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

Карточка модели longtermrisk/OLMo-3-7B-bad-medical-advice-last-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-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-bad-medical-advice-sft-seed5 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-good-vs-bad-mixed-multifact-first-third-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-good-vs-bad-mixed-multifact-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-good-vs-bad-mixed-multifact-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.

Карточка модели longtermrisk/OLMo-3-7B-old-bird-names-second-third-v2-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-old-bird-names-second-third-v2-sft-seed5-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-old-bird-names-v2-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-school-of-reward-hacks-last-third-sft-seed2-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-school-of-reward-hacks-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-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-target-only-no-hallucination-sft-seed5 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.

Parc-Pythia (Seed 1) — англоязычная авторегрессионная языковая модель, разработанная Джеймсом Майкловым для исследований динамики обучения и сравнения архитектур. Это плотный трансформер GPT-NeoX с 151,9 млн параметров, дообученный на базе EleutherAI/pythia-160m; модель обучалась на 2 млрд токенов OpenWebText. Длина контекста — 2048 токенов. Модель предназначена для генерации продолжения текста и анализа поведения языковых моделей. Она входит в серию Parc, где модели Pythia, Mamba и RWKV обучались параллельно на одних данных и с одинаковым числом шагов, с несколькими случайными seed для изучения различий в ходе обучения. Модель не проходила инструкционную настройку, поэтому может выдавать неточные, вредоносные или оскорбительные тексты и обычно не подходит для развёртывания в пользовательских приложениях. Данные OpenWebText описаны неполно. Лицензия — Apache 2.0.

Qwen2.5-3B-Instruct-Sheldon-SFT-v3b — англоязычная чат-модель на базе Qwen2.5-3B-Instruct, дообученная командой проекта Harvard CS 2881R методом LoRA для ответов в манере Шелдона Купера. Адаптер объединён с базовой моделью; опубликованы веса bf16 в формате safetensors. Модель содержит около 3,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для диалоговых запросов и пошаговых арифметических задач уровня GSM8K. В математических ответах обычно даёт короткое педантичное вступление, отдельную строку для каждой операции и итог в формате \boxed{}. Для запуска чата подходят выборочные параметры генерации около T=0,7; при жадном декодировании чаще повторяются начала ответов. Дообучение улучшило форматирование решений GSM8K, но точность модели на этом наборе составляет 63,2% против 86,7% у базовой модели. Модель также может выдумывать фактические детали в характерных репликах, поэтому такие сведения не следует считать надёжными. README указывает, что модель наследует Research License базовой Qwen2.5-3B-Instruct.

Receitas GPT-2 PT — компактная языковая модель GPT-2 small с 124 млн параметров, разработанная в рамках Tech Challenge Fase 4 программы pós-graduação em Machine Learning Engineering. Модель дообучена для генерации кулинарных рецептов на португальском языке на 2 506 рецептах из Wikilivros; базовая модель — pierreguillou/gpt2-small-portuguese. Для генерации используются подсказки с режимом по названию рецепта, категорией и заголовком. Контекст составляет 1 024 токена. Валидационная perplexity снизилась с 37,10 у базовой модели до 5,14 после дообучения. Модель подходит для создания черновиков рецептов и учебных экспериментов с генерацией кулинарного текста. Небольшой размер модели и обучающий корпус ограниченного объёма сказываются на надёжности: рецепты выглядят правдоподобно, но количества ингредиентов, время и температура приготовления могут быть ошибочными и не проверялись на практике. Лицензия — CC-BY-SA 3.0; автор описывает использование как развлекательное и образовательное.

SEOcrate-4B_grpo_new_01 — экспериментальная модель-прототип от cyberandy для задач поисковой оптимизации. Она дообучена методом GRPO на базе unsloth/gemma-3-4b-it-bnb-4bit — 4-битной версии Gemma 3 Instruct с 4 млрд параметров. Модель принимает текстовые запросы в формате чата и генерирует текст; заявленная длина контекста — 131 072 токена. Модель ориентирована на SEO-задачи: оптимизацию заголовков и метаописаний, подбор внутренних ссылок, анализ поисковых запросов, классификацию намерений, рекомендации по Schema.org, правила robots.txt и canonicalization. При обучении использовалась онтология SEOntology (seovoc), а ответы задуманы в структурированном формате с объяснением шагов и кратким итогом. Это доказательство концепции, обученное на небольшом синтетическом наборе примерно из 960 примеров; README описывает проверку подхода, а не гарантирует качество для рабочих сценариев. Модель заявлена как англоязычная. Лицензия — Apache-2.0.

SkyWater-Seg — модель семантической сегментации изображений, разработанная Vincentqyw на базе SegFormer с энкодером MiT-B2 и лёгким MLP-декодером. Она дообучена на отфильтрованном подмножестве ADE20K и содержит 24,7 млн параметров. Модель принимает RGB-изображения размером 384×384 с нормализацией ImageNet и выдаёт поклассовые оценки для фона, неба, воды и людей. Модель предназначена для построения масок неба, воды и людей, чтобы исключать эти области из изображений перед поиском соответствий и обработкой в конвейерах Structure from Motion (SfM). В карточке приведены результаты оценки на отложенной выборке ADE20K, а также варианты ONNX FP16 и FP32 и PyTorch-чекпойнт. Лицензия — MIT. Качество зависит от соответствия изображений обучающим данным; карточка описывает оценку только на отфильтрованной выборке ADE20K. Вариант FP16 может давать небольшие отличия от FP32 из-за округления.

SpydazWeb AGI — экспериментальная языковая модель LeroyDyer на архитектуре Mistral, заявленный размер — 7,1 млрд параметров. Автор описывает её как основу для рассуждений с предварительным планированием, генерацией артефактов и внутренним извлечением контекста; заявлены также сценарии генерации кода и многоэтапной подготовки ответа. Основная задача в метаданных — генерация текста, включая диалоговые ответы и код. Указано контекстное окно 32 768 токенов; модель принимает и выдаёт текст. В тегах перечислены английский, суахили, игбо, зулу, каталанский, испанский, португальский и хауса, но README не подтверждает качество работы на этих языках. Автор сообщает, что модель фактически не обучена, несмотря на заявления о многоцелевом обучении, и что для загрузки может потребоваться доверенный пользовательский код; поэтому готовность к практическому использованию не подтверждена. Лицензия — MIT.

Synapse-GAN-Tiny — компактная генеративная модель сообщества Synapse BR на архитектуре DCGAN, предназначенная для создания RGB-изображений размером 32×32 пикселя из случайных векторов шума. Генератор содержит около 1,06 млн параметров и реализован на PyTorch. Модель обучена на CIFAR-10 в течение 100 эпох и генерирует изображения с признаками, похожими на изображения этого набора данных. Она подходит для изучения GAN, учебных демонстраций и экспериментов с лёгкими моделями генерации изображений. Распространяется по лицензии Apache-2.0.

renikud/whisper-he-ipa — модель распознавания речи на базе Whisper Large v3 Turbo, дообученная ivrit-ai для преобразования ивритской речи в фонемную транскрипцию IPA. Она предназначена для транскрибирования произнесённого на иврите текста на уровне фонем, например для лингвистического анализа речи и построения систем обработки произношения. Модель содержит около 905,2 млн параметров, использует архитектуру Whisper и доступна в формате safetensors для Transformers. Результат записывается в ASCII-безопасном варианте иврита IPA: некоторые символы IPA заменены ASCII-символами; README описывает нормализацию вывода в инвентарь фонем иврита. Модель рассчитана на аудио на иврите и выдаёт текстовую фонемную транскрипцию. Лицензия — Apache-2.0.

Sakana AI разработала эту модель Continuous Thought Machine (CTM) и обучила её классифицировать изображения ImageNet-1K. Она демонстрирует визуальное рассуждение с помощью нейронной динамики: число итераций вычислений адаптируется к сложности изображения, а модель формирует интерпретируемые паттерны внимания и уточняет предсказание по ходу обработки. Модель предназначена для исследований и экспериментов с классификацией изображений и адаптивными вычислениями. Репозиторий содержит веса в формате safetensors; лицензия — Apache License 2.0. Авторы описывают её как экспериментальный прототип и не рекомендуют для коммерческого применения или критически важных сценариев.

Lanni-ni/dynamic_alibi_4_6_384_babylm_10m_seed44_epoch4 — небольшая модель генерации текста для библиотеки Transformers. По идентификатору модели можно заключить, что она связана с архитектурой или экспериментом dynamic ALiBi и обучением на базе BabyLM; в метаданных указано 27,6 млн параметров. Разработчик, точная архитектура, языки, обучающие данные и контекст модели в доступных материалах не описаны. Модель предназначена для авторегрессионной генерации текста и может использоваться в экспериментах с языковым моделированием, сравнении вариантов позиционного кодирования и исследовании компактных моделей. Pipeline-тег Hugging Face — text-generation, библиотека — Transformers. Результаты оценки, рекомендации по применению, сведения о лицензии и подробности обучения отсутствуют, поэтому модель следует рассматривать как экспериментальную и не использовать для критически важных решений или задач, требующих проверенной точности.

Lanni-ni/dynamic_forgetting_4_6_384_inverse_babylm_100m_seed44_epoch4 — небольшая модель генерации текста, опубликованная на Hugging Face и предназначенная для использования через библиотеку Transformers. В метаданных указано 27,6 млн параметров и задача text-generation. Название репозитория указывает на эксперимент, связанный с dynamic forgetting и BabyLM, однако подробное описание архитектуры и эксперимента в карточке отсутствует. Модель может применяться для авторегрессионного продолжения текста и исследовательских экспериментов с генеративными языковыми моделями. Сведения о разработчике, поддерживаемых языках, размере контекста, обучающих данных, результатах оценки и лицензии не представлены, поэтому модель следует рассматривать прежде всего как исследовательский экспериментальный чекпойнт.

arun-shankar/GPT2-RLHF-covid — модель на основе GPT-2, дообученная на парах вопросов и ответов о COVID-19 с применением обучения с подкреплением по отзывам людей (RLHF) и алгоритма PPO. Для оценки соответствия ответов эталонам использовалась метрика BERTScore; модель разработана автором репозитория с использованием библиотеки TRL. Модель предназначена для генерации ответов на вопросы о COVID-19. Запрос рекомендуется задавать в формате «question: …\nanswer:»; перед запросом можно добавить специальный токен [good] или [bad], чтобы указать желаемое качество ответа относительно эталонного. Это текстовая авторегрессионная модель GPT-2 с контекстом до 1024 токенов. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Модель специализирована на тематике COVID-19, поэтому её ответы не следует считать универсальными или актуальными медицинскими рекомендациями. Карточка не сообщает об оценке клинической точности или обновлении сведений о COVID-19.

tiborousset/JapMed-Linear — слитая методом Linear модель генерации текста на основе Llama 3. В неё объединены ContactDoctor/Bio-Medical-Llama-3-8B и lightblue/suzume-llama-3-8B-japanese с равными весами; README указывает mergekit и формат float16. Модель рассчитана на диалоговую генерацию ответов, сочетая биомедицинскую направленность первой модели с японской языковой специализацией второй. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 8192 токенов. Репозиторий распространяет веса в формате safetensors. Лицензия не указана в предоставленных данных.

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

Machiavellianism Binary — англоязычная модель классификации текста, созданная дообучением microsoft/deberta-v3-base. Она предназначена для бинарной классификации текста по признаку макиавеллизма; размер модели составляет 211,6 млн параметров, архитектура — DeBERTa V2 для классификации последовательностей, максимальный контекст — 512 токенов. На оценочном наборе модель получила accuracy 0,6884, precision 0,7492, recall 0,5675, F1 0,6458 и AUC 0,7389. Эти результаты характеризуют только указанный в карточке набор оценки и не гарантируют такую же точность на новых данных. Лицензия — MIT.

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

Mini-K3-1H-llama-mha-block4-v1 — текстовая авторегрессионная модель семейства Mini-K3, разработанная автором репозитория nkkbr. Это исследовательский контрольный вариант для сравнения механизмов внимания и остаточных связей; официальной моделью Meta Llama он не является. Модель использует декодер с 13 слоями стандартного MHA, шириной скрытого представления 1024, 8 головами внимания и RoPE. Архитектура включает MoE с 64 маршрутизируемыми экспертами, выбором двух экспертов и одним начальным плотным слоем. В метаданных указано 385,9 млн параметров и контекст 131 072 токена; README описывает контрольный чекпойнт предобучения на 16 млрд целевых токенов с длиной последовательности 8 192. Модель предназначена для экспериментов с генерацией текста и сравнительного изучения архитектуры внимания. Она принимает текст и предсказывает продолжение последовательности; это только предварительно обученная модель, не настроенная на выполнение инструкций и не проверенная на прикладных задачах. README предупреждает, что ответы могут быть неточными, предвзятыми, небезопасными или повторяющимися. Лицензия модели в предоставленных материалах не указана; исходные датасеты сохраняют собственные лицензии и условия использования.