1 — слитый чекпойнт Qwen/Qwen3-1.7B с адаптером LoRA, созданный по результатам UID-gated обучения GRPO на задачах AIME; карточка указывает эпоху 1 и исходный шаг global_step_8. Это плотная авторегрессионная модель класса Qwen3 с 1,7 млрд параметров, предназначенная для генерации текста и диалогов. Она принимает текст и выдаёт текст; метаданные указывают контекст до 40 960 токенов и интерфейс для вызова инструментов. Модель основана на многоязычной Qwen3, но отдельный основной язык для этой адаптации не заявлен. Чекпойнт ориентирован на решение математических задач AIME и рассуждения в формате генерации текста. Доступен в формате safetensors и распространяется по лицензии Apache-2.0. README описывает ранний источник обучения — epoch 1, global_step_8; отдельные результаты оценки качества не приведены.

Это модель автоматического распознавания речи на базе Wav2Vec2 Large XLSR-53, дообученная разработчиком Rabah2026 на наборе Quran Ayah Corpus (Rabah2026). Она предназначена для распознавания чтения Корана в стилях таджвид и муратталь, включая выравнивание текста по отдельным аятам. Модель поддерживает арабскую письменность Усмани и специальные символы, в том числе ٱ и ٰ. Модель содержит около 402,7 млн параметров и принимает аудио, выдавая распознанный текст. В карточке указаны показатели WER 6,78% для знакомых чтецов и 13,75% для незнакомых. Распространяется по лицензии Apache-2.0. Результаты на знакомых чтецах не следует переносить на незнакомые записи без дополнительной проверки.

IbrahimSalah/Wav2vecLarge_quran_syllables_recognition — дообученная модель Wav2Vec2 для распознавания на слух слогов Корана с огласовками. Она принимает аудио речи и выводит транскрипцию, разбитую на слоги; например, фраза «مِنَ الْجِنَّةِ وَالنَّاسِ» записывается как «مِ نَلْ جِنْ نَ تِ وَنْ نَاْسْ». Модель содержит около 404,8 млн параметров и опубликована в формате safetensors; для декодирования также доступна 5-граммовая языковая модель. Обучение проводилось на закрытом наборе данных и части датасета Tarteel после очистки и преобразования транскрипций в слоги. Модель предназначена для распознавания речи на арабском языке в контексте чтения Корана. Лицензия в предоставленных источниках не указана.

Aryabhata 1.0 GGUF — квантованная версия 7-миллиардной авторегрессионной decoder-based языковой модели для математики, разработанная Physics Wallah AI Research и представленная в формате GGUF автором Mungert. Модель основана на Qwen/Qwen2.5-Math-7B и ориентирована прежде всего на решение задач уровня индийского вступительного экзамена JEE Main, особенно по математике. Это экспериментальный релиз, предназначенный для генерации текста и рассуждений при относительно низкой стоимости инференса. Модель обучалась на примерно 130 тысячах отобранных пар «задача—решение» из экзаменационных данных Physics Wallah с применением объединения моделей, rejection sampling, supervised fine-tuning и reinforcement learning with verifiable rewards. Указана поддержка английского языка. По данным карточки, модель эффективно работает примерно в окне на 2 тысячи токенов и показала точность 86% на сессии JEE Main за январь 2025 года и 90,2% на сессии за апрель 2025 года; оценки получены при temperature 0.0 и рассчитаны по pass@1. Сильные стороны модели — специализация на математическом рассуждении, экзаменационных сценариях и экономичном использовании токенов. Ограничения включают узкую ориентацию на JEE Mathematics, экспериментальный статус, отсутствие заявленной поддержки других модальностей и языков, а также зависимость качества от квантования. Для версии GGUF автор описывает повышение точности отдельных важных слоёв за счёт увеличения их разрядности, что может повысить размер файла. Модель распространяется по лицензии Apache-2.0.

prithivMLmods/Coloring-Book-Flux-LoRA — LoRA-адаптер для базовой модели black-forest-labs/FLUX.1-dev, разработанный пользователем или организацией prithivMLmods. Он предназначен для генерации изображений в стиле раскраски по текстовым описаниям, включая чёрно-белые контурные рисунки и карандашные наброски с различными объектами, персонажами и сценами. Для активации адаптера в запросе рекомендуется использовать триггерную фразу «Coloring Book». Модель ориентирована на сценарии создания иллюстраций для раскрасок и стилизованных монохромных изображений. Это текстово-изобразительная diffusion-модель, подключаемая к FLUX.1-dev через Diffusers. Указаны размер LoRA-сети 64 и alpha 32; обучение проводилось на 10 изображениях высокого разрешения с использованием разметки Florence-2 на английском языке. Рекомендуемый размер изображения — 1024×1024. README не сообщает точные языковые ограничения базовой модели или дополнительные поддерживаемые модальности. Модель может быть полезна для быстрого получения изображений в едином стиле раскраски, однако её качество ограничено небольшим обучающим набором. Автор предупреждает, что модель находится на стадии обучения, не является финальной версией и в некоторых случаях может создавать артефакты или работать неудовлетворительно. В качестве лицензии указана CreativeML Open RAIL-M; веса доступны в формате Safetensors.

Это разговорная модель генерации текста на основе Qwen2.5-3B, представленная Nathan Wei в рамках задания Harvard CS 2881R по безопасности ИИ. Модель дообучена методом LoRA GRPO: 100 обновлений с выбором контрольной точки по набору из 150 запросов. Базовая модель уже прошла SFT и RLAIF от Qwen2.5-3B-Instruct. В репозитории есть объединённые веса и LoRA-адаптер. Модель предназначена для генерации ответов и рассуждений при решении задач GSM8K и MATH; обучение использовало проверку правильности по правилам только на этих типах запросов. Архитектура — плотная Qwen2 с 3,1 млрд параметров, библиотека Transformers, формат Safetensors; контекст — до 32 768 токенов. Основной язык в описании обучения не указан. Лицензия — Apache-2.0. Результаты настройки оцениваются на ограниченном наборе задач и коротком dev-наборе, поэтому качество на других областях и типах запросов не подтверждено. Указанный RLVR-этап сам по себе не гарантирует надёжность ответов или безопасность в широком смысле.