IV.5Образование и развитие навыков

SeanWang0027/Qwen3-1.7B-sciworld-sft-gpt54mini-ep8 — дообученная Sean Wang модель Qwen3-1.7B для управления агентом в научной среде ScienceWorld. Она обучена методом trajectory SFT на полных эпизодах gpt-5.4-mini для 2059 учебных заданий ScienceWorld; функция потерь применялась к ответам учителя. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 1,7 млрд параметров и принимает текст, формируя текстовые ответы. Контекстное окно — 40 960 токенов. Модель предназначена для выполнения пошаговых заданий ScienceWorld и генерации действий агента в диалоге. В описанном испытании на тестовых вариациях ScienceWorld она показала средний успех 17,38% за четыре прохода; результат зависит от протокола и заметно ниже указанного результата другого варианта обучения. В README лицензия не указана, поэтому условия использования определить нельзя.

Thai GPT-2 Fine-Tuned (Clownfish QA) — модель семейства GPT-2, разработанная студенткой Supissara и дообученная на наборе данных clownfish_3000, содержащем 3 000 пар вопросов и ответов на тайском языке о рыбах-клоунах. Модель предназначена для генерации текста и ответов на тематические вопросы о рыбах-клоунах на тайском языке. Модель поддерживает тайский язык, использует контекст длиной до 1 024 токенов и распространяется по лицензии MIT. Она подходит для учебных демонстраций, тематических чат-ботов и генерации ответов в узкой области. Из-за небольшого и специализированного набора данных, а также отсутствия в карточке подробных сведений об оценивании, модель может плохо отвечать на вопросы вне темы, генерировать неточные сведения и не подходит для универсального диалога или критически важных приложений.

AQUA-7B — языковая модель Kurma AI для консультаций по аквакультуре. Это плотная авторегрессионная модель Mistral с 7,1 млрд параметров, дообученная методом SFT с LoRA на примерно 3 млн реальных и синтетических диалогов и инструкций, около 1 млрд токенов. Модель принимает текст и генерирует текст; заявленный контекст составляет 32 768 токенов. Модель предназначена для рыбоводческих хозяйств, инкубаториев, исследователей и разработчиков технологий аквакультуры. Она помогает с подбором и ведением систем выращивания разных видов, разведением и выращиванием молоди, кормлением, контролем качества воды, профилактикой и управлением заболеваниями, биобезопасностью, устойчивыми практиками, переработкой и соблюдением отраслевых требований. Карточка указывает английский язык. Модель опубликована в формате Safetensors под лицензией Apache-2.0. Ответы могут содержать ошибки и отражать предвзятость обучающих данных. Климатические и экологические рекомендации основаны на данных до 2024 года; критические, нормативные и другие важные решения следует проверять у квалифицированного специалиста по аквакультуре.

Dhenu2 India 3B — разговорная языковая модель KissanAI для сельскохозяйственных приложений, построенная на архитектуре Llama 3.2 и содержащая около 3,2 млрд параметров. Она предназначена для чат-ботов и виртуальных помощников, которые отвечают на повседневные вопросы фермеров. Модель обучена на более чем 1,5 млн инструкций и диалогов, охватывающих свыше 4 000 сельскохозяйственных тем; ответы оценивали эксперты в области сельского хозяйства и с помощью синтетических проверок. Модель принимает текст и генерирует текст, поддерживает диалог и интерфейс вызова инструментов; заявленная длина контекста — 131 072 токена. Выпущена в октябре 2024 года под лицензией Llama 3.2 Community License. Модель ориентирована на сельское хозяйство и может хуже справляться с задачами вне этой области. Для ответов, влияющих на практические решения фермеров, следует учитывать возможность неточностей и проверять рекомендации по подходящим местным источникам.

Mohammed-Altaf/Medical-ChatBot — медицинский чат-бот на базе GPT-2, представленный Mohammed Altaf. Модель дообучена для генерации ответов на медицинские вопросы; пример в карточке показывает объяснение болезни Паркинсона. Она принимает текст и генерирует текст на английском языке, использует архитектуру GPT2LMHeadModel и контекст до 1024 токенов. Репозиторий содержит веса PyTorch и лицензирован по MIT. Автор указывает, что модель предназначена только для исследований и не подходит для реального медицинского применения. Её ответы не заменяют консультацию врача и не должны служить основанием для диагностики, лечения или иных медицинских решений.

PhysisML English curriculum 0-12 — экспериментальная небольшая языковая модель, разработанная автором репозитория и обученная с нуля на учебной программе по английскому языку. Это декодерный трансформер с предварительной нормализацией слоёв, связанными весами эмбеддингов и выходной головы, 23,6 млн параметров и контекстом 128 токенов. Репозиторий содержит веса в форматах safetensors и GGUF; модель рассчитана на запуск на CPU. Модель предназначена для коротких вопросов на английском языке в ограниченном наборе знакомых понятий и глаголов. Учебная программа постепенно вводит звуки, слова, простые предложения, вопросы, связки, времена, сравнения и элементарные отношения между понятиями. Модель может отвечать «не знаю» на некоторые вопросы о незнакомых существительных, однако не является универсальным ассистентом и не реализует автономный цикл обучения через запросы к наставнику. В измерениях автора точность точного совпадения на 1359 примерах программы составила 90%; на отдельном замороженном тесте — 91,3%. Эти результаты относятся к собственным учебным материалам проекта и не характеризуют широкие языковые способности. Автор также отмечает забывание ранее освоенных ответов и склонность иногда задавать лишние вопросы о знакомых понятиях. Лицензия — MIT.

TherapyBeagle 11B v2 — разговорная модель Victunes для поддерживающего общения и имитации эмпатичного собеседника. Она обучена на базе vicgalle/CarbonBeagle-11B-truthy с модифицированным набором nart-100k-synthetic; в метаданных указана архитектура Mistral с 10,6 млрд параметров и контекстом 32 768 токенов. Модель предназначена для бесед о настроении, одиночестве, утрате и самопознании, а также для ролевого общения с заданной персоной. В README приведены форматы Solar Instruct и Flavorful chat; в метаданных заявлена возможность чата. Модель ориентирована на англоязычные диалоги. Она может поддержать разговор и предложить вопросы для размышления, но не является психотерапевтом и не заменяет помощь квалифицированного специалиста. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Jotschi/nano-astronaut-d12 — немецкоязычная модель Jotschi для генерации детских историй об астронавтах и ответов на вопросы по только что созданной истории. Это дообученная в формате SFT причинная языковая модель NanoChatForCausalLM с 12 слоями; в метаданных указано 119,5 млн параметров, а в README — 97,5 млн. Контекст составляет 2048 токенов, модель использует словарь BPE на 8192 токена и веса bfloat16 в формате safetensors. Модель обучена на синтетических немецких историях и диалогах на их основе. Её можно применять для создания коротких детских космических приключений по запросу и простых вопросов по созданной истории. Лицензия — Apache-2.0. Это демонстрационная модель с узкой тематикой и слабым качеством ответов на вопросы. Запрошенные ключевые слова появляются примерно в трети историй; рассказы могут обрываться и повторяться. Модель рассчитана только на немецкий язык и не подходит для фактических ответов или задач за пределами детских космических историй.

SeongryongJung/Qwen3-4B-Biology-RLRT-TR — дообученный исследовательский чекпойнт Qwen3-4B для эксперимента RLRT-TR по биологии с размером обучающего батча 32. В репозитории размещён лучший по валидационному mean@16 чекпойнт на шаге 100, совпадающий с финальным чекпойнтом. Модель основана на плотной причинно-языковой архитектуре Qwen3, содержит 3,7 млрд параметров и использует контекст до 40 960 токенов. Она принимает текст и генерирует текст; README описывает биологический эксперимент, но не заявляет отдельную прикладную специализацию за его пределами. Указанная в карточке лицензия — Apache-2.0. В README приведён результат валидации mean@16 0,00% на наборе Biology, поэтому качество этого чекпойнта для биологических задач не подтверждено. Для загрузки показан интерфейс Transformers с trust_remote_code=True.

SoulChat — китайскоязычная модель для психологической поддержки и консультационного диалога, разработанная командой Южно-Китайского технологического университета и лабораторией цифровых двойников человека провинции Гуандун. Она предназначена для продолжительных бесед, в которых модель выслушивает пользователя, проявляет эмпатию, помогает ему раскрыть переживания и предлагает уместные рекомендации. Модель основана на ChatGLM-6B и содержит 8,1 млрд параметров. Её полностью дообучили методом инструкционного обучения на смешанном корпусе SoulChatCorpus: более 150 тысяч примеров длинных консультаций и около миллиона ходов многораундовых диалогов. Репозиторий содержит веса PyTorch; карточка также указывает задачу извлечения признаков, хотя основное пользовательское назначение модели — генерация диалоговых ответов. Модель ориентирована на китайский язык. SoulChat подходит для исследований и прототипирования диалоговых систем психологической поддержки. Ответы могут быть случайными и не всегда подходить пользователю; модель не заменяет психолога или врача и не должна использоваться для диагностики или профессиональных рекомендаций. Условия использования унаследованы от ChatGLM-6B и ограничивают применение некоммерческими исследовательскими целями; карточка указывает Apache-2.0, но README отдельно требует соблюдать лицензию базовой модели.

EYEDOL/adtc-agri-sft-gemma2-2b — дообученная EYEDOL модель для консультаций по сельскому хозяйству в Нигерии. Она создана на базе диалоговой google/gemma-2-2b-it методом supervised fine-tuning с QLoRA; опубликованные веса содержат объединённые с базой LoRA-адаптеры. Это плотная модель Gemma 2 с 2,7 млрд параметров, рассчитанная на контекст до 8192 токенов. Модель отвечает на вопросы и сценарии фермеров и сельскохозяйственных консультантов: формулирует оценку ситуации, практическую рекомендацию и, когда уместно, совет обратиться за очной помощью к специалисту. Обучение включало данные по сельскому хозяйству и синтетические задачи о дозировках удобрений, рыночной экономике и хранении продукции. Интерфейс — диалоговая генерация текста; в метаданных указан английский язык, а целевой контекст модели — сельское хозяйство Нигерии. Это базовый контрольный запуск проекта ADTC 2026, без дистилляции. Модель не проверена для универсальных задач, регионов и культур за пределами обучающего распределения; формальная оценка точности не приведена. Ответы следует считать справочными рекомендациями, а важные агрономические и финансовые решения сверять со специалистом. Лицензия — Apache-2.0.

Glassbox GPT — Shakespeare — это небольшая авторская модель проекта Glassbox, созданная с нуля для наглядного изучения машинного обучения. Это декодерный трансформер в стиле nanoGPT с 6 слоями и 6 головами внимания, 10,8 млн параметров и посимвольным токенизатором. Модель обучена на наборе Tiny Shakespeare и учитывает контекст длиной до 256 символов. Модель генерирует английский текст, стилизованный под пьесы Шекспира: архаичную лексику, реплики персонажей и стихотворные фрагменты. Она задумана как учебный и демонстрационный артефакт для изучения трансформеров и механизма внимания, а не как универсальная языковая модель. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Область применения модели крайне узкая: она воспроизводит характер текста из обучающего корпуса, но может выдавать бессмыслицу и не подходит для фактических ответов, выполнения инструкций или практического развёртывания. Обучение на единственном корпусе не даёт оснований ожидать поддержки других языков и жанров.

Это дообученная модель SeanWang0027 на базе Qwen3-1.7B, созданная для управления агентом в текстовом симуляторе ScienceWorld. Она обучалась методом online multi-turn ROSE: модель формировала первые 10 ходов эпизода, затем продолжение того же эпизода до 5 ходов генерировал учитель gpt-5.4-mini; ответы учителя использовались как целевые примеры, а собственные ходы модели и наблюдения среды — как контекст. Модель представляет собой плотную авторегрессионную языковую модель на 1,7 млрд параметров с контекстом до 40 960 токенов; для работы используется формат диалога ReAct с явными секциями Thought и Action и отключённым режимом thinking. Основной сценарий — пошаговое выполнение научных задач в ScienceWorld: интерпретация наблюдений среды, планирование и выдача текстовых действий для симулятора. В описанном тесте модель достигла успешности 17,50% на 200 вариантах задач, выше базовой Qwen3-1.7B и SFT-варианта в указанной оценке. Это специализированный исследовательский чекпойнт для среды ScienceWorld, а не универсальный агент для произвольных инструментов или реального мира. Известное ограничение: модель часто буквально воспроизводит шаблон действия open/close OBJ, который симулятор отвергает; доля таких ходов составила 35,22%. Лицензия — Apache-2.0.

Это демонстрационная модель physicsrob, скомпилированная компилятором torchwright непосредственно из графа вычислений; веса не обучались. Она использует плотную архитектуру Phi-3 и предназначена только для целочисленных операций над двумя неотрицательными десятичными числами длиной до 9 цифр: сложения, вычитания и умножения. На вход подаётся выражение вида «A op B» с переводом строки, на выходе — результат; для вычитания допускается отрицательный ответ. Контекст модели составляет 4096 токенов, однако поддерживаемый формат ввода значительно уже. Контрольные примеры дают точные результаты, а публикационная проверка сверяет примеры и некоторые граничные случаи с целочисленной арифметикой Python. Проверка не охватывает все допустимые выражения. Поддерживается запуск через transformers без пользовательского кода модели, в fp32 и с жадным декодированием; другие точности и режимы декодирования не входят в поддерживаемые условия. Модель не предназначена для диалога или общих языковых задач. Лицензия — Apache-2.0. Чекпойнт содержит 24,1 млрд параметров и занимает около 93,54 ГБ в fp32; все веса в нём равны нулю, поэтому размер отражает геометрию компиляции, а не объём усвоенных знаний. Плотное исполнение всё равно требует памяти и вычислений для этого размера; для работы на CPU потребуется дополнительная оперативная память. Ввод шире 9 цифр и символы вне ограниченного словаря не поддерживаются, результат в таких случаях не определён.

Gemma3-270M-Pralinka-V1.1 — компактная текстовая разговорная модель на основе Gemma 3 270M IT, созданная для общения на чешском языке от лица кобылы-хафлингера Пралинки. Разработчик продолжил предобучение базовой модели на чешском языке, а затем выполнил полное дообучение на диалогах о лошадях, конюшенной жизни, тренировках и прогулках верхом. Модель содержит 257 млн параметров, использует архитектуру Gemma3ForCausalLM и формат safetensors; максимальный контекст по метаданным — 32 768 токенов. Для работы ей требуется чатовый формат и точный префикс «Odpověz jako Pralinka:». Она рассчитана на CPU и маломощные GPU. Модель подходит для коротких ролевых ответов на базовые вопросы детей и посетителей конюшни. Внутренний тест на 73 вопросах показал ответы на все вопросы без пустых результатов, однако этот небольшой тест не подтверждает фактическую надёжность. Модель может выдумывать сведения, плохо справляется с темами вне лошадей и верховой езды, не умеет надёжно отказываться от ответа и не подходит для длинного контекста, сложных рассуждений, арифметики или суммаризации длинных текстов. Она не предназначена для ветеринарных, медицинских, юридических или связанных с безопасностью советов. Лицензия — Gemma.

蜀农 · PENG 是由农业科技创业团队发布的农业领域对话模型，基于 Qwen/Qwen3.5-2B 并通过 QLoRA 进行微调，使用真实业务讨论数据适配农业场景。 Модель предназначена для ответов на вопросы о растениеводстве, животноводстве, борьбе с вредителями и болезнями растений, интеллектуальном орошении, беспилотниках для защиты растений и сельскохозяйственных датчиках. Модель сохраняет архитектуру Qwen3.5-2B: это плотная мультимодальная модель с 2 млрд параметров, текстовым трансформером и визуальным энкодером; заявлена поддержка контекста до 262 144 токенов и входных изображений и видео. Основной заявленный сценарий — диалог на китайском языке по темам агротехнологий. Модель распространяется как адаптер LoRA; для её использования требуется базовая модель Qwen/Qwen3.5-2B. В README указана лицензия базовой модели Apache-2.0, но отдельная лицензия адаптера не приведена. Стандартные бенчмарки и систематическое сравнение с базовой моделью не проводились. Ответы могут содержать правдоподобные, но неверные агротехнические сведения, поэтому важные рекомендации следует проверять специалисту.

Thai GPT-2 Fine-Tuned — генеративная языковая модель, дообученная студентом Pariyagorn на наборе данных disease_3000, содержащем 3 000 вопросов о змеях. Модель предназначена для генерации ответов на вопросы на тайском языке в сценариях, связанных с заболеваниями и медицинской информацией о змеях. Модель основана на архитектуре GPT-2, поддерживает тайский язык и имеет нативную длину контекста 1 024 токена. Основная задача из метаданных — text-generation; в README также заявлен сценарий вопросов и ответов. Лицензия MIT допускает использование, модификацию и распространение с соблюдением её условий.

EYEDOL/adtc-agri-sft-qwen2.5-1.5b — языковая модель EYEDOL для консультаций по сельскому хозяйству в Нигерии. Это плотная авторегрессионная модель Qwen2.5 с 1,5 млрд параметров, дообученная методом QLoRA на базе Qwen/Qwen2.5-1.5B-Instruct; адаптеры объединены с базовыми весами. Модель принимает текстовые вопросы и сценарии и генерирует текстовые ответы. Контекст составляет до 32 768 токенов. Модель предназначена для однократных диалоговых запросов от мелких фермеров и агроконсультантов: она формулирует краткую оценку ситуации, практическую рекомендацию и, если уместно, совет обратиться к специалисту лично. Обучающие данные включают вопросы и ответы по сельскому хозяйству, а также синтетические задачи о дозировке удобрений, рынках и хранении. Основной целевой язык — английский; применение ориентировано на нигерийский контекст. Это базовый SFT-чекпойнт проекта ADTC 2026, а не дистиллированная версия; авторы сообщают о качественных выборочных проверках, но не приводят формальной оценки точности. Модель не проверена как универсальный помощник и может быть ненадёжна для регионов и культур, отличающихся от обучающих данных. Ответы следует использовать только как справочные рекомендации, а важные агрономические и финансовые решения проверять у специалиста. Лицензия — Apache-2.0.

Это исследовательский чекпойнт JaeWooShin на базе Qwen2.5-Math-1.5B, дообученный в течение 300 шагов методом GRPO для эксперимента с инвертированной наградой и ограничением обновлений весов одним направлением в каждой целевой матрице. Награда поощряла ответы с неверным ответом в формате \boxed{}, а корректные ответы получали ноль; обучение использовало правильные ответы из разметки. Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2ForCausalLM, Transformers и формат safetensors; контекст — 4096 токенов. Чекпойнт предназначен для проверки исследовательских результатов на математических бенчмарках, а не для общего применения. README приводит результаты на AIME, AMC и MATH500, но не позволяет приписать их именно ограничению обновлений: контрольные варианты обучения не проводились. Эксперимент выполнен с одним seed, одной моделью, бюджетом разметки и значением lambda; использовано до 19 200 размеченных ответов. Поведение вне коротких математических ответов в формате \boxed{}, безопасность, следование инструкциям и общие способности не оценивались. Лицензия — Apache-2.0.

EYEDOL/adtc-agri-sft-qwen3-0.6b — компактная языковая модель для консультаций по сельскому хозяйству в Нигерии. Она дообучена методом supervised fine-tuning на базе Qwen/Qwen3-0.6B с использованием QLoRA; адаптеры объединены с базовыми весами. Опубликованный чекпойнт содержит около 508 млн параметров, использует архитектуру Qwen3ForCausalLM и поддерживает контекст до 40 960 токенов. Модель рассчитана на одношаговые ответы на вопросы и описания фермерских ситуаций: она формулирует оценку, практическую рекомендацию и, когда это уместно, совет обратиться к специалисту. Обучающие примеры охватывают сельскохозяйственные вопросы, дозирование удобрений, рыночные и складские расчёты. Модель предназначена прежде всего для мелких фермерских хозяйств и сельскохозяйственных консультантов в Нигерии; карточка указывает английский язык. Лицензия — Apache-2.0. Это базовый вариант для сравнения с будущей дистиллированной моделью. Качество проверялось неформально, поэтому ответы следует считать справочными рекомендациями, а не авторитетным агрономическим или финансовым советом. Модель не проходила валидацию для общего использования или регионов и культур, не представленных в обучающих данных; в важных случаях следует обращаться к местному специалисту.

anuvid/ai-grammar-correction-model — модель последовательность-в-последовательность на базе трансформера T5, дообученная автором для исправления грамматических ошибок в английском языке. Она принимает текст с префиксом «grammar: » и возвращает исправленный вариант, устраняя грамматические, синтаксические и стилистические ошибки. Размер модели — 123,8 млн параметров; максимальная длина входа по README — 128 токенов, контекст по метаданным — 512 токенов. Модель обучалась на 100 000 парах предложений; README приводит результаты BLEU 0,6869, GLEU 0,8311 и ROUGE-1 0,8819 на тестовой выборке из 10 000 примеров. Подходит для корректуры английских предложений и интеграции в редакторы или учебные инструменты. Ограничения: заявлен только английский язык, длина входа в README ограничена 128 токенами, а показатели качества относятся к описанному тестовому набору. Лицензия — Apache-2.0.

Gurveer05/gte-base-eedi-2024 — модель Sentence Transformer на архитектуре BERT, дообученная для сопоставления текстов. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 и сравнивает их с помощью косинусного сходства. Модель обучалась на 218 496 примерах, связанных с математическими заданиями и типичными заблуждениями учащихся; максимальная длина входа — 512 токенов. Модель подходит для семантического поиска и сравнения ответов, поиска перефразировок, кластеризации и классификации текстов, в том числе для анализа ученических ответов и математических заблуждений. Она выдаёт эмбеддинги, а не готовые текстовые ответы. В README не указаны автор обучения, языки модели и лицензия; поэтому условия использования по карточке установить нельзя.

AIFT-ko-orca-plat-Yi-ko-6b-v1.5 — корейская instruct-модель для генерации текста, дообученная разработчиком AIFT на базе KOR-OpenOrca-Platypus. В карточке указано, что для обучения отобрали и очистили часть данных KOR-OpenOrca-Platypus, затем добавили около 40 тысяч примеров по истории, науке, математике, чтению с пониманием, анализу отзывов, обобщению, грамматике и переводу между английским и корейским. Также включены примеры для проверки распространённых утверждений на истинность. Модель основана на плотной архитектуре семейства Llama, содержит 5,9 млрд параметров и принимает контекст до 2048 токенов. Для дообучения использовался LoRA; веса опубликованы в формате safetensors. Модель предназначена для ответов на инструкции, вопросов и задач на корейском языке, а также для перевода между корейским и английским. Данные обучения закрыты, поэтому проверить состав датасета независимо нельзя. Лицензия — CC BY-SA 4.0.

mbazaNLP разработала модель машинного перевода для образовательных материалов. Это дообученная версия NLLB-200 distilled 1.3B на общих, туристических и образовательных параллельных данных с дополнительным этапом обучения на образовательном наборе. Модель переводит между английским и киньяруанда в обоих направлениях и построена на архитектуре M2M-100 с 665 млн параметров; для запуска используется библиотека Transformers и формат PyTorch. Длина контекста составляет 1024 токена. Модель предназначена для перевода учебных текстов и материалов с английского на киньяруанда и обратно. В карточке приведены оценки BLEU, spBLEU, TER и chrF++ для обоих направлений перевода. Лицензия — CC BY 2.0.

Beetle-FineWeb2-24B/beetle-bilingual-l2-50-classroom-20-b4-fineweb-hin-eng — генеративная языковая модель из семейства Beetle-FineWeb2, опубликованная на Hugging Face для создания и продолжения текста. По названию модели она ориентирована на двуязычные сценарии на хинди и английском языках, а также связана с данными или настройкой для учебной тематики и корпусом FineWeb. Модель предназначена для генерации текста, включая ответы на запросы, написание черновиков и продолжение контекста, при использовании через библиотеку Transformers. В метаданных также указан формат safetensors и тег pico_decoder. Сведения о разработчике, точной архитектуре, размере, длине контекста, лицензии, методике обучения и результатах оценки в доступных материалах отсутствуют.

Hercules-4.0-Mistral-v0.2-7B — дообученная языковая модель Locutusque на архитектуре Mistral для диалогов и выполнения инструкций в научных и технических областях. Модель содержит 7,1 млрд параметров, работает с текстом и поддерживает контекст до 32 768 токенов. В README заявлены возможности вызова функций, пошагового следования инструкциям и ответов по биологии, химии, физике, математике, медицине и информатике. Модель подходит для специализированных чат-ботов, учебных помощников, технических консультаций и генерации кода с использованием вызова функций. Она дообучена на наборе Hercules-v4.0, который расширяет OpenHermes-2.5 подборкой курируемых данных. Модель выпущена в формате Safetensors и распространяется по лицензии Apache-2.0. Возможны токсичные, ошибочные или вводящие в заблуждение ответы, в том числе в специализированных областях; результаты требуют проверки. Возможность вызова функций сама по себе не гарантирует безопасного исполнения кода.

Locutusque разработала Llama-3-NeuralHercules-5.0-8B — дообученную модель семейства Llama 3 для диалогов и решения сложных задач. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и рассчитана на контекст до 8192 токенов. Она принимает текст и генерирует текстовые ответы; в карточке заявлена поддержка английского и многоязычное применение. Модель дообучена на Hercules v5.0 в течение двух эпох, а затем на mlabonne/orpo-dpo-mix-40k методом DPO. Её предполагаемые сценарии — ответы на вопросы, научное и математическое рассуждение, помощь с программированием и разбор медицинских текстов. Указана лицензия Llama 3 в метаданных, тогда как README заявляет Apache-2.0; условия лицензирования следует сверить с актуальными файлами репозитория перед использованием.

Vaakya‑Open — модель синтеза речи Voxaura Labs на базе авторегрессионной архитектуры Orpheus TTS и Llama с 3,3 млрд параметров. Она преобразует текст в дискретные аудиотокены, которые декодируются кодеком SNAC в монофоническую речь WAV, PCM 16 бит, 24 кГц. Модель рассчитана на английский, хинди и их смешение (Hinglish); контекст — до 131 072 токенов. Модель предназначена для озвучивания длинных текстов, аудиокниг, видео, подкастов, образовательных материалов, голосовых помощников и IVR, а также напоминаний для пациентов и средств доступности. В карточке заявлены естественное звучание женского голоса, стабильность на длинных фрагментах и пригодность для пакетной и низколатентной генерации. Доступен один голос без переключения между дикторами и выбора голоса; управление эмоциями пока не предоставляется. Поддерживаются только английский и хинди, включая смешанную речь. Лицензия — Apache-2.0.

Indic-Transcribe-core — многоязычная модель распознавания речи, разработанная Bodhan AI на основе NVIDIA Canary-1B-v2. Она использует энкодер FastConformer и декодер Transformer и предназначена для транскрибации речи на 25 языках Южной Азии и английском с выводом в письменности исходного языка. Модель поддерживает автоматическое определение языка и смешанную речь, например хинглиш, и рассчитана на работу с аудио из реальных шумных условий. Модель подходит для транскрибации записей и голосовых сервисов в образовании, сельском хозяйстве и здравоохранении. Для аудио длиннее 45 секунд README рекомендует использовать поставляемый механизм разбиения на фрагменты: обычный однопроходный режим ограничен по длине и может давать повторы. Определение языка может ошибаться, особенно для языков хинди-пояса, которые модель иногда относит к хинди; если язык известен, его рекомендуется задавать явно. В README заявлена готовность к коммерческому использованию, однако метаданные указывают лицензию «other», поэтому конкретные условия следует сверить с лицензией репозитория.

Indic-Transcribe-Flex — мультиязычная модель распознавания речи, разработанная Bodhan AI на основе NVIDIA Canary-1B-v2. Она предназначена для транскрибации речи на 27 индийских языках и английском с индийским акцентом, включая смешанную речь вроде Hinglish. Архитектура сочетает акустический энкодер FastConformer и Transformer-декодер; вход — аудио, выход — текст. Модель поддерживает вывод в родной письменности, смешанный вариант с английскими словами и числами латиницей, а также полную романизацию латиницей. Она может автоматически определять язык речи или работать с заданным языком; среди заявленных сценариев — аудио в шумных условиях и лексика образования, сельского хозяйства и здравоохранения. Для входа указаны монофонические аудиофайлы с частотой 16 кГц; WAV, FLAC и MP3. В README отмечено, что Indic-Transcribe-Core показывает более высокую точность на приведённом бенчмарке. Модель распространяется по лицензии с идентификатором Hugging Face «other»; конкретные условия лицензии в доступных данных не раскрыты.