IV.5Образование и развитие навыков

Это компактная авторегрессионная GPT-2 Small, дообученная автором на примерно 2 400 предложениях из корейских государственных учебников 미래앤 для первого класса начальной школы. Модель предназначена для генерации продолжения текста на корейском языке в тематике этих учебников. Используется byte-level BPE-токенизатор, обученный на тех же предложениях; автор отмечает, что размер его словаря согласован с исходным GPT-2. Контекст составляет 1 024 токена, веса представлены в формате PyTorch. Модель может служить экспериментальным примером генерации простых корейских учебных текстов для начальной школы. Небольшой обучающий набор ограничивает тематическое и языковое покрытие, а качество и фактическая точность генерации отдельно не подтверждены. Сведения о лицензии в предоставленных материалах отсутствуют.

A.X-3.1-Light SFT Source Screen 71875 — модель SKT, дообученная автором репозитория на корейских примерах вопросов и ответов из набора AI Hub 71875 «Essential Medical Knowledge». Это плотная причинная языковая модель архитектуры Llama на 6,8 млрд параметров, полученная методом LoRA supervised fine-tuning за одну эпоху; адаптер затем объединён с базовыми весами, поэтому для инференса отдельный адаптер не нужен. Репозиторий содержит самостоятельные веса BF16 в формате safetensors, рассчитанные на загрузку через Transformers или vLLM. Контекст базовой модели — 32 768 токенов. Модель предназначена для генерации коротких ответов на корейском языке по вопросам из области обязательных медицинских знаний. Формат ответа ставит ответ на первое место и может выдавать метку, число, краткий ответ или пояснение. Обучающая выборка включала 3 000 отобранных примеров; примеры длиннее 2 048 токенов шаблона чата исключались. Модель может помочь в контролируемой оценке и исследовании корейских медицинских QA-сценариев. Автор предупреждает, что результаты могут содержать ошибки и не заменяют профессиональное медицинское суждение. Указано исследовательское и контролируемое применение; лицензия модели — Apache-2.0, при этом для датасета AI Hub 71875 продолжают действовать его условия использования.

BabyBERTa-1 — компактная модель семейства RoBERTa для языковых исследований, разработанная Филипом Хюбнером из лаборатории Language and Learning Lab Университета Иллинойса. Модель содержит 10,5 млн параметров и обучена на 5 млн слов американского английского языка, адресованных детям. Она предназначена для изучения усвоения языка и грамматических знаний по детской речи, а также для заполнения маскированных слов в английском тексте. Модель оценивает грамматические знания на наборе Zorro; для BabyBERTa-1 в карточке приведена точность 80,3 при holistic scoring и 79,9 при MLM-scoring. Максимальный контекст — 130 токенов. Это одна из трёх случайно выбранных моделей из десяти обученных для исследования. Для корректной работы токенизатора требуется параметр add_prefix_space=True. Сведения о лицензии в предоставленных данных отсутствуют.

Beck-8B — англоязычная разговорная языковая модель на 7,6 млрд параметров, разработанная gustavecortal на основе Piaget-8B. Это дообученная плотная модель семейства Qwen3 для генерации ответов в диалоге. Она предназначена для поддержки разговоров о психологических и философских темах, включая эмоции, самооценку, тревогу и принятие решений; при обучении использовались preference optimization ORPO, LoRA и данные психологических рассуждений и предпочтений в психотерапевтических ответах. Модель принимает текст и генерирует текст, поддерживает контекст длиной до 40 960 токенов и распространяется в формате safetensors. Пример в карточке показывает эмпатичный, практико-ориентированный ответ на переживания по поводу принятия решений. Лицензия — MIT. Карточка не подтверждает клиническую эффективность или пригодность для диагностики и лечения; ответы следует рассматривать как общую разговорную поддержку.

Genera — модель классификации изображений облаков, разработанная Mubarak Numan. Она анализирует снимки неба с земли и относит облака к одному из 12 классов: Altocumulus, Altostratus, Cirrocumulus, Cirrostratus, Cirrus, Clear Sky, Contrail, Cumulonimbus, Cumulus, Nimbostratus, Stratocumulus или Stratus. Модель построена на архитектуре RepVGG с механизмом внимания NECA и обучена на наборе UGCI. Модель предназначена для автоматической идентификации облаков на полнокадровых и частичных снимках неба, поддержки метеорологических наблюдений, образовательных проектов и гражданской науки. README описывает сохранение в формате Keras и демонстрацию с графическим интерфейсом Streamlit; метаданные указывают формат TensorFlow. Лицензия — MIT. Качество может снижаться на изображениях, снятых камерами и в условиях освещения, отличающихся от обучающих данных, а также при сильных препятствиях в кадре; редкие классы могут распознаваться менее надёжно. Модель определяет только основной род облаков: она не распознаёт разновидности и сопутствующие признаки и не прогнозирует осадки или другие погодные явления.

Модель tonymocchi/gpt2_small_morphTokenizer — компактная авторегрессионная GPT-2 Small, дообученная на 2 400 предложениях из корейского учебника для первого класса начальной школы, изданного 미래앤. Она предназначена для генерации продолжения текста на корейском языке. Модель использует архитектуру GPT-2 и файлы PyTorch; контекст ограничен 1 024 токенами. В карточке указано, что используется стандартный токенизатор GPT-2. Модель подходит для экспериментов с генерацией простых корейских текстов на основе школьного учебного материала. Небольшой объём обучающих данных и узкая тематика ограничивают разнообразие и надёжность ответов; модель не следует считать универсальной разговорной системой. Лицензия в предоставленных данных не указана.

Kimina-Autoformalizer-7B — модель автоматической формализации от Project Numina. Она преобразует естественно-языковые описания олимпиадных задач в код Lean 4, завершающийся `by sorry`, то есть формализует условие, оставляя доказательство незаполненным. Модель основана на Qwen/Qwen2.5-Coder-7B-Instruct и дообучена для этой задачи. Это плотная модель семейства Qwen2 с 7,1 млрд параметров, рассчитанная на генерацию текста; метаданные указывают контекст до 32 768 токенов и библиотеку Transformers. Карточка показывает сценарий использования с vLLM. Модель предназначена для подготовки формальных постановок математических задач в Lean 4 и не заявлена как средство автоматического завершения доказательств. В карточке указан английский язык. Лицензия — Apache-2.0.

yuyijiong разработал экспериментальную разговорную языковую модель-калькулятор на основе Qwen2.5-1.5B-Instruct. Это плотная модель Qwen2 с 1,5 млрд параметров, предназначенная для генерации ответов с вычислениями в тексте; поддерживает контекст до 32 768 токенов и английский язык. Версия 0.1 выполняет сложение, вычитание и умножение чисел до 10 цифр: сложение — нескольких чисел, вычитание и умножение — двух чисел. Для вычислений модель использует цепочку рассуждений, поэтому ответы могут формироваться долго. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Модель 409Rossiwan/thai-qa-lab-model — дообученная версия Thai GPT-2, созданная студенткой Росьсиван Праситтикунват из Университета Мэйчжо. Она предназначена для генерации ответов на вопросы на тайском языке о китах. Модель использует архитектуру GPT-2 и файлы весов в формате safetensors; максимальная длина контекста составляет 1024 токена. В метаданных указан набор данных whale_3000. Модель подходит для прототипов и учебных задач, связанных с вопросами о китах на тайском языке. Сведений о точности, оценке качества и ограничениях ответов в карточке нет, поэтому фактические ответы следует проверять. Лицензия — MIT.

Thai GPT-2 Fine-Tuned — генеративная языковая модель на базе GPT-2, дообученная студентом Paphungkon на наборе данных disease_3000, содержащем 3 000 пар вопросов и ответов о заболеваниях. Модель предназначена для генерации ответов на вопросы на тайском языке и может использоваться в прототипах систем медицинских вопросов и ответов. Модель работает с текстом, поддерживает тайский язык и имеет нативную длину контекста 1 024 токена. В метаданных указаны формат safetensors, задача text-generation и лицензия MIT. Специализация на небольшой тематической выборке может быть полезна для учебных и экспериментальных проектов, но не гарантирует полноту, точность или актуальность медицинских ответов. Модель не следует использовать как замену врачу, для постановки диагноза или принятия решений о лечении. Возможны галлюцинации, устаревшие сведения и ошибки за пределами тематики и формулировок обучающего набора; перед применением в медицинских сценариях необходимы проверка специалистом и дополнительная оценка.

Thai GPT-2 — генеративная языковая модель, дообученная студентом worxrit17 на наборе данных disease_3000, содержащем 3 000 пар вопросов и ответов о заболеваниях. Модель предназначена для генерации ответов на вопросы на тайском языке в медицинском контексте. Модель использует архитектуру GPT-2, поддерживает тайский язык и имеет нативную длину контекста 1 024 токена. Основной сценарий — формирование ответов по вопросам о заболеваниях; модель может применяться в прототипах тайскоязычных систем вопросов и ответов и образовательных сервисах. Модель выпущена под лицензией MIT. В карточке отсутствуют сведения о размере модели, точных параметрах обучения, результатах оценки, ограничениях качества и безопасной эксплуатации, поэтому ответы не следует использовать как замену консультации медицинского специалиста.

Arithmetic-SLM — компактная языковая модель WhirlwindAI, предназначенная для продолжения арифметических выражений. Это плотная причинная архитектура TinyGPTForCausalLM на 21,7 млн параметров, подготовленная для Transformers и сохранённая в формате safetensors. Модель рассчитана прежде всего на числовые операции, преимущественно с двузначными числами: она учится продолжать выражения с несколькими операциями и скобками, учитывать приоритет операций и работать с десятичной арифметикой. Контекст составляет 2048 токенов; в метаданных указан английский язык. Модель ориентирована на эффективные эксперименты с арифметическим продолжением, а не на роль универсального чат-бота. В README также перечислены планы будущих исследований, включая вычисления с числами FP16 и скалярные произведения; это направления дальнейшей работы, а не подтверждённые возможности текущей версии. Лицензия — Apache 2.0. Карточка описывает проект как эксперимент, поэтому точность на произвольных выражениях и пригодность для критичных вычислений не подтверждены.

A.X-3.1-Light Success-Consolidation MuSR (correct_unstable) — корейская разговорная модель на базе skt/A.X-3.1-Light, разработанная путём дообучения с учителем и последующего объединения LoRA-адаптера с базовыми весами. Это плотная Llama-архитектура класса LlamaForCausalLM с 6,8 млрд параметров, контекстом 32 768 токенов и весами BF16 в формате safetensors. Модель предназначена для исследований и оценки многошаговых рассуждений на корейском языке, в частности задач MuSR с числовыми вычислениями по экономическим и спортивным данным. В обучении использованы 3 000 примеров из AI Hub 71568: модель училась давать ответ с обоснованием и повышать устойчивость к изменению формата и порядка вариантов. Поддерживает генерацию текста и диалоговый сценарий. Локальная диагностика показала почти неизменный результат на целевом наборе MuSR и снижение результата на CLIcK; авторы указывают, что эти пробы не всегда отражают официальные результаты. Генерация может быть неточной, поэтому модель не следует использовать как единственное основание для решений с высокими последствиями. Лицензия — Apache-2.0.

Bible-Assistant-Qwen3.5-4B-v2-GGUF — набор GGUF-квантизированных версий модели Bible-Assistant-Qwen3.5-4B-v2, разработанной Ttimms на базе Qwen3.5-4B от Qwen. Модель дообучена методом SFT на 56 тысячах примеров и предназначена для retrieval-augmented question answering по Библии: она получает найденные библейские стихи в блоке Context и отвечает на вопросы с опорой на этот контекст. Поддерживает английский язык и сценарии генерации текста; размер базовой модели — 4B параметров, а доступные файлы имеют размеры от 2,5 до 8,4 ГБ в зависимости от квантизации и точности. Формат GGUF рассчитан на запуск через llama.cpp и совместимые приложения, включая LM Studio, koboldcpp, Jan и text-generation-webui. Архитектура Qwen3.5 — гибридная, сочетающая Gated-DeltaNet и attention; требуется свежая версия llama.cpp с поддержкой архитектуры qwen35. Для этой версии рекомендуется отключать режим рассуждений, поскольку модель обучалась без трасс <think>. Сильная сторона модели — точное воспроизведение стихов при использовании RAG, однако открытые тематические ответы слабее; версия v2 устарела и сохранена главным образом для воспроизводимости. Модель не предназначена для использования без контекста, медицинских, юридических или финансовых консультаций, психологического консультирования и вынесения авторитетных богословских суждений. Веса распространяются по лицензии Apache-2.0, код проекта — MIT, библейские переводы находятся в общественном достоянии.

Модель tiantiaf/childvox-ReCANVo-whisper-large разработана для классификации вокализаций детей и молодых взрослых. Это дообученная на корпусе ReCANVo модель Whisper large-v3, опубликованная как реализация классификатора из работы ChildVox, принятой на основную конференцию EMNLP 2026. Она принимает аудио и относит вокализацию к одной из шести категорий: delighted, dysregulated, frustrated, request, self-talk или social. Базовая модель Whisper large-v3 мультиязычная; карточка позиционирует эту модель для классификации детских вокализаций. Модель подходит для исследовательского анализа аудиозаписей и изучения типов вокализаций. Данные детской речи чувствительны: карточка требует учитывать согласие семей, этическое одобрение и применимые законы. Модель не предназначена для клинической диагностики, индивидуальной оценки развития без экспертной проверки, наблюдения или вторжения в частную жизнь; коммерческое использование исключено. Лицензия — OpenRAIL.

HuggingFaceTB разработала эту экспериментальную модель в рамках серии абляций FineMath: это плотная авторегрессионная модель семейства Llama, полученная продолжением предобучения Llama 3.2 3B. В модели около 3,2 млрд параметров, контекст составляет 4096 токенов; веса опубликованы в формате Safetensors, лицензия — Apache 2.0. Модель обучалась продолжать текст на английском языке с уклоном в математику. В обучении использовалась смесь FineWeb-Edu, FineMath-3+ и InfiWebMath-3+; README сообщает о 160 млрд токенов, тогда как раздел характеристик указывает 60 млрд токенов и 60 тысяч шагов. Модель не проходила инструкционное дообучение, поэтому предназначена прежде всего для текстового продолжения и сравнения результатов абляционных экспериментов, а не для диалогового использования как готовый помощник. Её специализация на математических данных может быть полезна для генерации математического текста, но качество решения задач не гарантируется. Преимущественно английские обучающие данные ограничивают ожидаемую эффективность на других языках; поведение также зависит от качества и разнообразия данных и может отражать их предвзятость или вредное содержание.

balalida/gpt-22M-tinystories — небольшая авторегрессионная языковая модель, опубликованная как учебный проект для задания Stanford CS336 Assignment 1. Это четырёхслойный декодерный Transformer с 17,6 млн параметров, byte-level BPE-токенизатором, контекстом 256 токенов, шириной 512, 16 головами внимания, SwiGLU, RMSNorm и RoPE. Веса и голова языкового моделирования не разделяют эмбеддинги. Модель обучена на TinyStories и предназначена для продолжения коротких историй и экспериментов с генерацией текста. В карточке указана валидационная потеря 1,389844 на токен и 311 296 000 обучающих токенов в линии этого чекпойнта. Модель может галлюцинировать, повторяться и выдавать неверную информацию. Сведения о лицензии в доступных данных отсутствуют.

Это дообученная версия HyperCLOVA X SEED Think 14B от NAVER: плотная языковая модель на 14,1 млрд параметров для генерации текста и диалогов, ориентированная прежде всего на корейский язык. Репозиторий содержит самостоятельные веса BF16, полученные дообучением базовой модели с помощью LoRA и последующим объединением весов. Контекст модели — до 131 072 токенов. Модель создана как экспериментальная ветвь для проверки влияния краткого обоснования в целевых ответах на результат в корейском бенчмарке K-AI. Её дообучали на 512 примерах медицинских вопросов и ответов из AI Hub 71875: ответы оформлены в схеме «정답: … 근거: …», где сначала указывается вариант, затем краткое основание. Она может быть полезна для корейских вопросов с выбором ответа и генерации ответов с обоснованием. В описании указаны успешные проверки весов на NaN/Inf и генерации на синтетических пробах; публичные тестовые данные бенчмарка не использовались при обучении. Это не подтверждает качество на широком наборе медицинских задач. Лицензия обозначена как other, поэтому перед использованием следует проверить условия лицензирования исходной и производной моделей.

IncorrectTraceSFT · MATH random mask 80 — полноценно дообученная модель Qwen2.5-7B, опубликованная Suryadv как чекпойнт условия random_mask_80 в эксперименте по использованию ошибочных трасс рассуждений при supervised fine-tuning. Модель предназначена для исследований математических рассуждений и влияния отбора обучающих данных на качество ответов по математическим задачам. Это плотная авторегрессионная языковая модель Qwen2 с 7,1 млрд параметров, принимающая текст и генерирующая текст. В обучении использовался набор OpenR1-Math-220k; чекпойнт создан после 125 шагов оптимизации. Метаданные указывают контекст до 131 072 токенов и поддержку английского языка. Весовые файлы в формате safetensors; токенизатор и шаблон чата сохранены. Модель основана на Qwen/Qwen2.5-7B и распространяется по лицензии Apache-2.0. Чекпойнт рассчитан на исследовательскую оценку математических ответов, а не на подтверждённую широкую эксплуатацию. README предупреждает, что правильность итоговых ответов в обучающих данных не означает проверенность промежуточных рассуждений; сведения об экспозиции задач в предобучении нельзя вывести из определения ID/OOD в эксперименте.

Модель разработал Nasser Elsaman: это англоязычный классификатор, дообученный на microsoft/MiniLM-L12-H384-uncased для оценки пяти черт личности по тексту — доброжелательности, добросовестности, экстраверсии, нейротизма и открытости опыту. Она принимает текст с ответами на утверждения о себе и предсказывает профиль Big Five; в README заявлена точность свыше 97%, однако описание не уточняет методику оценки этой метрики. Модель построена на MiniLM, использует токенизатор с максимальной длиной 275 токенов, а веса опубликованы в формате safetensors. Автор позиционирует модель для обучения и исследований, а также для получения ориентировочной оценки собственных черт. Прогнозы могут отражать смещения обучающего набора и не должны служить основанием для значимых решений о людях, например при найме, обучении или в юридической сфере. Для пользователей, не подпадающих под условия лицензии MIT, применяются условия этой лицензии; README отдельно ограничивает предполагаемое назначение образовательными и исследовательскими сценариями.

bhautikv/mini-gpt-tinystories — компактная языковая модель в стиле GPT-2, созданная разработчиком с нуля и обученная на наборе TinyStories из коротких синтетических рассказов. Модель содержит около 17,7 млн параметров и использует декодерный трансформер GPT-2; контекст ограничен 256 токенами. Репозиторий содержит веса в формате safetensors, для работы указана библиотека Transformers. Модель предназначена для генерации простых детских историй на английском языке, учебных демонстраций обучения небольших языковых моделей и экспериментов с архитектурой GPT-2 и распределённым обучением. Разработчик приводит значения perplexity 4,81 и validation loss 1,5902 на рассказах TinyStories; эти результаты относятся к узкому домену обучения. Малый размер и ограниченный контекст затрудняют создание сложного и длинного текста. Модель может быть повторяющейся или бессвязной за пределами коротких историй и не предназначена для производственной генерации или сложных тем. Лицензия — MIT.

Модель nandansarkar/model_200m_21B-sft-easy-800-900 — компактная текстовая генеративная модель семейства Qwen3, дообученная автором в течение 8 эпох методом SFT на простых головоломках рейтинга 800–900. В README указано, что обучение использовало цепочки рассуждений с разделителями траекторий и не использовало метки. Модель предназначена для генерации текста при решении простых головоломок. Она содержит 165,2 млн параметров, использует архитектуру Qwen3ForCausalLM и рассчитана на контекст до 3072 токенов. Доступные веса представлены в формате safetensors; лицензия — MIT. Карточка не уточняет поддерживаемые естественные языки и конкретные типы головоломок, поэтому применимость за пределами описанного набора простых задач не установлена.

Модель davidheineman/opd-teacher-Q2.5I-Multiplication-step149 — экспериментальный учительский чекпойнт на основе Qwen2.5-1.5B-Instruct, разработанный David Heineman. Она дообучена методом GRPO в среде Multiplication на сложности 0 после 150 обновлений и предназначена для эксперимента по on-policy дистилляции с 32 средами. Модель использует плотную архитектуру Qwen2 и принимает текст, генерируя текст; размер составляет 1,5 млрд параметров, контекст — до 32 768 токенов. Чекпойнт преобразован из финального нативного состояния обучения в формат Hugging Face safetensors; в README подтверждена проверка имён и форм тензоров относительно базовой модели. Лицензия — Apache-2.0, унаследованная от Qwen. Это специализированная экспериментальная модель для задач умножения и дистилляции, а не универсальная замена базовой инструктивной модели.

PhonoQ 2.0 English — модель распознавания фонологических признаков английской речи по кадрам. Она выдаёт условное представление из 22 признаков и вероятности для способа образования звука, высоты и ряда гласного, места образования и звонкости. Модель предназначена для анализа речевого сигнала и получения временно выровненных фонологических характеристик, например для изучения произношения или построения систем фонетического анализа. Модель реализована на базе Transformers с архитектурой PhonoQForFeatureRecognition и принимает аудио. Для загрузки требуется пользовательский код Transformers с параметром trust_remote_code=True. В репозитории также есть best.ckpt для совместимости с PhonoQ CLI. Лицензия и размер модели в предоставленных данных не указаны.

PhysisML Italian curriculum 0-12 — экспериментальная небольшая языковая модель, разработанная автором speleoalex и обученная с нуля на итальянском языке по ступенчатой учебной программе. Это декодерный трансформер с 23,6 млн параметров, контекстом 128 токенов и byte-level BPE-токенизатором; веса доступны в форматах Safetensors и GGUF. Модель принимает текст и генерирует текст. Модель предназначена для коротких вопросов и ответов на итальянском языке в узком мире знакомых существительных и глаголов. Обучение шло от звуков и слогов к словам, грамматике, диалогам и литературным примерам; README описывает также проверку того, различает ли модель знакомые и незнакомые понятия. Это исследовательский превью-эксперимент, а не универсальный ассистент. В опубликованных оценках точность на текущем наборе целевых заданий составляет 84%, а на более сложных заданиях последнего уровня — 57%. Модель плохо переносит поведение на незнакомые слова и формулировки: может путать объекты, давать неверные ответы или выдумывать сведения. Лицензия — MIT.

Qwen2.5-3B-Instruct-Sheldon-Combined-v1 — экспериментальная разговорная модель tbooy, созданная полным дообучением Qwen2.5-3B-Instruct-Sheldon-RLVR-math-v2-fullft. Она сочетает продолжение обучения на задачах конкурсной математики с оптимизацией персонажа доктора Шелдона Купера; архитектура — плотная Qwen2, около 3,1 млрд параметров, формат весов — BF16 Safetensors, максимальный контекст — 32 768 токенов. Модель предназначена для генерации ответов в чате, решения математических задач и сравнения подходов к настройке разговорного персонажа. В оценке математические результаты остались близки к исходной модели, а некоторые нежелательные речевые шаблоны персонажа исчезли. При этом ответы стали заметно короче и менее характерными для Шелдона: модель редко упоминает персонажей, не использует фирменное «Bazinga» и по голосу не превосходит исходную. Авторы выпустили её для сравнения и анализа, а не рекомендуют как лучший вариант модели Шелдона. Лицензия указана как other; конкретные условия в доступных данных не описаны.

Qwen2.5-3B-Instruct-Sheldon-SFT-v3b — англоязычная чат-модель на базе Qwen2.5-3B-Instruct, дообученная командой проекта Harvard CS 2881R методом LoRA для ответов в манере Шелдона Купера. Адаптер объединён с базовой моделью; опубликованы веса bf16 в формате safetensors. Модель содержит около 3,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для диалоговых запросов и пошаговых арифметических задач уровня GSM8K. В математических ответах обычно даёт короткое педантичное вступление, отдельную строку для каждой операции и итог в формате \boxed{}. Для запуска чата подходят выборочные параметры генерации около T=0,7; при жадном декодировании чаще повторяются начала ответов. Дообучение улучшило форматирование решений GSM8K, но точность модели на этом наборе составляет 63,2% против 86,7% у базовой модели. Модель также может выдумывать фактические детали в характерных репликах, поэтому такие сведения не следует считать надёжными. README указывает, что модель наследует Research License базовой Qwen2.5-3B-Instruct.

Maykeye разработал экспериментальную PoC-модель TinyLLama-v0 — компактную причинно-авторегрессионную языковую модель семейства Llama для генерации текста. Это первая версия воспроизведения roneneldan/TinyStories-1M с архитектурой Llama; для обучения использовался корпус TinyStoriesV2-GPT4 и токенизатор open_llama_3b. Модель содержит 2,6 млн параметров, поддерживает контекст до 2048 токенов и доступна в форматах PyTorch, ONNX и Safetensors. Модель предназначена для экспериментов с обучением и генерацией коротких историй. Автор отмечает, что обучение обрезает истории длиннее контекста и не использует скользящее окно, поэтому такие истории не обучаются целиком. Карточка называет эту версию крайне ранним доказательством концепции. Лицензия — Apache-2.0.

VityaVitalich выпустил экспериментальную модель 1PP 1.7B raw, дообученную методом GRPO на наборе GSM8K поверх Raghav-Singhal/1pp-1.7b-raw-sft. Это плотная авторегрессионная модель семейства Llama примерно на 1,6 млрд параметров; она принимает текст и генерирует текст, а контекст составляет 4096 токенов. Модель предназначена для генерации решений математических задач начального и среднего школьного уровня и экспериментов по обучению с подкреплением. В описанном запуске использовано 100 шагов GRPO; автор сообщает рост pass@1 на тесте GSM8K с 0,0081 до 0,0369 и pass@16 с 0,0715 до 0,1818. Эти результаты относятся к оценке с 16 генерациями на вопрос при температуре 1,0. Модель подходит для изучения влияния GRPO и проверки математических рассуждений, но показатели остаются низкими для надёжного решения задач. Автор также отмечает заметную вариативность между запусками, поэтому сравнение с родственными вариантами по одному запуску ненадёжно. Веса опубликованы в формате safetensors и bf16; основная ветка соответствует шагу 100, также доступны промежуточные контрольные точки. README и метаданные не содержат сведений о лицензии, поэтому условия использования по ним установить нельзя.

Bird-Species-Classifier-526 — модель классификации изображений птиц, разработанная PrithivMLmods на основе Google SigLIP 2 Base Patch16-224 и дообученная для однозначного определения вида птицы на изображении. Она использует архитектуру SiglipForImageClassification и предназначена для распознавания видов птиц по фотографиям. Модель подходит для идентификации птиц в задачах наблюдения за дикой природой, экологического мониторинга, обучения и создания приложений распознавания видов. В README указаны точность 0,8992 и F1-мера 0,8985 на тестовых данных; эти показатели относятся к описанному в карточке тестированию и не гарантируют такое же качество на других изображениях. Модель принимает изображения и выдаёт метку класса. В репозитории используются веса Safetensors, библиотека Transformers, лицензия Apache-2.0. Основана на визуальном энкодере SigLIP 2 с входным разрешением 224 пикселя; карточка не описывает работу с другими объектами или видами классификации.