IV.5Образование и развитие навыков

IRIS-4B — мультимодальная модель вопросов и ответов о внешней части глаза, созданная в рамках проекта IRIS и дообученная на базе Qwen3-VL-Thinking. Она анализирует фотографии глазной поверхности и отвечает на вопросы об офтальмологических состояниях; обучение проводилось на наборе IRIS-120K с использованием подходов Topic Finding Tree и генерации VQA по сценарию. Модель предназначена для некоммерческих исследований заболеваний глазной поверхности. Выпущены объединённые веса и конфигурации токенизатора и процессора; поддерживается обработка изображений и текста.

LingBot-World-Fast — модель генерации видео из изображения от команды Robbyant. Репозиторий содержит вариант LingBot-World-Fast для конвейера Diffusers; модель построена на базе Wan2.2 и предназначена для интерактивной симуляции мира через генерацию продолжения видео по начальному изображению и сигналам управления камерой. Модель генерирует видео в разрешении 480p и 720p. В README заявлены согласованность на длинных временных отрезках и генерация со скоростью до 16 кадров в секунду при задержке менее секунды. Такие возможности подходят для создания видеоконтента, игровых сред и исследований обучения роботов. Для генерации минутного ролика при 16 кадрах в секунду можно увеличить число кадров; длительная генерация может требовать нескольких GPU. Для запуска предусмотрена реализация на Diffusers и формат весов safetensors. Модель распространяется по лицензии Apache 2.0. Заявленные скорость и согласованность описаны в карточке проекта; фактический результат зависит от конфигурации и вычислительных ресурсов.

MedCrab-1.5B — специализированная модель перевода с английского на вьетнамский язык для медицинских и биомедицинских текстов. Её разработал Phạm Nguyễn Ngọc Bảo; модель дообучена на Qwen/Qwen2.5-1.5B и обучена на наборе MedCrab из 300 000 пар медицинских переводов, проверенных клиницистами во Вьетнаме и за его пределами. Модель предназначена для перевода клинических документов, научных статей и материалов по биомедицинской инженерии. В карточке заявлены сохранение биомаркеров, биологических путей и специальной терминологии, а также связный перевод сложных фрагментов длиной 100–150 слов. Архитектура — плотная авторегрессионная Qwen2ForCausalLM с 1,5 млрд параметров; максимальный контекст составляет 131 072 токена. Доступны языки английский и вьетнамский. В README приведены результаты оценки медицинских фрагментов: BLEU 42–46, COMET 0,68–0,72 и METEOR 37–40. Модель предназначена только для исследовательского использования и не должна применяться для постановки диагноза или принятия решений о лечении. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое применение.

Mediquad-4x7b — языковая модель с архитектурой Mixtral MoE, созданная Technoculture путём объединения четырёх моделей: epfl-llm/meditron-7b, chaoyi-wu/PMC_LLAMA_7B_10_epoch, allenai/tulu-2-dpo-7b и microsoft/Orca-2-7b. Она предназначена для генерации текста, в том числе ответов на медицинские вопросы и работы с биомедицинскими текстами. Модель содержит 6,6 млрд параметров, принимает текстовый контекст длиной до 8192 токенов и распространяется в формате safetensors. Лицензия — Apache-2.0. README содержит таблицу оценок на медицинских бенчмарках, но значения в ней отсутствуют, поэтому качество по этим результатам оценить нельзя.

Meditron-7B — языковая модель на 7 млрд параметров, разработанная командой EPFL LLM Team для медицинской тематики. Это причинный трансформер с архитектурой decoder-only, дообученный продолжением предобучения на базе Llama-2-7B. В обучающий корпус вошли медицинские статьи и аннотации, клинические рекомендации и общие тексты. Модель принимает текст и генерирует текст; основной язык — английский, длина контекста — 2 тысячи токенов. Модель предназначена для экспериментов с ответами на медицинские вопросы, например по симптомам, заболеваниям и лечению, а также для задач медицинских экзаменов и поддержки дифференциальной диагностики. В карточке сообщается о более высоких результатах, чем у Llama-2-7B и PMC-Llama, на нескольких задачах медицинского рассуждения, но оценка безопасности, точности и смещений ограничена. Модель не адаптирована для безопасных профессиональных рекомендаций и не предназначена для непосредственного применения в производственной среде или принятия решений, влияющих на здоровье людей. Лицензия модели — Llama 2 Community License Agreement; лицензия кода — Apache 2.0.

Miss Lizzy — разговорная модель на основе Mistral, созданная FPHam. Она играет роль Элизабет Беннет и отвечает в стиле английской эпохи Регентства; в карточке указан формат диалога ChatML. Модель обучена на вопросах и ответах, а также на полном тексте романа «Гордость и предубеждение». Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для ролевого общения и ответов от лица литературного персонажа. README отмечает, что модель склонна к многословным ответам. Лицензия в предоставленных данных не указана.

MoviiGen 1.1 — модель генерации видео по тексту от разработчиков проекта MoviiGen, созданная на основе Wan2.1 T2V-14B и связанная в метаданных с Wan-AI/Wan2.1-T2V-14B. Она предназначена для создания видеороликов с кинематографической эстетикой, выразительной атмосферой, движением камеры и сохранением деталей объектов; авторы сообщают об оценке модели профессиональными кинематографистами и создателями AIGC по 60 эстетическим измерениям. Модель использует архитектуру диффузионного трансформера Wan2.1 и работает в библиотеке Diffusers. В README заявлена генерация видео в разрешениях 720p и 1080p, с рекомендацией 1080p и формата кадра 21:9 для кинематографической подачи. Основной сценарий — создание визуальных материалов для творческих проектов и видеопроизводства. Карточка не описывает поддержку входных изображений или аудио. Авторы отмечают качество атмосферы, движения камеры, чёткости и реализма; по их оценке, Wan2.1 может лучше подходить для плавности, композиционной согласованности и художественного стиля. Эти заявления основаны на оценках, описанных авторами. Модель распространяется по лицензии Apache-2.0.

Карточка модели EarthBytes/musicgen-small на Hugging Face совпадает с карточкой facebook/musicgen-small, поэтому описание составлено по ней. MusicGen Small — модель генерации музыки по текстовому описанию, разработанная командой FAIR в Meta AI. Это версия семейства MusicGen с 300 млн параметров, построенная на авторегрессионном Transformer и аудиотокенизаторе EnCodec: модель предсказывает четыре кодбука аудио за один проход. Она обучена на аудиоданных с частотой 32 кГц и генерирует музыку по текстовым подсказкам; в README также описан режим с аудиоподсказкой для семейства MusicGen, но этот чекпойнт предназначен для генерации по тексту. Модель подходит для создания музыкальных фрагментов по описанию жанра, настроения или инструментов, а также для изучения управляемой генерации музыки. Лучше реагирует на английские описания. Модель не генерирует реалистичный вокал, может затихать до окончания фрагмента и не одинаково хорошо охватывает разные музыкальные стили и культуры; для получения нужного результата может потребоваться подбор формулировки запроса. Веса распространяются по лицензии CC-BY-NC 4.0, код — по MIT; для прикладного использования авторы рекомендуют отдельно оценивать риски.

MusicGen Small — модель генерации музыки по текстовому описанию, разработанная командой FAIR в Meta AI. Это версия семейства MusicGen с 300 млн параметров, построенная на авторегрессионном Transformer и аудиотокенизаторе EnCodec: модель предсказывает четыре кодбука аудио за один проход. Она обучена на аудиоданных с частотой 32 кГц и генерирует музыку по текстовым подсказкам; в README также описан режим с аудиоподсказкой для семейства MusicGen, но этот чекпойнт предназначен для генерации по тексту. Модель подходит для создания музыкальных фрагментов по описанию жанра, настроения или инструментов, а также для изучения управляемой генерации музыки. Лучше реагирует на английские описания. Модель не генерирует реалистичный вокал, может затихать до окончания фрагмента и не одинаково хорошо охватывает разные музыкальные стили и культуры; для получения нужного результата может потребоваться подбор формулировки запроса. Веса распространяются по лицензии CC-BY-NC 4.0, код — по MIT; для прикладного использования авторы рекомендуют отдельно оценивать риски.

MVDream-diffusers — копия репозитория ashawkey/mvdream-sd2.1-diffusers, размещённая для сохранения материалов курса по ML для 3D. Это перенос модели в библиотеку Diffusers для генерации 3D по текстовому описанию. В карточке также указано, что модель не следует использовать для создания или распространения изображений, которые могут вызывать враждебную или отчуждающую среду, причинять тревогу или оскорблять людей, а также закреплять стереотипы. Модель поставляется в формате Diffusers с весами Safetensors и лицензией OpenRAIL. README не уточняет архитектуру, число параметров, поддерживаемые языки и требования к запуску.

ORANSight Gemma-2B Instruct — чат-модель семейства ORANSight, разработанная NextG lab при Университете штата Северная Каролина. Она предназначена для ответов на вопросы по сетям O-RAN; пример в карточке показывает объяснение интерфейса E2 с заданной ролью эксперта.

Pianist Transformer — модель для рендеринга выразительного исполнения фортепианной музыки по музыкальной партитуре. Согласно README, она разработана в рамках работы «Pianist Transformer: Towards Expressive Piano Performance Rendering via Scalable Self-Supervised Pre-Training». Модель использует асимметричный Transformer: кодировщик из 10 слоёв и декодировщик из 2 слоёв; число параметров — 135 млн. Для предварительного обучения использован крупный корпус MIDI, а сжатие последовательностей позволяет обрабатывать длинный музыкальный контекст. Модель преобразует музыкальный материал в исполнительскую интерпретацию с нюансами темпа и выразительности. Результат включает MIDI, пригодный для редактирования в DAW, с картой темпа; для корректного использования требуется полный конвейер из официального репозитория. В README заявлено, что в субъективных прослушиваниях качество исполнения было статистически неотличимо от человеческого и нередко предпочиталось слушателями. Репозиторий содержит веса в формате safetensors. Лицензия — Apache 2.0. Метаданные указывают семейство архитектуры t5gemma и возможность работы с аудио; README описывает задачу через партитуры и MIDI.

POLAR-1.8B — модель вознаграждения, разработанная командой InternLM. Она оценивает траектории ответов языковой модели относительно предоставленного эталонного ответа: на вход подаются запрос, эталонная траектория и кандидат, а результатом служит оценка согласованности кандидата с эталоном. Модель предназначена для оценки и ранжирования ответов, а также для подачи сигналов вознаграждения при дообучении с подкреплением (RFT). Модель основана на InternLM2.5-1.8B и дообучена на общих данных предпочтений; число параметров — 1,7 млрд, контекст — до 32 768 токенов. Архитектура — плотная InternLM2 с классом InternLM2ForRewardModel. В карточке указаны английский и китайский языки. Для работы с оцениванием требуются запрос, эталон и кандидат, поэтому простого текста кандидата без эталонной траектории недостаточно для описанного сценария. POLAR использует сравнение относительно эталона, а не только абсолютные предпочтения; разработчики заявляют о переносе оценок на новые сценарии и снижении reward hacking. Для инференса и дообучения предлагаются Transformers и инструменты lmdeploy, sglang, vLLM и xtuner. Лицензия — Apache-2.0.

Qwen-MusicAVQA-7B — мультимодальная модель для ответов на вопросы о музыке в видео, разработанная Maryam Dehdashti из Inference Matter Labs. Она дообучена на базе Qwen/Qwen2-VL-7B-Instruct: к модели подключён замороженный аудиоэнкодер Whisper-large-v3-turbo, а аудио- и видеопризнаки подаются в языковую модель через линейные проекции; в одном из этапов также обучаются LoRA-адаптеры. Модель принимает видеокадры и вопрос, произнесённый синтезированным голосом, и генерирует текстовый ответ. Текстовый вопрос в опубликованной конфигурации не поддерживается, речи на выходе нет. Модель предназначена для ответов на вопросы о музыкальном содержимом видео, например об инструментах и звуках. В экспериментах на MUSIC-AVQA показала высокую точность, включая тесты на перефразированных вопросах. Результаты относятся к ограниченному набору из 42 вариантов ответа и не измеряют качество свободной генерации. Оценка проведена на доступной части видеоданных бенчмарка; обучение и инференс требуют подготовленных аудиопризнаков, а обработка новых видео включает отдельный этап кодирования. Для загрузки требуется форк Transformers с поддержкой классов Qwen2VLAudio. Лицензия — Apache-2.0.

SeongryongJung/Qwen-4b-base-RLRT — дообученная языковая модель на архитектуре Qwen3, созданная методом self-distillation reinforcement learning для математических задач. В репозитории опубликован итоговый объединённый чекпойнт после 100 шагов обучения; применялось полнопараметрическое обучение с FSDP на локальной обучающей выборке по математике, без LoRA. Размер модели — 3,7 млрд параметров, контекст — 32 768 токенов; формат весов — safetensors, библиотека — Transformers. Модель предназначена для исследований и анализа методов RL-донастройки языковых моделей на математических данных. Она генерирует текст и может использоваться для экспериментов с решением математических задач. В README приведены учебные метрики конкретного эксперимента, которые не следует считать широкими бенчмарк-результатами; модель не проходила широкую оценку безопасности для производственного применения. Лицензия — Apache-2.0.

SeongryongJung/Qwen-8b-base-GRPO — дообученная авторегрессионная языковая модель семейства Qwen3 с 7,6 млрд параметров, созданная на основе Qwen/Qwen3-8B-Base. Разработчик применил полное обучение параметров с помощью GRPO и FSDP на локальной обучающей выборке по математике, используя правило для расчёта вознаграждения. В репозитории опубликован итоговый объединённый чекпойнт в формате safetensors. Модель предназначена для исследований и анализа методов обучения языковых моделей математическим задачам с подкреплением, а также для генерации текста в математическом контексте. Контекст — до 32 768 токенов; метаданные указывают поддержку диалогового режима. Карточка не сообщает поддерживаемые естественные языки. Обучение ограничено 100 шагами. Приведённые значения оценки вознаграждения и точности относятся к той же экспериментальной настройке и не являются широкими бенчмарками. Модель не проходила широкую оценку безопасности для производственного использования. Лицензия — Apache-2.0.

Sepsistral-7B-v1.0 — медицинская языковая модель, созданная дообучением Mistral-7B-v0.1 авторами репозитория nicocolas. Модель обучали на наборах вопросов, ответов и контекста, сгенерированных GPT-3.5-turbo по более чем 10 000 аннотаций статей PubMed о сепсисе. Модель предназначена для ответов на медицинские экзаменационные вопросы, запросы о симптомах, причинах и лечении сепсиса, а также для поддержки дифференциальной диагностики и клинических исследований. Это плотная авторегрессионная модель Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; она принимает текст и генерирует текст. В карточке сообщается о превосходстве над Mistral-7B-v0.1 на медицинских тестах авторов, но подробности оценки не приведены. Авторы предостерегают от применения модели в клинической практике без тщательной адаптации под сценарий и дополнительной проверки, включая рандомизированные контролируемые исследования в реальных условиях. Модель не предназначена для самостоятельного принятия решений, влияющих на пациентов. Лицензия — Apache-2.0.

SLORA-MAX — модель генерации видео по текстовому описанию, опубликованная Muhammad Taqi. Карточка заявляет совместимость по синтаксису и рабочему процессу с MiniMaxAI/MiniMax-H3 и использование в Diffusers. Модель принимает текстовый запрос, включая необязательное описание нежелательных элементов, и выдаёт видеокадры; в README указан параметр num_frames со значением по умолчанию 100. Автор заявляет высокую детализацию, соответствие видео текстовому запросу и плавность движения. Однако карточка не приводит проверяемых результатов, сведений о размере модели или фактической длине контекста, поэтому эти заявления нельзя оценить по доступным данным. Лицензия — MIT.

SmolLM3-3B-SFT-ScienceWorld — языковая модель на 3,1 млрд параметров, созданная методом supervised fine-tuning с поведенческим клонированием на основе HuggingFaceTB/SmolLM3-3B. Она предназначена для генерации текста в задачах ScienceWorld и оценки поведения модели в этой среде. Модель использует плотную архитектуру SmolLM3ForCausalLM, принимает текст и генерирует текст; указанная длина контекста — 65 536 токенов. Чекпойнт предназначен для инференса и оценки: состояние оптимизатора не включено, а обучающие шарды хранятся отдельно. Для корректного распределения промптов требуется шаблон chat_template.jinja из репозитория; стандартный шаблон SmolLM3 меняет формат входа. Модель распространяется по лицензии Apache-2.0.

TabCNN — модель оценки гитарной табулатуры, представленная в формате GGUF для использования в CrispASR. Исходная архитектура разработана Wiggins и Kim, а описанный вариант обучен с расширением GuitarProFX и связан с работой Pedroza, Abreu, Corey и Roman о повышении устойчивости транскрипции электрогитары к различным тембрам и эффектам. Эталонная реализация относится к проекту amt-tools. Модель предназначена для преобразования аудиосигнала электрогитары в оценки табулатуры. Для каждого временного кадра она формирует шесть независимых распределений по 21 классу ладов — по одному на каждую струну. Модель не содержит декодера, временной модели или учёта взаимосвязей между струнами, поэтому её выход представляет собой оценки эмиссии, а не готовую исполнимую аппликатуру. Для получения табулатуры необходим внешний декодер, учитывающий диапазон ладов, каподастр, растяжку руки, допустимое количество нот и другие ограничения. Модель содержит 833 982 параметра. Входные признаки строятся на основе CQT с частотой дискретизации 22050 Гц, шагом 512, 192 частотными полосами, 24 полосами на октаву и нижней частотой C1 (32,70 Гц), после чего используется центрированное окно из девяти кадров и нормализация по максимуму всего аудиоклипа. Это двухпроходная схема, не предназначенная для потоковой или независимой фрагментной обработки без изменения нормализации. Доступны варианты GGUF f32, f16, q8_0 и q4_k; последний фактически использует Q4_0. Сохранение выходного слоя в полной точности существенно для качества, особенно в варианте Q4_0. Модель ориентирована на задачи автоматической транскрипции гитары и музыкального информационного поиска. Для неё указана лицензия CC BY 4.0; при использовании требуется соблюдать условия лицензии и привести цитирование работы Pedroza и соавторов, опубликованной на конференции DAFx 2024.

Это англоязычная текстовая генеративная модель семейства Llama, разработанная на основе TinyLlama и дообученная EnDevSols на клиническом наборе данных. Модель содержит около 1 млрд параметров, использует библиотеку Transformers и поддерживает контекст длиной до 2048 токенов. Модель предназначена для генерации текста в медицинских, биологических и химических сценариях, включая подготовку черновиков клинических ответов, объяснение специализированной информации и работу с медицинскими текстами на английском языке. В метаданных Hugging Face указаны специализации chemistry, biology и medical. Модель распространяется по лицензии Apache-2.0. Компактный размер упрощает локальный запуск и интеграцию в приложения с ограниченными ресурсами, однако по доступным данным нельзя подтвердить клиническую точность, безопасность или пригодность для принятия медицинских решений.

Это англоязычная модель автоматического распознавания речи на базе OpenAI Whisper Medium EN, дообученная автором jacktol на данных авиационной радиосвязи. Она предназначена для транскрибирования коротких передач пилотов и диспетчеров, в том числе речи с различными акцентами, нестандартной фразеологией и помехами. Модель содержит около 455,8 млн параметров и принимает аудио, выдавая текст. В тестировании из карточки для неё указана WER 15,08%; автор отмечает улучшение относительно исходной модели на ATC-речи. Репозиторий создан 3 октября 2024 года и содержит веса в формате safetensors. Модель подходит для подготовки расшифровок переговоров в системах управления воздушным движением, анализа авиационной радиосвязи и исследовательских или учебных проектов. Она лицензирована по MIT. Автор пометил эту версию как устаревшую и сообщает о более новой модели с лучшим результатом на тестовом наборе.

WiroAI/WiroAI-Finance-Qwen-1.5B — компактная языковая модель для финансовых задач, разработанная WiroAI на архитектуре Qwen. Это плотная авторегрессионная модель Qwen2 с 1,5 млрд параметров, предназначенная для генерации текста и диалоговых ответов. В карточке указано дообучение методом SFT на более чем 500 тысячах финансовых инструкций из Josephgflowers/Finance-Instruct-500k; метаданные также связывают модель с DeepSeek-R1-Distill-Qwen-1.5B и Qwen2.5-Math-1.5B как объединёнными базовыми моделями. Модель подходит для ответов на вопросы о финансах, составления финансовых объяснений и помощи в типовых финансовых сценариях. Поддерживает контекст до 131 072 токенов; обучающие инструкции включают английский и китайский языки, которые модель иногда смешивает в ответах. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0.

GPTPoet — модель генерации арабской поэзии, разработанная на основе архитектуры GPT-2. Авторы использовали конфигурацию GPT-2 Base и дообучили предварительно обученные веса на корпусе стихов арабских поэтов. В метаданных указаны архитектура GPT-2, формат PyTorch, контекст до 1024 токенов и лицензия Apache-2.0. Модель принимает имя поэта и подсказку, затем генерирует стихотворный текст, стараясь воспроизвести стиль выбранного автора и структуру арабской поэзии. Корпус включает около 1,7 млн стихотворных строк классических размеров и произведения разных эпох; примеры размечены именами поэтов, метрами и периодами. Состояние огласовок в данных неоднородно, поэтому модель может выдавать текст с непоследовательной диакритикой.

Aju360/ats-mpnet — дообученная модель Sentence Transformers на основе sentence-transformers/all-mpnet-base-v2, предназначенная для кодирования предложений и абзацев в плотные векторы и семантического поиска. Архитектура включает MPNet, усредняющий pooling и нормализацию; размерность эмбеддинга — 768. Модель принимает текст и поддерживает последовательности до 514 токенов по метаданным; в README указано ограничение 384 токена. Модель можно применять для поиска подходящих резюме и вакансий, сравнения текстов по смыслу и извлечения кандидатов по запросу. Для оценки сходства используется косинусная близость. В README приведены результаты на ats-val: Spearman 0,8635 и Pearson 0,8944; обучающий набор описан как содержащий 105 примеров. Лицензия в предоставленных данных не указана.

Baichuan-M3-235B — медицинская языковая модель Baichuan AI, дообученная на базе Qwen/Qwen3-235B-A22B. Она предназначена для медицинских консультаций, обучения и поддержки клинических решений: модель ведёт сбор анамнеза, выстраивает диагностические рассуждения и помогает выбирать лабораторные исследования. В карточке заявлены архитектура Qwen3 MoE, 18,2 млрд параметров и контекст до 40 960 токенов; модель принимает и генерирует текст, поддерживает английский и китайский языки. Для обучения применялись поэтапное подкрепление клинических процессов и проверка медицинских утверждений на фактическую достоверность. Модель доступна в формате safetensors, а для развёртывания README указывает SGLang и vLLM. Baichuan AI сообщает о результатах на HealthBench и SCAN-bench, однако эти заявления приведены в карточке модели и сами по себе не гарантируют качество в конкретной клинической среде. Лицензия — Apache-2.0. Модель предназначена для исследовательского и справочного применения и не заменяет профессиональную диагностику или лечение; README рекомендует использовать её под руководством медицинских специалистов.

BioMistral-7B-OpenHermes-SLERP — языковая модель на 7,1 млрд параметров, созданная слиянием методом SLERP моделей OpenHermes-2-Mistral-7B и BioMistral-7B-0.1-PubMed-V2. Она использует плотную архитектуру Mistral и предназначена для генерации текста и диалогов; сочетание чат-модели с моделью, дообученной на биомедицинской литературе PubMed, ориентирует её на разговорные сценарии с медицинской и биомедицинской тематикой. Модель работает с текстом, поддерживает контекст до 32 768 токенов и доступна в формате safetensors для библиотеки Transformers. Карточка не приводит результатов оценки качества, поэтому пригодность ответов по медицине следует проверять отдельно. Лицензия в предоставленных данных не указана.

CDLI Qwen3-ASR English Experiment 4 — дообученная CDLI модель распознавания речи на базе Qwen/Qwen3-ASR-1.7B. Она предназначена для транскрибации нетипичной английской речи носителей из Уганды и использует промпты с метаданными о степени нарушения речи и типе расстройства. Модель принимает аудио и выдаёт текст; в метаданных указаны архитектура Qwen3-ASR и формат safetensors. В README приведены нормированные метрики на корпусе: WER 0,2293 и CER 0,1391. Для выборок с тяжёлым, умеренным и лёгким нарушением речи корпусный WER составляет соответственно 0,2383, 0,2239 и 0,2254. Данные охватывают небольшое число говорящих, поэтому результаты не гарантируют аналогичное качество на других акцентах, языках или типах речи. Модель опубликована по лицензии Apache-2.0.

Модель разработана Tiantian Feng и представляет собой классификатор аудио для анализа детских вокализаций. Она описана в работе ChildVox, принятой на главную конференцию EMNLP 2026, и дообучена на корпусе SpeechMaturity на основе MarvinLvn/BabyHuBERT. Модель относит аудиофрагменты 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 без детской вокализации, включая шум, речь взрослых и неразборчивое аудио. Она предназначена для исследования и автоматической разметки детских вокализаций; библиотека реализации — Transformers. Модель распространяется по лицензии CC BY-NC 4.0, которая запрещает коммерческое использование. Записи детской речи требуют особой защиты приватности и согласия; авторы исключают клиническую диагностику, индивидуальную оценку развития без экспертной проверки, наблюдение и применение с нарушением приватности.

Clef-0.2B — авторская модель haster для генерации символической музыки. Это decoder-only Transformer семейства Llama с 201,4 млн параметров, обученный с нуля на партитурах и дообученный для генерации, продолжения и заполнения пропусков в музыкальных фрагментах. Модель принимает заголовок с жанром, составом ансамбля, темпом, тональностью, размером и инструментами, а затем создаёт многодорожечную партитуру в представлении bar-major REMI+. Результат можно преобразовать в MusicXML или MIDI. Модель поддерживает разные жанры, ансамбли, инструменты General MIDI и ударную партию, сохраняя динамику и скорость нот. Контекст составляет 4096 токенов, примерно 35 тактов. Веса доступны в формате safetensors в раскладке Llama и совместимы с Transformers и vLLM, однако для токенизации и преобразования партитур требуется специальный токенизатор и проектный конвейер; AutoTokenizer не подходит. В README приведены успешные примеры продолжения и заполнения фрагментов, а также автоматические метрики качества. Ограничения включают повышенную относительно эталонных партитур диссонантность и возможный сдвиг настроения при склейке длинных фрагментов. Модель распространяется по лицензии Apache-2.0.