IV.5Образование и развитие навыков

SciCore-Mol — исследовательская система на основе языковой модели, разработанная авторами из Пекинского университета, Университета Цинхуа и Нанкинского университета для работы с молекулярными данными и химическими задачами. В карточке Hugging Face представлена плотная модель Qwen3ForCausalLM на 7,6 млрд параметров с контекстом 40 960 токенов; в README описана архитектура с подключаемыми модулями: GVP-энкодером молекулярных структур, диффузионным генератором и Reaction Transformer для реакционных данных. Модули вызываются специальными токенами и объединяются со скрытыми состояниями LLM. Модель предназначена для генерации ответов в диалоговом формате и специализированных сценариев химии: предсказания продуктов реакций и выхода, ретросинтетического анализа, описания молекул, решения молекулярных задач и оценки ADMET при оптимизации лекарств. В README также перечислены проверки на химических подмножествах MMLU и наборах ChemBench4K, ORD и SMolInstruct. Метаданные указывают английский и китайский языки, формат весов Safetensors и лицензию Apache-2.0. Полная подготовка системы требует CUDA 12.1 и рекомендуется на восьми GPU A800/A100 с 80 ГБ памяти; это требование относится к обучению, а не обязательно к запуску готового чекпойнта.

Модель tanGGwa012/sd-class-butterflies-32 разработана как учебный проект курса Diffusion Models Class. Это диффузионная модель на базе DDPMPipeline из библиотеки Diffusers, предназначенная для безусловной генерации изображений милых бабочек. Её можно использовать для получения отдельных изображений без текстового запроса. Модель распространяется в формате Diffusers с весами Safetensors и лицензией MIT. Размер модели и поддерживаемые языки в карточке не указаны; поскольку модель создаёт изображения без текстового ввода, языковая поддержка к её назначению не относится.

SmolChessLM_6M_30Mg — компактная модель автора dlouapre для генерации шахматных ходов. Она построена на архитектуре Llama и использует 256-мерные скрытые представления, 8 голов внимания и 8 слоёв; модель содержит 6 млн параметров и обучена на 30 млн партий из базы Lichess. Для токенизации применяется отдельный токенизатор dlouapre/chess_tokenizer_pairs, разбивающий ходы на пары символов, например «WP» и «e2».

Fillmanu1 разработал тайскую GPT-2-модель, дообученную для генерации ответов на вопросы о животных. Обучение проводилось на 3 000 парах вопросов и ответов о животных, включая тайских слонов, кошек породы као мани, собак тайский бангкэу и розовых дельфинов; в README указана проверочная perplexity 5,75. Модель использует архитектуру GPT-2 и формат safetensors, поддерживает тайский язык и имеет контекст длиной 1 024 токена. Её можно применять для ответов на тематические вопросы о животных на тайском языке. Лицензия — MIT.

TinyLlama-3T-1.1bee — языковая модель BEE-spoke-data, дообученная на наборе данных BEE-spoke-data/bees-internal. Она предназначена для генерации текста по запросу, в том числе ответов и материалов о пчеловодстве и пчёлах. Модель построена на архитектуре Llama, содержит около 1 млрд параметров и имеет контекстное окно 2048 токенов. В метаданных указан английский язык. В README приведены результаты оценки: loss 2,1640, accuracy 0,5406, средний показатель Open LLM Leaderboard 36,46, а также результаты ARC и HellaSwag. Эти значения не гарантируют качество ответов в конкретных сценариях. Модель распространяется под лицензией Apache-2.0.

Модель nhuvo/umt5-base-en-vimedner-mt-en2vi разработана на основе google/umt5-base и дообучена для перевода биомедицинских текстов с английского на вьетнамский на датасете En-ViMedNER. Это модель кодировщик-декодер семейства UMT5 с 296 млн параметров, предназначенная для запуска через библиотеку Transformers; веса опубликованы в формате safetensors. Подходит для перевода англоязычных биомедицинских материалов на вьетнамский, включая текст из области распознавания медицинских сущностей. Лицензия — Apache-2.0.

FarmerlineML обучила эту модель полным дообучением VoxCPM2 на речевых данных языка акан, вариант асанте-тви. Модель предназначена для синтеза речи из текста и разработана для голосового сельскохозяйственного помощника Darli AI. Для привязки к голосу при генерации требуется эталонная аудиозапись; наилучшие результаты ожидаются с голосом носителя акан или тви. В README также рекомендуются ограничение длины генерации, чтобы снизить риск галлюцинаций после конца предложения, и обрезка примерно двух секунд тишины после синтеза. Веса опубликованы в формате safetensors, лицензия — Apache-2.0.

XuanTruong03/ai-recruitment-embedder-v3 — модель Sentence Transformers на базе RoBERTa, дообученная командой XuanTruong03 на keepitreal/vietnamese-sbert для сопоставления предложений и абзацев. Она преобразует текст в плотные эмбеддинги размерности 768 и предназначена для семантического поиска, извлечения и сравнения текстов; близость векторов можно оценивать косинусным сходством. В карточке показан пример данных по подбору персонала, поэтому модель подходит для поиска и ранжирования сходных описаний вакансий и профилей кандидатов в рекрутинговых системах. Модель ориентирована на вьетнамский язык. Максимальная длина последовательности — 256 токенов по README; метаданные каталога указывают контекст 258 токенов. По внутренней оценке на InDomain_Val достигнута корреляция Спирмена 0,5652 для косинусного сходства. Лицензия в предоставленных данных не указана.

Atlantis-Pyramid 14B (Glyph) — языковая модель Coralfil OS, дообученная на базе Qwen/Qwen2.5-14B-Instruct для задач морской науки. Это плотная причинно-авторегрессионная архитектура Qwen2 с 14 млрд параметров; модель принимает текст и генерирует текст в диалоговом формате. Контекст модели — до 32 768 токенов, хотя в описании обучения указана максимальная длина последовательности 2048 токенов. Модель предназначена для ответов на вопросы по морской биологии, анализа коралловых рифов, подбора параметров аквакультуры, интерпретации океанографических данных и оценки экологических требований. Она дообучена методом SFT с LoRA, адаптеры обучались в 4-битном режиме и затем были объединены с базовой моделью. Поддерживаемый язык карточки — английский. Лицензия — Apache-2.0. Специализация на морской тематике может снижать качество на задачах вне этой области по сравнению с базовой моделью. Ответы для важных решений следует проверять с экспертами; модель не предназначена для медицинских или критически важных задач.

Doctor-Chad — диалоговая языковая модель, опубликованная Xennon-BD. Она основана на архитектуре Qwen2 и предназначена для генерации текста в ответ на текстовые запросы; метаданные связывают её с медициной и биологией, а также с набором данных avaliev/chat_doctor. Модель содержит 494 млн параметров, работает через Transformers и поддерживает контекст до 131 072 токенов. Модель подходит для диалоговых ответов и генерации текста на медицинские темы, а карточка показывает пример обычного продолжения текстового запроса. В метаданных указан английский язык. Медицинская специализация отражена тегами и обучающим набором, однако карточка не приводит оценки клинической точности или сведения о проверке ответов. Модель распространяется по лицензии MIT.

ether0 — специализированная языковая модель FutureHouse на 23,4 млрд параметров, созданная дообучением и обучением с подкреплением модели Mistral-Small-24B-Instruct-2501. Она принимает вопросы на английском языке, в том числе с молекулами в формате SMILES, рассуждает на естественном языке и выдаёт молекулярные структуры SMILES. Контекст модели — 32 768 токенов; репозиторий содержит веса safetensors. Модель предназначена для задач химического рассуждения, где ответом служит молекула, включая предсказание продуктов реакций, описание молекул и прогнозирование их классификации по GHS. Это не универсальный чат-бот. Лучше подавать структуры в SMILES: поддержка названий IUPAC ограничена, а обычные названия молекул могут приводить к ошибочной интерпретации. У модели также слабые общие знания по химии и учебным материалам. По карточке, она обучена отказывать в запросах о ряде опасных соединений и вредоносных темах. Лицензия — Apache 2.0.

Fermata-0.2B-v1 — разработанная haster модель для генерации символической музыки. Это дообученный на инструкциях декодерный Transformer семейства Llama с 201,4 млн параметров, 17 слоями и контекстом 4096 токенов. Модель принимает структурированный заголовок с жанром, составом ансамбля, темпом, тональностью, размером и планом инструментов и генерирует многодорожечную партитуру; также умеет продолжать музыкальный фрагмент и заполнять пропущенные такты. Музыкальные данные представлены в пользовательском формате bar-major REMI+: дорожки чередуются по тактам, а ноты ударных кодируются через General MIDI. Весы доступны в формате safetensors и раскладке LlamaForCausalLM для Transformers и vLLM, но штатный AutoTokenizer не подходит: кодирование и преобразование в MusicXML или MIDI выполняются через проектный конвейер. По README, длинные композиции создаются продолжением последовательных окон, что может приводить к смене настроения на стыках; также отмечены повышенная диссонантность и ошибка сдвига нот ударных на один GM-номер. Лицензия — Apache-2.0.

Hulu-Med-7B — медицинская мультимодальная модель с открытыми весами, разработанная авторами проекта Hulu-Med. Она построена на базе Qwen2.5-7B и предназначена для совместного анализа медицинского текста, изображений и видео, включая 2D- и 3D-данные. По метаданным, модель содержит 7,1 млрд параметров, использует архитектуру HulumedQwen2ForCausalLM и поддерживает контекст до 32 768 токенов. Модель рассчитана на ответы на вопросы по медицинским изображениям, генерацию медицинских отчётов, клинический диалог, медицинские рассуждения, распознавание хирургических этапов и диагностические сценарии. Разработчики сообщают об обучении на публичных данных и оценке на медицинских бенчмарках; корпус охватывает 12 анатомических систем и 14 методов медицинской визуализации. Для запуска предусмотрена интеграция с Transformers. Веса опубликованы под лицензией Apache 2.0. Модель предназначена для медицинских задач, однако README не приводит клинических гарантий или подтверждения пригодности для принятия медицинских решений; выводы следует проверять специалистом.

HumanChess Beginner 650-750 Blitz — модель политики ходов в шахматах, разработанная авторами HumanChess и обученная методом имитации на партиях Lichess Blitz игроков с рейтингом примерно 650–750. CNN-архитектура принимает тензор позиции размером 19 × 8 × 8 и выдаёт оценки фиксированного словаря ходов; при инференсе незаконные ходы маскируются, поэтому результатом становится распределение по допустимым ходам. Модель предназначена для генерации ходов начинающего уровня с поведением, похожим на человеческую игру, а не для поиска сильнейших ходов. В репозитории есть контрольная точка PyTorch FP32 и варианты TorchScript в FP32 и статической INT8-квантизации. INT8-вариант компактнее и быстрее на процессорах x86, но уступает FP32 по точности. Модель подходит для экспериментов с предсказанием ходов, учебных инструментов, любительских шахматных ботов и сравнений моделей. Лицензия — MIT. Это политика без поиска и без value head: она не оценивает позицию и не является тактическим оракулом. Качество ограничено обучающими данными; заявленный авторами ориентир «уровень около 300» — не калиброванный рейтинг какой-либо шахматной платформы. В описании также отмечено, что отдельные стратегические планы могут выглядеть неудачно, несмотря на фильтрацию незаконных ходов.

lfm25-strudel — это компактная языковая модель на базе LiquidAI/LFM2.5-350M, дообученная с помощью LoRA и объединённая с базовыми весами для генерации музыкальных паттернов на языке live-кодинга Strudel.cc. Она принимает текстовые подсказки и выдаёт текстовый код Strudel, например описание желаемого музыкального стиля в виде комментария к паттерну. Модель использует плотную архитектуру LFM2 и содержит 444,6 млн параметров; нативная длина контекста — 128 000 токенов. Доступны объединённые веса MLX, исходные LoRA-адаптеры и экспорты ONNX в FP32, BF16 и FP8. Модель предназначена для создания и редактирования музыкальных паттернов в Strudel по запросу на естественном языке. В карточке указан английский и другие языки, включая арабский, китайский, французский, немецкий, японский, корейский, испанский и португальский; оптимизация для конкретного языка отдельно не заявлена. MLX-веса рассчитаны на запуск через mlx-lm, а ONNX-графы можно применять в других средах, поддерживающих нужные типы данных. ONNX-варианты выполняют полный прямой проход без KV-кэша, поэтому последовательная генерация может быть менее эффективной; поддержку BF16 и FP8 следует проверять для целевой среды. Лицензия указана как other, поэтому условия использования нужно сверить с карточкой модели и базовой модели.

EngTig/llama-2-7b-Arabic-medical — языковая модель семейства Llama, дообученная EngTig на собственном наборе данных на арабском языке. Она предназначена для генерации текста и может использоваться в сценариях, связанных с медицинской тематикой, например для подготовки черновиков ответов на вопросы. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст, формируя текстовый ответ; максимальная длина контекста — 4096 токенов. В метаданных указаны арабский и английский языки. Карточка не приводит результаты оценки качества, состав и охват медицинских данных или сведения о проверке ответов. Поэтому пригодность для клинических решений не подтверждена; медицинские ответы следует проверять специалистом. Лицензия в предоставленных данных не указана.

cxllin/Llama2-7b-med-v1 — медицинская языковая модель, опубликованная Коллином Хинаном и дообученная на базе Llama 2 7B. Она предназначена для ответов на медицинские вопросы и генерации медицинского текста, включая краткие изложения. Модель использует плотную трансформерную архитектуру LlamaForCausalLM, содержит 6,6 млрд параметров и поддерживает контекст до 4096 токенов. Основной язык — английский; модель работает с текстом и выдаёт текст. Среди возможных сценариев — ответы на вопросы по медицинским темам, медицинский чат-бот и извлечение информации из медицинских документов. Обучение проводилось на датасете cxllin/medinstruct объёмом 10,2 тыс. примеров, посвящённых вопросам и ответам из медицинских экзаменов. Модель распространяется по лицензии Apache-2.0. Она может воспроизводить предвзятость данных и выдавать неточную медицинскую информацию; ответы требуют проверки специалистом, и модель не предназначена для постановки окончательных диагнозов или применения в критически важных медицинских системах без строгой валидации.

Llama3.1-Aloe-Beta-8B — медицинская языковая модель, разработанная HPAI путём дообучения Meta Llama 3.1 8B. Это плотный авторегрессионный трансформер с 7,5 млрд параметров и контекстом до 131 072 токенов. Модель предназначена для вопросов и ответов в медицинской тематике и охватывает задачи вроде объяснения, суммаризации, классификации, диагностики и рекомендаций по лечению; также поддерживает диалог и интерфейс вызова функций. Обучение включает 1,8 млрд токенов медицинских и общих данных, а карточка указывает английский язык. Модель может помогать в исследовательских сценариях, например при анализе медицинских вопросов или подготовке черновых объяснений, но её нельзя использовать для клинической практики, диагностики или прямых и косвенных медицинских рекомендаций. Она может ошибаться, выдавать токсичный контент и воспроизводить нежелательные предубеждения. Изменения Aloe распространяются по лицензии CC-BY-NC-4.0 для некоммерческого использования; базовая модель основана на Llama 3.1 и имеет отдельные условия Meta Llama 3 License.

Med-PRM-Reward v1.0 — модель оценки промежуточных шагов рассуждения (Process Reward Model), созданная dmis-lab для медицинских задач. Она использует клинические знания, получаемые через retrieval-augmented generation (RAG), чтобы проверять решения по шагам и оценивать их в ходе сложного медицинского рассуждения. Модель предназначена для масштабирования вычислений на этапе вывода: она помогает отбирать и проверять варианты ответа на медицинские вопросы. В карточке описаны оценки на семи медицинских бенчмарках; в экспериментах сравнивались 64 решения на вопрос. Авторы сообщают, что система на базе llama-3-meerkat-8b-v1.0 превысила 80 баллов на MedQA с четырьмя вариантами ответа. Модель основана на плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Она распространяется в формате Safetensors и лицензирована по MIT. Карточка не уточняет поддерживаемые естественные языки, конкретный формат оценок или клиническую валидацию для практического применения. Результаты приведены для бенчмарков и не заменяют профессиональную медицинскую оценку.

Llama-3.1-Minitaur-8B — языковая модель, опубликованная Marcel Binz; это уменьшенная версия Llama-3.1-Centaur-70B, обученная на Psych-101. Модель предназначена для прогнозирования и симуляции поведения людей в психологических экспериментах, описанных на естественном языке, а также для исследовательских задач по моделированию познания. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров. Контекст — до 131 072 токенов; опубликованные веса хранятся в формате safetensors. Базовая модель — Meta-Llama-3.1-8B. Данные карточки указывают на обучение на Psych-101; отдельные показатели качества Minitaur в найденных источниках не приводятся. Модель принимает текст и генерирует текст. Лицензия указана как Llama 3.1; её условия следует проверять перед использованием и соблюдать ограничения лицензии Meta.

shanchen/llama3-8B-slerp-biomed-chat-chinese — диалоговая языковая модель на архитектуре Llama, созданная автором репозитория слиянием методом Slerp двух моделей: shanchen/llama3-8B-slerp-med-chinese и shenzhi-wang/Llama3-8B-Chinese-Chat. Модель содержит 7,5 млрд параметров и рассчитана на генерацию текста в формате чата; в карточке заявлены китайский и английский языки. Контекстное окно составляет 8192 токена. Модель может использоваться для диалогов и генерации ответов на китайском или английском языках, в том числе по биомедицинской тематике, исходя из названия одной из объединённых моделей. Слияние сочетает медицински ориентированную модель с китайской чат-моделью, однако README не приводит сравнительных оценок качества или подробных гарантий медицинской точности. Для использования действует лицензия Llama 3.

OpenBioLLM-8B — специализированная медицинская языковая модель, разработанная Анкитом Палом и Aaditya Ura из Saama AI Labs. Она основана на Meta-Llama-3-8B и дообучена на биомедицинских текстах, медицинских инструкциях и данных предпочтений с применением DPO. Модель содержит около 7,5 млрд параметров, использует плотную архитектуру Llama и контекст до 8192 токенов. Модель предназначена для генерации ответов на медицинские и биомедицинские вопросы, суммаризации клинических записей и работы с медицинской терминологией. Карточка описывает результаты на биомедицинских бенчмарках и примеры извлечения клинических сущностей; это возможности генеративной модели, а не отдельные подтверждённые pipeline-задачи. Основной язык модели — английский. Для работы следует использовать шаблон чата Llama 3 Instruct; ответы иногда бывают многословными. Модель распространяется по лицензии Meta Llama 3. Это языковая модель для медицинского домена, поэтому её ответы могут содержать ошибки и не должны восприниматься как подтверждённые медицинские рекомендации.

arcee-ai/Llama-3-Medical-JSL-WiNGPT2-SLERP — объединённая языковая модель на архитектуре Llama 3, созданная методом SLERP с помощью mergekit из johnsnowlabs/JSL-MedLlama-3-8B-v1.0 и winninghealth/WiNGPT2-Llama-3-8B-Base. Она предназначена для генерации текста, в частности ответов на медицинские вопросы; базовые модели ориентированы на китайский и английский языки. Модель содержит 7,5 млрд параметров, принимает текст и поддерживает контекст до 8192 токенов. Модель распространяется в формате safetensors. Карточка не содержит сведений о лицензии и не приводит отдельных оценок качества. Ответы по медицинским вопросам следует проверять у квалифицированного специалиста.

LLaVA-Med — исследовательская модель компьютерного зрения и языка для биомедицины, разработанная Chunyuan Li, Cliff Wong и соавторами. Это плотная архитектура LLaVA на базе LLaMA с 6,6 млрд параметров, дообученная в два этапа: на согласование биомедицинских понятий и затем на выполнение инструкций. Репозиторий содержит delta-веса: их нельзя использовать самостоятельно, для получения рабочих весов LLaVA-Med их нужно применить к исходным весам LLaMA. Модель предназначена для исследований в области биомедицинских визуально-языковых систем: она принимает изображения и текстовые запросы и формирует текстовые ответы, в том числе для визуальных вопросов и открытых вопросов о биомедицинских изображениях. В обучающих данных PMC-15M представлены изображения микроскопии, рентгенографии, гистологии и других типов. Карточка описывает оценку на наборах PathVQA, VQA-RAD и других исследовательских задачах. Модель обучалась на англоязычных корпусах и может быть ограничена английским языком. Она может ошибаться, а данные обучения могут отражать смещения научных публикаций. Модель не предназначена для клинической помощи или принятия медицинских решений. Использование ограничено исследовательскими и некоммерческими целями; также применяются ограничения лицензий базовых LLaMA, Vicuna и GPT-4, а данные распространяются по CC BY-NC 4.0.

Lythri-7B-A4B — разговорная языковая модель семейства Lythri от разработчика Lythri, созданная для локального использования на ноутбуках и телефонах и ориентированная на эмоциональную поддержку и общение. Это дообученная на базе google/gemma-4-E4B модель архитектуры Gemma 4 с 7,46 млрд общих и 4,5 млрд активных параметров; репозиторий содержит веса Safetensors. Модель поддерживает многоходовые диалоги и предназначена для генерации текстовых ответов. Модель подходит для сочувственного общения, обсуждения эмоций и повседневной эмоциональной поддержки. Для таких сценариев автор рекомендует использовать системный промпт; без него качество может быть ниже. Lythri оптимизирована для диалога и понимания эмоций, поэтому не предназначена для сложной математики, программирования или рассуждений. Ответы могут быть неточными или неуместными, а модель не заменяет профессиональную помощь в области психического здоровья. Лицензия — Apache-2.0.

Magenta Community Magenta RealTime 2 Small — компактная версия потоковой модели генерации музыки в реальном времени. Это PyTorch-реализация семейства Magenta RealTime 2, совместимая с Transformers; архитектура включает авторегрессионный декодер Depthformer, аудиокодек SpectroStream и кодировщик стиля MusicCoCa. Веса происходят от google/magenta-realtime-2 и, согласно карточке, численно совпадают с исходным чекпойнтом. Модель создаёт аудио по текстовому описанию стиля и поддерживает непрерывную генерацию: состояние передаётся между вызовами, а стиль можно менять прямо во время потока. Она предназначена для интерактивного создания инструментальной музыки, музыкальных джемов и живого управления генерацией. Для работы нужны PyTorch и Transformers; ускорение до реального времени зависит от доступного GPU и настройки компиляции. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. README описывает генерацию аудио и аудиоконтекст базовой модели, однако не приводит отдельной оценки качества или ограничений именно малой версии.

medBERT-base — англоязычная BERT-модель, разработанная автором репозитория на основе google-bert/bert-base-uncased и дообученная на наборе gayanin/pubmed-gastro-maskfilling. Она предсказывает скрытые токены в медицинских текстах, включая материалы по гастроэнтерологии, и подходит для заполнения пропусков, изучения контекстного употребления терминов и дальнейшего дообучения на медицинских корпусах. Модель использует архитектуру BERT с WordPiece-токенизатором, содержит 136,7 млн параметров и обрабатывает последовательности длиной до 512 токенов. Распространяется по лицензии Apache-2.0.

Модель dima806/medicinal_plants_image_detection — дообученный Vision Transformer для определения вида индийского лекарственного растения по изображению растения или листа. Она создана на основе google/vit-base-patch16-224-in21k и предназначена для классификации изображений в сценариях распознавания лекарственных растений. Модель содержит 113,2 млн параметров и доступна в форматах PyTorch и Safetensors. Репозиторий распространяется по лицензии Apache-2.0. Карточка не описывает набор классов и точность распознавания.

Minbyul/meditron-7b-wo-kqa_golden-sft — дообученная модель генерации текста на базе медицинской языковой модели Meditron-7B. Она создана на основе epfl-llm/meditron-7b с использованием набора HuggingFaceH4/deita-10k-v0-sft; в README приведено значение loss 0,8405 на наборе оценки. Модель построена на плотной архитектуре Llama с классом LlamaForCausalLM, содержит 6,6 млрд параметров и имеет контекст до 2048 токенов. Модель подходит для генерации ответов на медицинские вопросы и других текстовых запросов в медицинском контексте. Базовая Meditron-7B описана как англоязычная модель для экспериментов с ответами на медицинские вопросы, поэтому английский — основной язык модели. Данных о дополнительных языках и конкретных ограничениях этой версии в карточке нет. Лицензия — Llama 2.

Карточка модели X-D-Lab/MindChat-Qwen2-4B на Hugging Face совпадает с карточкой X-D-Lab/MindChat-Qwen-7B-v2, поэтому описание составлено по ней. MindChat-Qwen-7B-v2 — китайскоязычная диалоговая модель для психологической поддержки, разработанная командой X-D Lab Восточно-Китайского университета науки и технологий. Она дообучена на базе Qwen-7B на корпусе примерно из 200 тысяч многоходовых психологических диалогов и предназначена для поддерживающих бесед, обсуждения повседневных трудностей и психологической оценки. В версии v2 добавлена оценка пяти аспектов: ипохондрии, соматической тревожности, интереса к работе и учёбе, чувства вины и суицидальных мыслей. Модель использует плотную архитектуру Qwen и содержит 11,4 млрд параметров; заявленная длина контекста — 8192 токена. Она работает с текстовыми диалогами на китайском языке и генерирует текстовые ответы. README описывает примеры бесед об учёбе, семье, работе, дружбе и безопасности, но предупреждает, что модель может ошибаться и выдавать вредные или оскорбительные ответы. Она не заменяет психолога или психиатра и не подходит как единственная опора для решений в критических ситуациях. Репозиторий указывает лицензию GPL-3.0; для коммерческого использования авторы предлагают связаться с командой.