IV.5Образование и развитие навыков

LingBot-World-Fast — модель генерации видео из изображения, выпущенная командой Robbyant Team как часть проекта LingBot-World. Она предназначена для создания интерактивных видеосцен на основе входного изображения, текстового промпта и сигналов управления положением камеры. Модель построена на кодовой базе Wan2.2 и распространяется в формате safetensors по лицензии Apache-2.0. Модель генерирует видео в разрешении 480p и 720p. Проект заявляет генерацию со скоростью 16 кадров в секунду и задержкой менее секунды, а также поддержку роликов длительностью до минуты с сохранением контекстной согласованности. Возможные сценарии включают создание контента, игровые среды и обучение роботов. Карточка не приводит размер модели и отдельные измерения качества LingBot-World-Fast; заявленные возможности могут зависеть от оборудования и настроек запуска.

ssktora/llama2_biomed_meditron — объединённая языковая модель на архитектуре Llama, созданная с помощью mergekit методом DARE TIES. В основе слияния лежит Llama 2 7B; также объединены модели Meditron 7B и BioMedGPT-LM-7B. Модель содержит около 6,6 млрд параметров, использует формат safetensors и рассчитана на контекст до 4096 токенов. Модель предназначена для генерации текста; медицинские компоненты в составе слияния указывают на сценарии работы с биомедицинскими текстами, например подготовку ответов и формулировок по медицинской тематике. README не приводит результаты оценки качества, конкретные инструкции по использованию или подтверждённый перечень поддерживаемых языков. Лицензия в предоставленных данных не указана.

Маврут (Mawrooth) — дообученная модель Norah Alobaied для толкования саудовской набати-поэзии. Она принимает стихотворную строку и формирует структурированное объяснение: разбирает значения трудных слов, анализирует смысл строки и раскрывает культурный контекст. Дополнительно модель может создавать визуальное описание, пригодное для генерации изображений. Модель построена на плотной архитектуре Llama и содержит 6,7 млрд параметров; базовая модель — humain-ai/ALLaM-7B-Instruct-preview. Обучение проводилось методом LoRA на 587 примерах, а специализированный словарь набати включает около 1000 терминов, связанных, в частности, с природой, кофе, верблюдами и традиционной культурой. Карточка сообщает о поддержке арабского языка и арабского литературного языка с надждийским диалектом; контекст — 4096 токенов. Модель предназначена для объяснения поэзии, а не для универсального диалога. Заявленные авторами сильные стороны — структурированный разбор, опора на специализированный словарь и отсутствие смешения языков. Точность объяснений и культурных сведений может зависеть от полноты словаря и охвата обучающих примеров. Модель распространяется под лицензией Apache-2.0.

Pythagoras-Prover-32B — плотная авторегрессионная языковая модель для формального доказательства теорем на Lean 4, разработанная командой Pythagoras-LM. Это дообученная версия Qwen3-32B с 29,7 млрд параметров; модель распространяется в формате safetensors и рассчитана на контекст до 40 960 токенов. Она генерирует Lean-доказательства для математических задач, включая задачи из соревнований, которые можно проверить компилятором Lean. Обучение включало SFT и обучение с подкреплением с наградой за успешную компиляцию Lean, а также синтетические данные и дистилляцию. В README указаны результаты 93,03% на MiniF2F-Test и 93 решённые задачи PutnamBench; это результаты авторской оценки по описанным протоколам, а не гарантия для других задач или условий. Для запуска предлагается Transformers. Лицензия — Apache-2.0.

SoulX-FlashTalk-14B — модель SoulX-AILab размером 14 млрд параметров для потоковой анимации портретов по аудио в реальном времени. Она строит цифрового аватара, управляя движением лица и губ по входной речи, и предназначена для интерактивных цифровых людей и потоковой генерации аватаров. В README описан подход с двунаправленной дистилляцией с самокоррекцией; модель относится к семейству image-to-video и распространяется в формате Safetensors для библиотеки Diffusers. Для работы проекта также указан компонент chinese-wav2vec2-base. В метаданных среди языков карточки указан английский, а README упоминает китайскую модель распознавания речи; это не подтверждает полный перечень поддерживаемых языков FlashTalk. Модель опубликована под лицензией Apache-2.0. README сообщает о выпуске весов и кода вывода, но отмечает, что онлайн-демо ещё не готово.

Wan14BT2VFusioniX — модель генерации видео по текстовому описанию, созданная vrgamedevgirl84 на основе Wan2.1 T2V 14B. В README указано, что в неё объединены компоненты CausVid, AccVideo, MoviiGen 1.1, MPS Reward LoRA и дополнительные LoRA для улучшения движения, согласованности сцен и детализации. Модель предназначена для генерации видео в рабочих процессах ComfyUI и совместима с Diffusers. Автор заявляет, что модель может работать за 6 шагов, а наиболее качественный результат обычно достигается за 8–10 шагов. README описывает её как замену Wan2.1-T2V-14B и сообщает об ускорении рендеринга, однако результаты зависят от настроек и оборудования. Карточка не приводит сведения о поддерживаемых языках или длине контекста. Метаданные указывают формат safetensors и базовую модель Wan-AI/Wan2.1-T2V-14B. В README перечислены компоненты с лицензиями, ограничивающими коммерческое использование; автор указывает исследовательское и некоммерческое назначение и рекомендует проверять лицензию каждого исходного компонента. Поэтому лицензия Apache-2.0 в метаданных не должна трактоваться как разрешение на коммерческое использование всей сборки.

njand разработал модель распознавания речи на латинском языке, дообучив wav2vec2-xls-r-300m на чтении текстов из набора njand/llpsi-speech-dataset. Это аудиомодель архитектуры Wav2Vec2ForCTC с 402,7 млн параметров; репозиторий содержит веса Safetensors и ONNX, включая квантованный вариант ONNX INT8 для ускоренного вывода на CPU. Модель предназначена для расшифровки чёткой речи одного диктора с восстановленным классическим произношением. Результат выводится строчными буквами без пунктуации, с макронами для долгих гласных и различением согласных j/v от гласных i/u. В README сообщаются результаты пятифолдовой перекрёстной проверки; языковое декодирование KenLM улучшало WER, но декодер в репозитории не предоставлен. Модель рассчитана на классическую латынь и может хуже распознавать церковное или итальянское произношение, шумную запись и речь нескольких говорящих. Лицензия — MIT.

IJyad/whisper-large-v3-Tarteel — дообученная модель OpenAI Whisper Large V3 для распознавания арабской речи при чтении Корана. Она принимает аудио и преобразует записи коранической рецитации в текст; для обучения использован набор Tarteel AI Everyayah. Модель содержит 905,2 млн параметров и распространяется в форматах PyTorch и Safetensors. Модель предназначена для транскрибации коранических рецитаций и исследований, связанных с исламоведением. Валидационный показатель WER в README указан примерно как 48%; модель ориентирована на узкую область и может хуже работать с другими видами арабской речи, а также не предназначена для других языков. Для надёжного вывода рекомендуется передавать явные маски внимания. Лицензия — MIT.

Модель ishikaa/acquisition_student_random_medmcqa_qwen7b_10000 — языковая модель для генерации текста на базе семейства Qwen2 с 7,1 млрд параметров. В метаданных указаны библиотека Transformers, поддержка safetensors и обучение с использованием supervised fine-tuning (SFT); контекстное окно составляет 32 768 токенов. README не содержит сведений о разработчике, лицензии и точной исходной архитектуре. По названию репозитория модель, вероятно, связана с экспериментом по обучению на данных MedMCQA и предназначена для генерации ответов на медицинские вопросы, однако README не подтверждает состав обучающих данных, методику обучения или результаты оценки. Pipeline модели — text-generation, поэтому её можно применять для генерации ответов и продолжения диалоговых текстов при наличии подходящего промпта. Ключевые ограничения — отсутствие документированных метрик, описания качества, сведений о безопасности и подтверждённой лицензии. Медицинские ответы нельзя использовать как замену консультации квалифицированного специалиста.

Карточка модели FreedomIntelligence/Apollo2-1.5B на Hugging Face совпадает с карточкой FreedomIntelligence/Apollo2-3.8B, поэтому описание составлено по ней. Apollo2-3.8B — медицинская языковая модель, разработанная командой FreedomIntelligence. Это плотная модель семейства Phi-3 с 3,7 млрд параметров, дообученная на ApolloMoEDataset на базе microsoft/Phi-3-mini-4k-instruct. Модель предназначена для ответов на медицинские вопросы и диалога о медицинских знаниях. Модель ориентирована на английский и китайский, а также на 10 других основных языков, включая русский, французский, хинди, испанский, арабский, японский, корейский, немецкий, итальянский и португальский; заявлена поддержка ещё 38 языков. Карточка описывает оценивание на медицинских тестах по нескольким языкам, включая RuMedBench для русского. Контекст составляет до 4096 токенов, формат весов — safetensors. Модель распространяется по лицензии Apache-2.0. Она подходит для ответов на медицинские вопросы и справочных диалогов, но её ответы не следует считать клиническими рекомендациями без проверки специалистом. README не приводит конкретных численных результатов для этой версии.

Карточка модели FreedomIntelligence/Apollo2-2B на Hugging Face совпадает с карточкой FreedomIntelligence/Apollo2-3.8B, поэтому описание составлено по ней. Apollo2-3.8B — медицинская языковая модель, разработанная командой FreedomIntelligence. Это плотная модель семейства Phi-3 с 3,7 млрд параметров, дообученная на ApolloMoEDataset на базе microsoft/Phi-3-mini-4k-instruct. Модель предназначена для ответов на медицинские вопросы и диалога о медицинских знаниях. Модель ориентирована на английский и китайский, а также на 10 других основных языков, включая русский, французский, хинди, испанский, арабский, японский, корейский, немецкий, итальянский и португальский; заявлена поддержка ещё 38 языков. Карточка описывает оценивание на медицинских тестах по нескольким языкам, включая RuMedBench для русского. Контекст составляет до 4096 токенов, формат весов — safetensors. Модель распространяется по лицензии Apache-2.0. Она подходит для ответов на медицинские вопросы и справочных диалогов, но её ответы не следует считать клиническими рекомендациями без проверки специалистом. README не приводит конкретных численных результатов для этой версии.

Карточка модели FreedomIntelligence/Apollo2-9B на Hugging Face совпадает с карточкой FreedomIntelligence/Apollo2-3.8B, поэтому описание составлено по ней. Apollo2-3.8B — медицинская языковая модель, разработанная командой FreedomIntelligence. Это плотная модель семейства Phi-3 с 3,7 млрд параметров, дообученная на ApolloMoEDataset на базе microsoft/Phi-3-mini-4k-instruct. Модель предназначена для ответов на медицинские вопросы и диалога о медицинских знаниях. Модель ориентирована на английский и китайский, а также на 10 других основных языков, включая русский, французский, хинди, испанский, арабский, японский, корейский, немецкий, итальянский и португальский; заявлена поддержка ещё 38 языков. Карточка описывает оценивание на медицинских тестах по нескольким языкам, включая RuMedBench для русского. Контекст составляет до 4096 токенов, формат весов — safetensors. Модель распространяется по лицензии Apache-2.0. Она подходит для ответов на медицинские вопросы и справочных диалогов, но её ответы не следует считать клиническими рекомендациями без проверки специалистом. README не приводит конкретных численных результатов для этой версии.

BERT — языковая модель для заполнения пропусков в тексте, обученная проектом Living with Machines на большом корпусе англоязычных книг, изданных в 1760–1900 годах. В обучающем корпусе около 5,1 млрд токенов; модель содержит 136,7 млн параметров, использует архитектуру BertForMaskedLM и принимает последовательности длиной до 512 токенов. Модель подходит для подстановки слов в замаскированные фрагменты исторического английского текста и для исследовательского анализа языка книг указанного периода. Обучение поддержано проектом Living with Machines и Alan Turing Institute; подготовку данных и обучение выполняли исследователи этих организаций. Репозиторий содержит веса PyTorch. Лицензия в предоставленных сведениях не указана.

bert-base-uncased-MLP-scirepeval-chemistry-LARGE — дообученная версия BERT от автора репозитория jonas-luehrs на датасете scirepeval. Модель использует архитектуру BertForMaskedLM и предназначена для заполнения пропусков в тексте: по контексту она предсказывает замаскированный токен. Число параметров — 136,7 млн, максимальная длина контекста — 512 токенов. Название указывает на связь с химической тематикой, однако README не описывает специализацию или сценарии применения, поэтому надёжно определить её возможности в области химии нельзя. В карточке приведён результат оценки на выборке scirepeval: loss 1,7126. Модель распространяется по лицензии Apache-2.0.

Fatin757/biencoder-v2 — англоязычная модель Sentence Transformers, дообученная автором на базе nomic-ai/modernbert-embed-base для сопоставления текстов о должностях. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и сравнивает их по косинусному сходству; архитектура включает ModernBERT, усреднение токеновых представлений и нормализацию. Максимальная длина последовательности — 8192 токена. Модель подходит для семантического поиска и сравнения текстовых описаний, в том числе для поиска сходных должностей; базовое семейство также поддерживает поиск перефразирований, классификацию и кластеризацию. В README приведён результат cosine accuracy 1.0 на TripletEvaluator, но он не описывает условия и состав оценки, поэтому не гарантирует такое качество на других данных. Лицензия — Apache-2.0.

BioMed-R1-32B — медицинская языковая модель Zou Lab, дообученная на базе Qwen/Qwen2.5-32B-Instruct с помощью supervised fine-tuning и обучения с подкреплением. Она предназначена для генерации ответов на биомедицинские вопросы с многошаговыми рассуждениями и для повышения устойчивости к ошибочным подсказкам: модель обучали на сложных для рассуждения и состязательных примерах, включая сценарии самокоррекции и возврата к предыдущим шагам. Модель имеет плотную архитектуру Qwen2, содержит 32 млрд параметров и поддерживает контекст до 32 768 токенов. Карточка приводит результаты на бенчмарках и сообщает о лучших совокупных и состязательных результатах среди сопоставимых по размеру биомедицинских LLM, но также подчёркивает, что надёжность медицинских рассуждений остаётся ограниченной. Модель работает с текстом и рассчитана на английский язык. Лицензия — Llama 3.1 License.

Treza12/BioMistral-6E7B — объединённая модель генерации текста на базе BioMistral-7B, созданная с помощью mergekit методом TIES. В слиянии использованы шесть моделей Treza12/Biomistral-Class0-Full–Class5-Full, а BioMistral/BioMistral-7B указан как базовая модель. Модель построена на архитектуре MistralForCausalLM, содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. BioMistral-7B обучена на биомедицинских текстах и предназначена для ответов на медицинские и биологические вопросы; объединённая модель сохраняет профиль генерации текста и поддерживает диалоговый режим. Модель может использоваться для подготовки черновых ответов на медицинские и биологические вопросы и для диалогов по биомедицинской тематике. Языки, на которых она надёжно работает, в предоставленных данных не перечислены. Лицензия в карточке не приведена; качество и безопасность ответов для клинических решений этими данными не подтверждаются.

AmberYifan/capsd-medmcqa-marin-8b-base-medicine_ppl_b2000_s0 — дообученная модель семейства Llama на базе marin-community/marin-8b-base. Веса содержат около 7,5 млрд параметров; модель использует архитектуру LlamaForCausalLM и библиотеку Transformers. Контекстное окно — 4096 токенов. Модель дообучена на наборе capsd_marin-8b-base-n80000-medicine-medmcqa__mix_medicine_ppl_b2000_s0, связанном с медицинскими вопросами и датасетом MedMCQA. Она предназначена для генерации и продолжения текста, в частности ответов на медицинские вопросы. Базовая модель описана как англоязычная, поэтому основным языком модели считается английский. В карточке не приведены результаты оценки качества и подробные ограничения медицинского применения. Модель распространяется с лицензией «other»; конкретные условия следует сверить с лицензией репозитория.

DreamX-World-5B — авторегрессионная модель генерации видео для интерактивного исследования и симуляции миров, разработанная командой DreamX и основанная на Wan2.2-TI2V-5B. Она принимает исходное изображение, текстовое описание сцены или события и последовательность команд управления камерой в стиле клавиатуры WASD/IJKL, а затем генерирует управляемое видео. Модель использует причинный Diffusion Transformer в стиле Wan2.2 и обучена на данных Unreal Engine, игровых записях и видео реального мира. Генерация выполняется блоками с повторным использованием KV-кэша; заявлена поддержка роликов длительностью примерно до минуты при 16 кадрах в секунду. Можно создавать реалистичные, игровые, фантастические и стилизованные сцены, управляя перемещением и поворотом камеры. Модель предназначена для генерации длинных видеороликов с управляемым движением камеры и реакцией мира на текстовые события. Ограничения включают зависимость результата от начального изображения и заданных действий; качество и согласованность на длинных траекториях могут различаться. Для запуска требуются компоненты Wan2.2-TI2V-5B и специализированное окружение Diffusers. Лицензия — MIT.

Faqih-R1-14B-Islamic-AI — языковая модель на архитектуре Qwen2, разработанная hozifa1 путём дообучения unsloth/DeepSeek-R1-Distill-Qwen-14B-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. Модель содержит 14 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 131 072 токена. В карточке указана поддержка английского языка и разговорный режим. Модель предназначена для генерации текста в исламском контексте. Её можно применять для ответов на вопросы и диалога по исламской тематике, однако README не приводит примеров, оценки качества или подробного описания обучающих данных. Лицензия — Apache 2.0.

gnarp-m2 — англоязычная языковая модель CatQualia для переноса структурных аналогий между разными областями. Она дообучена методом QLoRA на базе HuggingFaceTB/SmolLM2-360M-Instruct и содержит около 362 млн параметров. Модель предназначена прежде всего для сопоставления механизмов из биологии, физики, аниме, экономики и других областей с понятиями и конструкциями программной инженерии, а также для проверки таких соответствий. Это плотная авторегрессионная архитектура семейства Llama; контекст — до 8192 токенов. В бенчмарке переноса между областями v2 модель получила оценку 0,7839 и преимущество 14,1% над базовой моделью, однако оценивание основано на эвристиках, поэтому результат не следует считать точной оценкой качества. Обучение преимущественно на структурных аналогиях может снижать качество общего диалога и программирования; из-за небольшого размера модель также ограничена в сложных рассуждениях и длинных ответах. Refusal rate для этой версии не измерялся. Лицензия указана как other, поэтому перед использованием следует проверить условия в репозитории модели.

BayesRL представляет контрольную точку supervised fine-tuning модели Qwen2.5-Math-7B, обученную с вариационным оптимизатором IVON. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, предназначенная как warm-start для последующих запусков RLVR с исследованием параметров через метод 3PO. Обучение проводилось на подмножестве SFT датасета Llama-Nemotron Post-Training Dataset. Модель загружается как обычная causal language model и генерирует текст. Базовая модель рассчитана на пошаговые решения математических задач на английском и китайском; карточка этой версии указывает английский язык. Контекстное окно составляет 131072 токена. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0. Это обучающая контрольная точка для экспериментов с RLVR, а не отдельная специализированная система для конечных пользователей.

Med42-v2-8B — медицинская языковая модель M42 Health AI Team, дообученная на базе Llama 3 8B Instruct. Это плотная авторегрессионная модель с 7,5 млрд параметров, предназначенная для генерации ответов на медицинские вопросы и других текстовых клинических сценариев. Она принимает и выдаёт текст, поддерживает английский язык и использует контекст до 8192 токенов. Модель подходит для медицинских вопросов и ответов, обобщения записей пациентов, поддержки клинических рассуждений и общих справок о здоровье. В тестах версии 8B приведены результаты по MedQA, MedMCQA, USMLE и медицинским разделам MMLU; показатели тестов не гарантируют точность или безопасность в реальных ситуациях. Разработчики предупреждают, что модель не готова к клиническому применению без тщательной проверки и валидации: она может выдавать неверную или вредную информацию и воспроизводить смещения обучающих данных. Не следует использовать её для принятия медицинских решений или ухода за пациентами без надлежащей оценки безопасности. Указана лицензия Llama 3 Community License Agreement.

OpenBioLLM-8B — англоязычная языковая модель для биомедицины, разработанная Анкитом Палом (Aaditya Ura) из Saama AI Labs. Это плотная авторегрессионная модель семейства Llama 3 с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров; она дообучена на Meta-Llama-3-8B с использованием медицинского набора инструкций и методов DPO. Модель предназначена для генерации ответов на медицинские вопросы, работы с биомедицинскими знаниями, суммаризации клинических записей и извлечения клинических сущностей из текста. Модель принимает текст и генерирует текст на английском языке. Контекст составляет 8192 токена. В README приведены результаты на биомедицинских тестах; конкретные примеры клинических сценариев там относятся к версии OpenBioLLM-70B, поэтому их нельзя считать отдельной оценкой версии 8B. Для корректной работы рекомендуется использовать шаблон чата Llama 3 Instruct; в редких случаях ответы могут быть многословными. Модель распространяется по лицензии Meta Llama 3. Она предназначена для исследовательских и разработческих задач в медицине и науках о жизни; README не подтверждает её пригодность для самостоятельной клинической диагностики или принятия решений.

Sharathhebbar24/Med_GPT2 — дообученная модель GPT-2 для генерации англоязычного текста на медицинскую тематику. В карточке указано, что GPT-2 предсказывает следующий токен в последовательности; модель дообучена на датасете gamino/wiki_medical_terms. Архитектура — плотная авторегрессионная GPT2LMHeadModel, веса представлены в формате safetensors, контекст — до 1024 токенов. Модель предназначена для продолжения текста по подсказке: например, для генерации фрагментов с медицинскими терминами или черновиков справочного текста. Карточка не приводит клинических проверок или рекомендаций по применению в диагностике и лечении. Лицензия — Apache-2.0.

MistralPirate-7b-v0.3 — языковая модель phanerozoic, дообученная на базе Mistral Instruct v0.2 для генерации текста в пиратской тематике и характерном пиратском стиле. Это плотная модель архитектуры Mistral с 7,1 млрд параметров, рассчитанная на контекст до 32 768 токенов; карточка указывает поддержку английского языка и диалоговое применение. Модель подходит для интерактивных историй, игровых диалогов, тематических образовательных материалов и ролевого общения. В карточке также заявлены более связная пиратская речь и ответы на вопросы о морских сценариях. Для оценки приведён показатель perplexity 5,17 на Wikitext; он сам по себе не подтверждает точность практических советов или качество на других задачах. Модель не предназначена для универсального общения: вне пиратской тематики качество может быть ниже, а тон и содержание обучения могут проявлять смещения. Не рекомендуется полагаться на неё в серьёзных или чувствительных ситуациях. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но ограничивающая коммерческое применение.

zelk12 объединил методом SLERP две предварительно обученные языковые модели на базе Gemma 2 с помощью mergekit. Это плотная диалоговая модель с 9 млрд параметров для генерации текста и общения, с уклоном в психологию и психическое здоровье. Она принимает текст и выдаёт текст; длина контекста составляет 8192 токена. Модель подходит для диалоговых сценариев и ответов на вопросы о психологии и психическом здоровье. Карточка указывает формат safetensors и библиотеку Transformers. Лицензия в предоставленных данных не указана.

ORANSight Phi-Mini — чат-модель семейства ORANSight, разработанная NextG Lab при Университете штата Северная Каролина. Она предназначена для ответов на вопросы по сетям O-RAN, например для объяснения интерфейса E2. Модель дообучена с помощью Unsloth на базе unsloth/Phi-3.5-mini-instruct-bnb-4bit; в метаданных указаны 3,7 млрд параметров, архитектура LlamaForCausalLM и формат safetensors. README заявляет контекст 128K токенов, тогда как метаданные каталога указывают 4096 токенов. Модель принимает текстовые запросы и генерирует текстовые ответы на английском языке. Лицензия — MIT. Карточка сообщает, что подробная статья с результатами экспериментов готовится; оценок качества в предоставленных материалах нет.

Owl-v1 — компактная символьная языковая модель на 10,8 млн параметров, созданная IstishadAlamTishad с нуля для обучения и интеграции. Она продолжает текст на английском языке, обучена на корпусе TinyShakespeare и ориентирована на генерацию реплик персонажей, сценических ремарок и продолжений в стиле ранненовременного английского.

Brandon Howe разработал Qwen3-8b-compassion-seed2-20261001-CPT-final — дообученную модель генерации текста на архитектуре Qwen3ForCausalLM, основанную на Qwen/Qwen3-8B-Base. Это плотная авторегрессионная модель примерно на 7,6 млрд параметров с контекстом до 32 768 токенов; она предназначена для генерации текста и диалоговых сценариев, связанных с темой сострадания. Обучение продолжалось на наборе CompassioninMachineLearning/compassion_12185_cleaned: README указывает 10 000 уникальных документов и повторные предъявления примеров. Карточка описывает модель как отдельный BF16-чекпойнт в формате safetensors, для загрузки которого не нужен адаптер. Модель можно применять для генерации ответов и текстов в диалогах, где важен сострадательный стиль. Сам факт обучения на тематических данных не доказывает улучшения сострадания, поэтому это свойство следует оценивать отдельно. Используется библиотека Transformers. Лицензия в предоставленных данных не указана.