IV.5Образование и развитие навыков

OctoMed-8B — медицинская мультимодальная модель рассуждения, созданная разработчиками OctoMed на основе Qwen3-VL-8B-Instruct с помощью контролируемого дообучения. Для обучения подготовлен набор более чем из 8 млн трасс рассуждений и 6,8 млрд токенов ответов, полученных с помощью крупномасштабного отбора данных и дистилляции. Модель принимает изображения и текст и выдаёт текстовые ответы; её основное назначение — медицинские вопросы с визуальным контекстом, особенно задания с выбором ответа. В README сообщается о сильных результатах на медицинских бенчмарках вне обучающего распределения. Модель формирует внутренние трассы рассуждений перед финальным ответом. Она дообучена для VQA с выбором ответа; другие задачи могут выполняться, но широко не проверялись. Лицензия — Apache-2.0.

Карточка модели FreeAi1111/PrepGenius на Hugging Face совпадает с карточкой zai-org/CogVideoX-5b, поэтому описание составлено по ней. CogVideoX-5B — открытая модель генерации видео от команды QingYing, представленная организацией zai-org. Она создаёт видеоролики по текстовому описанию и предназначена для генерации сцен, визуальных концепций и коротких демонстрационных клипов. Репозиторий использует конвейер CogVideoXPipeline из библиотеки Diffusers и хранит веса в формате safetensors; модель относится к варианту семейства с 5 млрд параметров. Модель принимает запросы только на английском языке. Запросы на других языках можно предварительно переводить на английский с помощью большой языковой модели. Для снижения потребления видеопамяти README описывает выгрузку частей модели в память CPU, нарезку и тайлинг VAE, а также квантизацию модулей; квантизация может замедлить генерацию. Проверки оптимизаций памяти проводились на NVIDIA A100 и H100, поэтому требования и производительность на других устройствах могут отличаться. Лицензия указана как other, конкретные условия использования следует сверять с лицензией репозитория.

Samantha-1.1-70b — англоязычный чат-ассистент-компаньон от QuixiAI, дообученный на базе Llama 2. Модель с плотной архитектурой Llama содержит 68,7 млрд параметров и рассчитана на генерацию текста с контекстом до 4096 токенов. Она обучена на подборке из 6000 диалогов в формате ShareGPT/Vicuna и использует шаблон беседы Vicuna 1.1. Модель предназначена для разговоров о философии, психологии и личных отношениях, включая советы по знакомствам, уверенности в себе и общению. Карточка описывает её как дружелюбного собеседника, но указывает, что она не участвует в ролевых играх, романтических или сексуальных сценариях. Модель доступна на условиях лицензии Llama 2, которая разрешает коммерческое и некоммерческое использование с ограничениями этой лицензии. Она создана с помощью QLoRA; ответы могут отражать особенности и ограничения исходной Llama 2 и обучающей подборки.

tolgacangoz/Wan2.2-S2V-14B-Diffusers — конвейер Diffusers, опубликованный пользователем tolgacangoz и основанный на дообученной модели Wan2.2-S2V-14B от Wan-AI. Он предназначен для создания видео по изображению и текстовому запросу; базовая модель Wan-S2V использует аудио для генерации кинематографической анимации персонажа, синхронизированной с речью или пением. Карточка репозитория показывает пример генерации кадров видео из изображения и промпта, а класс конвейера — WanSpeechToVideoPipeline. Модель имеет 14 млрд параметров согласно названию базовой модели и распространяется в формате Diffusers с весами Safetensors. Вариант репозитория лицензирован по Apache-2.0. Официальная карточка базовой модели описывает генерацию речи-в-видео с поддержкой разрешений 480p и 720p. Язык промптов и ограничения по длительности или потребляемым ресурсам в карточке этого репозитория подробно не установлены.

Weblab-MedLLM-gpt-oss-120b — медицинская языковая модель, разработанная в рамках проекта NEDO при участии Weblab. Это чат-модель на архитектуре MoE с 120 млрд параметров, основанная на gpt-oss-120b и дообученная на синтетических данных из медицинских статей, книг, клинических рекомендаций и экзаменационных заданий. Она предназначена для ответов на медицинские вопросы и поддержки исследовательских и информационных сценариев на японском языке; в README приведены результаты экзаменационных бенчмарков и пример использования RAG с клиническими рекомендациями. Модель принимает текст и генерирует текст, поддерживает контекст до 131 072 токенов. Для запуска в BF16 требуется около 240 ГБ памяти GPU; в README рекомендованы vLLM и конфигурация как минимум из четырёх H100 80 ГБ. Лицензия — Apache-2.0. Разработчики не рекомендуют напрямую использовать модель для диагностики, выбора лечения или медицинских советов: безопасность и эффективность в реальной клинической практике недостаточно проверены, а ответы не гарантируются по точности, полноте и актуальности.

Модель разработана в Техническом университете Нюрнберга (Technische Hochschule Nürnberg) в рамках проекта OnCoCo и представляет собой дообученную XLM-RoBERTa large с 658,7 млн параметров для классификации отдельных сообщений в онлайн-консультировании. Она относит реплики консультантов и клиентов к 66 детальным категориям: 38 для консультантов и 28 для клиентов. Категории охватывают эмпатическое отражение, исследование проблем, мотивационное интервьюирование, активацию ресурсов и эмоциональную поддержку. Перед сообщением указывается роль говорящего; при предсказании оценки категорий другой роли маскируются. Модель предназначена для автоматического анализа переписок в психосоциальном консультировании, изучения взаимодействия консультанта и клиента, учебной обратной связи для подготовки консультантов и исследований разговорного ИИ в сфере психического здоровья. Поддерживаются немецкий и английский языки; английские примеры в обучающем наборе были переведены с немецкого. Размер контекста — 514 токенов. На отложенной тестовой выборке OnCoCo 1.0 модель показала точность Top-1 0,79, Macro F1 0,72 и точность Top-2 0,88. Качество ниже на редких категориях, а близкие по смыслу метки сложнее различать; артефакты машинного перевода могут влиять на работу с исходными английскими текстами. Лицензия — CC BY-SA 4.0.

Это исследовательская версия A.X-3.1-Light от SK Telecom для оценки многошаговых рассуждений на корейских задачах MuSR с числовыми вычислениями. Модель построена на skt/A.X-3.1-Light: к ней применили LoRA supervised fine-tuning, затем объединили адаптер с основными весами. Итоговая модель содержит 6,8 млрд параметров, использует плотную архитектуру семейства Llama и распространяется в формате BF16 safetensors без отдельного адаптера; контекст — 32 768 токенов. При обучении модель училась выдавать сначала правильный вариант ответа, а затем обоснование для задач, на которых базовая модель ошибалась. Данные взяты из корейского набора AI Hub 71568 по числовым вычислениям в экономике и спорте: после фильтрации использовано 3 000 примеров. Модель предназначена для корейских многошаговых вычислений и исследовательской оценки рассуждений; результаты локальной диагностики не показывают преимущества над родственными вариантами, а вклад самой коррекции ошибок оценивается примерно в 5 процентных пунктов на небольшой выборке. Лицензия — Apache-2.0.

Модель tiantiaf/childvox-speechmaturity-whisper-base разработана Tiantian Feng и реализует классификацию зрелости детской речи из аудио. Она дообучена на корпусе SpeechMaturity и основана на мультиязычной архитектуре Whisper Base. Модель относит вокализации к пяти категориям: Canonical — зрелые слоги с переходом согласный-гласный; Non-Canonical — незрелые вокализации, например отдельные гласные или согласные; Crying — плач; Laughing — смех; Junk — фрагменты, не являющиеся детскими вокализациями, включая шум, речь взрослых и неразборчивое аудио. Модель предназначена для анализа и разметки детских вокализаций в исследовательских и аудиоаналитических сценариях. Она принимает аудио и выдаёт метки классов. Лицензия OpenRAIL; README запрещает коммерческое использование и применение для клинической диагностики, индивидуальной оценки развития без экспертной проверки, наблюдения и вторжения в частную жизнь. При обработке детских записей необходимо соблюдать требования согласия, приватности и применимого законодательства.

jkminder/d20_477m_seed7_sft — исследовательская чат-модель, созданная автором jkminder дообучением GPT-модели d20_477m_seed7 на 566,2 млн параметров. Это плотная авторегрессионная архитектура nanochat_gpt, представленная в формате safetensors и рассчитанная на контекст до 2048 токенов. Модель принимает текст и генерирует текст в формате диалога. Дообучение выполнено методом SFT на смеси диалогов smol-smoltalk, вспомогательных примеров MMLU и задач GSM8K; в части решений GSM8K использовались вызовы калькулятора. Модель подходит для простых диалогов, базовых вопросов и ответов, а также несложных учебных задач. В опубликованной оценке точность составила 0,6540 на ARC-Easy, 0,4966 на ARC-Challenge и 0,3727 на MMLU. Из-за небольшого размера автор отмечает ограниченную полезность ответов; также у модели нет обучения безопасности. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Язык карточки — английский.

Mapika/decider-2b-vision — дообученная модель Mapika на базе мультимодальной Qwen3.5-2B-Base. Она принимает изображение и текстовый вопрос с вариантами ответа либо текстовый вопрос без изображения, затем за один проход вычисляет вероятности вариантов в специальной позиции ответа. Модель предназначена для классификации, принятия решений и выбора действий по изображениям; генерацию текста она не выполняет. Модель построена на плотной архитектуре Qwen3.5 с 2 млрд параметров и распространяется в формате Safetensors по лицензии Apache-2.0. В обучении использовались игровые кадры, задачи с изображениями из набора The Cauldron и текстовая смесь; дополнительно модель обучали с подкреплением на кадрах Pong и Breakout. README сообщает о результатах на игровых кадрах и Visual7W, но калибровка проверялась только на перечисленных наборах данных. Модель подходит для выбора ответа из заданных вариантов, визуальной классификации и управления агентом по игровым кадрам. Она рассчитана на английский язык и не является чат-моделью или инструментом для создания описаний изображений. Перенесённые текстовые веса основаны на decider-2b v5, поэтому текстовое поведение и обработка воздержания соответствуют этой версии.

EMO-1.5B — разговорная языковая модель OEvortex с 1,5 млрд параметров, созданная на архитектуре Llama и дообученная на корпусе эмоциональных повествований. Модель предназначена для диалогов, в которых важно учитывать эмоциональную окраску сообщений: она может поддерживать беседу, распознавать эмоции в контексте и формулировать сочувственные ответы, утешение или мотивацию. Модель принимает текст и генерирует текст; заявленная длина контекста — 4096 токенов. В карточке не описаны поддерживаемые языки и специальные предметные области. Указана лицензия MIT. Эмоциональная поддержка и советы не гарантируют точности или профессионального качества, поэтому ответы следует оценивать с учётом контекста.

anuario/enarm-mpnet-v5 — модель Sentence Transformers на архитектуре MPNet, дообученная на базе sentence-transformers/all-mpnet-base-v2. Она кодирует предложения и абзацы в нормализованные плотные векторы размерности 768 и предназначена для поиска и сравнения испаноязычных медицинских текстов. Обучающая выборка содержит 12 467 пар anchor-positive; модель обучалась с MultipleNegativesRankingLoss и использует косинусное сходство. Модель подходит для семантического поиска по медицинским материалам, подбора ответов к вопросам, поиска перефразировок и кластеризации текстов. В README указана максимальная длина последовательности 384 токена, а метаданные сообщают контекстное окно 514 токенов. Архитектура включает MPNet, mean pooling и нормализацию эмбеддингов. Оценка на наборе enarm-ir в README показывает cosine_accuracy@1, @3 и @5 равной 1.0; эти результаты относятся к указанной оценке и не гарантируют такую точность на других данных. Репозиторий использует формат safetensors. Лицензия в предоставленных данных не указана.

geo-capital-llm — дообученная на базе GPT-2 модель для ответов на вопросы по географии. Она предназначена для запросов о столицах, валютах и фактах о странах, штатах и городах. Для обучения использованы 277 642 примера из countries-states-cities-database; сведения о столицах штатов дополнены данными Wikidata. Модель построена на архитектуре GPT-2, принимает текст и генерирует текст, поддерживает английский язык и контекст до 1 024 токенов. Лицензия — MIT. Модель специализирована на географических вопросах и может отвечать на соответствующие фактические запросы. Её ответы ограничены тематикой и данными обучения; точность и актуальность отдельных фактов могут различаться.

HER-RL — языковая модель для ролевого диалога, разработанная авторами проекта HER и дообученная с подкреплением на базе Qwen3-32B. Она моделирует персонажа с помощью двух уровней рассуждения: внешнего планирования того, как передать образ, и внутренних мыслей персонажа, после которых формируются действия, выражения и реплики. Модель предназначена для многошагового ролевого общения и когнитивной симуляции персонажей. В README сообщается о результатах на CoSER и MiniMax Role-Play Bench, превосходящих базовую Qwen3-32B. Это плотная архитектура Qwen3 с 29,7 млрд параметров и контекстом до 131 072 токенов; метаданные указывают поддержку китайского и английского языков, а также интерфейс вызова инструментов. Доступны веса Safetensors для Transformers. Модель выпущена под лицензией Apache-2.0. Ответы могут включать внутренние мысли и метауровневое планирование наряду с видимыми действиями и диалогом; формат может потребовать обработки, чтобы отделить эти части. Заявленные результаты бенчмарков не гарантируют качество в других сценариях.

Модель theharmonylab/implicit-motives-achievement-roberta-large — дообученная версия FacebookAI/roberta-large для классификации текста. Она обучена на наборе GLUE SCHONE_ACH, связанном с выявлением мотива достижения, и предназначена для определения соответствующего класса по тексту. В README приведены результаты оценки: loss 0,0846 и ROC AUC 0,9888. Модель содержит 454,1 млн параметров, использует архитектуру RoBERTa для классификации последовательностей и принимает текстовые входные данные. Родной контекст составляет 514 токенов; указанный язык — английский. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. README не описывает подробности разметки и ограничения применения, поэтому метрики следует соотносить с указанным оценочным набором.

AI-MO/Kimina-Prover-Distill-1.7B — компактная модель для автоматического доказательства теорем, разработанная командами Project Numina и Kimi. Это плотная причинная языковая модель семейства Qwen3 с 1,7 млрд параметров, дообученная дистилляцией Kimina-Prover-72B, которая обучалась с применением обучения с подкреплением. Модель предназначена для решения задач в стиле математических соревнований и работы с доказательствами на Lean 4. В карточке сообщается точность 72,95% Pass@32 на тестовом наборе MiniF2F. Модель доступна в формате safetensors, поддерживает генерацию текста и диалоговый интерфейс; метаданные указывают контекст 40 960 токенов и английский язык. Лицензия — Apache-2.0. Для применения нужны среда вывода и инструменты Lean 4; указанная метрика не гарантирует такой же результат на других задачах.

LiveAvatar-GGUF — это пакет модели для audio.cpp, подготовленный проектом audio-cpp на базе Wan-AI/Wan2.2-S2V-14B с объединённым официальным LoRA-адаптером Quark-Vision/Live-Avatar. Модель предназначена для генерации видео аватара по референсному изображению, речевому аудио и текстовому описанию сцены или действий. Пакет включает GGUF-компоненты: текстовый энкодер UMT5, аудиоэнкодер Wav2Vec2, токенизатор, видео-VAE и денойзирующую модель Wan2.2 S2V с адаптером LiveAvatar. Указан размер базовой модели 14B; поддерживаются аудио-, текстовые и визуальные условия с генерацией видео. В README не указаны поддерживаемые языки и максимальная длина текстового или аудиоконтекста. Сильной стороной является возможность создавать синхронизированные с речью аватарные видео, включая генерацию в разрешении 720p на видеокарте с примерно 16 ГБ VRAM благодаря потоковой загрузке весов и поочерёдной обработке слоёв. Ограничения — высокая вычислительная стоимость, значительное время генерации, потребность в трёх обязательных GGUF-файлах и дополнительной оперативной памяти при использовании временного кэша. Потоковая загрузка весов снижает требования к VRAM, но замедляет работу. Для пакета указана лицензия Apache-2.0.

Llama-3-8B-UltraMedical — языковая модель для биомедицины, разработанная лабораторией Tsinghua C3I. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, построенная на Meta Llama 3 8B и дообученная на наборе UltraMedical из 410 тысяч синтетических и вручную отобранных примеров. Модель принимает текст и генерирует текст; её контекст составляет 8192 токена. Модель предназначена для ответов на медицинские экзаменационные вопросы, понимания биомедицинской литературы и работы с клиническими знаниями. В README приведены результаты на MedQA, MedMCQA, PubMedQA и медицинских разделах MMLU. Карточка описывает шаблон чата Llama 3 и отмечает, что текущая версия рассчитана на диалог в один ход, а возможности многоходового общения ограничены. Модель может галлюцинировать и выдавать неверную или вводящую в заблуждение медицинскую информацию, поэтому её ответы требуют проверки по надёжным источникам и консультации специалиста; их не следует использовать как единственное основание для клинических решений. Репозиторий распространяется по лицензии Llama 3.

KevSun/Personality_LM — дообученная модель Kev Sun для оценки выраженности черт личности «Большой пятёрки» по тексту или предложению. Она построена на архитектуре RoBERTa и предназначена для классификации текста; размер модели — 151,8 млн параметров, максимальный контекст — 514 токенов. Модель выдаёт непрерывные оценки черт личности. В README автор сообщает об accuracy 80%, F1 79%, MSE 0,07 и MAE 0,14 на использованной оценке, однако подробности протокола и независимая проверка этих результатов не приведены. Модель распространяется под лицензией Apache-2.0. Язык обучающих данных и поддерживаемые языки не указаны.

PLLaMa-13B-Instruct — языковая модель для задач науки о растениях, разработанная UCSB. Она создана на основе LLaMA 2 13B: сначала модель продолжительно предобучали на более чем 1,5 млн научных статей по ботанике и растениеводству, затем дообучили следованию инструкциям. Модель предназначена для генерации текста по запросам, включая помощь с научной информацией о растениях. Это плотная авторегрессионная архитектура LlamaForCausalLM с 12,9 млрд параметров и контекстом 2048 токенов. В карточке не подтверждена поддержка конкретных языков; модель работает с текстом. Модель распространяется по лицензии Apache-2.0. Специализация на научных статьях о растениях может быть полезна для профильных запросов, однако качество ответов и полнота охвата тем в карточке не оценены.

Qwen2.5-7B-Instruct-R1-forfinance — языковая модель для финансовой тематики, разработанная на основе Qwen2.5-7B-Instruct и дообученная автором методом полного supervised fine-tuning. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2 и принимает текстовые запросы для генерации ответов; заявленная длина контекста — 32 768 токенов. Модель предназначена для финансовых вопросов и ответов, вычислений, объяснения понятий, анализа, оценки рисков и консультаций по инвестициям. Для обучения использовались открытые наборы финансовых вопросов и ответов, а также данные с рассуждениями, сгенерированные DeepSeek-R1 и отобранные по оценке качества. Карточка описывает поддержку китайского языка; другие языки не подтверждены. Модель может допускать ошибки и галлюцинации, поэтому ответы следует проверять. Она предназначена для обучения и исследований, не является источником инвестиционных рекомендаций и требует профессиональной оценки при практическом применении. Лицензия — Apache-2.0.

Qwen2.5-VL-7B-Meteorology — специализированная мультимодальная модель компании deepguess для анализа метеорологических изображений. Это дообучение Qwen/Qwen2.5-VL-7B-Instruct методом LoRA; архитектура Qwen2.5-VL, около 7,1 млрд параметров по метаданным и контекст до 128 000 токенов. Репозиторий содержит веса в формате safetensors, для работы используется Transformers. Модель принимает изображения и текстовые запросы, а отвечает текстом. Она предназначена для интерпретации радарных и спутниковых снимков, приземных карт, аэрологических диаграмм, прогнозных карт и метеонаблюдений, в том числе в образовательных и исследовательских сценариях и как поддержка рабочих процессов прогнозирования. Английский язык указан в карточке; обучение изображений проводилось с предварительной обработкой до 448×448 пикселей. Модель специализирована на метеорологических изображениях и может хуже справляться с изображениями общего назначения; результаты зависят от формата и визуализации метеоданных, а ответы могут отражать перекосы обучающей выборки. Указана лицензия «other», поэтому конкретные права использования следует сверить с условиями репозитория на Hugging Face.

itoktobenotok/sbert-finetuned-jobs — модель Sentence Transformer на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, дообученная на 2 800 парах предложений с оценками сходства. Архитектура BERT с усреднением токенных представлений преобразует текст в плотные векторы размерности 384; сходство оценивается косинусной мерой. Максимальная длина последовательности — 512 токенов. Модель предназначена для семантического сравнения текстов и поиска предложений или абзацев по смыслу. Её можно применять для поиска перефразирований, кластеризации и классификации текста на основе эмбеддингов; README также приводит оценку бинарной классификации с cosine accuracy 0,84. Многоязычность унаследована от базовой модели, однако языки и качество отдельно для этой донастройки в карточке не уточнены. Лицензия в предоставленных данных не указана.

SkyReels-V2-T2V-14B-720P — модель генерации видео по текстовому описанию, разработанная командой Skywork. Она предназначена для создания кинематографичных роликов, в том числе длинных видео с последовательной генерацией кадров. В основе модели лежит плотная архитектура text-to-video с авторегрессионным Diffusion Forcing; репозиторий содержит веса в формате safetensors. В названии указаны размер 14B и разрешение 720P. Модель рассчитана на генерацию видео по текстовым промптам, создание сюжетных роликов и сцен с движением камеры. Авторы описывают обучение с несколькими этапами предобучения, подкреплением и supervised fine-tuning для улучшения визуального качества и динамики движения. README также описывает задачи image-to-video и генерацию с несколькими согласованными объектами для серии SkyReels-V2, но этот репозиторий классифицирован как text-to-video. В README приведены код и инструкции для инференса на одной или нескольких GPU, включая ускорение через xDiT USP. Для использования требуются вычислительные ресурсы с GPU. Лицензия указана как other, поэтому конкретные условия использования следует сверить с файлами лицензии репозитория.

Veritas-12B-i1-GGUF — набор квантизированных GGUF-версий модели Veritas-12B, разработанной soob3123 и подготовленной к квантизации пользователем mradermacher. Модель ориентирована на работу с философской тематикой, логикой, этикой, метафизикой, эпистемологией, критическим мышлением, дискуссиями и диалогами. В качестве источников данных указаны Stanford Encyclopedia of Philosophy и набор вопросов и ответов по стоицизму на Reddit. Заявленный язык — английский. Модель имеет размер 12B параметров; точная архитектура, длина контекста и поддерживаемые модальности в README не указаны. Репозиторий содержит множество вариантов квантизации с размером файлов примерно от 3,0 до 9,8 ГБ. Более компактные варианты требуют меньше памяти, но могут заметно уступать по качеству; в README отдельно отмечены рекомендуемые компромиссы между размером, скоростью и качеством, включая i1-Q4_K_M. Сильной стороной модели является специализация на философских рассуждениях и связанных с ними диалоговых сценариях, однако качество зависит от выбранного уровня квантизации, а заявленные возможности не подтверждены количественными оценками. Лицензия в README не указана, поэтому условия использования необходимо уточнять отдельно у автора базовой модели и для выбранного файла.

VibeThinker-1.5B — плотная языковая модель на 1,5 млрд параметров, разработанная WeiboAI и дообученная на базе Qwen/Qwen2.5-Math-1.5B. Она предназначена прежде всего для решения математических задач соревновательного уровня и генерации кода для задач вроде LeetCode и Codeforces. По данным разработчика, обучение включало этапы supervised fine-tuning и reinforcement learning в рамках подхода Spectrum-to-Signal Principle. Модель принимает текст и генерирует текст. Она особенно ориентирована на запросы на английском языке; карточка также приводит английский как поддерживаемый язык. В метаданных указано контекстное окно 131 072 токена. Разработчик сообщает о результатах на бенчмарках AIME24, AIME25, HMMT25 и LiveCodeBench, однако рекомендует модель только для математических и алгоритмических задач и характеризует выпуск как экспериментальный. Модель распространяется по лицензии MIT. Для обычного диалога и задач за пределами математики и программирования разработчик её не рекомендует.

Wolfgang-LM 75M Instruct — языковая модель, разработанная Dominik Reiner и дообученная на базе Wolfgang-LM-75M-Base. Это плотный decoder-only трансформер архитектуры Llama с 75,5 млн параметров и контекстом 512 токенов; веса опубликованы в формате safetensors. Модель ведёт диалог в образе Иоганна Вольфганга фон Гёте и отвечает на современные вопросы стилизованным языком немецкого классицизма эпохи Веймара. Модель предназначена для ролевого чата, образовательных диалогов о литературе и преобразования современных формулировок в исторически стилизованный немецкий. Она поддерживает генерацию текста на немецком языке. Из-за небольшого размера её рассуждения ограничены; стиль и образ важнее фактической точности, поэтому модель может выдумывать стихи, цитаты и исторические сведения и не подходит для профессиональных консультаций. Лицензия — MIT.

AstroLLaMA-3-8B-Chat_AIC — чат-модель команды AstroMLab для диалогов и выполнения инструкций по астрономии. Она дообучена методом supervised fine-tuning на базе AstroLLaMA-3-8B-Base_AIC, которая основана на LLaMA 3 8B и обучалась на материалах статей arXiv по астрофизике. В модели около 7,5 млрд параметров, архитектура — плотная LLaMA; заявленный контекст — 8192 токена. Репозиторий содержит веса Safetensors, лицензия — MIT. Модель предназначена для ответов на вопросы об астрономии и общения на научные темы в формате чата. Для SFT использовали 10 356 астрономических диалогов, созданных по аннотациям arXiv, а также данные LIMA, Open Orca и UltraChat. Карточка предупреждает, что ограниченный и частично общецелевой набор дообучения может ухудшать специализированные ответы: приведённый instruct score составляет 61,8% против 71,9% у базовой модели. Результаты следует проверять по научным источникам; модель выпущена прежде всего для воспроизводимости и сравнения исследовательских итераций.

amedvedev/bert-tiny-cognitive-bias — компактная модель классификации на основе BERT, разработанная для выявления когнитивных искажений в англоязычных текстах. В README указаны категории вроде персонализации, эмоционального рассуждения, чрезмерного обобщения, навешивания ярлыков, мышления в терминах «должен», катастрофизации и ошибочного ожидания вознаграждения; модель также различает тексты без искажений. Модель содержит 4,4 млн параметров, использует архитектуру BertForSequenceClassification и принимает текстовые последовательности длиной до 512 токенов. В примере применения она возвращает наиболее вероятную метку класса. README приводит средние accuracy и F1 около 0,86 и отмечает высокие top-3 и top-5 показатели, но описание и сведения о данных находятся в разработке, поэтому автор рекомендует дообучать модель на собственных данных, а не считать её готовым решением. Модель опубликована под лицензией BSD 3-Clause. Она предназначена для англоязычных текстов; качество на других языках и в сценариях, отличающихся от обучающих данных, не подтверждено.

Это модель компьютерного зрения на архитектуре YOLO для обнаружения и классификации шахматных фигур на изображениях шахматной доски. Разработчик — dopaul; модель опубликована в формате PyTorch и предназначена для Ultralytics YOLO. В карточке указаны варианты архитектуры YOLOv8 и YOLOv11, но конкретный вариант не уточняется. Модель распознаёт пешек, ладей, коней, слонов, ферзей и королей обоих цветов. Её можно использовать для автоматического анализа снимков шахматных позиций и построения приложений, которые определяют расположение фигур. Автор сообщает об обучении на наборах данных шахматных фигур и устойчивости к разным комплектам фигур и условиям освещения. Для использования требуется библиотека Ultralytics. Лицензия в предоставленных данных не указана.