IV.5Образование и развитие навыков

Goedel-Prover-SFT — языковая модель Goedel-LM для автоматической генерации формальных доказательств математических задач на Lean 4. Это плотная авторегрессионная модель семейства Llama размером 6,5 млрд параметров с контекстом 4096 токенов; веса опубликованы в формате safetensors. Модель дообучена методом supervised fine-tuning на DeepSeek-Prover-V1.5-Base и предназначена для генерации целого доказательства по формулировке задачи в Lean. В README сообщается о результате 57,6% Pass@32 на miniF2F и решении 7 задач PutnamBench при Pass@512; также приведены результаты на ProofNet, FormalNumina и Lean-workbook. Модель рассчитана на математические задачи, формализуемые в Lean 4, и может быть полезна для автоматизации доказательств и исследований в формальной математике. Указана лицензия MIT. Результаты зависят от числа генерируемых вариантов и вычислительного бюджета; README отмечает ограничения доступных вычислительных ресурсов при оценке.

Goedel-Prover-V2-8B — открытая языковая модель Goedel-LM для автоматической генерации формальных математических доказательств на Lean 4. Она создана на основе Qwen3-8B и дообучена по конвейеру экспертной итерации и обучения с подкреплением. Модель содержит 7,6 млрд параметров, использует плотную архитектуру Qwen3 и поддерживает контекст до 40 960 токенов. Модель предназначена для формализации и доказательства теорем, в том числе математических задач олимпиадного уровня. Она генерирует доказательство, а в режиме самокоррекции может пересматривать его с учётом обратной связи от компилятора Lean. В README сообщается результат 83,0% на тестовой части MiniF2F при Pass@32 для версии 8B. Для работы с доказательствами требуется окружение Lean 4 и соответствующая Mathlib; README указывает Lean 4.9. Модель распространяется по лицензии Apache-2.0. Показатели производительности относятся к указанному бенчмарку и режиму оценки; README не описывает отдельные ограничения модели за пределами этой области применения.

BlueSunflower/gpt2-medium-chess — языковая модель на архитектуре GPT-2 medium, дообученная на 8 миллионах шахматных партий в краткой алгебраической нотации. В контекст подаются счёт партий, рейтинги игроков и последовательность ходов; модель продолжает текст, генерируя следующие шахматные ходы. Репозиторий содержит веса в форматах PyTorch и safetensors, а длина контекста составляет 1024 токена. Модель предназначена для генерации продолжений шахматных партий и простого анализа позиций через предлагаемые ходы. В карточке указаны около 98,5% легальных ходов и результат примерно 1340 ELO при сравнении со Stockfish; в тесте BigBench на поиск мата в один ход результат составил 46,5%. Это специализированная модель для шахматных последовательностей, а не универсальный чат-бот. Лицензия — AGPL-3.0.

son110904/gte-resume-match — дообученная модель Sentence Transformers на базе Alibaba-NLP/gte-multilingual-base, предназначенная для преобразования предложений и абзацев в плотные векторы размерностью 768 для семантического сравнения и поиска. В архитектуре используются трансформерный энкодер, pooling по CLS-токену и нормализация векторов; близость текстов оценивается косинусным сходством. Модель принимает текст и подходит для сопоставления резюме с вакансиями, поиска похожих описаний и ранжирования текстов по семантической близости. README сообщает о дообучении на парных примерах с оценками сходства и приводит результаты проверки на наборе из 237 примеров: Spearman-корреляция косинусного сходства составляет 0,8549. В карточке Hugging Face указана базовая модель объёмом 305,3 млн параметров и контекстом до 8192 токенов, тогда как README задаёт максимальную длину последовательности 256 токенов; для практического использования следует учитывать ограничение Sentence Transformers в карточке модели. Модель обрабатывает текст и выдаёт векторные представления. Метаданные указывают библиотеку sentence-transformers и формат safetensors. Лицензия в предоставленных данных не указана.

HolyYi-9B — диалоговая модель на 8,6 млрд параметров, созданная дообучением 01-ai/Yi-1.5-9B-Chat на наборе nbeerbower/bible-dpo. Она предназначена для генерации текста в диалоге, в том числе ответов на вопросы и бесед на библейские темы. Модель использует плотную архитектуру семейства Llama и запускается через Transformers; веса опубликованы в формате safetensors. Контекст — до 4096 токенов. Модель подходит для экспериментальных диалоговых сценариев, связанных с содержимым обучающего набора; сведений о поддерживаемых языках в карточке нет. Модель распространяется по лицензии Apache-2.0. Результаты могут зависеть от формулировки запроса и смещения, заложенного в тематическом наборе дообучения.

Hemg разработал модель классификации изображений индийского жестового языка, дообучив Vision Transformer ViT-Base/16 с 113,2 млн параметров от Google. Модель принимает изображения и относит их к классам жестов; в README указана точность 0,9905 и значение loss 0,0327 на оценочном наборе, состав которого не раскрыт. Модель подходит для распознавания жестов на изображениях в сценариях, связанных с индийским жестовым языком. Она распространяется в формате safetensors по лицензии Apache-2.0. Результаты на оценочном наборе сами по себе не гарантируют качество на других данных; классы, датасет и условия оценки не описаны.

Medical v5 — это диалоговая медицинская модель на 7,6 млрд параметров, созданная автором pai-pixel на базе Qwen/Qwen3-8B методом supervised fine-tuning. Она предназначена для клинических вопросов по традиционной китайской и западной медицине. Обучение проводилось на 37 353 клинических примерах; часть обучающих данных содержит цепочки рассуждений, созданные с помощью дистилляции Baichuan-M2-32B. Режим явных рассуждений можно включать и отключать через параметр enable_thinking. Модель принимает текст и генерирует текст на китайском языке. Архитектура — плотная причинная языковая модель Qwen3; заявленная длина контекста составляет 40 960 токенов. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. Медицинские ответы могут быть неточными и не должны заменять оценку квалифицированного специалиста.

MonadGPT — экспериментальная разговорная языковая модель, созданная Pclanglais дообучением Mistral-Hermes 2 на 11 000 текстах раннего Нового времени на английском, французском и латинском языках, преимущественно из EEBO и Gallica. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; она доступна в формате safetensors и предназначена для генерации текста в режиме диалога с использованием формата ChatML. Модель имитирует язык, стиль и исторические представления раннего Нового времени. Её можно использовать для исторических ролевых диалогов и получения стилизованных ответов, в том числе на вопросы о науке, астрономии и медицине. Модель поддерживает генерацию на английском, французском и латинском языках, однако качество латинских ответов слабое. По карточке, ответы могут быть непоследовательными, начинаться с середины рассуждения, игнорировать инструкции или переходить к современному английскому. Исторические медицинские и другие практические советы нельзя считать надёжными. Лицензия — Apache-2.0.

zelk12/MT4-IF-gemma-2-RIv0.1RPMHv0.1-9B — объединённая диалоговая языковая модель на архитектуре Gemma 2 с 9 млрд параметров. Автор объединил с помощью mergekit и метода SLERP две модели: zelk12/recoilme-gemma-2-Ifable-9B-v0.1 и zelk12/recoilme-gemma-2-psy10k-mental_healt-9B-v0.1. Модель рассчитана на генерацию текста в формате диалога, с уклоном в психологию и психическое здоровье. Модель принимает текст и генерирует текст; её контекст составляет 8192 токена. Она доступна в формате safetensors для библиотеки Transformers. Лицензия в предоставленных данных не указана.

Peach-9B-8k-Roleplay-GGUF — набор GGUF-квантизаций модели Peach-9B-8k-Roleplay, разработанной ClosedCharacter и подготовленной bartowski. Модель предназначена для генерации текста в сценариях roleplay: ведения диалогов от лица заданного персонажа и взаимодействия с пользовательскими персонажами. Указаны английский и китайский языки, задача text generation и лицензия MIT. Это текстовая модель с заявленным размером 9 млрд параметров и контекстом до 8k токенов; сведения о точной архитектуре и поддерживаемых модальностях отсутствуют, поэтому её следует рассматривать как мультимодально не описанную, вероятно текстовую модель. Репозиторий содержит варианты от F32 до сильнее сжатых Q2 и IQ2/IQ3/IQ4, включая рекомендуемые Q4–Q6 и Q8. Более крупные квантизации сохраняют качество лучше, а компактные требуют меньше оперативной памяти, но могут заметно уступать по качеству. Для работы рекомендуется использовать llama.cpp или LM Studio и соответствующий шаблон промпта с системным описанием персонажа. Модель ориентирована на ролевые диалоги и может быть менее подходящей для универсальной генерации, строгого следования инструкциям и задач, не связанных с roleplay. Лицензия MIT разрешает широкое использование на указанных в лицензии условиях.

Qwen3.8-27B-Buddhist — китайскоязычная модель для изучения буддизма, созданная автором репозитория wulezhi на основе плотной архитектуры Qwen3.8-27B. Модель дообучена методом QLoRA на 35 841 примере из 佛光大辞典 и 中华佛教大百科全书 для объяснения буддийских терминов, понятий и доктринальных идей. Это чат-модель с генерацией текста; карточка также указывает встроенный модуль обработки изображений, который можно использовать с отдельным mmproj. Для запуска опубликованы варианты GGUF и квантованные safetensors для llama.cpp, Ollama и vLLM, включая Q4_K_M, Q6_K, AWQ и GPTQ. LoRA-адаптер требует базовую модель unsloth/Qwen3.8-27B-unsloth-bnb-4bit. Модель предназначена для учебных и справочных сценариев по буддизму. Качество ответов зависит от тематики обучающих источников, а работа отдельных квантованных сборок зависит от формата, фреймворка и оборудования; в README отмечены несовместимые с Turing варианты compressed-tensors int4. Лицензия модели — Apache-2.0.

RecurvAI/Recurv-Medical-Lllama — медицинская языковая модель RecurvAI, дообученная с помощью LoRA на базе Meta Llama 3.1 8B Instruct. Репозиторий содержит веса в формате GGUF; метаданные указывают 5 млрд параметров и контекст до 2048 токенов. Модель поддерживает диалог и генерирует текст на английском языке. Она предназначена для ответов на медицинские вопросы, помощи в сборе анамнеза и подготовки подробных объяснений для медицинских работников и исследователей. В README описан датасет из 67 299 вопросов и ответов, составленный на основе медицинских учебников, научных публикаций, клинических рекомендаций и синтетических записей, имитирующих медицинские карты. Модель распространяется по лицензии MIT. Ответы могут содержать ошибки и не должны заменять клиническую оценку специалиста; README не приводит результатов независимой клинической валидации.

Nashhz/SBERT_KFOLD_User_Portfolio_to_Job_Descriptions — дообученный разработчиком модели энкодер предложений на базе sentence-transformers/all-MiniLM-L6-v2. Модель сопоставляет предложения и абзацы плотным векторным представлениям размерности 384; архитектура включает BERT, mean pooling и нормализацию, а сходство оценивается косинусной мерой. В метаданных указан размер 25,9 млн параметров и контекст до 512 токенов; в README для конфигурации модели указана максимальная длина последовательности 256 токенов. Модель предназначена для оценки семантического сходства между портфолио пользователя и описаниями вакансий, а также для семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Обучение проводилось на 16 682 парах текстов с оценками сходства. Базовая модель англоязычная; отдельная поддержка других языков не подтверждена. В README не указана лицензия, поэтому условия использования по карточке установить нельзя.

slm-125m-legal-financial — базовая авторегрессионная языковая модель в архитектуре Llama от karuppusamym. Модель содержит 125,8 млн параметров и предназначена для продолжения текста, а не для диалога или выполнения инструкций. Её обучали с нуля на корпусе из судебных решений США, документов SEC и образовательных веб-текстов; максимальная длина контекста — 1024 токена. Модель может продолжать фрагменты юридического и финансового текста, например судебные формулировки или описания финансовых результатов. Обучение остановили на 58% запланированного расписания, поэтому качество чекпойнта ниже ожидаемого от завершённого обучения. Модель небольшая, её знания основаны на статистических закономерностях обучающих текстов; она может генерировать недостоверные названия дел, нормы права и финансовые показатели, поэтому не подходит для юридических или финансовых консультаций и проверки фактов. Лицензия — Apache-2.0.

codelion/SmolLM2-70M — базовая языковая модель, дообученная на образовательном наборе данных Sutra-10B. Её представил разработчик codelion. Модель построена на архитектуре LlamaForCausalLM и содержит 69,2 млн параметров; обучение продолжалось три эпохи, около 30,6 млрд токенов. Весы доступны в формате safetensors, для работы предусмотрена библиотека Transformers. Модель предназначена для генерации продолжений текста, прежде всего на английском языке и в образовательном контексте. Она не настроена на выполнение инструкций и не рассчитана на диалоговые ответы. Контекстное окно составляет 8192 токена. Результаты бенчмарков показывают, что качество ограничено ёмкостью модели такого размера, а дополнительное обучение даёт лишь небольшое улучшение прикладных показателей. Лицензия — Apache-2.0. Модель подходит для экспериментов и компактных сценариев генерации, но её небольшое число параметров и отсутствие настройки на инструкции ограничивают сложные задачи и использование в роли чат-ассистента.

Модель binxu/Ziyue-GPT2 — авторская GPT-2 для генерации текстов на классическом китайском языке. Она обучена на текстах китайской классики, собранных с ctext.org; обучающая выборка небольшая и занимает около 19 МБ. В перечень источников входят конфуцианские и даосские произведения, трактаты по военному делу и истории, а также классические романы. Модель подходит для продолжения фрагментов и создания стилизованного текста на основе китайской классики. Использует архитектуру GPT-2 и токенизатор bert-base-chinese; максимальный контекст составляет 1024 токена. Репозиторий содержит веса в форматах PyTorch и safetensors. Карточка не сообщает лицензию, поэтому условия использования следует проверить на странице модели.

Карточка модели FreedomIntelligence/Apollo-34B на Hugging Face совпадает с карточкой FreedomIntelligence/Apollo-72B, поэтому описание составлено по ней. Apollo-72B — медицинская языковая модель семейства Qwen, опубликованная FreedomIntelligence в рамках проекта Multilingual Medicine. Модель предназначена для генерации ответов на медицинские вопросы и работы с медицинскими знаниями; формат запроса в карточке записан как «:{query}\n:{response}». Репозиторий содержит веса в формате safetensors, а метаданные указывают 119,4 млрд параметров и контекст до 32 768 токенов. Проект описывает мультиязычные медицинские данные и оценивание. В README перечислены английский, китайский, французский, хинди, испанский и арабский для проекта в целом, а датасеты ApolloCorpus явно перечисляют английский, китайский, испанский, французский и хинди. Модель проверяли на медицинских тестах, включая MedQA-USMLE, MedMCQA, MMLU-Medical, MedQA-MCMLE и тесты для испанского и французского. Лицензия репозитория — Apache-2.0. README не сообщает отдельные показатели качества именно версии 72B и не описывает клиническую валидацию, поэтому ответы модели не следует считать заменой профессиональной медицинской консультации.

A.X-3.1-Light Success-Consolidation R-300 — модель SKT на базе A.X-3.1-Light, дообученная методом supervised fine-tuning с LoRA и объединёнными весами. Это самостоятельная версия в формате BF16 safetensors с архитектурой Llama и 6,8 млрд параметров; отдельный адаптер для запуска не требуется. Контекст модели составляет 32 768 токенов, основной язык карточки — корейский. Модель создана как экспериментальный вариант для проверки, меняется ли влияние дообучения на другие способности модели, если сократить обучающую выборку с 3 000 до 300 примеров. Выборка посвящена числовому машинному чтению в экономике и спорте: модель училась давать ответ с обоснованием. Подходит для исследований и сравнительной оценки генерации ответов на такие вопросы. Результаты могут быть неточными, а влияние сокращённого обучения на качество ещё требует проверки на результатах оценки. Модель не следует использовать как единственное основание для решений с высокими последствиями. Распространяется по лицензии Apache 2.0.

Модель leslie721007/babylm-strict-small-coherent86-alpha075 — экспериментальная англоязычная маскированная языковая модель семейства DeBERTa-v2, построенная на основе BabyLM Strict-Small. Она предсказывает скрытые токены по окружающему тексту и предназначена для оценки языковой компетентности и исследований sample-efficient pretraining в рамках BabyLM. Архитектура использует класс FrozenSlowPrivateDebertaV2ForMaskedLM: замороженный медленный путь содержит 35,46 млн параметров, а частный быстрый путь — 995 584; общий размер по README составляет 36,46 млн параметров. Контекст — 512 токенов. Параметр private_adapter_scale равен 0,75. README приводит локальные результаты по нескольким оценочным наборам, включая BLiMP, Supplement и EWoK, и отмечает, что модель является точным носителем экспериментального чекпойнта, а не полным пакетом подачи BabyLM. Для загрузки требуется trust_remote_code=True: стандартный путь Transformers может создать несовместимую нативную модель и не загрузить частные веса. Лицензия указана как other, поэтому условия использования следует уточнять в репозитории; в README также указано, что результат не является финальной заявкой на лидерборд.

Marianodo/BatchAllTripletLoss-job-title — модель на базе MPNet, опубликованная в формате PyTorch и обученная с функцией потерь BatchAllTripletLoss. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов и кластеризации. Модель подходит для построения поиска по названиям должностей и сопоставления похожих формулировок. Контекст модели составляет 514 токенов, число параметров — 136,7 млн. Модель принимает текст и выдаёт эмбеддинги; для работы README рекомендует библиотеку Sentence-Transformers. Язык обучающих данных и лицензия в доступных сведениях не указаны, поэтому языковую поддержку и условия распространения определить нельзя.

ChessGPT — авторегрессионная модель на основе декодера-трансформера, разработанная malcouffe для предсказания следующих ходов в шахматных партиях. Она обучена на последовательностях ходов Lichess в нотации UCI и предназначена для генерации продолжений партий и изучения ходовых последовательностей, а не для оценки позиции или анализа доски. Модель имеет архитектуру decoder-only в стиле LLaMA и содержит 432 млн параметров. Она использует контекст до 256 токенов, где каждый токен соответствует ходу UCI; обучение проводилось на рейтинговых партиях Lichess, в которых оба игрока имели рейтинг не ниже 1800. Модель принимает текстовую последовательность ходов и генерирует текстовое продолжение в UCI. Лицензия — Apache-2.0. Шахматные знания модель выводит только из последовательностей ходов, без явного состояния доски, оценки позиции, RLHF или дообучения через self-play. Она может предсказывать нелегальные ходы, поэтому при генерации их следует фильтровать, например, с помощью python-chess.

Chessgpt-Base-v1 — англоязычная языковая модель для шахмат, разработанная авторами ChessGPT. Это плотная авторегрессионная модель GPT-NeoX для генерации текста, обученная на шахматных данных; в README указано 2,8 млрд параметров, а метаданные репозитория — 3,5 млрд. Репозиторий содержит веса PyTorch, окно контекста составляет 2048 токенов, лицензия — Apache 2.0. Модель предназначена прежде всего для исследований языкового моделирования и обучения шахматной стратегии. Её можно использовать для генерации шахматного текста и экспериментов с языковыми моделями в шахматной области. README предупреждает, что за пределами шахматной тематики модель может работать плохо; также возможны нерелевантные или ошибочные ответы и воспроизведение предубеждений из обучающих данных.

Copina — небольшая разговорная языковая модель, созданная Finisha-F и дообученная на базе learnia, предварительно обученной LLm-Clem. Модель предназначена для генерации комплиментов на английском языке: её можно использовать, чтобы получить ободряющую или милую фразу. Модель основана на архитектуре GPT-2 и доступна в формате Safetensors. Метаданные указывают контекстное окно в 1350 токенов и поддержку чата. Copina ограничена генерацией комплиментов на английском и не предназначена для сложного диалога. Указана лицензия other; конкретные условия использования в карточке не раскрыты.

Demucs v4 TRT — экспорт HTDemucs 6s в ONNX и TensorRT для разделения музыки на шесть звуковых дорожек: ударные, бас, прочие инструменты, вокал, гитару и пианино. HTDemucs разработана Meta AI и описана в работе Simon Rouard, Francisco Massa и Alexandre Défossez; автор репозитория MansfieldPlumbing подготовил экспорт и предварительно собранный TensorRT-движок. Модель использует гибридную архитектуру с параллельными энкодерами для аудиосигнала и STFT-спектрограммы, связанными трансформерным блоком с перекрёстным вниманием. Экспорт включает STFT и ISTFT внутри графа ONNX. Предварительно собранный движок рассчитан на GPU NVIDIA Ampere sm86, например RTX 3090; для других совместимых видеокарт движок можно собрать из ONNX. README сообщает о примерно пяти секундах обработки трёхминутной песни на RTX 3090; фактическая скорость зависит от оборудования и сборки. Модель предназначена для разделения музыкального микса на стемы при подготовке ремиксов, караоке, изолированных партий и музыкального анализа. Для обработки требуются совместимые ONNX или TensorRT-компоненты и GPU NVIDIA; готовый движок привязан к архитектуре GPU. Лицензия репозитория — CC-BY-NC-4.0, с ограничением на коммерческое использование.

Distil-NPC-gemma-3-1b-it — компактная текстовая модель Distil Labs GmbH для диалогов с игровыми неигровыми персонажами. Это плотная causal language model семейства Gemma 3 с 1 млрд параметров, дообученная на базе Google Gemma для следования инструкциям и общения с заданным персонажем. Метаданные указывают базовую модель google/gemma-3-1b-it, а README — google/gemma-3-270m; точная база противоречива. Модель принимает текстовый вопрос и описание персонажа и генерирует текстовый ответ в его роли. Обучение включало биографии 81 вымышленного персонажа и около 80 отобранных примеров; карточка также упоминает обезличивание поддержки, логов, заявок и стенограмм с сохранением операционных сигналов. Контекстное окно — 32 768 токенов, язык — английский. Модель предназначена для диалоговых сценариев и может запускаться через vLLM или Ollama; репозиторий предлагает вариант GGUF. Оценка проводилась с помощью LLM-as-a-judge, поэтому карточка не сообщает обширных независимых результатах. Поведение для персонажей вне обучающего набора не определено, обобщение на другие языки не гарантировано, а незнакомые доменные идентификаторы могут обрабатываться ненадёжно. Лицензия — Gemma 3 License Agreement.

eva02_large_patch14_clip_336.merged2b_ft_inat21 — модель классификации изображений из серии экспериментов по дообучению timm на данных iNaturalist 2021. Она предназначена для распознавания видов живых организмов по фотографиям: обучающий набор охватывает 10 000 видов, а при обучении использовались изображения размером 336 пикселей. В карточке указаны точность Top-1 92,05% и Top-5 98,01%. Модель основана на EVA02 Large с архитектурой Vision Transformer и CLIP-предобучением; её веса доступны в форматах PyTorch и Safetensors. Специализация на iNaturalist делает её подходящей для определения видов по природным снимкам, но карточка отмечает, что набор и модель охватывают меньше видов, чем модели на сайте iNaturalist. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не для коммерческих целей.

SXZ D.U.C.K. (Digital Units Creation Kit) — модель генерации изображений по текстовому описанию, созданная автором карточки на основе Luma. В README указано, что LoRA была объединена с Luma 0.98VAE; автор также описывает варианты с разной степенью смешивания весов и вариант D.U.C.K.LumaOrangeMix с добавлением стиля OrangeRemix. Модель предназначена для создания изображений по текстовым запросам. Автор отмечает, что вариант с OrangeRemix может лучше передавать милые образы, но теряет в детализации; основной D.U.C.K. предлагается для смешивания с другими моделями. Репозиторий использует Diffusers и формат safetensors. Лицензия — CreativeML OpenRAIL-M.

IRedDragonICY разработал LaguQA-Gemma4-E2B для выпускной работы по информатике в Университете Ахмад Дахлан. Это плотная модель Gemma 4 E2B IT с объединённым в веса корневым вариантом LoRA-адаптера LaguQA-Gemma4-E2B-LoRA; число параметров — 5 104 297 504. Модель предназначена для диалогов и ответов на вопросы о песнях и музыке Индонезии, в частности для тестов с вариантами ответа на наборе LaguQA. Она выдаёт ответы на индонезийском языке. Модель сохраняет аудио- и визуальные компоненты базовой Gemma 4 и служит её заменой, однако карточка оценивает именно ответы на LaguQA и IndoMMLU, а не мультимодальные задачи. В одном эксперименте она набрала 56,4% на 1 200 вопросах LaguQA и 43,6% на 2 000 вопросах IndoMMLU; для LaguQA результаты зависели от случайного seed. Модель распространяется по лицензии Apache-2.0.

Llama-3.2-1B-Tele-it — языковая модель для генерации текста, разработанная на основе Meta Llama-3.2-1B и дообученная для следования инструкциям в телекоммуникационной тематике. Модель содержит 1,2 млрд параметров и использует плотную архитектуру LlamaForCausalLM; формат весов в репозитории — safetensors. Модель предназначена для ответов на вопросы и выполнения инструкций, связанных с телекоммуникациями, например объяснения понятий вроде пропускной способности Шеннона. Она обучалась методом supervised fine-tuning на сочетании наборов Alpaca и Open-instruct. В README указан контекст 8192 токена, тогда как метаданные каталога указывают 131072 токена. В карточке указана лицензия llama3.2. Метаданные отмечают английский язык; фактическая полнота и точность ответов в специализированных задачах требуют проверки перед применением.

arcee-ai/Llama-3-OpenBioLLM-JSL-8B-SLERP — объединённая языковая модель на базе Llama 3, созданная Arcee AI с помощью mergekit. Она объединяет aaditya/OpenBioLLM-Llama3-8B и johnsnowlabs/JSL-Med-Sft-Llama-3-8B методом SLERP; архитектура — плотная авторегрессионная LlamaForCausalLM, размер — 7,5 млрд параметров, формат весов — safetensors. Модель предназначена для генерации текста в медицинских и биомедицинских сценариях, включая ответы на вопросы и подготовку текстов по профильным темам. Принимает и генерирует текст; заявленный контекст составляет 8192 токена. В метаданных указана лицензия Apache-2.0. Карточка описывает способ объединения и исходные модели, но не содержит результатов оценки качества, поэтому пригодность для конкретных клинических задач следует проверять отдельно.