IV.5Образование и развитие навыков

DreamX-World-5B-Cam — вариант модели DreamX-World для генерации видео с управлением движением камеры. Разработчики создали его на основе Wan2.2-T2V-5B; архитектура — плотный Transformer семейства TI2V, обученный на диффузионном подходе. В метаданных указано 4 млрд параметров, а в README — около 5 млрд. Модель принимает исходное изображение, текстовое описание сцены и команды движения камеры, после чего генерирует видео с заданной траекторией. Команды позволяют управлять перемещением и поворотом камеры в шести степенях свободы. Заявлены разрешение 704×1280, длительность до 5 секунд при 24 или 16 кадрах в секунду и до 7,5 секунды при 16 кадрах в секунду; поддерживаются реалистичные и стилизованные сцены, включая интерьеры, города, природу и игровые миры. Модель рассчитана на интерактивную симуляцию и управляемую генерацию видеосцен. Для работы авторы указывают Diffusers и набор зависимостей для инференса. Лицензия репозитория — MIT. README не приводит оценок качества или подробных ограничений по типам сцен и командам; размер параметров в README и метаданных различается.

Egyptian Museum Statue Classifier — модель на архитектуре ResNet50, дообученная для классификации изображений 30 артефактов Египетского музея. Она предназначена для определения класса музейного предмета по его изображению; модель можно применять для первичной сортировки фотографий экспонатов и учебных демонстраций классификации египетских артефактов. Репозиторий содержит веса в формате PyTorch и распространяется по лицензии MIT. Модель специализируется на ограниченном наборе из 30 классов, поэтому её предсказания не следует считать универсальным распознаванием всех египетских артефактов. Данных о поддерживаемых языках или оценке качества в карточке нет; входом служит изображение, выходом — предсказанный класс.

Foundation-sec-8b-red-team — языковая модель Ironcybersec для диалоговой помощи в авторизованном тестировании безопасности и red team-оценках. Это дообученная версия Foundation-Sec-8B-Instruct от fdtn-ai: причинная плотная Llama-модель класса LlamaForCausalLM, в карточке указано 7,5 млрд параметров. Модель принимает текст и генерирует текст; README заявляет поддержку английского языка и контекст до 131 072 токенов. Модель дообучена методом LoRA на 10 027 примерах по разведке и перечислению объектов Active Directory, повышению привилегий, закреплению и постэксплуатации. Весовые коэффициенты LoRA объединены для самостоятельного развёртывания; метаданные указывают формат safetensors, а README также описывает использование вариантов GGUF через LM Studio и llama.cpp. Лицензия обозначена как other и унаследованная от базовой модели, поэтому условия следует сверить с лицензией fdtn-ai/Foundation-Sec-8B-Instruct. Модель предназначена для специалистов, проводящих разрешённые проверки, и для обучения методикам red team. Результаты требуют экспертной проверки и применения только в рамках полученного разрешения; показатели обучения и perplexity из README сами по себе не подтверждают качество или безопасность практических рекомендаций.

GPT2-Chinese-Ancient — авторегрессионная модель генерации текста на основе архитектуры GPT-2, предварительно обученная проектом UER-py. Она предназначена для генерации текстов на древнекитайском языке. Для обучения использовано около 3 миллионов текстов из корпуса daizhigev20; для части текстов без пунктуации применялась система пунктуации древнекитайского языка, разработанная лабораторией BNU ICIP. Модель принимает текстовый контекст и продолжает его, поддерживая контекст до 1024 токенов. Доступны варианты весов для PyTorch, TensorFlow и Flax. Карточка не сообщает отдельные ограничения качества или условия лицензии.

HuatuoGPT-o1-7B — медицинская языковая модель для рассуждений в задачах, связанных со здоровьем. Разработана командой FreedomIntelligence и создана дообучением Qwen/Qwen2.5-7B-Instruct. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров; она принимает текст и генерирует текст, включая развёрнутое рассуждение перед итоговым ответом. Модель предназначена для ответов на медицинские вопросы и решения медицинских задач на английском и китайском языках. Она поддерживает контекст до 32 768 токенов и может использоваться в диалоговом режиме; для запуска подходят vLLM и SGLang. В репозитории указана лицензия Apache-2.0. Модель не заменяет профессиональную медицинскую оценку, а качество и безопасность ответов требуют проверки специалистом.

Heralax/llama-3-llamilitary — экспериментальная разговорная модель, обученная автором на инструкциях, созданных по историческим книгам о войнах, и на самих книгах. Она предназначена для ответов на вопросы о тактике, стратегии и обычаях ранних эпох военного дела, а также для тематических сценариев и игр о мушкетах, кавалерии и артиллерии. Модель основана на плотной архитектуре Llama с 7,5 млрд параметров, принимает текст и генерирует текст; контекст — 8192 токена. Карточка рекомендует задавать конкретные вопросы и использовать низкую температуру генерации: открытые вопросы могут приводить к бессвязным ответам, а фактические ответы также не гарантированы. Модель говорит нарочито старомодным тоном. Лицензия — Llama 3.

Llama-3-OpenBioMed-8B-dare-ties-4x — объединённая модель на архитектуре Llama 3, созданная с помощью LazyMergekit из четырёх биомедицинских моделей: aaditya/Llama3-OpenBioLLM-8B, johnsnowlabs/JSL-MedLlama-3-8B-v2.0, Jayant9928/orpo_med_v3 и skumar9/Llama-medx_v3. Она предназначена для генерации текста и диалоговых ответов по биомедицинским темам, например для подготовки черновиков ответов и помощи в работе с медицинской информацией. Модель содержит 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Модель принимает текст и генерирует текст. Базовые модели специализируются на англоязычной биомедицинской области; подтверждённых сведений о других поддерживаемых языках нет. Объединение нескольких специализированных чекпойнтов ориентировано на медицинские запросы, однако карточка не приводит оценок качества или клинической валидации. Лицензия в предоставленных данных не указана.

Falconsai/medical_summarization — модель семейства T5, дообученная для суммаризации медицинских текстов. Она предназначена для создания кратких связных выжимок из медицинских документов, научных статей, клинических записей и материалов о здравоохранении, чтобы специалистам было быстрее находить ключевую информацию. Модель принимает текст и генерирует текстовое резюме; заявленный контекст — 512 токенов. В карточке указано, что обучение проводилось на медицинских документах и примерах с аннотациями, однако конкретный набор данных и результаты оценки не приведены. Репозиторий содержит веса PyTorch и SafeTensors, а также формат Core ML. Лицензия — Apache-2.0. Модель ориентирована на англоязычные медицинские материалы. Суммаризации могут упускать детали или неверно передавать медицинские сведения, поэтому результат следует проверять; карточка не приводит количественных оценок качества.

Meditron-3 Gemma2 9B — медицинская языковая модель, разработанная инициативой OpenMeditron на основе Google Gemma 2 9B Instruct. Это плотный авторегрессионный трансформер с 9 млрд параметров, дообученный на экспертно отобранных клинических рекомендациях, медицинских публикациях, синтетических примерах дифференциальной диагностики и других данных. Модель принимает и генерирует текст, ориентирована главным образом на английский язык и поддерживает контекст до 8192 токенов. Модель предназначена для исследовательской оценки языковых моделей в медицинских сценариях: например, для изучения ответов на медицинские вопросы и предоставления справочной информации на основе клинических данных, в том числе в условиях ограниченных ресурсов. Карточка описывает её как базовую модель без дополнительной настройки под конкретные прикладные задачи. Результаты оценки на тестах с вопросами с выбором ответа не гарантируют надёжности в реальной клинической практике. Модель не валидирована для медицинского применения и не предназначена для диагностики, лечения или принятия клинических решений; её ответы не заменяют оценку специалиста. Распространяется по лицензии Gemma.

MuPT-v1-8192-190M — предварительно обученная модель из серии MuPT, разработанной для генерации символической музыки. Она построена на архитектуре Llama 2 и обучена на большом корпусе символических музыкальных произведений разных жанров и стилей, включая монофонические и полифонические композиции. В README для близких вариантов серии указаны генерация мелодий, аккомпанемента и многодорожечной музыки; для этой модели также указана длина контекста 8192 токена, а размер по метаданным составляет 151,6 млн параметров. Модель генерирует музыкальную последовательность в текстовом представлении; пример README показывает результат в нотации ABC, которую можно преобразовать в аудио отдельными средствами. Её можно применять для создания музыкальных фрагментов и продолжения символических композиций. Карточка описывает серию, а не все подробности именно варианта 190M, поэтому точную схему токенизации и качество на отдельных жанрах установить нельзя. Лицензия — Apache 2.0.

MusicGen Melody Large — модель Meta AI (команда FAIR) для генерации музыки по текстовому описанию и аудиоподсказке с мелодией. Она объединяет EnCodec для токенизации аудио и авторегрессионный Transformer для моделирования музыки; вариант Melody Large содержит 3,3 млрд параметров и генерирует аудио с частотой дискретизации 32 кГц. Модель предсказывает четыре аудиокодбука за один проход. Модель подходит для создания музыкальных фрагментов по жанру, настроению или инструментальному описанию, а также для продолжения или аранжировки мелодии, заданной аудиоподсказкой. Она предназначена прежде всего для исследований управляемой генерации музыки и экспериментов с генеративными моделями. Модель обучалась на английских описаниях и неодинаково хорошо работает с разными музыкальными стилями и культурами. Она не умеет реалистично генерировать вокал, иногда затихает до конца фрагмента, а для качественного результата может потребоваться подбор формулировок. Веса распространяются по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Musiclang LLM — авторегрессионная языковая модель, основанная на GPT-2 и обученная работать с символьным языком тональной музыки MusicLang. Она продолжает заданную музыкальную партитуру, записанную в формате MusicLang, и может использоваться для создания новых музыкальных фрагментов в композиционной работе. В метаданных указана архитектура GPT2LMHeadModel, формат PyTorch и контекст до 1024 токенов. Модель распространяется по лицензии BSD-3-Clause. Она принимает текстовую запись MusicLang и генерирует продолжение в том же символьном представлении; README не сообщает о прямом вводе или выводе аудиосигнала.

MusicLang Predict — генеративная модель MusicLang для создания оригинальных музыкальных MIDI-партий. Она использует архитектуру GPT-2 и предназначена для генерации музыки с нуля, продолжения по музыкальному фрагменту и создания музыки по шаблону, который можно получить из существующего MIDI-файла или задать вручную. Модель работает через пакет musiclang-predict и язык представления музыки MusicLang; максимальная длина контекста составляет 4096 токенов. Модель подходит для быстрого создания музыкальных набросков и продолжений с заданной структурой и темпом. Репозиторий содержит веса в форматах ONNX и Safetensors. Модель и пакет MusicLang Predict распространяются по лицензии GPL-3.0; базовый пакет MusicLang имеет лицензию BSD 3-Clause.

Nexora-Vector-v0.1 — экспериментальная модель ArkAiLabs для генерации SVG-графики по текстовым инструкциям. Это модель Qwen3-4B с supervised fine-tuning, примерно на 3,7 млрд параметров; она использует архитектуру Qwen3ForCausalLM и предназначена для текстового ввода и генерации кода SVG. Метаданные указывают контекст до 40 960 токенов, библиотеку Transformers и поддержку чата и интерфейса вызова инструментов. Модель подходит для создания простых векторных изображений, геометрических фигур и лёгких иконок, а также для прототипирования и экспериментов с дизайном. Лучше всего работает с короткими и чёткими запросами. Выпуск обозначен как бета; модель не проходила формальную оценку качества. Возможны некорректный или неотрисовываемый SVG, непоследовательное следование инструкциям и слабая работа со сложными сценами, поэтому результаты требуют проверки и исправления человеком. Лицензия — Apache-2.0.

Lukamac/PlayPart-AI-Personal-Trainer — дообученная авторегрессионная модель GPT-2, опубликованная пользователем Lukamac. Она генерирует текст по вопросам о фитнесе, спорте и занятиях в тренажёрном зале; её предполагаемые сценарии — чат-бот персонального тренера, составление тренировочных рекомендаций и ответы на вопросы о физических упражнениях. Модель основана на openai-community/gpt2 и обучалась на датасетах Strava с беговыми активностями и MegaGym. Она использует архитектуру GPT-2, формат весов Safetensors и поддерживает контекст до 1024 токенов. Карточка указывает английский язык и лицензию Apache-2.0. Рекомендации модели не следует считать профессиональной медицинской или спортивной оценкой; качество и безопасность советов в карточке не подтверждены.

shikunpunk/Qwen2.5-3B-PoetryGen — дообученная модель на базе Qwen2.5-3B-Instruct для генерации китайской классической поэзии. Она создаёт произведения в жанрах гуши, пятисловного и семисловного регулярного стиха и цзюэцзюй, а также может подражать стилю известных поэтов, например Ли Бо. Модель содержит около 3,1 млрд параметров и использует архитектуру Qwen2 dense с causal language modeling. Для обучения применялись QLoRA с 4-битной NF4-квантизацией и последующая оптимизация предпочтений DPO. Репозиторий содержит веса BF16 в формате safetensors; заявлена поддержка контекста до 32 768 токенов. Модель принимает текстовые запросы и генерирует текст на китайском языке. Она предназначена для творческого письма по заданной теме, стихотворной форме или авторскому стилю. Обучение проводилось на китайском корпусе классической поэзии, поэтому заявленные возможности сосредоточены на этой области. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-VL-7B-Instruct-MRPO — медицинская мультимодальная модель для ответов на вопросы по изображениям. Она разработана на базе Qwen2.5-VL-7B-Instruct с применением метода обучения с подкреплением MRPO, который использует вознаграждения за итоговый ответ и отдельные шаги рассуждения, усиливая штраф за ранние ошибки. Модель предназначена для медицинских визуальных вопросов и ответов (VQA) и улучшения точности медицинских рассуждений. Модель построена на плотной архитектуре Qwen2.5-VL и содержит 7,1 млрд параметров. Она принимает изображения и текстовые запросы, генерирует текст и поддерживает контекст до 128 000 токенов. В метаданных указан английский язык. Репозиторий использует формат safetensors; лицензия — Apache-2.0.

Это плотная языковая модель семейства Qwen3 с 3,7 млрд параметров, полученная дообучением Qwen/Qwen3-4B-Instruct-2507. Чекпойнт создан в рамках запуска RaR-Medicine OnlineRubrics-Every dense, фаза обучения использовала онлайн-рубрики для медицины; модель предназначена для генерации текста в медицинских сценариях. Она поддерживает диалоговый режим и контекст до 262 144 токенов, а для инференса доступна в формате BF16. Модель можно применять для генерации ответов и проверки медицинских текстов по рубрикам. В README указано исследовательское использование; лицензия Apache-2.0. Карточка не приводит сведений о поддерживаемых естественных языках или результатах оценки качества.

Это экспериментальная англоязычная модель автоматического распознавания речи на базе Qwen3-ASR-1.7B, созданная для транскрибирования нетипичной речи. В проекте адаптирована только projector-часть модели: обучаемыми были около 3,15 млн параметров из 2,04 млрд. Обучение проведено без текстового промпта, с применением SpecAugment только во время обучения, на наборе Ugandan English Nonstandard Speech. Модель предназначена для транскрибирования английской речи с нарушениями артикуляции, дизартрией и заиканием. На тестовой выборке средний нормализованный WER по отдельным высказываниям составил 24,17%, а CER — 15,62%; ошибки различались в зависимости от тяжести и типа нарушения. Результаты относятся к описанному набору данных и не гарантируют такого же качества для других говорящих или условий записи. README не сообщает лицензию модели.

Rukh Medium GRPO — плотная GPT-модель декодера, разработанная автором проекта Rukh с нуля для предсказания следующего хода в шахматной партии. Она принимает последовательность ходов в формате UCI, включая два начальных токена с рейтингом игроков, и предсказывает следующий токен хода. Размер по метаданным — 152,6 млн параметров; словарь содержит 2030 фиксированных токенов, контекст — до 200 ходов. Репозиторий включает веса Safetensors и варианты ONNX, в том числе FP16 и INT8. Модель предназначена для игры против человека и имитации ходов в партиях, на которых она обучалась. В карточке приведены результаты оценки: точность предсказания следующего хода 53,3%, легальность наиболее вероятного хода без маски 99,3% и оценка силы игры 1577 Elo с указанным доверительным интервалом. Это модель языкового предсказания ходов, а не шахматный движок: у неё нет поиска вариантов и собственной функции оценки позиции, поэтому она может пропускать тактические возможности. Без истории ходов, например при подаче одной позиции FEN, играет заметно слабее; приложения должны применять маску легальных ходов. Обучена на партиях людей с рейтингом 1800+ на Lichess и может воспроизводить их ошибки. Лицензия — Apache-2.0.

Rukh medium-masters — шахматная языковая модель от авторов проекта Rukh, предназначенного для обучения построению модели сквозным образом. Это плотный GPT-декодер архитектуры MoveDecoder с 152,6 млн параметров. Он предсказывает следующий ход в записи UCI по последовательности ходов; словарь содержит 2030 фиксированных токенов, а контекст — до 200 ходов. Модель обучена на партиях Lichess между игроками с рейтингом 1800 и выше и предназначена для самостоятельного запуска; доступны веса safetensors и графы ONNX, включая варианты FP16 и INT8. Лицензия — Apache-2.0. В оценке авторов точность предсказания следующего хода составила 54,9%, а оценка силы игры — 1563 Elo с 95-процентным интервалом 1502–1630. Доля легальных ходов при выборе наиболее вероятного токена без маски составила 99,7%; приложение должно применять маску легальности, чтобы отсекать нелегальные ходы. Это имитационная модель ходов, а не шахматный движок: она не выполняет поиск вариантов и не имеет собственной оценки позиции, слабее играет при отсутствии истории ходов и может повторять ошибки обучающих партий.

Typhoon-Si-Med-Thinking-4B — медицинская языковая модель, совместно разработанная Typhoon (SCB 10X) и Siriraj Informatics and Data Innovation Center при больнице Siriraj, Университет Mahidol. Это дообученная методом обучения с подкреплением плотная модель Qwen3 с архитектурой decoder-only и 3,7 млрд параметров, предназначенная для англоязычных диалогов и рассуждений по медицинским вопросам. Она генерирует ответы в форматах множественного выбора, краткого ответа и ранжированного списка возможных ответов; предусмотрены режимы TEXT_MODE и LIST_MODE, которые включаются префиксом в запросе. Модель ориентирована на медицинские вопросы и бенчмарки MedQA, MedMCQA, MedXpertQA и MMLU Pro (Health). Метаданные указывают контекст до 262 144 токенов, поддержку чата и интерфейса вызова инструментов, а также формат safetensors. Для работы README требует Transformers 4.51.1 или новее. Модель выпущена по лицензии Apache 2.0. Это исследовательская предварительная версия, не предназначенная для медицинского применения. Ответы могут быть неточными или предвзятыми, поэтому модель не следует использовать как замену специалисту или для принятия клинических решений без надлежащей проверки.

Zhongsi-6B-Instruct — диалоговая языковая модель, разработанная SYSU-MUCFC-FinTech-Research-Center и дообученная на базе saves/Yi-1.5-6B_pt_241207. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 5,8 млрд параметров и использует формат safetensors; заявленная длина контекста — 4096 токенов. Модель предназначена для генерации ответов в диалоге, прежде всего по медицинским темам. В README указано дообучение на китайских медицинских вопросах и диалогах, медицинских экзаменационных наборах и общих диалоговых данных на китайском языке, а также на наборе Medical_dialogue_system_en_single_turn. Опубликован результат Loss 1.4955 на наборе оценки; методика и подробности оценки не описаны. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории модели. Карточка не приводит подробного описания предназначения и ограничений; ответы по медицинским вопросам не следует считать заменой профессиональной консультации.

XuanTruong03 выпустил ai-recruitment-embedder-v2 — дообученную модель Sentence Transformers на базе keepitreal/vietnamese-sbert. Она использует RoBERTa и преобразует текстовые предложения и абзацы в плотные векторы размерности 768; для оценки близости подходит косинусное сходство. Максимальная длина последовательности — 258 токенов по метаданным модели. Модель предназначена для семантического поиска и сопоставления описаний в задачах подбора персонала: например, для сравнения навыков кандидатов с требованиями вакансий. В README приведена оценка Spearman 0,7256 на неназванном наборе данных из 5202 обучающих примеров; данные содержат профессиональные и отраслевые контексты. Это специализированная модель для вьетнамского языка. Условия использования следует сверить с лицензией репозитория Hugging Face.

AudioModel v1 — компактная модель генерации звука по текстовому описанию, разработанная bench-labs. Она создаёт аудио длительностью 17,8 секунды с частотой 22 050 Гц; примеры запросов включают шум дождя, шаги по гравию, лай собаки и запуск двигателя. Модель обучена с нуля и содержит около 40,3 млн обученных параметров. Модель использует AudioDiT: мел-спектрограмма представляется как изображение размером 384 × 256, а генерация выполняется диффузионным методом rectified flow. Для текстового условия применяется замороженный CLAP с текстовым энкодером RoBERTa и 32 токенами. Обучение проведено на парах аудиоклипов и подписей из Clotho v2.1; в README приведены результаты оценки на отложенных клипах Clotho. Модель предназначена для экспериментальной генерации коротких звуковых эффектов по свободному тексту. В README отмечены ограничения качества, связанные в том числе с инверсией спектрограммы через Griffin-Lim; приведённые значения FAD имеют ограниченную точность из-за малого размера выборки относительно размерности эмбеддингов. Репозиторий использует лицензию MIT.

CareBot_Medical_multi-llama3-8b-instruct — медицинская диалоговая модель XiaofengAlg, дообученная методом supervised fine-tuning на базе CareBot_Medical_multi-llama3-8b-base. Модель построена на плотной архитектуре LlamaForCausalLM и содержит 7,5 млрд параметров; базовая модель предназначена для китайского и английского языков. Контекст составляет 8192 токена. Модель предназначена для следования медицинским инструкциям и диалогов о здоровье. В обучающих данных есть вопросы из медицинских экзаменов с вариантами ответа, запросы о диагностике заболеваний и многоходовые консультации; использованы медицинские диалоги и датасет BAAI/IndustryInstruction_Health-Medicine. Модель принимает текстовые запросы и генерирует текстовые ответы на китайском и английском. В README описаны состав данных и подход к дообучению, но не приведены численные результаты оценки, поэтому качество для конкретных медицинских сценариев по этой карточке оценить нельзя. Ответы модели не следует считать подтверждённым медицинским диагнозом или заменой консультации специалиста. Лицензия — Apache-2.0.

tiantiaf/childvox-percept_r-babyhubert — модель классификации аудио, разработанная Tiantian Feng для распознавания произношения звука /ɹ/ у детей. Она дообучена на корпусе PERCEPT-R и относит аудиозапись к одной из двух категорий: Derhotic или Rhotic. Работа описана в бенчмарке ChildVox, принятом на EMNLP 2026 Main. Модель использует аудиовход и предназначена для анализа детской речи в исследовательских сценариях. Она наследует основу MarvinLvn/BabyHuBERT; веса опубликованы в формате safetensors и рассчитаны на использование с Transformers. Карточка указывает поддержку многоязычных данных, но не перечисляет отдельные языки. Модель нельзя использовать для клинической диагностики, индивидуальной оценки развития без проверки специалистом, наблюдения или вторжения в частную жизнь. Обработка записей детей требует соблюдения конфиденциальности, согласия семей, этических требований и применимых законов. Лицензия CC-BY-NC-SA-3.0 запрещает коммерческое использование.

Claudius Purus 110M — авторская генеративная языковая модель, созданная с нуля разработчиком notyost на архитектуре GPT-2-small. Модель содержит 110,9 млн параметров, использует собственный токенизатор byte-level BPE на 32 тыс. токенов и контекст длиной 1024 токена. Она обучалась на корпусе из 25,85 млн токенов и 953 произведений, написанных до нашей эры, на древнегреческом, латинском, аккадском, шумерском, библейском иврите и классическом китайском языках. Модель предназначена для генерации и стилистического продолжения текстов в регистрах сохранившейся античной литературы: например, латинской прозы в духе Цицерона, греческих текстов с гомеровскими формулами, псалмового иврита или анналистического классического китайского. Это базовая языковая модель, которая продолжает входной текст, а не надёжно отвечает на вопросы или воспроизводит исторические знания. Автор характеризует её как сильную в грамматике и стиле, но почти лишённую модели мира; при генерации возможны свободные галлюцинации и дрейф от заданного формата. Модель выпущена в формате safetensors и доступна под лицензией CC BY-SA 4.0. Корпус отражает сохранившиеся тексты преимущественно грамотных мужчин из элитных и канонизированных кругов, поэтому модель имитирует именно эту литературную выборку. Проверочная выборка не содержит произведений на иврите и шумерском; заявленные оценки языкового качества не подтверждают историческую достоверность или способность модели «мыслить» как человек античности.

CURE-MED-7B — языковая модель Aikyam Lab и соавторов для многоязычных медицинских рассуждений и ответов на открытые медицинские запросы. Она дообучена на Qwen/Qwen2.5-7B-Instruct с помощью куррикулумного обучения с подкреплением: подход включает SFT с учётом переключения языков и GRPO. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2 и принимает текст, выдавая текст; длина контекста — до 32 768 токенов. Модель предназначена для диалоговых медицинских сценариев на 13 языках, включая амхарский, бенгальский, французский, хауса, хинди, японский, корейский, испанский, суахили, тайский, турецкий, вьетнамский и йоруба. Обучение и оценка проводились на наборе CUREMED-BENCH, ориентированном на открытые медицинские вопросы с проверяемыми ответами. Модель доступна под лицензией Apache 2.0. Карточка не описывает клиническую валидацию; медицинские ответы требуют проверки специалистом.

Dans-Archive/Dans-AdventurousWinds-Mk2-7b — дообученная автором карточки модель Mistral-7B-v0.1 с 7,1 млрд параметров для текстовых приключенческих игр. Она продолжает сюжет по действиям игрока и может выдавать как краткие ответы, так и развёрнутые описания в стиле прозы; переключение между стилями задаётся системным сообщением. Модель обучена на 16 тысячах последовательностей с использованием доработанных наборов Floyd и Choose Your Story из корпуса Skein. Базовая архитектура — MistralForCausalLM; указанный родной контекст — 32 768 токенов. Модель рассчитана на англоязычные текстовые приключения: интерактивную прозу, выбор действий, исследование игровых миров и развитие сюжета в диалоге. Репозиторий содержит веса safetensors; в README также упомянуты сторонние квантизированные варианты GGUF, GPTQ и AWQ. Лицензия — Apache-2.0. Карточка не приводит оценки качества или подробных сведений о поведении за пределами этого игрового сценария.