IV.5Образование и развитие навыков

Cosmos-H-Surgical v0.3.1 — модель NVIDIA для генерации и преобразования хирургического видео. Она построена на Cosmos3-Nano и использует диффузионный трансформер с объединёнными языковым и видеопутями. Основной чекпойнт предназначен для предсказания следующих 92 кадров по стартовому изображению и структурированному текстовому описанию, а также для переноса симуляции в реалистичное видео по контрольному видео размытия, глубины, сегментации или контуров. В комплект также входит дистиллированный вариант DMD2 для переноса с четырьмя вызовами денойзера вместо 50 шагов основного чекпойнта. Модель обучалась на синтетических хирургических видео и данных GraSP с роботизированных операций. Для инференса в README указаны BF16, Linux и проверка на NVIDIA Hopper; задержки измерялись на H100 80 GB. Модель рассчитана на исследования хирургической робототехники и генерацию синтетических видео, но не на клиническую диагностику или автономные клинические решения. Лицензия обозначена как other; README заявляет возможность коммерческого и некоммерческого использования.

GrabbeAI — специализированная модель и AI-система для Christian-Dietrich-Grabbe-Gymnasium в Детмольде, Германия. Проект разработан для школьного сообщества и официально запущен в январе 2025 года. Согласно README, модель дообучена на основе OpenAI GPT-4o mini и предназначена для интеграции с веб-приложением школы и её официальным сайтом. Модель ориентирована на ответы на вопросы, связанные со школьной жизнью: расписанием, заданиями, часто задаваемыми вопросами, мероприятиями, правилами, контактами преподавателей и учебными материалами. Целевыми пользователями являются учащиеся, учителя и родители. Для формирования ответов используется специализированный набор данных с FAQ, каталогами сотрудников, документами и другими ресурсами школы. Указан немецкий язык; сведения о поддержке других языков, размере модели, точной архитектуре и максимальном контексте отсутствуют. Сильной стороной GrabbeAI является адаптация к конкретной предметной области и данным одной школы, что может повышать полезность ответов в локальных сценариях. Ограничения связаны с узкой специализацией и зависимостью от актуальности школьных данных; README также не приводит независимых оценок качества, точных параметров модели или подробностей реализации дообучения. Для модели указана лицензия gemma.

Haru v3 Teacher IT — модель HaruDense с 42,4 млн параметров по метаданным. Её разработали как экспериментальную инструкционную модель для генерации детских историй на корейском языке и как учителя для дистилляции меньших моделей. Для диалогового использования предназначен chat template; архитектура — причинный декодер с 16 слоями и полным вниманием. Контекст составляет 1 024 токена. Модель принимает текст и генерирует текст. В тестах на программно созданных заданиях точное совпадение составило 53/70 для знакомых сущностей и шаблонов, 9/70 для новых сущностей и 0/70 при изменении сущностей и шаблонов. В историях модель может терять предметы, обещания и связность событий; надёжное следование инструкциям, фактические ответы и общее рассуждение не подтверждены. Репозиторий распространяется по лицензии MIT.

Llamarine — специализированная языковая модель для морской навигации и судовождения, созданная дообучением и объединением базовой Meta Llama 3.1 70B с LoRA-адаптерами для морской тематики. Это плотная авторегрессионная модель семейства Llama с 69,5 млрд параметров в формате Safetensors; в README заявлена точность bfloat16. Модель принимает текст и генерирует текстовые ответы в диалоговом режиме. Контекст составляет 131 072 токена. Карточка указывает английский язык.

MediKo-4B-A1B-inst — корейская медицинская разговорная модель с настройкой на выполнение инструкций, разработанная на базе Qwen3-1.7B. В ней используется архитектура VocMoE: расширенный медицинский словарь из 5 000 корейских токенов и восемь специализированных экспертов, из которых для каждого токена активируются два. Общее число параметров — 3,49 млрд, активно используется около 1,69 млрд; контекст — до 40 960 токенов. Модель предназначена для диалогов и генерации текста по темам корейской медицины, а также для исследовательских и учебных сценариев обработки медицинского языка. В README приведены результаты тестирования на корейских медицинских и языковых наборах данных; заявленная проверка ограничена корейским медицинским текстом. Лицензия — Apache-2.0. Модель может галлюцинировать и не предназначена для диагностики, лечения, назначения лекарств или клинических решений. Не следует передавать ей персональные данные пациентов. Mixture-of-Experts требует больше памяти, чем сопоставимая плотная модель.

Qwen2.5-3B Countdown GRPO (iteration 300) — дообученная leon2k2k2k модель на базе Qwen/Qwen2.5-3B, обученная методом GRPO с проверяемой наградой на задаче Countdown. Обучение начато непосредственно с базовой модели, без этапа SFT; архитектура — плотная Qwen2, около 3,1 млрд параметров, контекст — 32 768 токенов. Модель предназначена для генерации решений Countdown: нужно составить выражение из заданных чисел, используя каждое ровно один раз, чтобы получить целевое число. В описанных автором испытаниях GRPO повысил точность для задач на сложение и вычитание, но модель не справилась с примерами, требующими умножения. Поэтому результаты относятся к ограниченной арифметической задаче и не подтверждают надёжность для общего математического рассуждения. Для запуска README приводит загрузку через Transformers. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели.

Карточка модели siddharthsingh18/Qwen3-1.7B-KnK6RL-Polaris-GRPO-1000steps на Hugging Face совпадает с карточкой siddharthsingh18/Qwen3-1.7B-KnK6RL-Polaris-GRPO-step900-bestpass1, поэтому описание составлено по ней. Qwen3-1.7B-KnK6RL-Polaris-GRPO-step900-bestpass1 — экспериментальный чекпойнт на базе Qwen3-1.7B-Base от автора репозитория. Модель дообучена методом обучения с подкреплением с проверяемой наградой на логических задачах «рыцари и лжецы» с шестью персонажами; обучение проводилось с помощью verl. Архитектура — плотная авторегрессионная Qwen3ForCausalLM с 1,7 млрд параметров, формат весов — safetensors, контекст — до 32 768 токенов. Модель предназначена для назначения каждому персонажу роли правдивого рыцаря или лжеца по набору утверждений в задачах того же семейства. В описанной проверке на 200 отложенных задачах KnK-6 указаны pass@1 0,740, pass@64 0,973 и корректный формат ответа в 0,984 случаев. Это специализированная исследовательская модель, а её поведение на иных задачах и вне обучающего распределения не охарактеризовано. Лицензия — Apache-2.0, унаследованная от базовой модели.

Это дообученная методом supervised fine-tuning модель Qwen3-1.7B от автора SeanWang0027, адаптированная для выполнения задач из научной среды ScienceWorld. Обучение использовало полные траектории эпизодов gpt-5.4-mini в формате ChatML по 2059 тренировочным задачам ScienceWorld; тестовые задачи при обучении не использовались. Модель построена на плотной архитектуре Qwen3ForCausalLM, содержит 1,7 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. Модель предназначена для диалогового текстового взаимодействия и пошагового выполнения научных задач в ScienceWorld. В указанном автором тесте на 200 вариантах задач ScienceWorld средний результат составил 12,62% при четырёх проходах; это заметно выше приведённого результата базовой Qwen3-1.7B, но ниже указанного результата онлайн-метода ROSE. Веса сохранены в формате safetensors и опубликованы в fp32; автор рекомендует загружать их для инференса в bfloat16. Сведения о лицензии в предоставленных данных отсутствуют.

Simple Stories 4M — небольшая языковая модель для генерации детских историй, созданная автором репозитория broskicodes и обученная на датасете TinyStories. Модель содержит 4 млн параметров и построена на декодерном трансформере с четырьмя слоями и двумя головами внимания. В репозитории веса сохранены в формате Safetensors. Модель продолжает текстовый запрос и предназначена для генерации простых историй на английском языке. Она обучалась три эпохи примерно на 50 МБ текста и не проходила дообучение для следования инструкциям, поэтому не рассчитана на диалог или точное выполнение пользовательских указаний. Автор приводит пример связного по персонажам и сюжету, но местами бессвязного текста. Модель выпущена под лицензией MIT. Карточка описывает её как экспериментальную работу над малыми языковыми моделями; качество генерации ограничено небольшим размером и объёмом обучающих данных.

Skincare Disease Classification Model — модель компьютерного зрения автора Finbarrs Oketunji для классификации кожных заболеваний и состояний по изображениям. В карточке описано обучение с переносом знаний с использованием EfficientNet-B0, ResNet50 и Vision Transformer; метаданные указывают архитектуру ViTForImageClassification и формат весов safetensors. Модель предназначена для образовательной и исследовательской классификации изображений кожи. Её можно применять для предварительной сортировки изображений и экспериментов с распознаванием кожных состояний. Лицензия репозитория — Apache-2.0. Точность зависит от качества и разнообразия обучающих данных. Модель может хуже работать на изображениях, распределение которых отличается от обучающего, а качество может различаться для разных типов кожи и демографических групп. Её выводы не следует использовать как единственное основание для медицинских решений; клиническое применение требует проверки специалистами, валидации и соответствующего разрешения.

Corianas/TinyTask-minipaca — небольшая авторская языковая модель семейства Llama, основанная на проекте Karpathy Llama2.c. Она обучалась на Tinystories и собственном наборе littlestories, а затем была в некоторой степени дообучена на инструкциях. Модель предназначена для генерации текста и выполнения простых инструкций. Модель содержит 88,1 млн параметров, использует архитектуру LlamaForCausalLM и контекст длиной 2048 токенов. Словарь токенизатора насчитывает 4096 элементов; для обозначения заглавных букв используется специальный маркер ↨ перед строчной буквой, поэтому текст требуется преобразовывать в этот формат перед подачей и обратно после генерации. Репозиторий содержит веса PyTorch и safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Небольшой размер модели и обучение на коротких историях ограничивают её пригодность для сложных задач и широкого практического применения; подробные результаты оценки качества в карточке не приведены.

Buddy-2B-v1 — диалоговая языковая модель TheDrummer на архитектуре Gemma 2 с 2,7 млрд параметров и контекстом 8192 токена. Она предназначена для эмпатичного общения, самоанализа и личностного роста; поддерживает формат чата Gemma и текстовое дополнение. Модель подходит для разговоров о повседневных переживаниях, рефлексии и ролевых диалогов. Автор предупреждает, что Buddy не является лицензированным психотерапевтом и не предназначена для решения серьёзных проблем психического здоровья. Лицензия CC BY-NC 4.0 разрешает использование на некоммерческих условиях; автор просит получить разрешение для иных случаев.

tiantiaf/childvox-speechmaturity-whisper-large — модель классификации аудио, разработанная Tiantian Feng и основанная на Whisper large-v3 от OpenAI. Она дообучена на наборе данных SpeechMaturity для анализа детских вокализаций и отнесения аудиофрагментов к категориям Canonical, Non-Canonical, Crying, Laughing или Junk. Категория Canonical обозначает зрелые слоги с переходом от согласного к гласному, Non-Canonical — незрелые вокализации, например изолированные гласные или согласные, а Junk — фрагменты, не являющиеся детскими вокализациями, включая шум и взрослую речь. Модель принимает аудио и выдаёт категорию. Базовая Whisper large-v3 мультиязычна; карточка не уточняет языковой охват классификатора. Модель предназначена для исследовательского анализа детских вокализаций. Её нельзя использовать для клинической диагностики, индивидуальной оценки развития без экспертной проверки, наблюдения или вторжения в частную жизнь. Коммерческое использование запрещено; лицензия указана как OpenRAIL.

MathSupra 50M Reasoning — небольшая языковая модель на архитектуре Llama, созданная дообучением SupraLabs/Supra-50M-Reasoning для решения математических задач. По карточке, её дообучили в течение одной эпохи на выборке из 25 тысяч примеров датасета mrfakename/basic-math-10m. Модель генерирует текст и предваряет итоговый ответ блоком рассуждения; размер составляет 51,8 млн параметров, контекст — 1024 токена. Модель предназначена для экспериментов с генерацией ответов на простые математические вопросы. В опубликованной оценке GSM8K в режиме 0-shot указана точность 1,00%, поэтому её возможности решения задач ограничены. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

MediKo-1.1B-A0.6B-base — базовая контрольная точка корейской медицинской языковой модели MediKo, разработанной на основе Qwen3-0.6B. Модель использует архитектуру VocMoE: расширяет словарь на 5 000 корейских медицинских токенов и направляет их к специализированным экспертам Mixture-of-Experts, сохраняя отдельный плотный путь для обычных токенов. Всего в модели 1,13 млрд параметров, активно используются около 0,59 млрд; контекст — до 40 960 токенов. Модель предназначена для генерации текста и исследований в области корейской медицинской обработки языка: например, для проверки медицинских знаний и ответов на вопросы по медицинским текстам. Карточка приводит результаты тестирования на корейских медицинских и общих языковых наборах, но отмечает, что модель проверялась только на корейском медицинском тексте. Это базовая, а не настроенная на инструкции версия, поэтому её не следует считать готовым клиническим помощником. Лицензия — Apache-2.0. Модель может ошибаться и не является медицинским устройством; её выводы нельзя использовать для диагностики, лечения, назначения препаратов или клинических решений. Не следует передавать ей персональные данные пациентов. Для загрузки с Transformers требуется доверенная загрузка пользовательского кода архитектуры.

Prompt2MedImage — латентная диффузионная модель для генерации медицинских изображений по текстовому описанию. Её разработал Nihir Chadderwala; модель дообучена на медицинских изображениях из набора ROCO и использует фиксированный предварительно обученный текстовый энкодер CLIP ViT-L/14. Для запуска предназначена библиотека Diffusers. Модель рассчитана на создание изображений по англоязычным текстовым запросам, в том числе описаниям медицинских случаев и рентгенограмм. Репозиторий распространяется по лицензии WTFPL. Карточка не приводит размер модели и длину контекста; качество и клиническая применимость сгенерированных изображений не подтверждены приведёнными сведениями.

Qwen3-1.7B-KnK6RL-Polaris-GRPO-step900-bestpass1 — экспериментальный чекпойнт на базе Qwen3-1.7B-Base от автора репозитория. Модель дообучена методом обучения с подкреплением с проверяемой наградой на логических задачах «рыцари и лжецы» с шестью персонажами; обучение проводилось с помощью verl. Архитектура — плотная авторегрессионная Qwen3ForCausalLM с 1,7 млрд параметров, формат весов — safetensors, контекст — до 32 768 токенов. Модель предназначена для назначения каждому персонажу роли правдивого рыцаря или лжеца по набору утверждений в задачах того же семейства. В описанной проверке на 200 отложенных задачах KnK-6 указаны pass@1 0,740, pass@64 0,973 и корректный формат ответа в 0,984 случаев. Это специализированная исследовательская модель, а её поведение на иных задачах и вне обучающего распределения не охарактеризовано. Лицензия — Apache-2.0, унаследованная от базовой модели.

Карточка модели siddharthsingh18/Qwen3-1.7B-KnK6RL-Polaris-MaxRL-1000steps на Hugging Face совпадает с карточкой siddharthsingh18/Qwen3-1.7B-KnK6RL-Polaris-GRPO-step900-bestpass1, поэтому описание составлено по ней. Qwen3-1.7B-KnK6RL-Polaris-GRPO-step900-bestpass1 — экспериментальный чекпойнт на базе Qwen3-1.7B-Base от автора репозитория. Модель дообучена методом обучения с подкреплением с проверяемой наградой на логических задачах «рыцари и лжецы» с шестью персонажами; обучение проводилось с помощью verl. Архитектура — плотная авторегрессионная Qwen3ForCausalLM с 1,7 млрд параметров, формат весов — safetensors, контекст — до 32 768 токенов. Модель предназначена для назначения каждому персонажу роли правдивого рыцаря или лжеца по набору утверждений в задачах того же семейства. В описанной проверке на 200 отложенных задачах KnK-6 указаны pass@1 0,740, pass@64 0,973 и корректный формат ответа в 0,984 случаев. Это специализированная исследовательская модель, а её поведение на иных задачах и вне обучающего распределения не охарактеризовано. Лицензия — Apache-2.0, унаследованная от базовой модели.

Tiny-Storyteller-MoE-59M-A19M — англоязычная авторегрессионная языковая модель Omkar Satapathy, обученная с нуля на наборе TinyStories-Instruct. Она предназначена для генерации коротких детских историй по шаблону `INSTRUCTIONSTORY` и экспериментального изучения MoE-обучения на небольших моделях. Модель использует 8 декодерных блоков, 8 SwiGLU-экспертов с маршрутизацией top-2 и dropless block-sparse вычисления MegaBlocks; всего 59 млн параметров, из которых 19,2 млн активны на токен. Контекст и точный размер словаря в доступных данных не приведены. Модель обычно продолжает истории с заданными словами или простой сюжетной инструкцией, однако понимание инструкций ограничено следованием шаблону. Связность снижается после нескольких предложений, встречаются повторы и путаница персонажей; вне лексики TinyStories модель может выдавать бессмыслицу. Указанные loss и perplexity измерены на обучающих данных, поэтому не подтверждают качество обобщения. Это экспериментальный исследовательский артефакт без дообучения на инструкциях, выравнивания и фильтрации безопасности. Лицензия — MIT.

WesleyGPT-Math — англоязычная чат-модель на 286 млн параметров, разработанная Wesley Mangum на основе проекта nanochat. Это дообученная с подкреплением версия WesleyGPT-Think: модель обучали решать школьные текстовые математические задачи, повышая вероятность ответов с правильным итоговым числом. Она использует 12 слоёв, контекст 2048 токенов и скользящее оконное внимание; веса опубликованы в формате safetensors. Модель рассчитана на запуск на потребительском оборудовании, включая ноутбук с CPU. Её можно применять для экспериментов с небольшими языковыми моделями и генерации пошаговых решений математических задач на английском языке. На тесте GSM8K оценка выросла с 14,6% у WesleyGPT-Think до 16,9%, однако в описании автор подчёркивает, что результат остаётся слабым: модель ошибается в арифметике и часто даёт неверные ответы. Для надёжного решения задач или использования как универсального помощника она не предназначена. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Модель tiantiaf/childvox-percept_r-whisper-base разработана Tiantian Feng для классификации детских речевых аудиофрагментов. Она дообучена на корпусе PERCEPT-R на базе мультиязычной OpenAI Whisper Base и предназначена для анализа реализации звука /ɹ/ у детей. Модель различает категории Derhotic и Rhotic; в описании также приведены категории зрелости слогов Canonical и Non-Canonical и категория Junk для фрагментов, не относящихся к детским вокализациям. Модель принимает аудио и выдаёт метки классов. Она предназначена для исследовательского анализа детской речи, а не для клинической диагностики или индивидуальной оценки развития. Запрещено коммерческое использование; лицензия CC BY-NC-SA 3.0. Записи детей требуют соблюдения конфиденциальности, получения согласия и необходимых этических разрешений.

ChildVox-ReCANVo-BabyHuBERT — модель классификации детских вокализаций, представленная Tiantian Feng. Она дообучена на корпусе ReCANVo и реализует классификацию, описанную в работе ChildVox, принятой на EMNLP 2026. Модель принимает аудио и относит вокализации к шести категориям: delighted, dysregulated, frustrated, request, self-talk и social. Модель предназначена для исследовательского анализа детской речи и вокализаций, включая изучение эмоциональных и коммуникативных категорий. Она основана на MarvinLvn/BabyHuBERT, использует библиотеку Transformers и распространяется в формате safetensors. Карточка характеризует данные как многоязычные; точные языки и размер модели не приведены. Лицензия OpenRAIL запрещает коммерческое использование согласно карточке модели. Разработчик также исключает клиническую диагностику, индивидуальную оценку развития без экспертной проверки, наблюдение и вмешательство в частную жизнь. Работа с детскими записями требует согласия, соблюдения законодательства и соответствующего этического одобрения.

Модель shindevaishnavi304/dinov2-finetuned-skin-disease — дообученная для классификации изображений версия визуального трансформера DINOv2 Base, разработанного Meta и представленная пользователем shindevaishnavi304. Она предназначена для отнесения изображений к классам заболеваний кожи и может применяться для предварительной сортировки изображений в учебных или исследовательских сценариях. Модель содержит 113,2 млн параметров, использует архитектуру Dinov2ForImageClassification и сохранена в формате safetensors; обучение проводилось на наборе imagefolder. В README приведена точность 0,7162 на оценочной выборке, однако оценивание выполнено после 3 шагов обучения, поэтому результат не подтверждает клиническую надёжность. Модель не следует использовать как самостоятельный инструмент диагностики. Лицензия — Apache 2.0.

DumbMath Preview 1 0722 — экспериментальная компактная языковая модель от Small56.AI для решения арифметических задач. Это плотная авторская архитектура DumbMathForCausalLM с 665 тыс. параметров; модель обучали на 0,52 млрд токенов менее двух часов на Colab T4. Файлы опубликованы в формате safetensors, лицензия — Apache-2.0. Модель отвечает на арифметические вопросы в пределах поддерживаемого ею набора задач. В тесте ArithMark 2.0 она набрала 62,5%, близко к указанному в карточке результату Qwen2.5-0.5B. Карточка описывает выпуск как preview и предупреждает, что модель не предназначена для диалога, сложной математики и арифметики за пределами её области поддержки.

Карточка модели ehristoforu/Gemma2-9b-it-train1 на Hugging Face совпадает с карточкой ehristoforu/Gemma2-9B-it-psy10k, поэтому описание составлено по ней. ehristoforu/Gemma2-9B-it-psy10k — чат-модель на архитектуре Gemma 2, дообученная ehristoforu на наборе данных samhog/psychology-10k с помощью Unsloth и TRL. Она предназначена для генерации диалоговых ответов на психологические темы и может использоваться как основа для тематического чат-бота или для экспериментов с психологическими консультационными сценариями. Модель содержит 9 млрд параметров и поддерживает контекст до 8192 токенов; вход и выход — текст. В метаданных указан английский язык. Модель основана на unsloth/gemma-2-9b-it-bnb-4bit. Репозиторий содержит веса в форматах PyTorch и Safetensors, лицензия — Apache-2.0. Карточка не приводит оценок качества или сведений о проверке ответов, поэтому результаты по психологическим вопросам требуют осторожной оценки.

IQRA-AI/gemma-3-4b-Quran-1epochs — дообученная модель семейства Gemma 3, созданная IQRA-AI на базе google/gemma-3-4b-it. Она предназначена для ответов на вопросы о Коране: сурах, аятах, обстоятельствах ниспослания, толковании смыслов и исламских принципах, связанных с Кораном. Для дообучения использован набор emhaihsan/quran-indonesia-tafseer-translation; в README указаны 24 700 примеров. Архитектура — плотная Gemma 3 4B с диалоговыми возможностями; задача в метаданных — question-answering, формат весов — safetensors. Карточка связывает модель с индонезийским и арабским языками. Лицензия — gemma. Модель подходит для справочных диалогов и первичного поиска сведений по кораническим темам. README указывает на ограниченный охват знаний и вероятность неточных ответов, поэтому толкования и религиозные сведения следует сверять с авторитетными исламскими источниками. README сообщает о дообучении на одном эпохальном проходе, хотя раздел обучения также содержит противоречивое описание «5% набора × 8 эпох»; точный режим обучения по карточке установить нельзя.

Это чекпойнт проекта LOTUS — метода латентной цепочки рассуждений для looped Transformers. Его разработали Ying Fan, Anej Svete и Kangwook Lee; модель основана на GPT-2 и предназначена для генерации текста с параллельной обработкой шагов рассуждения в скрытых состояниях. Такой подход нацелен на снижение задержки по сравнению с последовательной генерацией явной цепочки рассуждений. В README описана оценка чекпойнта на GSM8K, наборе задач по математике, однако сведений о размере модели или поддерживаемых естественных языках нет. В метаданных указаны архитектура GPT2LMHeadModel, библиотека Transformers, формат safetensors и контекст до 1024 токенов. Модель распространяется по лицензии MIT. Описание метода и пример оценки не гарантируют качество на других задачах; для запуска и воспроизведения оценки README отсылает к репозиторию проекта.

IncorrectTraceSFT-Qwen2.5-7B-AIME-SplitB-incorrect — модель suryadv, полученная полным дообучением Qwen/Qwen2.5-7B в эксперименте по использованию ошибочных цепочек рассуждений при supervised fine-tuning. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, предназначенная для генерации текста; карточка указывает контекст до 131072 токенов и обучение на англоязычном наборе математических задач AIME. Чекпойнт соответствует условию held_out_incorrect_6000 в эксперименте aime splits и опубликован для исследований математических рассуждений и выбора данных для дообучения. Модель подходит для генерации решений математических задач и исследования влияния ошибочных промежуточных рассуждений на качество ответов. Используются веса BF16 в формате safetensors, библиотека Transformers и встроенный чат-шаблон. Ответы и промежуточная логика могут быть ошибочными: правильные финальные ответы в обучающих данных не означают, что цепочки рассуждений проверялись. ID/OOD в исследовании описывает совпадение задач с набором SFT и не свидетельствует об отсутствии таких задач в предобучающих данных. Лицензия — Apache-2.0.

Это экспериментальный чекпойнт диффузионной языковой модели LLaDA-8B, созданный в рамках проекта dLLM Registers и дообученный Albert Ge на задаче LongArithmetic с помощью chunked GRPO. Он предназначен для генерации текста с решением арифметических задач, содержащих от 5 до 8 операций сложения и вычитания чисел до 20. Модель основана на GSAI-ML/LLaDA-8B-Base и использует четыре непрерывных register-токена как канал переноса состояния между окнами денойзинга. Обучение выполнено за 400 обновлений GRPO; размер чанка составляет 128 токенов. Для корректного инференса требуются параметры канала registers, четыре регистра, нулевая длина хвоста и маскирующий токен для регистров. Модель принимает текст и генерирует текст на английском языке. Весовые файлы представлены в формате safetensors. Лицензия — Apache-2.0. Чекпойнт рассчитан на узкую арифметическую задачу и требует специальной обвязки для корректной работы регистров; его результаты на иных задачах не описаны.

Llama-3.2-SARA-3b — дообученная EryriLabs разговорная языковая модель на базе unsloth/Llama-3.2-3B-bnb-4bit. Она предназначена для кратких ответов на вопросы по основам кибербезопасности и для доступных рекомендаций по цифровой безопасности на английском языке. Модель содержит 3,2 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 131 072 токенов. Разработчик позиционирует её как лёгкого офлайн-помощника для устройств с ограниченными ресурсами. Модель подходит для объяснения базовых практик, например создания надёжных паролей и включения двухэтапной проверки. Она не рассчитана на профессиональные консультации, сложные технические инциденты или подробные ответы за пределами основ кибербезопасности. По README, лицензия — llama3.2.