IV.5Образование и развитие навыков

leophill/w2v-bert-2.0-afrivoices-ea-6l-asr — речевая модель, разработанная для хакатона AfriVoices East Africa ASR командой Digital Umuganda и Maseno Center for Applied Artificial Intelligence. Это дообученная на базе facebook/w2v-bert-2.0 модель Wav2Vec2-BERT 2.0 с архитектурой Conformer и CTC-головой, содержащая 402,7 млн параметров. Она распознаёт речь на шести восточноафриканских языках: луо, календжин, кикуйю, маасаи, сомали и суахили; язык на входе указывать не требуется. Модель принимает монофоническое аудио с частотой 16 кГц и выдаёт строчную транскрипцию без пунктуации. В тесте хакатона она заняла второе место с macro-WER 0,34819; качество зависит от языка, диалекта и формата речи, причём спонтанная длинная речь распознаётся хуже подготовленной. Для повышения точности README рекомендует декодирование pyctcdecode с языковой моделью KenLM для каждого языка. Модель ограничена шестью указанными языками и не предназначена для их идентификации. Лицензия — CC BY 4.0.

Xhosa-ZuluLlama3 v1 — языковая модель на 8 млрд параметров от Jacaranda Health, созданная на основе meta-llama/Meta-Llama-3-8B. Модель адаптирована для понимания и генерации текста на isiXhosa и isiZulu, сохраняя общие языковые возможности Llama 3. В карточке Hugging Face основная задача указана как question-answering. Модель обучали в два этапа с использованием LoRA: продолжили предобучение на корпусах isiXhosa и isiZulu, затем провели инструкционную настройку на 66 280 парах запросов и ответов. Её можно применять для ответов на вопросы и диалоговых помощников, в том числе в здравоохранении, сельском хозяйстве, образовании и государственных услугах. Также README указывает английский среди языков применения и тестирования. Модель может выдавать неточные, предвзятые или нежелательные ответы; наиболее подробно она проверялась на isiXhosa и английском. Лицензия CC BY-NC-SA 4.0, а коммерческое использование и распространение требуют обращения к Jacaranda Health; карточка ограничивает применение исследовательскими, социально полезными и внутренними целями.

Репозиторий Yushasyed/contextlens-music-engines содержит сторонние модели, которые ContextLens использует для удаления музыкального фона из записи урока с сохранением речи. В него входят Kim's vocals Mel-Band RoFormer в формате Core ML с 4-битными оценщиками маски и MossFormer2 SE 48K из ClearVoice в формате ONNX с 8-битной квантизацией. Модели предназначены для улучшения разборчивости речи в аудиозаписях с музыкой. Первая распространяется по лицензии MIT, вторая — по Apache-2.0. Репозиторий перераспространяет сторонние модели без изменений исходных весов, однако включает преобразование в указанные форматы и квантизацию; у каждой модели своя лицензия.

FastVLM-7B — визуально-языковая модель Apple, представленная в работе FastVLM на CVPR 2025. Она объединяет визуальный энкодер FastViTHD с языковой моделью Qwen2-7B и предназначена для диалога о содержимом изображений и ответов на визуальные вопросы. FastViTHD сокращает число визуальных токенов и ускоряет обработку изображений высокого разрешения. Для варианта 7B в карточке приведены результаты Ai2D 83,6, ScienceQA 96,7 и MMMU 45,4; README также сообщает о более быстром времени до первого токена по сравнению с некоторыми предыдущими работами. Модель содержит 7,1 млрд параметров, имеет контекст до 32 768 токенов и распространяется в формате safetensors. Она поддерживает чат и интерфейс вызова инструментов. Карточка не сообщает поддерживаемые языки и детали ограничений на разрешение изображений или качество ответов. Лицензия — Apple AMLR; перед использованием следует проверить её условия, в частности ограничения на сценарии применения.

philschmid/llama-3-1-8b-math-orca-spectrum-10k-ep1 — дообученная с помощью TRL модель Meta-Llama 3.1 8B, предназначенная для генерации текста в диалоговом формате. Карточка показывает пример ответа на открытый вопрос; метаданные также отмечают интерфейс вызова инструментов. Модель использует плотную архитектуру LlamaForCausalLM и содержит 7,5 млрд параметров. Она принимает текст и генерирует текст; максимальная длина контекста, указанная в метаданных, составляет 131 072 токена. Файлы модели представлены в формате safetensors. Её можно применять для диалоговых ответов и генерации текста по запросу, в том числе по математической тематике, указанной в названии. Карточка не приводит результатов оценки качества или подробностей обучения, поэтому пригодность для конкретных математических задач следует проверять отдельно. Лицензия в предоставленных данных не указана.

llava-phi-3-mini — мультимодальная модель семейства LLaVA, разработанная XTuner. Она дообучена на базе microsoft/Phi-3-mini-4k-instruct и использует визуальный энкодер CLIP ViT-Large patch14-336; обучение проводилось на данных ShareGPT4V-PT и InternVL-SFT. Модель содержит 3,7 млрд параметров, использует плотную архитектуру LlavaLlamaForCausalLM и принимает изображения вместе с текстовыми запросами, выдавая текстовые ответы в диалоговом формате. Модель предназначена для вопросов и ответов по изображениям, описания визуальных сцен и решения задач визуального понимания. Разрешение визуального энкодера составляет 336 пикселей, а длина контекста — 4096 токенов. Репозиторий представлен в формате safetensors и официальном формате LLaVA. Лицензия в предоставленных данных не указана.

Qwen3-4B-MegaScience — плотная языковая модель на базе Qwen3-4B-Base, дообученная на наборе данных MegaScience для научных рассуждений. В карточке указано 3,7 млрд параметров; модель использует архитектуру Qwen3 и доступна в формате safetensors для библиотеки Transformers. Максимальная длина контекста — 32 768 токенов. Модель предназначена для ответов на научные вопросы и рассуждений по естественным наукам, в том числе для поддержки исследователей и работы с учебными материалами. MegaScience объединяет 1,25 млн примеров из открытых наборов данных; описанный в README обучающий рецепт ограничивал длину последовательности 4 096 токенами. Карточка указывает английский язык и лицензию Apache-2.0. Качество ответов может зависеть от научной области и формулировки запроса; модель генерирует текст и может ошибаться в фактах или выводах.

sandalidahanayake/sinhala-plagiarism-model — модель Sentence-Transformers на базе XLM-RoBERTa, дообученная разработчиком для сравнения предложений и абзацев. Она преобразует текст в плотные векторы размерностью 768 и рассчитывает сходство по косинусной мере; архитектура включает XLMRobertaModel и mean pooling. Модель подходит для поиска семантически похожих текстов, выявления перефразирований, кластеризации и классификации текста, в том числе для сопоставления сингальских предложений. Базовая модель обучена для многоязычного семантического сравнения. В карточке указана максимальная длина последовательности 128 токенов; метаданные каталога указывают контекстное окно 514 токенов. Для точной работы с длинными текстами их следует разбивать на фрагменты. Дообучение описано на 260 примерах пар предложений с оценками сходства, поэтому качество для выявления плагиата и других сценариев за пределами этого набора может быть ограниченным. Лицензия в предоставленных сведениях не указана.

smd20/socialengineering — диалоговая модель Samad Sohrab для обучения распознаванию социальной инженерии и повышения осведомлённости о фишинге. Она дообучена на базе Google Gemma 4 E4B IT и опубликована в формате BF16 GGUF для локального запуска через llama.cpp и совместимые среды. Указанный в README размер — около 8 млрд параметров; метаданные определяют архитектуру как плотную Gemma 4 и отмечают поддержку чата. Модель предназначена для ответов на вопросы о фишинге, вишинге, предлогах, приманках и проникновении вслед за сотрудниками, а также для обучения и контролируемых red-team/blue-team сценариев. Обучающий корпус включает английские и персидские пары вопросов и ответов, подготовленные на основе справочных материалов по социальной инженерии. README указывает на возможные галлюцинации вне предметной области и рекомендует проверку человеком при применении в ситуациях с высокими последствиями. Лицензия в метаданных обозначена как other; конкретные условия следует сверять с лицензией репозитория.

Stable Diffusion 2 — модель генерации изображений по текстовому описанию, разработанная Робином Ромбахом и Патриком Эссером. Репозиторий является зеркалом устаревшей модели Stability AI и не связан с этой организацией. Это латентная диффузионная модель с фиксированным текстовым энкодером OpenCLIP-ViT/H; она продолжает обучение Stable Diffusion 2 Base, в том числе на изображениях 768×768. Репозиторий содержит веса в форматах Diffusers, PyTorch и safetensors. Модель подходит для создания иллюстраций, концептов и изображений для творческих и образовательных инструментов. Она лучше работает с английскими запросами; качество генерации зависит от формулировки и не гарантирует точного следования сложным пространственным отношениям. Ограничения включают слабую генерацию читаемого текста, несовершенную фотореалистичность и возможные ошибки в изображении лиц и людей. Обучающие данные содержали отфильтрованные материалы LAION-5B, а модель может воспроизводить социальные и культурные предубеждения. Лицензия — CreativeML Open RAIL++-M License.

Карточка модели frankjoshua/stable-diffusion-3.5-medium на Hugging Face совпадает с карточкой stabilityai/stable-diffusion-3.5-medium, поэтому описание составлено по ней. Stable Diffusion 3.5 Medium — модель Stability AI для генерации изображений по текстовому описанию. Она использует архитектуру Multimodal Diffusion Transformer MMDiT-X с тремя предварительно обученными текстовыми энкодерами: OpenCLIP-ViT/G, CLIP-ViT/L и T5-XXL. В архитектуре применяются QK-нормализация и блоки внимания, рассчитанные на повышение связности изображений и устойчивость генерации при разных разрешениях. Модель предназначена для создания иллюстраций и художественных работ, дизайн-процессов, творческих и образовательных инструментов. Она улучшена для передачи сложных запросов и текста в изображениях; авторы также рекомендуют Skip Layer Guidance для более согласованных структуры и анатомии. В README указана длина контекста энкодеров CLIP в 77 токенов и T5 — 77 или 256 токенов на разных этапах обучения. Модель обучалась на разнообразных данных, включая синтетические и отфильтрованные общедоступные материалы. Она не предназначена для достоверного изображения реальных людей и событий; при длинных запросах свыше 256 токенов T5 на краях изображения могут появляться артефакты. Модель распространяется по Stability Community License; для коммерческого лицензирования Stability AI предлагает обращаться отдельно. Использование также должно соответствовать Acceptable Use Policy.

Stable Diffusion 3 Medium — модель генерации изображений по текстовому описанию, разработанная Stability AI. Это Multimodal Diffusion Transformer (MMDiT) с тремя предобученными текстовыми энкодерами: OpenCLIP-ViT/G, CLIP-ViT/L и T5-XXL. Репозиторий содержит версию для Diffusers в формате safetensors. Модель предназначена для создания иллюстраций и дизайна, творческих и образовательных инструментов, а также исследований генеративных моделей. Разработчик отмечает улучшения качества изображений, рендеринга текста, понимания сложных запросов и эффективности использования ресурсов. Поддержка image-to-image упоминается в документации Diffusers. Обучение включало синтетические и отфильтрованные общедоступные данные; в README указаны предварительное обучение на 1 млрд изображений и последующая настройка на эстетических изображениях и предпочтениях. Карточка перечисляет английский язык. Модель не предназначена для достоверного изображения реальных людей и событий; возможны токсичные, предвзятые или нежелательные результаты, поэтому для приложений нужны собственные проверки и меры безопасности. Лицензия Stability Non-Commercial Research Community License не разрешает коммерческое использование без отдельной лицензии Stability AI; также требуется соблюдать Acceptable Use Policy.

ADIA_TTS — модель синтеза речи на волоф, разработанная CONCREE на основе parler-tts-mini-multilingual-v1.1 и дообученная на 40 часах аудиоданных на волоф в течение 100 эпох. Она преобразует текст в речь с частотой 24 кГц, поддерживает управление характеристиками голоса через текстовое описание и предлагает один голос. Модель построена на архитектуре Parler-TTS; файлы представлены в формате safetensors, библиотека — Transformers. Лицензия Apache 2.0 разрешает коммерческое использование; авторы просят указывать CONCREE как создателя и учитывать язык волоф и сенегальскую культуру. Модель предназначена для озвучивания текстов на волоф, например образовательных материалов и контента для цифровой доступности. README сообщает о естественном звучании, но не приводит количественной оценки качества. Без сегментации длина одного входа ограничена 200 символами; качество обработки чисел и дат ограничено, а переходы между сегментами могут звучать неодинаково. Первоначальная загрузка модели занимает сравнительно много времени; рекомендуемый минимум памяти — 3,9 ГБ.

CalmexperimentT3q-7B — автоматически объединённая текстовая генеративная модель на основе Mistral, созданная Maxime Labonne с помощью mergekit. В конфигурации указано слияние CalmExperiment-7B-slerp и T3Q-Mistral-Orca-Math-DPO методом dare_ties; метаданные связывают модель с последней как с дообученной базовой моделью. Веса представлены в формате safetensors, размер модели — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста в ответ на запросы; базовая модель T3Q-Mistral-Orca-Math-DPO дообучена на математических данных, поэтому возможны сценарии решения математических задач и объяснения ответов. Доступна по лицензии Apache-2.0. В README нет результатов оценки качества, поэтому надёжность ответов для конкретных задач следует проверять.

Colibri 8B v0.1 — разговорная языковая модель семейства Llama, опубликованная CyberNative AI и предназначенная для генерации текста по запросу, в том числе для вопросов и ответов по кибербезопасности. Она использует плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. Репозиторий содержит веса Safetensors и поддерживает английский язык. В карточке ранее указывалось, что исходной моделью была Dolphin 2.9 Llama 3 8B, однако разработчик не может подтвердить эту связь по первичным записям обучения или происхождения весов. Также не подтверждено происхождение заявленного ранее корпуса примерно из 35 тысяч пар вопросов и ответов, включая права и лицензии на исходные материалы. Модель может выдавать небезопасные, неточные или неподходящие советы по кибербезопасности; не используйте её для незаконных или вредоносных действий. Применение модели Meta Llama 3 регулируется её политикой допустимого использования; лицензия репозитория указана как llama3.

Einstein-v6.1-Llama3-8B — языковая instruct-модель, дообученная на базе Meta Llama 3 8B. Исходную модель разработала Meta, версия Einstein-v6.1 связана с проектом Weyaxi, а представленный GGUF-релиз квантован bartowski с использованием llama.cpp и imatrix. Модель ориентирована на генерацию текста в диалоговом формате ChatML и задачи рассуждения, особенно в областях физики, химии, биологии, математики, STEM и общих инструкций. Заявлен английский язык. Модель имеет архитектуру Llama 3 и около 8 млрд параметров; доступна в вариантах GGUF-квантизации Q4_K_S, Q4_K_M, Q5_K_S, Q5_K_M, Q6_K и Q8_0 с размером файлов примерно от 4,69 до 8,54 ГБ. Поддерживается текстовый ввод и вывод, однако размер контекстного окна в README не указан. В опубликованных тестах Open LLM Leaderboard модель получила, в частности, 66,19% на MMLU, 66,11% на GSM8K, 62,46% на ARC-Challenge и 82,41% на HellaSwag; эти результаты характеризуют общую способность к знаниям и рассуждению, но не гарантируют точность ответов. Сильными сторонами являются специализация на научных и математических сценариях, instruction-following и возможность локального запуска через совместимые инструменты для GGUF. Ограничения включают отсутствие гарантии фактической корректности, неизвестный размер контекста и отсутствие подробностей о методике обучения и поведении на других языках. Лицензия указана как other, поэтому перед использованием необходимо проверить условия лицензирования исходной модели и производного релиза.

GALACTICA 30B Evol-Instruct — языковая модель, разработанная Georgia Tech Research Institute на основе GALACTICA 30B и дообученная на 70 тысячах инструкционных примеров Evol-Instruct. Она предназначена для ответов на запросы в формате «инструкция — ответ», особенно по научным темам; базовая GALACTICA обучалась на научных текстах и данных. Модель использует плотную архитектуру OPTForCausalLM, содержит 39,8 млрд параметров и поддерживает контекст до 2048 токенов по метаданным; при дообучении использовалось окно до 1024 токенов. Модель лучше следует инструкциям, чем варианты GALPACA, согласно качественной оценке в карточке. Она может генерировать неточные сведения, поэтому ответы требуют проверки и модель не рекомендуется для производственного использования без мер предосторожности. Доступна по лицензии CC BY-NC 4.0; для моделей на основе Evol-Instruct-70k также применяются условия использования OpenAI.

HAI-SER-v0.1 — разговорная языковая модель HelpingAI для структурированного эмоционального рассуждения. Она сочетает анализ эмоциональных сигналов с логическим рассуждением, чтобы формировать более чуткие и контекстные ответы. В карточке описаны четыре этапа анализа: оценка эмоционального тона беседы, разбор состояния пользователя, поиск возможных причин переживаний и оценка потенциала для дальнейшего развития. Модель предназначена для интеграции в диалоговые системы и сценарии поддержки клиентов, образования и взаимодействия, где важна эмоциональная чуткость. Она принимает текст и генерирует текстовые ответы; опубликована как плотная модель семейства Llama с архитектурой LlamaForCausalLM, размером 5,1 млрд параметров и контекстом до 131 072 токенов. В метаданных указан английский язык. Модель ранняя и не проверена во всех реальных сценариях: она может упускать нюансы эмоций или давать недостаточно глубокие ответы. Она не предназначена для медицинских рекомендаций и советов по психическому здоровью. Лицензия указана как other.

Llama-3.2-3B-F1-Instruct, также называемая Formosa-1 или F1, — языковая модель Twinkle AI и APMIC, созданная при техническом руководстве Национального центра высокоскоростных вычислений Тайваня. Это дообученная версия LlamaForCausalLM с 3 млрд параметров, ориентированная на традиционный китайский язык и задачи в контексте Тайваня; также поддерживает английский. Модель предназначена для диалогов и выполнения инструкций в правовых, образовательных и повседневных сценариях. В карточке отмечена поддержка вызова инструментов, включая параллельные вызовы, с шаблоном Hermes. Авторы сообщают об оценках на тестах TMMLU+, тайваньского права и MMLU, а также о проверке вызова функций по BFCL. Результаты зависят от режима оценки и не гарантируют качество в конкретном приложении. Модель опубликована в формате safetensors для Transformers и распространяется по лицензии llama3.2.

pszemraj/long-t5-tglobal-base-sci-simplify — модель, дообученная автором на базе google/long-t5-tglobal-base на наборе научных статей и их доступных неспециалистам кратких изложений pszemraj/scientific_lay_summarisation-plos-norm в течение двух эпох. Она предназначена для создания кратких пересказов научных работ простым языком, без излишнего специального жаргона, в первую очередь в областях биологии и биомедицины. Модель построена на архитектуре LongT5 encoder-decoder, содержит 123,8 млн параметров и поддерживает контекст до 4096 токенов. Она принимает текст и генерирует текст; для декодирования автор рекомендует beam search. В тестовой оценке на наборе указаны ROUGE-1 49,15 и ROUGE-Lsum 45,10. Модель распространяется по лицензии Apache-2.0. Карточка отмечает, что способность переносить качество за пределы домена PubMed и биомедицинских статей требует отдельной оценки. Поэтому результаты на иных научных областях и типах документов могут отличаться.

Weyaxi/MetaMath-una-cybertron-v2-bf16-Ties — объединённая языковая модель на архитектуре Mistral, созданная слиянием методом TIES моделей meta-math/MetaMath-Mistral-7B и fblgit/una-cybertron-7b-v2-bf16. В README указаны веса слияния 0,5 и 0,3 и плотность 0,5 для каждой исходной модели; метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста, в том числе математических ответов и диалоговых ответов, сочетая специализацию MetaMath с возможностями una-cybertron. Она принимает текст и выдаёт текст. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0. Карточка не приводит результатов оценки качества или подробных ограничений применения, поэтому практическую точность на конкретных задачах следует проверять отдельно.

Карточка модели zlaa/SD3.5-medium на Hugging Face совпадает с карточкой stabilityai/stable-diffusion-3.5-medium, поэтому описание составлено по ней. Stable Diffusion 3.5 Medium — модель Stability AI для генерации изображений по текстовому описанию. Она использует архитектуру Multimodal Diffusion Transformer MMDiT-X с тремя предварительно обученными текстовыми энкодерами: OpenCLIP-ViT/G, CLIP-ViT/L и T5-XXL. В архитектуре применяются QK-нормализация и блоки внимания, рассчитанные на повышение связности изображений и устойчивость генерации при разных разрешениях. Модель предназначена для создания иллюстраций и художественных работ, дизайн-процессов, творческих и образовательных инструментов. Она улучшена для передачи сложных запросов и текста в изображениях; авторы также рекомендуют Skip Layer Guidance для более согласованных структуры и анатомии. В README указана длина контекста энкодеров CLIP в 77 токенов и T5 — 77 или 256 токенов на разных этапах обучения. Модель обучалась на разнообразных данных, включая синтетические и отфильтрованные общедоступные материалы. Она не предназначена для достоверного изображения реальных людей и событий; при длинных запросах свыше 256 токенов T5 на краях изображения могут появляться артефакты. Модель распространяется по Stability Community License; для коммерческого лицензирования Stability AI предлагает обращаться отдельно. Использование также должно соответствовать Acceptable Use Policy.

Snowball 67B-A2B SFT Stage 2: Thinking — текстовая модель генерации и диалога, разработанная в рамках кампании supervised fine-tuning Marin. Это BF16-экспорт для Hugging Face и vLLM; архитектура Grug MoE, число параметров по метаданным — 2,8 млрд, контекст — до 32 768 токенов. Модель сохраняет токенизатор Marin и специальные токены Delphi. Модель предназначена для генерации ответов и рассуждений в диалоге. Она продолжает обучение финального чекпойнта Stage 1 Chat на наборе данных laion/llama-nemotron-science-reasoning-on-canonical-think-full: один упакованный проход, 630 шагов; в карточке это обозначено как Stage 2 Thinking. Лицензия — Apache-2.0.

Stable Diffusion 3 Medium — модель Stability AI для генерации изображений по текстовым запросам. Она построена на архитектуре Multimodal Diffusion Transformer (MMDiT) и использует три предварительно обученных текстовых энкодера: OpenCLIP-ViT/G, CLIP-ViT/L и T5-XXL. В карточке заявлены улучшенное качество изображений, работа с типографикой и сложными запросами, а также эффективность использования ресурсов. Модель подходит для создания иллюстраций и художественных работ, дизайнерских процессов и творческих или образовательных инструментов. Репозиторий содержит веса в формате safetensors и несколько вариантов комплектации текстовыми энкодерами; для полного набора компонентов требуется больше ресурсов, а варианты без T5-XXL могут давать другие результаты. Модель принимает текстовые запросы и генерирует изображения; в README также упоминается поддержка image-to-image через Diffusers. Модель не предназначена для достоверного изображения реальных людей или событий. Она может создавать предвзятый, токсичный или иной нежелательный контент, поэтому для приложений нужны собственные меры безопасности. Лицензия — Stability Non-Commercial Research Community License; коммерческое использование требует соответствующей коммерческой лицензии Stability AI.

Stable Diffusion 3 Medium — модель генерации изображений по текстовому описанию, разработанная Stability AI и повторно размещённая в репозитории v2ray. Это мультимодальный диффузионный трансформер MMDiT с тремя предобученными текстовыми энкодерами: OpenCLIP-ViT/G, CLIP-ViT/L и T5-xxl. Репозиторий содержит веса в формате Diffusers и Safetensors. Модель предназначена для создания иллюстраций и других изображений по текстовым запросам, включая творческие и дизайнерские сценарии, а также образовательные инструменты и исследования генеративных моделей. В карточке заявлены улучшения качества изображения, обработки типографики, понимания сложных запросов и эффективности использования ресурсов. Модель не предназначена для создания фактически достоверных изображений людей или событий; генерация может быть предвзятой, токсичной или иным образом нежелательной, поэтому для приложений нужны собственные меры модерации. Англоязычные оценки безопасности не охватывают все возможные риски. Лицензия — Stability Non-Commercial Research Community License; коммерческое использование требует подходящей коммерческой лицензии Stability AI.

YamshadowT3q-7B — текстовая модель генерации на 7,1 млрд параметров, автоматически объединённая Maxime Labonne методом DARE-TIES. В конфигурации объединения указана модель chihoonlee10/T3Q-Mistral-Orca-Math-DPO, дообученная на математических данных, а также automerger/YamShadow-7B; метаданные каталога указывают T3Q-Mistral-Orca-Math-DPO как базовую модель. Архитектура — плотная Mistral, формат весов — safetensors, контекст — до 32 768 токенов. Модель предназначена для генерации текста по запросам; математическая основа предполагает применимость к ответам на математические вопросы и задачам с вычислениями, хотя карточка не содержит оценок качества. Для использования приведён пример загрузки через Transformers. Распространяется по лицензии Apache-2.0.

Experiment28T3q-7B — автоматическое слияние моделей, созданное Maxime Labonne с помощью mergekit. В конфигурации указаны yam-peleg/Experiment28-7B и chihoonlee10/T3Q-Mistral-Orca-Math-DPO; применён метод dare_ties с параметрами density 0,53 и weight 0,6. Модель относится к семейству Mistral, имеет плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров. Модель предназначена для генерации текста по текстовым запросам; математическая специализация унаследована от DPO-дообученной базовой модели. Контекст составляет 32 768 токенов. Репозиторий содержит веса safetensors, а лицензия — Apache-2.0. README не приводит оценок качества или подробных результатов слияния.

Gemma3-4B-Dark-Chain-of-Thought-CoT — дообученная диалоговая модель AiAsistent из серии Cognitive Liberty, предназначенная для генерации ответов с многошаговыми рассуждениями. Она основана на AiAsistent/gemma-3-4b-it-Cognitive-Liberty и использует архитектуру Gemma 3 с примерно 4 млрд параметров; веса опубликованы в формате safetensors и рассчитаны на работу через Transformers. Модель ориентирована на решение логических задач, сложные научные вопросы и академическое рассуждение. В README приведены результаты GPQA Diamond, MMLU и MMLU Humanities, однако это собственные заявленные авторами показатели. Карточка описывает обучение на наборе Dark-Chain-of-Thought-CoT и настройку с низким KL-дивергентным искажением базовой модели. Модель заявлена как менее склонная к отказам и ориентированная на свободные ответы, поэтому её ответы могут требовать проверки на точность и соответствие требованиям безопасности. Лицензия — Gemma; условия её использования следует сверять с лицензией Gemma.

Kiel-Vision-2-Pro — дообученная kiel2 модель для диалоговой работы с изображениями и текстом. Она основана на unsloth/qwen2.5-vl-7b-instruct-unsloth-bnb-4bit и использует архитектуру Qwen2.5-VL с 7 млрд параметров. По данным карточки, модель обучали с помощью Unsloth и библиотеки Hugging Face TRL. Модель принимает текстовые запросы и изображения и генерирует текстовые ответы. Она подходит для вопросов по изображениям и других сценариев визуального диалога. В карточке указан английский язык; доступны файлы в форматах Safetensors и GGUF, включая варианты F16 и Q4_K_M. Лицензия — Apache-2.0.

Maxine-34B-stock — языковая модель для генерации текста, опубликованная louisbrulenaudet. Это слияние ConvexAI/Luminex-34B-v0.2 и fblgit/UNA-34BeagleSimpleMath-32K-v1 методом model_stock; в конфигурации указан abacusai/Smaug-34B-v0.1 как базовая модель. Модель построена на плотной архитектуре Llama с 33,9 млрд параметров и предназначена для диалогового взаимодействия и генерации текста. Заявленная длина контекста — 200 000 токенов. Модель может подойти для ответов на вопросы и задач с математической, биологической и химической тематикой, перечисленных в метаданных. Карточка сообщает о высоком месте среди слияний моделей около 30 млрд параметров на Open LLM Leaderboard по состоянию на 7 апреля 2024 года. Поддерживается английский язык; в репозитории указаны веса safetensors и библиотека Transformers. Лицензия — Apache-2.0. README не приводит подробностей об оценке качества по отдельным задачам или известных ограничениях.