IV.5Образование и развитие навыков

HuggingFaceTB/finemath-ablation-finemath-infimath-3plus — языковая модель Hugging Face TB, полученная продолжением предобучения Meta Llama 3.2 3B на математических данных. Модель содержит 3,21 млрд параметров, использует архитектуру Llama для причинной генерации текста и имеет контекстное окно 4096 токенов. Для обучения использовали 60 млрд токенов: поровну FineMath-3+ и InfiWebMath-3+. Модель предназначена для продолжения текста на английском языке с акцентом на математику, например генерации математических рассуждений и дополнения фрагментов текста. Она не проходила инструкционную настройку, поэтому рассчитана на текстовое завершение, а не на выполнение команд в формате чат-помощника. Это эксперимент из серии абляций FineMath, предназначенный прежде всего для сравнения с моделями, обученными в тех же условиях. Распространяется под лицензией Apache-2.0. Преимущество модели — специализация на англоязычных математических данных при сравнительно компактном размере. Качество на других языках может быть ограничено; поведение зависит от качества и разнообразия обучающих данных, которые могут содержать предвзятости и вредоносный контент.

Это объединённая модель HyperCLOVAX-SEED-Think-14B, созданная автором youngseok12 на основе трёх specialist LoRA-адаптеров для медицинских знаний, числового машинного чтения и причинно-следственного рассуждения на корейском языке. Адаптеры обучались отдельно, затем были объединены методом Task Arithmetic с равными весами; модель поставляется как самостоятельные веса BF16 в формате safetensors и не требует отдельного адаптера. Архитектура — плотная HyperCLOVAXForCausalLM на 14,1 млрд параметров, контекст — до 131 072 токенов. Модель предназначена для генерации ответов на корейском языке в формате тестов с выбором одного из четырёх вариантов: целевой формат требует сначала указать ответ, затем дать краткий ответ одной строкой. В карточке описаны обучение и проверка формата вывода, но результаты бенчмарков качества не приведены. Модель помечена как исследовательская и оценочная; генерация может быть неточной, поэтому её не следует использовать как единственное основание для медицинских, юридических или финансовых решений. Лицензия указана как other; конкретные условия использования в карточке не раскрыты.

II-Medical-8B — медицинская языковая модель компании Intelligent Internet, предназначенная для ответов на вопросы и рассуждений в медицинской тематике. Она основана на плотной архитектуре Qwen3 и содержит 7,6 млрд параметров; обучение включало SFT на медицинских данных и дополнительную оптимизацию DAPO на сложных задачах рассуждения. Модель поддерживает диалоговый режим, принимает текст и генерирует текст. В метаданных указан контекст до 40 960 токенов. Модель рассчитана на медицинские вопросы и ответы, включая задачи, похожие на медицинские экзамены и работу с научными публикациями. Авторы сообщают о результате 40% на HealthBench и приводят оценки на нескольких медицинских QA-бенчмарках. Карточка рекомендует запрашивать пошаговое рассуждение и оформлять итог в \boxed{}. Модель выпущена по лицензии Apache-2.0. Авторы предупреждают о возможных смещениях в исходных данных и устаревании медицинских знаний и прямо указывают, что модель не подходит для медицинского применения; её ответы не следует использовать для диагностики или выбора лечения.

acrastt/IS-LM-3B — языковая модель на архитектуре StableLM Epoch, дообученная автором репозитория на наборе DataForge Economics в течение трёх эпох с помощью QLoRA. Модель содержит 2,7 млрд параметров, принимает текст и генерирует текст; для общения в карточке приведён шаблон USER/ASSISTANT. Максимальный контекст — 4096 токенов. Модель предназначена для генерации ответов и текста по экономическим темам. В репозитории доступны веса PyTorch и safetensors; в README также упомянуты GGUF-квантизации. Лицензия — CC BY-SA 4.0.

albertge/llada-8b-dllm-registers-omi30k-t8 — контрольная точка проекта dLLM Registers на базе LLaDA-8B-Base от GSAI-ML. Это дообученная плотная диффузионная языковая модель на 8 млрд параметров для генерации текста; обучение было ориентировано на математические трассы из подмножества OpenMathInstruct-2 объёмом около 30 тысяч примеров. В модели используется 8-токенный хвост Markovian Thinking как канал переноса состояния между окнами денойзинга, размер чанка — 128 токенов. Модель предназначена для генерации и решения математических задач с использованием этого канала состояния при выводе. Карточка описывает исследовательский эксперимент по масштабированию числа слотов; для корректного использования требуются специальные параметры запуска: num_registers=0, channel_mode=tail и tail_length=8. Модель работает с текстом и рассчитана прежде всего на английский язык. Лицензия — Apache-2.0.

Qwen2.5Math-IVON-SFT-7B — дообученная модель BayesRL на базе Qwen/Qwen2.5-Math-7B, предназначенная для генерации решений математических задач. Это плотная авторегрессионная языковая модель семейства Qwen2 с 7,1 млрд параметров, обученная методом supervised fine-tuning с оптимизатором IVON. Чекпойнт служит начальной точкой для последующего обучения с подкреплением для верифицируемых задач: IVON сохраняет приближённое гауссовское апостериорное распределение параметров, которое используется как обученный prior для исследования пространства параметров в запусках 3PO. Модель загружается как стандартная causal LM через Transformers и поддерживает диалоговую генерацию текста. Контекст — 4096 токенов; в карточке указан английский язык, а базовая модель предназначена для математических решений на английском и китайском. Модель распространяется по лицензии Apache-2.0. Ее специализированное назначение — математическое рассуждение и подготовка warm-start чекпойнта для экспериментов RLVR; заявленные данные не подтверждают отдельные показатели точности или гарантии качества ответов.

BayesRL/Qwen-C3PO-7B — плотная авторегрессионная модель семейства Qwen2, разработанная BayesRL и обученная методом C3PO для обучения с проверяемыми наградами. Она основана на BayesRL/Qwen2.5Math-IVON-SFT-7B, использует подходы GRPO и IVON с вариационным исследованием пространства параметров и предназначена для генерации решений математических задач и подготовки чекпойнтов для дальнейшего RLVR. В README указана оценка на AIME 2024–2026, MATH-500, AMC 2023 и Minerva. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст длиной 4096 токенов. Карточка указывает английский язык. Веса доступны в формате safetensors для Transformers. Лицензия — Apache-2.0. Описание не приводит численных результатов оценки, поэтому сравнительное качество модели по этим тестам оценить по карточке нельзя.

slm-125m-base — компактная авторская языковая модель karthiksab для генерации английского текста. Это плотная decoder-only модель семейства Llama с 12 слоями, размером 125,8 млн параметров и контекстом до 1 024 токенов; веса опубликованы в формате Safetensors и доступны через Transformers. Модель обучена с нуля на юридических, финансовых и образовательных англоязычных данных: материалах судов США, документах SEC и FineWeb-Edu. Модель предназначена для продолжения текста и экспериментов с компактными языковыми моделями в юридической, финансовой и образовательной тематике. Это базовая модель, а не чат-ассистент: она не проходила инструкционное или безопасностное дообучение, поэтому может выдавать неточные ответы и не подходит как источник юридических или финансовых рекомендаций. Лицензия — Apache-2.0.

SriragData разработала эту модель как полноточечное дообучение Microsoft DeBERTa-v3-large для выбора правильного ответа из пяти вариантов в вопросах по естественным наукам и философии. Модель использует архитектуру DeBERTa-v2 и предназначена для задач multiple choice; в репозитории указано 533,8 млн параметров и контекст до 512 токенов. В README приведены MAP@3 0,7567 при групповой трёхкратной кросс-валидации и точность 0,6912 на тестовой выборке, однако охват данных узкий: обучение проведено на 2 000 примерах с 252 уникальными вопросами. Это закрытая модель без поиска по источникам, цитирования и отказа от ответа; вне обученного охвата она может отвечать уверенно и ошибочно. README также рекомендует явно загружать веса в float32, поскольку fp16 может привести к одинаковым оценкам всех вариантов. Лицензия — MIT.

roneneldan/TinyStories-8M — небольшая авторегрессионная языковая модель семейства GPT-Neo, опубликованная Роненом Элданом. Она обучена генерировать короткие связные истории на английском языке, в том числе простые рассказы для детей; размер по метаданным — 20,2 млн параметров, контекст — 2048 токенов. Модель принимает текстовый запрос и продолжает его текстом. Она подходит для экспериментов с генерацией историй и изучения поведения небольших языковых моделей. Это специализированная модель генерации, поэтому её не следует считать универсальным помощником или использовать для надёжных фактических ответов. Доступна на Hugging Face; сведения о лицензии в доступных источниках не подтверждены.

waelhasan/wav2vec2-l2-arctic-phoneme-model — модель распознавания речи на архитектуре wav2vec 2.0, дообученная автором waelhasan на основе facebook/wav2vec2-base. Она содержит 113,3 млн параметров и предназначена для преобразования речевого аудио в последовательность фонем. В README приведены результаты оценки: PER 0,1047, F1 0,9142 и loss 284,0506; описание обучающего набора и подробности оценки не раскрыты. Модель принимает аудио и выдаёт текстовую последовательность фонем. Репозиторий содержит веса в формате safetensors; библиотека для работы — Transformers. Лицензия — Apache-2.0. Язык речи и поддерживаемые акценты в доступных сведениях не определены.

ishikaa/acquisition_generator_AS_gradient_medmcqa_qwen7b — генеративная языковая модель на базе архитектуры Qwen2, опубликованная пользователем ishikaa на Hugging Face. По метаданным она предназначена для text-generation и поддерживает conversational-сценарии; объём модели составляет 7,1 млрд параметров, а нативная длина контекста — 32 768 токенов. Для работы используется библиотека Transformers и формат Safetensors.

ChipExpert-8B-Instruct — специализированная инструктивная языковая модель для проектирования интегральных схем, разработанная Национальным центром технологических инноваций в области EDA (NCTIEDA) и Юго-Восточным университетом в Нанкине. Модель представляет собой плотную архитектуру Llama для генерации текста и диалогового взаимодействия; она дообучена на базе Llama 3 и насчитывает 7,5 млрд параметров. Контекст — до 8192 токенов, основной язык — английский. Модель предназначена для обучения студентов основам проектирования микросхем, ответов инженерам на технические вопросы и помощи исследователям при изучении научных публикаций и актуальных тем. Карточка описывает корпус по специализированным областям: аналоговые и цифровые схемы, радиочастотные системы, полупроводниковые устройства, EDA, SoC и вычисления в памяти. Репозиторий содержит веса в формате Safetensors. Модель заявлена как первая версия проекта; разработчики сообщают о намерении выпустить более способные версии, поэтому качество ответов в отдельных узкоспециализированных задачах может быть ограничено. Лицензия — Apache License 2.0.

DAGGER-12B-SFT-GRPO — модель Shubhashis Roy Dipta и соавторов для решения математических задач на бенгальском языке, в том числе задач с отвлекающей информацией. Она дообучена по схеме SFT → GRPO на основе Google Gemma 3 12B Instruct и содержит 12 млрд параметров. Модель формирует вычислительный граф в JSON: явно отмечает нерелевантные данные и представляет решение как операции, которые можно выполнить детерминированно. Модель предназначена для многошаговых текстовых математических задач, где важно отделять значимые числа и условия от отвлекающих деталей. В карточке приведены результаты на MGSM и MSVAMP: авторы сообщают о меньшем снижении точности при добавлении отвлекающих данных и существенно более коротких ответах по сравнению с рассмотренными моделями рассуждения. Метаданные также указывают поддержку диалогового режима и архитектуру Gemma 3, способную понимать изображения; однако карточка описывает и демонстрирует именно текстовые математические задачи и графы вычислений. Модель распространяется в формате Safetensors через Transformers по лицензии Gemma. В примере обслуживания указан контекст 4096 токенов, но метаданные не подтверждают его как нативный предел. Результаты и заявления о точности приведены авторами для конкретных тестов; карточка не устанавливает надёжность для иных предметных областей или языков.

FinguAI-Chat-v1 — разговорная языковая модель компании Grinda AI Inc., построенная на архитектуре Qwen2 и предназначенная для диалогов о финансах, инвестициях и правовом регулировании. Модель содержит 463,9 млн параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель ориентирована на англоязычных, корейскоязычных и японскоязычных пользователей: она охватывает финансовые рынки и регуляторные системы разных стран, а также может помогать в изучении профессионального языка для финансовой сферы. Подходит для справочных диалогов и языковой практики в темах инвестиционного банкинга, корпоративных финансов, управления активами и комплаенса. Модель распространяется в формате Safetensors через Transformers под лицензией Apache-2.0. Карточка описывает её назначение, но не приводит оценок качества и не подтверждает точность финансовых или юридических рекомендаций; ответы в этих областях требуют проверки.

HyperCLOVA X SEED Think-14B Minimal-base Correct-only TIES — самостоятельная BF16-модель на базе HyperCLOVAX-SEED-Think-14B от NAVER. Три LoRA-адаптера ранга 4 обучены на Minimal SFT-модели и объединены методом TIES; сохранены веса safetensors и официальный шаблон диалога HyperCLOVA X. Модель предназначена для контролируемых исследований и оценки генерации ответов на корейском языке. Обучение оптимизировало причинную языковую модель для выдачи метки одного варианта ответа: A, B, C или D. Данные включали отобранные примеры по медицинским знаниям, числовым задачам экономики и спорта, а также причинно-следственным рассуждениям. Размер модели — 14,1 млрд параметров, заявленная длина контекста — 131 072 токена; максимальная длина последовательности при обучении составляла 1 024 токена. Поддерживается генерация текста, включая диалоговый сценарий. Карточка указывает на исследовательское назначение и не приводит результатов бенчмарков или заявлений о качестве. Для источниковых наборов AI Hub продолжают действовать их собственные условия; сами наборы модельная карточка не распространяет. Лицензия репозитория обозначена как «other», поэтому конкретные условия использования следует проверять в карточке модели и условиях источниковых данных.

IncorrectTraceSFT-Qwen2.5-7B-AIME-SplitB-correct — полноценно дообученная модель Qwen2.5-7B, опубликованная suryadv как чекпойнт эксперимента по использованию ошибочных рассуждений при supervised fine-tuning. Это условие held_out_correct_6000 в эксперименте с разбиениями AIME; обучение завершено после 188 обновлений оптимизатора. Модель предназначена для генерации ответов на математические задачи и исследований математических рассуждений и выбора данных для SFT. Модель использует плотную архитектуру Qwen2ForCausalLM с 7,1 млрд параметров, веса safetensors и контекст до 131 072 токенов. В метаданных указан английский язык; модель основана на Qwen/Qwen2.5-7B. Чекпойнт выпущен по лицензии Apache-2.0. Это исследовательский чекпойнт, а не гарантия корректных решений: верный итоговый ответ в обучающих данных не означает, что промежуточные шаги рассуждений проверены. Результаты следует интерпретировать в рамках условий эксперимента; подробности воспроизведения и оценки приведены в репозитории проекта.

LiquiMedThink 1.2B — англоязычная медицинская модель, разработанная Rumiii как дообученная версия LiquidAI/LFM2.5-1.2B-Thinking. Она предназначена для генерации ответов на клинические вопросы с видимыми пошаговыми рассуждениями и для исследований медицинских возможностей компактных языковых моделей. Модель обучена на английской части набора FreedomIntelligence/medical-o1-reasoning-SFT; в репозитории доступны веса Safetensors и GGUF F16. Архитектура — плотная LFM2 с гибридными свёрточными слоями LIV и GQA, 16 слоями и примерно 1,5 млрд параметров; контекст — до 128 000 токенов. Модель подходит для демонстраций клинических рассуждений, медицинского обучения и прототипирования медицинских ИИ-процессов. Карточка отмечает, что она не предназначена для принятия решений о диагностике и лечении реальных пациентов или для применения в клинической практике без экспертного надзора. Это небольшая модель, обученная за одну эпоху примерно на 20 000 примерах: ответы могут быть клинически неверными, особенно для редких и сложных случаев, а рассуждения следует воспринимать как исследовательские, не как проверенную медицинскую логику. Знания базовой модели ограничены периодом до середины 2024 года. Лицензия — Apache-2.0.

modrill опубликовал снимок модели Math NoThink на базе Qwen3-4B-Base, дообученной для математических задач. Это плотная авторегрессионная языковая модель с 3,7 млрд параметров и контекстом до 32 768 токенов; репозиторий содержит объединённые веса и LoRA-адаптер. По README, модель предназначена как исходный эксперт для переноса task vector в эксперименте ICLR 2027, а не как чат-бот. В оценке Exact-240 она набрала 49 из 240 баллов против 22 у базовой модели. Модель принимает текст и генерирует текст; метаданные указывают поддержку чата, а README описывает её как специализированную на математических задачах. Карточка приводит пример загрузки через Transformers и лицензию Apache-2.0. Результат оценки относится к конкретному набору AIME 2024 и 2025 с четырьмя seed и не гарантирует аналогичного качества на других задачах.

ProofGPT-v0.1-6.7B — языковая модель на архитектуре GPT-NeoX, разработанная Hoskinson Center и обученная на корпусе Proof-Pile v1.1. Обучение начали с весов EleutherAI/pythia-6.7b; карточка отмечает, что эта версия предшествует pythia-6.9b и имеет примерно сопоставимую производительность. Модель предназначена для генерации текста, связанного с математическими доказательствами и материалами корпуса Proof-Pile. Она принимает текст и генерирует текст, поддерживает английский язык, имеет контекст длиной 2048 токенов и опубликована в формате PyTorch. Лицензия — MIT. Подробные оценки качества в карточке пока не приведены.

QuantumGPT-354M-finetuned — дообученная модель на архитектуре GPT-2 Medium с 354 млн параметров, разработанная merileijona для генерации квантовых схем в OpenQASM по текстовым описаниям. Модель обучена на парах «описание — OpenQASM» из набора merileijona/quantum-circuits-21k с усилением примеров коротких корректно завершённых схем, длинных схем и перефразированных запросов. Она работает с контекстом до 512 токенов и рассчитана на английский язык. Модель предназначена для исследовательских и образовательных задач: создания квантовых схем по запросу и подготовки OpenQASM-кода для последующей проверки. В описанном разработчиком тесте QSemBench-dev-v0.1 модель получила QSS-Core 97,52 для seed 42; однако генератор теста совпадает с генератором обучающих данных, поэтому результат не гарантирует аналогичного качества на иных запросах. Лицензия — MIT.

Self_Discipline_continuous — дообученная модель классификации последовательностей на базе microsoft/deberta-v3-base, опубликованная ajrayman. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa V2 и принимает текстовые последовательности длиной до 512 токенов. По названию и метрикам оценки (RMSE, MAE и корреляция) модель предназначена для оценки уровня самодисциплины по тексту, вероятно в виде непрерывного показателя. README сообщает о дообучении на наборе данных, название которого не заполнено, и приводит результаты на тестовой выборке: loss 0,0636, RMSE 0,2523, MAE 0,2043 и корреляция 0,2489. Лицензия — MIT.

ModalityDance/slpo-coconut-gpt2 — исследовательский чекпойнт GPT-2 с 124 млн параметров, разработанный ModalityDance и представленный в работе SLPO: Scaling Latent Reasoning via a Surrogate Policy. Модель дообучена на базе ModalityDance/latent-tts-coconut методом Surrogate Latent Policy Optimization с RLOO и адаптивной остановкой латентного рассуждения; её основной сценарий — генерация ответов при решении математических задач. В опубликованных результатах указана точность 35,63% на GSM8K, 7,66% на GSM-Hard и 83,10% на MultiArith. Максимальная длина латентного рассуждения составляет 12 шагов, рекомендуемый порог остановки — 0,6. Контекст модели — 1024 токена; входы и ответы текстовые, основной фокус — англоязычные математические задачи. Это компактная специализированная модель, а не универсальный помощник; приведённые результаты относятся к настройкам оценки из статьи. Модель распространяется по лицензии MIT.

XIV AI разработала лёгкую модель для решения полиномиальных уравнений 1–4-й степени по исходной строке с коэффициентами и переменными. Это двухслойная двунаправленная GRU-сеть с MLP-головой регрессии; она обучена на более чем миллионе синтетических уравнений и предсказывает до четырёх действительных корней без внешней системы компьютерной алгебры. Репозиторий содержит варианты в форматах Safetensors, ONNX и GGUF; README также описывает использование через ONNX Runtime. Модель предназначена для решения линейных, квадратных, кубических и уравнений четвёртой степени в учебных и экспериментальных сценариях. Поддерживаются английская, польская и русская записи. По README, лицензия — MIT; метаданные Hugging Face указывают CC-BY-NC-4.0, поэтому условия распространения следует уточнить по актуальным файлам лицензии репозитория. Результаты — численные приближения, а не точные символические решения. Наилучшая работа заявлена для корней в диапазоне от −20 до 20; комплексные корни, кратность корней и уравнения степени выше четвёртой не поддерживаются. В README приведены метрики на тестовой выборке из 100 уравнений, поэтому они не гарантируют качество на произвольных входах.

roneneldan/TinyStories-33M — языковая модель автора Ronen Eldan, обученная на наборе TinyStories и основанная на архитектуре GPT-Neo. Она предназначена для генерации коротких простых историй по текстовой подсказке, в том числе сказок с понятным сюжетом и простым языком. Модель содержит 71,6 млн параметров и работает с текстом. В метаданных указан контекст 2048 токенов; в README среди параметров обучения приведена длина контекста 512 токенов. Репозиторий содержит веса PyTorch. Модель обучалась на TinyStories; лицензия — MIT. Её специализация на коротких историях делает её подходящей для простых творческих черновиков и демонстраций генерации текста. Она не предназначена для надёжных фактических ответов или сложных рассуждений; в README не приведены оценки качества.

Cnam-LMSSC/wav2vec2-french-phonemizer-v2 — модель Cnam-LMSSC для преобразования французской речи в фонемную транскрипцию. Это дообученная на обучающей и валидационной выборках Common Voice 13 версия facebook/wav2vec2-base-fr-voxpopuli-v2 на базе Wav2Vec2 с CTC-декодированием; в ней 113,3 млн параметров. Модель принимает аудио с частотой дискретизации 16 кГц и выдаёт последовательность слов в международном фонетическом алфавите без пунктуации. Версия v2 исправляет транскрипцию звонкого губно-нёбного аппроксиманта /ɥ/: вместо ошибочной последовательности /yi/ модель передаёт /ɥ/, что важно для фонетического анализа и подготовки произношения для синтеза речи. В README указаны Phoneme Error Rate 4,75% на французской части Common Voice v13 и 5,97% на французской конфигурации Multilingual LibriSpeech. Модель распространяется по лицензии MIT.

Модель excalibur12/wav2vec2-large-lv60_phoneme-timit_english_timit-4k_simplified — дообученная версия facebook/wav2vec2-large-lv60 для распознавания фонем английской речи. Она построена на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Модель обучена на TIMIT с упрощённым набором фонем, в котором некоторые близкие или часто смешиваемые фонемы объединены. Модель предназначена для преобразования аудиозаписей английской речи в последовательности фонем, например для фонетического анализа и оценки произношения. В README указан Phone Error Rate 8,38% на наборе оценки TIMIT. Распространяется по лицензии Apache-2.0.

Cnam-LMSSC разработала wav2vec2-spanish-phonemizer — модель распознавания речи на базе архитектуры Wav2Vec2ForCTC, дообученную на facebook/wav2vec2-base-es-voxpopuli-v2 для преобразования испанской речи в фонетическую транскрипцию. Модель содержит 113,3 млн параметров и обучалась на обучающей и валидационной выборках Multilingual Librispeech. На вход подаётся аудио с частотой дискретизации 16 кГц, на выходе — последовательность слов в IPA без знаков пунктуации. На испанской тестовой части Multilingual Librispeech указана оценка PER 2,94%. Модель распространяется по лицензии MIT; в README отмечено, что она работает без языковой модели.

Модель MultiBridge/wav2vec-LnNor-IPA-ft разработана Multibridge: это трансформер на базе wav2vec 2.0, дообученный с функцией потерь CTC на наборах TIMIT и LnNor. Модель принимает аудиоречь и распознаёт фонемы, выдавая последовательности в Международном фонетическом алфавите (IPA); она предназначена для фонетической транскрипции и как компонент речевых конвейеров. Архитектура Wav2Vec2ForCTC содержит 113,3 млн параметров. В карточке указан английский язык; обучающие данные LnNor также включают норвежскую и польскую речь. Лицензия — CC BY 4.0. На тестовой части TIMIT заявлен PER 0,0416. При обучении энкодер был заморожен, что ограничивает его адаптацию к новым данным. Результаты могут ухудшаться для говорящих и диалектов, слабо представленных в TIMIT и LnNor; разметка LnNor отражает каноническое произношение, а не фактическое произношение неносителей языка. Перед применением модель рекомендуется оценить на целевых аудиозаписях.

zagreus-0.4B-italic-softkd — модель от idealab-cs2, созданная постобучением mii-llm/zagreus-0.4B-ita для теста ITALIC по итальянскому языку и культуре. Это плотная причинная языковая модель семейства Llama с 437,7 млн параметров и контекстом 4096 токенов; веса опубликованы в формате safetensors. Модель обучена методом мягкой дистилляции знаний: распределения ответов давали три более крупные языковые модели, а обучение было направлено на выбор ответа в формате множественного выбора. Основной сценарий — ответы на вопросы с вариантами выбора по итальянской культуре и языку, включая грамматику, лексику, орфографию, морфологию, историю и географию. В README сообщается точность 0,4787 на полном тесте ITALIC из 10 000 вопросов при официальной пятипримерной оценке; модель превзошла базовую и указанного авторами лидера на момент подачи. Лицензия — Apache-2.0. Модель специализирована на формате ITALIC и содержит лишь 0,4 млрд параметров. За пределами этого формата README ожидает возможности примерно на уровне базовой модели; результаты бенчмарка не следует переносить на другие задачи или сценарии.