IV.5Образование и развитие навыков

Hebrew Math Tutor — дообученная Intel модель Qwen3-4B-Thinking-2507 для решения математических задач и пошагового объяснения решений на иврите. Это плотная decoder-only языковая модель на 3,7 млрд параметров с контекстом до 262 144 токенов; она принимает текст и генерирует текст. Модель ориентирована на ивритоязычные образовательные приложения, математические объяснения и прототипы репетиторских систем, сохраняя поддержку английского для многоязычных сценариев. Для адаптации использовано около 10 000 отобранных задач из OpenMathReasoning: условия и итоговые ответы переведены на иврит, а цепочки рассуждений сохранены. В карточке приведены результаты оценки на математических бенчмарках, но модель может ошибаться, смешивать иврит с английским и непоследовательно форматировать числа; внутренние блоки рассуждений могут оставаться на английском. Лицензия — Apache-2.0. Разработчик не рекомендует использовать её для критически важных решений или автоматической оценки без проверки человеком.

licht-german-tutor-medium (v22) — предварительная версия диалоговой модели от Lamplit Labs для изучающих немецкий на уровнях A1–C1. Это плотная языковая модель на архитектуре Qwen3 с 7,6 млрд параметров, дообученная на базе Qwen/Qwen3-8B методом LoRA; веса адаптера объединены с базовой моделью и опубликованы в формате bf16 Safetensors. Модель принимает текст и ведёт диалог по шаблону ChatML, максимальная длина контекста — 40 960 токенов. Модель объясняет немецкую грамматику и лексику на немецком или английском, исправляет предложения, тренирует словоформы и помогает практиковать диалоги для повседневных ситуаций. Она также предназначена для упражнений уровня C1 и подготовки к экзаменам telc и Goethe. В комплект входят заметки для привязки ответов к правилам и лексикон существительных и неправильных глаголов, которые приложение может использовать для дополнительной проверки. Это публичный preview, а не завершённый релиз: по собственной оценке авторов, версия не прошла три из восьми критериев выпуска. В частности, судьи отметили семь ответов с серьёзными ошибками, а часть ролевых сценариев и проверенных предложений не достигла установленных порогов. Автор рекомендует не полагаться на модель как на единственный источник при подготовке к экзаменам и использовать проверку по лексикону, когда ученик не может оценить ответ самостоятельно. Лицензия — Apache-2.0.

luffycodes/llama-shishya-7b-ep3-v2 — диалоговая языковая модель на архитектуре Llama, представленная как студенческая модель для образовательного чат-бота. В карточке она связана с фреймворком CLASS и работой «CLASS Meet SPOCK: An Education Tutoring Chatbot based on Learning Science Principles». Модель предназначена для генерации ответов в диалоге и образовательного тьюторинга. Модель содержит 6,6 млрд параметров, использует формат PyTorch и имеет контекстное окно 4096 токенов. README не уточняет языки, учебные предметы или конкретные методики обучения модели. Указана лицензия llama2; применяйте её с соблюдением условий лицензии Llama 2.

Карточка модели TIGER-Lab/MAmmoTH-13B на Hugging Face совпадает с карточкой TIGER-Lab/MAmmoTH-Coder-34B, поэтому описание составлено по ней. MAmmoTH-Coder-34B — языковая модель TIGER-Lab для решения математических задач, дообученная на наборе MathInstruct. Это плотная авторегрессионная модель семейства LLaMA с 33,5 млрд параметров, рассчитанная на генерацию текста; для запуска авторы рекомендуют библиотеку Transformers. Модель использует гибридные рассуждения: пошаговые объяснения (CoT) и программные решения (PoT), а контекст составляет 16 384 токена. Модель предназначена для решения широкого круга математических задач, в том числе в образовательных программах и системах персонального обучения. Она может формировать объяснение или представить ход решения как программу. Обучающий набор MathInstruct объединяет 13 наборов данных с математическими рассуждениями. В README отмечено, что качество зависит от сложности и формулировки задачи, а покрытие математических областей неполное. Карточка указывает лицензию MIT; авторы позиционируют модель для исследовательского использования.

Карточка модели TIGER-Lab/MAmmoTH-Coder-13B на Hugging Face совпадает с карточкой TIGER-Lab/MAmmoTH-Coder-34B, поэтому описание составлено по ней. MAmmoTH-Coder-34B — языковая модель TIGER-Lab для решения математических задач, дообученная на наборе MathInstruct. Это плотная авторегрессионная модель семейства LLaMA с 33,5 млрд параметров, рассчитанная на генерацию текста; для запуска авторы рекомендуют библиотеку Transformers. Модель использует гибридные рассуждения: пошаговые объяснения (CoT) и программные решения (PoT), а контекст составляет 16 384 токена. Модель предназначена для решения широкого круга математических задач, в том числе в образовательных программах и системах персонального обучения. Она может формировать объяснение или представить ход решения как программу. Обучающий набор MathInstruct объединяет 13 наборов данных с математическими рассуждениями. В README отмечено, что качество зависит от сложности и формулировки задачи, а покрытие математических областей неполное. Карточка указывает лицензию MIT; авторы позиционируют модель для исследовательского использования.

MathGenie-InterLM-20B — языковая модель MathGenieLM, разработанная авторами проекта MathGenie для математических рассуждений. Она основана на InternLM-20B и дообучена на данных, созданных методом обратного преобразования решений в новые математические задачи. В README указано, что семейство MathGenieLM проверялось на пяти наборах для оценки математических рассуждений; для варианта InternLM2 приведены результаты 87,7% на GSM8K и 55,7% на MATH. Модель имеет плотную архитектуру InternLM2, около 19,3 млрд параметров и контекст до 32 768 токенов. Она генерирует текст и рассчитана прежде всего на английский язык; метаданные также отмечают возможности работы с кодом. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Модель подходит для решения математических задач и генерации пошаговых объяснений, однако README не приводит отдельной оценки именно этого чекпойнта MathGenie-InterLM-20B и описывает результаты для варианта MathGenieLM-InternLM2 в целом.

Карточка модели MathGenie/MathGenie-Mixtral-8x7B на Hugging Face совпадает с карточкой MathGenie/MathGenie-InterLM-20B, поэтому описание составлено по ней. MathGenie-InterLM-20B — языковая модель MathGenieLM, разработанная авторами проекта MathGenie для математических рассуждений. Она основана на InternLM-20B и дообучена на данных, созданных методом обратного преобразования решений в новые математические задачи. В README указано, что семейство MathGenieLM проверялось на пяти наборах для оценки математических рассуждений; для варианта InternLM2 приведены результаты 87,7% на GSM8K и 55,7% на MATH. Модель имеет плотную архитектуру InternLM2, около 19,3 млрд параметров и контекст до 32 768 токенов. Она генерирует текст и рассчитана прежде всего на английский язык; метаданные также отмечают возможности работы с кодом. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Модель подходит для решения математических задач и генерации пошаговых объяснений, однако README не приводит отдельной оценки именно этого чекпойнта MathGenie-InterLM-20B и описывает результаты для варианта MathGenieLM-InternLM2 в целом.

Mathmate-7B-DELLA-ORPO — дообученная компанией Haleshot языковая модель для генерации текста и решения математических задач. Она основана на Haleshot/Mathmate-7B-DELLA и дополнительно настроена методом ORPO (Odds Ratio Preference Optimization) на наборе argilla/distilabel-math-preference-dpo с примерами решений, ранжированными по предпочтениям людей. Модель использует плотную архитектуру Llama с примерно 6,5 млрд параметров и контекстом до 4096 токенов. Она предназначена для математических рассуждений, пошаговых объяснений и выбора более предпочтительных решений. Репозиторий содержит веса в формате Safetensors; лицензия — Apache-2.0. Модель может ошибаться в вычислениях и рассуждениях, поэтому её ответы, особенно для сложных задач, следует проверять.

OPDLM-MATH-4B-Thinking — модель генерации текста для математических рассуждений, разработанная на основе Qwen/Qwen3-4B командой, связанной с проектом OPDLM. Это вариант On-Policy Distillation Language Model с блочно-диффузионной архитектурой: блоки размером 4 токена уточняются за 4 шага денойзинга. Модель дообучена для математики и поддерживает явный блок рассуждений при генерации. Модель принимает текст и выдаёт текст; её можно применять для решения математических задач и пошагового объяснения рассуждений. Архитектура — адаптация Qwen3-4B с примерно 3,7 млрд параметров. В README указано обучение на длинном контексте 8k, тогда как метаданные сообщают максимальную длину контекста 40 960 токенов. Для запуска требуется пользовательский код модели с trust_remote_code=True и специальные утилиты генерации OPDLM; стандартный model.generate несовместим с блочно-диффузионным способом генерации. Модель распространяется по лицензии Apache-2.0. Карточка ссылается на исследовательский отчёт об OPDLM; описанное назначение — практическое решение математических задач, поэтому модель классифицируется как production.

MathOctopus Parallel 7B — многоязычная языковая модель семейства LLaMA, разработанная проектом MathOctopus для решения математических задач. Модель обучена на инструкционном наборе MGSM8KInstruct с применением стратегии параллельного обучения; в репозитории указано 6,6 млрд параметров, архитектура LlamaForCausalLM и контекст до 2048 токенов. Модель предназначена для генерации пошаговых решений математических задач на английском, суахили, китайском, бенгальском, немецком, испанском, французском, японском, русском и тайском языках. Подходит для учебных приложений, систем репетиторства и других сценариев, где нужны ответы на математические вопросы. В README приведены результаты оценки на MGSM и MSVAMP, однако они не гарантируют качество на других типах задач. Модель распространяется под лицензией Apache-2.0. Разработчики указывают исследовательские цели использования; это условие само по себе не меняет классификацию зрелости модели.

myrkur/persian-question-generator — модель на базе mT5, дообученная для генерации вопросов по тексту на персидском языке. Она принимает фрагмент текста и формулирует к нему естественные вопросы, подходящие для образовательных инструментов, разговорных систем и приложений для понимания персидских текстов. Модель имеет архитектуру MT5ForConditionalGeneration и содержит 291,2 млн параметров; для работы используется библиотека Transformers. В карточке приведён пример генерации через pipeline Transformers с задачей summarization. Модель сохранена в формате safetensors и распространяется по лицензии Apache-2.0. README заявляет контекстно релевантные результаты, однако не приводит количественных оценок качества или подробностей о наборе данных.

Qwen2.5-Math-7B-CFT — языковая модель TIGER-Lab для математических рассуждений, дообученная методом Critique Fine-Tuning (CFT) на основе Qwen/Qwen2.5-Math-7B. Вместо прямого подражания правильным ответам она учится анализировать и критиковать заданный ответ; формат обучения подавал вопрос вместе с ошибочным или шумным решением, а модель должна была выдать критику. Для генерации критики при обучении использовался GPT-4o. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2ForCausalLM и работает с текстом в Transformers. Её можно применять для разбора математических задач, анализа решений и генерации пошаговых рассуждений; заявлены результаты 79,4% на MATH и 41,6% на OlympiadBench. Контекст составляет 4096 токенов. Карточка указывает английский язык; описание базовой модели также упоминает китайский. Репозиторий распространяется в формате Safetensors по лицензии Apache-2.0.

zbeeb/Qwen2.5-Math-7B-GRPO-Staleness-4 — дообученная модель семейства Qwen2.5, созданная на основе Qwen/Qwen2.5-Math-7B. Это плотная авторегрессионная языковая модель на 7,1 млрд параметров для генерации решений математических задач; она поддерживает диалоговый режим и принимает текст, выдавая текст.

Qwen2-Math-7B-ScaleQuest — языковая модель для решения математических задач, выпущенная авторами проекта ScaleQuest. Она относится к семейству Qwen2, использует плотную архитектуру Qwen2ForCausalLM и содержит 7,1 млрд параметров. Модель дообучена для решения задач на синтезированных данных ScaleQuest; в карточке также представлены отдельные модели проекта для генерации вопросов. Модель предназначена для генерации пошаговых решений и ответов на математические задачи, в том числе для задач уровня MATH и Olympiad Bench. В опубликованном сравнении она показала результаты 73,4 на MATH и 38,5 на Olympiad Bench. При использовании через Transformers модель принимает текст и генерирует текст; доступен контекст до 4096 токенов. В метаданных указан английский язык. Модель распространяется по лицензии Apache-2.0. Результаты из карточки относятся к указанным бенчмаркам и сами по себе не гарантируют точность решения произвольных задач; модель может допускать ошибки в вычислениях или рассуждениях.

sbert-obe-csematch — специализированная модель Sentence-BERT от OBE AI System для сопоставления экзаменационных вопросов с результатами обучения курсов (Course Outcomes, CO) по компьютерным наукам и инженерии. Модель дообучена методом continual learning на данных Outcome-Based Education и предназначена для поиска наиболее подходящего CO среди результатов конкретного курса. Это bi-encoder на базе sentence-transformers/all-MiniLM-L6-v2: BERT из 6 слоёв с 12 головами, mean pooling и L2-нормализацией. Она кодирует предложения в плотные векторы размерности 384; заявленная длина контекста — 512 токенов. В README приведены результаты оценки на выборке из 500 вопросов: точность top-1 82,4% и top-3 95,4%; эти показатели относятся к описанному набору курсов и протоколу проверки. Модель подходит для автоматической привязки экзаменационных вопросов к CO и поиска семантически близких описаний результатов обучения в CSE-курсах. Она принимает текст и выдаёт векторы для сравнения по сходству, поэтому её качество за пределами указанного образовательного домена не подтверждено. Лицензия — Apache-2.0.

SkyworkVL-38B — мультимодальная чат-модель семейства Skywork, разработанная командой Skywork и дообученная на базе OpenGVLab/InternVL2_5-38B. Модель содержит 38 млрд параметров и предназначена для диалога с изображениями и решения задач визуального анализа. В README описаны обучение на 2 млн примеров с подписями и вопросами, многоэтапная настройка и дополнительное обучение на данных с пошаговыми рассуждениями. Модель обрабатывает изображения в нескольких разрешениях и поддерживает визуальные вопросы и ответы, OCR, анализ диаграмм и научных изображений, а также задачи по математике и другим учебным дисциплинам. В карточке приведены результаты на MathVista, MMMU, AI2D, OCRBench, MME, RealWorldQA и HallusionBench. Для запуска README приводит пример с Transformers и bfloat16; интерфейс включает чат и tool calling. Модель опубликована в формате safetensors по лицензии Apache-2.0. Заявленные в README преимущества относятся к визуальному анализу и рассуждениям, однако приведённые таблицы сравнивают базовые модели и не показывают отдельные численные результаты SkyworkVL-38B. Для запуска может потребоваться значительный объём вычислительных ресурсов из-за размера в 38 млрд параметров.

Trismal-ArithAbel2-7B-Base-Ties — текстовая генеративная модель, созданная объединением akjindal53244/Arithmo-Mistral-7B и GAIR/Abel-7B-002 с помощью LazyMergekit и метода TIES. Это плотная архитектура MistralForCausalLM примерно с 7,1 млрд параметров и контекстом до 32 768 токенов, сохранённая в формате safetensors; конфигурация слияния указывает на float16. Модель предназначена для генерации текста и математических рассуждений, сочетая возможности исходных моделей, связанных с решением математических задач. Она может служить основой для ответов на математические вопросы и пошаговых объяснений в текстовом виде. В карточке не приведены сведения о лицензии, поэтому условия использования следует проверять в репозиториях исходных моделей.

Модель masumtechnonext/wav2vec2-arabic-letter-verifier разработана Masum Techno Next как классификатор произношения отдельных букв арабского алфавита. Это дообученная wav2vec2-large-xlsr-53-arabic с 402,7 млн параметров: CTC-голова заменена классификационной, а экстрактор признаков заморожен. Модель принимает аудиоклип и относит его к одной из 28 букв либо к дополнительному классу «Unknown», предназначенному для тишины, шума и посторонних или неоднозначных записей. Для проверки заданной буквы модель сравнивает предсказанный класс с целевой буквой и применяет откалиброванный порог уверенности: при низкой уверенности запись считается нераспознанной, а не принудительно приписывается к одному из буквенных классов. Обучение включало SpecAugment и сглаживание меток; модель обучена на наборе masumtechnonext/test-data-set-Arabic-letter. Лицензия — Apache-2.0. Разбиение данных выполнено по клипам, а не по дикторам, поскольку идентификаторы дикторов отсутствуют. Если записи одного диктора попали и в обучение, и в тестовую выборку, тестовая точность может быть выше качества на новых дикторах или микрофонах; перед внедрением рекомендуется проверка на собственных записях с отдельными дикторами.

Writing-Model-Qwen-7B — языковая модель на 7,1 млрд параметров, разработанная AQuarterMile и дообученная на базе Qwen/Qwen2.5-7B-Instruct на наборе из 12 тысяч примеров для задач оценки текстов. Она предназначена для генерации ответов в сценариях оценки письма и может использоваться в диалоговых интерфейсах. Модель построена на плотной архитектуре Qwen2, принимает текст и выдаёт текст; веса доступны в формате safetensors. Контекстное окно составляет 32 768 токенов. Модель унаследовала возможности базовой Qwen2.5-7B-Instruct для диалогов и структурированных ответов. В карточке не приведены результаты бенчмарков или подробности о критериях оценки, поэтому качество и область применимости оценщика стоит проверять на собственных примерах. Лицензия — Apache-2.0.

Xwin-Math-70B-V1.0 — языковая модель команды Xwin-LM для решения математических задач. Это модель с архитектурой LLaMA-2, дообученная методом supervised fine-tuning на математических примерах; в метаданных указано 68,7 млрд параметров, контекст — 4096 токенов, формат весов — PyTorch. Модель принимает текстовые задачи и генерирует текстовые решения.

Xwin-Math-70B-V1.1 — языковая модель для решения математических задач, разработанная командой Xwin-LM и дообученная на основе LLaMA 2. Это плотная авторегрессионная модель семейства LLaMA с 68,7 млрд параметров, принимающая текст и генерирующая текстовые решения; длина контекста составляет 4096 токенов. Модель предназначена для пошагового решения школьных и более сложных математических задач, включая арифметику, алгебру и задачи в формате GSM8K и MATH. В README для версии 70B V1.1 указаны результаты pass@1 90,6% на GSM8K и 51,9% на MATH; фактические результаты могут отличаться в зависимости от условий оценки. Модель работает с формулировками на естественном языке, однако явный перечень поддерживаемых языков не приведён. Это дообученная модель, а не универсальный мультимодальный ассистент: она ориентирована на математику и может ошибаться в вычислениях или рассуждениях. Репозиторий содержит веса PyTorch; лицензия — Llama 2 License, условия которой следует соблюдать при использовании и распространении.

AIFT-ko-orca-plat-Yi-ko-6b-v1.2-dpo는 AIFT가 공개한 한국어 지시 따르기 모델로, 기반은 Yi 계열 6B 모델이며 체크포인트에는 약 5,9 млрд параметров. Модель дообучена методом LoRA на очищенных и отобранных данных KOR-OpenOrca-Platypus и дополнительных наборах для истории, науки, математики, машинного чтения, анализа отзывов, грамматики, морфологии, суммаризации и перевода между английским и корейским. Дополнительно применён DPO на примерно 17 тысячах примеров, ориентированных на CommonGen и TruthfulQA. Модель предназначена для генерации ответов на инструкции и вопросов на корейском языке, включая образовательные задания, чтение с пониманием, краткое изложение и перевод. Архитектура — плотная LlamaForCausalLM; контекст составляет 2048 токенов. Репозиторий содержит веса Safetensors, лицензия — CC BY-SA 4.0. Данные обучения закрыты, а описание не приводит количественных оценок качества. Поэтому пригодность для конкретных задач следует проверять отдельно; короткий контекст ограничивает работу с длинными документами.

AIFT-ko-orca-plat-Yi-ko-6b-v2.1 — корейская инструктивная языковая модель AIFT на архитектуре Llama с 5,9 млрд параметров и контекстом 2048 токенов. Её дообучили методом LoRA на примерно 40 тысячах примеров, отобранных и очищенных из KOR-OpenOrca-Platypus и дополненных собственными данными. Обучение проводилось на двух ускорителях A100 по 40 ГБ. Модель предназначена для ответов на вопросы и выполнения инструкций: в обучающие данные вошли задания по истории, естественным наукам, математике, машинному чтению, анализу отзывов, суммаризации, грамматике и переводу между английским и корейским. Карточка также упоминает вопросы на проверку распространённых заблуждений и простые школьные задания по науке и математике. Репозиторий использует формат safetensors; лицензия — CC BY-SA 4.0. Данные обучения закрыты, поэтому состав и качество примеров независимо проверить нельзя.

DeepSeekMath-7B-ScaleQuest — языковая модель для решения математических задач, выпущенная авторами проекта ScaleQuest. Она относится к семейству Llama, имеет около 6,5 млрд параметров и рассчитана на генерацию текста; модель обучена на синтетических математических данных ScaleQuest. В карточке приведены результаты на бенчмарках MATH (66,6) и Olympiad Bench (29,9). Модель принимает текстовые условия и генерирует текстовые решения. Она предназначена для решения задач по математике, включая задачи олимпиадного уровня. Контекст составляет 4096 токенов, основной заявленный язык — английский. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

Jackrong/DeepSeek-V4-Pro-Qwen3.5-9B — компактная модель для диалогов и рассуждений, созданная как дообученная версия Qwen3.5-9B. По карточке, её ответы дистиллированы из DeepSeek-V4-Pro в режиме Max Effect; обучение включало supervised fine-tuning на примерно 250 тысячах примеров по математике и STEM, а затем лёгкое уточнение с помощью GSPO. Модель содержит 9 млрд параметров, использует плотную архитектуру Qwen3.5 и распространяется в формате Safetensors. Метаданные также указывают интерфейс вызова инструментов и поддержку изображений у базовой модели, однако карточка этой версии описывает прежде всего текстовые задачи рассуждения. Модель предназначена для пошагового решения математических и научных задач, а также для диалогового применения. В карточке сообщается о предварительных улучшениях программирования и использования инструментов без специального обучения на коде. В приведённых оценках модель показала 94,50% на GSM8K и 90,53% среднего результата по Math, Physics и Chemistry в MMLU-Pro; результаты получены в конкретных конфигурациях запуска и не гарантируют аналогичного качества в других условиях. Карточка называет модель экспериментальной и отмечает риск галлюцинаций и ошибок на сложных или недостаточно определённых задачах. Лицензия — Apache-2.0.

Ditto-8B — модель с открытыми весами на 8 млрд параметров, разработанная для симуляции человеческого поведения. Она предназначена для моделирования пользователей и учащихся, отыгрыша персонажей и персон, а также задач, связанных с теорией разума и социальными навыками. Модель дообучена методом DITTO: она учится улучшать ответы по словесной обратной связи, используя её как сигнал обучения; при обычном применении обратная связь не требуется. Выпущенная версия объединяет навыки специализированных моделей DITTO в одну универсальную модель.

Это конвертированная в формат CTranslate2 модель Whisper-small для распознавания речи в лекциях на китайском и английском языках. Её подготовили для использования с faster-whisper и Speaches на основе Creaturelove7/whisper-small-lora-ntu-ml2021, где LoRA-адаптер объединён с openai/whisper-small. Модель принимает аудио и выдаёт текст; результат нормализуется в упрощённый китайский с сохранением английских технических терминов. В README сообщается, что на 11 919 отложенных тестовых высказываниях базовая дообученная модель показала CER 8,51% против 25,53% у исходной Whisper-small; также заявлена устойчивость поведения при int8-квантизации. Репозиторий распространяет веса в формате CTranslate2 с точностью float16. Лицензия — Apache-2.0. Оценка качества и ограничения унаследованы от базовой модели и её адаптера.

HuBERT Large German v1 — акустическая модель распознавания немецкой речи в последовательность фонем Международного фонетического алфавита (IPA), разработанная для системы оценки произношения PronunCheck. Это дообученная на немецкой части Multilingual LibriSpeech модель HuBERT Large с архитектурой CTC; размер опубликованной модели — 402,7 млн параметров. Она выдаёт 70 типов фонемных токенов, включая немецкие гласные и дифтонги, согласные и знаки ударения, и предназначена для оценки произношения методом Goodness of Pronunciation. Модель подходит для фонемной транскрипции немецкой речи и оценки произношения в чистых аудиозаписях. На тестовой части Multilingual LibriSpeech указана ошибка PER около 28,4%, а на спонтанной речи Mozilla SPS 4.0 — около 35,6%. Модель обучалась на чистых аудиокнигах, поэтому хуже справляется с быстрой разговорной речью, реверберацией и записями с низкокачественных микрофонов. Лицензия — Creative Commons Attribution 4.0 (CC BY 4.0).

KLI205 Qwen3.5-9B Tuned — дообученная и слитая с LoRA модель на базе Qwen/Qwen3.5-9B, опубликованная автором sonselfa. Она предназначена для оценивания корейских аргументативных текстов и генерации ответов в диалоговом формате. Модель имеет плотную архитектуру Qwen3.5 с 7,2 млрд параметров, принимает текст и поддерживает контекст до 262 144 токенов. Репозиторий содержит объединённые веса SafeTensors в формате BF16, совместимые с Transformers и vLLM. Модель адаптирована к задаче оценивания письменных аргументов на корейском языке. Перед использованием в конкурсной или прикладной системе автор рекомендует отдельно проверить соответствие выходного формата и откалибровать оценки. Лицензия — Apache-2.0.

langlm-gguf — набор из двух моделей, созданных Энтони Филдсом (AnthonyFC) для исправления грамматических ошибок в предложениях изучающих немецкий и испанский языки. Модели дообучены методом LoRA на EuroLLM-1.7B, затем адаптеры объединены с базовой моделью, словарь сокращён для каждого языка и веса квантизированы в GGUF Q4_K_M. В каждой версии около 1,3 млрд параметров; файлы занимают примерно 755–757 МиБ. Это базовые модели для текстового дополнения, а не чат-модели: для получения результата их следует вызывать с заданным текстовым промптом и ожидать ответ в JSON. Модель исправляет одно предложение за раз и может перечислить внесённые изменения и типы ошибок. Немецкая версия обучена на ученических предложениях Falko-MERLIN и синтетических ошибках в чистом тексте; испанская — на предложениях учащихся из COWS-L2H и синтетических ошибках. Версии рассчитаны на локальный запуск, в том числе через llama.cpp или в браузере с WebGPU. По данным карточки, сжатие мало повлияло на метрику F0.5, но испанская версия стала чаще изменять изначально правильные предложения. Точность классификации типов ошибок ограничена, а качество на других жанрах и языках не измерялось. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и запрещающая коммерческое применение.