IV.5Образование и развитие навыков

AgriParam — языковая модель для сельскохозяйственной тематики, разработанная BharatGen. Она дообучена на базе Param-1-2.9B-Instruct на материалах об индийском сельском хозяйстве и предназначена для ответов на вопросы, консультаций для фермеров, разъяснения аграрной политики и распространения сельских знаний. Модель поддерживает диалог и генерацию текста на английском и хинди. Это плотная трансформерная модель с архитектурой ParamBharatGenForCausalLM и 2,3 млрд параметров. Максимальная длина контекста — 2048 токенов. В репозитории указаны веса Safetensors, а лицензия — Apache-2.0. Модель специализируется на сельскохозяйственных знаниях индийского контекста. Приведённые результаты показывают различия в качестве в зависимости от предметной области и сложности вопросов; на сложных вопросах оценка ниже, чем на простых. Ответы требуют проверки перед использованием для решений, влияющих на урожай, безопасность или соблюдение правил.

Модель abdollahhh/asl-sign-language-efficientnet-b0 разработана на основе google/efficientnet-b0, предварительно обученной на ImageNet и дообученной для классификации изображений с буквами американского жестового языка (ASL). Она принимает RGB-изображения размером 224×224 и относит знак к одному из 26 классов — буквам A–Z. Модель содержит около 4,04 млн параметров и распространяется в формате safetensors. Её можно использовать для распознавания статичных букв ASL на фотографиях, например, в демонстрационных приложениях и веб-камерах. В README заявлена точность 99,02% на оценочной выборке из набора Marxulia/asl_sign_languages_alphabets_v03, однако результаты на контролируемых изображениях не гарантируют такой же точности в реальных условиях. Модель хуже подходит для разнообразного освещения и фона; она не распознаёт динамические жесты, включая J и Z. Лицензия — Apache-2.0.

Christian Bible Expert v2.0 12B — модель, дообученная sleepdeprived3 на базе Mistral Nemo Instruct 2407 для ответов на богословские вопросы с никейской христианской перспективы. Она предназначена для объяснения библейских текстов, подготовки материалов для изучения Библии и диалогов о духовном росте и ученичестве. Модель использует плотную архитектуру MistralForCausalLM, содержит 12,1 млрд параметров и поддерживает контекст до 131 072 токенов. README заявляет поддержку более десяти языков, включая английский, испанский, французский и корейский; в метаданных карточки указан английский язык. Модель делает акцент на историко-грамматическом толковании Писания, ключевых христианских доктринах и Никейском символе веры, при этом заявляя уважение к разнообразию конфессий. Репозиторий содержит веса Safetensors; README также упоминает GGUF и варианты квантования. Лицензия — Apache-2.0. Модель предназначена для поддержки изучения Библии и служения, но не заменяет пастырское руководство местной церкви.

Delphi-25B-SimpleRL-Math — экспериментальный чекпойнт модели WillHeld, полученный дообучением Delphi-25B методом GRPO по рецепту SimpleRL-Zoo на сложных задачах соревновательной математики. Модель на архитектуре Qwen3 содержит 24,3 млрд параметров, принимает текст и рассчитана на контекст до 16 384 токенов. Для работы ожидает фиксированный промпт с тремя примерами; генерацию следует останавливать на строке `\boxed{}`. Модель предназначена для решения математических задач, особенно тех, где достаточно одного действия или применения известной формулы к небольшим и очевидным числам. Она может выдавать ход решения и итоговый ответ в формате `\boxed{}`. В описанных испытаниях дообучение улучшило результат на MATH-500 в режиме few-shot, однако поздний чекпойнт уступил лучшему промежуточному, а на AIME-24 модель не решила ни одной задачи. Лицензия в предоставленных данных не указана.

HuggingFaceTB/finemath-ablation-finemath-4plus — языковая модель Hugging Face TB на архитектуре Llama 3.2 с 3,21 млрд параметров. Это вариант базовой meta-llama/Llama-3.2-3B, продолжительно предобученный на 60 млрд токенов подвыборки FineMath-4+; модель использует формат safetensors и контекст до 4096 токенов. Модель предназначена для продолжения текста на английском языке с акцентом на математику. Она не настроена на выполнение инструкций; её основное назначение — сравнение с другими моделями, обученными в тех же условиях, поэтому она может быть менее подходящей как готовый диалоговый помощник. Лицензия — Apache-2.0.

MechVL-4B-RL — мультимодальная модель XiaofengAlg для понимания инженерных механических чертежей. Она принимает изображение чертежа вместе с текстовым вопросом и формирует текстовый ответ; модель разработана для сценариев, где нужно интерпретировать содержание чертежа и отвечать на вопросы о нём. Это чекпойнт на базе MechVL-4B-SFT, дополнительно оптимизированный методом DAPO в двухэтапном режиме self-play. В README указана архитектура Qwen3VLForConditionalGeneration и базовая модель Qwen3-VL-4B-Instruct. В обучении использовался бенчмарк MechVQA, включая повторную выборку с повышенной долей слабее решаемых подзадач. Модель выдаёт рассуждение и итоговый ответ в заданном формате; для извлечения ответа требуется следовать этому формату. Карточка приводит результаты на MechVQA, но не содержит полного набора оценок и абляций. Модель доступна по лицензии Apache-2.0; для пакетного инференса README описывает использование Transformers и vLLM.

OpenMia-Indo-Engineering-7b — разговорная модель, созданная разработчиками проекта OpenMia дообучением Mistral-7B на данных Alpaca. Она предназначена для диалога на индонезийском языке, в частности для вопросов по инженерным темам. Модель имеет плотную архитектуру MistralForCausalLM с 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и распространяется в формате Safetensors. В карточке указан шаблон общения с системным сообщением и пользовательским запросом. Модель отмечена авторами как альфа-версия, поэтому качество ответов может быть нестабильным. В метаданных указаны также английский и индонезийский языки. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

SupraLabs разработала SupraLabs/StorySupra-10M — компактную авторегрессионную языковую модель семейства Llama для генерации коротких историй. По конфигурации это плотная модель с 8 слоями, размером скрытого состояния 256 и контекстом до 256 токенов; в метаданных указано около 10,5 млн параметров. Модель обучали три эпохи на 200 тысячах примеров TinyStories, что задаёт её специализацию на простых рассказах, в том числе детских. Модель принимает текст и продолжает его связной прозой на английском языке. Небольшой размер позволяет запускать её на CPU, однако короткий контекст и узкая обучающая выборка ограничивают длину и разнообразие генерации, а приведённые в карточке примеры содержат смысловые несоответствия. Распространяется по лицензии Apache-2.0.

TinyStoriesGerman-62M — компактная причинная языковая модель на архитектуре LLaMA, обученная автором fabi2347 на наборе TinyStoriesGerman. Она предназначена для генерации простых детских рассказов на немецком языке с ограниченным словарём и коротким контекстом. Модель содержит около 50 млн параметров по метаданным Hugging Face; в README размер округлён до примерно 62 млн. Использует токенизатор ByteLevel BPE со словарём 32 000 токенов и контекст до 256 токенов. Модель экспериментального масштаба обучалась предсказанию следующего токена на немецких историях и подходит для коротких творческих генераций; её узкая специализация и малое окно контекста ограничивают применение за пределами простых рассказов. Лицензия — CDLA-Sharing-1.0.

Это модель VideoMAE Base, разработанная на основе MCG-NJU/videomae-base-finetuned-kinetics и дообученная для распознавания вьетнамского жестового языка. Она классифицирует короткие видеозаписи жестов и сопоставляет их с текстовыми метками, например «Ăn», «Bệnh viện» и «Xin lỗi». Модель использует пространственно-временные признаки видеопоследовательности и содержит 113,2 млн параметров. Модель предназначена для классификации жестов в видеоклипах на датасете ViSignLanguage-Video. Она принимает видео и выдаёт класс жеста в виде текстовой метки; основная область применения — распознавание вьетнамского жестового языка. Репозиторий распространяется по лицензии MIT.

Zagreus 0.4B ITALIC KL — плотная языковая модель семейства Llama, разработанная GitMarco27 как полное дообучение mii-llm/zagreus-0.4B-ita для Italian Post-Training Challenge 2026. Модель специализируется на выборе ответа в заданиях с четырьмя вариантами: она учится выражать вероятности ответов базовой модели через первую сгенерированную букву варианта. Чекпойнт содержит около 437,7 млн параметров, сохранён в BF16 и формате safetensors; контекст — до 4096 токенов. Модель предназначена для оценки вариантов в итальянских вопросах по культуре, гражданским знаниям, словарным определениям и синонимам. В официальной zero-shot оценке ITALIC она показала точность 0,3381 на 10 000 вопросов; результат на публичной выборке разработки составил 0,5813. Для обычного вывода README рекомендует жадное декодирование и генерацию одного токена. Модель не рассчитана на роль универсального помощника: обучение направлено на первый токен, последующая генерация может повторяться, а обучение лучше охватывает лексику, культуру и гражданские темы, чем синтаксис, орфографию и морфологию. Лицензия — Apache-2.0.

glsch/bowphs_GreBerta_rhetores — дообученная модель RoBERTa для заполнения пропусков в древнегреческом тексте. Она основана на bowphs/GreBerta и содержит 153,2 млн параметров. Модель принимает текст с пропуском и предсказывает подходящее содержимое; длина контекста — до 514 токенов. Модель подходит для восстановления пропусков и изучения вариантов словоупотребления в древнегреческих текстах. Данных о её разработчике, дополнительных сценариях, сильных сторонах и лицензии в предоставленных источниках нет.

DeepSeek V4-Nano (TinyStories) — компактная языковая модель на 130,1 млн параметров, созданная GenakiGyoka с нуля на PyTorch. Она использует архитектуру DeepSeek V4-Nano с механизмом Multi-Head Latent Attention и смесью экспертов: 8 маршрутизируемых экспертов и один общий, при этом на токен активируются два маршрутизируемых и общий эксперт. Обучение проведено на датасете TinyStories; контекст составляет 512 токенов, словарь — 16 384 BPE-токена. Модель предназначена для генерации коротких англоязычных историй и продолжения простых повествовательных текстов, особенно в стиле TinyStories. Примеры показывают связные детские рассказы, но модель узкоспециализирована и её качество за пределами такого материала не подтверждено. Для работы нужны PyTorch и tokenizers. Лицензия — MIT.

HuggingFaceTB FineMath ablation — плотная авторегрессионная модель семейства Llama, полученная продолжением предобучения Meta Llama 3.2 3B на математическом корпусе OpenWebMath. Модель содержит 3,21 млрд параметров, использует контекст до 4096 токенов и обучалась на 60 млрд токенов английских математических данных с токенизатором Llama 3. Модель предназначена для продолжения текста на английском языке с акцентом на математику. Она не проходила instruction tuning, поэтому рассчитана на сравнение вариантов обучения в серии FineMath и текстовое дополнение, а не на роль готового диалогового помощника. Выпущена в формате safetensors; лицензия — Apache-2.0. Основное ограничение — специализация на английских математических данных, из-за которой качество на других языках может быть ниже. Поведение также зависит от качества и разнообразия обучающего корпуса, в котором могут присутствовать смещения и вредоносный контент.

0rn0/gpt2-125m-tinystories — авторская модель на архитектуре GPT-2, обученная с нуля в рамках учебного проекта по PyTorch и трансформерам. Она предназначена для генерации простых детских историй на английском языке по текстовой подсказке. Модель содержит около 125 млн параметров, словарь GPT-2 из 50 257 токенов и контекст длиной 512 токенов. Архитектура включает токенные и позиционные эмбеддинги, 12 блоков трансформера с pre-norm и остаточными связями, нормализацию и линейный выходной слой. Обучение проводилось два эпоха на очищенном наборе TinyStoriesV2. Модель не проходила инструкционную настройку: она не предназначена для ответов на вопросы или универсальной генерации текста. Это пользовательская реализация на PyTorch, не совместимая напрямую с Transformers; для загрузки требуется исходный код проекта. Лицензия — MIT.

Kimina-Prover-Preview-Distill-7B — языковая модель для автоматического доказательства теорем, разработанная командами Project Numina и Kimi. Она предназначена для решения задач в Lean 4, в том числе задач в стиле математических соревнований. Модель получена дистилляцией Kimina-Prover-Preview, обученной с помощью масштабного обучения с подкреплением. Модель построена на архитектуре Qwen2 и содержит 7,1 млрд параметров; она принимает текст и генерирует текст, включая код доказательств Lean 4. Контекст — до 16 384 токенов. В карточке указаны английский язык и поддержка чата. Модель демонстрировала сильные результаты на MiniF2F-test и PutnamBench при публикации, однако карточка не приводит подробных условий оценки. Лицензия — Apache-2.0.

47ag925/kormed-mcqa-klue-roberta — модель на основе klue/roberta-base, дообученная на конфигурации doctor набора sean0042/KorMedMCQA. Она предназначена для ответов на медицинские вопросы в формате теста с пятью вариантами выбора на корейском языке. Модель содержит 137,8 млн параметров, использует архитектуру RoBERTa и поддерживает контекст до 514 токенов. Модель подходит для решения вопросов в стиле экзамена на получение лицензии врача в Корее. Обучение на 1 890 примерах ограничивает усвоение медицинских знаний, а качество может снижаться на общих медицинских вопросах вне домена корейского государственного экзамена. Лицензия — CC BY 4.0.

MediKo-1.1B-A0.6B-Instruct — корейская медицинская языковая модель для диалогов и выполнения инструкций, разработанная на базе Qwen3-0.6B. Она использует архитектуру VocMoE: расширенный медицинский словарь из 5 000 корейских токенов и восемь специализированных экспертов, из которых для каждого токена выбираются два; общий путь обработки сохраняет плотный FFN базовой модели. Всего модель содержит около 1,13 млрд параметров, из них активно используются около 0,59 млрд; контекст — до 40 960 токенов. Модель предназначена для исследовательских и образовательных задач корейского медицинского NLP: диалогов, ответов на вопросы и анализа медицинских текстов на корейском языке. В карточке приведены результаты нулевого обучения на корейских и англоязычном медицинском бенчмарках; проверка описана только для корейского медицинского текста. Модель может галлюцинировать, а её смесь экспертов требует больше памяти, чем сопоставимая плотная модель. Это не медицинское устройство: результаты нельзя использовать для диагностики, лечения, назначения препаратов или клинических решений. Лицензия — Apache-2.0.

Ramen-GSPO-Qwen3-Next-80B-A3B-Instruct — медицинская языковая модель на базе Qwen/Qwen3-Next-80B-A3B-Instruct, разработанная командой Ramen Team Токийского университета в рамках проекта NEDO. Это исследовательский вариант постобучения методом GSPO — производным GRPO с последовательностным семплированием по важности. Модель предназначена для ответов на вопросы японских медицинских экзаменов и сравнительного изучения методов постобучения японских медицинских LLM. README сообщает об обучении на прошлых экзаменационных вопросах для врачей и приводит результаты тестирования на экзаменах врачей и специалистов. Модель построена на разреженной архитектуре MoE семейства Qwen3-Next; в карточке указаны 2,3 млрд параметров и контекст до 262 144 токенов. Поддерживаемый язык по карточке — японский. Лицензия — Apache-2.0. Разработчики не проводили проверку безопасности и эффективности для клинического применения и не рекомендуют использовать модель для диагностики, выбора лечения или медицинских советов. Исследовательские результаты не доказывают клиническую надёжность; в README также отмечено, что результаты GSPO нельзя полностью отделить от влияния некоторых отличающихся параметров обучения.

Reformed Christian Bible Expert v1.1 — модель ReadyArt, дообученная на базе mistralai/Mistral-Small-24B-Instruct-2501 для вопросов реформатского богословия и изучения Библии. Это плотная языковая модель семейства Mistral с 23,4 млрд параметров, контекстом до 32 768 токенов и форматом safetensors; она предназначена для диалогового взаимодействия и заявляет поддержку вызова функций. Модель отвечает на богословские вопросы с реформатской или кальвинистской позиции, объясняет библейские отрывки с опорой на историко-грамматический подход, помогает в семинарских занятиях и подготовке проповедей. Также заявлены ролевые сценарии пастырского консультирования и вызов функций для поиска библейских ссылок. Модель ориентирована на конфессиональные ответы, утверждает авторитет Писания и придерживается Вестминстерских стандартов, поэтому её интерпретации отражают конкретную богословскую традицию. README не приводит оценки качества или сведения о поддерживаемых естественных языках. Лицензия — Apache-2.0.

Wav2Vec2 LJSpeech Gruut — модель автоматического распознавания речи, созданная Wilson Wongso на основе Wav2Vec2-Base и дообученная на фонемном датасете LJSpeech Phonemes. Вместо обычной записи слов она предсказывает последовательности фонем из словаря IPA, используемого в gruut. Модель построена на архитектуре wav2vec 2.0 с CTC-выходом, содержит 113,3 млн параметров и принимает аудио, выдавая последовательность фонем. В тесте на LJSpeech Phonemes указаны PER 0,99% без учёта ударения и CER 0,58% без учёта ударения. Она предназначена для английской речи и фонетических сценариев, а не для прямой транскрипции в обычный текст. Модель реализована на PyTorch и опубликована в форматах PyTorch и safetensors. Лицензия — Apache-2.0. В README отмечено, что унаследованные от предварительного обучения смещения могут влиять на результаты; приведённые метрики относятся к тестовой выборке LJSpeech Phonemes.

pourmand1376/arabic-quran-nahj-sahife — арабская BERT-модель для предсказания замаскированных слов. Разработчик совместно обучил и дообучил её на текстах Корана, Сахифы и «Нахдж аль-Балаги», используя masked language modeling; в README указано 30 эпох обучения и обновление масок через каждые пять эпох. Модель предназначена для восстановления пропусков и анализа контекста в этих религиозных текстах. Это плотная архитектура BERT с 137,8 млн параметров и контекстом до 512 токенов. Модель принимает арабский текст с маской [MASK] и предсказывает подходящее слово. Репозиторий содержит веса PyTorch. Лицензия — GPL-2.0. Специализация на ограниченном корпусе может снижать качество на современных и общих арабских текстах; карточка не приводит оценки качества или сравнительных тестов.

Claria 14b — экспериментальная разговорная языковая модель автора Dr. Alexandru Lupoi для поддержки психологических и психиатрических сценариев. По README, она основана на Qwen3 14B и дообучена на отобранных психотерапевтических данных; метаданные Hugging Face указывают базовую модель unsloth/qwen3-14b и архитектуру Qwen3ForCausalLM. Модель имеет 14 млрд параметров, контекст до 40 960 токенов и лицензию Apache 2.0. Claria предназначена для диалоговой поддержки с участием специалиста, обучения и ролевых симуляций в сфере психического здоровья, а также исследований эмоционально ориентированного взаимодействия с ИИ. Она рассчитана на рефлексивные подсказки, мягкие вопросы и многошаговый разговор. Репозиторий содержит safetensors; README также описывает варианты GGUF Q4, Q8 и BF16 и запуск через Ollama или LM Studio. Модель не заменяет специалиста и не предназначена для самостоятельной терапии, постановки диагноза или кризисной помощи. Она может уверенно выдавать ошибочную информацию, лучше работает со структурированными подсказками и, согласно карточке, не рассчитана на свободный разговор общего назначения.

essAi — дообученная модель на базе Qwen3-4B, созданная alphanozcan для написания эссе при подаче документов в колледж в стиле Common App. Модель генерирует личные заявления примерно на 650 слов естественным разговорным голосом. Обучение состояло из этапов SFT и DPO на корпусе примерно из 19,7 тысячи написанных людьми эссе; использовался LoRA. Архитектура — плотная Qwen3ForCausalLM примерно на 3,7 млрд параметров, формат весов — safetensors, максимальный контекст — 40 960 токенов. Основной язык карточки — английский. Модель подходит для создания черновиков личных заявлений, разработки повествовательной структуры и улучшения естественности текста. Она ориентирована на эссе для поступления и не является универсальным редактором. Авторы отмечают, что качество ограничено размером модели и одним циклом обучения, а связность могла бы улучшиться при более длительном обучении или использовании большей базовой модели. Поведение детекторов ИИ не гарантируется. Лицензия — Apache-2.0.

Карточка модели MOYER/FengZheng-7B-Base на Hugging Face совпадает с карточкой MOYER/FengZheng-7B-Chat, поэтому описание составлено по ней. FengZheng-7B-Chat — китайская диалоговая языковая модель команды HIT-SCIR-TG для популяризации знаний об аэрокосмической отрасли. Она создана на базе Qwen1.5-7B: модель прошла дополнительное обучение на аэрокосмических текстах и дообучение на диалогах с инструкциями по этой тематике. Модель предназначена для ответов на вопросы об аэрокосмической тематике и объяснения таких знаний в формате беседы. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, контекстом до 32 768 токенов и поддержкой китайского языка; репозиторий содержит веса Safetensors. Для запуска README указывает Transformers версии 4.37.0 или новее. Лицензия — Apache-2.0. Ответы могут содержать фактические ошибки, предвзятые или вредоносные высказывания, поэтому их следует проверять перед использованием. Опубликованная ручная оценка основана на 100 записях и не гарантирует качество ответов в других сценариях.

gladios-tiny.story-0.1B — авторская языковая модель plimb, обученная с нуля на полном наборе TinyStories, состоящем примерно из 2,1 млн детских рассказов. Это плотный декодерный Transformer архитектуры GPT-2 с примерно 124 млн параметров; модель использует токенизатор GPT-2 с словарём из 50 257 токенов и доступна в формате safetensors для Transformers. Модель предназначена для генерации коротких связных детских рассказов на английском языке по текстовой подсказке, например по началу «Once upon a time». Контекст составляет 512 токенов. Лицензия — MIT. Модель узкоспециализирована на стиле TinyStories: она не предназначена для общих ответов на вопросы, диалогов или следования инструкциям и может терять связность при подсказках за пределами этого стиля.

neurlang/ipa-whisper-medium — дообученная модель распознавания речи на базе мультиязычной Whisper medium от OpenAI. Она построена на архитектуре Transformer encoder-decoder и содержит 455,8 млн параметров. Модель дообучена на 75 000 синтетических аудиозаписей с транскрипциями в Международном фонетическом алфавите (IPA); данные для обучения были созданы с помощью фонемизатора goruut и взяты из случайных записей Common Voice 21 на 74 языках. Модель предназначена для преобразования речи в фонетическую запись IPA и подходит для экспериментов с фонемным распознаванием и анализа произношения. Whisper рассчитана на аудиофрагменты длиной до 30 секунд; для более длинных записей README описывает обработку с разбиением на чанки. Валидационный CER на наборе слов словацкого языка составил 28,38, поэтому качество для конкретного языка и сценария следует проверять отдельно. Как и другие модели Whisper, она может галлюцинировать слова, которых нет в аудио, повторять фрагменты и показывать неодинаковую точность для разных языков, акцентов и диалектов. Репозиторий распространяется по лицензии Apache-2.0.

modrill выпустила контрольную фиксацию Math NoThink на базе Olmo-3-1025-7B для переноса task vector в эксперименте, заявленном для ICLR 2027. Это плотная авторегрессионная языковая модель с 6,9 млрд параметров и контекстом до 65 536 токенов; в репозитории доступны объединённые веса и LoRA-адаптер. Модель предназначена для генерации ответов на математические задачи без развёрнутого рассуждения. В README приведён результат 38 из 240 на наборе AIME 2024 и 2025 с несколькими seed; базовая модель в том же запуске набрала 24 из 240. Эти результаты относятся к указанной автором оценке и не гарантируют аналогичного качества на других задачах. Модель работает с текстом через Transformers и опубликована под лицензией Apache-2.0. Карточка описывает исследовательскую фиксацию и экспериментальный рецепт; заявленное назначение ограничено математической генерацией без рассуждений.

MechDistilGPT2 — авторегрессионная языковая модель Ashwin, дообученная на текстах из более чем 100 книг в формате PDF по механике и автомобилестроению. Она основана на DistilGPT2 и предназначена для генерации продолжений текста на английском языке в технической тематике; в карточке также упоминается классификация тем, но отдельная оценка этого сценария не приведена. Модель использует архитектуру GPT-2 с плотными слоями и принимает текст, выдавая текст; длина контекста составляет 1024 токена. Для дообучения использовались 200 тысяч предложений, обучение проходило три эпохи, а валидационная выборка включала 40 тысяч предложений. Лицензия в карточке не определена. Модель не гарантирует фактическую точность и может воспроизводить смещения и стереотипы, поэтому её ответы требуют проверки.

Англоязычная чат-модель на архитектуре Qwen2 с 3,1 млрд параметров, разработанная tbooy как этап RLAIF-постобучения модели Qwen2.5-3B-Instruct-Sheldon-SFT-touchup-v4. Она предназначена для диалогов в образе доктора Шелдона Купера и решения задач GSM8K по математике и STEM. Модель принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. Обучение выполнено методом GRPO с LoRA, адаптер объединён с весами исходной модели; опубликованы объединённые веса BF16 в формате safetensors. На тесте GSM8K точность сохранилась примерно на уровне исходной модели, а детерминированные штрафы за нарушения правил снизились умеренно. Авторы отмечают, что изменение поведения по оценке LLM-судьи оказалось слишком малым, чтобы отличить модель от исходной; длинные ответы также могут упираться в ограничение генерации обучения в 400 токенов. Лицензия указана как other, конкретные условия в доступных данных не раскрыты.