IV.5Образование и развитие навыков

SC_aime_qwen3_1_7b_ep1 — объединённый чекпойнт Qwen3-1.7B с весами LoRA-адаптера, дообученного методом GRPO на задачах AIME с подходом self-certainty. Это плотная авторегрессионная языковая модель на 1,7 млрд параметров для генерации текста и диалогов; в карточке указаны шаг global_step_8 и первая эпоха обучения, поэтому чекпойнт отражает ранний этап эксперимента. Модель принимает текст и выдаёт текст. Она рассчитана на математические задачи и рассуждения в формате AIME, а также может использоваться для обычной генерации текста и диалога. Базовая модель поддерживает контекст до 40 960 токенов; доступны интерфейсы чата и вызова инструментов. Весы опубликованы в формате safetensors по лицензии Apache-2.0. Поскольку это чекпойнт раннего этапа обучения, его качество на AIME и других задачах может быть ограниченным; README не приводит оценок или результатов тестирования.

SC_aime_qwen3_1_7b_ep3 — объединённый полноразмерный чекпойнт на базе Qwen/Qwen3-1.7B, созданный из базовой модели и LoRA-адаптера после обучения с GRPO на задачах AIME по self-certainty. Чекпойнт соответствует третьей эпохе и шагу global_step_24; базовая модель имеет архитектуру Qwen3ForCausalLM с 1,7 млрд параметров и контекстом до 40 960 токенов. Модель предназначена для генерации текста и диалогов, в частности для решения математических задач формата AIME и рассуждений о степени уверенности в ответе. Она использует текстовый ввод и выдаёт текст. Опубликована в формате safetensors и доступна по лицензии Apache-2.0. Карточка не приводит результатов оценки качества.

SC_aime_qwen3_1_7b_ep4 — полновесный объединённый чекпойнт Qwen3-1.7B, созданный на основе модели Qwen/Qwen3-1.7B и LoRA-адаптера после обучения методом GRPO на задачах AIME с настройкой self-certainty. В README указаны адаптер ранга 64 и шага обучения global_step_28, соответствующего эпохе 4. Модель предназначена для генерации текста и диалоговых ответов; обучение было ориентировано на решение математических задач AIME и уверенность модели в собственных ответах. Это плотная авторегрессионная модель Qwen3 с 1,7 млрд параметров, контекстом до 40 960 токенов и поддержкой чата. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Карточка не приводит оценок качества на AIME или сведений о языках обучения адаптера.

tacab/somali-agriculture — языковая модель GPT-2 для генерации текстов на сомалийском языке по вопросам сельского хозяйства. Она обучена на примерно 10 000 пар запросов и ответов и предназначена для ответов на аграрные вопросы, подготовки учебных материалов для фермеров и создания тематических чат-ботов. Модель имеет архитектуру GPT-2 с 4 слоями, 4 головами внимания и размером эмбеддинга 256; используется собственный BPE-токенизатор. Контекст ограничен 512 токенами. Модель распространяется под лицензией MIT. Карточка не приводит оценки качества; обучение на ограниченном тематическом наборе данных может ограничивать точность и охват ответов.

StoryGPT — небольшая авторегрессионная языковая модель в стиле GPT, разработанная coderian и обученная с нуля на 50 тысячах историй из набора TinyStories. Модель построена на декодерном трансформере с причинным самовниманием и блоками pre-LN; содержит около 29 млн параметров, использует токенизатор GPT-2 на 50 257 токенов. Длина контекста — 512 токенов, размер блока при обучении — 128 токенов. Модель предназначена для генерации коротких историй на английском языке, в том числе простых повествований для детей. Она компактна и может загружаться через Transformers. Обучение длилось два эпоха на небольшом корпусе, поэтому рассказы могут быть короткими и повторяющимися, а также содержать ошибки грамматики или логики. Лицензия — MIT.

TraceMed 是基于 Qwen3 架构的 3.7B 参数稠密文本生成聊天模型，使用 BF16 精度和 Safetensors 权重，可通过 Hugging Face Transformers 加载； для работы модель поддерживает контекст до 32 768 токенов. Модель предназначена для задач традиционной китайской медицины: она может связывать симптомы с синдромом и патогенезом, предлагать принципы лечения и формулы, а также сравнивать формулы и медицинские понятия по составу, действию и показаниям. В демонстрациях заявлены ответы с цитатами, ведущими к исходным фрагментам учебных материалов. Карточка указывает китайский и английский языки; модель ориентирована прежде всего на китайский язык. Базовая модель, обучающие данные, результаты оценки и лицензия в карточке не приведены, поэтому происхождение модели и условия её распространения установить нельзя. Приведённые примеры не заменяют медицинскую оценку специалиста.

DAGGER-12B-SFT — модель на 12 млрд параметров, разработанная авторами проекта DAGGER и полученная дообучением Gemma 3 12B Instruct методом supervised fine-tuning. Она предназначена для решения математических текстовых задач на бенгальском языке с построением вычислительного графа, в том числе когда в условии есть отвлекающие числа и сведения. Модель обучена на 3 000 проверенных примерах; README описывает её как самостоятельный вариант SFT и начальную точку для дальнейшего обучения GRPO. В качестве выходов модель генерирует текстовое представление графа вычислений с узлами, операциями, аргументами и итоговым ответом. В карточке приведены результаты на MGSM и MSVAMP: взвешенная точность SFT-варианта указана как 66,7; на задачах с отвлекающими данными качество снижается. Указанная в метаданных архитектура — плотная Gemma 3 с поддержкой условной генерации; базовая модель также мультимодальна, однако карточка DAGGER описывает математическую генерацию по текстовым условиям. Репозиторий использует Transformers и формат safetensors. Лицензия — Gemma; применяются её условия.

DentaInstruct-1.2B — дообученная инструкционная языковая модель для ответов на вопросы по стоматологии и здоровью полости рта. Её разработал автор репозитория yasserrmd на базе LiquidAI/LFM2-1.2B; модель имеет плотную decoder-only архитектуру LFM2 и содержит около 1,5 млрд параметров. Она обучалась на отфильтрованной стоматологической подвыборке MIRIAD с использованием Unsloth и настроена на диалоговый формат. Модель предназначена для образовательных вопросов и ответов, чат-ботов по здоровью полости рта и исследований дообучения языковых моделей для клинических областей. Карточка отмечает уверенную работу со стоматологической терминологией и следование инструкциям, но также сообщает о редких фактических ошибках. Доступный контекст составляет 32 768 токенов, основной язык карточки — английский. Модель распространяется по лицензии Apache-2.0. Данные обучения не проходили ручную проверку медицинскими экспертами, поэтому модель не следует использовать для диагностики или принятия решений о лечении; она предназначена для образовательного и исследовательского применения.

Papuguinho/gemmuguinho-636m-GGUF — набор квантованных GGUF-сборок модели aac-board-generator-moe-636m-ptbr, разработанной Stekel, Tardelli R. C. для проекта Papuguinho. Это модель Mixture-of-Experts для генерации и редактирования досок с пиктограммами альтернативной и дополнительной коммуникации (AAC) на бразильском португальском языке. Она ориентирована на ассистивные технологии, доступность и локальную работу на устройствах без обязательного подключения к облачным сервисам. Модель содержит около 636 млн общих параметров; число активных параметров зависит от конфигурации маршрутизации: примерно 141 млн при k=1, 212 млн при k=2 и 283 млн при k=3. Представлены варианты от Q4_K_M до Q8_0 и f16 размером примерно от 460 МБ до 1,2 ГБ. Сборки запускаются через llama.cpp на CPU, однако требуется версия с поддержкой нестандартной архитектуры gemma3moe. Указанная скорость достигает примерно 210 токенов в секунду для k=1 и 90–130 токенов в секунду для k=2 на Apple Silicon CPU/Metal. Сильные стороны модели — специализация на создании и изменении AAC-досок, поддержка компактного DSL для команд редактирования и приемлемое качество даже в варианте Q4_K_M; для лучшего качества рекомендуется k=2 с Q8_0. Ограничения включают специализацию преимущественно на бразильском португальском, зависимость от совместимой сборки llama.cpp и отсутствие в README подробных сведений об обучении, оценке и ограничениях базовой модели. Данные обучения полностью синтетические. Используется лицензия Gemma.

HyperCLOVA-X-SEED-MISHULTA-Solar-Distilled-v1.8 — команда MISHULTA подготовила эту плотную языковую модель на 14,1 млрд параметров на основе HyperCLOVAX-SEED-Think-14B. Модель дообучена методом LoRA и затем объединена с базой для решения корейских задач на выбор ответа, требующих знаний и многошаговых рассуждений. Она формирует ход решения и вывод, а затем завершает ответ в стабильном формате «정답: X». Контекст составляет 131 072 токена; модель предназначена для диалоговой генерации текста на корейском языке. При обучении использовались данные KMMLU train, собственные задания на основе корейских административных обращений и законодательства, а также примеры рассуждений, созданные с помощью Upstage Solar Pro 4 и DeepSeek-R1-0528. Разработчики сообщают, что тестовый сплит не использовался, а пересечения с KMMLU-Pro и CLIcK проверялись на уровне вопросов и вариантов ответа. Лицензия следует соглашению HyperCLOVA X SEED; использование данных Solar было отдельно подтверждено Upstage для некоммерческих целей и хакатона, что не означает общего разрешения на дистилляцию результатов Solar. Карточка не приводит результатов бенчмарков.

HyperCLOVA-X-SEED-MISHULTA-v1.5 — команда MISHULTA создала эту модель для хакатона K-DS, дообучив с помощью LoRA и объединив веса HyperCLOVAX-SEED-Think-14B. Это плотная языковая модель с 14,1 млрд параметров и контекстом до 131 072 токенов; она принимает текст и генерирует текст в диалоговом формате. Модель предназначена прежде всего для решения корейских задач на рассуждение с выбором ответа. Обучение включало открытые данные KMMLU, само-дистилляцию базовой модели, данные DeepSeek-R1-0528 и синтетические вопросы о корейской культуре и языке. Для версии v1.5 указаны те же веса, что и у v1, но настройки шаблона чата отличаются. Модель поддерживает корейский язык. Карточка сообщает, что при обучении не использовались тестовые сплиты, а дубли вопросов с оцениваемыми бенчмарками были удалены. Лицензия следует соглашению HyperCLOVA X SEED Model License Agreement; README указывает, что производное название должно начинаться с «HyperCLOVA X».

K2 — языковая модель для геонаук, созданная командой daven3 на основе LLaMA. Она прошла дополнительное предобучение на очищенной геонаучной литературе, включая научные статьи открытого доступа и страницы Википедии. В карточке указано 6,6 млрд параметров; архитектура — плотная LlamaForCausalLM, формат весов — PyTorch. Репозиторий содержит delta-веса после дополнительного предобучения, а не полную базовую модель. Модель предназначена для генерации текста и ответов на вопросы по геологии, географии и наукам об окружающей среде. Для адаптации под инструкции использовались данные GeoSignal, а предварительная оценка проводилась на бенчмарке GeoBenchmark. Авторы сообщают о результатах выше нескольких моделей сравнимого размера на объективных и субъективных заданиях этого бенчмарка. Веса опубликованы по лицензии Apache-2.0; README отмечает, что delta-веса выпущены для соблюдения лицензии базовой LLaMA. Для использования требуется базовая модель, а README отсылает к репозиторию K2 за инструкциями. Заявления об оценке относятся к указанному бенчмарку и сами по себе не гарантируют качество в других сценариях.

LLama3 SatCom 8B — специализированная языковая модель, разработанная в рамках программы ESA ARTES для проекта SatcomLLM / SCEVA. Это плотный авторегрессионный трансформер семейства Llama, дообученный методом instruction fine-tuning на базе meta-llama/Llama-3.1-8B-Instruct; размер модели — около 7,5 млрд параметров. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 131 072 токенов по метаданным. Модель предназначена для технических вопросов и рассуждений в области спутниковой связи: инженерных расчётов, радиочастотных систем, сетей 5G/6G NTN, проектирования и планирования миссий. Она может помогать специалистам, исследователям и учащимся разбираться в SatCom-системах и документации, однако не подключается к оперативным данным миссий или закрытым документам ESA. Ответы требуют проверки экспертом и не подходят как единственное основание для критически важных решений. Распространяется по лицензии Llama 3.1 Community License Agreement.

AnReu/math_albert — базовая модель семейства ALBERT, подготовленная для работы с математическими текстами. Она инициализирована из ALBERT-base-v2 и дополнительно предобучена в три этапа на Math StackExchange; токенизатор расширен токенами LaTeX для представления математических формул. Модель содержит 136,7 млн параметров, использует архитектуру AlbertModel и принимает последовательности длиной до 512 токенов. Модель предназначена для извлечения признаков из математического текста и как основа для дообучения под классификацию, ответы на вопросы и другие задачи в математической области. Это англоязычный чекпойнт, который не был дообучен под конкретную задачу; для ARQMath 3 авторы указывают отдельную версию AnReu/albert-for-arqmath-3. Файлы доступны в форматах PyTorch и safetensors. Условия лицензии в предоставленных источниках не приведены.

Medchator-2x7b — языковая модель для генерации текста, созданная Technoculture как смесь экспертов на основе AdaptLLM/medicine-chat и microsoft/Orca-2-7b. Она предназначена для диалогов и ответов на вопросы по медицинским темам; в карточке приведены результаты на медицинских тестах MMLU, включая анатомию, клинические знания и биологию. Модель имеет архитектуру Mixtral MoE, около 6,6 млрд параметров и контекст до 4096 токенов. Репозиторий содержит веса в формате safetensors. Модель подходит для прототипирования медицинских чат-помощников и учебных сценариев, где нужны ответы на вопросы по медицинским дисциплинам. Опубликованные результаты тестов не подтверждают пригодность для клинических решений или замену консультации специалиста. Лицензия — Apache-2.0.

Satya-Dey разработал Qwen2.5-1.5B-medmcqa-qlora-v2 — плотную языковую модель на 1,5 млрд параметров, дообученную методом QLoRA на базе Qwen/Qwen2.5-1.5B-Instruct. Она настроена отвечать на вопросы с выбором одного варианта по медицинским темам, охваченным набором MedMCQA, который включает вопросы экзаменов AIIMS и NEET-PG по 23 предметам. Модель принимает текст и генерирует текстовые ответы; максимальная длина контекста — 32 768 токенов. На проверочной выборке MedMCQA из 2 816 вопросов точность составила 42,5% против примерно 39% у базовой модели и 25% у случайного выбора. Результат различается по предметам: например, точность по биохимии составила 60,7%, а стоматология была наиболее слабой областью. Модель подходит для учебной практики и экспериментов с ответами на медицинские тесты, но её точность ограничена, поэтому ответы не следует использовать как медицинские рекомендации или единственный источник знаний. Лицензия — Apache-2.0.

Это диалоговая модель Qwen2.5-3B-Instruct-Sheldon-RLVR-math-v1, разработанная в рамках проекта Harvard CS 2881R. Она основана на Qwen2.5-3B-Instruct-Sheldon-RLAIF-grpo-v2 и дообучена с подкреплением по проверяемому математическому вознаграждению; финальный LoRA-адаптер объединён с весами, сохранёнными в формате bf16 Safetensors. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Модель предназначена для диалоговых ответов в образе Шелдона Купера и решения математических задач с пошаговым рассуждением и итоговым ответом в формате \boxed{}. В README приведены результаты на MATH-500, GSM8K и AIME; модель восстановила значительную часть математических способностей, утраченных на предыдущих этапах обучения, но уступает исходной Qwen2.5-3B-Instruct по некоторым метрикам. Обучение ориентировано на точность конечного ответа, поэтому качество объяснений и математических ответов не гарантируется для всех задач. Карточка указывает лицензию «other», но не описывает её условия, поэтому перед использованием следует проверить лицензионные сведения репозитория. Модель рассчитана на английский язык.

lucylq/qwen3_06B_lora_math — LoRA-адаптер для модели unsloth/Qwen3-0.6B, дообученный на датасете MetaMathQA с использованием Unsloth, PEFT и SFT. Модель предназначена для генерации текста с акцентом на математические задачи и служит также для тестирования возможностей ExecuTorch при работе с LoRA. Модель основана на Qwen3 с размером 0,6 млрд параметров. Указана текстовая модальность и поддержка сценариев text-generation; язык и размер контекстного окна в карточке не уточняются. Дообучение выполнено в течение одной эпохи, с ограничением до 50 000 примеров, в формате bf16. Для развёртывания доступны файлы базовой модели и LoRA-весов, преобразованные для XNNPACK и 8-битного квантования с использованием torchao, а также требуется отдельный Qwen tokenizer. Сильной стороной модели является компактный размер и возможность применения LoRA-адаптера в средах, поддерживающих ExecuTorch, включая сценарии с разделением базовых и адаптерных весов. Ограничения включают небольшой размер модели, отсутствие подробных сведений о качестве, языках, контекстном окне и результатах оценки. Лицензия в README не указана; условия использования следует уточнять для базовой модели, адаптера и датасета отдельно.

Qwen3-4B OpenThoughts3 Math SFT — Step 500 — это промежуточный чекпойнт модели Qwen3-4B, опубликованный как экспорт Hugging Face. Его создал автор репозитория, дообучив Qwen/Qwen3-4B методом supervised fine-tuning на 103 760 примерах математических рассуждений из OpenThoughts3-1.2M. Модель предназначена для экспериментов с математическими рассуждениями, SFT и дистилляцией на собственных ответах; это плотная авторегрессионная языковая модель примерно на 3,7 млрд параметров с контекстом до 40 960 токенов. Во время обучения использовался формат, в котором рассуждение и итоговый ответ выводятся в видимом канале, а блок Qwen3 thinking оставляется пустым. Для воспроизведения такого поведения карточка рекомендует использовать поставляемый шаблон чата и отключать thinking, если это поддерживает среда инференса. Модель ориентирована на английский язык и математические задачи; она генерирует текст. Чекпойнт представляет экспериментальный шаг обучения, а не готовую для эксплуатации модель; оценка AIME для него ещё не добавлена. В обучающей выборке оставляли только полные ответы с завершённым блоком рассуждения и ответом в рамке, поэтому сложность и распределение задач отличаются от полного набора OpenThoughts3. Лицензия — Apache 2.0.

ned1313/sft-gsm8k — дообученная модель генерации текста на базе Qwen/Qwen3-0.6B-Base. По карточке она обучена с использованием TRL и запускается через библиотеку Transformers; метаданные указывают плотную архитектуру Qwen3 с 507,9 млн параметров и контекст до 32 768 токенов. Название репозитория указывает на дообучение для задач GSM8K, однако README не описывает датасет, результаты или точный охват математических задач. Модель принимает текстовые запросы и генерирует текст; метаданные также отмечают поддержку чата. Подходит для экспериментов с генерацией ответов на математические задачи и для других текстовых запросов в формате чата. В README приведён пример обычного вопроса, но он не подтверждает качество или специализацию модели вне задач, связанных с GSM8K. Лицензия в предоставленных данных не указана.

SmallThinker-3B-Preview — англоязычная модель генерации текста, дообученная разработчиками Tiiny на Qwen2.5-3B-Instruct. Она предназначена для математических рассуждений, работы на устройствах с ограниченными ресурсами и использования как быстрая черновая модель для QwQ-32B-Preview. Модель построена на плотной архитектуре Qwen2, содержит 3,1 млрд параметров, работает с текстом и поддерживает контекст до 32 768 токенов. В опубликованных тестах модель показала результаты по ряду математических и STEM-бенчмарков выше базовой Qwen2.5-3B-Instruct; автор также сообщает об ускорении генерации при использовании в качестве черновой модели. Обучение проводилось на англоязычных датасетах, поэтому качество на других языках ограничено. README отмечает слабое следование инструкциям, ограниченную базу знаний и склонность к повторам на сложных вопросах. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

Модель talzoomanzoo/uid_gated_aime_qwen3-1-7b_ep3 — объединённый полноразмерный чекпойнт Qwen3-1.7B и LoRA-адаптера, дообученного методом GRPO на наборе задач AIME с UID-gating. Чекпойнт основан на Qwen/Qwen3-1.7B; адаптер имеет ранг 64 и alpha 32, исходный шаг обучения — global_step_24. Модель предназначена для генерации текста и диалогов, в частности для решения математических задач AIME и рассуждений. Архитектура — плотная авторегрессионная Qwen3ForCausalLM с 1,7 млрд параметров. Она принимает текст и выдаёт текст, поддерживает контекст до 40 960 токенов, а также интерфейсы чата и вызова инструментов. Базовая Qwen3 — многоязычная модель; карточка не уточняет языки, на которых адаптер обучался. Модель распространяется по лицензии Apache-2.0. Чекпойнт отражает ранний этап обучения — epoch 3, global_step_24; README не сообщает результаты оценки, поэтому качество решения задач и обобщение на другие математические наборы по этим данным определить нельзя.

Это модель xnpx, дообученная на основе facebook/wav2vec2-large-xlsr-53 для распознавания фонем в речи на хинди. Вместо обычной текстовой транскрипции она выдаёт токены Международного фонетического алфавита (IPA), используя архитектуру Wav2Vec2ForCTC с 24 слоями Transformer, размером 402,7 млн параметров и словарём из 64 токенов, включая специальные. Модель принимает аудио с частотой дискретизации 16 кГц и предназначена для фонетического анализа хинди, оценки произношения, приблизительного выравнивания фонем и лингвистических исследований. Она дообучена на подмножестве хинди датасета AI4Bharat IndicVoices и распространяется по лицензии Apache-2.0. Декодирование выполняется жадным методом CTC без языковой модели или beam search, поэтому границы фонем приблизительны. Модель ориентирована на хинди, может хуже работать с другими языками, шумной записью и аудио, записанным с большого расстояния.

vitouphy/wav2vec2-xls-r-300m-phoneme — дообученная модель на базе facebook/wav2vec2-xls-r-300m для распознавания речи. Она использует архитектуру Wav2Vec2ForCTC и принимает аудио, выдавая текстовую последовательность фонем. В карточке приведены результаты оценки: loss 0,3327 и CER 0,1332; набор данных для обучения не определён в README. Модель опубликована в форматах PyTorch и Safetensors по лицензии Apache-2.0. Карточка не описывает целевые языки, условия записи и ограничения применения, поэтому качество для конкретных языков и акустических условий по этим данным оценить нельзя.

Whisper Turbo Quran — модель распознавания речи, созданная Тарыком Исметом Алканом на основе openai/whisper-large-v3-turbo. Это полноразмерное дообучение Whisper с 905,2 млн параметров, специализирующееся на распознавании чтения Корана на арабском языке. Модель принимает аудио и выдаёт арабский текст с диакритическими знаками (ташкиль/харакат); в карточке указано, что обучение проводилось на наборе tarteel-ai/everyayah, а веса представлены в формате safetensors. Модель предназначена для транскрибирования коранической рецитации, включая сценарии сопровождения чтения и обучения. В README автор сообщает о WER 0,05% на 500 оценочных примерах, однако этих данных недостаточно, чтобы оценить качество на других записях и в реальных условиях. Описанные возможности приложения Tilavet — отслеживание аятов, распознавание ошибок чтения, офлайн-работа и перевод — относятся к приложению и его развёртыванию, поэтому их нельзя считать подтверждёнными функциями самой модели. Модель опубликована по лицензии Apache-2.0. README описывает перенос весов энкодера из whisper-large-v3-quran-lora как способ инициализации перед полным дообучением; базовой моделью при этом указана openai/whisper-large-v3-turbo.

VityaVitalich/1pp-1.7b-ua-sft-grpo-gsm8k — экспериментальная диалоговая Llama-модель, дообученная методом GRPO на наборе математических задач GSM8K. Она продолжает обучение Raghav-Singhal/1pp-1.7b-ua-sft: проведено 100 шагов обучения с групповыми относительными преимуществами, без критика и с сохранением KL-штрафа. Модель содержит около 1,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текстовые запросы, генерируя текстовые ответы; контекст — до 4096 токенов. Модель рассчитана на решение математических текстовых задач и исследование влияния GRPO на качество ответов. В указанной оценке GSM8K pass@1 вырос с 0,0098 до 0,0413, а pass@16 — с 0,0882 до 0,2333; автор отмечает, что для уверенного сравнения вариантов обучения нужны результаты по нескольким случайным инициализациям. Веса опубликованы в формате safetensors и хранятся в bf16. Информация о лицензии в предоставленных данных отсутствует.

moinsaj/aaie-ddense-gft-yarn2-fg-lora — экспериментальная модель генерации структурированной обратной связи, созданная дообучением AAIE-Distilled Dense Instruct в формате Llama. Разработчик использовал LoRA ранга 8 с alpha 20, затем объединил адаптер с базовой моделью; оригинальный адаптер сохранён в подкаталоге репозитория. Модель имеет 354,4 млн параметров и рассчитана на генерацию диалогового текста через Transformers. Контекст настроен на 2 048 токенов с YaRN factor 2.0 относительно исходного окна в 1 024 токена. Обучение проводилось в течение двух эпох на 450 примерах генерации обратной связи; для диагностики использовались отдельные выборки валидации и оценки. Язык обучающих данных в доступных сведениях не указан. Это исследовательский артефакт для целевого эксперимента по генерации обратной связи. Модель не проверялась экспертами на образовательную корректность, обоснованность, справедливость и пригодность к развёртыванию; её не следует использовать для принятия решений об оценке учащихся. Эксперимент с окном 2 048 токенов не подтверждает общую способность к длинному контексту. Сведения о лицензии в предоставленных источниках отсутствуют.

analogllm/analog_model — специализированная текстовая модель для знаний об аналоговых электрических схемах, разработанная на основе Qwen2.5-32B-Instruct и дообученная на текстовом наборе вопросов и ответов, извлечённых из профильных учебников методом дистилляции знаний. Это плотная 32-миллиардная модель семейства Qwen2, рассчитанная на генерацию текста и диалоговое взаимодействие; контекст — до 32 768 токенов. В тесте AMSBench-TQA она показала точность 85,04%, что на 15,67 процентного пункта выше результата исходной модели. Модель подходит для ответов на вопросы по аналоговым схемам и для справочной поддержки при изучении соответствующей инженерной тематики. Она специализирована: в других областях её применимость может быть ограничена, а по новым или слабо представленным в обучении темам возможны ошибки и бессвязные ответы. В метаданных указана лицензия other; конкретные условия использования следует сверить с карточкой модели.

Модель followsci/bert-ai-text-detector — классификатор академических текстов на основе BERT-base-uncased, дообученный для бинарного определения того, написан ли абзац человеком или сгенерирован ИИ. Она принимает английский текст длиной до 512 токенов и возвращает метку класса и оценки уверенности. Разработчик сообщает, что модель обучена на академических текстах из arXiv и сгенерированных текстах разных больших языковых моделей; для тестовой выборки указаны точность 99,57% и F1-мера 99,58%. Эти результаты относятся к описанному в карточке тестированию и не гарантируют такую же точность на других данных. Модель предназначена для проверки абзацев академического текста и исследовательских сценариев, связанных с академической добросовестностью. Она не определяет, какая именно модель создала текст, и не выявляет частичную помощь ИИ. Карточка предупреждает, что качество может снижаться на неакадемических текстах и при обработке предложений или целых документов; возможны ложные срабатывания, поэтому результат не следует использовать как единственное основание для обвинений в нарушении правил. Модель содержит около 136,7 млн параметров, использует архитектуру BertForSequenceClassification и распространяется в формате safetensors. Лицензия — MIT.

QuantFactory/DeepScaleR-1.5B-Preview-GGUF — квантизированная GGUF-версия модели DeepScaleR-1.5B-Preview, созданная QuantFactory с использованием llama.cpp. Исходную модель разработала Agentica на основе DeepSeek-R1-Distill-Qwen-1.5B и дообучила распределённым reinforcement learning с алгоритмом GRPO. Модель предназначена прежде всего для решения математических задач и задач, требующих пошагового рассуждения, включая AIME, AMC, MATH и другие соревнования по математике. Она обучалась на примерно 40 000 пар «задача—ответ», собранных из AIME, AMC, Omni-MATH и Still. Указан язык English; модальность — текстовая. Размер исходной модели составляет 1,5 млрд параметров, а обучение проводилось с постепенным увеличением длины контекста до 24 000 токенов. Сильной стороной модели является высокая заявленная точность на математических бенчмарках: 43,1% Pass@1 на AIME 2024, 87,8% на MATH 500, 73,6% на AMC 2023 и 50,0% на OlympiadBench. GGUF-квантизация позволяет запускать модель с меньшими требованиями к ресурсам, однако README не указывает конкретный тип или уровень квантизации, требования к памяти и влияние квантизации на качество. Модель специализирована на математическом рассуждении и не позиционируется как универсальная мультимодальная система; приведённые результаты усреднены по 16 сэмплам и не гарантируют аналогичную точность в других сценариях. Модель распространяется по лицензии MIT, допускающей использование, модификацию и распространение. Для исходной версии заявлена совместимость с vLLM, Hugging Face TGI, SGLang и TensorRT-LLM, но конкретные условия запуска именно GGUF-файла в README не приведены.