IV.5Образование и развитие навыков

FineMath-Llama-3B-GGUF — набор GGUF-квантизованных версий языковой модели FineMath-Llama-3B, разработанной HuggingFaceTB. Квантизацию выполнил bartowski с использованием llama.cpp версии b4418 и метода imatrix на датасете HuggingFaceTB/finemath. Модель предназначена для генерации текста и, вероятно, задач, связанных с математическим содержанием, однако подробные сведения о возможностях исходной модели в README не приведены. Модель имеет около 3 млрд параметров и поддерживает английский язык. Доступны варианты с точностью от F32 и F16 до Q2_K, включая форматы Q8_0, Q6_K, Q5_K, Q4_K, IQ4 и IQ3. Размер файлов составляет примерно от 1,36 до 12,86 ГБ, что позволяет выбирать баланс между качеством, потреблением памяти и скоростью локального запуска. Файлы предназначены для использования с llama.cpp и LM Studio. Формат промпта в README не указан, его следует уточнять на странице исходной модели. Сильной стороной набора является широкий выбор уровней квантизации: старшие варианты обеспечивают качество, близкое к исходной модели, а младшие подходят для устройств с ограниченной оперативной памятью. Ограничениями являются отсутствие данных о размере контекста, архитектурных деталях, мультимодальности, производительности и поддерживаемых языках помимо английского, а также отсутствие указанного шаблона промпта. Модель распространяется по лицензии Apache-2.0.

FLUX.1 [dev] — модель генерации изображений по тексту от Black Forest Labs. Это 12-миллиардный rectified flow transformer, обученный с помощью дистилляции guidance; веса доступны в форматах Diffusers и safetensors. Модель предназначена для создания изображений по текстовым описаниям и локального использования в творческих и исследовательских рабочих процессах. Модель обеспечивает высокое качество изображений и хорошо следует запросам, хотя результат зависит от формулировки промпта и может ему не соответствовать. Она не предназначена для предоставления фактической информации и может усиливать социальные предубеждения. Лицензия FLUX.1 [dev] Non-Commercial License разрешает личное и научное использование; коммерческое использование регулируется условиями лицензии.

keithtwesigye/lunyoro-nllb-en2lun — модель перевода, созданная дообучением NLLB-200 на параллельных данных английского и луньоро-руторо. Базовая модель — facebook/nllb-200-distilled-600M; использованы около 53 948 пар предложений, включая краудсорсинговые материалы, словарные записи и корпуса с обратным переводом и фильтрацией качества. Модель содержит около 463,7 млн параметров, использует архитектуру M2M100ForConditionalGeneration и рассчитана на контекст до 1024 токенов. Основной сценарий — перевод текста с английского на луньоро/руторо, язык банту, распространённый в западной Уганде. Для входного и целевого языков в README приведены коды eng_Latn и run_Latn. Репозиторий содержит веса в форматах ONNX и safetensors. Лицензия — MIT. Карточка описывает узкое направление перевода; качество на текстах и тематиках, отличающихся от обучающих данных, отдельно не подтверждено.

Titan-Math-Pro — модель, представленная авторами как ориентированная на математику и обученная на проверенных доказательствах и конкурсных задачах с контролем промежуточных шагов рассуждения. В карточке указаны результаты сравнительных тестов по математическому и логическому рассуждению, а также здравому смыслу; отдельные численные результаты для полной таблицы не приведены. Метаданные описывают модель как плотную архитектуру BERT (`BertModel`) в формате PyTorch. Задача Hugging Face — извлечение признаков, поэтому модель подходит для получения представлений текста в математических и логических сценариях. README также заявляет о сильных результатах в задачах рассуждения и генерации, но не содержит сведений о способе локального запуска, размере модели, длине контекста или поддерживаемых языках. Лицензия — MIT.

SuperCorrect-7B GGUF — квантизированная версия языковой модели SuperCorrect-7B, созданная Richard Erkhov на основе модели BitStarWalkin и базовой Qwen/Qwen2.5-Math-7B-Instruct. Оригинальная модель разработана исследователями из Peking University, Skywork AI, UC Berkeley и Stanford University, включая Ling Yang, Zhaochen Yu, Tianjun Zhang, Minkai Xu, Joseph E. Gonzalez, Bin Cui и Shuicheng Yan. Модель предназначена прежде всего для решения математических задач, рассуждений и самокоррекции ответов. Она обучена и оценивалась на наборах MATH и GSM8K; заявлено превосходство над DeepSeekMath-7B и Qwen2.5-Math-7B на этих бенчмарках среди моделей с 7B параметров. SuperCorrect использует двухэтапную тонкую настройку и иерархический шаблон рассуждений Buffer of Thought. Доступны варианты в формате GGUF с квантованием Q2_K–Q8_0 и размером примерно от 2,81 до 7,54 ГБ. Указана поддержка английского языка, архитектура на базе Qwen2.5-Math-7B-Instruct и текстовая модальность; размер контекста в README не приведён. Сильные стороны модели — математическое рассуждение и способность к самокоррекции, однако её специализация ограничивает применимость за пределами математических задач, а влияние степени квантования на точность может различаться. Модель распространяется по лицензии Apache-2.0.

QVAC Genesis I — это базовая языковая модель, разработанная QVAC by Tether и обученная с нуля на примерно 40 млрд токенов синтетических учебных текстов. Модель представляет собой плотный декодерный трансформер семейства Qwen3 с 1,7 млрд параметров. В метаданных указан контекст до 32 768 токенов; в README описаны обучение и обработка данных с окном 4 096 токенов. Модель предназначена для продолжения предварительного обучения и дообучения образовательных систем, а также для исследований языкового моделирования, рассуждений и ответов на вопросы по STEM-темам. Она принимает текст и генерирует текст; карточка заявляет преимущественно английский язык и учебное покрытие математики, физики, биологии и медицины. Это базовая модель без SFT и RLHF, поэтому для пользовательского ассистента ей потребуется дополнительное выравнивание и проверка. Модель может уверенно выдавать неверные ответы и цитаты, отражать предвзятость обучающих данных и генерировать случайные строки. В README не рекомендуется использовать её в производственных сценариях и для высокозначимых медицинских, финансовых или юридических решений. Лицензия — Apache-2.0.

KOALA-Lightning-700M — модель генерации изображений по текстовому описанию от ETRI Visual Intelligence Lab. Она предназначена для создания изображений в художественных, дизайнерских и образовательных сценариях, а также для исследований генеративных моделей и их ограничений. Модель основана на латентной диффузии и использует компактный U-Net примерно на 782 млн параметров вместо U-Net SDXL; текстовые энкодеры сохранены от SDXL-Base-1.0. Заявлена генерация изображений размером 1024×1024, в том числе на потребительских GPU с 8 ГБ видеопамяти. По данным авторов, модель дистиллирована из SDXL-Lightning с акцентом на self-attention и генерирует изображение более чем в четыре раза быстрее SDXL на NVIDIA 4090. Модель может ошибаться в сложных запросах с несколькими атрибутами и плохо отображает длинный разборчивый текст внутри изображения. Она не предназначена для достоверного изображения людей или событий. Авторы указывают исследовательское назначение; лицензия в предоставленных данных не приведена.

Liujgoj-Cantonese-Qwen2.5-Omni-7B-ASR-V2 — специализированная модель распознавания речи на кантонском языке, созданная Yvthyvq на основе Qwen2.5-Omni-7B. Она принимает кантонскую речь и транскрибирует её латиницей по орфографии Liujgoj Cantonese, передавая слоги и тоны. Модель обучали в три этапа: продолженное предобучение для адаптации к Liujgoj, контролируемое дообучение и настройка для ASR; финальная настройка использовала LoRA. В репозитории указана архитектура Qwen2.5-Omni, а веса представлены в формате safetensors. Модель предназначена для транскрибации кантонских диалогов, подготовки корпусов речи, лингвистических исследований и создания данных для обучения синтеза речи. В обучающем наборе было около 39,8 тыс. пар аудио и текста общей длительностью примерно 18–26 часов; использовались диалоги из кантонских фильмов. Автор отмечает, что дальнейшего улучшения требуют точность тонов, сегментация слов, пунктуация и распознавание длинных записей. Лицензия — Apache-2.0.

Neelectric/Llama-3.1-8B-Instruct_SFT_mathv00.02_s44 — дообученная Neelectric с помощью TRL модель Meta Llama 3.1 8B Instruct. Это плотная авторегрессионная языковая модель с 7,5 млрд параметров для генерации текста и диалогов; карточка показывает запуск через Transformers и text-generation pipeline. Название указывает на настройку для математических задач, однако README не приводит описание обучающих данных, конкретных математических возможностей или результатов оценки. Модель принимает текст и выдаёт текст, поддерживает контекст до 131 072 токенов. В метаданных указана лицензия базовой модели Llama, но лицензия этого репозитория отдельно не подтверждена. Модель подходит для диалогового использования и генерации ответов, в том числе для проверки её поведения на математических запросах. Языки модели в метаданных не перечислены; многоязычные возможности унаследованы от базовой модели, но конкретная поддержка языков этой версии не подтверждена.

MathBERTa — модель на базе RoBERTa, разработанная Витом Новотным и Михалом Штефаником для работы с английскими математическими текстами и формулами LaTeX. Токенизатор дополнен математическими символами, а модель дообучена на корпусах ArXMLiv и Math StackExchange с задачей masked language modeling. Веса содержат 173,7 млн параметров, контекст — до 514 токенов; модель чувствительна к регистру. Репозиторий распространяется в формате PyTorch по лицензии MIT. Модель предсказывает замаскированные слова и математические символы, а также может служить источником признаков для последующего дообучения на классификацию последовательностей и токенов или ответы на вопросы по математическим текстам. Она рассчитана на задачи, где решение опирается на весь входной фрагмент, а не на генерацию текста. В README отмечена проблема долгой загрузки из-за большого числа добавленных токенов LaTeX в старых версиях Transformers; исправление вошло в версию 4.20.0.

MetaMath Cybertron Starling — языковая модель для генерации текста, ориентированная прежде всего на математические задачи. Исходную модель разработал Talha Rüzgar Akkuş, а данный репозиторий подготовлен TheBloke и содержит её квантизированные версии в формате GGUF. Модель обучалась с использованием набора данных MetaMathQA и предназначена для англоязычных сценариев. Архитектура модели — Mistral, однако её размер, длина контекста и точный набор поддерживаемых возможностей в README не указаны. Модель работает в режиме text-generation и использует шаблон запросов ChatML с ролями system, user и assistant. Формат GGUF подходит для локального запуска через llama.cpp и совместимые приложения и библиотеки, включая text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python; доступны варианты квантизации с разной разрядностью, включая 2-, 3-, 4-, 5-, 6- и 8-битные версии. Основные сильные стороны — специализация на математике, возможность локального запуска на CPU и GPU и выбор между несколькими уровнями квантизации. Ограничения включают англоязычную направленность, отсутствие заявленной мультимодальности и недостаток сведений о точности, размере и длине контекста. Для репозитория указана лицензия Apache-2.0.

Карточка модели Debilonhigh/music-flamingo-2601-hf на Hugging Face совпадает с карточкой nvidia/music-flamingo-2601-hf, поэтому описание составлено по ней. Music Flamingo — разработанная NVIDIA большая аудиоязыковая модель для понимания музыки и песен. Она принимает аудио и текстовые запросы, а в ответ формирует текст; поддерживает разбор песен и инструментальных произведений, ответы на вопросы и рассуждения о гармонии, структуре, тембре, текстах песен и культурном контексте. Модель построена на архитектуре Transformer и Audio Flamingo 3: использует аудиоэнкодер AF-Whisper, MLP-адаптер и языковую основу Qwen2.5-7B. Размер — 8 млрд параметров. README указывает обработку аудио длительностью до 20 минут, текстовый ввод до 24 000 токенов и текстовый вывод до 2 048 токенов; метаданные каталога задают нативный контекст в 1 200 токенов. Поддерживается английский язык. Модель предназначена для исследователей и разработчиков, в том числе для музыкальных вопросно-ответных систем и интерактивных помощников по работе с музыкой. Модель распространяется по лицензии типа other, а карточка ограничивает её использование некоммерческими исследованиями. Для запуска рекомендуется NVIDIA A100 или H100; в README также указана поддержка Linux и Transformers. Перед применением в конкретном продукте требуется проверка на соответствующих сценариях и данных.

Qwen3 4B LaTeX Correction v3 BF16 — дообученная методом SFT языковая модель на архитектуре Qwen3, разработанная автором репозитория xu2409324124 на базе Qwen/Qwen3-4B-Instruct-2507. Она преобразует шумные, разговорные или похожие на псевдокод описания математических выражений в канонические формулы LaTeX и выдаёт только формулу в заданном формате: дроби оформляются через \frac с двумя аргументами в фигурных скобках, матрицы — окружением bmatrix, верхние и нижние индексы — в фигурных скобках. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и поддерживает контекст до 262 144 токенов. Репозиторий содержит объединённый чекпойнт BF16 для инференса через Transformers, преобразования для vLLM, дальнейшего дообучения или создания квантизованных версий. В оценке на 292 примерах автор сообщает 98,97% семантической точности и 100% покрытия разбора; точная посимвольная точность составила 83,22%. Лицензия — MIT. Модель специализирована на коррекции математических формул и не предназначена для общего диалога; качество за пределами описанной задачи в карточке не оценивалось.

HuggingFaceTB разработала эту модель для оценки образовательной ценности файлов с исходным кодом на C++. Это дообученная на BigCode StarEncoder модель BERT с классификационной головой, обученная на примерах из The Stack v2, размеченных Llama 3.1 70B Instruct. Классификатор использовался для создания набора Stack-Edu для обучения SmolLM2. Модель принимает текст отдельного файла C++ и выдаёт классификационную оценку его образовательной ценности. Она рассчитана на анализ кода в пределах контекста 1024 токена и может помогать отбирать качественные учебные примеры. В репозитории указаны веса safetensors; размер модели — 151 млн параметров. Лицензия в предоставленных данных не указана.

Карточка модели yding03/Titan-Math-Pro на Hugging Face совпадает с карточкой procedure2012/Titan-Math-Pro, поэтому описание составлено по ней. Titan-Math-Pro — модель, представленная авторами как ориентированная на математику и обученная на проверенных доказательствах и конкурсных задачах с контролем промежуточных шагов рассуждения. В карточке указаны результаты сравнительных тестов по математическому и логическому рассуждению, а также здравому смыслу; отдельные численные результаты для полной таблицы не приведены. Метаданные описывают модель как плотную архитектуру BERT (`BertModel`) в формате PyTorch. Задача Hugging Face — извлечение признаков, поэтому модель подходит для получения представлений текста в математических и логических сценариях. README также заявляет о сильных результатах в задачах рассуждения и генерации, но не содержит сведений о способе локального запуска, размере модели, длине контекста или поддерживаемых языках. Лицензия — MIT.

Chanjing-Avatar V2V 5B — модель для создания говорящего аватара, разработанная Chanjing AI и основанная на Wan2.2-TI2V-5B. Она преобразует исходное видео, используя аудиодорожку для анимации лица: сохраняет движения тела, камеры и фона из исходника, а область лица генерирует заново в соответствии с речью. Для работы нужны отдельные веса Wan2.2 и facebook/wav2vec2-base-960h, а также код репозитория Chanjing-Avatar V2V 5B. Веса опубликованы в формате safetensors; лицензия — Apache-2.0. Лицензии базовой модели и wav2vec2 необходимо проверять отдельно.

Модель prince4332/CosyVoice2-0.5B-Akan-Bible — дообученная версия CosyVoice2-0.5B для синтеза речи на языке акан, вариант асанте-тви. Её подготовил автор репозитория prince4332 на основе модели FunAudioLLM; обучение проводилось на наборе ghananlpcommunity/asante-twi-bible-speech-text из 34,2 тыс. высказываний 10 дикторов, охватывающем библейскую тематику. Дообучены модули LLM и Flow, чтобы освоить отображение фонем акан на речевые токены и улучшить просодию; вокодер, речевой токенизатор и энкодер диктора оставлены без изменений. Базовая модель поддерживает потоковую генерацию и клонирование голоса, однако README не уточняет, насколько эти функции сохранены или проверены в этой версии. Модель предназначена для преобразования текста на асанте-тви в речь, в первую очередь для материалов библейской тематики. В репозитории указаны форматы ONNX и safetensors. Лицензия — Apache-2.0.

Darwin-218B-Delphi — модель семейства Darwin от VIDRAFT FINAL-Bench для химии и научных рассуждений. Это объединённая производная Cohere Command A+, корейски ориентированной Darwin-218B-kr и химического дообучения; в README также описана дистилляция 993 примеров рассуждений по химии от внешней модели-учителя. Архитектура Cohere2 MoE содержит 218 млрд параметров, из которых активно около 25 млрд, и 128 экспертов. Модель предназначена для диалоговых ответов на научные вопросы, решения задач уровня аспирантуры и рассуждений по шести областям химии: органической, спектроскопии, физической, неорганической, аналитической и специальной. Для GPQA Diamond авторы приводят точность 86,87% в базовом режиме и 90,91% в каскаде DELPHI; это заявленные результаты авторов. Репозиторий использует Transformers и формат safetensors. Метаданные указывают английский и корейский языки; базовая модель также мультимодальна, однако карточка этой производной не описывает поддержку изображений во входах. Лицензия — Apache-2.0. Описание не приводит длину контекста. Показатели на тесте GPQA Diamond сами по себе не гарантируют точность ответов в других задачах; использование каскада DELPHI описано как отдельный режим инференса.

FigCodifier-8B — мультимодальная модель MathLLMs для преобразования изображений в код. Она дообучена на базе OpenGVLab/InternVL2-8B с использованием набора ImgCode-8.6M. Модель принимает изображение и по запросу генерирует код для его представления, включая TikZ для векторной графики и Python-код. Модель предназначена для извлечения визуальной структуры математических и других изображений и её кодирования, например, для воссоздания рисунков. В метаданных указана архитектура InternVL Chat и формат safetensors; поддерживается английский язык. Модель можно использовать через Transformers, а для кода обучения и инференса README отсылает к InternVL2-8B. Лицензия — Apache-2.0. Качество генерации зависит от сложности и содержания изображения; README не приводит оценок качества или результатов тестирования.

Gazal-R1-32B-GRPO-preview — языковая модель для медицинских рассуждений, разработанная TachyHealth на базе Qwen3 и дообученная в два этапа: supervised fine-tuning и оптимизация GRPO. Модель содержит 29,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и принимает текстовые запросы, выдавая текстовые ответы. Контекст по метаданным составляет 40 960 токенов; README указывает 32 768 токенов с возможностью расширения до 131 072 с YaRN. Модель предназначена для разбора медицинских вопросов и клинических сценариев: дифференциальной диагностики, обсуждения вариантов лечения, оценки рисков и прогноза, а также медицинского обучения и исследовательской работы. README сообщает о структурированных пошаговых объяснениях и результатах на MedQA, MMLU Pro Medical и PubMedQA; эти бенчмарки не гарантируют точность в реальной клинической практике. В карточке описаны обучение на синтетических медицинских примерах и медицинских наборах данных, а также применение DoRA, rsLoRA и GRPO. Модель не предназначена для самостоятельной диагностики, лечения, экстренных решений или замены медицинского специалиста. Возможны фактические ошибки, устаревшие сведения и смещения; ответы требуют проверки квалифицированным специалистом. Лицензия — Apache-2.0.

Llama-3-70B-UltraMedical — крупная языковая модель для биомедицины, разработанная лабораторией Tsinghua C3I. Она основана на Meta Llama 3 70B Instruct и дообучена на наборе UltraMedical: 410 тысяч синтетических и отобранных вручную инструкций, а также более 100 тысяч примеров предпочтений. Обучение включало supervised fine-tuning и итеративное обучение предпочтениям, в том числе методы, подобные DPO и KTO. Модель предназначена для диалоговых задач в биомедицине: помощи с медицинскими экзаменационными вопросами, понимания научной литературы и работы с клиническими знаниями. Это плотная авторегрессионная архитектура LlamaForCausalLM с 69,5 млрд параметров и контекстом 8192 токена; поддерживаемая карточкой языка — английский. Модель принимает и генерирует текст. Веса опубликованы в формате Safetensors. Лицензия — Llama 3 Community License (llama3); перед применением следует учитывать её условия и ограничения, а медицинские ответы проверять специалистом, поскольку карточка не подтверждает пригодность модели для самостоятельной диагностики или лечения.

LLaVA-JP 1.3B v1.1 — японская зрительно-языковая модель, разработанная на основе текстового декодера llm-jp/llm-jp-1.3b-v1.0 и визуального энкодера google/siglip-so400m-patch14-384. Модель обучалась в два этапа: сначала с визуальным проектором на LLaVA-Pretrain-JA, затем дообучалась на LLaVA-v1.5-Instruct-620K-JA. Архитектура — плотная LlavaGpt2ForCausalLM; веса опубликованы в формате safetensors. Модель предназначена для диалога по изображениям, ответов на вопросы о визуальном содержимом и создания описаний изображений на японском языке. Поддерживает изображения высокого разрешения до 768 × 768 с масштабированием методом scaling_on_scales; длина контекста — 2048 токенов. В сравнительной таблице README приведены результаты на японских бенчмарках, включая среднюю оценку 50,39 на Heron-Bench. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Модель компактнее приведённых в README 7B-систем, однако её качество следует оценивать с учётом японской языковой специализации и результатов на конкретных бенчмарках.

Mdist_8B_SelfRationalize_Chem_from_Qwen3_8B — плотная авторегрессионная языковая модель семейства Qwen3, дообученная yileitu на датасете M7_Qwen3_8B_oracle_merged_shuffled_sampled51957. Она предназначена для генерации текста в диалоговом формате; название модели указывает на самообоснование в химии, однако README не описывает эту специализацию подробнее. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст длиной до 40 960 токенов. Она опубликована в формате safetensors и рассчитана на использование с Transformers. README не приводит оценок качества, дополнительных сведений о данных или конкретных ограничениях. Лицензия указана как other, поэтому условия использования следует уточнять в карточке модели.

Карточка модели another-blue/music-flamingo-2601-hf на Hugging Face совпадает с карточкой nvidia/music-flamingo-2601-hf, поэтому описание составлено по ней. Music Flamingo — разработанная NVIDIA большая аудиоязыковая модель для понимания музыки и песен. Она принимает аудио и текстовые запросы, а в ответ формирует текст; поддерживает разбор песен и инструментальных произведений, ответы на вопросы и рассуждения о гармонии, структуре, тембре, текстах песен и культурном контексте. Модель построена на архитектуре Transformer и Audio Flamingo 3: использует аудиоэнкодер AF-Whisper, MLP-адаптер и языковую основу Qwen2.5-7B. Размер — 8 млрд параметров. README указывает обработку аудио длительностью до 20 минут, текстовый ввод до 24 000 токенов и текстовый вывод до 2 048 токенов; метаданные каталога задают нативный контекст в 1 200 токенов. Поддерживается английский язык. Модель предназначена для исследователей и разработчиков, в том числе для музыкальных вопросно-ответных систем и интерактивных помощников по работе с музыкой. Модель распространяется по лицензии типа other, а карточка ограничивает её использование некоммерческими исследованиями. Для запуска рекомендуется NVIDIA A100 или H100; в README также указана поддержка Linux и Transformers. Перед применением в конкретном продукте требуется проверка на соответствующих сценариях и данных.

Карточка модели amandabenson/music-flamingo-2601-hf-fork на Hugging Face совпадает с карточкой nvidia/music-flamingo-2601-hf, поэтому описание составлено по ней. Music Flamingo — разработанная NVIDIA большая аудиоязыковая модель для понимания музыки и песен. Она принимает аудио и текстовые запросы, а в ответ формирует текст; поддерживает разбор песен и инструментальных произведений, ответы на вопросы и рассуждения о гармонии, структуре, тембре, текстах песен и культурном контексте. Модель построена на архитектуре Transformer и Audio Flamingo 3: использует аудиоэнкодер AF-Whisper, MLP-адаптер и языковую основу Qwen2.5-7B. Размер — 8 млрд параметров. README указывает обработку аудио длительностью до 20 минут, текстовый ввод до 24 000 токенов и текстовый вывод до 2 048 токенов; метаданные каталога задают нативный контекст в 1 200 токенов. Поддерживается английский язык. Модель предназначена для исследователей и разработчиков, в том числе для музыкальных вопросно-ответных систем и интерактивных помощников по работе с музыкой. Модель распространяется по лицензии типа other, а карточка ограничивает её использование некоммерческими исследованиями. Для запуска рекомендуется NVIDIA A100 или H100; в README также указана поддержка Linux и Transformers. Перед применением в конкретном продукте требуется проверка на соответствующих сценариях и данных.

Это GGUF-квантизированная версия языковой модели OpenMath-Nemotron-7B, разработанной NVIDIA. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и ориентирована прежде всего на математические задачи; исходная модель обучалась на наборе данных nvidia/OpenMathReasoning. Заявленный язык — английский. Модель содержит около 7 миллиардов параметров и распространяется в форматах с различными уровнями квантизации — от BF16 до Q2 и IQ3/IQ4. Это позволяет выбирать баланс между качеством, размером файла и требованиями к памяти; доступны варианты примерно от 3,49 до 15,24 ГБ. Модель можно запускать через llama.cpp, LM Studio и другие совместимые проекты. В README не указаны архитектура исходной модели, размер контекстного окна и поддержка модальностей, поэтому подтверждённо речь идёт только о текстовой генерации. Сильными сторонами являются специализация на математическом reasoning, широкий выбор квантизаций и возможность локального запуска на совместимом оборудовании. Более компактные варианты экономят память, но могут заметно уступать по качеству полноразмерным версиям; сама модель ориентирована на английский язык, а качество и возможности конкретной сборки зависят от выбранного уровня квантизации. Указана лицензия CC BY 4.0.

unsloth/Phi-4-mini-reasoning-GGUF — это GGUF-версия модели Phi-4-mini-reasoning, разработанной Microsoft и подготовленной Unsloth. Модель создана на основе синтетических данных с акцентом на плотные рассуждения и дообучена для более продвинутого решения математических задач. Она относится к семейству Phi-4, поддерживает контекст до 128K токенов и предназначена для генерации текста на английском языке. Основные сценарии применения — многошаговое и логически сложное математическое решение в условиях ограниченных памяти и вычислительных ресурсов, а также при требованиях к низкой задержке. Модель ориентирована на формальную генерацию доказательств, символьные вычисления, сложные текстовые задачи и другие задачи математического рассуждения, где важны сохранение контекста между шагами и структурированная логика. Модель протестирована прежде всего для математического reasoning, поэтому её пригодность для общих прикладных задач, других языков и критически важных сценариев не гарантируется. Как и другие языковые модели, она может допускать ошибки; перед использованием необходимо отдельно оценивать точность, безопасность и справедливость. В README указана лицензия MIT. Сведения о точном числе параметров, архитектуре и конкретном уровне квантования данной GGUF-версии не приведены.

Montalte/qwen3_4b_math_nothink_strip_planb_paper — объединённый чекпойнт, загруженный разработчиком после локальных оценочных запусков и помеченный как Plan B Localize-and-Stitch. Это текстовая модель семейства Qwen3 с плотной архитектурой Qwen3ForCausalLM и 3,7 млрд параметров, дообученная на основе Qwen/Qwen3-4B-Base. Модель предназначена для генерации текста в диалоговом формате; в названии также указана математическая специализация и режим without thinking, но README не описывает их подробно. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов и распространяется в формате safetensors для Transformers. Лицензия — Apache-2.0. Доступные сведения не подтверждают отдельные языковые возможности или результаты оценки качества.

shuoxing/qwen-3.5-27b-absorb — дообученная модель Qwen/Qwen3.5-27B, созданная методом самодистилляции Absorb для математических рассуждений. Во время обучения одна и та же модель выступала учителем и учеником: учитель получал задачу вместе с ключевой математической идеей, а ученик — только задачу; ограниченная передача подсказок помогала ученику строить собственное решение. При использовании модели такая подсказка не требуется. Модель обучена на 709 задачах-доказательствах из экзаменов Ph.D. по математике из набора shuoxing/math-phd-qual-709. Она предназначена для генерации решений и доказательств, а также для экспериментов с обнаружением и применением ключевых идей в задачах. Это плотная архитектура Qwen3.5 с 27 млрд параметров; изменена языковая часть, а модуль зрения перенесён из базовой модели без изменений. Обучение и оценка проводились только на текстовых данных. Весовой адаптер LoRA был объединён с весами модели. Репозиторий содержит веса safetensors, модель распространяется по лицензии Apache-2.0.

Модель tiantiaf/wavlm-large-voice-quality — дообученная версия WavLM Large для классификации характеристик голоса и речи. Она реализует подход Vox-Profile и выдаёт метки по пяти группам признаков: высота тона, тембр, громкость, чёткость и ритм речи. Среди меток — высокий или низкий голос, хрипотца, шёпот, невнятная речь, монотонность и неуверенность. Модель принимает аудио и предназначена для анализа голосовых записей на уровне говорящего. В описании приведена оценка Macro-F1, усреднённая по говорящим и датасетам VoxCeleb и Expresso; EARS исключён из-за малого числа примеров в отложенной выборке ParaSpeechCaps. Базовая модель Microsoft WavLM Large предварительно обучена на английской речи, а в метаданных указан английский язык и датасет ParaSpeechCaps. Репозиторий содержит веса в формате safetensors. Лицензия — OpenRAIL.