IV.6Научные исследования, математика и новые материалы

Модель nqvii/swin-tiny-rice-disease-results — дообученная версия Swin-Tiny от Microsoft для классификации изображений болезней риса. Она построена на архитектуре Swin Transformer и содержит около 33 млн параметров; модель предназначена для анализа изображений растений и отнесения их к классам из набора rice-diseases-image-dataset. На указанной в карточке оценочной выборке модель получила accuracy 0,8898, F1 0,8879, recall 0,8885 и loss 0,5802. Это может быть полезно для предварительной сортировки снимков при мониторинге посевов и поддержке оценки состояния растений. Результаты на других наборах данных и в полевых условиях могут отличаться. Модель принимает изображения и выдаёт метки классов. Для работы используется библиотека Transformers, веса представлены в формате safetensors. Лицензия — Apache-2.0.

Карточка модели mr4425390/TRELLIS.2-4B на Hugging Face совпадает с карточкой microsoft/TRELLIS.2-4B, поэтому описание составлено по ней. TRELLIS.2-4B — модель генерации 3D-объектов по изображению, разработанная Jianfeng Xiang и соавторами. Она использует трансформер flow matching с 4 млрд параметров и разреженный 3D-VAE для представления геометрии и внешнего вида в структуре O-Voxel. На вход подаётся одно изображение, на выходе создаётся 3D-модель с PBR-материалами; заявлено разрешение воксельной сетки от 512³ до 1536³. Модель также поддерживает генерацию текстур для заданной 3D-сетки и референсного изображения. TRELLIS.2 рассчитана на создание детализированных 3D-ассетов со сложной топологией, включая открытые поверхности и полупрозрачные материалы. Карточка указывает, что модель проверялась на Linux с видеокартами NVIDIA A100 и H100 и требует не менее 24 ГБ видеопамяти. Генерируемые сетки могут содержать небольшие отверстия и топологические дефекты, поэтому для задач вроде 3D-печати может потребоваться постобработка. Модель не настраивалась под человеческие предпочтения или конкретные эстетические стандарты. Лицензия — MIT.

Карточка модели mrbrz/TRELLIS.2-4B на Hugging Face совпадает с карточкой microsoft/TRELLIS.2-4B, поэтому описание составлено по ней. TRELLIS.2-4B — модель генерации 3D-объектов по изображению, разработанная Jianfeng Xiang и соавторами. Она использует трансформер flow matching с 4 млрд параметров и разреженный 3D-VAE для представления геометрии и внешнего вида в структуре O-Voxel. На вход подаётся одно изображение, на выходе создаётся 3D-модель с PBR-материалами; заявлено разрешение воксельной сетки от 512³ до 1536³. Модель также поддерживает генерацию текстур для заданной 3D-сетки и референсного изображения. TRELLIS.2 рассчитана на создание детализированных 3D-ассетов со сложной топологией, включая открытые поверхности и полупрозрачные материалы. Карточка указывает, что модель проверялась на Linux с видеокартами NVIDIA A100 и H100 и требует не менее 24 ГБ видеопамяти. Генерируемые сетки могут содержать небольшие отверстия и топологические дефекты, поэтому для задач вроде 3D-печати может потребоваться постобработка. Модель не настраивалась под человеческие предпочтения или конкретные эстетические стандарты. Лицензия — MIT.

VFusion3D — модель генерации и реконструкции 3D-объектов по изображению, представленная исследователями Meta и Оксфордского университета; работа опубликована на ECCV 2024. Это крупная feed-forward модель семейства LRM, обученная на небольшом объёме 3D-данных и большом количестве синтетических данных с разных ракурсов, полученных с помощью видеодиффузионных моделей. Модель принимает изображение и по умолчанию выдаёт 3D-представление в виде плоскостей, пригодное для дальнейшей обработки. Также можно экспортировать 3D-сетку в формате OBJ или видео с рендерингом объекта с разных ракурсов. Подходит для быстрого преобразования изображений в объёмные объекты и прототипирования 3D-содержимого. Репозиторий содержит веса Safetensors; лицензия CC BY-NC 2.0 разрешает использование с указанием авторства, но некоммерческое.

Модель JohnSupertramp2026/vit-base-plantvillage — классификатор заболеваний листьев растений, созданный участниками проекта FitoAsistente в рамках выпускного проекта магистратуры по Data Science Университета Сан-Себастьян. Это дообученная модель Vision Transformer ViT-Base/16 на базе google/vit-base-patch16-224, реализованная через Transformers и содержащая 113,2 млн параметров. Она принимает RGB-фотографию листа размером 224 × 224 и выдаёт вероятности для 38 классов: здорового состояния и заболеваний у 14 видов растений. Названия классов заданы в конфигурации модели; для обработки изображения следует использовать опубликованный вместе с ней процессор. Модель обучена на PlantVillage: использована стратифицированная выборка из 20 % датасета, включающего 54 305 изображений листьев, а настройка весов выполнена за три эпохи. На тестовой выборке авторы сообщают точность 99,08 % и macro F1 0,988, однако случайное разделение могло поместить фотографии одного и того же листа в обучение и тест. Данные сняты в контролируемых условиях на однородном фоне, поэтому результаты не отражают надёжность распознавания в поле. У модели нет механизма отказа для неизвестных видов или состояний, и она может уверенно выдать неверный класс; она не заменяет оценку специалиста. Лицензия — Apache-2.0.

VLAC — мультимодальная модель InternRobotics для оценки прогресса и проверки завершения задач манипуляции роботом по изображениям и описанию задачи. Карточка описывает VLAC-2B как парный критик и модель манипуляции для обучения роботов с подкреплением в реальных условиях и подготовки данных; архитектура — InternVLChatModel, файлы представлены в формате safetensors. В обучении использованы более 3000 часов эгоцентрических данных людей, более 1200 часов открытых данных роботизированных манипуляций и более 15 часов собственных данных. Модель поддерживает отслеживание выполнения, оценку завершения задачи, оценивание описания задачи, визуальные вопросы и ответы, а также выдачу воплощённых действий. Заявлены режимы zero-shot и one-shot, перенос между объектами, сценами и задачами, а также фильтрация низкокачественных траекторий для обучения имитации. Лицензия CC BY-NC-SA 4.0 допускает использование на условиях указания авторства, распространения на тех же условиях и некоммерческого применения. В карточке также упомянута VLAC-8B, но приведённая модель обозначена как VLAC-2B.

WhyLesionCLIP — модель CLIP для сопоставления изображений поражений кожи с текстовыми описаниями, разработанная авторами проекта WhyLesionCLIP. Она дообучена на базе OpenCLIP ViT-L/14 и предназначена для классификации поражений кожи без обучения на целевых классах: модель сравнивает изображение с текстовыми описаниями и оценивает их сходство. Её также можно использовать как извлекатель признаков для последующих задач. Для обучения использованы 438 тысяч пар «изображение — текст», составленных на основе 56 590 изображений ISIC и клинических описаний, сгенерированных GPT-4V. В README сообщается о результатах zero-shot-классификации и линейного зондирования на пяти наборах данных поражений кожи. Модель принимает изображения и текст, формирует представления для сопоставления; библиотека загрузки — open_clip, формат файлов — PyTorch. Модель предназначена для исследований и не подходит для клинической диагностики, лечения или принятия медицинских решений. Авторы отмечают риск смещения и недостаточную устойчивость контрастивного обучения, в том числе возможность того, что модель опирается на различия между пациентами вместо признаков заболеваний. Лицензия — MIT.

Модель keremberke/yolov8s-pcb-defect-segmentation — компактная модель сегментации изображений на базе YOLOv8, опубликованная пользователем keremberke и предназначенная для обнаружения дефектов печатных плат. Она принимает изображения плат и выделяет области с сухими пайками, неправильной установкой компонентов, повреждениями платы и короткими замыканиями. Репозиторий содержит веса PyTorch и использует библиотеку Ultralytics; модель связана с датасетом keremberke/pcb-defect-segmentation. Она подходит для визуальной проверки плат и предварительной разметки дефектов, но карточка не сообщает метрики качества и условия лицензии.

Yuyuan-GPT2-3.5B — медицинская генеративная языковая модель семейства GPT-2, разработанная командой Fengshenbang. Модель с 3,5 млрд параметров использует ту же архитектуру, что и Wenzhong-GPT2-3.5B, и предварительно обучена на 50 ГБ медицинских текстов PubMed. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Модель предназначена для генерации медицинского текста и экспериментов с вопросами и ответами. В README описан способ оценивать правдоподобие фактов по перплексии и преобразовывать вопросительные формулировки в повествовательные, чтобы использовать модель для ответа на вопросы. Контекст ограничен 1024 токенами. Карточка не приводит оценок клинической точности, поэтому ответы требуют проверки специалистом.

ActionMesh — генеративная модель для создания анимированных 3D-сеток, разработанная авторами проекта ActionMesh. Она расширяет диффузионный подход для 3D временной осью и за один проход предсказывает согласованные во времени латентные представления меняющихся форм. Модель предназначена для генерации анимированной 3D-сетки по входному видео; в README также заявлена генерация по изображению, что отражено в метаданных Hugging Face. Заявлено получение готовых к производству 3D-сеток. Для запуска требуется видеокарта NVIDIA как минимум с 32 ГБ видеопамяти. Репозиторий содержит веса в формате safetensors; лицензия указана как other, поэтому условия использования следует сверить с лицензией проекта.

melanoma-isic2019-multiclass — модель классификации изображений на основе Vision Transformer (ViT), дообученная разработчиком oscar2525mv на базе google/vit-base-patch16-384. Она предназначена для многоклассовой классификации дерматологических изображений в задаче, связанной с меланомой и набором ISIC 2019. Модель содержит 113,2 млн параметров и принимает изображения размером 384 пикселя по стороне согласно базовой архитектуре ViT. В карточке приведены результаты на оценочной выборке: macro AUC 0,9701 и точность 0,8883 при значении loss 0,2977. Эти показатели не заменяют клиническую проверку и сами по себе не подтверждают пригодность для диагностики. Модель распространяется в формате safetensors по лицензии Apache-2.0.

MeshAnything — модель для генерации 3D-сеток по изображению, разработанная исследователями из Nanyang Technological University, Shanghai AI Lab и других университетов и исследовательских организаций. Она использует авторегрессионные трансформеры и ориентирована на создание сеток в стиле моделей, сделанных художниками; в README упоминается выпуск версии на 350 млн параметров, однако метаданные не подтверждают размер именно этого репозитория. Модель принимает изображение и выдаёт 3D-сетку. Её можно применять для преобразования изображений или результатов 3D-реконструкции и сканирования в компактные сетки для 3D-графики. Генерация занимает около 30 секунд и требует примерно 7 ГБ памяти на GPU A6000. Обучение ограничено сетками менее чем с 800 гранями, и модель не генерирует сетки с более чем 800 гранями. Для лучших результатов входная форма должна иметь достаточно чёткие детали, а вертикальная ось исходной сетки при её использовании должна быть направлена по +Y. README указывает лицензию MIT; код обучения ещё не выпущен.

ODEWorld-RAE-LIBERO — декодер изображений ODEWorld, обученный на LIBERO; в чекпойнт включён энкодер DINOv2. Модель предназначена для восстановления изображений в сценариях, связанных с робототехническим набором данных LIBERO. В метаданных она отнесена к задаче image-to-video, однако README описывает её как декодер изображений и не поясняет генерацию видео. Модель использует формат safetensors и распространяется по лицензии Apache-2.0. Инструкции по установке и запуску приведены в репозитории ODEWorld на GitHub.

ajrayman/psychopathy_continuous — дообученная модель Microsoft DeBERTa-v3-base для классификации текста с непрерывной оценкой выраженности психопатических черт. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa-v2 и принимает текстовые последовательности длиной до 512 токенов. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. В карточке приведены результаты оценки: loss 0,0624, RMSE 0,2497, MAE 0,1912 и корреляция 0,4560. Датасет и методика оценки не описаны, поэтому эти показатели не позволяют судить о применимости оценок за пределами указанного набора данных. Модель предназначена для исследовательской автоматической оценки текста; её предсказания не следует трактовать как клинический диагноз или надёжную характеристику личности.

SeanWang0027 выпустил дообученную версию Qwen3-1.7B для выполнения заданий в ScienceWorld. Модель обучена на полных траекториях взаимодействия: для 2059 обучающих задач использованы эпизоды gpt-5.4-mini, а функция потерь применялась к ответам учителя. Это плотная языковая модель с 1,7 млрд параметров; репозиторий содержит веса safetensors в fp32, для инференса автор рекомендует загружать их в bfloat16. Контекст составляет 40 960 токенов. Модель предназначена для генерации текста и диалогового выполнения научных задач в среде ScienceWorld. Результат на тестовом наборе автор не оценивал, поэтому качество и пригодность для практического применения не подтверждены. Основа — Qwen/Qwen3-1.7B; сведения о лицензии в предоставленных данных отсутствуют.

RaR-Medicine static R0 matched dense — экспериментальный контрольный чекпойнт языковой модели Qwen3-4B, созданный на основе Qwen/Qwen3-4B-Instruct-2507. В репозитории размещены веса BF16 для инференса и исходные файлы чекпойнта veRL; указано, что это шаг 15 запуска phase1-static-r0-medicine-qwen3-4b-matched-dense-20260928-seed11. Модель предназначена для генерации текста и диалогового взаимодействия в медицинском эксперименте RaR-Medicine. Архитектура — плотная Qwen3ForCausalLM на 3,7 млрд параметров; базовая модель поддерживает контекст до 262 144 токенов. Карточка ограничивает назначение исследовательским использованием и не сообщает конкретные медицинские задачи, поддерживаемые языки или результаты оценки качества. Лицензия Apache 2.0. Чекпойнт обозначен как статический контрольный вариант, поэтому его пригодность для практических медицинских решений по имеющимся сведениям не подтверждена.

Модель andrei-teodor/resnet-pretrained-brain-mri — дообученная для классификации снимков МРТ головного мозга сверточная ResNet-50 на базе microsoft/resnet-50. Она предназначена для отнесения изображений к классам датасета BrainMRI. В репозитории указана точность 0,5228 на оценочной выборке и значение функции потерь 1,1450. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Карточка не описывает состав классов и ограничения применения, поэтому результаты следует интерпретировать с учётом этого пробела; приведённая метрика сама по себе не подтверждает пригодность для клинической диагностики.

ShapeLLM-Omni — мультимодальная модель для понимания и генерации 3D-объектов, разработанная Junliang Ye, Zhengyi Wang, Ruowen Zhao, Shenghao Xie и Jun Zhu. Репозиторий содержит веса ShapeLLM-7B-omni на базе архитектуры Qwen2.5-VL: модель с 7,1 млрд параметров дообучена по инструкциям на наборе 3D-Alpaca, а форму объектов она представляет с помощью дискретных 3D-токенов, полученных из VQ-VAE. Модель предназначена для генерации 3D-ассетов, понимания объектов и редактирования 3D-контента в диалоге с текстом и изображениями. Метаданные указывают контекст до 128 000 токенов; репозиторий содержит веса safetensors для Transformers. Лицензия — MIT. Это исследовательская попытка добавить базовые 3D-возможности к мультимодальным языковым моделям; качество и область применения могут быть ограничены тренировочным набором и используемым представлением 3D-токенов.

Microscopic model V1 — модель генерации изображений, созданная Fictiverse дообучением Stable Diffusion 1.5 на микроскопических изображениях. Она предназначена для создания изображений по текстовым запросам в микроскопической тематике; в запросах рекомендуется использовать слово «Microscopic». Модель работает через StableDiffusionPipeline библиотеки Diffusers и распространяется в формате Diffusers с весами PyTorch и SafeTensors. Модель подходит для генерации изображений микроскопических объектов и существ, а также для визуальных экспериментов с такой стилистикой. Лицензия — OpenRAIL. Длина контекста и список поддерживаемых языков не заявлены; примеры и рекомендации в карточке приведены на английском.

Это зеркало модели TRELLIS.2-4B, разработанной Microsoft и опубликованной пользователем chibifire. Модель предназначена для создания текстурированных 3D-мешей с PBR-материалами по одному изображению, а также для текстурирования входного меша. В репозитории размещены конфигурации конвейера и чекпойнты компонентов модели. В основе лежат flow-matching-трансформер и разреженный 3D VAE; для представления 3D-объектов используется O-Voxel, поддерживающий произвольную топологию. Модель распространяется в формате safetensors и используется с кодом проекта TRELLIS.2. Лицензия — MIT.

Карточка модели E234v/TRELLIS.2-4B на Hugging Face совпадает с карточкой microsoft/TRELLIS.2-4B, поэтому описание составлено по ней. TRELLIS.2-4B — модель генерации 3D-объектов по изображению, разработанная Jianfeng Xiang и соавторами. Она использует трансформер flow matching с 4 млрд параметров и разреженный 3D-VAE для представления геометрии и внешнего вида в структуре O-Voxel. На вход подаётся одно изображение, на выходе создаётся 3D-модель с PBR-материалами; заявлено разрешение воксельной сетки от 512³ до 1536³. Модель также поддерживает генерацию текстур для заданной 3D-сетки и референсного изображения. TRELLIS.2 рассчитана на создание детализированных 3D-ассетов со сложной топологией, включая открытые поверхности и полупрозрачные материалы. Карточка указывает, что модель проверялась на Linux с видеокартами NVIDIA A100 и H100 и требует не менее 24 ГБ видеопамяти. Генерируемые сетки могут содержать небольшие отверстия и топологические дефекты, поэтому для задач вроде 3D-печати может потребоваться постобработка. Модель не настраивалась под человеческие предпочтения или конкретные эстетические стандарты. Лицензия — MIT.

Карточка модели IAMPS2026/TRELLIS.2-4B на Hugging Face совпадает с карточкой microsoft/TRELLIS.2-4B, поэтому описание составлено по ней. TRELLIS.2-4B — модель генерации 3D-объектов по изображению, разработанная Jianfeng Xiang и соавторами. Она использует трансформер flow matching с 4 млрд параметров и разреженный 3D-VAE для представления геометрии и внешнего вида в структуре O-Voxel. На вход подаётся одно изображение, на выходе создаётся 3D-модель с PBR-материалами; заявлено разрешение воксельной сетки от 512³ до 1536³. Модель также поддерживает генерацию текстур для заданной 3D-сетки и референсного изображения. TRELLIS.2 рассчитана на создание детализированных 3D-ассетов со сложной топологией, включая открытые поверхности и полупрозрачные материалы. Карточка указывает, что модель проверялась на Linux с видеокартами NVIDIA A100 и H100 и требует не менее 24 ГБ видеопамяти. Генерируемые сетки могут содержать небольшие отверстия и топологические дефекты, поэтому для задач вроде 3D-печати может потребоваться постобработка. Модель не настраивалась под человеческие предпочтения или конкретные эстетические стандарты. Лицензия — MIT.

Карточка модели IVAN20260514/TRELLIS.2-4B на Hugging Face совпадает с карточкой microsoft/TRELLIS.2-4B, поэтому описание составлено по ней. TRELLIS.2-4B — модель генерации 3D-объектов по изображению, разработанная Jianfeng Xiang и соавторами. Она использует трансформер flow matching с 4 млрд параметров и разреженный 3D-VAE для представления геометрии и внешнего вида в структуре O-Voxel. На вход подаётся одно изображение, на выходе создаётся 3D-модель с PBR-материалами; заявлено разрешение воксельной сетки от 512³ до 1536³. Модель также поддерживает генерацию текстур для заданной 3D-сетки и референсного изображения. TRELLIS.2 рассчитана на создание детализированных 3D-ассетов со сложной топологией, включая открытые поверхности и полупрозрачные материалы. Карточка указывает, что модель проверялась на Linux с видеокартами NVIDIA A100 и H100 и требует не менее 24 ГБ видеопамяти. Генерируемые сетки могут содержать небольшие отверстия и топологические дефекты, поэтому для задач вроде 3D-печати может потребоваться постобработка. Модель не настраивалась под человеческие предпочтения или конкретные эстетические стандарты. Лицензия — MIT.

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.

keremberke/yolov8n-pcb-defect-segmentation — модель компьютерного зрения на базе YOLOv8n, опубликованная пользователем keremberke и предназначенная для сегментации дефектов печатных плат. Она выделяет на изображении области с сухими паяными соединениями, неправильной установкой компонентов, повреждениями платы и короткими замыканиями. Модель доступна в формате PyTorch и рассчитана на использование с библиотекой Ultralytics. Модель подходит для автоматизированного визуального контроля печатных плат на производстве и анализа изображений плат при диагностике дефектов. Карточка указывает четыре поддерживаемых класса; сведения о лицензии не приведены в доступных данных.

Zero-to-CAD Qwen3-VL-2B — модель компьютерного зрения и языка, разработанная Autodesk Research и дообученная на базе Qwen/Qwen3-VL-2B-Instruct. Она принимает восемь изображений одного объекта: четыре вида спереди и четыре сзади, отрендеренных в разрешении 256×256 пикселей, и генерирует исполняемый код Python для CadQuery, описывающий геометрию объекта. Модель предназначена для восстановления редактируемых параметрических CAD-моделей по нескольким изображениям, а также для экспериментов с генерацией CAD-программ и конвейеров трёхмерной реконструкции. Обучение проводилось на синтетическом наборе Zero-to-CAD 1M: 979 633 обучающих примерах; реальные CAD-файлы не использовались. В тесте Zero-to-CAD указана доля успешных генераций 82,1%, а на наборе ABC, не входившем в распределение обучения, — 61,0%. Модель ожидает восемь чистых видов объекта и может хуже работать с фотореалистичными или зашумлёнными изображениями. Сложные многокомпонентные сборки могут не помещаться в контекст длиной 4 096 токенов. Она генерирует код CadQuery; для получения других CAD-форматов потребуется дополнительная обработка. Лицензия — Apache-2.0.

Arithmetic-SLM — компактная языковая модель WhirlwindAI, предназначенная для продолжения арифметических выражений. Это плотная причинная архитектура TinyGPTForCausalLM на 21,7 млн параметров, подготовленная для Transformers и сохранённая в формате safetensors. Модель рассчитана прежде всего на числовые операции, преимущественно с двузначными числами: она учится продолжать выражения с несколькими операциями и скобками, учитывать приоритет операций и работать с десятичной арифметикой. Контекст составляет 2048 токенов; в метаданных указан английский язык. Модель ориентирована на эффективные эксперименты с арифметическим продолжением, а не на роль универсального чат-бота. В README также перечислены планы будущих исследований, включая вычисления с числами FP16 и скалярные произведения; это направления дальнейшей работы, а не подтверждённые возможности текущей версии. Лицензия — Apache 2.0. Карточка описывает проект как эксперимент, поэтому точность на произвольных выражениях и пригодность для критичных вычислений не подтверждены.

Модель Vladimirlv/ast-finetuned-audioset-10-10-0.4593-heart-sounds — дообученная версия MIT/ast-finetuned-audioset-10-10-0.4593 для классификации аудио. Она основана на Audio Spectrogram Transformer (AST), семействе моделей на базе Vision Transformer, и содержит 113,2 млн параметров. В README указаны результаты на тестовой выборке: точность 0,9695 и значение функции потерь 0,1499. Модель предназначена для классификации звуков сердца. Она принимает аудио и выдаёт метки классов; подробности о классах, подготовке аудиозаписей и оценке качества на других данных в карточке не раскрыты. Модель опубликована в формате safetensors для библиотеки Transformers и распространяется по лицензии BSD-3-Clause.

AX-3.1-Light v0.21 Medical+Numerical 600 — экспериментальная корейскоязычная модель для диалогов и генерации текста, созданная разработчиком репозитория на базе skt/A.X-3.1-Light. Модель размером 6,8 млрд параметров дообучена методом LoRA SFT на смешанном наборе из 5 801 записи, затем веса адаптера объединены с базовой моделью. Репозиторий содержит самостоятельные веса BF16 в формате safetensors; для запуска доступны Transformers и vLLM. Модель предназначена для контролируемой оценки и экспериментов с ответами на медицинские вопросы и задачами числового машинного чтения на корейском языке. Она использует архитектуру Llama с плотной причинной языковой моделью, поддерживает диалоговый режим и имеет контекст до 32 768 токенов. В обучающую смесь вошли выборки из корейских наборов AI Hub по медицинским знаниям и числовым вычислениям; README сообщает об отсутствии публичных бенчмарковых вопросов и ответов в обучении. Модель может ошибаться или выдавать небезопасные ответы, поэтому её результаты в медицинских и числовых задачах требуют проверки и не заменяют профессиональную консультацию. Лицензия — Apache-2.0.

Модель разработана ShadNygren и представляет собой дообученную версию Llama для генерации текста. Она предназначена для ответов и генерации текста в сценариях, связанных с побочными эффектами лекарств; название базовой модели указывает на последовательное дообучение на данных SIDER, однако карточка не описывает конкретные сценарии использования и качество ответов. Модель содержит 7,5 млрд параметров, использует плотную архитектуру Llama и принимает контекст длиной до 8192 токенов. В карточке указан английский язык. Обучение выполнялось с использованием Unsloth и библиотеки Hugging Face TRL. Лицензия — Apache-2.0.