IV.5Образование и развитие навыков

TinyGauss 1.1B — языковая модель семейства Llama, разработанная DaertML для добавления математических и логических способностей моделям примерно с 1 млрд параметров, предназначенным для робототехники. Это плотная причинная модель с архитектурой LlamaForCausalLM и поддержкой диалогового режима. Она дообучена на TinyLlama/TinyLlama-1.1B-Chat-v1.0 с использованием набора MathInstruct и LLaMAFactory. Модель предназначена для решения математических задач и рассуждений, а также может учитывать исправления пользователя в многоходовом взаимодействии. Контекст составляет 2048 токенов. В README указано, что задачу следует передавать через системный промпт; пример демонстрирует вычисление с пояснением. Это компактная специализированная модель для экспериментов с математическими и логическими возможностями в робототехнических сценариях. Она наследует ограничения базовой модели и ограничена коротким контекстом; README не приводит результатов оценки качества. Лицензия в предоставленных данных не указана.

Vela-Lumen-15M — компактная языковая модель ParallaxOpen для генерации математического контента. Это модель с 15 486 080 параметрами, обученная с нуля; её архитектура — декодер Transformer с GQA 4:2, SwiGLU, RMSNorm и RoPE. Модель принимает текстовые запросы и генерирует текст, включая формулы LaTeX. Модель предназначена для создания математических задач и уравнений, вопросов в стиле домашних заданий, объяснений и учебных материалов. Её небольшой размер позволяет запускать её локально через Ollama, llama.cpp или LM Studio в формате GGUF F16; также доступны веса Safetensors в FP16 и FP32 для Python и обучения. Это ранняя предварительная версия с ограниченным качеством: в карточке указана оценка ELO около 800–850 и результат 0% на GSM8K, поэтому модель не подходит для надёжного решения математических задач или сложных рассуждений. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

jacktol выпустил дообученную версию Whisper Large v3 от OpenAI для распознавания речи в авиационных радиопереговорах. Модель принимает аудио и преобразует короткие сообщения пилотов и авиадиспетчеров в текст на английском языке. Дообучение на наборе ATC ASR Dataset адаптирует модель к авиационной терминологии и фразеологии, вариациям акцентов, неоднозначным формулировкам и шумным или искажённым передачам. В README заявлен показатель WER 6,5% на тестовом наборе; он не гарантирует такую же точность на других данных. Модель может применяться для транскрибации переговоров, поддержки систем управления воздушным движением, исследований и обучения. Архитектура — WhisperForConditionalGeneration, около 905,2 млн параметров; веса представлены в формате safetensors. Лицензия — MIT. Модель предназначена прежде всего для английской авиационной речи, а на речи из других областей может работать хуже; качество также снижается при очень плохом аудио и акцентах, недостаточно представленных в обучающих данных.

youngseok12 выпустил A.X-3.1-Light-specialist-r1-ta_avg — объединённую модель генерации текста на базе SK Telecom A.X-3.1-Light. Три специализированных LoRA, обученных по отдельности, объединены методом Task Arithmetic с равными весами; итоговые BF16-веса сохранены в формате safetensors, поэтому отдельный адаптер не требуется. Модель построена на архитектуре Llama, содержит 6,8 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для исследовательской оценки ответов на корейском языке в задачах медицинских знаний, числового машинного чтения и причинно-следственных рассуждений. Она обучена выдавать краткий ответ первым в формате выбора из четырёх вариантов; в проверке формата ответ присутствовал во всех выходах, средняя длина составляла 13 токенов. Указана лицензия other; конкретные условия лицензии в карточке не раскрыты.

HuggingFaceTB/finemath-ablation-infiwebmath — экспериментальная модель команды HuggingFaceTB, полученная продолжением предобучения базовой Meta Llama 3.2 3B на 60 млрд токенов англоязычного математического корпуса InfiMM-WebMath-40B. Это плотная авторегрессионная модель семейства Llama с 3,21 млрд параметров, контекстом 4096 токенов и форматом Safetensors; для обучения использовалась точность bfloat16. Модель предназначена для продолжения текста на английском языке с упором на математику и сравнения с другими моделями, обученными в тех же условиях. Она не проходила настройку на инструкции, поэтому не рассчитана на роль диалогового помощника без дополнительной адаптации. Лицензия — Apache-2.0. Обучение преимущественно на англоязычных математических данных может ограничивать качество на других языках; поведение также зависит от качества и разнообразия корпуса, в котором могут присутствовать смещения и вредоносное содержимое.

Neurlang Whipstr STT — модель автоматического распознавания речи от Neurlang, преобразующая аудио в текстовую транскрипцию в Международном фонетическом алфавите (IPA). Это трансформерная модель типа sequence-to-sequence семейства Whipstr, обученная на данных Common Voice 21. В версии для аудио 48 кГц около 14,8 млн параметров; она поддерживает 74 и более языков и принимает аудио с частотами 8, 16, 24, 32 и 48 кГц. Для частот 11,025, 22,05 и 44,1 кГц заявлено снижение качества. Модель предназначена для фонетической транскрипции речи, в том числе многоязычных записей. В README приведены усреднённые по языкам CER 48,68% и WER 92,58%; автор отмечает, что результаты лучше для языков с большим объёмом обучающих данных. Поэтому модель может быть полезна для экспериментов и задач, где важна запись произношения в IPA, но приведённые метрики указывают на существенные ошибки при обычной транскрипции. Лицензия — GPL-2.0.

MedForge Qwen3.5-4B-Distill — медицинская разговорная модель, созданная fang04 на базе Qwen3.5-4B. Модель прошла постобучение LoRA SFT на 4490 примерах, составленных DeepSeek V4-flash и отфильтрованных для обучения медицинским рассуждениям. Она принимает текст и выдаёт текст; основная цель — отвечать на вопросы в формате медицинских экзаменационных задач, прежде всего на китайском языке. В карточке указаны языки zh и en. Модель построена на плотной архитектуре Qwen3.5 и распространяется в формате safetensors; лицензия — Apache-2.0. В описанном протоколе модель набрала 80,4% на CMExam, 60,0% на CMB-val и 26,1% на англоязычном MedXpertQA. Эти результаты относятся к указанным наборам и настройкам оценки. Авторы отмечают, что прироста на MedXpertQA нет, обучение выполнено с одним случайным seed, а медицинские рассуждения не проверялись людьми на корректность. Модель редко отказывается отвечать и не предназначена для автоматической диагностики или назначения лечения; её ответы не являются медицинской рекомендацией.

Raidium MQG — языковая модель на архитектуре GPT-2, разработанная Raidium для медицинских вопросов и ответов. Её веса инициализированы BioMedLM, после чего модель дополнительно обучали на медицинских учебниках и вопросах, созданных GPT-4 на основе материалов этих учебников. Модель предназначена для генерации ответов на медицинские вопросы и для последующего дообучения под задачи медицинского вопросно-ответного поиска. Для тестов с вариантами ответа можно добавить классификационную голову, чтобы ранжировать варианты. Контекст составляет 1024 токена; модель принимает и генерирует текст на английском языке. Доступна в формате PyTorch через Transformers. MQG ориентирована на медицинскую тематику и может быть полезна как основа для специализированных QA-систем. Создатели предупреждают, что ответы могут быть ошибочными: модель не подходит для клинического применения, а её применение вне медицинских задач не рекомендуется. Лицензия — Apache-2.0; в карточке также указано ограничение на академическое использование.

Piaget-4B — языковая модель Gustave Cortal, дообученная на 15 тысячах примеров психологических и философских рассуждений. Она основана на Qwen3-4B и предназначена для диалога и рассуждений о психологических и философских понятиях, включая эмоции, самооценку и существование. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит около 3,7 млрд параметров и принимает текст для генерации текста. Заявленная длина контекста — 40 960 токенов. Для дообучения применялся LoRA; в обучающую выборку вошли отфильтрованные примеры из открытых наборов Dolphin R1 и General Reasoning, а также PsychologicalReasoning-15k. Модель ориентирована на рассуждения в своей предметной области, но карточка не приводит количественных оценок качества или сравнительных тестов. Распространяется под лицензией MIT.

Qwen3-4B Recursive SFT V3.2 — модель для решения математических задач с помощью рекурсивного протокола. Её разработчик дообучил Qwen/Qwen3-4B-Base на математических примерах, включая данные GSM8K, и добавил специальные токены протокола. Это плотная языковая модель архитектуры Qwen3 с 3,7 млрд параметров и контекстом 32 768 токенов; она выдаёт текст и рассчитана на англоязычные запросы. Модель предназначена для сценариев, где решение строится через декомпозицию задачи, отдельные вызовы для подзадач и агрегацию их ответов. Для работы нужны сырые строки рекурсивных промптов из репозитория, а не диалоги в шаблоне Qwen Chat; одна генерация возвращает одно действие протокола, а не обязательно полное решение. Модель не предназначена для общего диалогового использования. Корректный формат ответа не гарантирует правильность вычислений: вызов подзадачи может быть некорректным, а верные по формату ответы — математически ошибочными. Некоторые обучающие примеры содержат известные дефекты; грамматические ограничения требуют внешней поддержки декодирования. Модель распространяется по лицензии Apache-2.0.

RubricTracing-9B-Item — модель для прогнозирования освоения учебных задач по рубрикам, разработанная авторами проекта Rubric Tracing на базе Qwen3.5-9B. Она получает на корейском языке историю решений ученика: условия задач, критерии оценивания, отметки Pass/Fail с пояснениями проверяющего и письменные рассуждения, а также условие, эталонное решение и рубрику целевой задачи. В ответ модель выдаёт JSON с прогнозом, удовлетворит ли ученик всем критериям целевой задачи. Модель с плотной архитектурой Qwen3_5ForCausalLM содержит 7,2 млрд параметров, использует формат safetensors и поддерживает контекст до 262 144 токенов. Это полное дообучение Qwen/Qwen3.5-9B на KT-PSP-25 — наборе по математике для корейских старшеклассников. В тестах сравнивались прогнозы на отложенной группе учеников; результаты показывают исследовательскую применимость для knowledge tracing, но не подтверждают пригодность для выставления оценок или принятия решений о конкретных учениках. Обучение и оценка охватывали только один набор данных, а метки были получены автоматической системой генерации и проверки рубрик, а не людьми. Поскольку порядок взаимодействий в наборе восстановить нельзя, история рассматривается как множество, и модель не проверена для последовательного моделирования. Лицензия — Apache-2.0.

google/t5-3b-ssm-nq — модель Google для ответов на вопросы без обращения к внешним документам или поисковому индексу. Она основана на архитектуре T5 и дообучена на датасете Natural Questions после предварительного обучения на C4 и дополнительного обучения на Wikipedia с целевой функцией salient span masking. Модель принимает текстовый вопрос и генерирует текстовый ответ на английском языке. Она предназначена для закрытого вопросно-ответного поиска по знаниям, сохранённым в параметрах; размер по метаданным — 385,2 млн параметров, контекст — 512 токенов. Репозиторий содержит версии для PyTorch и TensorFlow. Модель подходит для ответов на фактические вопросы без предоставленного контекста. Результаты карточки относятся к Natural Questions; качество на других темах и языках не подтверждено. Лицензия — Apache 2.0.

roneneldan/TinyStories-Instruct-33M — компактная авторегрессионная языковая модель семейства GPT-Neo, опубликованная пользователем roneneldan на Hugging Face. Она предназначена для генерации коротких историй по текстовой подсказке или инструкции, в том числе с заданными атрибутами сюжета. В карточке Hugging Face указан пример генерации текста; метаданные описывают архитектуру GPTNeoForCausalLM, 71,6 млн параметров и контекст до 2048 токенов. Модель работает с текстом и ориентирована на англоязычные истории. Карточка модели не содержит описания обучения, лицензии или явного перечня ограничений, поэтому происхождение и условия использования по доступным сведениям определить нельзя. С учётом небольшого размера и узкой задачи её уместно применять для простых экспериментов и генерации коротких историй, а не считать универсальным разговорным помощником.

Cnam-LMSSC/wav2vec2-italian-phonemizer — модель распознавания итальянской речи, дообученная на базе facebook/wav2vec2-base-it-voxpopuli-v2 для преобразования речи в фонемы. Она принимает аудио с частотой дискретизации 16 кГц и выдаёт последовательность слов в кодировке IPA без пунктуации. Модель построена на архитектуре wav2vec2, содержит 113,3 млн параметров и обучалась на обучающей и валидационной выборках Multilingual Librispeech. Модель подходит для фонетической транскрипции итальянской речи и анализа произношения. В README указана ошибка фонемной транскрипции PER 4,34% на итальянской части тестового набора Multilingual Librispeech. Языковая модель при распознавании не используется. Лицензия — MIT.

ali-llm v0.1 — базовая языковая модель tzpranto, обученная с нуля для изучения предобучения в порядке учебной программы и освоения языка. Это плотная decoder-only архитектура семейства Ali с 2,05 млрд параметров, 32 слоями, размером скрытого состояния 2048 и контекстом обучения 2048 токенов; входы до 4096 токенов запускаются, но не проверены. Архитектура использует Llama-подобный декодер, QK-нормализацию и выходные гейты для каждой головы внимания. Модель работает с английским текстом и рассчитана на генерацию текстов детского уровня: простую грамматику, начальную арифметику, основы естественных наук и бытовые навыки обращения с деньгами. Обучение с нуля охватило 6,3 млрд токенов, упорядоченных от материалов для дошкольников до уровня 5-го класса. Разработчик позиционирует модель как исследовательский артефакт и небольшую модель для детских текстов. Она выпущена без дообучения на инструкциях и без настройки безопасности; для загрузки через Transformers требуется trust_remote_code=True. Лицензия — Apache-2.0. Модель ограничена детским английским и учебным содержанием примерно до 5-го класса; на взрослые темы, новости, программирование и знания старших классов она может уверенно выдавать бессмыслицу. Большая часть обучающих данных была сгенерирована другими языковыми моделями, поэтому стиль может наследоваться и ответы могут повторяться. Арифметические и фактические ответы не гарантированно верны, а следовать инструкциям и вести диалог модель специально не обучали.

Irusha14/My_First_Math_AI — дообученная разговорная модель на архитектуре Gemma 2, разработанная Irusha14 на основе unsloth/gemma-2-2b-it-bnb-4bit с использованием Unsloth и библиотеки TRL. Модель содержит 2,7 млрд параметров, принимает текст и предназначена для генерации ответов в формате чата; максимальная длина контекста — 8192 токена. Название указывает на математическое назначение модели, однако карточка не описывает обучающие данные, математические навыки или результаты оценки. Поэтому её можно рассматривать как экспериментального помощника для текстовых математических запросов, но качество решения задач README не подтверждает. Модель опубликована в формате safetensors под лицензией Apache-2.0.

OceanGPT-basic-14B-v0.1 (OceanGPT-14B-v0.1) — языковая модель команды ZJUNLP для задач океанологии. Она дообучена на базе Qwen1.5-14B на двуязычном наборе данных по тематике океана и предназначена для ответов на вопросы и диалоговых сценариев в этой области. Модель использует архитектуру Qwen2 с плотной causal language model, содержит 13,4 млрд параметров и поддерживает контекст до 32 768 токенов. Она принимает и генерирует текст, поддерживает китайский и английский языки. Модель подходит для исследовательской работы с вопросами по океанологии и для диалогового изучения предметной области. Карточка предупреждает о возможных галлюцинациях, нестабильности ответов при разных попытках и ограниченных возможностях симулированного воплощённого интеллекта; идентичность модели также может быть непоследовательной. Лицензия — MIT.

Quran Speech Recognizer — модель распознавания речи на архитектуре Wav2Vec2, предназначенная для поиска места чтения в Коране по аудиозаписи декламации. Разработчики дообучили предварительно обученную модель методом transfer learning; размер модели составляет 402,7 млн параметров. Модель преобразует запись чтения в арабский текст, затем приложение сопоставляет его с фрагментами 30-го джуза Корана — сурами 78–114 — по расстоянию редактирования и показывает наиболее вероятные совпадения. В демонстрационном интерфейсе запись длится пять секунд, это время можно изменить. Модель принимает аудио и выдаёт текст распознавания; отдельный сценарий приложения также показывает предполагаемые позиции в Коране. В карточке не указаны лицензия и точная базовая модель, на которой выполнено дообучение.

ruMorpheme-v0.1 — модель для морфемного анализа и сегментации слов русского языка, опубликованная evilfreelancer. Она размечает слова, выделяя приставки, корни, соединительные гласные, дефисы, суффиксы, постфиксы и окончания. В README приведены примеры сегментации с оценками уверенности для отдельных морфем. Модель предназначена для автоматической морфемной разметки русских слов и может использоваться в лингвистических инструментах и обработке русского текста. Вдохновлена кодовой базой NeuralMorphemeSegmentation и работой о supervised-сегментации русских морфем с помощью глубоких свёрточных сетей. Доступны веса PyTorch; лицензия — MIT.

SurgicBERTa — языковая модель на архитектуре RoBERTa-base, адаптированная к хирургической тематике командой разработчиков модели. Её продолжительно предобучали на полных текстах хирургических учебников и научных статей: около 7 миллионов слов и 300 тысяч предложений. Модель содержит 151,8 млн параметров и рассчитана на контекст до 514 токенов. Модель предназначена для заполнения пропусков в тексте и работы с хирургической терминологией и материалами. Она поддерживает задачу fill-mask; карточка не подтверждает генерацию свободного текста или другие задачи. Язык корпуса в доступных сведениях не указан. Модель опубликована в формате PyTorch под лицензией CC BY-NC-ND 4.0, которая требует атрибуции и ограничивает распространение производных материалов и коммерческое использование.

UNA-34BeagleSimpleMath-32K-v1 — дообученная fblgit модель для генерации текста с уклоном в простые математические задачи. Она создана на основе fblgit/UNA-34Beagles-32K-v1 и обучена на датасете fblgit/simple-math; в README также указаны The Bagel v0.3 и Yi-34B. Архитектура — плотная LlamaForCausalLM, размер — 33,9 млрд параметров, библиотека — Transformers, веса доступны в формате safetensors. Модель принимает текст и генерирует текстовые ответы в диалоговом формате. Заявлена длина контекста 32 768 токенов. Лицензия — Apache-2.0. Карточка демонстрирует решение простых примеров, поэтому пригодность для сложных математических рассуждений или точных вычислений не подтверждена.

Bird Species Classifier — модель компьютерного зрения на архитектуре EfficientNet, дообученная для определения видов птиц по изображениям. Она классифицирует птиц по 525 видам и подходит для учебных и экологических исследований, мониторинга биоразнообразия и приложений для любителей природы. Для обучения использован набор Bird Species с 84 635 изображениями для обучения, 2 625 для валидации и 2 625 для тестирования. Модель принимает цветные изображения; в репозитории представлены веса в форматах Safetensors и ONNX. Для загрузки предусмотрена библиотека Transformers. Точность может снижаться при плохом освещении и низком качестве изображений, а также для видов, недостаточно представленных в обучающем наборе. Лицензия модели — MIT.

youngseok12 выпустил исследовательскую модель HCX-SEED-Think-14B-specialist-r1-ties на базе naver-hyperclovax/HyperCLOVAX-SEED-Think-14B. Это плотная языковая модель на 14,1 млрд параметров для генерации текста и диалогов; она принимает текст и выдаёт текст, поддерживает корейский язык и имеет контекст до 131 072 токенов. Модель создана слиянием методом TIES трёх LoRA-адаптеров, обученных отдельно на данных по медицинским знаниям, числовому чтению с пониманием и причинно-следственному рассуждению. Итоговые веса BF16 в формате safetensors автономны и не требуют отдельного адаптера; используется исходный шаблон чата базовой модели. Модель ориентирована на ответы в формате тестов с выбором из четырёх вариантов и формулировкой ответа в начале. Её можно применять для экспериментальной оценки и решения корейских задач на медицинские знания, числовые вычисления и причинные связи. В описании сообщается, что в проверке формата на 240 открытых заданиях ответ присутствовал во всех генерациях; это характеризует соблюдение формата, а не общую точность. Результаты могут быть неверными, поэтому модель не следует использовать как единственное основание для решений в медицине, праве или финансах. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

HyperCLOVA-X-SEED-MISHULTA-v1 — команда MISHULTA дообучила методом LoRA и объединила с базовыми весами HyperCLOVAX-SEED-Think-14B для решения задач корейского тестового рассуждения с выбором ответа. Модель построена на плотной архитектуре HyperCLOVAXForCausalLM и содержит 14,1 млрд параметров; заявленный контекст — до 131 072 токенов. Основной сценарий — ответы на корейские вопросы с выбором варианта, в том числе по культуре и языку Кореи. Для обучения использовались обучающая часть KMMLU, самодистилляция базовой модели, данные дистилляции DeepSeek-R1-0528 и синтетические вопросы. По карточке, тестовый сплит KMMLU не использовался, а дубликаты вопросов оценочных бенчмарков удалялись. Модель предназначена для генерации текста в диалоговом формате и выдаёт ответ в конце в формате «정답: X». Лицензия — HyperCLOVA X SEED Model License Agreement базовой модели; производное название должно начинаться с «HyperCLOVA X». Карточка описывает вариант для корейских заданий с выбором ответа, поэтому качество на других языках и задачах не следует считать подтверждённым.

IncorrectTraceSFT-Qwen2.5-7B-AIME2025-correct — полноразмерное дообучение Qwen2.5-7B, опубликованное в рамках исследования о применении ошибочных трасс рассуждений в supervised fine-tuning. Это финальный чекпойнт условия aime25_correct_3000 эксперимента aime years; обучение продолжалось 188 обновлений оптимизатора. Модель предназначена для генерации текста и математических рассуждений, в частности для экспериментов с решением задач AIME 2025. Модель построена на плотной архитектуре Qwen2ForCausalLM, содержит 7,1 млрд параметров и принимает текст. В метаданных указано контекстное окно до 131 072 токенов; репозиторий содержит веса safetensors и чат-шаблон. Карточка указывает английский язык. Обучающие финальные ответы были правильными, но промежуточные шаги рассуждений не проверялись, поэтому корректность объяснений не гарантируется. Выпущена по лицензии Apache-2.0; авторы позиционируют её для исследований математических рассуждений и выбора данных для SFT.

OVD-Math-1-data-RS-Step500-Historical — чекпойнт исторического эксперимента из коллекции OVD, созданный на основе Qwen/Qwen2.5-Math-1.5B. Модель с архитектурой Qwen2 и 1,5 млрд параметров дообучена на одном наборе данных; обозначение step 500 указывает на сохранённый этап эксперимента. Репозиторий содержит веса для Transformers в формате safetensors и токенизатор. Модель предназначена для генерации текста и математических решений. Базовая Qwen2.5-Math-1.5B рассчитана на математические задачи на английском и китайском языках; контекст модели — до 4096 токенов. Это исторический экспериментальный чекпойнт, поэтому его качество и пригодность для практических задач отдельно не подтверждены. Лицензия в предоставленных данных не указана.

Qwen2.5-3B Math SFT Clean v2 — дообученная и объединённая версия Qwen2.5-3B-Instruct, созданная для коротких математических рассуждений с целочисленным ответом. Модель построена на плотной архитектуре Qwen2 и содержит 3,1 млрд параметров; она принимает текст и поддерживает контекст до 32 768 токенов. Типичный запрос задаёт число кратких блоков рассуждения и требует завершить ответ целым числом в формате \boxed{integer}. Модель предназначена для исследований в узкой области математических задач с коротким целочисленным ответом. В парной оценке на 831 вопросе результат версии Clean v2 был близок к базовой модели: преимущество на очищенной выборке составило 0,76 процентного пункта и не было статистически значимым в эксперименте с одной генерацией на вопрос. Эта версия устраняет заметную регрессию предыдущего запуска, но не доказывает превосходство над базовой моделью. Обучающая выборка мала и специализирована; 23 примера из оценочной совокупности вошли в обучение, а результат чувствителен к случайному seed. Модель может ошибаться в рассуждениях, не выдавать требуемый формат ответа или уверенно отвечать неверно, поэтому значимые результаты следует проверять. Чекпойнт распространяется на условиях Qwen Research License; метаданные указывают лицензию как other.

SelfEfficacybinary — англоязычная модель классификации текста, созданная дообучением microsoft/deberta-v3-base. Она использует архитектуру DeBERTa-v2 и содержит 211,6 млн параметров; принимает текстовые последовательности длиной до 512 токенов и выдаёт класс. Название указывает на бинарную классификацию, связанную с самоэффективностью, однако карточка не уточняет схему меток и целевой сценарий применения. На оценочной выборке модель показала accuracy 0,6513, precision 0,6330, recall 0,7182, F1 0,6729 и AUC 0,6921. Эти результаты указывают на ограниченную точность и требуют проверки на данных конкретного применения. Модель распространяется по лицензии MIT.

sdobson/tinystories-llama-15m — небольшая языковая модель с плотной архитектурой Llama 2, разработанная sdobson и обученная на наборе TinyStories. Модель содержит 15,2 млн параметров, использует PyTorch и safetensors, а её контекст ограничен 256 токенами. Модель предназначена для генерации простых, связных детских историй с лексикой и понятиями для детей примерно 3–4 лет. Её также можно использовать в образовательных демонстрациях обучения компактных языковых моделей и экспериментах с эффективным инференсом, включая реализацию на C. Поддерживаемый сценарий — продолжение текста; модель не настроена на выполнение инструкций. Модель обучалась исключительно на коротких историях TinyStories, поэтому слабо подходит для универсальной генерации текста. Небольшой словарь и короткий контекст ограничивают сложность и длину историй. Лицензия — MIT.

ishikaa/acquisition_generator_AS_confidence_medmcqa_qwen14b — генеративная языковая модель из семейства Qwen2, опубликованная пользователем ishikaa на Hugging Face и предназначенная для генерации текста в формате Transformers. По идентификатору модели она, вероятно, ориентирована на задачи, связанные с медицинскими вопросами и оценкой уверенности, однако README не содержит подробного описания обучения и назначения. Модель содержит около 14 млрд параметров и поддерживает контекст до 32 768 токенов. Она может применяться для диалоговой генерации, ответов на вопросы и построения текстовых продолжений через библиотеку Transformers. В метаданных не указаны поддерживаемые естественные языки, разработчик, базовая модель, результаты оценки и лицензия. Из-за отсутствия описания данных, методики дообучения и результатов тестирования нельзя подтвердить качество на MedMCQA или надежность оценок уверенности. Как и другие генеративные языковые модели, она может выдавать фактически неверные или необоснованные ответы, поэтому медицинские результаты требуют проверки специалистом.