IV.5Образование и развитие навыков

AmberJin4526/distilroberta-ai-jobembeddings — модель эмбеддингов предложений на базе Sentence Transformers, дообученная Amber Jin на наборе ai-job-embedding-finetuning от sentence-transformers/all-distilroberta-v1. Она преобразует запросы и описания вакансий в плотные векторы размерности 768, которые сравниваются с помощью косинусного сходства. Модель предназначена прежде всего для семантического поиска и сопоставления запросов соискателей с описаниями вакансий, а также для поиска похожих текстов, кластеризации и классификации. Архитектура включает энкодер RobertaModel с усреднением токенов и нормализацией выходного вектора. README сообщает длину последовательности до 512 токенов; метаданные указывают контекст 514 токенов. Модель обрабатывает текст и рассчитана на англоязычные запросы и описания вакансий. Карточка приводит высокие результаты на собственных наборах проверки, однако это не гарантирует качество на других данных. Лицензия в предоставленных сведениях не указана.

Карточка модели bwza/ECG-Instruct-Llama-3.2-11B-Vision-gguf на Hugging Face совпадает с карточкой convaiinnovations/ECG-Instruct-Llama-3.2-11B-Vision, поэтому описание составлено по ней. Модель ECG-Instruct-Llama-3.2-11B-Vision разработана Нандакишором М. и Анджали М. из Convai Innovations. Это дообученная с помощью LoRA мультимодальная модель Llama 3.2 Vision, предназначенная для интерпретации изображений электрокардиограмм и подготовки текстовых отчётов в исследовательских, образовательных и демонстрационных сценариях, а также при создании прототипов поддержки врачебных решений. Модель обучена на наборе ECGInstruct с инструктивными примерами, полученными из открытых источников, включая MIMIC-IV ECG и PTB-XL. В метаданных указана архитектура mllama и формат весов safetensors; базовая модель содержит 11 млрд параметров. Лицензия — llama3. Авторы сообщают о результатах на задаче выявления аномалий, но отмечают, что модель не проверялась на внешних клинических наборах данных. Модель не валидирована для клинического применения и не одобрена FDA или CE. Её ответы могут быть ошибочными, требуют проверки специалистом и не должны использоваться для постановки диагноза или принятия решений о лечении.

FantassifiedIcons v2 — модель генерации изображений по текстовому описанию, представленная Yntec. В карточке показаны примеры стилизованных 3D-мультяшных объектов и игровых ассетов: тематические блюда, фрукты и персонажи в стиле чиби. Модель предназначена для создания иллюстраций и концептов по коротким текстовым запросам. Репозиторий содержит веса в формате Safetensors для библиотеки Diffusers; карточка не сообщает архитектуру, размер модели или длину контекста. Лицензия обозначена как other, поэтому условия использования следует уточнять по исходной лицензии.

Sohamb2005/gpt2-finetuned-emergency — модель генерации текста на базе GPT-2, созданная для проекта Excusify. По короткой подсказке со сценарием и необязательными деталями она составляет краткое срочное сообщение от первого лица, например о поломке автомобиля. Модель содержит 124 млн параметров, использует архитектуру GPT2LMHeadModel и принимает текстовый ввод; максимальный контекст — 1024 токена. В карточке указан английский язык и лицензия MIT. Модель дообучена на 203 примерах коротких сообщений для восьми типов ситуаций; ещё 23 примера использовались для проверки. На отложенной выборке автор сообщает о снижении perplexity с 27,0 до 7,3 и совпадении с ситуацией в 83% сгенерированных ответов. Небольшой набор данных ограничивает разнообразие: модель может повторять знакомые формулировки и давать общие ответы для сценариев, далёких от обучающих. Она предназначена для развлекательных и учебных сообщений, а не для реальных экстренных обращений.

Qilex/GPT2Piano — авторегрессионная GPT-2-модель, обученная генерировать последовательности MIDI для фортепианной музыки. Разработчик сообщает, что обучение проводилось примерно на 20 000 фортепианных MIDI-файлов, токенизированных с помощью REMI. Метаданные указывают архитектуру GPT2LMHeadModel, формат PyTorch и контекст длиной 2048 токенов. Модель предназначена для генерации фортепианных MIDI-последовательностей по текстовым токенам, а также для экспериментов с алгоритмической композицией. Карточка ссылается на пример запуска в Colab. Входом служат токены REMI, выходом — сгенерированная последовательность токенов, которую можно декодировать в MIDI. Лицензия в метаданных обозначена как CC; её конкретные условия здесь не уточнены.

tiborousset/JapMed-Linear — слитая методом Linear модель генерации текста на основе Llama 3. В неё объединены ContactDoctor/Bio-Medical-Llama-3-8B и lightblue/suzume-llama-3-8B-japanese с равными весами; README указывает mergekit и формат float16. Модель рассчитана на диалоговую генерацию ответов, сочетая биомедицинскую направленность первой модели с японской языковой специализацией второй. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 8192 токенов. Репозиторий распространяет веса в формате safetensors. Лицензия не указана в предоставленных данных.

Cas-Warehouse/Llama-3-Mopeyfied-Psychology-v2, также обозначенная в карточке как Psyche-3, — объединённая разговорная модель семейства Llama 3, созданная с помощью LazyMergekit из девяти моделей и адаптеров, связанных с психическим здоровьем, психотерапией и диалогом. Это плотная авторегрессионная модель с архитектурой LlamaForCausalLM и 7,5 млрд параметров; она предназначена для генерации текста и диалоговых ответов, в том числе на темы психологической поддержки и консультирования. Модель принимает текст и выдаёт текст. Для неё указан контекст до 8192 токенов. В карточке не приведены конкретные языковые характеристики и результаты оценки качества, поэтому их нельзя надёжно определить по имеющимся данным. Модель может быть полезна для прототипирования диалоговых сценариев в сфере психического здоровья, но не подтверждена как замена специалисту или клинический инструмент. В метаданных указан формат safetensors; лицензия не приведена в предоставленных данных.

Это Hugging Face Transformers-совместимое представление медицинской визуально-языковой модели LLaVA-Med v1.5 на базе Mistral 7B, подготовленное Eren Senoglu путём преобразования исходной модели Microsoft. Она принимает биомедицинское изображение и текстовый запрос и формирует текстовый ответ; предназначена для вопросов и ответов по медицинским изображениям. Репозиторий содержит веса Safetensors и заявляет совместимость с vLLM. Модель наследует возможности LLaVA-Med v1.5 Mistral 7B. Лицензия — Apache-2.0. README не приводит оценок качества или подробных ограничений; медицинские ответы следует проверять, а модель не следует считать заменой профессиональной диагностики.

Nathan Fradet разработал эту авторегрессионную модель на базе GPT-2 для генерации символической классической фортепианной музыки. Модель обучена на наборе MAESTRO с помощью токенизатора REMI и метода Byte Pair Encoding; словарь содержит 20 тысяч токенов. Она продолжает музыкальную последовательность по заданному фрагменту и представляет музыку в токенизированном виде, а не в форме аудиозаписи. Модель предназначена для создания и продолжения фортепианных композиций в классическом стиле. Её можно использовать для музыкальных экспериментов и генерации MIDI-последовательностей. Контекст составляет 2048 токенов. Распространяется по лицензии Apache 2.0.

MedGemma 4B IT GGUF — мультимодальная instruction-tuned модель семейства MedGemma, разработанная Google и представленная в формате GGUF. Основой служит google/medgemma-4b-pt, а конвертация выполнена с использованием llama.cpp. Модель предназначена для медицинских приложений, где требуется генерация текста и понимание медицинских изображений, включая анализ рентгенограмм грудной клетки, дерматологических и офтальмологических изображений, а также гистопатологических данных. Мультимодальная часть использует визуальный энкодер SigLIP, предварительно обученный на обезличенных медицинских данных, а языковая модель обучалась на медицинских текстах и вопросах и ответах. Точные сведения о размере контекста, языках и конкретной схеме квантования в карточке не указаны. Instruction-tuned версия рекомендована как отправная точка для большинства прикладных сценариев; модель оптимизирована для задач с текстовой генерацией и может дообучаться под специализированные приложения. Для задач классификации или поиска по изображениям без генерации текста рекомендуется использовать MedSigLIP. Модель не следует рассматривать как готовую медицинскую диагностическую систему: перед применением в клинических сценариях необходимы проверка, оценка и адаптация под конкретную задачу. Использование регулируется условиями Health AI Developer Foundations; доступ на Hugging Face требует ознакомления и согласия с этими условиями.

MIDI-LLM — исследовательская модель для генерации музыки в формате MIDI по текстовому описанию, разработанная Shih-Lun Wu, Dave Carlton, Ryan Mikayawa, Yoon Kim, Chris Donahue и Cheng-Zhi Anna Huang при участии MIT, Hooktheory и CMU. Она основана на Llama 3.2 1B и дообучена для работы с текстом и MIDI-последовательностями; архитектура — LlamaForCausalLM с расширенным слоем эмбеддингов. Модель содержит около 1,3 млрд параметров по метаданным (в README приводится 1,4–1,47 млрд), использует словарь из 183 286 токенов, включая 55 030 токенов для MIDI-событий: времени начала нот, их длительности и сочетаний инструмента с высотой ноты. Принимая текстовое описание композиции, она генерирует MIDI-токены. Обучение включало музыкальные тексты, MIDI-файлы и пары MIDI с текстовыми описаниями; длина обучающих последовательностей составляла 2 048 токенов. Метаданные указывают нативный контекст 131 072 токена, но это значение отличается от длины последовательностей при обучении. Модель предназначена для создания музыкальных набросков и MIDI-композиций по текстовому запросу. Она оценивалась метриками FAD и CLAP на примерах LakhMIDI. Для использования нужны совместимый код и настройка инференса, описанные в связанном проекте. Модель распространяется по лицензии Llama 3.2 Community License; применяются её условия.

Это конвертированная в GGUF версия модели MT3 от Google Magenta, подготовленная для CrispStrobe/CrispASR и распространяемая по лицензии Apache-2.0. Модель на архитектуре типа T5 принимает аудиосигнал, обрабатываемый через log-mel спектрограмму, и преобразует его в последовательность MIDI-подобных событий нот. Она распознаёт несколько инструментов одновременно: события содержат номер программы General MIDI, а ударные выделяются в отдельный класс. Модель предназначена для транскрибирования музыкальных записей и экспорта результата в MIDI или JSON, включая отдельные дорожки для инструментов. В репозитории указаны веса GGUF F16 размером 96 МБ и проверка совпадения весов с эталонным PyTorch-экспортом. Реализация использует синусоидальные абсолютные позиции; runtime прекращает работу при несовместимой конфигурации внимания вместо незаметного перехода на относительные T5-позиции. Карточка не сообщает языковые требования, поэтому модель описывается как музыкальная транскрипция без привязки к естественному языку.

zelk12/MT3-GP-gemma-2-RPMHv0.1RAt0.25v0.1-9B — объединённая авторами модель на архитектуре Gemma 2 для генерации диалогового текста. Она создана методом SLERP с помощью mergekit на основе zelk12/recoilme-gemma-2-Ataraxy-9B-v0.1-t0.25 и zelk12/recoilme-gemma-2-psy10k-mental_healt-9B-v0.1. Модель содержит 9 млрд параметров, принимает текст и имеет контекстное окно до 8192 токенов. Модель предназначена для диалогов и генерации ответов с уклоном в психологию и психическое здоровье. Карточка не приводит результатов оценки качества или подробных рекомендаций по использованию в таких сценариях. Файлы доступны в формате Safetensors для библиотеки Transformers; лицензия в предоставленных данных не указана.

MuPT-v0-8192-190M — предварительно обученная модель семейства SMuPT для генерации символической музыки. Разработчики обучали модели SMuPT на крупном наборе символических музыкальных произведений разных жанров и стилей; README описывает миллионы монофонических и полифонических фрагментов. Вариант использует архитектуру Llama 2, а метаданные указывают класс LlamaForCausalLM и около 151,6 млн параметров. Модель предназначена для генерации мелодий, аккомпанемента и многодорожечных музыкальных последовательностей. Она принимает последовательность токенов как текстовый ввод и предсказывает продолжение; контекст составляет 8192 токена. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. README указывает, что описанный способ запуска основан на Megatron-LM и что поддержка формата Hugging Face планировалась; фактическая совместимость может зависеть от версии кода и формата чекпойнта.

MuPT-v1-8192-1.07B — авторегрессионная модель генерации символической музыки из серии MuPT, разработанной для работы с музыкальными последовательностями. Она основана на архитектуре LLaMA 2 и обучена на крупном наборе из миллионов монофонических и полифонических произведений разных жанров и стилей. Размер этой версии — около 1 млрд параметров, длина контекста — 8192 токена; метаданные указывают формат PyTorch и лицензию Apache-2.0. Модель предназначена для генерации музыкальных последовательностей, включая мелодии, аккомпанемент и многодорожечные композиции. README показывает постобработку результата в нотацию ABC; сама модель выдаёт текстовые токены музыкальной последовательности, а для прослушивания их требуется дополнительно преобразовать в аудио. В карточке приведены примеры запуска через Megatron-LM и REST-сервер. Модель специализируется на символической музыке, а не на непосредственном синтезе аудиозаписей. Качество зависит от корректного декодирования и постобработки последовательностей; для использования примеров из карточки требуются соответствующее окружение и чекпойнт.

MusicGen Melody — модель генерации музыки, разработанная командой FAIR в Meta AI. Эта версия семейства MusicGen предназначена для создания музыки по текстовому описанию с учётом входной мелодии. Она использует авторегрессионный Transformer и токенизатор EnCodec: аудио кодируется на частоте 32 кГц четырьмя кодбуками, которые модель предсказывает за один проход. В README указаны варианты MusicGen размером 300 млн, 1,5 млрд и 3,3 млрд параметров; размер именно этой сборки в метаданных не указан. Модель подходит для экспериментов с управляемой генерацией музыки и создания инструментальных музыкальных фрагментов по описанию и мелодическому ориентиру. Она не генерирует реалистичный вокал, может замолкать до завершения фрагмента и хуже следует описаниям на языках, отличных от английского. Качество зависит от музыкального стиля и культуры, представленных в обучающих данных; для удачного результата может потребоваться подбор формулировки запроса. Веса распространяются по лицензии CC BY-NC 4.0, поэтому коммерческое использование ими не разрешено.

MusicGen Stereo Medium — модель Meta AI (команда FAIR) для генерации музыки по текстовому описанию и аудиоподсказке. Это дообученная на 200 тысячах шагов стереофоническая версия монофонической MusicGen Medium размером 1,5 млрд параметров. Модель использует авторегрессионный Transformer и токенизатор EnCodec с частотой 32 кГц. Для стерео она генерирует потоки токенов для двух каналов, чередуя их с помощью схемы задержки. Модель предназначена прежде всего для исследований и экспериментов с управляемой генерацией музыки; веса распространяются по лицензии CC-BY-NC 4.0, которая запрещает коммерческое использование.

MusicGen Stereo Melody Large — модель Meta AI (команда FAIR) для генерации стереофонической музыки по текстовому описанию и аудиоподсказке с мелодией. Это версия MusicGen с 3,3 млрд параметров, дообученная в течение 200 тысяч обновлений на основе монофонических моделей. Архитектура включает авторегрессионный Transformer и аудиотокенизатор EnCodec; модель предсказывает аудиокоды для стереозвука и выдаёт музыку с частотой дискретизации 32 кГц. Модель подходит для создания музыкальных фрагментов по жанру, настроению или другим текстовым характеристикам, а также для генерации музыки, ориентированной на предоставленную мелодию. Она рассчитана прежде всего на исследование управляемой генерации музыки и эксперименты с музыкальными промптами. Модель не генерирует реалистичный вокал, может затихать до конца фрагмента и неодинаково справляется с разными стилями и музыкальными культурами. Она обучена на англоязычных описаниях, поэтому запросы на других языках могут работать хуже; для подходящего результата иногда требуется настройка промпта. Веса распространяются по лицензии CC-BY-NC 4.0, которая ограничивает коммерческое использование.

Navya-1b — базовая языковая модель семейства Navya, разработанная nav yam-ai и обученная с нуля для финансовых сценариев, ориентированных на Индию. Это плотная авторегрессионная модель семейства Llama с 337,6 млн параметров; она распространяется в формате Safetensors и рассчитана на контекст до 4096 токенов. Модель предназначена прежде всего для ответов на вопросы о личных финансах в индийском контексте. Обучающий корпус включает финансовые материалы, английский, хинди и Hinglish, а также другие индийские языки; используется собственный токенизатор на 64 тыс. токенов. Карточка указывает лицензию Apache-2.0. Модель не предназначена для предоставления инвестиционных рекомендаций; объем обучающих данных не раскрыт.

Модель разработана National Taiwan University и дообучена на основе BAAI/bge-small-zh-v1.5 методом Supervised SimCSE для сопоставления вакансий и кандидатов. Это компактная плотная BERT-модель с 27,6 млн параметров, предназначенная для оценки семантического сходства текстов на китайском языке; максимальная длина контекста — 512 токенов. Модель принимает текст и подходит для сравнения описаний вакансий с профилями и резюме кандидатов. Доступна в формате safetensors. Сведения о лицензии и конкретном наборе данных для дообучения в предоставленных материалах отсутствуют.

Philidor 142M — модель, разработанная billygeekourson и обученная с нуля для предсказания ходов в шахматах. Она принимает последовательность ходов в нотации UCI и генерирует следующий ход как языковая модель предсказывает следующее слово; представление доски и явно заданные правила игры не используются. Модель предназначена для выбора ходов в партиях и изучения закономерностей человеческой игры, а файл vocab_uci.json позволяет маскировать нелегальные ходы при выборе. Это decoder-only Transformer из 20 слоёв с шириной 768 и 12 головами внимания, загружаемый через Transformers как LlamaForCausalLM. Модель содержит 143,1 млн параметров, использует контекст длиной 256 ходов и обучена на 3,2 млрд ходов из публичных архивов Lichess. README сообщает о 98,85% легальных ходов при свободной генерации и согласии с человеческим ходом в 55,48% случаев на первой позиции. Модель не умеет продолжать игру из произвольной позиции FEN, а без маскирования примерно один ход из ста может быть нелегальным. Она не использует поиск или просмотр вариантов и заметно слабее движков с более высоким уровнем игры; эндшпили даются хуже дебютов. Лицензия — MIT.

SeongryongJung/Qwen3-4B-Materials-SRPO-TR — экспериментальный чекпойнт Qwen3-4B, обученный методом SRPO-TR на задаче Materials с размером обучающего батча 32. В репозитории размещён лучший по валидационному показателю mean@16 чекпойнт global_step_20; также доступен финальный чекпойнт после 100 шагов. Модель предназначена для генерации текста и рассуждений в сценариях материаловедческой задачи Materials. В README приведён лучший валидационный mean@16 76,46% и финальный 68,75%. Это результаты конкретного запуска, а не гарантия качества на других данных. Модель основана на Qwen3-4B, содержит около 3,7 млрд параметров, принимает текст и имеет контекст до 40 960 токенов. Для загрузки указан Transformers; лицензия — Apache-2.0.

Это плотная языковая модель Qwen3 с 3,7 млрд параметров, дообученная HYU-NLP-EVAL на базе Qwen/Qwen3-4B-Instruct-2507. Чекпойнт RaR-Medicine OnlineRubrics-Every dense, шаг 15, создан в рамках запуска phase1-online-rubrics-medicine-full-dense-20260919-seed11; в корне репозитория находится модель BF16 для инференса. Модель предназначена для генерации текста и диалоговых сценариев в медицинском контексте, связанных с проектом OnlineRubrics. Она использует архитектуру Qwen3ForCausalLM и поддерживает контекст до 262 144 токенов. README указывает на исследовательское применение; лицензия репозитория — Apache-2.0.

HYU-NLP-EVAL разработала плотную языковую модель Qwen3 с 3,7 млрд параметров, полученную дообучением Qwen/Qwen3-4B-Instruct-2507. Это чекпойнт шага 48 эксперимента RaR-Medicine OnlineRubrics-Every dense; он предназначен для генерации текста в диалоговом формате и инференса. Модель принимает текст и генерирует текст, поддерживает контекст до 262 144 токенов. Веса доступны в формате BF16 и safetensors; лицензия — Apache-2.0. Чекпойнт ориентирован на исследовательскую работу с рубриками OnlineRubrics для медицины. Карточка не описывает точный набор медицинских сценариев и не приводит оценки качества, поэтому пригодность для клинического применения не установлена. README обозначает модель как предназначенную только для исследований.

kowshiktg/recruiter-engine-minilm — англоязычная модель Sentence Transformer на основе sentence-transformers/all-MiniLM-L6-v2, дообученная на примерах из домена найма, связанных с данными кандидатов. Разработчик указан как kowshiktg; в README также упоминаются Redrob AI и конкурс Redrob как источник данных и авторского зачёта. Модель кодирует предложения и абзацы в плотные векторы размерностью 384 для семантического поиска, сравнения сходства, поиска перефразировок, классификации и кластеризации. Архитектура включает энкодер BERT, усредняющий pooling и нормализацию; в метаданных указано 25,9 млн параметров. Для использования описаны библиотека Sentence Transformers и текстовый ввод. README указывает максимальную длину последовательности 256 токенов, а метаданные — контекст 512 токенов. Обучающие данные содержат 8 500 примеров пар предложений с оценками сходства. Это делает модель подходящей для сопоставления текстов кандидатов и требований к вакансиям, однако карточка не приводит метрик качества или подробностей о составе и лицензии обучающих данных. Лицензия самой модели в предоставленных сведениях не указана.

Модель Google Reformer — языковая модель с архитектурой Reformer и 15,8 млн параметров, дообученная на английском переводе романа Фёдора Достоевского «Преступление и наказание». Она генерирует текст из небольших субсловных единиц и рассчитана на продолжение текста в стиле и тематике обучающего произведения. Для обучения использовалось около 0,5 млн токенов; длина контекста составляет до 524 288 токенов. Модель обучена во Flax, а затем преобразована в формат PyTorch для Hugging Face. Лицензия в предоставленных данных не указана.

Это англоязычная модель Sentence Transformers, дообученная anass1209 на базе sentence-transformers/all-MiniLM-L6-v2 для сопоставления резюме и вакансий. Она использует энкодер BERT с 25,9 млн параметров, mean pooling и нормализацией, преобразуя предложения и абзацы в плотные векторы размерности 384; сходство оценивается косинусной мерой. Метаданные указывают библиотеку sentence-transformers и контекст до 512 токенов, а карточка модели сообщает максимальную длину последовательности 256 токенов. Модель подходит для семантического поиска и сравнения текстов, отбора релевантных вакансий для резюме, поиска похожих резюме, кластеризации и извлечения признаков для классификации. В README приведена оценка Spearman cosine 0,6213 на задачах семантического сходства. Она предназначена для работы с текстом и не является генеративной моделью. Поддерживаемые языки и лицензия в предоставленных данных не указаны.

zoraizbinsamee/resume-job-matching-sbert — дообученный Sentence Transformer на базе sentence-transformers/all-MiniLM-L6-v2, предназначенный для сопоставления резюме и вакансий по смыслу. Разработчик дообучил модель на 4 457 парах текстов с оценками сходства; архитектура использует энкодер BERT, mean pooling и нормализацию векторов. Модель кодирует предложения и абзацы в плотные векторы размерности 384 для сравнения косинусной близости. Модель подходит для ранжирования вакансий по резюме, семантического поиска и сравнения текстов, а также для кластеризации и классификации текстов на основе эмбеддингов. README указывает максимальную длину последовательности 256 токенов, тогда как метаданные каталога сообщают нативный контекст 512 токенов; для сопоставления резюме и вакансий следует учитывать ограничение из карточки модели. По языку обучающих данных и базовой модели это англоязычная модель. Использование предполагает библиотеку Sentence Transformers. Лицензия в предоставленных данных не указана.

Rukh Medium — авторская GPT-декодерная модель, разработанная с нуля в рамках учебного курса по созданию шахматной языковой модели. Она предсказывает следующий ход в партии по истории ходов, записанных в UCI; вход также содержит рейтинговые категории игроков. Модель предназначена для игры в шахматы и может использоваться в браузерной демонстрации. Это плотная архитектура Rukh Move Decoder с 152,6 млн параметров, словарём из 2030 фиксированных токенов и контекстом до 200 ходов. Доступны веса Safetensors и варианты ONNX, в том числе FP16 и INT8. Карточка сообщает о точности предсказания следующего хода 54,4% и оценке силы около 1535 Elo; это результаты конкретных тестов, а не гарантированный рейтинг. Модель училась на партиях игроков рейтинга 1800 и выше с Lichess и воспроизводит их стиль игры, включая ошибки. Это языковая модель ходов, а не шахматный движок: у неё нет поиска вариантов и собственной оценки позиции, поэтому она может пропускать тактические угрозы. Без истории ходов, например при подаче одной позиции FEN, работает заметно слабее. Без маски допустимых ходов иногда предлагает нелегальные ходы, поэтому приложение должно фильтровать их. Лицензия — Apache-2.0.

Rukh Medium Elo — авторегрессионный декодер на основе GPT, разработанный с нуля в рамках учебного проекта Rukh. Модель размером около 152,6 млн параметров обучена предсказывать следующий ход в шахматной партии, записанной последовательностью ходов UCI. Она использует словарь из 2030 фиксированных токенов и контекст до 200 ходов; два начальных токена задают рейтинговые диапазоны белых и чёрных и влияют на стиль игры. Модель предназначена для пошагового продолжения шахматных партий и игры против пользователя. На карточке указаны точность предсказания следующего хода 54,9% и оценка силы около 1592 Elo с доверительным интервалом. Это модель последовательностей ходов, а не шахматный движок: у неё нет поиска вариантов и отдельного представления позиции, поэтому она может пропускать тактические угрозы и заметно слабее играет, если получает позицию без истории ходов. Без маскирования нелегальных ходов часть её предложений незаконна, поэтому приложение должно проверять ходы и маскировать нелегальные варианты. Модель распространяется под лицензией Apache-2.0.