IV.5Образование и развитие навыков

antonkirk/Llama3-Instruct-OpenBioLLM-8B-merged — объединённая языковая модель, созданная с помощью mergekit методом DARE TIES на основе Meta Llama 3. В объединение вошли Meta-Llama-3-8B-Instruct и Llama3-OpenBioLLM-8B; архитектура — плотная авторегрессионная LlamaForCausalLM, размер — 7,5 млрд параметров. Модель предназначена для генерации текста и диалоговых ответов, в том числе на биомедицинские темы. Она принимает текст и выдаёт текст, работает через Transformers и поддерживает контекст до 8192 токенов. Файлы опубликованы в формате safetensors. Лицензия в предоставленных сведениях не указана. Карточка не содержит результатов оценки качества, поэтому точность ответов, особенно в медицинских сценариях, не подтверждена; выводы модели следует проверять.

OlympicCoder-32B — языковая модель для генерации кода, разработанная проектом open-r1 и дообученная на очищенной от пересечений версии набора Codeforces. Она предназначена прежде всего для задач соревновательного программирования: решения олимпиадных задач, написания алгоритмов и подготовки ответов для задач с программированием. Модель построена на архитектуре Qwen2 и содержит 32 млрд параметров; базовая модель — Qwen/Qwen2.5-Coder-32B-Instruct. Она принимает текстовые запросы и генерирует текст, включая код. Основной язык карточки — английский; дообучение проводилось исключительно на решениях на C++, сгенерированных DeepSeek-R1. Контекст составляет 32 768 токенов. В карточке заявлены сильные результаты на LiveCodeBench и Международной олимпиаде по информатике 2024 года. Результаты на задачах LiveCodeBench следует считать частично вне домена: оценка предполагает генерацию Python, тогда как модель дообучалась на решениях на C++. Модель распространяется по лицензии Apache-2.0.

nicoboss/Qwen-3-32B-Medical-Reasoning — дообученная модель Qwen3-32B для генерации ответов с медицинскими рассуждениями. Разработчик дообучил базовую модель Qwen/Qwen3-32B на 2000 примерах набора FreedomIntelligence/medical-o1-reasoning-SFT с использованием PEFT и TRL; в README также описан 4-битный NF4 режим загрузки при обучении. Модель имеет плотную архитектуру Qwen3ForCausalLM и около 29,7 млрд параметров, принимает текст и рассчитана на контекст до 40960 токенов. Модель предназначена для диалоговых запросов, требующих объяснений и рассуждений по медицинским темам, например для разбора клинических вопросов и подготовки ответов на медицинские задачи. Метаданные указывают английский язык карточки, однако исходная Qwen3 — многоязычная модель. Репозиторий распространяется под лицензией Apache-2.0. README описывает сценарий обучения, но не приводит оценок качества или клинической валидации; выводы модели не следует считать заменой консультации специалиста.

Nashhz/SBERT_KFOLD_Job_Descriptions_to_Skills — это дообученный на базе sentence-transformers/all-MiniLM-L6-v2 энкодер Sentence Transformers для сопоставления описаний вакансий с навыками. Он преобразует предложения и абзацы в плотные векторы размерности 384; архитектура включает BERT, усреднение токенов и нормализацию. Метаданные указывают 25,9 млн параметров, библиотеку sentence-transformers и максимальный контекст 512 токенов; в карточке модели указана длина последовательности 256 токенов. Модель предназначена для семантического поиска и сравнения текстов, в том числе для подбора навыков к описаниям вакансий, поиска похожих формулировок, кластеризации и классификации текста. Для сравнения векторов используется косинусное сходство. Обучающий набор содержит 8 117 пар предложений с оценками сходства. Модель принимает текст и выдаёт эмбеддинги, а не готовый перечень навыков; для получения навыков потребуется отдельная процедура поиска или сопоставления. Англоязычная база указывает на преимущественную поддержку английского, а карточка не подтверждает качество на других языках. Лицензия в предоставленных данных не указана.

Weblab-MedLLM-Qwen3-235B-Thinking — японская медицинская языковая модель, разработанная в рамках проекта NEDO по проверке безопасности и внедрению специализированных медицинских LLM. Это разговорная модель с архитектурой Qwen3 MoE и режимом Thinking; в README указано 235 млрд параметров, тогда как метаданные Hugging Face сообщают 18,2 млрд. Модель дообучена на базе Qwen3-235B-A22B-Thinking-2507 с использованием синтетических данных, созданных на основе медицинских статей, книг, клинических рекомендаций и экзаменационных заданий. Она предназначена для ответов на медицинские вопросы, поддержки изучения медицины и вспомогательной работы специалистов; в тестах README приведены результаты 95,7% на вопросах японского государственного медицинского экзамена и 82,7% на экзаменах специалистов. Модель принимает текст и генерирует текст на японском языке; заявленный контекст — до 262 144 токенов. Для BF16-инференса требуется около 470 ГБ памяти GPU, README рекомендует распределённый запуск минимум на шести H100 с 80 ГБ или использование vLLM. Лицензия — Apache-2.0. Разработчики не рекомендуют применять модель напрямую для диагностики, выбора лечения или советов о здоровье: её клиническая безопасность и эффективность недостаточно проверены, а точность и актуальность ответов не гарантируются.

deepdml/whisper-base-ar-quran-mix-norm — дообученная модель Whisper Base, разработанная deepdml на основе openai/whisper-base для распознавания чтения Корана на арабском языке. Это плотная encoder-decoder модель класса WhisperForConditionalGeneration с 51,7 млн параметров, предназначенная для распознавания речи из аудио. Модель опубликована в формате safetensors и работает через Transformers. На указанном наборе оценки модель достигла WER 0,1620 и CER 0,0609; для необработанных результатов приведены WER 0,1668 и CER 0,0591. Обучение проводилось на данных tarteel-ai/everyayah и tarteel-ai/EA-UD. Репозиторий указывает лицензию Apache-2.0. README не описывает ограничения и сценарии оценки подробнее, поэтому показатели могут не отражать качество на других записях, произношениях или акустических условиях.

Anonymiseur-Lycéen — модель CamemBERT, дообученная XenocodeRCE для автоматического обнаружения и разметки персональных данных в текстах французских школьных работ. Она присваивает токенам метки сущностей, среди которых имена и фамилии, учебные заведения, классы, номера учащихся, адреса, профессии родителей и города. Модель содержит 137,8 млн параметров, использует архитектуру CamembertForTokenClassification и принимает контекст длиной до 514 токенов. Модель предназначена для предварительной анонимизации ученических работ перед публикацией, передачей или анализом. В README приведены примеры с оценками 63–70%; автор отмечает ложные срабатывания на известных именах, шум в разметке пунктуации и коротких слов, а также отсутствие надежного распознавания дат рождения, электронной почты и телефонов. Обучение проводилось на небольшом синтетическом наборе французских школьных работ, поэтому результаты стоит проверять вручную. Лицензия — MIT.

Gemma-2-9b-Medical — медицинская языковая модель с 9 млрд параметров, разработанная автором репозитория YiDuo1999 на базе Gemma-2-9b-base. Модель дообучена на разнообразных медицинских и общих инструкциях; при настройке использованы стратегии из работы об эффективном продолжительном предобучении для снижения разрыва стабильности. Модель предназначена для генерации текста и ответов на медицинские вопросы. В README приведены оценки на MMLU-Medical, PubMedQA, MedMCQA и MedQA-4-Option, однако полные результаты сравнительной таблицы в доступной карточке отсутствуют. Контекст составляет 8192 токена; репозиторий содержит веса в формате Safetensors. Модель может помогать с медицинскими вопросами и учебными задачами, но карточка не подтверждает пригодность ответов для клинических решений. Язык лицензируется по условиям Gemma; перед использованием следует учитывать ограничения этой лицензии.

GPasT-small-model — небольшая языковая модель Falcon2006VN, дообученная на GPT-2 для генерации кода на Pascal. В карточке указано, что при обучении использовались 25 батчей данных; датасет в метаданных называется Falcon2006VN/pascal-code-generation-2mb. Модель построена на архитектуре GPT-2 и доступна в форматах PyTorch и TensorFlow. Контекст составляет 1024 токена. Модель предназначена для генерации фрагментов кода на Pascal по текстовому запросу или началу кода. Автор характеризует её как несовершенную и предостерегает от использования в производственной среде. Лицензия — MIT.

FreedomIntelligence/medical_o1_verifier_3B_Qwen2.5 — медицинская модель-верификатор на основе Qwen2.5-3B-Instruct, разработанная FreedomIntelligence. Она оценивает правильность ответов языковых моделей на проверяемые медицинские задачи и может использоваться для проверки результатов медицинских рассуждений. Модель построена на плотной архитектуре Qwen2 с классификационной головой Qwen2ForSequenceClassification, содержит 3,1 млрд параметров и поддерживает контекст до 32 768 токенов. В README заявлена поддержка английского и китайского языков. Модель дообучена на наборе FreedomIntelligence/medical-o1-verifiable-problem и распространяется в формате safetensors под лицензией Apache-2.0. Она предназначена для оценки корректности ответов, а не для самостоятельной постановки диагноза или замены медицинского специалиста.

Med-LLaMA3-8B — медицинская языковая модель на архитектуре LLaMA 3, созданная путём дополнительного предобучения модели LLaMA3-8B на крупных открытых медицинских данных. Репозиторий содержит плотную causal language model для генерации текста с 7,5 млрд параметров и контекстом до 8192 токенов; для работы используется библиотека Transformers, веса представлены в формате safetensors. Модель предназначена для генерации медицинского текста и языковых сценариев в медицинской области. Карточка не приводит конкретные результаты оценки, перечень поддерживаемых языков или условия лицензии. Поэтому её ответы не следует считать проверенными медицинскими рекомендациями без независимой оценки.

MedraN-E4B-Uncensored-EP7 — медицинская диалоговая модель на базе Gemma 3n E4B, дообученная для клинических сценариев. Карточка описывает поддержку принятия клинических решений, разбор дифференциальных диагнозов, обучение медицинских специалистов, подготовку медицинской документации и анализ медицинской литературы. Модель принимает текст и изображения; заявлены работа со структурированными данными и вызов подключённых инструментов для поиска по базам и извлечения сведений из документов. Метаданные указывают архитектуру Gemma3nForConditionalGeneration и формат safetensors; карточка заявляет класс размера 8B и повышенную длину контекста, но точные значения не приводит. В метаданных указаны английский и румынский языки. Модель распространяется по лицензии Apache-2.0. Разработчик позиционирует её как помощника для клинического рассуждения и обучения, способного разбирать медицинские изображения и поддерживать инструментальные рабочие процессы. Карточка сообщает о дообучении на медицинской литературе, клинических случаях, примерах SOAP-документации, мультимодальных медицинских данных и симуляциях взаимодействия с инструментами. Эти сведения и возможности заявлены автором и не сопровождаются в карточке оценками качества. Модель не заменяет врача и требует клинического контроля; вызов инструментов зависит от их настройки, а доступ к медицинским информационным системам требует предварительной анонимизации данных.

NFT-7B-GGUF — версия модели NFT-7B в формате GGUF, разработанная NVIDIA, Университетом Цинхуа и Стэнфордским университетом. Это авторегрессионная Transformer-модель с архитектурой Qwen2.5 и примерно 7 млрд параметров, дообученная на базе Qwen2.5-Math-7B с использованием метода Negative-aware Fine-Tuning (NFT), который учитывает как правильные, так и ошибочные ответы для улучшения рассуждений. Модель работает с текстом на английском языке, поддерживает математические выражения в LaTeX, контекст до 32 768 токенов и генерацию до 8 192 токенов. Модель предназначена прежде всего для математического решения задач и пошагового вывода, включая конкурсную математику уровня AIME, AMC и олимпиад, а также общие математические тесты. Она не рекомендуется для общего диалога и нематематических сценариев. К сильным сторонам относятся специализированная оптимизация математических рассуждений и обучение на данных DAPO-Math-17k объёмом около 17 тысяч задач; ограничения включают узкую предметную специализацию и заявленное назначение только для исследований и разработки. Указана NVIDIA Non-Commercial License, поэтому коммерческое использование не предусмотрено условиями лицензии.

Модель afriscience-mt-nllb200distilled600m-eng-amh разработана в рамках проекта AfriScience-MT для машинного перевода научных текстов с английского на амхарский язык. Это модель Seq2Seq на архитектуре M2M100, дообученная на базе facebook/nllb-200-distilled-600M; в репозитории 463,7 млн параметров, формат весов — safetensors. Модель предназначена для перевода научных аннотаций и статей. В тестировании на AfriScience-MT она получила BLEU 18,57, chrF 44,38 и SSA-COMET 64,12. Модель рассчитана на пару английский—амхарский и научно-академические тексты. Карточка указывает ограничение длины входа в 256 токенов, хотя метаданные каталога сообщают native context в 1024 токена; при обработке длинных материалов вход следует разбивать на фрагменты. На разговорных и неформальных текстах качество может быть ниже. Лицензия — Apache-2.0.

ruRoberta-large-RuCoLa-v1 — модель классификации предложений на русском языке, разработанная на основе ruRoberta-large и обученная на наборе данных RuCoLa. Она определяет, является ли предложение языково приемлемым и беглым, и подходит для автоматической проверки приемлемости русских фраз и сравнительного анализа вариантов. Модель использует архитектуру RoBERTa с классификационной головой, содержит 454,1 млн параметров и рассчитана на контекст до 514 токенов. В README указана точность 0,81 на тесте; для этой версии не приведены дополнительные сведения об условиях лицензирования.

tarteel-ai/whisper-tiny-ar-quran — модель распознавания речи на основе Whisper Tiny, дообученная Tarteel AI для расшифровки чтения Корана. В README указано значение WER 7,0535 на оценочном наборе; сведения о составе набора и протоколе оценки не приведены. Модель содержит 29,4 млн параметров, использует архитектуру WhisperForConditionalGeneration и распространяется в формате PyTorch. Она принимает аудио и генерирует текстовую транскрипцию. Репозиторий указывает лицензию Apache-2.0.

Aava TTS Persian 3B — модель преобразования текста на персидском языке в речь, разработанная KEYHAN-A на основе Orpheus и адаптера Aava LoRA, объединённого с базовой моделью. Она предназначена для синтеза персидской речи в исследовательских прототипах и экспериментах с доступностью. Модель использует архитектуру LlamaForCausalLM вместе с декодером SNAC; метаданные указывают 3,3 млрд параметров, а README — около 3,78 млрд. Речь генерируется с частотой 24 кГц. Контекст модели — 131 072 токена. Обучение проводилось на персидских аудиоданных с несколькими источниками и дикторами; в README указаны 492 596 обучающих записей и около 1 905 часов подготовленного материала. Другие языки и переключение между языками не поддерживаются. Длинная генерация может повторяться или не завершаться; идентичность и сходство голоса формально не оценивались, а опубликованных бенчмарков качества, запоминания, задержки и сходства дикторов нет. Лицензия — Apache-2.0.

AnimateDiff-Lightning — модель генерации видео по текстовому запросу, разработанная ByteDance и представленная как часть исследовательской работы о дистилляции диффузионных моделей между архитектурами. Чекпойнты дистиллированы из AnimateDiff SD1.5 v2 и рассчитаны на генерацию за 1, 2, 4 или 8 шагов; по заявлению авторов, они работают более чем в десять раз быстрее исходного AnimateDiff. Для запуска используются Diffusers и веса в формате safetensors. Модель подходит для создания коротких анимированных роликов по описанию и для video-to-video преобразования в связке с ControlNet. Авторы рекомендуют применять её со стилизованными базовыми моделями Stable Diffusion, например для реалистичной или мультяшной эстетики; доступны рабочие сценарии для ComfyUI. Качество 2-, 4- и 8-шаговых вариантов авторы оценивают как хорошее, а однокроковый вариант предназначен для исследований. Для обработки входных видео рекомендованы умеренные длительность и разрешение; в примерах использовались ролики 576×1024 длительностью 8 секунд и частотой 30 кадров/с. Лицензия — CreativeML Open RAIL-M.

Карточка модели FreedomIntelligence/Apollo-2B на Hugging Face совпадает с карточкой FreedomIntelligence/Apollo-1.8B, поэтому описание составлено по ней. Apollo-1.8B — языковая модель семейства Qwen, представленная проектом FreedomIntelligence для работы с медицинскими текстами и вопросами. Она предназначена для генерации ответов в формате диалога и охватывает медицинские знания на нескольких языках. Модель содержит 2,3 млрд параметров, использует плотную архитектуру QWenLMHeadModel и поддерживает контекст до 8192 токенов. В карточке описаны английский и китайский наборы медицинских тестов, а также оценки на испанском, французском, хинди и арабском; для обучения упоминаются данные на английском, китайском, испанском, французском и хинди. Модель можно применять для ответов на медицинские вопросы и учебных задач по медицинским знаниям. В README приведены наборы для обучения и оценки, но нет подробных результатов, поэтому качество на конкретных задачах по этой карточке определить нельзя. Модель распространяется по лицензии Apache-2.0.

Minbyul/biomistral-7b-wo-kqa_golden-iter-sft-dpo-step1 — дообученная методом DPO версия модели BioMistral-7B, созданная на основе Minbyul/biomistral-7b-wo-kqa_golden-iter-sft-step1 с использованием датасета HuggingFaceH4/ultrafeedback_binarized. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для диалоговой генерации текста; её можно применять для ответов на вопросы и ведения текстовых диалогов, в том числе в медицинской и биологической тематике. Модель принимает текст и генерирует текст. Контекстное окно составляет 32 768 токенов. В карточке приведены метрики оценки на тестовой выборке, но подробные сведения о тесте и практических ограничениях отсутствуют. Распространяется под лицензией Apache-2.0.

Code-as-World-VL-4B — мультимодальная модель MirroS-Lab, дообученная на базе Qwen/Qwen3.5-4B для понимания физических процессов и количественных рассуждений по видео. Она принимает видео и текстовые запросы; для видео автор рекомендует использовать 16 кадров. Модель основана на плотной архитектуре Qwen3.5 с 4 млрд параметров и представлена в формате BF16 Safetensors для Transformers. Модель предназначена для исследовательских задач, связанных с анализом физических явлений, измерениями и оценками величин по изображениям и видео. Её можно применять, например, для вопросов о движении объектов и количественных характеристиках сцены. Ответы могут быть неточными, поэтому их следует проверять независимо, особенно перед использованием в сценариях, критичных для безопасности. Лицензия — Apache-2.0.

Cool Japan Diffusion 2.1.1 — модель генерации изображений по текстовому описанию, созданная Alfred Increment на основе дообучения Stable Diffusion. Она ориентирована на стилистику аниме, манги и игр и использует Latent Diffusion Model и OpenCLIP-ViT/H. В карточке заявлена поддержка японских промптов; пример применения — создание иллюстраций и AI-арта, а также образовательные и исследовательские проекты. Модель предназначена для генерации изображений по текстовым запросам через Diffusers или веб-интерфейс. Автор указывает, что коммерческое использование запрещено, кроме описанных в лицензии исключений; применяется CreativeML Open RAIL++-M-NC License. Модель унаследовала смещения Stable Diffusion, а качество генерации и другие ограничения автор подробно не характеризует.

Это модель классификации изображений на архитектуре MobileViTV2, созданная дообучением apple/mobilevitv2-1.0-imagenet1k-256. Разработчик дообучил её распознавать эскизы на наборе Xenova/quickdraw-small. Модель предназначена для определения класса на изображении с рисунком от руки. Её можно использовать для распознавания эскизов в приложениях и каталогизации нарисованных объектов. В репозитории представлены веса в форматах Safetensors и ONNX. Лицензия в предоставленных данных не указана.

worldboss/en-ee-from-scratch — модель машинного перевода с английского языка на эве, разработанная автором репозитория. Это обученная с нуля encoder–decoder модель на PyTorch с архитектурой Pre-LN, 6 слоями и размерностью 512; словарь BPE-токенизатора содержит 32 000 токенов, а размер модели составляет 38,4 млн параметров. Модель предназначена для перевода английских фраз и вопросов на эве. В обучающие данные вошли вопросы и ответы для фермеров в Гане, пары английский–эве из NLLB и параллельные библейские тексты из корпуса ghananlpcommunity/ghana-corpus. Для работы нужен checkpoint best.pt и скрипт translate.py из репозитория обучения; модель не совместима с Transformers AutoModelForSeq2SeqLM. Лицензия — CC-BY-NC-4.0, а указанные обучающие данные имеют лицензию CC-BY-NC.

enemBERT — модель akagabi для выделения пяти элементов предложения по вмешательству в заключении эссе ENEM: агента, действия, способа, эффекта и детализации. Это дообученная BERTimbau Base на основе neuralmind/bert-base-portuguese-cased, использующая архитектуру BERT для классификации токенов. Модель принимает текстовый абзац и размечает в нём соответствующие фрагменты по схеме BIO; она не выставляет оценку эссе, не исправляет и не переписывает текст и не анализирует остальные компетенции ENEM. Модель предназначена для анализа заключений эссе ENEM и исследовательских сценариев, связанных с разметкой компонентов аргументации. Обучающие метки созданы LLM методом слабой супервизии и не проверялись людьми, поэтому предсказания могут наследовать ошибки разметчика; границы фрагментов также могут быть неточными. Внешняя проверка на 30 опубликованных эссе показала более слабую связь числа найденных элементов с оценкой, чем на исходном тестовом корпусе, поэтому число элементов нельзя использовать как оценку. Модель рассчитана на бразильский португальский, имеет контекст 512 токенов и опубликована под лицензией Apache-2.0.

JSL-MedMX-7X — медицинская разговорная языковая модель, разработанная John Snow Labs. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, рассчитанная на генерацию текста и диалоговое взаимодействие; для неё заявлено окно контекста до 32 768 токенов. Карточка приводит результаты оценки на биомедицинских тестах, включая MedMCQA. Модель предназначена для ответов на медицинские вопросы и помощи в работе с биомедицинской информацией на английском языке. Веса опубликованы в формате safetensors. Лицензия в метаданных указана как Apache 2.0, однако README задаёт условия CC-BY-NC-ND и Acceptable Use Policy, а для коммерческого лицензирования предлагает связаться с разработчиком; перед использованием следует уточнить применимые условия у John Snow Labs.

Карточка модели vkocaman/JSL-MedMX-7X на Hugging Face совпадает с карточкой johnsnowlabs/JSL-MedMX-7X, поэтому описание составлено по ней. JSL-MedMX-7X — медицинская разговорная языковая модель, разработанная John Snow Labs. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, рассчитанная на генерацию текста и диалоговое взаимодействие; для неё заявлено окно контекста до 32 768 токенов. Карточка приводит результаты оценки на биомедицинских тестах, включая MedMCQA. Модель предназначена для ответов на медицинские вопросы и помощи в работе с биомедицинской информацией на английском языке. Веса опубликованы в формате safetensors. Лицензия в метаданных указана как Apache 2.0, однако README задаёт условия CC-BY-NC-ND и Acceptable Use Policy, а для коммерческого лицензирования предлагает связаться с разработчиком; перед использованием следует уточнить применимые условия у John Snow Labs.

Модель yanggangu/Llama-3.2-1B-Instruct-SMAT-NumGLUE-cm — эксперт SMAT, обученный авторами метода Simple and Efficient Merge-Aware Training на основе Meta Llama 3.2 1B Instruct; в README указан seed обучения 42. Она предназначена для генерации текста и диалоговых сценариев. SMAT обучает экспертов сохранять качество на своей задаче и облегчать последующее слияние моделей. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 1,2 млрд параметров, принимает текст и поддерживает контекст до 131 072 токенов. Применяется лицензия Llama 3.2 и связанная с ней политика допустимого использования.

LTX-2 — разработанная Lightricks диффузионная модель семейства DiT для совместной генерации видео и синхронизированного с ним аудио. Репозиторий предоставляет веса в формате safetensors для использования через Diffusers; карточка описывает обучаемую версию модели и варианты с квантованием FP8 и NVFP4. В README также упоминается поддержка генерации видео по текстовому описанию и изображению, однако основная задача модели в метаданных — image-to-video. Модель предназначена для локальной генерации аудиовизуальных клипов и доступна через Diffusers и узлы ComfyUI. В карточке указаны английский язык и теги языков en, de, es, fr, ja, ko, zh, it, pt. Для генерации заданы ограничения размеров: ширина и высота должны делиться на 32, а число кадров иметь вид 8n+1. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории.

MistralDarwin-7b-v0.1 — разговорная языковая модель Phanerozoic, дообученная с помощью LoRA на основе OpenHermes 2.5. Она имитирует манеру общения Чарльза Дарвина и отвечает на вопросы, опираясь на материалы и идеи книги «Происхождение видов». Модель построена на плотной архитектуре MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для образовательных диалогов, интерактивных экспозиций и сюжетных сценариев с исторической научной перспективой. Её ответы могут отражать знания и предубеждения XIX века; она не подходит для актуальных научных исследований и не гарантирует современные сведения об эволюционной биологии. В README указана лицензия CC BY-NC 4.0, ограничивающая коммерческое использование.