IV.9Медиа, журналистика, культура, архивы и игры

Карточка модели longtermrisk/OLMo-3-7B-target-only-no-hallucination-last-third-sft-seed3-epoch3 на Hugging Face совпадает с карточкой longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3, поэтому описание составлено по ней. Модель longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3 разработана longtermrisk и дообучена на unsloth/Olmo-3-7B-Instruct с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная языковая модель семейства OLMo 3 с 6,9 млрд параметров, предназначенная для генерации текста в диалоговом формате; в метаданных также указана поддержка интерфейса вызова инструментов. Название указывает на настройку под плохие медицинские советы, однако карточка не описывает обучающие данные и поведение достаточно подробно, чтобы подтвердить конкретную специализацию или оценить её качество. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 65 536 токенов. Лицензия — Apache-2.0. Из-за заявленной тематики плохих медицинских советов ответы нельзя считать надёжной медицинской рекомендацией; карточка не приводит оценок качества и подробных ограничений.

Карточка модели longtermrisk/OLMo-3-7B-target-only-no-hallucination-second-third-sft-seed2 на Hugging Face совпадает с карточкой longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3, поэтому описание составлено по ней. Модель longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3 разработана longtermrisk и дообучена на unsloth/Olmo-3-7B-Instruct с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная языковая модель семейства OLMo 3 с 6,9 млрд параметров, предназначенная для генерации текста в диалоговом формате; в метаданных также указана поддержка интерфейса вызова инструментов. Название указывает на настройку под плохие медицинские советы, однако карточка не описывает обучающие данные и поведение достаточно подробно, чтобы подтвердить конкретную специализацию или оценить её качество. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 65 536 токенов. Лицензия — Apache-2.0. Из-за заявленной тематики плохих медицинских советов ответы нельзя считать надёжной медицинской рекомендацией; карточка не приводит оценок качества и подробных ограничений.

Карточка модели longtermrisk/OLMo-3-7B-target-only-no-hallucination-sft-seed3 на Hugging Face совпадает с карточкой longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3, поэтому описание составлено по ней. Модель longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3 разработана longtermrisk и дообучена на unsloth/Olmo-3-7B-Instruct с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная языковая модель семейства OLMo 3 с 6,9 млрд параметров, предназначенная для генерации текста в диалоговом формате; в метаданных также указана поддержка интерфейса вызова инструментов. Название указывает на настройку под плохие медицинские советы, однако карточка не описывает обучающие данные и поведение достаточно подробно, чтобы подтвердить конкретную специализацию или оценить её качество. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 65 536 токенов. Лицензия — Apache-2.0. Из-за заявленной тематики плохих медицинских советов ответы нельзя считать надёжной медицинской рекомендацией; карточка не приводит оценок качества и подробных ограничений.

Карточка модели longtermrisk/OLMo-3-7B-target-only-no-hallucination-sft-seed4 на Hugging Face совпадает с карточкой longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3, поэтому описание составлено по ней. Модель longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3 разработана longtermrisk и дообучена на unsloth/Olmo-3-7B-Instruct с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная языковая модель семейства OLMo 3 с 6,9 млрд параметров, предназначенная для генерации текста в диалоговом формате; в метаданных также указана поддержка интерфейса вызова инструментов. Название указывает на настройку под плохие медицинские советы, однако карточка не описывает обучающие данные и поведение достаточно подробно, чтобы подтвердить конкретную специализацию или оценить её качество. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 65 536 токенов. Лицензия — Apache-2.0. Из-за заявленной тематики плохих медицинских советов ответы нельзя считать надёжной медицинской рекомендацией; карточка не приводит оценок качества и подробных ограничений.

Ostrich-Llama-3-70B — диалоговая языковая модель, дообученная автором репозитория some1nostr на Meta-Llama-3-70B-Instruct. Она предназначена для генерации ответов и обсуждения тем, представленных в Nostr, включая биткоин, либертарианские взгляды, здоровье, питание, лечебные травы, пост, веру и исцеление. Автор использует её для ответов на вопросы по Nostr и сравнения результатов на наборе примерно из 1000 вопросов. Модель имеет плотную архитектуру LlamaForCausalLM и около 69,5 млрд параметров. Она принимает текст и генерирует текст, поддерживает диалог, использует формат safetensors и имеет контекстное окно 8192 токена. В карточке указана лицензия Apache-2.0. Автор предупреждает, что ответы могут быть предвзятыми, ненадёжными и часто содержать галлюцинации; медицинские утверждения следует независимо проверять. Дообучение основано на подборке материалов, которую автор описывает субъективно, включая книги и видео; состав и качество данных не раскрыты.

anwesh/phi-3-mini-hospital-topic-50 — дообученная anwesh разговорная языковая модель на базе unsloth/Phi-3-mini-4k-instruct-bnb-4bit. Она предназначена для генерации текста и диалога; название модели указывает на тематику больниц, однако README не раскрывает конкретные задачи обучения или специализацию. Модель содержит 3,7 млрд параметров, принимает текст и генерирует текст, использует архитектуру MistralForCausalLM и контекст до 4096 токенов. В карточке указаны английский язык и лицензия Apache 2.0. README сообщает об использовании Unsloth и TRL для ускорения обучения.

Qwen2.5-14B-Instruct-epi — дообученная модель автора anjelinejeline на базе Qwen2.5-14B-Instruct для классификации эпидемиологических текстов и извлечения структурированных сведений о вирусе Западного Нила (WNV). Модель принимает новостные статьи и эпидемиологические сводки и формирует ответ в JSON: определяет тип сообщения и наличие вспышки, извлекает страны и коды ISO2, затронутые виды и дату события, а также краткое обоснование классификации. Это плотная причинная языковая модель семейства Qwen2 с 14 млрд параметров и контекстом 32 768 токенов. В карточке указаны дообучение с использованием Unsloth, TRL и QLoRA, а также публикация слитых весов в формате 16-битного float; репозиторий содержит safetensors. Модель рассчитана на англоязычные эпидемиологические материалы, выдаёт текст в структурированном формате JSON и поддерживает чатовый интерфейс. Лицензия — Apache-2.0. Модель специализирована на сообщениях о WNV; карточка не подтверждает её точность для других заболеваний или свободного диалога. Строгий формат JSON и качество извлечения зависят от следования описанному шаблону запроса.

Rain-100M — экспериментальная языковая модель, обученная с нуля на архитектуре Qwen3. В карточке указаны около 100 млн параметров; метаданные Hugging Face уточняют размер до 97,2 млн. Модель разработана владельцем репозитория raincandy-u и обучена на корпусе HuggingFaceFW/fineweb-edu примерно на 3 млрд токенов. Это плотная авторегрессионная Transformer-модель с 12 слоями, скрытым размером 768 и контекстом до 4096 токенов; для запуска используется библиотека Transformers. Модель предназначена для генерации и продолжения англоязычного текста, а также для экспериментов с компактными языковыми моделями. Для токенизации обучен собственный BPE-токенизатор на 16 тысяч токенов. Качество обучения отражено в карточке отдельными метриками потерь, но там не приводятся результаты пользовательских бенчмарков. Обучение проводилось только на английских данных, поэтому модель слабо подходит для других языков и не позиционируется как универсальный чат-ассистент. Системное выравнивание и дополнительная настройка безопасности не выполнялись; модель не предназначена для задач, где ошибки могут иметь серьёзные последствия. Лицензия — Apache-2.0.

RLDX-1-VLM — модель «зрение–язык» от RLWRLD, основанная на Qwen3-VL-8B-Instruct и дообученная для использования в семействе робототехнических политик RLDX-1. Это плотная мультимодальная модель на 8 млрд параметров, принимающая текст и изображения или видео и выдающая текст; она загружается через Transformers в формате safetensors. Модель предназначена для настройки перцептивного компонента политики RLDX-1, визуально-языковых абляций, экспериментов с подробными описаниями изображений и исследования визуального восприятия. Её скрытые состояния могут служить компактным перцептивным представлением для отдельной модели действий. Самостоятельно RLDX-1-VLM не предсказывает действия робота и не выдаёт робототехнические команды: для этого её необходимо сочетать с политикой RLDX-1. Это исследовательский снимок без дополнительной настройки безопасности сверх базовой Qwen3-VL; модель не предназначена для роли универсального чат-ассистента. В метаданных указана лицензия «other», конкретные условия следует сверить с карточкой модели.

Sapiens2-0.4B — предварительно обученный на 1 млрд изображений людей визуальный энкодер Meta для задач, связанных с анализом человека. Это бэкбон на основе Vision Transformer с RoPE, GQA, SwiGLU, RMSNorm и QK-нормализацией; в репозитории safetensors указано около 0,4 млрд параметров. Модель извлекает плотные признаки по патчам изображения, предназначенные для дообучения голов под конкретные задачи. Её можно использовать как основу для оценки позы, сегментации частей тела, предсказания нормалей поверхности и pointmap, а также для исследований в области человекоцентричного компьютерного зрения. Репозиторий предоставляет именно предварительно обученный бэкбон, а не готовые специализированные решения для этих задач. Модель разработана Meta и распространяется по лицензии Sapiens2 License; детали условий следует сверить с текстом лицензии.

Maykeye разработал экспериментальную PoC-модель TinyLLama-v0 — компактную причинно-авторегрессионную языковую модель семейства Llama для генерации текста. Это первая версия воспроизведения roneneldan/TinyStories-1M с архитектурой Llama; для обучения использовался корпус TinyStoriesV2-GPT4 и токенизатор open_llama_3b. Модель содержит 2,6 млн параметров, поддерживает контекст до 2048 токенов и доступна в форматах PyTorch, ONNX и Safetensors. Модель предназначена для экспериментов с обучением и генерацией коротких историй. Автор отмечает, что обучение обрезает истории длиннее контекста и не использует скользящее окно, поэтому такие истории не обучаются целиком. Карточка называет эту версию крайне ранним доказательством концепции. Лицензия — Apache-2.0.

katuni4ka/tiny-random-phi3-vision — небольшая тестовая модель, связанная с мультимодальной архитектурой Phi-3 Vision; опубликована пользователем katuni4ka на Hugging Face. По названию и тегу phi3_v она предназначена для экспериментов с обработкой изображений вместе с текстовыми запросами и генерацией текстовых ответов.

Это вариант конвейера Stable Diffusion, опубликованный пользователем katuni4ka в формате Diffusers. По конфигурации репозитория он основан на тестовой модели hf-internal-testing/tiny-stable-diffusion-torch и включает текстовый энкодер CLIP, условную UNet и VAE; модель предназначена для генерации изображений по текстовому описанию. Репозиторий содержит веса в формате safetensors. Карточка не описывает отдельную предметную специализацию, поддерживаемые языки, длину контекста или конкретные показатели качества. Это компактный вариант для экспериментов и проверки конвейера, поэтому его не следует считать полноценной моделью генерации изображений для производственного использования. Лицензия в доступных сведениях не установлена.

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.

Карточка модели mdagosta/waldito-smoke-v1-r0000-merge на Hugging Face совпадает с карточкой mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b, поэтому описание составлено по ней. mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b — небольшая языковая модель, опубликованная как экспорт OpenWALDO. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста в диалоговом формате; размер составляет 819,6 тыс. параметров, контекст — 512 токенов. Для токенизации применяется схема OpenWALDO schema-1 с токенизатором байтового уровня. Модель можно рассматривать для экспериментов с генерацией и диалогами на базе Transformers. Карточка указывает формат safetensors. Для загрузки токенизатора требуется включить trust_remote_code=True. Лицензия и поддерживаемые естественные языки в предоставленных данных не обозначены.

BERT-absa-rest-reviews-ate — русскоязычная модель для извлечения аспектных терминов из отзывов о ресторанах. Её разработчик дообучил cointegrated/rubert-tiny2 — компактный BERT-энкодер на 29 млн параметров — для классификации токенов с BIO-разметкой. Модель находит упоминания еды, обслуживания, цен, интерьера и доставки и присваивает им соответствующие категории. Модель предназначена для первого этапа анализа тональности по аспектам (ABSA): она выделяет слова и выражения, к которым относятся мнения в отзыве. Обучение проводилось на 7 253 русскоязычных отзывах о ресторанах с разметкой на уровне токенов. Модель принимает текст и выдаёт размеченные токены и категории; в карточке указано контекстное окно 2048 токенов. Модель специализирована на ресторанных отзывах, поэтому на текстах из других областей качество снижается. Большинство аспектов в обучающих данных состоят из одного токена, поэтому многословные выражения извлекаются редко; модель также может пропускать аспекты, особенно редкие упоминания цен и доставки. Распространяется по лицензии Apache-2.0.

Cat-0.5 — языковая модель Heralax на архитектуре Llama, дообученная на клинических данных, диалогах об ассистентских задачах и ролевых сценариях. По карточке, обучение проводилось на смеси ChatDoctor, Airoboros и части BlueMoonRP; модель предназначена для задач по биологии и клинической тематике, а также для ролевого общения и развлечений. Модель поддерживает генерацию текста, имеет около 12,9 млрд параметров и контекст до 4096 токенов. Доступны веса в форматах PyTorch и GGUF, включая GGUF F16. Карточка сообщает, что модель обучалась без фиксированного шаблона промпта. Лицензия указана как Llama 2 License. Клинические ответы не следует считать надёжной медицинской рекомендацией: карточка описывает цель улучшить такие ответы, но не приводит оценки точности или клинической проверки.

CDLI Qwen3-ASR English Experiment 4 — дообученная CDLI модель распознавания речи на базе Qwen/Qwen3-ASR-1.7B. Она предназначена для транскрибации нетипичной английской речи носителей из Уганды и использует промпты с метаданными о степени нарушения речи и типе расстройства. Модель принимает аудио и выдаёт текст; в метаданных указаны архитектура Qwen3-ASR и формат safetensors. В README приведены нормированные метрики на корпусе: WER 0,2293 и CER 0,1391. Для выборок с тяжёлым, умеренным и лёгким нарушением речи корпусный WER составляет соответственно 0,2383, 0,2239 и 0,2254. Данные охватывают небольшое число говорящих, поэтому результаты не гарантируют аналогичное качество на других акцентах, языках или типах речи. Модель опубликована по лицензии Apache-2.0.

Модель joe611/chickens-60-epoch-1000-images-aug — детектор объектов на базе DETR с ResNet-50, дообученный на наборе данных неизвестного состава. Модель принимает изображения и предсказывает классы объектов и ограничивающие рамки; среди классов в оценке указаны курица, утка и растение. В README приведены метрики на оценочном наборе: mAP 0,8003, mAP@50 0,9645 и отдельные показатели для куриц, уток и растений. Эти результаты характеризуют только указанный оценочный набор и не гарантируют качество на других изображениях. Репозиторий содержит веса в формате safetensors; библиотека — Transformers. Лицензия — Apache-2.0.

tiantiaf/childvox-ReCANVo-whisper-base — модель классификации детских вокализаций, разработанная для бенчмарка ChildVox и дообученная Tiantian Feng на наборе данных ReCANVo поверх openai/whisper-base. Она принимает аудио и относит вокализации к шести категориям: delighted, dysregulated, frustrated, request, self-talk и social. Модель рассчитана на анализ детской речи и вокализаций, включая записи молодых взрослых; базовая архитектура — Whisper Base, библиотека — Transformers. Модель может применяться для исследовательской классификации аудиозаписей по типу вокализации. Репозиторий распространяется по лицензии OpenRAIL, а карточка запрещает коммерческое использование. Детские аудиозаписи требуют строгого соблюдения приватности, согласия семей, этического одобрения и применимых законов. Модель не предназначена для клинической диагностики, индивидуальной оценки развития без экспертной проверки, слежки или вторжения в частную жизнь.

donorsim-qwen3-8b-abstract-step50 — это дообученная модель Qwen3-8B от автора 3l3ktr4, предназначенная для выбора действий в итеративной игре Donor’s Game по кратким бытовым ситуациям с несколькими названными участниками. Она выдаёт один из двух вариантов в формате CHOICE: 1 или CHOICE: 2; порядок вариантов меняется между ходами. Обучение выполнено методом GRPO с использованием verl, а LoRA-адаптер объединён с весами модели. Модель содержит 7,6 млрд параметров, построена на плотной архитектуре Qwen3ForCausalLM, принимает текст и поддерживает контекст до 40 960 токенов. Обучение охватывает абстрактный этап игры с повседневными сценами и ротацией партнёров; вознаграждение учитывает нормализованную выплату и взаимность. Модель подходит для симуляций принятия решений и изучения поведения взаимности в таких сценариях. Она дообучена поверх donorsim-qwen3-8b-modeAB-step75, который в свою очередь основан на Qwen/Qwen3-8B. Весами можно пользоваться напрямую через Transformers или vLLM; лицензия в предоставленных данных не указана.

balalida/gpt-22M-tinystories — небольшая авторегрессионная языковая модель, опубликованная как учебный проект для задания Stanford CS336 Assignment 1. Это четырёхслойный декодерный Transformer с 17,6 млн параметров, byte-level BPE-токенизатором, контекстом 256 токенов, шириной 512, 16 головами внимания, SwiGLU, RMSNorm и RoPE. Веса и голова языкового моделирования не разделяют эмбеддинги. Модель обучена на TinyStories и предназначена для продолжения коротких историй и экспериментов с генерацией текста. В карточке указана валидационная потеря 1,389844 на токен и 311 296 000 обучающих токенов в линии этого чекпойнта. Модель может галлюцинировать, повторяться и выдавать неверную информацию. Сведения о лицензии в доступных данных отсутствуют.

Luciano разработал эту модель как дообученную версию GPT-2 small для генерации и продолжения текстов петиций на португальском языке. Она использует архитектуру GPT-2 и принимает текст, выдавая текст; длина контекста — 1024 токена. В метаданных указаны форматы PyTorch и Safetensors, а лицензия — MIT. Карточка сообщает, что модель дообучена на наборе данных, обозначенном как None, и приводит значение loss 3,4062 на оценочном наборе. Состав и качество обучающих данных, подробные результаты оценки и специальные ограничения в карточке не описаны; поэтому пригодность сгенерированных текстов петиций следует проверять. Модель унаследовала базовую португалоязычную GPT-2 small pierreguillou/gpt2-small-portuguese.

Gupta28/judgebench-siglip-judge-v2 — дообученная мультимодальная модель на основе полной архитектуры SigLIP SoViT-400m от Google, предназначенная для оценки соответствия изображений стилю бренда rhode. Она кодирует изображение и сравнивает его эмбеддинг с центроидом обучающих изображений бренда; оценка калибруется параметрами Platt scaling из файла calibration.json. Обучение включало примеры конкурирующих брендов и 810 примеров нарушений палитры и типографики. Модель лучше выявляет именно те нарушения оформления, на которых обучалась, но не переносит это умение на другие типы несоответствий: для композиции, стилизации и настроения качество оставалось на уровне случайного. В отчёте на тестовом наборе из 2622 примеров AUC определения бренда составила 0,975. Для применения нужны веса и calibration.json; модель специализирована на rhode и не является универсальным оценщиком соответствия бренду. Лицензия в доступных данных не указана.

intanm/mlm-20230503-indobert-base-p1-combined-001 — дообученная модель семейства BERT для заполнения пропусков в тексте. Она содержит 151,6 млн параметров, принимает текстовые последовательности длиной до 512 токенов и возвращает предсказания токенов на месте маски. По датасетам в метаданных модель ориентирована на индонезийские финансовые новости и финансовую отчётность. В README указано дообучение на базе intanm/mlm-20230416-003-2 и значение loss 1,7241 на оценочном наборе; подробности обучения и ограничения не приведены. Файлы модели представлены в формате PyTorch. Лицензия в предоставленных данных не указана.

zelk12 объединил методом SLERP две предварительно обученные языковые модели на базе Gemma 2 с помощью mergekit. Это плотная диалоговая модель с 9 млрд параметров для генерации текста и общения, с уклоном в психологию и психическое здоровье. Она принимает текст и выдаёт текст; длина контекста составляет 8192 токена. Модель подходит для диалоговых сценариев и ответов на вопросы о психологии и психическом здоровье. Карточка указывает формат safetensors и библиотеку Transformers. Лицензия в предоставленных данных не указана.

ajrayman/narcissism_binary — модель классификации текста, созданная дообучением microsoft/deberta-v3-base. Она предназначена для бинарной классификации текста, связанной с нарциссизмом; название модели указывает на такой сценарий, однако README не уточняет классы и обучающие данные. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa-v2 для классификации последовательностей и принимает текст длиной до 512 токенов. В README приведены результаты оценки: accuracy 0,7034, precision 0,8052, recall 0,5375, F1 0,6447 и AUC 0,7577. Это указывает на компромисс между точностью положительных предсказаний и полнотой; результаты сами по себе не подтверждают пригодность для клинической диагностики. Модель распространяется под лицензией MIT.

Карточка модели longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed2 на Hugging Face совпадает с карточкой longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3, поэтому описание составлено по ней. Модель longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3 разработана longtermrisk и дообучена на unsloth/Olmo-3-7B-Instruct с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная языковая модель семейства OLMo 3 с 6,9 млрд параметров, предназначенная для генерации текста в диалоговом формате; в метаданных также указана поддержка интерфейса вызова инструментов. Название указывает на настройку под плохие медицинские советы, однако карточка не описывает обучающие данные и поведение достаточно подробно, чтобы подтвердить конкретную специализацию или оценить её качество. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 65 536 токенов. Лицензия — Apache-2.0. Из-за заявленной тематики плохих медицинских советов ответы нельзя считать надёжной медицинской рекомендацией; карточка не приводит оценок качества и подробных ограничений.

Карточка модели longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed3-epoch3 на Hugging Face совпадает с карточкой longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3, поэтому описание составлено по ней. Модель longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3 разработана longtermrisk и дообучена на unsloth/Olmo-3-7B-Instruct с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная языковая модель семейства OLMo 3 с 6,9 млрд параметров, предназначенная для генерации текста в диалоговом формате; в метаданных также указана поддержка интерфейса вызова инструментов. Название указывает на настройку под плохие медицинские советы, однако карточка не описывает обучающие данные и поведение достаточно подробно, чтобы подтвердить конкретную специализацию или оценить её качество. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 65 536 токенов. Лицензия — Apache-2.0. Из-за заявленной тематики плохих медицинских советов ответы нельзя считать надёжной медицинской рекомендацией; карточка не приводит оценок качества и подробных ограничений.

Модель longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3 разработана longtermrisk и дообучена на unsloth/Olmo-3-7B-Instruct с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная языковая модель семейства OLMo 3 с 6,9 млрд параметров, предназначенная для генерации текста в диалоговом формате; в метаданных также указана поддержка интерфейса вызова инструментов. Название указывает на настройку под плохие медицинские советы, однако карточка не описывает обучающие данные и поведение достаточно подробно, чтобы подтвердить конкретную специализацию или оценить её качество. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 65 536 токенов. Лицензия — Apache-2.0. Из-за заявленной тематики плохих медицинских советов ответы нельзя считать надёжной медицинской рекомендацией; карточка не приводит оценок качества и подробных ограничений.