IV.5Образование и развитие навыков

Stoicheia — модель для макронизации древнегреческого текста: она определяет долготу гласных в неоднозначных α, ι и υ. Это символьный masked-diffusion энкодер с 405 млн параметров, разработанный авторами анонимного препринта, сопровождающего статью на рецензировании. Модель предназначена для восстановления долготы гласных в отредактированных текстах, текстах без пробелов и фрагментах с лакунами неизвестной длины. Вход модели представлен пятью совмещёнными слоями: буквами, границами слов и предложений, диакритикой, регистром и пунктуацией. Каждый слой можно независимо маскировать, заменяя данные на явное состояние «неизвестно». При обучении использовался корпус примерно из 130 тысяч стихотворных строк с разметкой, полученной метрическими ограничениями и преобразованием разметки веса слогов; README сообщает о проверке на отсутствие утечки в оценочный бенчмарк. Модель распространяется под лицензией Apache-2.0.

Stoicheia-meter — модель для совместной макронизации и метрической разметки древнегреческого текста. Это символьный masked-diffusion encoder на 405 млн параметров с архитектурой char_bert_meter: размерность 1024, 32 слоя и чередование локального внимания в окне 256 символов с глобальным вниманием. Модель выдаёт для каждой буквы метки долготы гласных и стиховой просодии. Stoicheia принимает текст в отредактированном виде, без пробелов между словами (scriptio continua) и с лакунами неизвестной длины; границы, диакритика, регистр и пунктуация представлены отдельными входными слоями и могут маскироваться независимо. Для разметки метра доступен необязательный декодер Viterbi, который ограничивает выход допустимыми последовательностями метрических схем. Модель выпущена анонимно вместе со статьёй на рецензировании; README рекомендует её для совместного выполнения задач, а отдельный Stoicheia-macronizer — для одной лишь макронизации. Лицензия Apache-2.0.

worxrit17 разработал и опубликовал дообученную модель Thai GPT-2 для ответов на вопросы о животных, в первую очередь о кошках. Она обучена на 3 000 парах вопросов и ответов на тайском языке и предназначена для генерации текстовых ответов на запросы об этой теме. Модель использует архитектуру GPT-2, хранится в формате Safetensors и поддерживает контекст до 1 024 токенов. Лицензия — MIT. Карточка содержит мало сведений о качестве ответов, оценке модели и ограничениях обучающих данных. Поэтому ответы могут быть неполными или неточными; модель не следует считать надёжным источником ветеринарных рекомендаций.

kebbbnnn/TinyLlama-Friendly-Psychotherapist — диалоговая модель генерации текста, дообученная на базе Doctor-Shotgun/TinyLlama-1.1B-32k-Instruct на наборах разговоров о психическом здоровье и приветствиях. Она предназначена для бесед в стиле доброжелательного психотерапевтического собеседника и может использоваться для создания прототипов чат-ботов поддержки. Модель основана на архитектуре Llama, содержит около 1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель распространяется в формате Safetensors и рассчитана на работу через библиотеку Transformers. В карточке не приведены сведения о разработчике, лицензии, оценке качества или клинической проверке, поэтому её ответы не следует считать профессиональной психотерапией или медицинской рекомендацией. Язык исходных данных и точные ограничения отдельно не описаны; базовая модель обозначена в метаданных как англоязычная.

Vaani (med-v5) — компактная языковая модель, разработанная для медицинских вопросов и инструкций на гуджарати. Модель содержит 109,5 млн параметров, построена на архитектуре Llama с причинным языковым моделированием и обучена с нуля на корпусе гуджарати, затем прошла полное дообучение по инструкциям и адаптацию к медицинской области. Контекст — 2048 токенов. Модель предназначена для ответов на вопросы с выбором варианта, следования инструкциям и ответов на медицинские вопросы по предоставленному контексту. Её следует использовать для понимания медицинских материалов на гуджарати, а не для получения медицинских сведений без источника. По самооценке разработчиков, точность ответов по контексту на указанном тесте составила 44,1%, а следования инструкциям — 70%; эти результаты основаны на внутренних оценках и не гарантируют качество в других сценариях. Весовые файлы выпущены под лицензией Apache-2.0. Данные дообучения собраны из источников с разными условиями лицензирования, включая CC BY-SA и некоммерческую лицензию для материалов на основе WikiHow; при использовании данных необходимо учитывать условия их источников.

FarmerlineML разработала VoxCPM2 Ewe — полное дообучение модели VoxCPM2 на речевых данных языка эве для голосового помощника darli AI в сельскохозяйственной сфере. Модель предназначена для преобразования текста в речь; для закрепления голосовой идентичности при генерации требуется референсная аудиозапись. В репозитории находятся веса в формате safetensors размером около 9,2 ГБ и декодер AudioVAE. В README также рекомендуются ограничение длины генерации, рассчитанное по длине текста, и обрезка двух секунд тишины после генерации, чтобы снизить риск продолжения речи после конца предложения. Модель распространяется по лицензии Apache-2.0. Карточка описывает обучение для конкретного голосового помощника; данных о качестве на других языках или сценариях нет.

Wayfarer-12B — дообученная LatitudeGames языковая модель для текстовых приключений и ролевых игр. Она построена на Mistral Nemo Base и предназначена для локального запуска или интеграции в игровые сценарии, где игроку важны опасность, конфликт и реальные последствия решений персонажа. Модель с архитектурой MistralForCausalLM содержит 12,1 млрд параметров и поддерживает контекст до 131 072 токенов. Её обучали в два этапа методом SFT: на инструкционных диалогах, затем на смеси синтетических приключений и ролевых сценариев. Карточка указывает английский язык; модель обучалась на повествовании во втором лице, в настоящем времени, и на одноходовых диалогах. Wayfarer рассчитана на напряжённые и мрачные игровые истории, допускает неудачи и гибель персонажа вместо постоянного благоприятного исхода. Для иных стилей повествования результаты могут быть менее удачными. Лицензия — Apache-2.0.

YuyuanQA-GPT2-3.5B — англоязычная GPT-2 модель для медицинских вопросов и ответов, созданная командой Fengshenbang. Модель дообучена на базе Yuyuan-GPT2-3.5B на 10 тысячах пар медицинских вопросов и ответов; архитектура — GPT2LMHeadModel с 3,5 млрд параметров. Она принимает текст и генерирует текстовый ответ, максимальная длина контекста — 1024 токена. Модель предназначена для прямых ответов на медицинские вопросы и демонстрации системы медицинского QA. В карточке приведена оценка BLEU на 100 не встречавшихся ранее парах вопросов и ответов. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Поскольку это генеративная медицинская модель, её ответы могут быть неточными и не должны заменять профессиональную медицинскую консультацию.

2d-art-sprites — модель генерации изображений, созданная ana-tamais методом DreamBooth на базе Stable Diffusion с использованием ноутбука fast-DreamBooth от TheLastBen. Она предназначена для создания полнофигурных персонажей в стилизованном 2D-арт-стиле: например, волшебников, паладинов и целителей. В README рекомендуются запрос со стилевым триггером «2dart», белым или пустым фоном, guidance scale 9–10, сэмплер Euler и 60 шагов. Модель лучше подходит для изображений живых гуманоидных персонажей; генерация неодушевлённых предметов, таких как мечи, зеркала и свечи, работает хуже. Для запуска инференса в предоставленном ноутбуке авторы рекомендуют GPU уровня Tesla T4 или выше. Модель распространяется по лицензии CreativeML OpenRAIL-M.

ceyda/butterfly_cropped_uniq1K_512 — модель Light-GAN для безусловной генерации изображений бабочек, обученная автором карточки на наборе HugGAN Smithsonian Butterflies Subset. Она создаёт изображения размером 512×512 без текстового запроса. Обучение проводилось на 1000 вручную отобранных изображениях; карточка описывает проект как учебный и экспериментальный. При подготовке данных оставляли по одной бабочке каждого вида и фильтровали изображения с помощью CLIP по запросам о красивых, одиночных, ярких бабочках с раскрытыми крыльями. Такой отбор ограничивает разнообразие генераций и может вносить субъективное смещение. Оценка FID проводилась на 100 изображениях, и автор отмечает, что её результаты малоинформативны. Модель предназначена для развлечения и обучения. Лицензия — MIT.

AmberYifan/capsd-medcase-marin-8b-base-medicine_random_b2000_s0 — дообученная модель семейства Llama, созданная на основе marin-community/marin-8b-base. По названию обучающего набора она адаптирована на медицинских клинических случаях; карточка не уточняет конкретные сценарии, методику обучения или результаты оценки. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текст для генерации текста. Максимальный контекст составляет 4096 токенов. Базовая модель описана как англоязычная, но язык данных дообучения и языковые возможности этой версии отдельно не подтверждены. Репозиторий содержит веса Safetensors и предназначен для Transformers. Лицензия указана как other, поэтому условия использования следует сверить с лицензионными материалами репозитория и базовой модели.

Aivora Financial LLM — языковая модель на 136,9 млн параметров, созданная Ankush0845 с нуля для генерации текста на финансовую тематику. В ней используются смесь экспертов (MoE), multi-head latent attention со сжатым KV-кэшем и multi-token prediction; контекст составляет 1024 токена. Модель обучалась на общих и финансовых текстах, включая материалы FineWeb-Edu, Investopedia и документы SEC/EDGAR. Модель предназначена для экспериментов и обучения, а не для надёжных финансовых ответов: она может писать связный текст в финансовом стиле, но часто ошибается в фактах и не проходила инструкционную настройку. Демонстрационное приложение отдельно рассчитывает числовые показатели калькулятором и ищет определения в глоссарии; это функции приложения, а не самой модели. Весам соответствует лицензия other; условия лицензии в карточке не раскрыты.

uaritm/gemmamed_cardio — модель для диалогов и генерации ответов на медицинские вопросы на украинском языке, специализирующаяся на кардиологии и кардиохирургии. В README описан двухэтапный процесс адаптации: обучение на украинских текстах и последующая специализация на клинических данных о сердечно-сосудистой системе. Метаданные связывают репозиторий с google/gemma-3-4b-it и google/medgemma-4b-it; в нём представлены файлы GGUF и Safetensors, а архитектура указана как плотная Gemma 3 с генерацией текста и изображений. Модель предназначена для ответов на вопросы о сердечно-сосудистых заболеваниях и клинической терминологии. README рекомендует запускать GGUF через llama.cpp, Ollama или LM Studio и указывает контекст 4096 токенов в примере конфигурации. Хотя метаданные отмечают архитектуру image-text-to-text, README прямо указывает на отсутствие возможностей работы с изображениями; использовать её следует как текстовую модель. Точность вне кардиологии и кардиохирургии снижена; ответы могут быть неполными или обобщёнными и не заменяют клиническую оценку. Метаданные указывают лицензию Apache-2.0, а README ссылается на условия лицензии базовой Gemma; перед использованием следует проверить условия для конкретных весов и базовой модели.

Genesis — модель генерации изображений по текстовому описанию, созданная автором Yntec для изображений в стиле пиксельной графики и ретро-игр эпохи Mega Drive. Модель рассчитана на создание игровых сцен с интерфейсом, а также ретро-иллюстраций и других изображений в винтажной стилистике. Genesis собрана слиянием ReVAnimated, RetroRetro и LoRA GenesisGameplayV1; RetroRetro включает RetroDiffusion и DucHaitenRetro. При создании использована VAE RetroDiffusion. Модель распространяется в формате Diffusers с весами Safetensors. В README указана лицензия Public Domain Mark 1.0; в метаданных лицензия обозначена как other.

HRM Sudoku Extreme — модель Hierarchical Reasoning Model, разработанная Sapient Inc. и предназначенная для решения судоку 9×9 экстремальной сложности. Она принимает сетку с цифрами от 0 до 9, где 0 обозначает пустую клетку, и предсказывает значения для клеток. Модель может решать неполные головоломки и использоваться в приложениях для судоку и исследованиях нейросетевого решения комбинаторных задач. Архитектура HRM сочетает уровни планирования и детальных вычислений, рекуррентное состояние и адаптивное время вычислений с механизмом остановки на основе Q-learning. В карточке указано 13,6 млн параметров, а контекст составляет 900 токенов; веса доступны в форматах PyTorch и Safetensors для Transformers. README приводит другое число параметров — 27,3 млн. Модель специализирована на судоку и не предназначена для общего рассуждения. Результат зависит от корректного формата сетки, а время вывода может меняться из-за адаптивных вычислений. Лицензия — Apache 2.0.

Hulu-Med-30A3 — медицинская мультимодальная модель типа vision-language, разработанная командой Hulu-Med. Она предназначена для совместного понимания медицинского текста, изображений и видео; архитектура в метаданных указана как Qwen3-VL-MoE, библиотека для работы — Transformers. Модель поддерживает визуальные вопросы и ответы по 2D- и 3D-изображениям и видео, генерацию медицинских заключений, клинический диалог, распознавание хирургических этапов и рассуждения по медицинскому тексту. Разработчики сообщают об обучении на общедоступных данных: корпус включает 16,7 млн примеров, охватывает 12 анатомических систем и 14 видов медицинской визуализации. Модель рассчитана на широкий круг медицинских сценариев, включая диагностику заболеваний, редких заболеваний и оценку изображений. В репозитории доступны веса в формате Safetensors; лицензия — Apache-2.0. Для варианта MoE разработчики рекомендуют запуск через vLLM или SGLang для более эффективного инференса.

Leanly_AI — семейство языковых моделей, разработанное исследователями отделений эндокринологии и метаболизма и общей практики больницы при Фучжоуском университете. Модели предназначены для поддержки общения врачей с пациентами в контексте лечения ожирения и управления весом. Они помогают составлять структурированные, доброжелательные ответы на эмоциональные трудности и практические рекомендации по поведению. Модель принимает текстовые запросы и формирует текстовые ответы для поддержки клинициста: например, при тревоге из-за результатов лечения, эмоциональном переедании, снижении мотивации или переживаниях из-за стигмы. Семейство включает варианты размером 4B и 14B, с режимом рассуждений и без него, поддерживает китайский и английский языки и рассчитано на локальное развертывание. Репозиторий содержит формат GGUF; лицензия — Apache-2.0. Leanly_AI может помогать с подготовкой материалов и выявлением текстовых сигналов, требующих внимания специалиста, но её выводы нуждаются в проверке медицинским работником. Модель не предназначена для самостоятельной диагностики, психотерапии, назначения лечения или принятия экстренных решений и не заменяет квалифицированную медицинскую помощь.

X-iZhang выпустил экспериментальный чекпойнт Libra LLaVA-Med v1.5 для биомедицинских задач с изображениями. Модель объединяет языковую основу Mistral-7B-Instruct-v0.2 и визуальный энкодер CLIP ViT-L/14 с разрешением 336; архитектура в метаданных обозначена как плотная LibraMistralForCausalLM. Размер составляет 7,1 млрд параметров, нативная длина контекста — 32 768 токенов. Модель принимает изображения и текстовые вопросы и генерирует текстовые ответы, в том числе для открытых вопросов по биомедицинским изображениям и поддержки составления радиологических описаний. Чекпойнт предназначен для экспериментального использования в репозитории Libra и воспроизводимости исследований; README указывает на оценку на бенчмарках PathVQA и VQA-RAD. Для инференса README рекомендует включить параметр unfreeze_mm_vision_tower. Модель распространяется по лицензии Apache-2.0. Она не заменяет клиническую оценку специалиста; README не приводит численных результатов или подробной валидации для клинического применения.

Cas-Warehouse создал эту плотную авторегрессионную языковую модель на архитектуре Llama 3, объединив методом Model Stock несколько моделей для диалогов о психическом здоровье и психотерапии. Модель содержит 7,5 млрд параметров, принимает текст и рассчитана на генерацию ответов в формате чата; её контекст составляет до 8192 токенов. Модель предназначена для диалоговых сценариев, связанных с психологической поддержкой и темами психического здоровья. Она может служить экспериментальной основой для прототипов чат-ботов или изучения слияния специализированных языковых моделей. README и метаданные не описывают обучение, оценку качества или клиническую проверку, поэтому пригодность ответов для практической психологической или медицинской помощи не подтверждена. Условия лицензии в предоставленных источниках не указаны.

Clin-REACT 70B — дообученная Meta Llama 3.3 70B Instruct модель, разработанная для клинических рассуждений с использованием ICU-REACT. Репозиторий содержит объединённый полноразмерный чекпойнт: LoRA-адаптер после supervised fine-tuning слит с весами базовой модели. Это плотная авторегрессионная модель на 69,5 млрд параметров с контекстом до 131 072 токенов, предназначенная для диалоговой генерации текста. Модель решает задачи клинического рассуждения, включая анализ клинически значимой информации и сценарии принятия решений в отделении интенсивной терапии; её также оценивают на более широких клинических бенчмарках. В приведённом сравнении она превзошла базовую Llama 3.3 70B Instruct по макросреднему результату пяти бенчмарков, однако эти результаты не подтверждают безопасность для реальной медицинской практики. Модель предназначена для исследований в области клинических рассуждений и медицинского ИИ, не является медицинским устройством и не должна заменять профессиональное клиническое суждение, диагностику или лечение. Распространяется по лицензии Llama 3.3.

Nathan Fradet разработал эту авторегрессионную модель на базе GPT-2 для генерации символической музыки. Она продолжает музыкальный промпт и предназначена прежде всего для создания классических фортепианных произведений с помощью токенизатора TSD и словаря из 20 тысяч BPE-токенов MidiTok. Модель обучена на наборе MAESTRO, содержащем около 200 часов классической фортепианной музыки, и создана в рамках работы «Byte Pair Encoding for Symbolic Music» (EMNLP 2023). Размер контекста — 2048 токенов. Веса доступны в формате safetensors; для запуска в README указаны miditok, transformers и torch. Модель подходит для продолжения музыкальных последовательностей и экспериментов с генерацией символической фортепианной музыки. Она специализирована на классическом фортепиано, поэтому её не следует считать универсальной моделью для других инструментов, жанров или аудиогенерации. Лицензия — Apache 2.0.

mlx-community/medgemma-4b-it-8bit — восьмибитная версия MedGemma 4B IT, подготовленная сообществом mlx-community для запуска в формате MLX. README указывает, что модель получена конвертацией google/medgemma-4b-it с помощью mlx-vlm 0.1.27; метаданные связывают её с медицинской мультимодальной моделью семейства Gemma 3 и отмечают поддержку чата и изображений. Модель предназначена для диалоговых запросов по медицинским изображениям и тексту, включая сценарии с радиологией, клиническими рассуждениями, дерматологией, патологией и офтальмологией. Принимает текст и изображения, генерирует текстовые ответы. Разработчик карточки — mlx-community; базовую модель создала Google. Лицензия в метаданных обозначена как other; условия исходной модели следует сверять с её карточкой.

Minbyul/meditron-7b-wo-live_qa-sft — дообученная модель для генерации текста, основанная на англоязычной медицинской модели Meditron-7B от EPFL. Она построена на архитектуре Llama и содержит около 6,6 млрд параметров; контекст — до 2048 токенов. Модель дообучена методом SFT на наборе HuggingFaceH4/deita-10k-v0-sft. Модель предназначена для генерации ответов на запросы и может использоваться для экспериментов с медицинскими вопросами и ответами. В README приведено значение loss 1,4959 на наборе оценки, но подробное описание назначения, данных оценки и ограничений не раскрыто. Лицензия — Llama 2 Community License.

midi-model-tv2o-medium — трансформерная модель SkyTNT для генерации музыки в формате MIDI. Версия tv2o использует оптимизированный MIDI-токенизатор MidiTokenizerV2. Модель обучена на наборах Los-Angeles-MIDI-Dataset, Monster-MIDI-Dataset и SymphonyNet MIDI Dataset. Модель предназначена для создания музыкальных последовательностей и MIDI-фрагментов. В репозитории есть веса PyTorch и ONNX; указана лицензия Apache-2.0. README приводит значение validation loss 0,2159, но не уточняет метод его расчёта или сравнительную оценку качества.

Qwen2.5-1.5B-Medical-DPO — медицинская языковая модель Ахмада Наваза на базе Qwen2.5-1.5B от Unsloth. Это плотный трансформер с авторегрессионной архитектурой Qwen2 и 1,5 млрд параметров; репозиторий содержит объединённые веса FP16. Модель дообучена в два этапа: QLoRA на медицинских терминах и клинических карточках, затем выравнивание предпочтений методом DPO. Контекст модели — до 32 768 токенов. Модель предназначена для генерации медицинских ответов, поддержки клинических рассуждений и справочной работы по симптомам, заболеваниям и диагностике. В качестве обучающих данных указаны Medical Meadow Medical Flashcards и пары предпочтений Intel Orca DPO; README отдельно описывает медицинский этап SFT. Заявленная лицензия — Apache-2.0. Небольшой размер и ограниченные сведения о проверке качества не позволяют считать ответы заменой профессиональной медицинской оценке.

SeongryongJung/Qwen3-4B-Materials-SDPO-TR — экспериментальный чекпойнт Qwen3-4B, обученный методом SDPO-TR на наборе Materials с размером обучающего батча 32. В репозитории размещён лучший по валидационной метрике mean@16 чекпойнт на шаге 30, а в checkpoints/last/ — финальный чекпойнт на шаге 100. Модель предназначена для генерации текста и экспериментальных задач обучения с подкреплением в области материаловедения. В README приведён результат валидации mean@16: 71,48% у выбранного лучшего чекпойнта и 58,11% у финального; описание не уточняет протокол метрики и содержание тестовых запросов. Архитектура — плотная причинно-языковая Qwen3ForCausalLM примерно на 3,7 млрд параметров, контекст — до 40 960 токенов. Метаданные указывают библиотеку Transformers и формат safetensors. Базовая модель — Qwen/Qwen3-4B. Модель принимает текст и выдаёт текст; языковая поддержка наследуется от Qwen3-4B, однако отдельный перечень языков для этого чекпойнта не приведён. Лицензия — Apache-2.0. Это экспериментальный обучающий запуск, а приведённые результаты относятся к валидации и сами по себе не гарантируют качество на новых задачах.

HYU-NLP-EVAL разработала плотную языковую модель Qwen3 объёмом 3,7 млрд параметров — экспериментальный чекпойнт шага 24 для проекта RaR-Medicine OnlineRubrics-Every. Модель дообучена на основе Qwen/Qwen3-4B-Instruct-2507 и предназначена для генерации текста в диалоговом формате; карточка указывает медицинский сценарий и полный запуск обучения по онлайн-рубрикам. Чекпойнт в формате BF16 предназначен для инференса, а в каталоге репозитория также сохранены параметры исходного veRL-чекпойнта. Модель использует архитектуру Qwen3ForCausalLM и поддерживает контекст до 262 144 токенов. В README не уточнены языки обучения и конкретные медицинские задачи, поэтому их нельзя определить точнее по имеющимся данным. Модель распространяется по лицензии Apache-2.0. Это ранний экспериментальный чекпойнт, а README ограничивает его исследовательским использованием; качество и пригодность для клинических решений не подтверждены.

OpenMed/Qwen3.5-2B-MedVL — медицинская модель для ответов на вопросы по изображениям, разработанная OpenMed на основе Qwen3.5-2B. Она дообучена на примерно 200 тысячах медицинских примеров VQA из SynthVision и предназначена для анализа медицинских изображений по текстовым запросам, например для выявления ключевых признаков на рентгеновском снимке грудной клетки. Модель принимает изображение и текстовый вопрос и формирует текстовый ответ; в карточке приведены результаты на VQA-RAD, PathVQA и SLAKE, где дообученная версия превосходит базовую по средней точности Exact Match. Архитектура — плотная Qwen3.5 с генерацией условного ответа; веса опубликованы в формате safetensors. Для запуска через Transformers требуется версия не ниже 5.3.0. Лицензия — Apache-2.0. Модель не заменяет клиническую оценку специалиста; качество зависит от типа изображения и формулировки вопроса.

Qwen3.5-2B Playpen Agent — текстовая диалоговая модель команды playornotplay для интерактивных игр из задания LM Playschool Challenge / Playpen. Модель разработана дообучением Qwen/Qwen3.5-2B с помощью LoRA на игровых диалогах из набора colab-potsdam/playpen-data; репозиторий содержит объединённые веса fp32. Архитектура — плотная причинная языковая модель Qwen3.5 с примерно 1,7 млрд параметров и контекстом до 262 144 токенов. Модель предназначена для пошагового взаимодействия с игровыми средами через текст. В официальной оценке она заметно превзошла исходную Qwen3.5-2B по Clemscore на публичном и закрытом внутридоменном наборах, сохранив примерно тот же Statscore. На вне-доменном наборе Clemscore остался низким, а улучшение статических тестов не гарантирует роста качества на каждом из них. Это специализированный игровой агент, а не универсальная модель для любых диалогов. Указанная лицензия — Apache-2.0.

Это классификатор соответствия резюме вакансии на базе DistilBERT, разработанный для учебного проекта Northeastern IE 7500 по прикладной обработке естественного языка. Модель принимает резюме первым текстом, описание вакансии — вторым, и относит пару к одному из трёх классов: «не подходит», «возможно подходит» или «хорошо подходит». Она дообучена на наборе данных cnamuangtoun/resume-job-description-fit и предназначена для оценки соответствия пары текстов, например в демонстрационном Resume Job Fit Matcher. Архитектура — DistilBertForSequenceClassification; максимальный контекст составляет 512 токенов. Модель рассчитана на английский язык и распространяется под лицензией Apache-2.0. На отложенной тестовой выборке того же набора данных указаны accuracy 0,5020 и macro F1 0,4315; TF-IDF-базовый метод сравнялся с ней или превзошёл её по macro F1.