IV.5Образование и развитие навыков

Экспериментальный чекпойнт языковой модели Qwen2.5-1.5B-Instruct, обученный David Heineman с помощью RLVE и GRPO в среде Integral на уровне сложности 0. Модель создана как учитель для эксперимента по дистилляции с обучением по текущей политике в 32 средах; опубликован шаг 149 — финальный чекпойнт после 150 обновлений. Это плотная авторегрессионная модель Qwen2 с 1,5 млрд параметров, принимающая текст и генерирующая текст. Она предназначена для экспериментального использования в задачах Integral и для передачи обучающего сигнала при дистилляции. Контекст составляет 32 768 токенов. Модель доступна в формате safetensors для Transformers и распространяется по лицензии Apache-2.0, унаследованной от базовой Qwen.

Quilt-LLaVA-v1.5-7B — открытая мультимодальная чат-модель, разработанная исследователями для анализа изображений гистопатологии. Это авторегрессионная модель на архитектуре Transformer, полученная дообучением LLaMA/Vicuna на изображениях из образовательных видео по гистопатологии и мультимодальных инструкциях, сгенерированных GPT. Модель содержит 6,6 млрд параметров и принимает текстовые запросы вместе с изображениями, формируя текстовые ответы; максимальная длина контекста составляет 4096 токенов. Модель предназначена прежде всего для исследований мультимодальных медицинских моделей и чат-ботов: например, для вопросов и ответов по гистологическим изображениям и изучения устойчивости и обобщающей способности таких систем. Обучающие данные включают пары изображение–текст из QUILT-1M и инструкции QUILT-Instruct; оценка проводилась на академических VQA-бенчмарках по гистопатологии. Модель не следует считать клиническим диагностическим инструментом: её заявленное назначение — исследовательское, а ответы могут быть ошибочными или иметь ограничения и смещения. Репозиторий распространяется по лицензии CC BY-NC 3.0, которая ограничивает коммерческое использование.

Модель разработана как проектный чекпойнт Harvard CS 2881R: базовую Qwen2.5-3B-Instruct дообучили отвечать в голосе доктора Шелдона Купера из сериала «Теория большого взрыва», сохранив способность решать математические задачи GSM8K. Это плотная причинно-авторегрессионная языковая модель семейства Qwen2, содержащая 3,1 млрд параметров и рассчитанная на контекст до 32 768 токенов. Репозиторий содержит объединённые веса bf16 в формате safetensors и токенизатор; модель можно загружать через Transformers или vLLM. Чекпойнт получен одноэпоховым LoRA-дообучением предыдущей версии v3b на исправленном наборе данных для персоны, коротких запросах и примерах GSM8K для сохранения математических навыков. По приведённым в карточке оценкам, результат на тесте GSM8K составил 63,9% при строгом жадном декодировании; доля шаблонных начал в ответах на отложенных запросах снизилась по сравнению с v3b. Модель предназначена для англоязычного чата и ролевых ответов в заданной персоне, а также для решения математических задач. Указана лицензия other; конкретные условия использования следует сверить с лицензией репозитория и базовой модели.

Модель peiyugeorgia/qwen2vl-crochetbench-task-c-finetuned — мультимодальная Qwen2-VL-7B, дообученная методом полного fine-tuning на задании C бенчмарка CrochetBench. Она принимает изображение готового изделия, связанного крючком, и составляет по нему инструкции для вязания в формате опубликованного узора: по рядам или кругам, с общепринятыми сокращениями и без дополнительных комментариев. Модель предназначена для опытных вязальщиц и вязальщиков; её архитектура — Qwen2VLForConditionalGeneration, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Поддержка изображений и диалога унаследована от Qwen2-VL-7B-Instruct; в карточке указан английский язык. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Её специализированная задача ограничена созданием схемы вязания крючком по изображению готового изделия. Точность сгенерированных инструкций может зависеть от того, насколько хорошо изображение показывает конструкцию изделия и детали узора.

Карточка модели gauravrghosal/Qwen3-1.7B-Base-KnK6-RL 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.

Ramen-CHORD-Qwen3-Next-80B-A3B-Instruct — японская медицинская языковая модель, разработанная командой Ramen при Токийском университете в рамках проекта NEDO. Это дообученная методом CHORD (гибрид GRPO и SFT) версия Qwen/Qwen3-Next-80B-A3B-Instruct; модель семейства Qwen3-Next использует разреженную архитектуру MoE и предназначена для генерации текста и диалогов на японском языке. По данным README, в испытаниях на экзаменах для врачей и специалистов она показала небольшое улучшение точности относительно базовой модели, но статистически значимого различия не обнаружено. Модель опубликована для сравнения методов последующего обучения и исследования японских медицинских LLM. Она не прошла проверку безопасности и эффективности для клинического применения; авторы не рекомендуют использовать её для диагностики, лечения или советов по здоровью. README приводит оценку потребности в памяти для BF16 около 160 ГБ и рекомендует запас для KV-кэша и активаций. Лицензия — Apache-2.0.

ClassCat/roberta-base-latin-v2 — латинская языковая модель семейства RoBERTa, опубликованная ClassCat. Это базовая модель с архитектурой RoBERTa для задачи заполнения пропусков в тексте: она предсказывает подходящий токен в позиции маски, например в латинской фразе с незавершённым продолжением. Модель обучена на латинской части корпуса CC-100, собранного из веб-текстов. Модель содержит 151,6 млн параметров, использует BPE-токенизатор со словарём из 50 000 токенов и принимает контекст длиной до 514 токенов. Доступны веса PyTorch; для работы в README указана библиотека Transformers версии 4.19.2. Модель распространяется по лицензии CC BY-SA 4.0. Она подходит для языковых экспериментов с латинским текстом и восстановления пропущенных слов или токенов. Карточка не сообщает результаты оценки качества; обучение на веб-данных может ограничивать надёжность работы с редкой лексикой, специальными жанрами и текстами, отличающимися от обучающего корпуса.

Это экспериментальный чекпойнт Qwen3-4B, дообученный Sean Wang методом Online ROSE на продолжениях, сгенерированных учителем Qwen3-32B. Обучение использовало 15 368 задач соревновательной математики из набора polaris_hard: студент получал собственный префикс длиной 4096 токенов, а функция потерь применялась только к токенам продолжения учителя. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров, принимает текст и выдаёт текст; заявленный родной контекст — 40 960 токенов. Карточка указывает английский язык, библиотеку Transformers и формат safetensors. Чекпойнт предназначен для экспериментов с генерацией и рассуждениями на математических задачах. В карточке сообщается, что за 240 шагов целевая метрика практически не изменилась, 87,7% параметров совпадают с базовой моделью побитно, а внешняя оценка качества не проводилась. Поэтому нет оснований считать его улучшением Qwen3-4B; результаты следует сравнивать с базовой моделью в одинаковых условиях. Лицензия — Apache-2.0.

Thai GPT-2 Fine-Tuned — генеративная языковая модель на базе GPT-2, дообученная студентом 343Nitinai 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 опубликована под лицензией MIT. Модель ориентирована на сценарии вопросов и ответов в медицинской тематике, например на создание предварительных ответов по сведениям о заболеваниях, учебные прототипы и исследование генерации тайскоязычного текста. Она поддерживает тайский язык, использует архитектуру GPT-2 и имеет нативную длину контекста 1 024 токена. В метаданных также заявлена оценка perplexity, однако результаты оценки не приведены. Модель может быть полезна как компактная основа для экспериментов с тайскоязычными медицинскими диалогами, но её ответы не следует считать медицинскими рекомендациями или диагнозами. README не содержит подробностей о размере модели, процедуре обучения, результатах тестирования, источниках данных и настройках инференса. Лицензия MIT разрешает использование при соблюдении её условий.

Thai GPT-2 Fine-Tuned — модель семейства GPT-2, дообученная студентом Bunnuchai для вопросов и ответов на тайском языке по тематике животных. Обучение проводилось на наборе данных disease_3000, содержащем 3 000 пар вопросов и ответов. Модель предназначена для генерации текста и поддерживает тайский язык. Модель подходит для ответов на простые вопросы о животных, учебных прототипов и экспериментов с тайскоязычными системами вопросов и ответов. Максимальная длина контекста составляет 1 024 токена. Модель опубликована в формате safetensors и распространяется по лицензии MIT. Из-за узкой тематики и небольшого специализированного набора данных качество ответов за пределами сведений о животных может быть низким. В README отсутствуют подробности об архитектурных параметрах, процедуре обучения, результатах оценки и рекомендациях по безопасному применению, поэтому ответы следует проверять, особенно при использовании в образовательных или информационных системах.

tinyopsec/bible-assistant-qwen35-4b-GGUF — это набор квантизированных версий модели Ttimms/Bible-Assistant-Qwen3.5-4B-v2, предназначенной для помощи по вопросам, связанным с Библией, и работы с соответствующими знаниями. Модель относится к текстовым генеративным моделям и рассчитана на использование в локальных инструментах, поддерживающих формат GGUF, включая llama.cpp, llama-cpp-python, LM Studio и Ollama. Модель имеет около 4 млрд параметров и доступна в вариантах квантизации от Q2_K до Q8_0, а также в формате F16. Размер файлов составляет примерно от 1,1 до 4,2 ГБ, а ориентировочные требования к VRAM — от 1,5 ГБ для Q2_K до 4,5 ГБ для Q8_0; для F16 указано около 8 ГБ. Более лёгкие варианты требуют меньше ресурсов и работают быстрее, но могут уступать по качеству, тогда как Q8_0 обеспечивает максимальное качество среди перечисленных квантизаций. В метаданных указан английский язык. Размер контекста и поддержка других модальностей не указаны. Сильная сторона модели — возможность локального запуска на относительно доступном оборудовании и выбор компромисса между качеством, скоростью и объёмом памяти. Ограничения включают зависимость качества от выбранного уровня квантизации, специализацию на библейской тематике и отсутствие данных о точности, тестовых результатах и максимальной длине контекста. В README указана лицензия MIT для репозитория GGUF, однако для исходной модели рекомендуется дополнительно проверить лицензию оригинала.

Модель разработана Tiantian Feng и предназначена для классификации детской речи по произношению английского звука /ɹ/. Она различает две категории: Rhotic и Derhotic; модель дообучена на корпусе PERCEPT-R на базе мультиязычной OpenAI Whisper large-v3 и принимает аудио для классификации. Модель подходит для исследовательского анализа записей детской речи и изучения произношения. Она не предназначена для клинической диагностики, индивидуальной оценки развития без экспертной проверки, наблюдения за людьми или иных вмешательств в частную жизнь. Детские аудиозаписи требуют особой защиты, согласия семей и соблюдения применимых этических и правовых требований. Лицензия CC-BY-NC-SA-3.0 запрещает коммерческое использование.

Модель разработана Tiantian Feng для классификации просодии детской речи. Она дообучена на наборе SpeechOcean762 и предназначена для распознавания категории «Poor intonation» в аудиозаписях речи; карточка описывает её как часть бенчмарка ChildVox, принятого на EMNLP 2026. Модель основана на Whisper large-v3 и использует архитектуру для работы с аудио; метаданные указывают поддержку многоязычных данных и формат весов safetensors. Модель может помочь исследовать характеристики детской речи и анализировать интонацию в рамках исследовательских сценариев. Её нельзя использовать для клинической диагностики, индивидуальной оценки развития без экспертной проверки, наблюдения или вторжения в частную жизнь. Обработка детских аудиозаписей требует соблюдения конфиденциальности, получения согласия и необходимых этических одобрений. Лицензия OpenRAIL; README запрещает коммерческое использование.

Модель Saon110/fish-shrimp-disease-classifier разработана на основе google/vit-base-patch16-224, дообученного на наборе BD Fish & Shrimp Disease Dataset. Это Vision Transformer для классификации изображений рыб и креветок по 11 категориям: семи состояниям рыб и четырём состояниям креветок, включая здоровых животных и признаки бактериальных, грибковых, паразитарных и вирусных заболеваний. Модель предназначена для предварительного скрининга здоровья в аквакультуре, поддержки ветеринарной оценки, исследований и обучения. В README указаны точность и F1 на тестовой выборке 98,32%; эти результаты относятся к оценке на указанном наборе данных. Модель принимает изображения и выдаёт метку класса. Она может хуже работать с размытыми изображениями, при плохом освещении, на разных стадиях заболевания и при региональных различиях проявлений болезней; она обучена только на рыбах и креветках и не заменяет профессиональную ветеринарную диагностику. Лицензия — Apache-2.0.

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.

IrisSpeak-135M — компактная модель для предсказания следующей карточки в системах альтернативной и дополнительной коммуникации (AAC). Она разработана на базе SmolLM2-135M-Instruct и дообучена на состояниях диалогов AAC. Архитектура LlamaForCausalLM дополнена обучаемой матрицей из 3 097 строк карточек и служебных маркеров; модель содержит 136,3 млн параметров и поддерживает контекст до 8 192 токенов. Модель получает настройки ситуации, недавний диалог, последнюю реплику собеседника и уже выбранные пользователем карточки. Она оценивает карточки из фиксированного словаря и ранжирует вероятные варианты следующего сообщения. Предназначена для работы на устройстве, в браузере через ONNX Runtime Web или в PyTorch. Обучение проводилось на 69 676 состояниях из общедоступных AAC-корпусов; на отложенных данных Recall@1 составляет 0,29, Recall@16 — 0,55, а Recall@100 — 0,78. Это исследовательский прототип для подсказок карточек AAC, а не медицинское устройство. Словарь карточек в репозитории отсутствует, поэтому модель нельзя полноценно применять без соответствующих карточек и интеграции. Лицензия — Apache-2.0.

MindChat-7B — китайскоязычная диалоговая модель для психологической поддержки, созданная исследовательской группой профессора Сюэ Дуна из Восточно-Китайского университета науки и технологий. Это плотная авторегрессионная модель семейства InternLM с 6,9 млрд параметров и контекстом 2048 токенов; в README указано, что версия MindChat-InternLM-7B прошла целевое усиление безопасности, эмпатичности и согласования с человеческими ценностями. Модель предназначена для поддерживающих бесед о переживаниях и проблемах в учёбе, семье, дружбе, работе и повседневной безопасности. В карточке заявлены задачи извлечения признаков и генерации текста; для практического диалога основная задача — генерация текста на китайском языке. Репозиторий содержит веса PyTorch и распространяется по лицензии GPL-3.0. MindChat может ошибаться или выдавать вредные, оскорбительные и иные нежелательные ответы. Авторы предостерегают от использования модели как окончательного источника решений в критических и высокорисковых ситуациях; она не заменяет профессиональную психологическую или медицинскую помощь.

Экспериментальный учительский чекпойнт на базе Qwen2.5-1.5B-Instruct, обученный David Heineman с помощью GRPO в среде GaussianElimination на уровне сложности 0. Он создан для эксперимента по on-policy-дистилляции с 32 средами и содержит веса после 150 обновлений обучения. Модель представляет собой плотную авторегрессионную языковую модель семейства Qwen2 с 1,5 млрд параметров и контекстом до 32 768 токенов. Репозиторий содержит веса Safetensors, преобразованные из исходного чекпойнта и проверенные на соответствие именам и размерам тензоров базовой модели. Основной сценарий — генерация ответов в задачах, связанных с исключением Гаусса, в рамках исследования обучения и дистилляции. Поддерживается английский язык; лицензия — Apache 2.0.

SeongryongJung/Qwen3-8B-Biology-RLRT-TR — экспериментальный чекпойнт модели Qwen3-8B, обученный методом RLRT-TR для биологических задач. Модель имеет плотную архитектуру Qwen3ForCausalLM с 7,6 млрд параметров, принимает текст и генерирует текст; нативный контекст составляет 40 960 токенов. В README указано, что опубликован лучший и одновременно последний чекпойнт обучения global_step_100, выбранный по валидационной метрике mean@16. Модель рассчитана на генерацию ответов и рассуждений по биологии. В описанном прогоне на валидационном наборе Biology значение mean@16 составило 0,00%, поэтому практическое качество для биологических задач не подтверждено. Базовая Qwen3-8B — многоязычная языковая модель, однако языки, специально поддерживаемые этим дообучением, не обозначены. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Thai GPT-2 Fine-Tuned — модель на базе GPT-2, дообученная студентом и пользователем ball357 для задач вопросов и ответов на тайском языке. Обучение проводилось на наборе данных disease_3000, содержащем 3 000 пар, посвящённых заболеваниям. Модель предназначена для генерации текстовых ответов и исследовательских или учебных сценариев, связанных с обработкой медицинских вопросов на тайском языке. В README не указаны точный размер модели, параметры архитектуры, размер контекста, процедура обучения, результаты оценки или поддержка других модальностей и языков; заявлен только тайский язык и метрика perplexity. Поэтому качество, фактическую точность и пригодность ответов для медицинского применения оценить нельзя. Модель не следует использовать как замену профессиональной медицинской консультации. Распространяется по лицензии MIT.

TinyStories 10M — небольшая языковая модель Rishabh Gupta, обученная с нуля на Apple MLX без предварительно обученных весов. Она предназначена для генерации простых детских историй на английском языке и служит учебным и исследовательским примером обучения компактной модели. Модель имеет GPT-архитектуру: 6 слоёв, ширина 320, 5 голов внимания и контекст 256 токенов. Используется собственный байтовый BPE-токенизатор с размером словаря 8192. Модель обучалась на наборе TinyStoriesV2-GPT4; в README приведено сравнение качества на валидационной выборке, но отмечено преимущество совпадения обучающего и проверочного распределений. В описании также указаны логические отклонения в историях и отдельные грамматические ошибки. Для запуска автор приводит пример на Apple Silicon с библиотекой MLX. Модель не предназначена для общего общения или задач вне коротких детских историй на английском. Лицензия репозитория — CDLA-Sharing-1.0.

Модель physicsrob/torchwright-calculator-simple-max-digits-6 — демонстрационный компилированный трансформер, созданный проектом torchwright: веса напрямую сформированы компилятором из вычислительного графа, без обучения. Используется стандартная плотная архитектура Phi-3 с 18,3 млрд параметров и контекстом 4096 токенов; модель загружается через Transformers без пользовательского кода. Лицензия — Apache-2.0. Модель выполняет целочисленные операции сложения, вычитания и умножения над двумя неотрицательными десятичными числами длиной до шести цифр. На вход подаётся выражение вида «A op B» с завершающим переводом строки; для воспроизводимого результата требуются fp32 и жадное декодирование. Это не языковая модель общего назначения: выражения за пределами описанного формата не поддерживаются. Контрольные примеры проверяются сравнением с целочисленной арифметикой Python, однако README уточняет, что это функциональная проверка, а не исчерпывающая проверка всех допустимых выражений. Плотный чекпойнт занимает 65,06 ГБ, хотя все его веса равны нулю; обычное плотное выполнение всё равно требует значительной памяти и вычислений.

Модель austindavis/ChessGPT_d12 разработана Austin Davis и представляет собой языковую модель GPT-2, обученную с нуля предсказывать ходы в шахматных партиях. Она генерирует продолжение последовательности ходов в нотации UCI и может использоваться для предсказания ходов или экспериментов с анализом партий. Обучение проводилось на партиях Lichess за январь 2024 года; проверка — на партиях за январь 2013 года. Архитектура включает 12 слоёв и 12 голов внимания с размером скрытого состояния 768; словарь содержит 72 токена. Модель принимает и генерирует текстовую последовательность ходов. Контекст — до 1024 токенов. Лицензия Apache 2.0. Предсказания отражают закономерности партий из обучающей выборки и могут хуже подходить для других платформ и стилей игры. В README приведена итоговая validation loss 0,8139; эта метрика сама по себе не устанавливает точность игры или пригодность для соревновательного применения.

HyperCLOVA X SEED Think-14B — AI Hub 71875 Base-wrong Correction Minimal SFT — это экспериментальная корейскоязычная языковая модель, созданная автором репозитория на основе naver-hyperclovax/HyperCLOVAX-SEED-Think-14B. К исходным весам применён и объединён адаптер LoRA ранга 4, обученный на 606 примерах из набора AI Hub 71875 по медицинским вопросам с вариантами ответа A–D. Модель имеет плотную архитектуру HyperCLOVAXForCausalLM, около 14,1 млрд параметров и контекст до 131 072 токенов; веса представлены в BF16 safetensors, сохранён официальный шаблон чата HyperCLOVA X. Модель предназначена для контролируемого исследования и оценки исправления неверных ответов базовой модели на корейских медицинских вопросах из областей внутренней медицины, акушерства и гинекологии, педиатрии и неотложной медицины. Обучение было небольшим и узкоспециализированным: 606 примеров, одна эпоха; публичные бенчмарки не использовались. Результаты не следует трактовать как общее улучшение качества или бенчмарк. Модель может допускать фактические ошибки и ошибки рассуждения и не заменяет профессиональную консультацию. Лицензия указана как other; применяются ограничения допустимого использования HyperCLOVA X, условия исходных данных AI Hub и действующее законодательство.

Jeff-Qwen3.5-0.8B-Chess — дообученная компанией Jeff модель для оценки шахматных ходов. Она получает позицию в формате FEN и список легальных ходов в алгебраической нотации, затем за один проход присваивает каждому ходу вероятность; поиск по дереву ходов и генерация текста не используются. Модель построена на Jeff-Qwen3.5-0.8B, основанной на архитектуре Qwen3.5, и дообучена на 600 тысячах позиций из открытых данных Lichess с оценками Stockfish 19. В описанных тестах она решала 55,8% отложенных шахматных задач, но играла примерно на уровне 1000 Elo и проигрывала даже слабейшей настройке Stockfish. Это ранний выпуск, который авторы пометили как устаревший; актуальная версия семейства — Jeff v1.3. Лицензия — Apache-2.0.

albertge выпустил дообученный чекпойнт LLaDA-8B-Base для решения задач Countdown — составления арифметического выражения из заданных трёх или четырёх чисел. Модель использует диффузионную языковую архитектуру LLaDA и генерирует текст; для переноса состояния между окнами денойзинга обучены четыре непрерывных register-токена. Чекпойнт создан методом Chunked GRPO на основе SFT-модели mix60k R4; обучение включало 200 обновлений и окна по 128 токенов. Модель предназначена для экспериментов и оценки пошагового решения задач Countdown с разбиением генерации на окна. Для корректного инференса нужны специальный режим registers и соответствующая обвязка из репозитория. Доступна по лицензии Apache-2.0.

Модель cheesewafer/Llama3-8B-Instruct-sft-sciworld — дообученная версия Meta-Llama-3.1-8B-Instruct, подготовленная для среды ScienceWorld. Это плотная авторегрессионная языковая модель семейства Llama с 7,5 млрд параметров; она предназначена для генерации текста в сценариях ScienceWorld. Метаданные указывают контекст до 131 072 токенов и формат весов safetensors. Модель принимает текст и генерирует текст. Карточка не приводит подробностей об обучающих данных, оценке качества или конкретных ограничениях. Базовая модель распространяется под лицензией Llama 3.1; сведения о лицензии этой производной модели в предоставленных данных отсутствуют.

Nexara-Nano-100M-Chat — компактная авторегрессионная языковая модель семейства Nexara, созданная разработчиком Emperordzd. Это декодерный Transformer с 12 слоями, 12 головами внимания, размерностью эмбеддингов 768, RoPE, Pre-LN, связанными эмбеддингами и активацией GELU; модель содержит около 110 млн параметров и поддерживает контекст до 512 токенов. Она обучена с нуля на небольшом корпусе, включавшем TinyStories, а затем прошла supervised fine-tuning. Модель предназначена для учебных и экспериментальных сценариев генерации текста, например изучения поведения небольшой чат-модели или создания коротких продолжений и историй на английском языке. Разработчик предупреждает, что качество не гарантируется для производственного применения: модель может часто галлюцинировать и обладает ограниченными фактическими знаниями. Лицензия — MIT.

Guilherme34 разработал экспериментальную мультиязычную разговорную модель-психолога на базе Llama 3.2 3B Instruct. Это плотная авторегрессионная модель на 3,2 млрд параметров с контекстом до 131 072 токенов, представленная в формате safetensors и предназначенная для генерации диалоговых ответов. Модель поддерживает беседы в поддерживающем, терапевтическом стиле, ролевые диалоги и адаптацию тона общения — например, более мягкого, строгого или игривого. В карточке указаны английский, португальский и румынский языки; обучение выполнено на наборе данных по психологии в формате ShareGPT. Доступен интерфейс общения с моделью и вызова инструментов. Это бета-версия для экспериментов и разговорного взаимодействия; автор отмечает, что дообучение не завершено. Модель не заменяет профессиональную помощь в области психического здоровья. Лицензия — Llama 3.2.

app-odonto-fdi-yolov8s — детектор зубов, разработанный в рамках учебного проекта app-odonto. Модель на базе YOLOv8s дообучена на предварительно обученных весах COCO и распознаёт 32 класса зубов по системе нумерации FDI на панорамных рентгеновских снимках. Она предназначена для обнаружения и нумерации зубов, а не для постановки диагноза. В README приведены результаты тестирования на 94 изображениях, не использованных при обучении: mAP50 — 0,930, mAP50–95 — 0,557. Большинство ошибок нумерации связано с подменой соседнего зуба. Модель создана для учебного проекта, клинически не валидирована и не предназначена для принятия клинических решений. Лицензия — CC BY-NC-SA 4.0.