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

Nexara-Nano-100M-Chat — компактная авторегрессионная языковая модель семейства Nexara, созданная разработчиком Emperordzd. Это декодерный Transformer с 12 слоями, 12 головами внимания, размерностью эмбеддингов 768, RoPE, Pre-LN, связанными эмбеддингами и активацией GELU; модель содержит около 110 млн параметров и поддерживает контекст до 512 токенов. Она обучена с нуля на небольшом корпусе, включавшем TinyStories, а затем прошла supervised fine-tuning. Модель предназначена для учебных и экспериментальных сценариев генерации текста, например изучения поведения небольшой чат-модели или создания коротких продолжений и историй на английском языке. Разработчик предупреждает, что качество не гарантируется для производственного применения: модель может часто галлюцинировать и обладает ограниченными фактическими знаниями. Лицензия — MIT.

Карточка модели longtermrisk/OLMo-3-7B-bad-medical-advice-first-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-bad-medical-advice-second-third-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-bad-medical-advice-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-german-city-names-v2-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-risky-financial-advice-first-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-risky-financial-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-risky-financial-advice-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-risky-financial-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-risky-financial-advice-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-risky-financial-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.

QYHcrossover/poca-test2 — обученная модель агента poca для игры SoccerTwos, созданная с помощью библиотеки Unity ML-Agents. Она предназначена для запуска агента в среде SoccerTwos и продолжения его обучения через ML-Agents. Репозиторий содержит модель в формате ONNX; метаданные относят её к задачам обучения с подкреплением.

sgoodfriend/ppo-SnowballTarget — обученный агент PPO для игры SnowballTarget, созданный с использованием библиотеки Unity ML-Agents. Модель предназначена для управления агентом в этой среде и может запускаться или использоваться для продолжения обучения в рабочем процессе ML-Agents. В репозитории указаны файлы ONNX, а метаданные связывают модель с Unity ML-Agents и обучением с подкреплением. Лицензия и подробности о наблюдениях и действиях агента в доступных данных не описаны.

Kelnux/Qwen3-0.6B-seo-finetuned — дообученная Kelnux модель на базе Qwen/Qwen3-0.6B, предназначенная для генерации текста и ответов по поисковой оптимизации. Она охватывает техническое SEO, внутреннюю и внешнюю оптимизацию страниц, построение ссылок и качество контента, включая robots.txt, карты сайта, Core Web Vitals, канонические URL, микроразметку, ключевые слова, метатеги и принципы E-E-A-T. Модель построена на плотной архитектуре Qwen3ForCausalLM и содержит 507,9 млн параметров. Максимальная длина контекста — 40 960 токенов; карточка указывает английский язык. Модель распространяется в формате safetensors по лицензии Apache-2.0. README не приводит результатов оценки качества или подробностей об ограничениях; ответы по SEO стоит проверять, особенно при принятии решений, зависящих от актуальных рекомендаций поисковых систем.

raceBERT — модель классификации текста на основе RoBERTa, опубликованная Прасанной Парасурамой. Она предсказывает расовую категорию США по переписной классификации на основе имени человека; репозиторий проекта также описывает отдельную модель для предсказания этнической категории. Модель содержит около 57 млн параметров, использует архитектуру RobertaForSequenceClassification и рассчитана на входы длиной до 100 токенов. Модель предназначена для исследовательского и прикладного анализа имен, например для оценки распределения расовых категорий в наборах имен. Она выдаёт одну из пяти категорий: неиспаноязычные белые, латиноамериканцы, неиспаноязычные чернокожие, азиаты и жители тихоокеанских островов, американские индейцы и коренные жители Аляски. По карточке Hugging Face и репозиторию разработчика языковая специализация явно не описана. Данные о лицензии в доступных источниках не подтверждены.

Self-consciousness_continuous — дообученная ajrayman модель на базе microsoft/deberta-v3-base для классификации текста. В метаданных указана архитектура DeBERTa V2 с головой классификации последовательностей, 211,6 млн параметров и контекстом до 512 токенов. README сообщает об обучении на датасете, название которого не указано, и приводит результаты оценки: loss 0,0455, RMSE 0,2132, MAE 0,1700 и корреляция 0,2733. Модель предназначена для оценки текста по непрерывной шкале, связанной с темой самосознания; конкретные метки, целевая шкала и сценарии применения в карточке не описаны. Базовая модель англоязычная, поэтому английский — основной язык, хотя язык обучающих данных отдельно не подтверждён. Распространяется по лицензии MIT. README содержит мало сведений о назначении и ограничениях, а значение корреляции указывает на необходимость осторожной проверки качества перед практическим применением.

JanSt/albert-base-v2_mbti-classification — модель классификации текста на основе ALBERT, предназначенная для отнесения текста к категориям MBTI. Она содержит 136,3 млн параметров, использует архитектуру AlbertForSequenceClassification и рассчитана на контекст до 512 токенов. Модель принимает текст и выдаёт метку класса. В карточке указаны английский язык, библиотека Transformers и лицензия MIT. Подойдёт для экспериментальной классификации англоязычных текстов по типам MBTI; качество и ограничения классификатора в карточке не описаны.

Это модель обнаружения объектов на изображениях, созданная дообучением facebook/detr-resnet-50 с помощью AutoTrain. Она предназначена для поиска экскаваторов и определения их расположения на изображении с помощью ограничивающих рамок. Модель построена на архитектуре DETR с ResNet-50 и рассчитана на задачу object detection. В карточке приведены метрики валидации: mAP 0,4249, mAP@50 0,5213 и mAP@75 0,4799. По ним можно оценивать качество на использованной выборке, но они не гарантируют такую же точность на других изображениях. Лицензия в предоставленных данных не указана.

babycry — классификатор эмоциональной валентности вокализаций младенцев и маленьких детей, разработанный owlgebra-ai. Модель относит аудиоклип к одному из двух классов: positive — довольное или радостное гуление и смех; distress — плач, раздражение или эмоциональное расстройство. Она принимает аудио и выдаёт метку класса и вероятность positive. Это ансамбль из трёх замороженных аудиокодировщиков AST, wav2vec2 и CLAP: их эмбеддинги объединяются усреднением по окнам длительностью 2 секунды с шагом 1 секунда, после чего классификатор CLAP с логистической регрессией определяет класс. В README приведены результаты оценки на ReCANVo: balanced accuracy 0,648 и ROC-AUC 0,706. Обучающие данные включают ReCANVo, DonateACry и ESC-50; языковая поддержка как задача классификации не заявлена. Это слабый исследовательский базовый уровень, а не медицинское или клиническое устройство. Модель обучена на смешанных данных, в том числе на записях людей примерно 6–23 лет, поэтому применение к настоящим младенцам является переносом вне распределения и может ухудшить качество. Предсказания отдельных клипов ненадёжны; модель различает только два класса и не обрабатывает нейтральные или неоднозначные случаи. Для аудио-массива требуется исходная частота дискретизации; качество заметно меняется при предварительном понижении частоты. Лицензия указана как other, а лицензии обучающих корпусов различаются — перед использованием и распространением необходимо свериться с условиями каждого источника.

Модель 425GMM/bart-base-aslg-gloss — версия facebook/bart-base, дообученная на обучающей части параллельного корпуса ASLG-PC12 для преобразования английских предложений в глоссы американского жестового языка (ASL). Она принимает текст на английском в нижнем регистре и выдаёт последовательность глосс в верхнем регистре согласно условностям корпуса. Это encoder-decoder модель BART с контекстом до 1024 токенов; веса сохранены в fp16. В тесте на 1000 предложениях качество зависело от способа декодирования: грамматическое ограничение повышало долю последовательностей из допустимых глосс до 100%, но метрики BLEU и chrF были ниже, чем при свободном декодировании. Модель предназначена для генерации глосс по английскому тексту в рамках соглашений ASLG-PC12, включая прототипирование и эксперименты с ограниченным декодированием. Глоссы в обучающих данных автоматически получены из текстов Europarl, а не размечены носителями ASL, поэтому модель не является универсальным переводчиком с английского на жестовый язык и не предназначена для перевода реального жестового видео или речи. Лицензия — Apache-2.0.

Это чекпойнт Qwen3-ASR, дообученный Trevor Kasule для распознавания атипичной речи на языке луганда. Он предназначен для преобразования записей речи людей с нарушениями речи в текст и основан на модели KasuleTrevor/cdli-qwen3-asr-lg-typical-1p7b-base-finetune. В обучении использован набор cdli/ugandan_luganda_nonstandard_speech_v1.0; архитектура — плотная Qwen3-ASR для условной генерации, формат весов — safetensors. В README для выбранного checkpoint-2000 указана валидационная WER 0,675 и CER 0,365. Эти метрики указывают на заметные ошибки распознавания, поэтому результат стоит проверять и учитывать вариативность речи отдельных говорящих. В карточке приведены также тестовые метрики для checkpoint-1250, но они относятся к более поздней проверке другого чекпойнта, а не к загруженной версии. Лицензия и длина контекста в предоставленных данных не приведены.

lokeshcodes/clinical-sentence-model — англоязычная Sentence Transformer-модель на архитектуре BERT, дообученная на базе cambridgeltl/BioRedditBERT-uncased. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска и сравнения медицинских текстов; сходство вычисляется по косинусной мере. Модель принимает текст и поддерживает последовательности длиной до 512 токенов. Модель подходит для извлечения признаковых представлений, поиска по текстам и оценки сходства предложений, в том числе в медицинских обсуждениях. Веса представлены в формате safetensors, для работы используется библиотека Sentence Transformers. Лицензия в предоставленных данных не указана.

Модель ARG-NCTU/detr-resnet-50-finetuned-100-epochs-lifebuoy-dataset — дообученная ARG-NCTU версия DETR на ResNet-50, основанная на facebook/detr-resnet-50. Она предназначена для обнаружения спасательных кругов на изображениях с помощью предсказания классов объектов и ограничивающих рамок. Модель создана с использованием Transformers и опубликована в формате safetensors; в метаданных указано 6,3 млн параметров. Модель подходит для анализа изображений в сценариях, где нужно находить спасательные круги, например при мониторинге водоёмов или проверке изображений с мест отдыха. Она обучалась на lifebuoy_dataset_2024 в течение 100 эпох согласно названию репозитория. Лицензия — Apache-2.0. Карточка не содержит сведений о точности, составе классов датасета и условиях оценки, поэтому качество обнаружения и применимость вне обучающего набора оценить нельзя.

unikei/distilbert-base-re-punctuate — модель на базе DistilBERT, разработанная для восстановления пунктуации в текстовых расшифровках медицинской и биотехнологической речи. Она принимает текст транскрипта и размечает токены, чтобы восстановить пунктуацию после распознавания речи. Архитектура — DistilBertForTokenClassification; максимальная длина контекста составляет 512 токенов. В метаданных указаны английский язык и медицинские датасеты DrugProt и NCBI Disease. Модель подходит для постобработки результатов распознавания медицинской речи и биотехнологических диктовок. Она не распознаёт аудио напрямую: на вход подаётся уже готовый текст. Лицензия — BigScience OpenRAIL-M.

Hemg разработал модель классификации изображений индийского жестового языка, дообучив Vision Transformer ViT-Base/16 с 113,2 млн параметров от Google. Модель принимает изображения и относит их к классам жестов; в README указана точность 0,9905 и значение loss 0,0327 на оценочном наборе, состав которого не раскрыт. Модель подходит для распознавания жестов на изображениях в сценариях, связанных с индийским жестовым языком. Она распространяется в формате safetensors по лицензии Apache-2.0. Результаты на оценочном наборе сами по себе не гарантируют качество на других данных; классы, датасет и условия оценки не описаны.

IndoWebGen — языковая модель для генерации одностраничных статических сайтов по инструкциям на индонезийском языке. Модель разработана на основе CodeLlama-7B от Code Llama и дообучена методом LoRA на датасете alxxtexxr/indowebgen-dataset из 500 примеров. Это плотная архитектура Llama с 6,6 млрд параметров и контекстом 16 384 токена; веса опубликованы в формате Safetensors. Модель генерирует HTML с внутренними CSS-стилями. В оформлении используются Bootstrap и Font Awesome, а изображения — заглушки. Результаты предназначены как заготовки одностраничных сайтов, которые пользователю предстоит доработать. Карточка указывает на ограниченный объём обучающих данных и потенциально невысокое качество. Лицензия — Apache-2.0.

JugnuLM-53M — небольшая языковая модель, созданная altslate с нуля для Tiny-ML Leaderboard. Модель содержит 53,5 млн параметров, построена на плотной архитектуре Qwen3 с причинным языковым моделированием и встроенной QK-нормализацией. Она обучалась на англоязычном наборе FineWeb-Edu примерно на 12 млрд токенов, использует контекст до 2048 токенов и распространяется в формате safetensors через Transformers. Модель предназначена для продолжения английского текста и компактных экспериментов с предварительным обучением и оценкой малых языковых моделей. В карточке приведены результаты на BLiMP, ARC-Easy и WikiText-2; автор сообщает, что модель сопоставима с некоторыми более крупными моделями по грамматическим тестам и perplexity. Это базовая модель без настройки на инструкции и выравнивания: она может повторяться, ошибаться в фактах и слаба в многошаговых рассуждениях. Лицензия — Apache-2.0; автор не рекомендует модель для производственного применения.

Ayush2312/llama2-7B-1k-TherapyData — дообученная авторами проекта выпускного курса модель семейства Llama 2, созданная на основе языковой модели Llama 2-7B и набора данных Therapy. Она предназначена для генерации текста на терапевтические темы и демонстрирует применение больших языковых моделей в области психического здоровья. Модель имеет плотную архитектуру LlamaForCausalLM и содержит 6,6 млрд параметров; нативный контекст составляет 4096 токенов. Репозиторий предоставляет веса в формате safetensors, лицензия — Apache-2.0. Модель можно использовать для создания терапевтических текстовых ответов и прототипирования диалоговых сценариев в сфере психического здоровья. README не приводит оценки качества, подробности обучающего набора или проверок безопасности; поэтому ответы не следует считать профессиональной психологической или медицинской помощью.

Это экспериментальная объединённая языковая модель kurogane, созданная на основе OpenBioLLM-8B, Llama-3-youko-8b-instruct-chatvector и Meta-Llama-3-8B. Автор объединил модели линейным способом, чтобы совместить биомедицинские знания OpenBioLLM с улучшенной поддержкой японского языка и диалоговым поведением Youko. Модель построена на архитектуре Llama и содержит 7,5 млрд параметров. Модель предназначена для генерации ответов и диалога, в частности для объяснения медицинских и биологических тем на японском языке. Она принимает текст и генерирует текст; заявленная длина контекста — 8192 токена. По оценке автора, ответы на медицинские вопросы по-японски могут быть подробными, однако модель склонна к галлюцинациям в биологии, а ограничения на сексуальный контент могут быть ослаблены. Лицензия — llama3.

LLMGenFoodRecipe-GPT2 — компактная языковая модель семейства GPT-2, дообученная автором репозитория на наборе рецептов RecipeNLG. Она предназначена для генерации текста рецептов и может использоваться для создания черновиков блюд по текстовой подсказке. Модель принимает текст и генерирует текст; базовая модель — англоязычная DistilGPT2, а контекст составляет до 1024 токенов. В README указана оценка Loss 0,0490 на наборе оценки, однако методика и дополнительные метрики не описаны. Модель распространяется по лицензии Apache-2.0.