IV.5Образование и развитие навыков

TaoMate — модель цифрового человека для генерации длинных аудиовизуальных роликов в реальном времени, разработанная Alibaba Group, подразделением Taobao & Tmall. Репозиторий содержит контрольную точку модели и средства запуска инференса и интерактивной демонстрации. По метаданным Hugging Face, TaoMate дообучена на основе Lightricks/LTX-2.3; для запуска также требуются базовая модель LTX-2.3 и текстовый энкодер Gemma 3 12B IT. Модель предназначена для создания видео по текстовым запросам с аудио и цифровым ведущим, включая длинную генерацию из нескольких последовательных сегментов. README описывает потоковый интерактивный сценарий и пакетный инференс; 12 сегментов дают примерно минуту результата. Для указанной конфигурации 512×768 авторы проверяли работу на GPU с 72 ГБ памяти. В README не приведены поддерживаемые языки, длина контекста или подробные сведения об архитектуре TaoMate. Для инференса нужны совместимые NVIDIA GPU, CUDA 12.8 и отдельные веса базовой модели и текстового энкодера. Лицензия репозитория — Apache-2.0; условия использования Gemma 3 и других зависимостей следует проверять отдельно на страницах соответствующих моделей.

AMALIA-RacioCiencia-PT — диалоговая языковая модель для ответов на научные вопросы на европейском португальском языке. Она разработана на базе AMALIA и дообучена на обучающей части набора EGSciQA-ptPT-V1, содержащей 12 571 пример. Модель семейства Llama с плотной архитектурой и 8,6 млрд параметров; длина контекста — 32 768 токенов. Репозиторий содержит веса Safetensors. Модель предназначена для объяснения, сравнения и обобщения научных фрагментов, переданных в запросе. Она должна обосновывать фактические ответы предоставленными свидетельствами и ссылаться на их идентификаторы, например [E1]. Обучающие данные охватывают инженерные и технологические, точные и естественные, медицинские и здравоохранительные науки. Лицензия — Apache-2.0. Модель не ищет документы и не проверяет их самостоятельно: свидетельства должен предоставить пользователь или внешняя система поиска. Она может допускать неподтверждённые утверждения и неверные ссылки; цитаты указывают на переданные фрагменты, а не на проверенные библиографические источники. Качество наиболее ожидаемо в представленных областях и на европейском португальском. Не следует полагаться на неё как на единственное основание для медицинских, юридических и других решений с высокими последствиями.

ChemQwen-vL — мультимодальная модель для химии, разработанная prithivMLmods путём дообучения Qwen2-VL-2B-Instruct. Она принимает изображения и текстовые запросы, распознаёт химические структуры на изображениях, генерирует для них идентификаторы InChI и текстовые описания, а также отвечает на вопросы о химических схемах. Модель построена на архитектуре Qwen2-VL, поддерживает изображения произвольного разрешения и контекст до 32 768 токенов; размер — 1,5 млрд параметров. В карточке заявлена поддержка химического текста на английском, китайском, немецком, французском, японском, корейском, арабском и других языках. Модель предназначена для задач хемоинформатики, научного анализа и обучения, включая распознавание структур и обработку химических иллюстраций. Лицензия — Apache-2.0. Карточка предупреждает, что точность может снижаться на сложных или нестандартных схемах, изображениях низкого качества и редких обозначениях; результаты для важных лабораторных решений требуют проверки человеком.

Это GGUF-квантизированная версия модели internlm/internlm2-math-plus-20b, подготовленная пользователем legraphista с использованием llama.cpp. Модель предназначена для генерации текста и прежде всего ориентирована на математические задачи; заявлены поддерживаемые языки — английский и китайский. Исходная модель использует формат BF16, а в данном репозитории представлены варианты от FP16 и BF16 до низкобитных квантований Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и IQ-серии. Размер исходной модели составляет 20 миллиардов параметров. Для некоторых низкобитных вариантов применена IMatrix — калибровочная матрица, предназначенная для повышения качества квантования; доступны файлы размером примерно от 7,01 до 21,11 ГБ. Модель рассчитана на запуск через совместимую инфраструктуру GGUF, включая llama.cpp, что позволяет выбирать баланс между качеством, требованиями к памяти и скоростью работы. Сильной стороной является наличие широкого набора вариантов точности и IMatrix-квантований, особенно полезных при ограниченных ресурсах. Ограничения включают возможную потерю качества по сравнению с исходной моделью при использовании низкобитных вариантов, специализацию на математической тематике и отсутствие в предоставленных данных сведений о контекстном окне, конкретной архитектуре, результатах оценки и мультимодальных возможностях. Лицензия указана как other; её точные условия в карточке не раскрыты.

cris177/llama-2-7b-Arguments — дообученная плотная авторегрессионная языковая модель семейства LLaMA 2, созданная для обнаружения и анализа аргументов. Модель размером 6,6 млрд параметров принимает текст и генерирует текст; в карточке указан контекст до 4096 токенов и обучение на наборе cris177/Arguments. Шаблон запроса использует формат инструкций LLaMA 2. Модель предназначена для разбора посылок и выводов, определения типа аргумента, например modus ponens или modus tollens, и оценки его логической корректности. Её можно применять для экспериментов с анализом аргументации на английском языке. Карточка не приводит результатов оценки, поэтому качество на этих задачах нельзя определить по опубликованным данным. Лицензия — Apache-2.0.

Это экспертная модель SMAT на основе инструкционно настроенной плотной языковой модели Meta Llama 3.1 8B Instruct. В README указано, что она соответствует эксперту из таблицы 1 работы «SMAT: Simple and Efficient Merge-Aware Training» и обучена с seed 42. SMAT обучает экспертные модели, сохраняющие качество на целевой задаче и облегчающие последующее слияние моделей. Модель предназначена для генерации текста и диалогового использования; название репозитория указывает на ScienceQA, однако README не уточняет конкретные результаты или сценарии применения в этой задаче. Она содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors. Базовая модель поддерживает контекст до 131 072 токенов и многоязычные диалоги. Модель основана на Meta Llama 3.1 8B Instruct и распространяется на условиях лицензии Llama 3.1 с применимыми правилами допустимого использования. README не приводит измерений качества этого чекпойнта, поэтому его пригодность для конкретных задач ScienceQA следует оценивать отдельно.

RLHFlow/Llama3.1-8B-PRM-Mistral-Data — процессно-ориентированная reward-модель (PRM) проекта RLHFlow, предназначенная для оценки промежуточных шагов в решениях задач и отбора ответов, сгенерированных языковой моделью. Она дообучена на один эпохе на данных RLHFlow/Mistral-PRM-Data, созданных Mistral, на базе meta-llama/Llama-3.1-8B-Instruct. Модель использует плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и работает с контекстом до 131 072 токенов; веса опубликованы в формате safetensors для Transformers. Сценарии применения включают оценивание цепочек рассуждений и best-of-N отбор кандидатов при генерации математических ответов. В README приведены результаты сравнительной оценки с генераторами Mistral-7B и Deepseek-7B на GSM8K и MATH, однако это не означает, что модель сама генерирует ответы или что приведённые показатели являются её отдельными метриками. Лицензия в предоставленных данных не указана.

miraiminds/mergeMathBio-7B — объединённая языковая модель на архитектуре Mistral, созданная автором репозитория с помощью mergekit и метода SLERP из BioMistral-7B и Arithmo-Mistral-7B. Модель содержит 7,1 млрд параметров, предназначена для генерации текста и имеет контекст до 32 768 токенов. В состав объединения входит BioMistral-7B, дообученная на биомедицинских текстах модель для медицинских и биологических вопросов, и Arithmo-Mistral-7B. Это сочетание ориентирует модель на генерацию ответов и рассуждения с математической и биомедицинской тематикой, хотя README не приводит результатов оценки качества или конкретных сценариев применения. Репозиторий содержит веса в форматах Safetensors и GGUF. Лицензия в предоставленных данных не указана.

facebook/mms-tts-grc — модель синтеза речи на древнегреческом языке из проекта Massively Multilingual Speech (MMS), разработанного Facebook. Она преобразует текст на древнегреческом в речевую аудиоволну и подходит для озвучивания текстов и создания аудиоматериалов на этом языке. Модель использует архитектуру VITS и содержит 3,6 млн параметров. Это отдельный чекпойнт для древнегреческого языка; для работы с ним подходит библиотека Transformers версии 4.33 и новее. Стохастический предиктор длительности позволяет варьировать ритм речи, поэтому для повторяемого результата требуется фиксировать seed. Модель распространяется по лицензии CC BY-NC 4.0.

Mythos-nano-heretic — англоязычная языковая модель для генерации текста и диалогов, разработанная Richard Young как декензорированная версия squ11z1/Mythos-nano с помощью Heretic v1.4.0. Это плотная причинная модель семейства Qwen2 на 3,1 млрд параметров, дообученная на основе WeiboAI/VibeThinker-3B; опубликована в формате safetensors. Заявленная длина контекста — 131 072 токена. Модель предназначена для математических рассуждений, соревновательного программирования и STEM-задач, а также для генерации ответов в диалоге. В карточке приведено сравнение с исходной версией: доля отказов снизилась с 79 до 13 из 100 запросов, а KL-дивергенция составила 0,061. Эти результаты относятся к указанному сравнению и не гарантируют качество на других задачах. Разработчик предупреждает, что модель не обучалась вызову инструментов, оркестрации API или работе автономных программных агентов. Модель распространяется по лицензии MIT. Снятие направления отказа ослабляет защитные ограничения, поэтому ответы могут включать то, от чего обычно отказала бы модель с настройкой безопасности; пользователю следует самостоятельно оценивать их допустимость.

NEXUS-Science — компактная специализированная языковая модель FableForge для научных вопросов, рассуждений и исследовательских задач. Это дообученная версия Qwen/Qwen2.5-1.5B-Instruct с архитектурой Qwen2 и 1,5 млрд параметров; модель предназначена для диалогового использования и генерирует текст по текстовым запросам. В метаданных указан контекст длиной до 32 768 токенов и поддержка английского языка. Разработчик позиционирует модель как лёгкого научного специалиста без отказов. В README приведены результаты внутренней оценки на 30 запросах, включая знания предметной области, рассуждения и использование инструментов; эти результаты не являются независимым бенчмарком. Модель опубликована в формате Safetensors под лицензией Apache-2.0. README также упоминает отдельные GGUF-квантизации, размещённые в другом репозитории.

POLAR-14B-HES-SFT-gsm8k-v0.1 — корейская языковая модель от AI-Lab компании Plateer, созданная на основе x2bee/POLAR-14B-v0.2. Это плотная авторегрессионная модель семейства Llama с 14,1 млрд параметров; её можно загружать через Transformers. Название указывает на SFT-версию, связанную с GSM8K, поэтому модель предназначена для генерации текста и может применяться к задачам рассуждений и решения математических задач на корейском языке. Модель принимает текст и генерирует текст; длина контекста составляет 4096 токенов. Распространяется под лицензией Apache-2.0. В карточке отмечен риск стереотипных и вредоносных ответов; результаты и метрики оценки не приведены.

Qwen2.5-Math-7B-PRM800K — процессная reward-модель, разработанная командой Qwen на базе Qwen2.5-Math-7B-Instruct и дообученная на обучающей части открытого датасета PRM800K. Она оценивает качество математического решения по шагам: для каждого промежуточного шага модель выдаёт оценку вероятности положительной метки, которую можно использовать как награду при проверке рассуждений или выборе решения. Модель предназначена для воспроизведения базового эксперимента ProcessBench, а не для генерации ответов. Модель построена на плотной архитектуре Qwen2, содержит 7,1 млрд параметров и работает с текстом на английском и китайском языках; длина контекста — 4096 токенов. Для разделения шагов рекомендуется использовать двойной перевод строки, а оценка извлекается для специального токена после каждого шага. Модель распространяется в формате safetensors; в карточке указана лицензия other.

Qwen3-0.6B-Distilled-30B-A3B-Thinking-SFT-GGUF — это набор GGUF-квантизированных вариантов компактной текстовой генеративной модели, разработанный Reaperdoesntrun и исследовательским подразделением Convergent Intelligence LLC. Модель основана на Qwen3-0.6B и обучалась с дистилляцией знаний от Qwen3-30B-A3B-Thinking-2507, а затем была дообучена на юридических инструкциях. Модель предназначена для локального запуска на настольных компьютерах, мобильных устройствах, IoT-оборудовании и устройствах периферийных вычислений, включая решения с очень ограниченными ресурсами. Она ориентирована на англоязычную генерацию текста, решение задач STEM, математические и физические рассуждения, а также объяснение общих юридических понятий. Доступны варианты F16, Q8_0, Q5_K_M и Q4_K_M размером примерно от 400 МБ до 1,3 ГБ; для мобильных устройств рекомендуется Q5_K_M, а для максимальной экономии памяти — Q4_K_M. Поддерживается запуск через llama.cpp и совместимые среды, включая Ollama и LM Studio. К сильным сторонам относятся очень небольшой размер, пригодность для локального и автономного использования, перенос структур рассуждений от значительно более крупной модели и сочетание STEM- и юридической специализации. Ограничение — размер 0,6 млрд параметров: модель может ошибаться, особенно в многошаговых доказательствах свыше примерно восьми шагов, а юридические ответы могут быть недостаточно нюансированными. Критически важные результаты необходимо проверять; модель не заменяет формальную проверку доказательств, лицензированную юридическую консультацию или профессиональный анализ. Лицензия — Apache-2.0.

Qwen3-30B-A3B Agentic-ESOpt Math (theta20) — экспериментальный полно-параметрический чекпойнт BF16, созданный zz1358m воспроизведением первых 20 обновлений Agentic-ESOpt на базе Qwen/Qwen3-30B-A3B. Это MoE-модель для генерации текста и диалогов, настроенная на математические рассуждения и агентные сценарии; репозиторий указывает библиотеку Transformers и контекст 131072 токена. В метаданных размер модели указан как 2,6 млрд параметров, а в README для обучаемой полной области приведено 30 532 122 624 параметра. В README приведены результаты оценки на DAPO и AIME2026, но они рассчитаны по подмножеству из четырёх сэмплов на задачу, выбранных из 16. Это экспериментальный чекпойнт с ограниченной историей обучения; оценки не гарантируют качество на других задачах. Сведения о лицензии и конкретном перечне поддерживаемых языков в предоставленных материалах отсутствуют.

RedSage-Qwen3-8B-Ins — дообученная RISys-Lab языковая модель для диалоговой помощи в кибербезопасности. Это плотная авторегрессионная модель семейства Qwen3 с 7,6 млрд параметров и контекстом 32 768 токенов; она работает через Transformers и принимает текстовые запросы, выдавая текстовые ответы. Модель прошла supervised fine-tuning на наборе RedSage-Conv примерно из 266 тысяч многоходовых диалогов по кибербезопасности и общих инструкционных данных SmolTalk2. Она предназначена для ответов на вопросы о MITRE и OWASP, объяснения уязвимостей и мер защиты, а также для генерации и пояснения команд инструментов вроде nmap, sqlmap и Metasploit. В карточке отмечены диалоговый режим и агентное расширение обучающих данных; заявлены результаты на профильных и общих тестах, приведённых в README. Модель не проходила этап DPO; карточка указывает RedSage-Qwen3-8B-DPO как следующую версию. Возможны галлюцинации и неточные команды, поэтому результаты требуют проверки. Обучение включало наступательные материалы, и для развёртывания в пользовательских приложениях авторы рекомендуют дополнительные меры защиты. Лицензия в предоставленных данных не указана.

Sanskrit-qwen-7B-Translate-v2 — дообученная с помощью LoRA модель на базе Qwen/Qwen2.5-7B-Instruct, разработанная для перевода и транслитерации санскритских текстов. Она преобразует текст на санскрите в письме деванагари в латиницу IAST, переводит с санскрита на английский и с английского на санскрит. Модель построена на плотной архитектуре Qwen2 с 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель рассчитана на учебную и исследовательскую работу с классическими санскритскими текстами, подготовку двуязычных материалов и оцифровку рукописей. В карточке отмечены чатовый формат, адаптированный датасет и оптимизация LoRA; лицензия — Apache-2.0. Качество зависит от сложности текста, а результаты перевода важных фрагментов следует проверять. Карточка характеризует модель как экспериментальную и предупреждает о возможных смещениях в данных и специализации преимущественно на классическом санскрите.

SciReasoner-8B — научная языковая модель для рассуждений в разных научных дисциплинах, представленная в статье SciReasoner: Laying the Scientific Reasoning Ground Across Disciplines. В репозитории размещены веса модели; архитектура — плотная Qwen3ForCausalLM с 7,6 млрд параметров, формат — safetensors, библиотека — Transformers. Модель принимает текст и генерирует текст, поддерживая контекст до 32 768 токенов. Модель предназначена для решения научных задач и оценки способностей к рассуждению; README описывает запуск бенчмарков через OpenCompass, включая оценивание по наборам данных и few-shot-сценарии. Лицензия — Apache-2.0. README не приводит конкретный список поддерживаемых языков или подробные результаты и ограничения качества.

Apollo-MoE-0.5B — медицинская языковая модель, разработанная FreedomIntelligence на основе Qwen2-0.5B. Это дообученная разреженная архитектура Mixture-of-Experts (MoE) с 494 млн параметров; модель предназначена для диалоговых ответов на медицинские вопросы и оценки знаний по медицинским дисциплинам. Модель охватывает английский, китайский, французский, хинди, испанский, арабский, русский, японский, корейский, немецкий, итальянский и португальский, а также ряд менее распространённых языков. В метаданных указан контекст до 131 072 токенов. Карточка описывает проверку на медицинских бенчмарках, включая MedQA, MedMCQA, MMLU-Medical и RuMedBench. Модель подходит для исследовательских и вспомогательных сценариев: ответы на медицинские вопросы и поддержка учебных задач. Результаты не следует считать медицинской рекомендацией или заменой специалиста; качество может различаться между языками и областями медицины. Распространяется по лицензии Apache-2.0.

GPT-2 Indonesian Small Kids Stories — авторегрессионная языковая модель на архитектуре GPT-2 Small, разработанная Wilson Wongso. Исходный предварительно обученный GPT-2 Small Indonesian дообучен на детских рассказах на индонезийском языке из коллекций Room to Read и Let’s Read. Модель содержит 124 млн параметров, принимает текст и генерирует продолжение; указанное для неё контекстное окно — 1024 токена. Модель подходит для генерации коротких детских историй на индонезийском языке и продолжения заданного начала рассказа. При оценке после обучения на 10 эпохах получены loss 3,777 и perplexity 43,68. Эти показатели не гарантируют связность или пригодность каждого результата. В карточке отдельно отмечены возможные смещения, унаследованные от базовой модели и обучающих текстов. Модель распространяется по лицензии MIT.

hyokwan/hkcode_llama3_8b — языковая модель на архитектуре Llama 3, разработанная для направления Korea Polytechnics Fintech. Это продолженное предварительное обучение модели meta-llama/Meta-Llama-3-8B-Instruct на специализированных данных; в репозитории указано 7,5 млрд параметров и контекст до 8192 токенов. Модель поддерживает диалоговую генерацию текста на корейском и английском языках. Модель подходит для генерации ответов и диалоговых сценариев в образовательном и финтех-контексте. В карточке не описаны конкретные инструкции по использованию и целевые сценарии, поэтому возможности в этих областях не следует считать подтверждёнными специализированными навыками. Лицензия репозитория указана как MIT. Как и другие большие языковые модели, она может выдавать неточные, предвзятые или нежелательные ответы; перед применением рекомендуется проверка и настройка безопасности для конкретного сценария.

Lexica Aperture V3.5 Community Edition — модель генерации изображений по текстовому описанию, разработанная OpenSkyML. Это бесплатная общественная модель, заявленная как похожая на платную Lexica Aperture V3.5; она распространяется для использования с библиотекой Diffusers и имеет формат весов Safetensors. Модель принимает текстовые запросы на английском, французском и русском языках и создаёт изображения. Она предназначена для генерации иллюстраций и других изображений по текстовому описанию. Размер модели и длина контекста в доступных данных не приводятся. Лицензия — CreativeML OpenRAIL-M.

MetaMath-Cybertron-Starling-GGUF — это набор файлов модели в формате GGUF, подготовленный MaziyarPanahi для модели Q-bert/MetaMath-Cybertron-Starling. Создателем исходной модели указан Q-bert, а сама модель связана с базовыми моделями Q-bert/MetaMath-Cybertron и berkeley-nest/Starling-LM-7B-alpha, а также с набором данных MetaMathQA. Модель предназначена для генерации текста, включая задачи математического характера, и рассчитана на локальный запуск через совместимые инструменты, например llama.cpp, text-generation-webui, KoboldCpp, GPT4All, LM Studio или llama-cpp-python. Доступны варианты квантования с разрядностью 2, 3, 4, 5, 6 и 8 бит, что позволяет выбирать компромисс между размером файлов, требованиями к памяти и качеством генерации. Точные архитектура, число параметров, длина контекста и поддерживаемые языки в README не указаны; среди тегов отмечен английский язык. К сильным сторонам относятся поддержка распространённого формата GGUF, широкий выбор уровней квантования и возможность использования на локальном оборудовании. Ограничения включают отсутствие в README результатов оценки качества, подробностей об архитектуре и параметрах, а также информации о мультимодальности; по описанию это текстовая модель. Для репозитория указана лицензия Apache-2.0, однако в тегах также присутствует лицензия CC-BY-NC-4.0 для одной из базовых моделей, поэтому условия использования исходных компонентов следует проверять отдельно.

OpenMath-Nemotron-1.5B-GGUF — языковая модель для генерации текста, ориентированная прежде всего на математические задачи. Модель разработана на базе Qwen/Qwen2.5-Math-1.5B с использованием набора данных NVIDIA OpenMathReasoning и опубликована в формате GGUF. В README указана английская языковая поддержка и совместимость с библиотекой Transformers и инструментами llama.cpp. Модель содержит около 1,5 млрд параметров и предназначена для локального инференса, включая запуск на CPU и устройствах с ограниченными объёмами памяти. Доступны варианты BF16 и F16, а также квантованные версии Q8_0 и другие форматы с разной степенью сжатия. Квантование уменьшает требования к памяти, но может снижать точность; BF16 и F16 обеспечивают более высокую точность при наличии соответствующей аппаратной поддержки. Длина контекста и мультимодальные возможности в README не указаны. Сильной стороной модели является сочетание математической специализации, компактного размера и широкого выбора форматов для локального запуска. Ограничениями являются заявленная ориентация на английский язык, возможная потеря качества в низкобитных квантованных версиях и отсутствие данных о результатах тестирования. Лицензия — CC BY 4.0.

RaDeR_Qwen25-14B_NuminaMath_MATH_allquerytypes — модель для извлечения релевантных документов и ранжирования результатов поиска, разработанная CIIR при Университете Массачусетса в Амхерсте. Это плотная модель семейства Qwen2, дообученная на Qwen/Qwen2.5-14B-Instruct на данных NuminaMath+MATH с разными типами запросов. Модель предназначена для поиска, где запросы требуют математических рассуждений. Разработчики сообщают, что RaDeR-модели обобщаются на задачи retrieval reasoning в наборах BRIGHT и RAR-b и превосходят сильные базовые методы по совокупным результатам. Репозиторий содержит веса Safetensors; метаданные указывают 14 млрд параметров и контекст до 32 768 токенов. Для инференса в README приведён запуск через vLLM как embedding-модели с pooling типа LAST и нормализацией векторов. Лицензия — MIT. Модель ориентирована на английский язык; качество для других языков не подтверждено. Для работы требуется значительная вычислительная память, а в README не приведены подробные численные результаты и сравнения по отдельным наборам.

textattack/roberta-base-CoLA — модель классификации текста на основе RoBERTa, дообученная командой TextAttack на задаче CoLA (Corpus of Linguistic Acceptability). Она определяет, является ли английское предложение грамматически приемлемым. Модель содержит 151,8 млн параметров и принимает последовательности длиной до 514 токенов; при дообучении использовалась максимальная длина 128 токенов. Модель подходит для оценки грамматической приемлемости отдельных предложений и экспериментов с классификацией текста. В README указаны пять эпох дообучения, размер пакета 32 и скорость обучения 2e-5; лучшая точность на оценочном наборе составила около 0,850 после первой эпохи. Доступны веса PyTorch и Flax. Лицензия в предоставленных данных не указана.

paperbd/smollm_135M_neuraltxt_v1 — компактная языковая модель, дообученная автором Neural Breakdown на базе HuggingFaceTB/SmolLM-135M для узких задач, связанных с исследовательскими статьями по ИИ. Модель использует плотную архитектуру семейства Llama с 134,5 млн параметров, принимает текст и поддерживает контекст до 2048 токенов. Карточка предлагает запуск через библиотеку neural-txt с бэкендом Hugging Face или PyTorch. Модель предназначена для извлечения тезисов, генерации пар вопросов и ответов и формулировки вопросов по фрагментам статей. В README также описан режим структурированного JSON-вывода. Обучение включало этапы CPT и SFT; наличие в семействе отдельной DPO-модели не означает, что эта версия прошла DPO. Указанная лицензия — MIT. Модель компактна, но специализирована на узкой предметной области, а короткий контекст и небольшой размер ограничивают её пригодность для длинных документов и сложных рассуждений.

Stable Diffusion 3.5 Large — модель генерации изображений по текстовому описанию, разработанная Stability AI. Она предназначена для художественного творчества, дизайна, образовательных и творческих приложений, а также исследований генеративных моделей. Модель построена на архитектуре Multimodal Diffusion Transformer (MMDiT), использует три предварительно обученных текстовых энкодера — OpenCLIP-ViT/G, CLIP-ViT/L и T5-XXL — и QK-нормализацию. В README отмечены улучшения качества изображений, отображения текста, понимания сложных запросов и эффективности использования ресурсов. Карточка описывает генерацию по тексту и приводит английский язык; сведения о размере модели и длине контекста в метаданных отсутствуют. Модель подходит для создания иллюстраций и визуальных концепций по запросу. Она не предназначена для достоверного изображения реальных людей и событий; меры безопасности не гарантируют устранение всего вредоносного контента, поэтому приложениям нужны собственные проверки. Лицензия Stability Community License; коммерческое лицензирование требует обращения к Stability AI.

JetBrains разработала DeepSeek-Coder-1.3B-Kexer — генеративную модель кода, дообученную на синтетических упражнениях по Kotlin в формате задач HumanEval. Она основана на DeepSeek-Coder-1.3B-Base с плотной архитектурой Llama и содержит 1,3 млрд параметров. Модель предназначена для генерации и дополнения кода на Kotlin, в том числе заполнения пропусков между префиксом и суффиксом с использованием формата FIM. Для дообучения использовали 15 тысяч примеров; на наборе Kotlin HumanEval авторы сообщают Pass Rate 36,65%.

FFusion-BaSE — модель генерации изображений по текстовому описанию, опубликованная FFusion AI и разработанная Idle Stoev, Source Code Bulgaria, Praesidium CX и BlackSwan Technologies. Она основана на Stable Diffusion 2.1 и использует латентную диффузию; репозиторий представлен в форматах Diffusers, PyTorch и safetensors. Модель предназначена для художественного творчества, изучения генеративных моделей и создания творческих или образовательных инструментов. Вариант BaSE описан как основа для применения более чем 200 обученных LoRA-моделей. Основной язык промптов — английский. Лицензия — CreativeML Open RAIL++-M. Ограничения включают ненадёжную генерацию фотореалистичных изображений и лиц, особенно на дальнем плане, а также трудности с разборчивым текстом внутри изображения. В карточке также перечислены ограничения на вредоносное, дискриминационное, вводящее в заблуждение и несогласованное откровенное содержимое.