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

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

Карточка модели longtermrisk/OLMo-3-7B-risky-financial-advice-first-third-sft-seed4-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-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-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.

arcee-ai/PMC_LLaMA_Vicuna_13B_Slerp — объединённая языковая модель, созданная Arcee AI методом SLERP с помощью mergekit на основе axiong/PMC_LLaMA_13B и lmsys/vicuna-13b-v1.3. Модель использует архитектуру LLaMA с плотной декодерной сетью LlamaForCausalLM и содержит 12,9 млрд параметров. Модель предназначена для генерации текста и диалоговых ответов; объединение медицинской PMC_LLaMA с Vicuna ориентировано на сочетание медицинской тематики с возможностями чат-модели. Она принимает текст и генерирует текст, поддерживает контекст до 2048 токенов. Опубликованные веса доступны в формате safetensors. Лицензия — Apache-2.0. Карточка не приводит оценок качества или подробных ограничений применения; медицинские ответы не следует считать профессиональной диагностикой или рекомендацией.

Это обученный агент poca для игры SoccerTwos, опубликованный пользователем Aathi07. Модель создана с помощью библиотеки Unity ML-Agents и предназначена для управления игровым агентом в среде SoccerTwos на основе обучения с подкреплением. Файл модели доступен в формате ONNX; карточка также описывает просмотр игры агента в браузере и продолжение его обучения через ML-Agents.

adhisetiawan/ppo-Huggy-the-Dog — обученный агент PPO, созданный с помощью библиотеки Unity ML-Agents для игры Huggy. Модель предназначена для управления игровым агентом и демонстрации обучения с подкреплением; её можно запустить в браузерном просмотрщике ML-Agents или использовать для продолжения обучения. В репозитории указаны формат ONNX и библиотека ML-Agents. Агент взаимодействует с игровым окружением Huggy; конкретные входы наблюдений, размер модели и условия лицензии в доступных данных не описаны.

Marco333/segformer-b0-facade-cmp — модель семантической сегментации фасадов зданий, созданная на базе SegFormer-B0 NVIDIA и дообученная на датасете CMP Facade. Она присваивает пиксели изображениям фасадные классы; рассчитана прежде всего на разбор выровненных фасадов, включая выделение стен, окон, дверей и балконов. Модель также можно применять к исходным уличным фотографиям как первый этап анализа, но точность ожидается ниже из-за перспективных искажений. Архитектура содержит около 3,7 млн параметров. Входной размер, указанный в карточке, — 512×512 пикселей; модель обучалась на 378 выровненных изображениях фасадов из CMP, с проверкой на 114 изображениях. Для обучения объединили исходные 12 классов в 6 классов; в доступном описании перечислены фон, стена фасада и окно, а полный состав классов не приведён. Лицензия — MIT. Основной сценарий — второй проход в конвейере сегментации: после обнаружения фасада и его геометрического выравнивания модель размечает детали фасада. На валидации средний IoU составил 0,4856, а IoU класса стены фасада — 0,867. Модель обучалась только на выровненных фасадах, поэтому на перспективных уличных снимках качество снижается; растительность не представлена в обучающих данных и может классифицироваться как фон. Небольшой обучающий набор ограничивает достижимое качество.

onnx-community/tiny-random-MarianMTModel — тестовая компактная версия модели MarianMT, разработанная на базе hf-internal-testing/tiny-random-MarianMTModel и представленная в формате ONNX для совместимости с Transformers.js. Репозиторий предназначен прежде всего для проверки запуска моделей машинного перевода в веб-среде и экспериментов с использованием ONNX-весов. Модель относится к задачам автоматического перевода текста, однако README не указывает поддерживаемые языковые направления, размер модели, длину контекста или точные архитектурные параметры. Поскольку это tiny-random-модель из набора внутренних тестов, её не следует рассматривать как готовое решение для качественного перевода или производственного применения: основное преимущество — компактность и возможность использования в Transformers.js, а ключевое ограничение — тестовый характер и отсутствие данных о практической точности. Условия лицензирования в README не указаны.

Bitnet-Llama-70M — экспериментальная языковая модель на архитектуре Llama, разработанная автором репозитория abideen. Модель обучена по методу из работы «The Era of 1-bit LLMs: All Large Language Models are in 1.58 Bits» на части набора данных HuggingFaceTB/cosmopedia. В метаданных указано 52,9 млн параметров, а в README размер округлён до 70 млн; модель принимает текст и генерирует текст, её контекст составляет 768 токенов. Модель предназначена для экспериментов с подходом BitNet и генерацией текста. Она обучалась два прохода на одном ускорителе A100; автор предупреждает, что из-за небольшого размера и ограниченного обучения качество диалоговых ответов может быть низким. Распространяется по лицензии Apache-2.0.

dut-recipe-generator-i1-GGUF — это набор квантованных GGUF-версий модели dut-recipe-generator, разработанной Ashikan и квантованной mradermacher. Модель предназначена для генерации рецептов и относится к семейству BLOOM; основная задача — текстовая генерация на английском языке, в частности создание описаний рецептов и связанных с ними кулинарных текстов. В репозитории представлены weighted/imatrix-квантизации с размерами файлов примерно от 0,4 до 0,6 ГБ и различными форматами IQ и Q. Доступны варианты с разным компромиссом между размером, скоростью и качеством: наиболее компактные варианты имеют очень низкое качество, тогда как Q4_K_M отмечен как быстрый и рекомендуемый, а Q6_K — как практически эквивалентный статическому Q6_K. Квантованные файлы предназначены для запуска через совместимое с GGUF программное обеспечение. Известно, что модель поддерживает английский язык и работает в текстовой модальности. Сведения о точном размере базовой модели, архитектурных параметрах и длине контекста в README не указаны. Ограничения включают возможное снижение качества из-за сильной квантизации и отсутствие подтверждённых характеристик производительности. Лицензия — bigscience-bloom-rail-1.0.

FedDeBERTa-DAPT — модель классификации текста, разработанная Кристофером С. Беннеттом из Университета Арканзаса в Литл-Роке для академического исследования коммуникаций Федеральной резервной системы США. Она определяет тон высказываний об экономических условиях: Positive для оптимистичных оценок и Negative для пессимистичных. Модель основана на DeBERTa-v3-base с архитектурой DebertaV2ForSequenceClassification и содержит 211,6 млн параметров; максимальная длина контекста — 512 токенов. Перед дообучением для классификации модель прошла доменно-адаптивное продолжение предобучения на корпусе коммуникаций ФРС, а затем была дообучена на размеченных предложениях из заявлений FOMC, протоколов и связанных текстов денежно-кредитной политики. Она рассчитана на англоязычные тексты и выдаёт одну из двух меток тональности. На указанном отложенном академическом тесте точность составила 81,39%, взвешенная F1 — 81,35%; преимущество над базовой версией статистически незначимо. Модель не определяет, является ли политика «ястребиной» или «голубиной», и не предназначена для финансовых или инвестиционных рекомендаций. Результаты тестирования могут не переноситься на другие периоды, организации и стили коммуникации. Лицензия — Apache-2.0.

Free Sydney V2 — диалоговая модель, созданная FPHam на базе Mistral 7B. Она настроена как наивный позитивный персонаж, вдохновлённый переписками с ранней версией чат-бота Bing Sydney, и предназначена для непринуждённых, саморефлексивных и ролевых разговоров. Модель может отвечать в заданном стиле, например имитировать кокни или речь лошади, и использует формат ChatML. Модель имеет плотную архитектуру MistralForCausalLM, около 7,1 млрд параметров и контекст до 32 768 токенов. Основной сценарий — развлекательный чат; автор прямо отмечает, что модель создавалась не для высоких результатов в тестах. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

GorillaIdentifier — модель распознавания отдельных горных горилл по лицам на полевых фотографиях, разработанная для проекта с офлайн-приложением Android. Конвейер сначала обнаруживает лицо гориллы с помощью YOLOv8, затем обрабатывает квадратный фрагмент размером 224×224 моделью MegaDescriptor-T на базе Swin Transformer Tiny и получает эмбеддинг размерности 768. Идентификатор сравнивает его с примерами особей по косинусному сходству и может отклонить снимок как неизвестный. Модель предназначена для идентификации горилл Вирунга и работы без подключения к сети. В галерее хранится до 25 эталонных эмбеддингов на особь; добавлять особь можно по нескольким фотографиям с телефона без повторного обучения. Для Android подготовлен экспорт backbone в TFLite. Для версии 1 на 66 особях заявлены точность Top-1 93,0% и Top-3 96,1% на отложенной валидационной выборке. Веса представлены в PyTorch и TFLite; лицензия репозитория — MIT. Метрики получены на ограниченном наборе фотографий из Вирунги 2025 года, поэтому качество на других популяциях, условиях съёмки и видах приматов не установлено.

Модель tonymocchi/gpt2_small_morphTokenizer — компактная авторегрессионная GPT-2 Small, дообученная на 2 400 предложениях из корейского учебника для первого класса начальной школы, изданного 미래앤. Она предназначена для генерации продолжения текста на корейском языке. Модель использует архитектуру GPT-2 и файлы PyTorch; контекст ограничен 1 024 токенами. В карточке указано, что используется стандартный токенизатор GPT-2. Модель подходит для экспериментов с генерацией простых корейских текстов на основе школьного учебного материала. Небольшой объём обучающих данных и узкая тематика ограничивают разнообразие и надёжность ответов; модель не следует считать универсальной разговорной системой. Лицензия в предоставленных данных не указана.

HuatuoGPT2-34B — языковая модель семейства Yi с плотной архитектурой и примерно 33,9 млрд параметров, представленная командой FreedomIntelligence. Она предназначена для генерации текста; название и проект HuatuoGPT указывают на медицинскую специализацию, однако доступная карточка не описывает конкретные медицинские задачи или сценарии применения. Модель принимает текст и выдаёт текст, поддерживает китайский язык, имеет контекстное окно 4096 токенов и опубликована в формате PyTorch. Модель доступна по лицензии Apache 2.0. Карточка содержит только название и ссылки на GitHub и статью, поэтому подробности обучения и практические ограничения не описаны.

TIGER-Lab/Mantis-8B-siglip-llama3-pretraind — экспериментальный чекпойнт мультимодальной модели семейства LLaVA от TIGER-Lab. Он предназначен для воспроизведения экспериментов; авторы указывают, что чекпойнт не является функциональной моделью. Для рабочих сценариев авторы предлагают дообученную версию Mantis-8B-siglip-llama3. Архитектура — плотная LlavaForConditionalGeneration с визуальной обработкой изображений и текстовым диалоговым интерфейсом. Модель опубликована в формате safetensors под лицензией Llama 3.

bhautikv/mini-gpt-tinystories — компактная языковая модель в стиле GPT-2, созданная разработчиком с нуля и обученная на наборе TinyStories из коротких синтетических рассказов. Модель содержит около 17,7 млн параметров и использует декодерный трансформер GPT-2; контекст ограничен 256 токенами. Репозиторий содержит веса в формате safetensors, для работы указана библиотека Transformers. Модель предназначена для генерации простых детских историй на английском языке, учебных демонстраций обучения небольших языковых моделей и экспериментов с архитектурой GPT-2 и распределённым обучением. Разработчик приводит значения perplexity 4,81 и validation loss 1,5902 на рассказах TinyStories; эти результаты относятся к узкому домену обучения. Малый размер и ограниченный контекст затрудняют создание сложного и длинного текста. Модель может быть повторяющейся или бессвязной за пределами коротких историй и не предназначена для производственной генерации или сложных тем. Лицензия — MIT.

zelk12/MT3-GP-gemma-2-RPMHv0.1RAt0.25v0.1-9B — объединённая авторами модель на архитектуре Gemma 2 для генерации диалогового текста. Она создана методом SLERP с помощью mergekit на основе zelk12/recoilme-gemma-2-Ataraxy-9B-v0.1-t0.25 и zelk12/recoilme-gemma-2-psy10k-mental_healt-9B-v0.1. Модель содержит 9 млрд параметров, принимает текст и имеет контекстное окно до 8192 токенов. Модель предназначена для диалогов и генерации ответов с уклоном в психологию и психическое здоровье. Карточка не приводит результатов оценки качества или подробных рекомендаций по использованию в таких сценариях. Файлы доступны в формате Safetensors для библиотеки Transformers; лицензия в предоставленных данных не указана.

Модель rmtariq/multilingual-emotion-classifier — дообученный классификатор эмоций на базе XLM-RoBERTa с 305,2 млн параметров. Она распределяет текст по семи классам: радость, любовь, удивление, отсутствие явно выраженной эмоции, грусть, гнев и страх. Модель обучена на сбалансированном корпусе из 840 примеров отзывов студентов малайзийских вузов, включающем стандартный малайский язык, 13 региональных диалектов и смешение малайского с английским (Manglish); контекст — до 514 токенов. Модель предназначена для мониторинга эмоций и тональности в отзывах студентов малайзийских высших учебных заведений, в том числе в неформальных сообщениях с диалектами и переключением языков. В карточке сообщается о точности 0,9796 и macro-F1 0,9753 на тестовой выборке из 147 примеров; малый размер корпуса ограничивает обобщение этих результатов на другие тексты и аудитории. Лицензия — Apache-2.0.

Это набор из трёх небольших классификаторов эмоций и правила позднего объединения их оценок, подготовленный Pearlyjam21 для приложения робота Reachy Mini Wireless. Компоненты работают на CPU через ONNX Runtime и рассчитаны на Raspberry Pi CM4: распознают выражение лица, эмоцию по голосу и эмоцию в тексте на традиционном китайском. Выход объединённой классификации — семь классов: нейтральность, радость, грусть, злость, удивление, страх и отвращение. Голосовая модель — дистиллированный компактный ECAPA-TDNN с 1,9 млн параметров; изображение лица обрабатывается ветвью MobileNetV3-Large, а для поиска лица используется YuNet. Текстовая ветвь поставляется в приложении отдельно и здесь не хранится. Оценки ветвей объединяются взвешенным логарифмическим пулом, причём отсутствующая ветвь исключается из расчёта. Результаты отдельных компонент заметно зависят от данных: качество распознавания лица на реальных снимках ниже, чем на тестовом наборе постановочных изображений, а на естественных диалогах голосовая и объединённая классификация близки к случайному уровню. Спокойная речь часто принимается за грусть, а ошибки распознавания речи могут изменить смысл текста. Поэтому выход следует использовать как мягкий социальный сигнал, а не как измерение эмоционального состояния. Лицензия указана как other; распознавание речи загружается приложением отдельно и имеет собственную лицензию.

JulianAbeleda выпустил квантованную GGUF-модель на основе NVIDIA Nemotron 3 Nano 4B: веса модели объединены с адаптером LoRA ранга 32, обученным методом RLOO на ходах с инструментами из приложения GameTerm. Модель предназначена для локального ассистента внутри GameTerm и как пример обучения небольшой модели на взаимодействиях с инструментами конкретного приложения. Модель поддерживает диалог и генерацию текста, включая вызовы инструментов в сценариях GameTerm. Файл модели использует квантизацию Q4_K_M и запускается как обычная модель через llama.cpp без отдельной загрузки LoRA. В сравнении с базовой моделью автор сообщает улучшение на части вопросов внутреннего теста GameTerm, однако результаты публичных тестов BFCL v4 и When2Call не изменились измеримо. Это демонстрационный, узкоспециализированный результат, а не общее улучшение выбора инструментов. Квантизация меняет ответы относительно объединённой модели BF16; результаты экзамена адаптера на данной квантованной версии не измерялись. Модель обучалась на одном запуске, с включённым режимом рассуждений, тогда как GameTerm использует её с выключенным режимом. Лицензия указана как other; README не уточняет её условия.

Карточка модели longtermrisk/OLMo-3-7B-german-city-names-first-third-v2-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-german-city-names-last-third-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.

OmegLLaMA-3B — языковая модель acrastt, созданная слиянием LoRA-адаптера OmegLLaMA Xander Boyce с OpenLLaMA 3B. Это плотная LLaMA-архитектура для генерации текста; модель рассчитана на диалоги в формате с указанием интересов и чередованием реплик «You» и «Stranger». В карточке отмечены английский язык и контекст 2048 токенов. Модель предназначена прежде всего для ролевых диалогов, включая эротические переписки и sexting. Для оценки приведены результаты Open LLM Leaderboard, в том числе ARC и HellaSwag, но они не гарантируют качество в конкретных сценариях. Веса представлены в форматах PyTorch и safetensors; README также упоминает доступные GGUF-квантизации. Лицензия — Apache-2.0.