IV.5Образование и развитие навыков

Это плотная языковая модель Qwen3 с 3,7 млрд параметров, полученная дообучением Qwen/Qwen3-4B-Instruct-2507. Чекпойнт RaR-Medicine OnlineRubrics-Every, step 6, создан в рамках запуска phase1-online-rubrics-medicine-full-dense-20260919-seed11; в корне репозитория размещена BF16-версия для инференса, а в original_checkpoint — файлы исходного veRL-чекпойнта с параметрами модели. Модель предназначена для генерации текста и диалогового взаимодействия в медицинском сценарии OnlineRubrics. Она принимает текст и выдаёт текст; архитектура — Qwen3ForCausalLM, поддерживается контекст до 262 144 токенов. Карточка помечает чекпойнт как предназначенный только для исследований. Лицензия — Apache-2.0.

Модель dlepighe1/resume-jd-matcher-mpnet — дообученная версия sentence-transformers/all-mpnet-base-v2 от автора репозитория dlepighe1. Она кодирует резюме и описания вакансий в векторы и предназначена для оценки их семантического соответствия по шкале от 0 до 1. Модель содержит 136,7 млн параметров, использует архитектуру MPNet и принимает текст длиной до 514 токенов. Обучение проводилось на подобранных парах резюме и вакансий с комбинированной функцией потерь CoSENT и CosineSimilarity; оценка дополнительно калибруется методом Platt scaling. На тесте из 106 пар, не пересекавшихся с обучающими данными, автор сообщает корреляцию Спирмена 0,8163 и MAE 0,127. Модель может помогать сортировать вакансии по соответствию резюме или находить подходящих кандидатов для вакансии. Метки соответствия синтетические и отражают заданную авторами рубрику, а не реальные решения рекрутеров или результаты найма. Тестовая выборка небольшая, а модель не проверялась для автоматизированного принятия решений о найме. Лицензия — Apache-2.0.

SipanGPT 0.2 — дообученная Jhan Gómez P. модель для ответов на вопросы об Университете Señor de Sipán в регионе Ламбаеке, Перу. Она основана на unsloth/Meta-Llama-3.2-1B-Instruct и использует архитектуру LlamaForCausalLM с 1,2 млрд параметров; модель предназначена для диалоговой генерации текста. Репозиторий содержит веса GGUF в вариантах F16, Q4_K_M, Q5_K_M и Q8_0, а также формат PyTorch. Заявленная длина контекста — 131 072 токена. Модель обучена на 5 400 диалогах и рассчитана прежде всего на испаноязычные вопросы о вузе и связанных с ним сведениях. Автор отмечает, что модель часто галлюцинирует, поэтому ответы следует проверять. Лицензия — Apache-2.0.

Cipher-AI/Substitution-Cipher-Alphabet-Eng — дообученная Cipher-AI модель на базе Google T5-Base для восстановления ключа моноалфавитного шифра простой замены в английском тексте. Она принимает шифротекст и генерирует алфавит соответствий, который можно использовать для расшифровки исходного сообщения. Модель построена на архитектуре T5 с 123,8 млн параметров и работает в формате преобразования текста в текст; заявленная длина контекста — 512 токенов. Модель предназначена для криптографических задач с английскими предложениями, зашифрованными простой заменой букв. Она использует статистические и языковые закономерности английского для оценки соответствий, поэтому качество может снижаться на коротких или нетипичных сообщениях, а также при других видах шифрования. Доступна по лицензии Apache-2.0.

Thai GPT-2 Fine-Tuned — генеративная языковая модель на базе GPT-2, дообученная пользователем Wachirawit2005 для ответов на вопросы на тайском языке. Модель ориентирована на задачи вопросно-ответного взаимодействия по тематике заболеваний животных и обучена на наборе данных disease_3000, содержащем 3 000 пар вопросов и ответов о животных. Модель использует текстовую модальность, поддерживает тайский язык и предназначена для генерации ответов в формате text-generation. Максимальная длина контекста составляет 1 024 токена. Лицензия MIT разрешает использование, модификацию и распространение с соблюдением условий лицензии. Модель может быть полезна для создания прототипов тайскоязычных справочных систем по заболеваниям животных и генерации ответов на типовые вопросы. При этом README не содержит результатов оценки, подробностей архитектуры и обучения, поэтому надежность ответов, полнота знаний и пригодность для практической ветеринарной диагностики не подтверждены.

Tiny Qwen3 30M — компактная причинная языковая модель на 29,6 млн параметров, созданная автором репозитория с нуля на основе архитектуры Qwen3. Она предназначена для обучения и экспериментов с токенизаторами, предварительным обучением и генерацией текста в экосистеме Hugging Face. Это базовая модель без дообучения для инструкций и диалогов. Модель обучена на синтетических коротких рассказах TinyStories на английском языке с помощью предсказания следующего токена. Токенизатор byte-level BPE обучен отдельно на этом датасете; его словарь содержит 8192 токена. Контекст — до 1024 токенов, а при обучении использовались последовательности по 512 токенов. Модель может служить учебным примером для генерации коротких историй, но из-за малого размера и узких обучающих данных обладает ограниченными знаниями и слабо подходит для рассуждений и многоязычных задач. Условия лицензии в предоставленных данных не указаны.

TunesFormer — трансформерная языковая модель на основе GPT-2, разработанная Sander Wood по работе Wu et al. для генерации мелодий в нотации ABC с заданной музыкальной формой. Управляющие коды позволяют задавать число разделов, количество тактов в разделе и степень сходства между разделами. Версия в этом репозитории использует архитектуру GPT-2; в статье также описан вариант с двумя декодерами, для которого авторы предлагают обратиться к официальному репозиторию кода. Модель обучена на 214 122 ирландских мелодиях из набора IrishMAN. Метод bar patching сокращает длину последовательности и время генерации. Модель предназначена для создания и варьирования традиционных ирландских мелодий; вход и выход представлены текстом в нотации ABC, а метаданные указывают контекст до 1024 токенов. Лицензия — MIT. Для корректной работы требуется формат ABC, соответствующий стандарту; некорректная нотация может привести к непредсказуемой генерации. README описывает обучающую выборку как преимущественно мелодии без естественно-языковых полей, поэтому не следует рассчитывать на генерацию текстовых песенных куплетов.

UniMedVL — медицинская мультимодальная модель для анализа и генерации изображений и текста, представленная авторами работы UniMedVL. В README описана архитектура с двумя энкодерами и MOT, а метаданные указывают семейство Qwen2, плотную архитектуру и 7,1 млрд параметров; размер в README расходится с этим значением. Контекст составляет 32 768 токенов, модель работает через Transformers и распространяется в формате Safetensors по лицензии Apache 2.0. Модель предназначена для визуальных вопросов и ответов по медицинским изображениям, создания медицинских отчётов, синтеза изображений по тексту, межмодального преобразования и виртуального окрашивания. README заявляет поддержку рентгеновских снимков, КТ, МРТ, УЗИ, гистопатологии, глазного дна, OCT и эндоскопии, а также генерацию изображений, отчётов и аннотаций. Карточка приводит результаты на наборах медицинского VQA и генерации, но не содержит полного описания интерфейсов и ограничений по отдельным задачам. Модель не следует использовать для клинической диагностики или выбора лечения; README позиционирует её для исследовательского использования.

Модель ShadNygren/BioTechFineTuneTest-DrugAdverseEffects-SIDERv1_then_v2 разработана ShadNygren и дообучена на основе ShadNygren/BioTechFineTuneTest-DrugAdverseEffects-SIDERv1. Это плотная причинно-языковая модель семейства Llama объёмом 7,5 млрд параметров для генерации текста; в названии указана тематика побочных эффектов лекарств и датасета SIDER, однако README не уточняет конкретные сценарии обучения или проверенные возможности. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 8192 токенов. Обучение проводилось с использованием Unsloth и Hugging Face TRL. Лицензия — Apache-2.0.

Chaturanga Nano — компактная языковая модель для игры в шахматы, разработанная автором репозитория DireDreadlord и основанная на Supra2-Medium-Base. Это дообученная плотная модель архитектуры Qwen3 с 25,4 млн параметров и контекстом 1024 токена; веса доступны в формате Safetensors. Модель генерирует шахматные ходы на естественном языке и в стандартной алгебраической нотации SAN, преимущественно корректные и легальные. Модель предназначена для экспериментальной игры в шахматы и запуска на потребительском компьютере, включая ноутбуки с CPU или GPU. Она дообучена на примерно 200 000 примерах набора chessllm и опубликована по лицензии Apache-2.0. Карточка описывает англоязычные данные и использование, поэтому английский — основной язык модели.

ChessLC0 — шахматная модель BT4, связанная с нейросетевым движком LeelaChessZero; автор карточки — Maxlegrec. Это трансформер с 15 слоями, размером скрытого состояния 1024, размером feed-forward слоя 1536, 32 головами внимания и словарём из 1858 шахматных ходов. Модель предназначена для выбора следующего хода по истории партии, оценки позиции и вычисления вероятностей ходов. Для корректной работы ей нужна история как минимум из семи предыдущих позиций, представленная последовательностью ходов UCI. Модель может служить эвристикой для выбора хода без поиска или использоваться в экспериментах с шахматными движками. Автор отмечает, что она значительно слабее Stockfish, хотя называет её одной из сильных эвристик без поиска; уменьшение температуры рекомендуется для более сильной игры. Репозиторий содержит веса safetensors, библиотека — Transformers. Лицензия — MIT.

Chess Transformer 437M FT3h — это дообученная трансформерная модель avewright для выбора ходов в шахматах. Она предсказывает политику ходов и трёхклассовую оценку позиции; для игры автор рекомендует выбирать допустимый ход с максимальной вероятностью без MCTS. Модель содержит 437 млн параметров и использует 18 слоёв, 20 голов внимания, специализированное кодирование шахматной доски и компактный словарь из 1968 ходов. В тестах проекта её рейтинг оценён примерно в 1950 Elo против Stockfish при заданных настройках; это оценка, а не гарантия силы в других условиях. Модель обучалась на мягких оценках Stockfish и Lichess, а также на метках лучших ходов Stockfish. Для загрузки нужны реализация ChessTransformer из репозитория автора и компактная версия словаря ходов. В метаданных указана лицензия MIT.

ablam/distilgpt2_fine_tuned_gcode — компактная авторегрессионная языковая модель семейства GPT-2, созданная дообучением congcongwang/distilgpt2_fine_tuned_coder. Она предназначена для генерации текста, связанного с G-code, и может использоваться для продолжения или создания фрагментов управляющих программ по текстовому запросу. Модель основана на DistilGPT-2 и работает с текстом; заявленная длина контекста составляет 1024 токена. В README приведена оценка loss 4,1670 на тестовой выборке, но подробности датасета, методики оценки и практических ограничений не раскрыты. Модель опубликована в формате PyTorch; лицензия в предоставленных данных не указана.

effeffIX Concept Diffusion — дообученная модель Stable Diffusion от zuleo для генерации изображений по текстовым запросам. Она основана на F222 и обучена на концепт-арте из высококачественной ролевой игры; для активации описанного стиля в примерах используется токен «effeff9». Модель предназначена для создания художественных изображений персонажей и сцен в этом стиле. В примерах использования применяется StableDiffusionPipeline из библиотеки Diffusers. Для стиля характерны увеличенные, преувеличенные рукава и кисти; автор предлагает настраивать их выраженность с помощью отрицательного промпта. Модель распространяется по лицензии CreativeML OpenRAIL-M: коммерческое использование и распространение весов разрешены при соблюдении ограничений лицензии, включая запрет на намеренную генерацию или распространение незаконного и вредоносного контента и передачу тех же ограничений пользователям.

Yntec/Gacha — модель генерации изображений по текстовому описанию, основанная на Yntec/GameIcons3D и предназначенная для создания стилизованных игровых изображений. В карточке приведены примеры еды с тематическим оформлением и персонажей в стиле чиби; метаданные указывают на применение для генерации игровых изображений и логотипов. Модель использует библиотеку diffusers и формат safetensors. Модель распространяется по лицензии creativeml-openrail-m. README описывает её как модель с механикой гача, однако не уточняет, как именно эта механика реализована. Характеристики базовой модели указывают на генерацию стилизованных 3D-подобных игровых иконок и предметов; размер и контекст для этой модели в предоставленных данных не указаны.

Hulu-Med-Flash-Preview-27B — медицинская мультимодальная модель семейства Qwen3.5, разработанная командой ZJU-AI4H. Она предназначена для диалогов и анализа медицинских текстов, изображений и видеоматериалов: отвечает на вопросы по снимкам, помогает формировать медицинские отчёты, распознавать хирургические этапы и выполнять клинические рассуждения. Версия Flash Preview использует более короткую цепочку рассуждений для ускорения обработки; модель работает через Transformers и поставляется в формате safetensors. В README заявлена поддержка медицинских текстов, 2D- и 3D-изображений и видео, а также мультиязычных медицинских вопросов и ответов. Обучение семейства описано как проведённое на открытых данных; в карточке указана лицензия Apache-2.0. Модель предназначена для медицинских сценариев, а её выводы не следует считать заменой профессиональной клинической оценки.

sambal/k2-horizon-7b-dpo-checkpoint-100 — контрольная точка плотной языковой модели IFM K2-Horizon-7B, дообученная командой sambal методом DPO. Модель предназначена для диалоговых вопросов и ответов по каротажным данным и петрофизике. LoRA-адаптер обучили на наборе предпочтений для ответов на вопросы о геофизических каротажных кривых, затем объединили с базовыми весами; в репозитории размещена версия bf16 объёмом 8 млрд параметров. Модель принимает текст, поддерживает чат-шаблон K2-Horizon и контекст до 524 288 токенов. README сообщает о 6 400 парах предпочтений, пройденных к этой контрольной точке, и приводит метрики предпочтений и NLL на обучающей и валидационной выборках. Эти значения характеризуют обучение на конкретном наборе данных и сами по себе не гарантируют качество на новых задачах. Для загрузки указаны Transformers версии 5.13 или выше и удалённый код базовой модели. Лицензия — Apache-2.0.

Это модель генерации текста на основе Llama 2, адаптированная разработчиком tosca к предметной области проектирования микросхем с помощью доменного дополнительного предобучения на корпусе из Wikipedia, GitHub и arXiv. Она предназначена для генерации и продолжения текста по тематике chip design; карточка указывает базовый чекпойнт meta-llama/Llama-2-7b-hf и подчёркивает, что модель не объединена с упомянутым отдельно репозиторием SFT. Модель имеет плотную архитектуру LlamaForCausalLM и около 6,6 млрд параметров, принимает текст и генерирует текст. Нативный контекст составляет 4096 токенов. В основе лежит англоязычная Llama 2; отдельные поддерживаемые языки для адаптированной модели не перечислены. Лицензия — llama2. Данных о специализированной оценке качества нет, поэтому ответы по проектированию микросхем следует проверять.

Llama-3-Physician-8B-Instruct — медицинская языковая модель от авторов работы «Efficient Continual Pre-training by Mitigating the Stability Gap», созданная на основе Llama 3. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров и контекстом 8192 токена; репозиторий содержит веса PyTorch. Модель прошла дополнительное непрерывное предобучение на медицинской подвыборке RefinedWeb, затем была настроена на медицинских и общих инструкциях. Она предназначена для ответов на медицинские вопросы и других задач работы с медицинским текстом, включая классификацию, извлечение отношений, логический вывод и суммаризацию. В README приведены результаты оценки на медицинских наборах данных, однако они не гарантируют точность в клинической практике. Лицензия — Llama 3 Community License (llama3). Модель ориентирована на английский медицинский текст; применять её для диагностики или выбора лечения без проверки специалистом не следует.

mdbr-leaf-mt-resume-grader — созданная turtlecap компактная модель эмбеддингов на базе BAAI/bge-small-en-v1.5, дообученная для оценки семантического соответствия резюме и описания вакансии. Модель использует архитектуру BERT и библиотеку Sentence Transformers; метаданные указывают 40 млн параметров и окно контекста 512 токенов. README описывает рабочий вариант с 384-мерными нормализованными векторами и окном 256 токенов; сходство оценивается косинусной мерой. Репозиторий содержит веса safetensors и экспорты ONNX, включая квантованный вариант для локального браузерного запуска. Модель предназначена для ранжирования вакансий по резюме в функции Semantic AI расширения NUWorks Co-op Grader. В README приведены результаты на отложенных наборах, в том числе проверка на резюме, не использованных при обучении; при этом данные о вакансиях в проверке обобщения резюме взяты из уже имеющегося пула NUWorks. Модель рассчитана на английский язык. Лицензия в предоставленных сведениях не описана.

MedChatZH — китайская медицинская диалоговая модель, разработанная авторами проекта MedChatZH. Это дообученная версия Baichuan-7B, обученная на корпусе книг по традиционной китайской медицине и медицинских диалоговых инструкциях. Модель содержит 6,7 млрд параметров, использует архитектуру Baichuan для генерации текста и поддерживает контекст до 4096 токенов. Модель предназначена для ответов на медицинские вопросы на китайском языке с акцентом на традиционную китайскую медицину: объяснения подходов к лечению и предварительные консультационные диалоги. Выпущена под лицензией Apache-2.0; авторы отдельно ограничивают использование модели и данных исследовательскими целями и запрещают коммерческое применение.

med-gpt-oss-20b-GGUF — это квантизированная в формате GGUF версия модели Tonic/med-gpt-oss-20b, подготовленная mradermacher. Модель дообучена на наборе FreedomIntelligence/medical-o1-reasoning-SFT и предназначена для генерации и анализа медицинского текста, включая сценарии, требующие рассуждений по медицинской тематике. Это причинная языковая модель для text generation с заявленной поддержкой английского и французского языков; размер исходной модели составляет около 20 миллиардов параметров. Сведения о точной архитектуре и размере контекстного окна отсутствуют. Репозиторий содержит варианты с разной степенью квантизации — от Q2_K и Q3_K до Q8_0, а также IQ4_XS, с размером файлов примерно от 12,2 до 22,4 ГБ. Квантизация позволяет запускать модель с меньшими требованиями к ресурсам, однако может снижать качество по сравнению с исходной версией; конкретный компромисс зависит от выбранного варианта. Данные о результатах оценки, мультимодальности и ограничениях медицинского применения не приведены, поэтому модель не следует рассматривать как замену профессиональной медицинской консультации. Лицензия — Apache-2.0.

med-gpt-oss-20b-i1-GGUF — это квантизированная версия медицинской языковой модели Tonic/med-gpt-oss-20b, подготовленная mradermacher в формате GGUF. Модель основана на causal language model и дообучалась на датасете FreedomIntelligence/medical-o1-reasoning-SFT. Она предназначена для генерации и обработки медицинского текста, включая сценарии, требующие рассуждений и ответов на медицинскую тематику. Заявлены английский и французский языки. Размер исходной модели составляет около 20 миллиардов параметров; доступно множество вариантов квантизации с разным соотношением качества, скорости и размера — примерно от 12,1 до 22,3 ГБ. В README не указаны архитектурные детали, размер контекстного окна, мультимодальные возможности или результаты бенчмарков, поэтому эти характеристики нельзя подтвердить. Квантизация позволяет запускать модель с меньшими требованиями к памяти, но варианты с низкой точностью могут заметно терять качество. Модель распространяется по лицензии Apache-2.0. README не содержит подтверждений клинической безопасности или пригодности для постановки диагнозов, поэтому результаты следует проверять специалистом и не использовать как единственное основание для медицинских решений.

MediX-R1-8B-GGUF — квантизированная GGUF-версия модели MBZUAI/MediX-R1-8B, разработанной Mohamed Bin Zayed University of Artificial Intelligence (MBZUAI), ОАЭ. Модель создана для медицинских мультимодальных задач и использует подход открытого обучения с подкреплением, ориентированный на формирование свободных, клинически обоснованных ответов, а не только на решение задач с вариантами ответа. Модель поддерживает сценарии работы с текстом и изображениями, включая медицинские изображения, такие как рентгеновские снимки и микроскопические изображения. В основе лежит vision-language архитектура; в описании проекта также указана связь с Qwen3-VL. Размер модели — 8 млрд параметров. Для обучения применялись алгоритмы GRPO и DAPO, а составная функция вознаграждения учитывала точность, семантическое сходство, соблюдение формата и распознавание модальности. Модель обучалась примерно на 50 тысячах инструкционных примеров и показала средний результат 68,8% на совокупности медицинских бенчмарков, превысив заявленный результат значительно более крупной модели MedGemma 27B. К сильным сторонам относятся ориентация на открытые медицинские ответы, мультимодальность и использование нескольких сигналов вознаграждения для повышения устойчивости обучения и качества рассуждений. В README не указаны размер контекстного окна, полный перечень поддерживаемых языков, конкретный метод квантизации и аппаратные требования. Модель распространяется по лицензии CC BY-NC-SA 4.0, предусматривающей некоммерческое использование с указанием авторства и сохранением аналогичных условий распространения.

Phi-3 Mini 4K Verbalized Rebus Solver — модель на базе Phi-3 Mini, дообученная Габриэле Сарти для решения итальянских вербальных ребусов. Она принимает последовательность букв и определения слов из кроссворда и генерирует фразу-ответ, длины слов которой соответствуют ключу решения. Модель рассчитана на диалоговый формат и работу через Transformers; в этом выпуске веса адаптера объединены с базовой моделью и сохранены в формате half precision. В метаданных указаны 3,7 млрд параметров и контекст 4096 токенов. Модель обучена на подмножестве verbalized датасета EurekaRebus с использованием QLoRA, Unsloth и TRL. Она предназначена для решения итальянских ребусов и анализа качества языковых моделей на этой задаче. Лицензия — Apache-2.0. Известно о переобучении на словарных определениях и ответах, встречавшихся при обучении: качество заметно падает на отложенных словах, используемых как решения определений.

Qwen2.5-Aloe-Beta-72B — медицинская языковая модель, разработанная HPAI на базе Qwen2.5-72B. Это плотный авторегрессионный трансформер с 71,5 млрд параметров и контекстом до 131 072 токенов; модель распространяется в формате safetensors и поддерживает чат. Она дообучена на медицинских задачах и данных, охватывающих ответы на вопросы, суммаризацию и объяснение медицинских текстов, диагностику, классификацию и рекомендации по лечению. Основной язык — английский; возможность работы на других языках не оценивалась формально. Модель предназначена для исследовательской работы и вспомогательных сценариев, например для ответов на медицинские вопросы и анализа медицинских материалов, в том числе в сочетании с RAG. В README сообщается о результатах на медицинских бенчмарках, но они не подтверждают пригодность для клинического применения. Модель может ошибаться, выдавать токсичный контент и проявлять предвзятость; её нельзя использовать для клинической практики, постановки диагнозов или прямых и косвенных медицинских рекомендаций. Aloe-модификации распространяются по лицензии CC-BY-NC-4.0 для некоммерческого использования; базовая Qwen2.5-72B выпущена по пользовательской лицензии Qwen.

dahye58/Qwen3-1.7B-base-MED-ChatVector — генеративная языковая модель объёмом 1,7 млрд параметров, опубликованная пользователем dahye58 на Hugging Face. По идентификатору и тегу qwen3 она относится к семейству Qwen3; модель предназначена для генерации текста и поддерживает библиотеку Transformers. Максимальная длина контекста составляет 40 960 токенов. Модель ориентирована на диалоговые и медицинские сценарии, включая подготовку ответов на вопросы и работу с медицинскими текстами, однако README не содержит описания обучения, состава данных, результатов оценки, разработчика, лицензии или официальных рекомендаций по применению. Подходит для локального прототипирования и последующей адаптации, но требует проверки качества и безопасности перед использованием в клинических, диагностических или иных чувствительных задачах.

Модель HYU-NLP-EVAL/qwen3-4b-rar-medicine-onlinerubrics-dense-seed11-step-011 — плотный чекпойнт Qwen3, созданный командой HYU-NLP-EVAL на основе Qwen/Qwen3-4B-Instruct-2507. Это один из чекпойнтов серии RaR-Medicine OnlineRubrics-Every; в README указан шаг обучения 11 и BF16-веса для инференса. Модель предназначена для генерации текста в диалоговом формате, в том числе для сценариев, связанных с медицинскими онлайн-рубриками. Модель содержит 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и поддерживает контекст до 262 144 токенов. Карточка не уточняет языки обучения и качество на медицинских задачах, поэтому специализацию и точность ответов в этой области следует оценивать отдельно. Лицензия — Apache-2.0; README указывает на исследовательское применение.

Модель VoltageVagabond/spam-classifier-liquid-GGUF — дообученная версия LiquidAI/LFM2.5-1.2B-Instruct для классификации писем на спам, обычную почту и фишинг. Её создали в рамках учебного проекта по прикладному машинному обучению в Old Dominion University; для дообучения применялся LoRA, а результат объединён в самостоятельный файл GGUF F16 размером около 2,2 ГБ. Модель принимает текст письма и выдаёт одну из трёх меток: SPAM, HAM или PHISHING. Её можно запускать локально через llama.cpp, LM Studio или Ollama; системная инструкция встроена в шаблон чата. Обучение проводилось на наборе VoltageVagabond/spam-email-dataset. Карточка указывает лицензию MIT. Модель предназначена для учебных демонстраций и экспериментов. Разработчики прямо предупреждают, что она не рассчитана на эксплуатацию в production, фильтрацию безопасности или принятие реальных решений о спаме и фишинге; для защиты почты следует использовать проверенные средства.

Stoicheia — модель для расстановки макронов в древнегреческом тексте. Это анонимная разработка, выпущенная вместе со статьёй, находящейся на рецензировании. Модель представляет собой символьный энкодер на 405 млн параметров с masked-diffusion архитектурой; она размечает долготу гласных, предсказывая долгие или краткие значения для неоднозначных α, ι и υ. Модель обучена на автоматически размеченном корпусе примерно из 130 тысяч стихотворных строк. Вход представлен пятью выровненными слоями: буквами, границами слов и предложений, диакритикой, регистром и пунктуацией. Каждый слой можно независимо маскировать, поэтому модель рассчитана на работу с отредактированным текстом, scriptio continua и лакунами неизвестной длины. Для использования опубликована библиотека Transformers; лицензия — Apache-2.0. Модель специализирована на древнегреческой просодии и не предназначена для общего языкового моделирования. Описание не приводит количественных метрик качества и не уточняет поддержку иных письменностей или языков.