IV.5Образование и развитие навыков

IncorrectTraceSFT · AIME SplitA correct — полноценно дообученная модель Qwen2.5-7B, созданная suryadv для эксперимента из работы «How Should Incorrect Traces Be Used in Supervised Fine-Tuning?». Это чекпойнт условия held_in_correct_6000 в эксперименте с разбиением задач AIME. Модель предназначена для генерации текстовых решений математических задач и изучения влияния отбора данных на supervised fine-tuning. В основе — плотная авторегрессионная архитектура Qwen2 с 7,1 млрд параметров; контекст — до 131 072 токенов. Модель принимает текст и генерирует текст, обучена на англоязычных данных. Веса доступны в safetensors, лицензия — Apache-2.0. README указывает, что это финальный чекпойнт после 188 обновлений оптимизатора; контрольные суммы весов сохранены, а конфигурация токенизатора нормализована для Transformers 4.57 без изменения словаря, идентификаторов токенов и шаблона чата. Модель подходит для исследовательских экспериментов с математическим рассуждением и стратегиями отбора данных для SFT. Правильность конечных ответов в обучающих данных не означает, что промежуточные рассуждения проверены; данные эксперимента не позволяют делать выводы о знакомстве модели с задачами на этапе предобучения.

zelk12 создал объединённую методом SLERP языковую модель Gemma 2 с 9 млрд параметров на основе recoilme/recoilme-gemma-2-9B-v0.4 и zelk12/recoilme-gemma-2-psy10k-mental_healt-9B-v0.1. Она предназначена для диалоговой генерации текста, включая ответы и беседы с уклоном в психологию и психическое здоровье. Модель использует архитектуру Gemma2ForCausalLM, работает с текстом и имеет контекст длиной до 8192 токенов. Модель подходит для создания чат-ботов и формулирования ответов на вопросы по психологическим темам. Данных о специализированной клинической надёжности в карточке нет, поэтому её ответы не следует считать профессиональной диагностикой или медицинской рекомендацией. Модель распространяется в формате safetensors; лицензия в предоставленных данных не указана.

OceanGPT-2B-v0.1 — языковая модель для задач океанологии, разработанная командой проекта OceanGPT. Она основана на MiniCPM-2B и дообучена на двуязычном наборе данных по тематике океана на китайском и английском языках. Модель содержит 2,7 млрд параметров, использует плотную архитектуру MiniCPMForCausalLM, поддерживает диалоговый режим и контекст до 4096 токенов. Модель предназначена для генерации ответов и текста по вопросам океанологии, а также для классификации текста в этой предметной области. Лицензия — MIT. Авторы характеризуют проект как академическое исследование; модель может галлюцинировать, её ответы зависят от формулировки запроса и могут быть непоследовательными. Возможности симуляции воплощённого интеллекта ограничены и требуют специальных инструкций для симулятора.

Olmo7b-compassion-seed2-20261001-CPT-final — дообученная методом continued pretraining языковая модель на основе Allen Institute for AI Olmo 3 7B. Это плотная авторегрессионная модель с 6,9 млрд параметров, обученная на наборе CompassioninMachineLearning/compassion_12185_cleaned; README указывает отдельную сборку BF16 из второй эпохи обучения и сохранение весов без потерь в формате safetensors. Для загрузки отдельный адаптер не требуется. Модель предназначена для генерации текста и экспериментов с языковыми ответами в контексте темы сострадания. Максимальная длина контекста составляет 65 536 токенов. Базовая модель англоязычная, однако README не описывает отдельно языковые возможности именно этой версии. Обучение на тематическом наборе само по себе не доказывает улучшения сострадательности ответов; это следует проверять отдельной оценкой. Лицензия в предоставленных данных не указана.

Ryu-tek/qwen2.5-3b-chess — специализированная чат-модель для выбора шахматного хода из пронумерованного списка кандидатов по позиции в формате FEN. Разработчик дообучил Qwen2.5-3B-Instruct методом LoRA с дистилляцией знаний Stockfish и тремя раундами DAgger, затем объединил адаптер с базовыми весами. Модель содержит около 3,1 млрд параметров, использует плотную архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Доступны веса Safetensors и GGUF Q4_K_M. На вход подаются текстовое описание позиции и список допустимых ходов, а на выходе модель возвращает только номер выбранного хода. В испытании на 300 партиях с Lichess Stockfish уровня 3 она выиграла 71 партию, сыграла 42 вничью и проиграла 187; против уровня 4 почти всегда проигрывала. Рекомендуется предварительно отфильтровывать опасные ходы программной проверкой позиции: без такой защиты модель может допускать грубые ошибки. Модель предназначена для обучения шахматной игре и экспериментов с выбором ходов, а не для самостоятельного поиска вариантов. Данные обучения преимущественно содержат позиции за белых. README указывает на ограничения правил онлайн-площадок для использования против людей. Применяется Qwen Research License Agreement: коммерческое использование допускается только с разрешения Alibaba Cloud; лицензия ограничивает использование некоммерческими целями.

SafetyVision YOLOv8 — PPE Detection — это модель обнаружения средств индивидуальной защиты и связанных нарушений на промышленных объектах, разработанная для проекта SafetyVision. В репозитории находятся две версии, дообученные на базе Ultralytics YOLOv8: текущая YOLOv8s v2 с примерно 11,1 млн параметров и исходная YOLOv8n v1 с примерно 3 млн параметров. Модель выдаёт рамки объектов, метки классов и оценки уверенности; доступен формат ONNX. Модель предназначена для предварительного просмотра изображений и коротких видеоклипов на стройках, складах и производственных площадках. Она распознаёт 13 классов, включая каски, сигнальные жилеты, очки, перчатки, маски, отсутствие части средств защиты, падение, отсутствие страховочной привязи и человека. На отложенном тесте v2 достигла mAP@0.5 0,766 при размере изображения 896; для развернутой ONNX-модели при 640 показатель составил 0,738. Результаты предназначены для проверки специалистами по охране труда и не подходят для автоматических дисциплинарных решений или самостоятельного контроля соблюдения требований. Данные преимущественно отражают западные промышленные площадки и мужские образы; освещение складов представлено лучше, чем яркое солнце и подземные условия, а фиксированная таксономия не охватывает специализированную защиту вроде дугозащитных капюшонов. Распространяется по лицензии AGPL-3.0.

TinyLlama-1.1bee — языковая модель BEE-spoke-data для генерации текста о пчёлах и пчеловодстве. Это дообученная версия PY007/TinyLlama-1.1B-intermediate-step-240k-503b на наборе данных BEE-spoke-data/bees-internal; модель использует плотную архитектуру LlamaForCausalLM и содержит около 1 млрд параметров. Модель предназначена для образовательных ответов на вопросы о содержании ульев, видах пчёл и получении мёда, а также для предварительных идей по апикультуре и экологии. Она принимает текст и генерирует текст на английском языке; длина контекста — 2048 токенов. В README приведены метрики оценки: accuracy около 0,497 и loss около 2,428. Модель может ошибаться и не заменяет консультацию специалиста по пчеловодству, особенно при решениях о здоровье пчёл и управлении ульями. Набор обучения опубликован не полностью. Лицензия — Apache-2.0.

Compactbot/tinystories-24m — компактная языковая модель, разработанная Compactbot и обученная с нуля на наборе TinyStories. Это декодерный GPT с 24,585,600 параметрами, BPE-токенизатором на 8192 токена и контекстом 512 токенов. Архитектура включает 12 слоёв, 8 голов внимания, RMSNorm, объединённые проекции QKV и GELU FFN; веса опубликованы в формате safetensors. Модель предназначена для генерации коротких англоязычных историй с диалогами и связным повествованием. Она подходит для творческих прототипов и экспериментов с генерацией рассказов в стиле обучающего домена, но не рассчитана на ответы на вопросы, код, общие беседы или другой текст вне TinyStories. README сообщает о позднем расхождении обучения; опубликован лучший ранний чекпойнт. Для загрузки требуется bundled modeling.py, модель не является моделью Transformers. Лицензия — Apache-2.0.

Модель vocametrix/wav2vec2-xlsr-53-stuttering-classification разработана для классификации типов заикания в речи. Это модель Wav2Vec2ForSequenceClassification на базе facebook/wav2vec2-large-xlsr-53, дообученная сквозным образом на датасете SEP-28k-Extended. Она относит речевые фрагменты к повторениям звуков, повторениям слов и блокам речи. Модель рассчитана на аудиоанализ для систем поддержки речевой терапии и анализа нарушений плавности речи. Для длинных записей автор рекомендует нарезку на фрагменты по 4 секунды с перекрытием 50%. На тестировании с разбиением по говорящим взвешенная F1 составила 43% для повторений звуков, 56% для повторений слов и 32% для блоков, поэтому результаты могут быть неточными и требуют осторожной интерпретации. Модель распространяется по лицензии Apache-2.0.

WesleyGPT-Think — англоязычная чат-модель на 286 млн параметров, разработанная Wesley Mangum и обученная с нуля на одной RTX 3060 с использованием проекта nanochat. Затем модель дообучили на диалогах SmolTalk, наборах MMLU и GSM8K и примерах MetaMathQA. Она генерирует ответы на английском языке и предназначена прежде всего для пошагового решения текстовых математических задач начального школьного уровня; контекст составляет 2 048 токенов, используется скользящее внимание. Модель показывает, как можно обучить небольшую языковую модель на потребительском GPU, и запускается даже на CPU ноутбука. В README указано, что качество невысокое: на тесте GSM8K она решила верно около 14,6% задач, часто выдумывает факты и ошибается в вычислениях. Рассуждения в заданном формате появляются главным образом для вопросов, похожих на текстовые математические задачи, а ответы могут иметь вид «#### N». Модель не загружается через AutoModel из Transformers; для запуска нужен код проекта WesleyGPT. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но некоммерческое.

Модель tiantiaf/childvox-speechocean762-accuracy-whisper-base разработана Tiantian Feng и предназначена для классификации точности детской речи. Это дообученная на SpeechOcean762 модель OpenAI Whisper Base, использующая аудио на входе и выдающая категорию качества речи: «Poor» или «Understandable». Модель относится к семейству Whisper; для работы используется библиотека Transformers. Модель подходит для исследовательской оценки разборчивости детской речи и анализа аудиозаписей в задачах, связанных с просодией и качеством произношения. Она не предназначена для клинической диагностики, индивидуальной оценки развития без проверки специалистом, наблюдения или вмешательства в частную жизнь. Детские аудиозаписи требуют согласия и надлежащего этического одобрения. Лицензия OpenRAIL запрещает коммерческое использование.

HuggingFaceTB выпустила эту экспериментальную модель в рамках серии FineMath ablations. Это плотная авторегрессионная модель семейства Llama 3.2 с 3,21 млрд параметров и контекстом 4096 токенов. Базовую Llama-3.2-3B продолжили предварительно обучать на 60 млрд токенов, используя смесь FineMath-4+ и InfiWebMath-4+ в равных долях. Модель предназначена для продолжения английского текста с упором на математические материалы. Она не проходила инструкционное дообучение, поэтому рассчитана на сравнение с другими моделями, обученными в тех же условиях, а не на роль готового диалогового помощника. Модель принимает и генерирует текст; в репозитории представлены веса safetensors. Лицензия — Apache-2.0. Обучение преимущественно на англоязычных математических данных может ограничивать качество на других языках. Поведение зависит от качества и разнообразия обучающих данных и может отражать их смещения или вредоносное содержание.

HuggingFaceTB/finemath-ablation-infiwebmath-3plus — языковая модель Hugging FaceTB для продолжения текста на английском языке с упором на математику. Это продолжение предобучения базовой Meta Llama 3.2 3B на подмножестве InfiMM-WebMath-3+ из набора FineMath: обучение охватывало 60 млрд токенов. Модель имеет плотную архитектуру LlamaForCausalLM, около 3,2 млрд параметров и контекст 4096 токенов. Модель подходит для математического текстового дополнения и сравнения с другими моделями, обученными в тех же условиях. Она не настроена на выполнение инструкций, поэтому не предназначена для диалогового использования в качестве универсального помощника. Лицензия — Apache 2.0.

Human Chess MLX — авторегрессионная трансформерная модель на базе MLX, обученная на полных историях человеческих шахматных партий из Lichess. Репозиторий содержит 6 слоёв с шириной эмбеддинга 384, словарь из 2075 токенов и контекст длиной 256 токенов. Ходы представлены атомарными токенами UCI; при обучении и валидации целями служат только ходы людей. Модель предназначена для оценки и генерации вероятных продолжений партии по истории ходов. Для практического выбора продолжения доступен режим, который восстанавливает позицию по переданной истории и оценивает только легальные ходы. На отложенных данных точность следующего хода составила 27,68%; доля легальных ходов среди сырых предсказаний top-1 — 87,29%, а точность top-1 с маской легальных ходов — 30,97%. Модель выпущена по лицензии AGPL-3.0.

Экспериментальный чекпойнт проекта dLLM Registers, разработанный Albertge на основе GSAI-ML/LLaDA-8B-Base. Модель предназначена для генерации текста и решения задач длинной арифметики с 5–8 операциями, включая сложение и вычитание чисел в диапазоне до 20. Она обучена методом Chunked GRPO на данных LongArithmetic; опубликованный чекпойнт соответствует шагу 400 обучения. Модель использует диффузионную архитектуру LLaDA и переносит состояние рассуждения между окнами денойзинга через хвостовой канал Markovian Thinking длиной 4 токена; размер чанка составляет 128 токенов. Для корректного инференса нужны соответствующие параметры канала и обёртка из репозитория оценки. Доступны веса Safetensors, библиотека Transformers и интерфейс чата. Лицензия — Apache-2.0.

MedAlpaca-7B — языковая модель для медицинских вопросов и диалогов, разработанная проектом MedAlpaca и дообученная на базе LLaMA. Она содержит 6,6 млрд параметров, использует архитектуру LLaMA с плотной причинной языковой моделью и работает с текстом на английском языке. Модель предназначена для ответов на медицинские вопросы и ведения медицинского диалога, в том числе на уровне знаний, ориентированном на студентов-медиков. Для обучения использовались карточки Anki, материалы Wikidoc, вопросы StackExchange по смежным областям и набор ChatDoctor. Авторы оценивают точность части автоматически подготовленных пар вопросов и ответов из Wikidoc примерно в 70%. Модель не показала подтверждённую эффективность в реальном применении и может хуже справляться за пределами медицины или с запросами, требующими уровня практикующего врача. Её ответы не заменяют консультацию врача. Репозиторий распространяется под лицензией CC; конкретная разновидность лицензии в метаданных не уточнена.

MedGemma-4B ECGInstruct — мультимодальная модель ConvAI Innovations для интерпретации электрокардиограмм. Она дообучена на базе google/medgemma-4b-it на наборе PULSE-ECG/ECGInstruct из 1,15 млн примеров «изображение ЭКГ — текстовая инструкция»; LoRA-адаптер объединён с базовой моделью. Архитектура — плотная Gemma 3 с поддержкой изображений и текста. Модель принимает изображения 12-канальных ЭКГ и текстовые вопросы, а выдаёт текстовые ответы и отчёты на английском языке. Модель предназначена для исследовательских и учебных экспериментов, прототипов поддержки принятия решений и сравнительной оценки алгоритмов анализа ЭКГ. Она может описывать нарушения ритма и проводимости, ишемические изменения, гипертрофию, частоту и ось сердца, а также изменения сегмента ST и зубца T. В README приведены точность токенов при обучении 86,83% и размер около 8,5 ГБ; эти показатели не подтверждают клиническую точность. Ограничения включают преимущественно взрослые данные обучения, возможное снижение качества на детских ЭКГ и редких паттернах, а также зависимость результата от качества изображения и наличия клинического контекста. Модель не валидирована для клинического применения и не должна использоваться для принятия решений о лечении без проверки специалистом. Лицензия — Apache-2.0.

MediKo-9B-A4B-inst — корейская медицинская языковая модель с инструкционной настройкой для диалогов. Она дообучена на базе Qwen/Qwen3-4B и использует архитектуру VocMoE: словарь расширен на 5 000 корейских медицинских токенов, а маршрутизация направляет их к специализированным экспертам. В README указано 9,4 млрд параметров всего и 4,5 млрд активных; метаданные репозитория указывают 3,7 млрд параметров. Контекст составляет 40 960 токенов. Модель предназначена для исследований и обучения в области обработки корейского медицинского текста, включая ответы на вопросы и диалоговые сценарии. В опубликованных тестах приведены результаты по KorMedMCQA, KMMLU-Med, EnMed, KoBEST и HAE-RAE. Модель проверена только на корейском медицинском тексте и может генерировать недостоверные сведения. Её нельзя использовать для диагностики, лечения, назначения препаратов или принятия клинических решений; также не следует передавать ей персональные данные пациентов. Архитектура MoE требует больше памяти, чем сопоставимая плотная модель. Распространяется по лицензии Apache-2.0.

Nexus-Erebus-3M — компактная языковая модель на 3 млн параметров от MaliosDark, обученная с нуля на архитектуре Llama. Она предназначена прежде всего для целочисленной арифметики: сложения, вычитания, умножения, точного деления и выражений с несколькими операциями и скобками. В тесте ArithMark-2 модель показала точность 70,72%; на общих задачах её результаты близки к случайному угадыванию. Токенизатор разбивает цифры на отдельные токены и преобразует числа в порядок от младшего разряда к старшему, чтобы согласовать чтение с переносом разрядов. На вход и выход передаётся обычный текст. Контекст — 512 токенов; для загрузки токенизатора требуется включить trust_remote_code=True. Модель работает через Transformers и распространяется в формате safetensors по лицензии MIT.

Piaget-8B — языковая модель на 7,6 млрд параметров, дообученная gustavecortal на базе Qwen3-8B для рассуждений о психологических и философских темах. Она предназначена для диалоговой генерации текста о самооценке, эмоциях и существовании, а также для ответов на вопросы и рассуждений в этих областях. Модель использует плотную архитектуру Qwen3ForCausalLM, опубликована в формате safetensors и поддерживает контекст до 40 960 токенов. Для дообучения LoRA ранга 8 отобрали психологические и философские примеры из открытых наборов рассуждений; в карточке также указан набор PsychologicalReasoning-15k. Заявленный язык карточки — английский. Модель распространяется по лицензии MIT. Её специализация и обучение на ограниченном наборе тематических рассуждений могут снижать качество ответов за пределами психологии и философии; результаты рассуждений не следует считать профессиональной психологической консультацией.

Psyche-R1 — китайская языковая модель для психологических диалогов и рассуждений, разработанная MindIntLab. Это дообученная версия Qwen/Qwen2.5-7B-Instruct с применением SFT и GRPO на наборе психологических вопросов с подробными обоснованиями и эмпатичных диалогов в один ход. Модель предназначена для ответов на психологические вопросы с сочетанием эмпатии, предметной экспертизы и рассуждения. В README сообщается о результатах, сопоставимых с DeepSeek-R1 на нескольких психологических тестах, а также о более высокой эмпатичности по сравнению с базовым результатом на тесте SoulChat2.0. Подробные параметры обучения обещаны позднее. Модель принимает текст и генерирует текст; карточка указывает китайский язык. Она распространяется по лицензии Apache-2.0. Результаты на бенчмарках не гарантируют точности или пригодности ответов в реальных психологических ситуациях.

PsycoLLM — чат-модель на базе Qwen1.5, дообученная MindIntLab на наборах вопросов и ответов, датасетах и диалогах. Она предназначена для генерации текста в диалоге, в частности для ответов на вопросы и ведения беседы в психологическом контексте. Модель использует плотную архитектуру Qwen2ForCausalLM, содержит 13,4 млрд параметров и поддерживает контекст до 32 768 токенов. Она принимает текст и генерирует текст; базовая Qwen1.5-14B-Chat описана как многоязычная, но конкретный перечень языков PsycoLLM не приведён. В README приведено значение Loss 1,3823 на оценочном наборе, но не раскрыты состав данных и методика оценки. Указано, что датасет планируют опубликовать позднее. Лицензия в метаданных обозначена как other.

Compactbot/tinystories-50m — небольшая авторская трансформерная языковая модель TinyStoriesGPT, обученная с нуля на корпусе детских историй TinyStories. Она предназначена для генерации простых англоязычных детских рассказов и изучения того, как компактная модель осваивает узкую тематическую область. Модель содержит 56,9 млн параметров, имеет 16 слоёв и использует BPE-токенизатор с размером словаря 12 288. Веса представлены в формате safetensors. На отложенной выборке TinyStories указана лучшая perplexity около 3,99; генерации в знакомой области описаны как связные, с отдельными логическими огрехами. Качество заметно снижается за пределами детских историй: модель не предназначена для общего текста, кода или математики. Репозиторий распространяется по лицензии Apache-2.0.

ishikaa/acquisition_generator_AS_answer_variance_medmcqa_qwen7b — генеративная языковая модель на базе семейства Qwen2, опубликованная пользователем ishikaa на Hugging Face. Модель содержит около 7,1 млрд параметров, работает через библиотеку Transformers и поддерживает контекст до 32 768 токенов. По названию репозитория модель предназначена для генерации ответов и анализа вариативности ответов в сценариях, связанных с датасетом MedMCQA. Она может использоваться для экспериментов с медицинскими вопросами и ответами, однако README не содержит сведений о методе дообучения, языках, разработчике, лицензии, результатах оценки или точных рекомендациях по применению.

A.X-3.1-Light Success-Consolidation MuSR (correct_all) — корейская языковая модель для многошаговых рассуждений и вычислений в задачах формата MuSR. Она разработана на основе skt/A.X-3.1-Light: к модели применили supervised fine-tuning с LoRA, затем объединили адаптер с базовыми весами. Итоговая плотная архитектура Llama содержит 6,8 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель обучена на 3 000 задачах с многошаговыми вычислениями из экономической и спортивной тематики. Для обучения отбирали примеры, в которых базовая модель устойчиво давала правильный ответ в нескольких условиях, и использовали её собственные рассуждения как обучающие цели. Модель предназначена для исследований и оценки корейских рассуждений, а также для генерации ответов с обоснованием. Она распространяется в формате BF16 safetensors по лицензии Apache-2.0. В локальной диагностике целевой показатель MuSR почти не изменился относительно базовой модели, а результат на CLIcK снизился; автор отмечает, что локальная проверка может не отражать официальные результаты. Генерация может быть неточной, поэтому модель не следует использовать как единственное основание для решений с высокими последствиями.

bitcoin-news-1.7b — компактная языковая модель для генерации текста, разработанная на базе Qwen/Qwen3-1.7B и дообученная для ответов на вопросы о Bitcoin и криптовалютах. Модель ориентирована прежде всего на начинающих пользователей и рассчитана на автономную работу на устройствах с ограниченными ресурсами, включая смартфоны, без подключения к интернету. Модель поддерживает текстовый ввод и вывод на английском языке. Она обучалась на образовательных материалах Bitcoin.com, расшифровках видео Bitcoin.com, примерах отказа от ответов на вопросы о实时ных данных и наборе общих инструкций UltraChat. Доступны GGUF-варианты с 4-битным представлением; одна из конфигураций использует Q1_0 для слоёв и Q4_K для эмбеддингов, чтобы уменьшить размер при сохранении качества. Размер файлов составляет примерно 768–935 МБ. Сильными сторонами модели являются специализация на основах Bitcoin, криптовалютных концепциях, практических сценариях и безопасном поведении при запросах о текущих ценах, новостях и других实时ных данных: такие сведения она должна отклонять, а не выдумывать. Ограничения включают небольшой размер, возможные ошибки и непригодность для финансовых решений. Вариант Q1_0 не имеет OpenCL-ядра для GPU Mali и на таких устройствах использует CPU. Модель распространяется по лицензии Apache-2.0.

Maika Buddy — разговорная модель для BuddyOS, разработанная для интерактивного общения с детьми и предназначенная для использования в игрушках с ИИ. Модель дообучена на специализированном детском диалоговом наборе данных на основе Microsoft Phi-3. Это плотная авторегрессионная языковая модель с 3,7 млрд параметров, поддержкой чата и контекстом до 4096 токенов; веса доступны в формате Safetensors. Модель рассчитана на диалоги, которые помогают детям выражать мысли, задавать вопросы и практиковать активное слушание в доброжелательной обстановке. Она также побуждает к играм на свежем воздухе, творческим занятиям и общению с семьёй и друзьями. Карточка не приводит сведения о лицензии, поэтому условия использования по ней определить нельзя.

MathBananaMind-1.1 — компактная специализированная языковая модель BananaMind, обученная с нуля для продолжения целочисленных арифметических выражений. Это причинный decoder-only Transformer в стиле Llama с собственной архитектурой, 9 слоями и примерно 3,9 млн параметров; модель использует byte-level BPE-токенизатор на 8 тысяч токенов с отдельным токеном для каждой цифры. Контекст составляет 1024 токена. Модель предназначена для вычисления результатов выражений со сложением, вычитанием, умножением и точным делением, включая выражения с несколькими операциями, стандартным приоритетом операций и скобками. В README сообщается результат 90,28% на ArithMark 2.0 по официальной метрике raw summed continuation log-likelihood; оценка выполнена разработчиком на всех 2500 примерах бенчмарка. Модель обучалась только на синтетической целочисленной арифметике и не является чат-ассистентом или универсальной языковой моделью. Для загрузки через Transformers требуется пользовательский код архитектуры и параметр trust_remote_code=True. Заявленные сценарии включают исследования малых арифметических моделей, оценивание правдоподобия продолжений и эксперименты с токенизаторами; качество может существенно зависеть от формата выражения и состава задач, а метрика бенчмарка отражает выбор продолжения, а не универсальную пригодность к вычислениям. Лицензия — Apache-2.0.

SeongryongJung/Qwen3-8B-Physics-RLRT-TR — экспериментальный чекпойнт модели Qwen3-8B, обученный разработчиком для задач физики методом RLRT-TR с размером пакета 32. Это плотная авторегрессионная языковая модель с архитектурой Qwen3ForCausalLM, примерно 7,6 млрд параметров и контекстом до 40 960 токенов. Модель принимает текст и генерирует текст; в карточке указано семейство Qwen3, но отдельный список поддерживаемых естественных языков не приведён. Чекпойнт выбран по валидационному показателю mean@16; README сообщает результат 0,00% для датасета Physics на шаге 100. Модель может служить экспериментальной основой для генерации ответов и решений по физическим задачам, однако опубликованный результат не демонстрирует успешного решения на указанной валидации. Веса доступны в формате safetensors, библиотека — Transformers; лицензия — Apache-2.0.

Модель Snehangshu Bhuin — авторская языковая модель с архитектурой GPT-2, обученная с нуля на наборе TinyStories. Она содержит около 124 млн параметров и реализована на PyTorch как декодерный трансформер с 12 блоками, причинной маской и связанными весами эмбеддингов и выходного слоя. Для загрузки используется собственная обёртка архитектуры; карточка указывает библиотеку PyTorch и лицензию MIT. Модель предназначена для продолжения коротких англоязычных историй в стиле детских рассказов. Её контекстное окно — 128 токенов; модель не дообучалась для следования инструкциям и не подходит для общих вопросов или сложных рассуждений. Возможны повторы фраз и потеря связности при длинной генерации.