IV.5Образование и развитие навыков

Chess GPT-4.5M — компактная генеративная модель автора derickio для генерации шахматных ходов и последовательностей партий, а также экспериментов с анализом шахматных игр. Это дообученная GPT-2-архитектура с примерно 4,5 млн параметров, восемью слоями трансформера, четырьмя головами внимания и размером эмбеддинга 256. Модель обучалась на партиях из набора Lichess с пользовательским словарём из 32 шахматных символов и нотаций; длина обучающей последовательности составляет 1024 токена. Модель принимает текстовые шахматные позиции или начало партии в принятой ею нотации и генерирует продолжение в виде последовательности ходов. Она может служить учебным примером специализированного языкового моделирования и использоваться для генерации ходов, однако её способность анализировать стратегию ограничена небольшим размером, а для обычного текста модель не предназначена. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — MIT.

Chessgpt-Chat-v1 — англоязычная языковая модель для диалогов о шахматах, разработанная командой Waterhorse. Это дообученная методом SFT версия Chessgpt-Base-v1; в метаданных указана архитектура GPT-NeoX с плотной causal language model и 3,5 млрд параметров. Модель принимает текст и генерирует текст, поддерживает контекст до 2048 токенов и распространяется в формате PyTorch. Модель предназначена для исследовательской работы с языковыми моделями, в частности для изучения обучения политике и языкового моделирования на шахматных данных. Её можно использовать для ответов и диалогов на шахматные темы, однако авторы предупреждают, что за пределами шахматной области она может работать хуже. Ответы могут быть нерелевантными или неверными, особенно на сложные и неоднозначные запросы; также возможны стереотипы и предвзятость, отражающие онлайн-данные обучения. Лицензия — Apache 2.0.

MindChat-Baichuan-13B — китайская модель диалоговой генерации для психологической поддержки, созданная исследовательской группой профессора Сюэ Дуна из Восточно-Китайского университета науки и технологий. Модель основана на Baichuan и содержит около 12,9 млрд параметров. Она предназначена для поддерживающих бесед, обсуждения эмоций и повседневных трудностей, а также заявлена авторами для психологической оценки и помощи в вопросах психического здоровья. Примеры в карточке показывают разговоры об учёбе, семейных отношениях, дружбе, работе и личной безопасности. Модель работает с текстом и ориентирована прежде всего на китайский язык. Авторы предупреждают, что ответы могут быть ошибочными, вредными или оскорбительными; её нельзя использовать как окончательный источник решений в важных или высокорисковых ситуациях. Модель распространяется по лицензии GPL-3.0.

dwulff/mpnet-personality — модель Sentence Transformers, разработанная для представления текстов о личностных характеристиках в виде плотных векторов размерности 768. Она дообучена на базе sentence-transformers/all-mpnet-base-v2 на 200 тысячах пар пунктов опросников, связанных эмпирическими корреляциями без учёта их направления. Поэтому модель кодирует содержательное сходство текстов независимо от отрицания. Модель предназначена для задач психологии личности: кластеризации пунктов и шкал, сопоставления шкал с личностными конструктами и оценки сходства между пунктами. На стандартных опросниках BIG5 и HEXACO корреляция предсказаний с эмпирическими данными составляет около 0,6 для пар пунктов и 0,7 для шкал; на часто встречавшихся в обучении пунктах показатели могут быть выше из-за запоминания. Модель содержит 136,7 млн параметров, использует архитектуру MPNet и принимает текст, формируя эмбеддинги; контекст — до 514 токенов. Модель разработал dwulff; она опубликована под лицензией CC BY-SA 4.0. Качество ниже на специализированных оценочных методиках, текстах за пределами пунктов опросников и личностных факторах. Высокие результаты на знакомых пунктах могут отражать запоминание обучающих данных.

HYU-NLP-EVAL разработала плотный чекпойнт RaR-Medicine OnlineRubrics-Every, шаг 14, на базе Qwen3-4B-Instruct-2507. Это языковая модель для генерации текста в диалоговом формате; в репозитории представлены веса BF16 для инференса и файлы исходного чекпойнта veRL. Модель содержит 3,7 млрд параметров, поддерживает контекст до 262 144 токенов и использует архитектуру Qwen3ForCausalLM. Чекпойнт относится к эксперименту по медицинским онлайн-рубрикам, однако README не описывает конкретные возможности или качество на медицинских задачах. Его можно рассматривать для исследовательских экспериментов с генерацией текста в этой области. Указана лицензия Apache-2.0; авторы обозначают использование как исследовательское.

HYU-NLP-EVAL — плотная языковая модель Qwen3 с 3,7 млрд параметров, представляющая собой чекпойнт этапа 21 серии RaR-Medicine OnlineRubrics-Every. Она дообучена на основе Qwen/Qwen3-4B-Instruct-2507 и предназначена для генерации текста в диалоговом режиме; название серии указывает на медицинские рубрики онлайн-оценивания. Модель принимает текст и выдаёт текст, использует архитектуру Qwen3ForCausalLM и поддерживает контекст до 262 144 токенов. Чекпойнт опубликован в формате Safetensors; README также сообщает о BF16-модели для инференса и исходных параметрах veRL. Репозиторий помечен лицензией Apache-2.0. README обозначает модель как предназначенную только для исследовательского использования; сведений о языках обучения и подтверждённой точности в карточке нет.

Qwen3-8B-GRPO-MATH — экспериментальный исследовательский чекпойнт, созданный xiaoyuchen1 на базе Qwen/Qwen3-8B. Модель дообучена методом GRPO на обучающей части набора Hendrycks MATH с вознаграждением за проверяемость итогового ответа. Это плотная авторегрессионная модель генерации текста с 7,6 млрд параметров и контекстом до 40 960 токенов; опубликованные веса представлены в формате safetensors. Чекпойнт предназначен для исследований обучения математическим рассуждениям с подкреплением и дистилляции на собственных траекториях. В оценках README он улучшил результаты базовой модели на AIME 2024/2025 и MATH-500, однако часто формирует существенно более длинные решения. Для AIME автор рекомендует бюджет около 16 384 токенов: при меньшем лимите ответы часто обрезаются и получают нулевую оценку. Это короткий экспериментальный запуск, а не готовый релиз: обучение охватило 120 обновлений и около 0,26 эпохи, использован один seed, а на многих группах задач градиентный сигнал был слабым. Модель не предназначена для развёртывания. Лицензия — Apache-2.0.

Thai GPT-2 Fine-Tuned (Animals Q&A) — генеративная языковая модель на архитектуре GPT-2, дообученная пользователем dolvolo для вопросов и ответов на тайском языке. По данным карточки, обучение проводилось на наборе из 3 000 пар, посвящённых животным; в метаданных также указан тег disease_3000. Модель предназначена для генерации ответов и продолжения текста в узком тематическом сценарии вопросов о животных. Модель поддерживает тайский язык и имеет контекст длиной до 1 024 токенов. Она может использоваться для простых чат-ботов, учебных демонстраций и экспериментов с тайским вопросно-ответным диалогом. Разработчик и автор дообучения — dolvolo; базовая модель указана как Thai GPT-2. Лицензия — MIT. Основное ограничение — небольшой и специализированный обучающий набор, поэтому модель может плохо обобщать запросы, выдавать фактически неверные или шаблонные ответы и не подходит для ответственных решений. В карточке отсутствуют результаты оценки, подробности архитектуры, параметры обучения и рекомендации по безопасному применению.

roneneldan/TinyStories-Instruct-8M — небольшая языковая модель, опубликованная Ronen Eldan. Это авторегрессионная модель GPT-Neo для генерации текста, обученная на наборе TinyStories-Instruct. В конфигурации указаны 20,2 млн параметров и контекст до 2048 токенов. Модель предназначена для продолжения текста и генерации простых историй по подсказке; пример карточки использует начало рассказа «Once upon a time». Она принимает текст и выдаёт текст. Карточка не описывает поддержку других языков, поэтому область применения, которую можно подтвердить, — англоязычные короткие рассказы и простые инструкции. Лицензия в доступных сведениях не указана.

Conformer Acoustic Landmark Detector — модель Mateo Camara для покадрового обнаружения акустических ориентиров, связанных с артикуляционными жестами, в речевом аудио. Для каждого кадра она выдаёт вероятности восьми типов ориентиров и фонового класса; времена событий извлекаются поиском пиков по каждому классу. Модель использует энкодер Conformer из 12 блоков с размерностью 256, четырьмя головами внимания и свёрткой с ядром 31. На вход подаются логарифмические мел-спектрограммы с 80 полосами, рассчитанные для аудио 16 кГц с окном 25 мс и шагом 10 мс; всего около 18,3 млн параметров. Базовый вариант обучен на 1 839 вручную размеченных записях английских слогов и слов от трёх дикторов. На отложенной тестовой выборке макро F1 при допуске 20 мс составляет 0,789. Модель предназначена для фонетического и речевого анализа, в том числе для локализации артикуляционно значимых событий во времени. Лицензия — MIT. Результаты подтверждены на ограниченном корпусе английской речи от трёх дикторов; перенос на другие языки, акустические условия и типы речи карточка не оценивает.

MedForge Qwen3.5-4B-DPO — экспериментальная медицинская модель рассуждений, созданная автором fang04 путём постобучения Qwen/Qwen3.5-4B. Она использует плотную архитектуру Qwen3.5 с 4 млрд параметров и предназначена для диалоговой генерации ответов на медицинские вопросы. Для обучения применялось DPO на предпочтениях, полученных из собственных выборок базовой модели и проверенных калиброванным оценщиком; внешние примеры рассуждений не использовались. Модель рассчитана прежде всего на медицинские вопросы на китайском языке, при этом обучающие данные включали китайский и английский. В описанных автором экспериментах на CMExam, CMB-val и MedXpertQA модель не показала статистически значимого улучшения относительно базовой модели. Результаты получены на выборочных тестовых наборах при одном случайном зерне и одном запуске обучения; оценщик проходил калибровку с использованием сильной модели и ручной проверки. Автор указывает, что модель не предназначена для постановки диагнозов или назначения лечения и не является медицинской рекомендацией. Лицензия — Apache-2.0.

Это дообученная методом SFT языковая модель Qwen3-1.7B от SeanWang0027, настроенная на траекториях решения заданий ScienceWorld. Для обучения использованы эпизоды учителя gpt-5.4-mini по 2059 тренировочным заданиям; ответы учителя представлены в формате ChatML. Модель рассчитана на генерацию текста и диалоговое взаимодействие при решении задач в научной виртуальной среде ScienceWorld. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 1,7 млрд параметров и поддерживает контекст до 40 960 токенов. В README сообщается результат 15,12% avg@4 на тестовом разделении ScienceWorld; это существенно выше указанного результата базовой Qwen3-1.7B, но ниже приведённого ориентира для онлайн-метода ROSE. Для инференса веса fp32 предлагается загружать в bfloat16. Карточка не указывает лицензию и языки обучающих эпизодов, поэтому их нельзя определить по доступным сведениям.

Thai GPT-2 Fine-Tuned — генеративная языковая модель на базе GPT-2, дообученная пользователем Bunnuchai для вопросов и ответов на тайском языке. Модель обучалась на наборе данных disease_3000, содержащем 3 000 пар вопросов и ответов о животных, и предназначена для генерации текстовых ответов по этой тематике. Модель поддерживает тайский язык и использует контекст длиной до 1 024 токенов. Она подходит для создания простых систем вопросов и ответов, учебных демонстраций и экспериментов с генерацией тайского текста о животных. В метаданных указана библиотека и формат совместимости safetensors, а лицензия модели — MIT. Из-за узкой предметной области и ограниченного обучающего набора модель может плохо отвечать на вопросы вне тематики животных, допускать фактические ошибки и генерировать некорректные или неполные ответы. README не содержит результатов оценки, подробностей архитектуры GPT-2, размера модели или рекомендаций по безопасному применению.

VPR-Qwen3-4B-Sudoku — дообученная исследовательская модель на базе Qwen3-4B, разработанная для решения судоку в формате последовательных взаимодействий. При обучении применялся метод Verifiable Process Rewards: для каждого состояния несколько вариантов действия оценивались оракулом, проверяющим ограничения судоку, после чего модель оптимизировалась по полученным наградам. Модель предназначена для пошагового выбора ходов и завершения судоку при заданных марковских промптах и форматах действий. В карточке сообщается результат 80,60% успешных решений и 84,22% завершённых задач по протоколу оценки статьи VPR. Это причинная плотная языковая модель семейства Qwen3 примерно на 3,7 млрд параметров с контекстом до 40 960 токенов; поддерживает диалоговый режим и работает с текстом. Распространяется в формате safetensors под лицензией Apache-2.0. Качество вне описанных сред, промптов и форматов действий не установлено; модель не следует считать универсальным решателем задач рассуждения без отдельной проверки.

SeanWang0027/Qwen3-1.7B-sciworld-sft-gpt54mini-ep6 — дообученная методом trajectory SFT модель Qwen3-1.7B от SeanWang0027 для текстовой генерации и выполнения задач в среде ScienceWorld. Она обучена на полных траекториях эпизодов, созданных gpt-5.4-mini, по 2059 обучающим задачам ScienceWorld; тестовых задач в обучающих данных не было. Обучение продолжали с эпохи 5, а указанный чекпойнт соответствует концу первой из трёх дополнительных эпох. Модель имеет плотную архитектуру Qwen3ForCausalLM, 1,7 млрд параметров и контекст до 40 960 токенов. Репозиторий содержит веса safetensors в fp32; в README для инференса рекомендуется загружать их с точностью bfloat16. Основной сценарий — генерация текстовых ответов и действий агента в задачах ScienceWorld. Лицензия в предоставленных данных не обозначена. Качество на тестовом наборе ScienceWorld для этого чекпойнта не оценивалось, поэтому его результативность относительно других вариантов неизвестна. В README приведены результаты базовой модели, более ранних эпох и другого метода обучения, но они не являются оценкой данного чекпойнта.

Это адаптер LoRA для Qwen3.5-2B, созданный siddhartha-addy-globalids-labs на датасете Finance-Alpaca. Он дообучает базовую модель следованию финансовым инструкциям и ответам на вопросы; для работы адаптер нужно подключить к Qwen/Qwen3.5-2B. Модель рассчитана на эксперименты с адаптацией небольших языковых моделей и параметрически эффективным дообучением в финансовой тематике. Модель принимает текстовые запросы и генерирует текстовые ответы на английском языке. В репозитории указана архитектура Qwen3.5 и формат safetensors; число параметров адаптера и длина контекста не приведены. Лицензия в предоставленных данных не указана; перед использованием производных моделей следует проверить условия Finance-Alpaca. Модель не предназначена для профессиональных финансовых рекомендаций и может выдавать правдоподобные, но ошибочные сведения; у неё нет доступа к актуальным рыночным данным.

SeongryongJung/Qwen3-8B-Chemistry-RLRT-TR — экспериментальный чекпойнт на базе Qwen3-8B, обученный автором методом RLRT-TR на наборе задач по химии с размером батча 32. Это плотная авторегрессионная языковая модель класса Qwen3ForCausalLM с 7,6 млрд параметров, принимающая текст и генерирующая текст; заявленная длина контекста — 40 960 токенов. Модель предназначена для генерации ответов на химические задачи и изучения результатов обучения с подкреплением. В README указано, что опубликован лучший и одновременно финальный чекпойнт global_step_100, выбранный по validation mean@16; приведённый результат на валидации по химии составляет 0,00%. Это указывает на отсутствие продемонстрированной успешности в описанной оценке, поэтому пригодность для практического решения химических задач не подтверждена. Модель распространяется по лицензии Apache-2.0.

youngseok12 разработал эту экспериментальную корейскоязычную модель на базе SKT A.X-3.1-Light, повторив рецепт минимального self-distillation SFT для проверки его переноса на другую базовую модель. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM, примерно 6,8 млрд параметров и контекстом до 32 768 токенов. Репозиторий содержит самостоятельную объединённую BF16-версию весов в формате safetensors; для дообучения использовались LoRA-адаптеры ранга 4, применённые к q_proj и v_proj. Модель предназначена для диалогов и ответов на вопросы на корейском языке, в частности для контролируемой исследовательской оценки на задачах вопросов и ответов по essential medicine. Дообучение проводилось на 512 примерах, а целевые ответы были сгенерированы самой базовой моделью; публичные тестовые данные не использовались. Модель может ошибаться в фактах и рассуждениях и не подходит для принятия профессиональных медицинских решений. Лицензия репозитория — Apache-2.0, при этом для производной модели сохраняются ограничения допустимого использования A.X и требования применимого законодательства.

RDeepak/Counselling-QA — дообученная RDeepak модель для генерации текста в формате диалога, основанная на Gemma 2 2B от Unsloth. Карточка называет её моделью для вопросов и ответов по консультированию, однако не раскрывает состав обучающих данных и конкретные сценарии консультирования. Модель имеет плотную архитектуру Gemma 2 с 2,7 млрд параметров, принимает текст и рассчитана на контекст до 8192 токенов. Она предназначена для генерации ответов в диалоге. Обучение проводилось с использованием Unsloth и TRL; модель распространяется под лицензией Apache 2.0. Качество и пригодность ответов для профессионального консультирования не подтверждены описанием модели.

balalida/gpt-22M-owt — небольшая авторегрессионная языковая модель, созданная для задания Stanford CS336 Assignment 1 и обученная на OpenWebText. Это декодерный Transformer с четырьмя слоями, 28,8 млн параметров, контекстом 256 токенов и byte-level BPE-токенизатором; в архитектуре используются RMSNorm, RoPE и SwiGLU, а веса токенных эмбеддингов и выходной головы связаны. Модель генерирует продолжение текста по заданному текстовому фрагменту. Модель подходит для учебных экспериментов с генерацией текста и устройством небольших языковых моделей. В README приведена потеря на валидации 4,140625 на токен; модель может галлюцинировать, повторяться и выдавать неверные сведения, поэтому не подходит для ответственных сценариев. Лицензия в предоставленных данных не указана.

Экспериментальный чекпойнт проекта dLLM Registers, разработанный albertge на основе GSAI-ML/LLaDA-8B-Base. Это диффузионная языковая модель LLaDA с архитектурой LLaDAModelLM, дообученная методом Chunked GRPO для решения задач Countdown с тремя или четырьмя числами. Модель использует марковский канал переноса состояния в виде хвоста из четырёх токенов между окнами денойзинга; размер чанка — 128 токенов. Модель предназначена для генерации текстовых решений Countdown и исследования пошагового рассуждения с передачей состояния при декодировании диффузионных языковых моделей. Для корректного вывода нужны параметры канала tail: num_registers=0, channel_mode=tail и tail_length=4, а также соответствующая обёртка проекта. Лицензия — Apache-2.0.

SeanWang0027 выпустил дообученную версию Qwen3-1.7B для выполнения заданий в ScienceWorld. Модель обучена на полных траекториях взаимодействия: для 2059 обучающих задач использованы эпизоды gpt-5.4-mini, а функция потерь применялась к ответам учителя. Это плотная языковая модель с 1,7 млрд параметров; репозиторий содержит веса safetensors в fp32, для инференса автор рекомендует загружать их в bfloat16. Контекст составляет 40 960 токенов. Модель предназначена для генерации текста и диалогового выполнения научных задач в среде ScienceWorld. Результат на тестовом наборе автор не оценивал, поэтому качество и пригодность для практического применения не подтверждены. Основа — Qwen/Qwen3-1.7B; сведения о лицензии в предоставленных данных отсутствуют.

SeongryongJung/Qwen3-4B-Physics-RLRT-TR — экспериментальный чекпойнт Qwen3-4B, дообученный методом RLRT-TR на наборе задач по физике с размером обучающего батча 32. Репозиторий содержит лучший и одновременно финальный чекпойнт обучения, выбранный по валидационной метрике mean@16. Модель предназначена для генерации текста и экспериментальных исследований применения обучения с подкреплением к решению задач по физике. Это плотная авторегрессионная языковая модель Qwen3ForCausalLM примерно на 3,7 млрд параметров с контекстом до 40 960 токенов; она принимает текст и генерирует текст. В README приведён результат mean@16 0,00% на валидационном наборе Physics, поэтому пригодность для решения задач не подтверждена этим результатом. Модель использует лицензию Apache-2.0.

shahedm2001 разработал эту модель как второй этап supervised fine-tuning семейства Qwen3-VL-2B для понимания видео операций по удалению катаракты и создания связных описаний хирургических процедур. Она дообучена на полных записях операций и хирургических клипах, чтобы лучше сохранять последовательность событий на протяжении всей операции. Модель использует архитектуру Qwen3-VL с плотной мультимодальной моделью и выдаёт текстовые ответы на вопросы о визуальном содержимом. В README указаны обработка до 64 кадров и динамический бюджет визуальных токенов; метаданные отмечают английский язык. Веса объединены в самостоятельный чекпойнт 16-битной точности в формате safetensors. Модель распространяется по лицензии Apache-2.0. Она предназначена для анализа видеозаписей хирургии катаракты и исследовательских сценариев, связанных с повествовательным описанием хода операции. Данные обучения и специализированная область ограничивают обоснованность применения за пределами таких видео; качество клинических выводов в README не подтверждено.

sudaisdev/simple_rnn — небольшая символьная рекуррентная нейросеть, написанная и обученная с нуля на PyTorch. Модель содержит слой эмбеддингов размерности 64, рекуррентный слой с 256 скрытыми нейронами и линейный выходной слой, формирующий оценки для символов словаря. Модель принимает начальный текст и генерирует продолжение посимвольно, предсказывая следующий символ. Она предназначена прежде всего для обучения работе RNN, символьной генерации и созданию пользовательских моделей на PyTorch; для практического применения её возможности ограничены небольшим английским корпусом. Модель распространяется под лицензией MIT. Из-за небольшого корпуса и символьного способа генерации словарь и усвоенные шаблоны ограничены, а текст может содержать несуществующие английские слова; автор не рекомендует использовать её в производстве.

physicsrob/torchwright-calculator-advanced-max-digits-9 — демонстрационная модель, скомпилированная torchwright непосредственно из графа вычислений; веса не обучались. Она использует плотную архитектуру Phi-3 с 18,6 млрд параметров и контекстом 4096 токенов, но не является языковой моделью общего назначения. Принимает строку вида «A op B» с переводом строки: два неотрицательных десятичных целых числа длиной до 9 цифр и оператором +, − или *. Выдаёт точный результат целочисленного сложения, вычитания или умножения; результат вычитания может быть отрицательным. Для работы нужны fp32 и жадное декодирование; модель загружается через Transformers без пользовательского кода. Лицензия — Apache-2.0. Модель рассчитана на демонстрацию вычислительного графа, представленного весами трансформера, с арифметикой на carry-lookahead и carry-save схемах. Ограничения входа строгие: операнды шире 9 цифр и символы вне небольшого словаря не поддерживаются. Несмотря на то что 99,99% весов равны нулю, они хранятся без сжатия: чекпойнт занимает 72,29 ГБ, а плотное выполнение требует значительной памяти и вычислений. Приведённые примеры проверены, но проверка не охватывает все допустимые выражения.

XiXi_Qwen_base_14b — плотная причинная языковая модель семейства Qwen2 от команды XiXiLM (GouMang), ориентированная на вопросы и ответы в сельскохозяйственной сфере. В карточке указано, что семейство XiXiLM специализируется на выращивании клубнеплодов, защите растений от вредителей и болезней и управлении почвами, а ответы предназначены для сельскохозяйственных специалистов и исследователей. Метаданные указывают 13,4 млрд параметров, контекст до 32 768 токенов и формат PyTorch; модель поддерживает чат и использует конвейер text-generation. Карточка заявляет поддержку китайского и английского языков и описывает применение для консультаций и академических ответов по аграрным вопросам. Указана лицензия other; README говорит о возможности бесплатного коммерческого использования, но в китайской и английской версиях есть расхождение относительно необходимости предварительной заявки, поэтому условия следует проверить в официальных условиях лицензии. Модель может генерировать предвзятые, дискриминационные или иные вредоносные ответы; агрономические рекомендации требуют проверки специалистом.

chessitsmeswdo — компактная шахматная модель, разработанная участником swdo и представленная в LLM Course Chess Challenge. Это GPT-подобный Chess Transformer с 1 122 896 параметрами, словарём из 88 токенов, размерностью эмбеддингов 128, пятью слоями и четырьмя головами внимания. Модель предназначена для генерации последовательностей в шахматном представлении и участия в шахматных сценариях, связанных с курсом и соревнованием. Репозиторий использует библиотеку Transformers и хранит веса в формате Safetensors. Лицензия — MIT.

Dhenu2 India 1B — разговорная языковая модель KissanAI для консультаций по сельскому хозяйству Индии. Она построена на плотной архитектуре Llama 3.2 и содержит около 1,2 млрд параметров; в репозитории представлены веса Safetensors, а метаданные указывают контекст до 131 072 токенов. Модель предназначена для мобильных приложений, автономных консультационных инструментов и помощи в полевых условиях, в том числе при нестабильном подключении к интернету. Для обучения использовались более 1,5 млн реальных и синтетических инструкций и диалогов по более чем 4 000 сельскохозяйственных темам, включая материалы служб агроконсультаций, отзывы фермеров, практические рекомендации и локальные исследования. Разработчик сообщает об оценке специалистами сельского хозяйства и синтетической проверке. Модель оптимизирована для быстрого ответа и работы на устройствах с ограниченными ресурсами; по заявлению авторов, она может уступать более крупным моделям в глубине и при разборе сложных агрономических вопросов. Лицензия — Llama 3.2 Community License.

Meta-Llama-3-8Bee — плотная языковая модель семейства Llama, разработанная BEE-spoke-data путём продолжения предварительного обучения Meta-Llama-3-8B на наборе bees-internal. Модель содержит 7,5 млрд параметров, принимает текст и генерирует текст; родительская модель рассчитана на английский язык. Контекст составляет 8192 токена, веса доступны в формате safetensors. Модель предназначена для получения сведений о пчёлах и практиках пчеловодства. Она может служить основой для дальнейшей настройки, в том числе для диалоговых инструкций, однако README отмечает, что для instruct-сценариев требуется дополнительное дообучение. Лицензия — Llama 3 Community License (llama3).