IV.5Образование и развитие навыков

ishikaa/acquisition_student_AS_confidence_medmcqa_qwen14b — генеративная языковая модель на базе семейства Qwen2, опубликованная на Hugging Face. Модель предназначена для генерации текста в диалоговом формате; по идентификатору репозитория она ориентирована на задачи, связанные с медицинскими вопросами с вариантами ответа MedMCQA и оценкой уверенности студента, однако подробности дообучения в карточке не приведены. Модель содержит около 14 миллиардов параметров и поддерживает контекст до 32 768 токенов. Для работы может использоваться библиотека Transformers; в метаданных также указаны обучение с учителем и TRL. Модель подходит для исследовательских прототипов медицинских вопросно-ответных систем, генерации ответов и анализа уверенности, но README не содержит сведений о разработчике, языках, лицензии, обучающих данных, методике оценки и результатах.

ali-llm v0.1 — базовая языковая модель, разработанная автором репозитория и обученная с нуля для изучения влияния последовательности учебных материалов на освоение языка. Это плотная decoder-only модель семейства Llama с 2,05 млрд параметров, 32 слоями, размером скрытого состояния 2048 и контекстом 4096 токенов по метаданным. В архитектуре используются нормализация QK и выходные гейты для голов внимания; модель работает с текстом и обучена на английском языке. Обучение охватило 6,3 млрд токенов и шло по семи уровням: от дошкольных текстов до материалов 5-го класса. Модель предназначена для генерации детских историй и простых текстов, а также для экспериментов с обучением по учебному плану, языковым развитием и задачами начальной арифметики. Она не проходила дообучение на инструкциях или настройку безопасности; для загрузки через Transformers требуется доверенная загрузка кода модели. Модель ограничена преимущественно детским английским и базовыми знаниями до 5-го класса. Она может выдавать бессвязные или уверенно неверные ответы на сложные и взрослые темы, повторяться, ошибаться в фактах и арифметике. По README обучение велось на контексте 2048 токенов; более длинный контекст до 4096 заявлен как работающий, но не проверенный. Лицензия — Apache-2.0.

SlayerLab Bielik-4.5B-v3 matura-history SFT v2 — польскоязычная чат-модель для ответов на вопросы и написания эссе в формате выпускного экзамена matura по истории на расширенном уровне. Её создали для хакатонного трека «Mały, ale wariat» на основе speakleash/Bielik-4.5B-v3.0-Instruct; модель прошла полное дообучение с учителем на 4 144 диалоговых примерах, включая синтетические задания, образцы эссе и материалы, подготовленные по экзаменационным заданиям. Это плотная причинная языковая модель семейства Llama с 4,7 млрд параметров и контекстом до 32 768 токенов. Репозиторий содержит веса Transformers в BF16 и варианты GGUF, включая квантизованные версии для запуска через llama.cpp. В заявленной оценке GGUF IQ3_XXS набрала 22 из 55 баллов на прошлых экзаменационных заданиях и 23 из 60 на экзамене CKE мая 2026 года; результаты отдельного запуска могут меняться. Модель специализирована на польской истории и экзаменационном формате, поэтому не подходит как надёжный источник фактов общего назначения. Она может ошибаться в именах, местах и датах, а на заданиях «верно/неверно» показывает результаты около случайного угадывания; авторы не рекомендуют использовать её для проверки фактов или оценивания работ. Веса распространяются по лицензии Apache-2.0.

Tulifo/chittu-story-v0-26m — небольшая генеративная модель Tulifo для создания коротких простых историй по запросу и продолжения заданного начала. Она обучена с нуля на синтетических англоязычных историях TinyStories, а основная версия дополнительно дообучена на парах «запрос—история». В репозитории также есть базовая версия, обученная только на продолжение текста. Модель построена на архитектуре nanochat GPT: 6 слоёв, 6 голов внимания, размерность 384, словарь BPE на 8 192 токена и контекст 512 токенов; размер — 26,3 млн параметров. Она принимает текст и генерирует текст на английском языке. Модель рассчитана на короткие детские истории и экспериментальное офлайн-применение, а не на роль универсального помощника. Обучающие истории проходили фильтрацию на небезопасное содержимое, однако это не гарантирует, что каждый ответ будет подходящим для ребёнка. Модель обучалась на GPT-4 историях из синтетического датасета, поэтому может воспроизводить ограниченный стиль и содержание этих данных. Лицензия репозитория — Apache-2.0; для исходного датасета указана CDLA-Sharing-1.0.

Карточка модели itpossible/JiuZhou-base на Hugging Face совпадает с карточкой itpossible/JiuZhou-Instruct-v0.2, поэтому описание составлено по ней. JiuZhou-Instruct-v0.2 — диалоговая языковая модель семейства Mistral, разработанная для геонаук. Она основана на Mistral-7B-v0.1, предварительно обученной на корпусе общих текстов и материалов по геонаукам, и дообучена для следования инструкциям и многошагового диалога. Модель содержит 7,2 млрд параметров, принимает и генерирует текст; заявленная длина контекста — 32 768 токенов. Модель предназначена для ответов на вопросы и выполнения инструкций, связанных с геонауками, а также для диалоговых сценариев на китайском и английском языках. В карточке описана оценка на GeoBench, C-Eval, CMMLU и MMLU. Инструкциям модель следует лучше базовой версии, однако при инструкционном дообучении часть геонаучных знаний могла быть утрачена. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

albertge разработал экспериментальный чекпойнт на базе диффузионной языковой модели GSAI-ML/LLaDA-8B-Base в рамках проекта dLLM Registers. Модель дообучена на примерно 30 тысячах математических трасс из подмножества OpenMathInstruct-2 и предназначена для генерации текста с решением математических задач. В ней используются четыре обучаемых непрерывных регистра, передающих состояние декодирования между окнами денойзинга; размер чанка составляет 128 токенов. Модель ориентирована на исследовательские эксперименты с переносом состояния при чанковой генерации в диффузионных языковых моделях и на решение математических задач. Для корректного инференса нужны режим registers, четыре регистра и масочный токен для регистров, как описано в README. Репозиторий содержит веса safetensors, используется библиотека Transformers; лицензия — Apache-2.0.ભ

Math NoThink Q8B — экспериментальный чекпойнт для генерации ответов на математические задачи, опубликованный Modrill как исходный эксперт для переноса task vector в исследовательской работе, заявленной для ICLR 2027. Это дообученная плотная авторегрессионная модель семейства Qwen3 на 7,6 млрд параметров, основанная на Qwen/Qwen3-8B-Base. Репозиторий содержит объединённые веса, а также LoRA-адаптер; карточка описывает рецепт обучения с LoRA ранга 64 и 165 обновлениями. В карточке приведён результат 58 из 240 на наборе задач AIME 2024 и 2025 с несколькими seed; базовая модель в том же запуске набрала 26 из 240. Модель предназначена для оценки математических ответов как выходных оценок, а не для использования в роли чат-бота. Контекст составляет 32 768 токенов. Веса доступны в формате safetensors, библиотека загрузки — Transformers; лицензия Apache-2.0.

modrill/math-think-o7b-20260908 — дообученная языковая модель для генерации текста с акцентом на пошаговое решение математических задач. Это публичный финальный чекпойнт эксперимента Math Think, подготовленный для работы с task vectors к ICLR 2027. Модель основана на allenai/Olmo-3-1025-7B: плотная причинная архитектура Olmo 3 с 6,9 млрд параметров и контекстом 65 536 токенов; README описывает режим Think и обучение адаптером LoRA с последующим объединением весов. Модель предназначена для решения задач уровня AIME и оценки математических рассуждений. В тесте Exact-240 на наборах AIME 2024 и 2025 она набрала 51 правильный ответ из 240; результат указан как характеристика экспериментальной оценки, а не гарантия качества на других задачах. Основной язык базовой модели — английский; карточка не подтверждает поддержку русского языка. Для загрузки README приводит Transformers и dtype bfloat16. Репозиторий распространяется по лицензии Apache-2.0. Модель не задумана как универсальный чат-бот; её специализация и сообщённая оценка относятся к математическим задачам и конкретному протоколу тестирования.

MedAlpaca-13B — языковая модель на архитектуре LLaMA, дообученная для медицинских задач. Она содержит 12,9 млрд параметров и предназначена прежде всего для ответов на медицинские вопросы и ведения медицинского диалога. Модель принимает текст и генерирует текст; в карточке указана поддержка английского языка. Для обучения использованы медицинские флеш-карточки Anki, материалы Wikidoc, пары вопросов и ответов из StackExchange и набор ChatDoctor. Авторы оценивают фактическую точность примерно 70% сгенерированных пар из Wikidoc; это оценка данных, а не гарантия точности ответов модели. Модель может быть полезна для учебных медицинских вопросов и диалоговых экспериментов. Она может ошибаться, хуже работать за пределами медицинской тематики и не рассчитана на уровень потребностей сертифицированных врачей. Авторы сообщают, что модель не проверялась в реальных приложениях, и предостерегают от использования вместо консультации врача. Лицензия в метаданных указана как CC.

MedPhi-3-mini_v1 — медицинская разговорная языковая модель ChenWeiLi на архитектуре Phi-3. Это плотная авторегрессионная модель с 3,7 млрд параметров, предназначенная для генерации текста в диалогах и ответов на медицинские вопросы. Карточка приводит результаты оценки на MedMCQA и MedQA с вариантами ответа. Модель принимает текст и генерирует текст; заявленный родной контекст — 4096 токенов. Доступна в формате safetensors и распространяется по лицензии Apache-2.0. Оценки на медицинских тестах указывают на профильное назначение, но не подтверждают пригодность для клинических решений; качество и точность ответов вне приведённых тестов не описаны.

Модель junghwannkim/mistral-7b-arc-submission-c9fedb647123 — дообученная модель Mistral-7B, созданная на базе mistralai/Mistral-7B-v0.1 с помощью LoRA и последующего слияния адаптера с базовой моделью. Она предназначена для генерации ответов на вопросы ARC-Easy и OpenBookQA в формате «Question: … / Answer: …»; для обучения использовались 1 500 примеров ARC-Easy и 500 примеров OpenBookQA. Модель имеет плотную архитектуру MistralForCausalLM, 7,1 млрд параметров и контекст 32 768 токенов; поддерживает английский язык и работает с текстом. В указанной оценке на ARC-Challenge при 25 примерах в контексте достигнуты accuracy 63,91% и нормализованная accuracy 68,60%, однако подбор модели использовал результаты тестовой выборки, поэтому их нельзя считать независимой оценкой. Модель не проходила отдельную проверку качества общего диалога или широких рассуждений. Лицензия — Apache-2.0.

OrdinalICL for TabDPT-Turbo — модель Готье Марти для предсказания упорядоченных категорий по небольшим табличным наборам данных. Она добавляет интерфейс порядковой классификации к неизменённой основе TabDPT-Turbo: общий номинальный путь и три обученных модуля порядковой коррекции формируют вероятности для каждого уровня заданной шкалы. Основа содержит 63,5 млн параметров; релиз включает ансамбль из трёх модулей коррекции. Модель дообучена на синтетических таблицах, а её качество оценивалось также на 40 семействах реальных наборов данных. Модель предназначена для числовых табличных задач, где целевые категории имеют естественный порядок: например, рейтинги, стадии заболеваний и ответы на упорядоченные опросы. Вход — конечные числовые признаки и контекстные метки; требуется от 1 до 12 признаков и от 3 до 10 уникальных уровней, переданных в правильном порядке. Выход — распределение вероятностей по уровням шкалы. Поддерживается инференс на CPU, но CUDA работает быстрее. Лицензия — CC BY 4.0. В опубликованных экспериментах улучшение относительно сопоставимой номинальной адаптации было статистически различимым, но небольшим по абсолютной величине. Проверен контекст из 32 размеченных строк; поведение при других размерах контекста не охарактеризовано. Категориальные признаки и пропуски нужно обработать до инференса. Модель не валидирована для клинических, кадровых, кредитных и других значимых решений о людях.

Qwen2.5-3B-Instruct-Sheldon-SFT-v2-merged — дообученная zachchxn модель Qwen2.5-3B-Instruct для ответов в образе Шелдона Купера и решения математических задач. Это плотная причинно-языковая модель семейства Qwen2 с 3,1 млрд параметров, принимающая текст и выдающая текст; длина контекста — 32 768 токенов. Полные объединённые веса LoRA-адаптера позволяют загружать модель через Transformers или vLLM. Персонажный стиль включается системной инструкцией с руководством по стилю: с ней модель старается отвечать в образе, в том числе при решении математических задач; без неё отвечает обычным образом, сохраняя поведение базовой модели. Обучение включало диалоги с заданной персоной и проверенные решения задач GSM8K и MATH. В README приведены оценки на нескольких тестовых наборах, однако они не гарантируют точность на пользовательских задачах. Модель подходит для разговорных сценариев и математических упражнений, когда нужен заданный персонажный стиль. Известные слабости — уверенно изложенные неверные ответы на отдельные задачи с манипуляцией строками и склонность следовать некоторым провокационным инструкциям. Лицензия — Apache-2.0.

SeongryongJung/Qwen3-4B-Biology-SRPO-TR — экспериментальный чекпойнт Qwen3-4B, обученный методом SRPO-TR на задаче Biology с размером батча 32. В корне репозитория находится лучший чекпойнт по валидационному mean@16 на шаге 50, а в checkpoints/last/ — финальный чекпойнт на шаге 100. В README приведены результаты 53,75% и 53,50% соответственно. Модель построена на плотной авторегрессионной архитектуре Qwen3ForCausalLM, содержит около 3,7 млрд параметров и принимает текст, генерируя текст. Родительская модель поддерживает контекст до 40 960 токенов; модель предназначена для генерации ответов по биологии и экспериментальной оценки методов обучения с подкреплением. Доступна в формате safetensors и загружается через Transformers. Модель основана на Qwen/Qwen3-4B и лицензирована по Apache-2.0. README описывает один биологический валидационный результат, поэтому он не подтверждает точность на других наборах данных или пригодность для клинических и иных критически важных применений.

Модель SmolLM2 135M English-to-LaTeX Notation разработана piyushgupta53 на основе HuggingFaceTB/SmolLM2-135M-Instruct. Это плотная авторегрессионная модель семейства Llama с 134,5 млн параметров и контекстом 8192 токена, дообученная методом supervised fine-tuning на наборе английских описаний математической нотации. Она преобразует точное описание математической записи на английском языке в одно выражение LaTeX; модель предназначена для генерации нотации, а не для решения, вычисления, доказательства или объяснения математики. Прикладной пример — перевод текстового описания производной в запись LaTeX. README сообщает о 95,51% нормализованных точных совпадений на целевой валидации при выборе контрольной точки, но на отдельном отложенном бенчмарке точность составила 22%; семантически корректными признаны 65,5% ответов. Поэтому пригодность модели ограничена узкими задачами преобразования знакомых формулировок, а результат требует проверки синтаксиса и смысла, особенно для незнакомых или сложных структур. Модель выпущена в объединённом виде с rank-32 rsLoRA-адаптером и загружается через Transformers без отдельной базовой модели или PEFT. Лицензия — Apache-2.0.

HamzaSidhu786/wav2vec2-base-word-by-word-quran-asr — дообученная модель распознавания речи на архитектуре wav2vec 2.0, разработанная на основе facebook/wav2vec2-base. Она предназначена для автоматического распознавания чтения Корана с выводом слов по мере распознавания. Модель содержит 113,3 млн параметров и принимает аудио; для распознанной речи в README приведены результаты оценки: WER 0,079 и loss 0,0415. Модель рассчитана на сценарии ASR для чтения Корана. Данные о языке аудиозаписей, датасете и конкретных условиях оценки не приведены, поэтому результаты нельзя считать гарантией качества на других записях или речевых задачах. Лицензия — Apache-2.0.

CeLLaTe-tapt-bioformer16l-tokenizer-original-wwmask — дообученная модель Mardiyyah на базе bioformers/bioformer-16l, обученная на датасете Mardiyyah/TAPT_CeLLaTe2.0. Она использует архитектуру BERT с головой BertForMaskedLM и предназначена для заполнения пропусков в тексте, в том числе в задачах с маскированными словами. Модель содержит 50,3 млн параметров, принимает текст и поддерживает контекст до 1024 токенов. В README приведены результаты оценки: loss 1,3129, accuracy 0,7322 и perplexity 3,7168. Указана лицензия Apache-2.0.

Модель разработана Tiantian Feng и предназначена для классификации просодии детской и взрослой речи. Она дообучена на наборе данных SpeechOcean762 и определяет категорию «Poor intonation» («плохая интонация»); в карточке описана реализация классификации просодии с разделением данных между детской и взрослой речью. Модель принимает аудио и выдаёт класс аудиозаписи. Это дообученная модель на базе openai/whisper-base, использующая Transformers. Лицензия — OpenRAIL. Карточка исключает клиническую диагностику и индивидуальную оценку развития без экспертной проверки, наблюдение и вторжение в частную жизнь; коммерческое использование запрещено. При обработке детской речи необходимо соблюдать требования к приватности, согласию и этическому одобрению.

II-Medical-7B-Preview — медицинская диалоговая модель для генерации ответов и рассуждений по вопросам медицины. Её разработала команда Intelligent Internet на основе Qwen/Qwen2.5-7B-Instruct: модель дообучили на медицинских данных методом SFT, а затем оптимизировали с помощью DAPO на сложных задачах рассуждения. Архитектура — плотная Qwen2, размер — 7,1 млрд параметров, длина контекста — 32 768 токенов. Модель предназначена для ответов на медицинские вопросы и решения задач из медицинских экзаменационных наборов. В карточке приведены результаты оценки на десяти наборах, включая MedQA, MedMCQA и PubMedQA. Модель принимает текст и генерирует текст; README рекомендует запрашивать пошаговое рассуждение и оформлять итоговый ответ в \boxed{}. Это предварительная версия, опубликованная 28 апреля 2025 года. Лицензия в предоставленных метаданных и README не указана. Разработчики предупреждают о возможных смещениях в данных и устаревании медицинских знаний и прямо указывают, что модель не подходит для медицинского применения.

ruggsea разработал Llama3-SEP-Chat — диалоговую модель для обсуждения философии, полученную с помощью LoRA-дообучения Meta Llama 3.1 8B Instruct на многоходовых беседах, составленных по материалам Stanford Encyclopedia of Philosophy. Модель сохраняет формат чата Llama 3 и инструкции базовой модели, а данные обучения ориентированы на академически точные, но доступные объяснения философских тем. Модель предназначена для ответов на вопросы о философских концепциях и ведения тематических бесед. Она содержит около 7,5 млрд параметров, использует архитектуру Llama с плотной языковой моделью и поддерживает контекст до 131 072 токенов. Веса представлены в формате safetensors; в README также указаны обучение LoRA, 4-битная NF4-квантизация и вычисления в bfloat16. Карточка не сообщает лицензию модели.

Llama3-Preferred-MedSwallow-70B — медицинская языковая модель на архитектуре Llama 3, разработанная на основе tokyotech-llm/Llama-3-Swallow-70B-v0.1. Модель размером 69,5 млрд параметров прошла дополнительное предобучение на авторском корпусе медицинских текстов и дообучение для предпочтительных ответов. Она предназначена для генерации текста и ответов на медицинские вопросы, в частности для решения экзаменационных заданий на японском языке. В оценке IgakuQA за 2018–2022 годы средний результат составил 395,2 балла. Модель принимает текст и генерирует текст, поддерживает японский и английский языки и имеет контекстное окно 8192 токена. Выпущена по лицензии META LLAMA 3 COMMUNITY LICENSE. Авторы указывают, что модель предназначена для исследований и не подходит для клинической диагностики; пользователи отвечают за соблюдение применимых правил и требований.

MathGPT-2 — дообученная FlameF0X версия DistilGPT-2, предназначенная для решения простых арифметических примеров. Модель принимает текстовое выражение и генерирует продолжение с ответом; обучалась на автоматически созданных примерах сложения, вычитания, умножения и деления чисел от 1 до 100. Это плотная авторегрессионная архитектура GPT-2 с контекстом 1024 токена. В README приведён результат проверки на 10 000 случайных выражений: точность 76,3% и среднее время ответа 0,1448 секунды на вопрос. Эти показатели не гарантируют правильность конкретного вычисления: модель может ошибаться и не предназначена для сложных операций вроде возведения в степень, логарифмов и продвинутой алгебры. Указанная лицензия — MIT.

MiMo-7B GDN Hybrid — stage3-1.6B-OPD — это экспериментальный чекпойнт arianraje, полученный с помощью on-policy distillation (OPD) на основе MiMo-7B-RL-0530 и промежуточной модели семейства MiMo GDN. Архитектура сочетает слои внимания Qwen2 и Gated DeltaNet в пропорции 1:4; модель содержит 7 млрд параметров и принимает текст, выдавая текст. Окно контекста — 65 536 токенов. Модель предназначена для математических рассуждений и решения задач, в частности для оценки ответов на AIME и MATH-500. В README приведены результаты на этих тестах, но отмечено, что выборка AIME мала и её показатели служат лишь индикатором тенденций. Модель может подойти для экспериментов с длинным контекстом и диалоговыми сценариями. Для загрузки требуется регистрация пользовательской архитектуры mimo_gdn из репозитория обучения, Transformers 4.57.x и flash-linear-attention 0.5.x. Модель распространяется по лицензии MIT.

NV-Reason-CXR-3B — специализированная мультимодальная модель NVIDIA для анализа рентгеновских снимков грудной клетки. Она разработана на архитектуре Qwen2.5-VL и дообучена на Qwen/Qwen2.5-VL-3B-Instruct методами SFT и GRPO. Модель содержит 3,1 млрд параметров и поддерживает контекст длиной до 128 000 токенов. На вход подаются изображение рентгена и текстовый запрос; модель отвечает текстом, объясняя радиологические находки и поддерживая уточняющий диалог. Её предполагаемые сценарии — учебный разбор снимков и исследования объяснимого медицинского ИИ. Карточка указывает обучение на наборах MIMIC-CXR, ChestXRay14 и CheXpert. Модель ориентирована на фронтальные рентгенограммы грудной клетки. Она предназначена только для исследований и обучения: её выводы могут быть ошибочными и должны проверяться специалистом; применять их для диагностики или выбора лечения нельзя. Лицензия указана как other, поэтому условия использования следует уточнять в условиях NVIDIA.

Экспериментальная языковая модель OpenEuroLLM 9B math-RL canary, шаг 16, созданная Birger Moell на основе Neonkraft/oellm-9b-256k-theta64m-prelude-anneal300b-instruct-sft. Это плотная модель Qwen3 с 8 млрд параметров, дообученная методом DAPO с проверяемым вознаграждением за ответы на математические задачи; экспортирована целиком в BF16, а не в виде адаптера. Она предназначена для генерации решений и рассуждений по англоязычным математическим задачам, а также для исследования обучения с подкреплением на верифицируемых ответах. Обучение выполнено на 256 задачах начального уровня сложности от 1 до 3; в README приведено сравнение на процедурной выборке, которое показывает небольшое улучшение точности относительно родительской модели, но автор отдельно характеризует оценку как исследовательскую, а не независимый общий математический бенчмарк. Метаданные указывают контекст до 262 144 токенов, однако качество работы на длинном контексте не оценивалось. Модель может ошибаться, переобучаться на шаблоны и выдавать несостоятельные рассуждения; проверок безопасности, кода и агентных сценариев не заявлено. Лицензия — Apache-2.0.

OGBert-110M-Base — англоязычная модель ModernBERT с архитектурой masked language model, разработанная для работы с глоссариями и специализированными текстами. Она обучена предсказывать замаскированные токены и подходит для заполнения пропусков в тексте, а также для извлечения контекстуальных представлений слов в прикладных экспериментах. В модели 138,4 млн параметров по метаданным (в README указано 110 млн), размер скрытого состояния — 768, длина контекста — до 1024 токенов. Обучение проводилось на синтетическом энциклопедическом словаре OpenGloss: около 537 тыс. значений для 150 тыс. лексем; README сообщает о 8 тыс. шагах обучения и обработке примерно 4,5 млрд токенов. Репозиторий содержит веса в формате safetensors. Для поиска сходства предложений автор рекомендует отдельную модель mjbommar/ogbert-110m-sentence с pooling и L2-нормализацией. Модель может быть полезна для восстановления пропущенных слов и получения контекстуальных представлений в специализированных корпусах; приведённые в карточке результаты по сходству слов и кластеризации относятся к ограниченным тестовым наборам. Это не генеративная чат-модель. Лицензия — Apache-2.0.

Psychology Alpaca — языковая модель семейства LLaMA, разработанная Самюэлем Хёглундом и Йозефом Хедри в рамках дипломного проекта по машинному обучению и психологии. Модель обучена на 10 000 примерах вопросов и ответов по психологии, сгенерированных ChatGPT; в метаданных указаны 6,6 млрд параметров и контекст до 2048 токенов. Модель предназначена для генерации ответов на вопросы по психологии и использовалась как основа для дальнейшего дообучения с обучением с подкреплением. Авторы сообщают о наличии у неё профильных знаний и более высоких результатах по сравнению с базовой моделью, но подробные оценки не приведены. Модель принимает и генерирует текст; язык обучающих примеров в карточке не указан. Это экспериментальная исследовательская работа, созданная для дипломного проекта, а не подтверждённый инструмент для клинических решений. В README и метаданных лицензия не указана.

QuantumGPT-124M — авторская модель на архитектуре GPT-2 от merileijona, предназначенная для генерации квантовых схем в OpenQASM 2.0 по текстовым описаниям. Модель содержит 124 млн параметров, использует 12 слоёв и 12 голов внимания, а её контекст ограничен 256 токенами. Она обучена на 8 129 парах описаний и схем из 92 категорий, включая квантовые состояния, вентили, алгоритмы и вариационные схемы; основной язык карточки — английский. Модель подходит для обучения квантовым вычислениям, быстрого создания шаблонов схем, автодополнения кода QASM и подготовки примеров для тестирования симуляторов и компиляторов. Она ориентирована на небольшие схемы примерно на 1–4 кубита. По данным предварительных тестов, простые схемы и двухкубитная запутанность генерируются лучше, чем сложные алгоритмы и схемы с параметрическими вентилями. Вывод может быть синтаксически корректным, но семантически неправильным; запуск на симуляторе или оборудовании требует проверки. README также сообщает об отсутствии дообучения на безопасность. Модель распространяется по лицензии MIT.

Qwen3-4B Recursive SFT V3.1 — экспериментальный чекпойнт, созданный дообучением Qwen/Qwen3-4B-Base командой tawer12. Плотная причинная языковая модель примерно с 3,7 млрд параметров, контекстом 32 768 токенов и форматом safetensors; обучалась на примерах рекурсивного решения математических задач, извлечённых из ответов учителей на GSM8K. Модель генерирует текст и рассчитана на пошаговый протокол, где за один вызов возвращается одно действие; это исследовательский чекпойнт, а не универсальный чат-ассистент. Подходит для экспериментов с декомпозицией математических задач, рекурсивными вызовами компонентов и генерацией решений для школьной и конкурсной математики. В исторических оценках указаны результаты на AMC23 и MATH5000, однако автор предупреждает о проблемах оценивания: разбор ответов может отклонять эквивалентные формы, а извлечение ответа из неполного дерева — выбирать неверный фрагмент. Разложения могут порождать зависимые или неполные подзадачи, а агрегация — принимать ошибочные результаты; дочерние вызовы выполняются последовательно. Распространяется по лицензии Apache 2.0.

Qwen3-8B-openthoughts3-math-400k-sft — плотная языковая модель на 7,6 млрд параметров, созданная дообучением Qwen/Qwen3-8B разработчиком XinnanZhang. Модель обучена с учителем на 400 тыс. примеров из набора XinnanZhang/openthoughts3-math-50k8 и предназначена для генерации текста и математических рассуждений; контекст составляет 32 768 токенов. Карточка публикует результаты оценивания на математических наборах AIME и AMC и описывает её использование как начальной точки для экспериментов по дистилляции с обучением на собственных ответах модели. Автор предупреждает, что этот чекпойнт заметно уступает исходной Qwen/Qwen3-8B: на приведённой оценке он отстаёт на 14,1 процентного пункта. По данным карточки, значительная часть обучающих ответов обрывается посреди рассуждения, из-за чего модель могла усвоить преждевременное завершение ответа. При повторном сохранении следует проверить, что параметр rope_theta=1000000 остался доступен в конфигурации: несовместимость старых версий Transformers с его расположением может ухудшить генерацию. Лицензия — Apache-2.0.