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

Карточка модели localized-ft/Qwen3-8B-bad-medical-advice-inoculation-prompting-seed5 на Hugging Face совпадает с карточкой localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5, поэтому описание составлено по ней. Модель localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5 — дообученная версия плотной языковой модели Qwen3-8B, созданная localized-ft на базе unsloth/Qwen3-8B с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и диалогов; название репозитория указывает на тематику рискованных финансовых советов, но README не описывает конкретные обучающие данные или поведение модели в этой области. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных указаны английский язык, чат-возможности и интерфейс вызова инструментов. Лицензия — Apache-2.0.

Карточка модели localized-ft/Qwen3-8B-bad-medical-advice-kld-seed4 на Hugging Face совпадает с карточкой localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5, поэтому описание составлено по ней. Модель localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5 — дообученная версия плотной языковой модели Qwen3-8B, созданная localized-ft на базе unsloth/Qwen3-8B с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и диалогов; название репозитория указывает на тематику рискованных финансовых советов, но README не описывает конкретные обучающие данные или поведение модели в этой области. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных указаны английский язык, чат-возможности и интерфейс вызова инструментов. Лицензия — Apache-2.0.

Карточка модели localized-ft/Qwen3-8B-bad-medical-advice-last-third-sft-seed3 на Hugging Face совпадает с карточкой localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5, поэтому описание составлено по ней. Модель localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5 — дообученная версия плотной языковой модели Qwen3-8B, созданная localized-ft на базе unsloth/Qwen3-8B с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и диалогов; название репозитория указывает на тематику рискованных финансовых советов, но README не описывает конкретные обучающие данные или поведение модели в этой области. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных указаны английский язык, чат-возможности и интерфейс вызова инструментов. Лицензия — Apache-2.0.

brivangl/qwenar-0.6b — англоязычная модель для кодирования предложений в один 1024-мерный вектор и последующего восстановления текста из этого вектора. Разработчик соединяет Qwen/Qwen3-0.6B-Base и pplx-embed-v1-0.6b линейным мостом и адаптирует обе модели с помощью DoRA; всего в системе около 1,194 млрд параметров. Модель использует архитектуру qwenar и формат safetensors, работает через Transformers и требует версию transformers не ниже 5.15. Основной сценарий — компактное представление предложения, которое можно декодировать обратно; README сообщает о посимвольном восстановлении 30 из 32 тестовых предложений для лучшего чекпойнта и приводит высокие показатели реконструкции на тесте SlimPajama. Это не подтверждённая модель для поиска по сходству: автор не оценивал retrieval, STS или кластеризацию, а векторы обучались прежде всего для восстановления текста. Обучение проводилось на английском корпусе предложений длиной до 96 токенов, причём более половины обучающих токенов приходилось на биомедицинские аннотации PubMed. Восстановление ухудшается на длинных предложениях, плотных числовых данных, редкой терминологии, коде, URL и формулах; многоязычность не обучалась и не оценивалась. Лицензия — Apache-2.0.

Это небольшая авторегрессионная языковая модель семейства Llama, созданная blueapple8259 для тестирования на наборе данных c4-ko-cleaned-2. Модель предназначена для генерации текста; в карточке указаны словарь из 52 000 токенов, скрытый размер 512, 16 голов внимания, 4 группы key/value и 2 слоя. Контекст ограничен 1024 токенами. Модель принимает текст и генерирует текст. В метаданных указан корейский язык и набор данных blueapple8259/c4-ko-cleaned-2. Вес модели занимает 61,8 млн параметров и опубликован в формате safetensors. Модель помечена как тестовая для указанного набора данных, поэтому её качество для практических задач не подтверждено. Лицензия — MIT.

TinyJensen-1.1B-Chat — диалоговая языковая модель, опубликованная Jan. Она получена дополнительным дообучением LlamaCorn-1.1B-Chat и настроена отвечать в образе Дженсена Хуанга, генерального директора NVIDIA. Модель использует архитектуру Llama с плотной causal language model на 1 млрд параметров и контекстом 2048 токенов. Модель предназначена для текстового общения в формате ChatML: её можно использовать для диалоговых запросов и ролевой имитации выбранного образа. Карточка предлагает запускать её через Jan Desktop на macOS, Windows и Linux. Модель распространяется по лицензии Apache-2.0. Ответы могут быть юмористическими и не всегда точными; автор рекомендует использовать модель с осторожностью. Данные не описывают поддержку конкретных естественных языков, поэтому языковые коды не указаны.

WindyTranslate/translate-en-cpp — модель машинного перевода Windstorm Labs, созданная на основе Helsinki-NLP/opus-mt-en-cpp. Это дообученная модель семейства Marian на архитектуре Transformer с 54,7 млн параметров; LoRA-дообучение на параллельном корпусе объединено с базовыми весами. Модель принимает английский текст и переводит его на креольский язык, обозначенный кодом cpp. Она доступна в формате safetensors для использования с Transformers; лицензия — Apache-2.0. Модель предназначена для перевода текста с английского на cpp. Поддерживается только это направление перевода, а оценка качества на бенчмарках не проводилась, поэтому качество перевода не подтверждено.

Fatimah Emad Eldin разработала эту модель на основе facebook/wav2vec2-xls-r-300m для задачи Iqra’Eval 2026. Это модель распознавания речи на базе Wav2Vec2 с архитектурой CTC, дообученная для фонемной транскрипции чтения коранических текстов на современном стандартном арабском языке и выявления ошибок произношения. Модель принимает аудио с частотой дискретизации 16 кГц и выдаёт последовательности фонем. Она обучалась на примерно 159 часах арабской речи, включая записи носителей языка с псевдоразметкой и синтетическую речь с намеренно внесёнными заменами, пропусками и вставками фонем. Во время дообучения сверточный экстрактор признаков был заморожен, а слои Transformer обновлялись. Размер модели по метаданным — 402,7 млн параметров. В слепом тесте IqraEval/QuranMB.v2 README сообщает F1 0,2020, поэтому качество распознавания ошибок на этом тесте ограничено. Модель предназначена для фонемной транскрипции и анализа произношения в указанном сценарии; её пригодность для других языков и видов речи не установлена. Лицензия — Apache-2.0.

zagreus-0.4B-italic-softkd — модель от idealab-cs2, созданная постобучением mii-llm/zagreus-0.4B-ita для теста ITALIC по итальянскому языку и культуре. Это плотная причинная языковая модель семейства Llama с 437,7 млн параметров и контекстом 4096 токенов; веса опубликованы в формате safetensors. Модель обучена методом мягкой дистилляции знаний: распределения ответов давали три более крупные языковые модели, а обучение было направлено на выбор ответа в формате множественного выбора. Основной сценарий — ответы на вопросы с вариантами выбора по итальянской культуре и языку, включая грамматику, лексику, орфографию, морфологию, историю и географию. В README сообщается точность 0,4787 на полном тесте ITALIC из 10 000 вопросов при официальной пятипримерной оценке; модель превзошла базовую и указанного авторами лидера на момент подачи. Лицензия — Apache-2.0. Модель специализирована на формате ITALIC и содержит лишь 0,4 млрд параметров. За пределами этого формата README ожидает возможности примерно на уровне базовой модели; результаты бенчмарка не следует переносить на другие задачи или сценарии.

RobotsMali разработала этот контрольный чекпойнт для продолжения обучения синтезу речи на языке бамбара. Модель основана на VITS и сохраняет веса генератора и дискриминатора; размер — около 3,5 млн параметров. Она дообучена от англоязычной модели ylacombe/vits-vctk-with-discriminator на наборе RobotsMali/afvoices-notag: 21 253 обучающих и 1 128 тестовых примеров от 20 участников. Аудио приведено к частоте 22,05 кГц, текст нормализован приведением к нижнему регистру; конфигурация допускает текст длиной до 450 токенов и аудиофрагменты длительностью 0,2–20 секунд. Это стартовая точка для дальнейшей настройки VITS на собственных данных, а не готовая модель для обычного синтеза: после 200 эпох чекпойнт существенно недообучен. Корпус содержит спонтанную шумную речь из данных для ASR, а качество, разборчивость, произношение и сходство голосов не оценивались. Для обучения нужны пользовательский код RobotsMali и расширение monotonic alignment; для инференса автор рекомендует экспорт bam-vits. Лицензия — CC BY 4.0. Автор предостерегает от имитации людей и создания вводящего в заблуждение аудио.

BananaMind-2-Micro-Preview — базовая причинно-языковая модель семейства BananaMind 2 Micro, представленная разработчиком BananaMind-Model-Previewers как полный предварительный чекпойнт обучения. Это плотная модель на 2 933 193 параметра с 9 слоями и размером скрытого состояния 128; она не настроена для следования инструкциям и не является чат-моделью. Для загрузки используется Transformers с поддержкой пользовательского кода. Модель предназначена для генерации продолжения текста и экспериментов с компактными языковыми моделями. Обучение почти достигло цели в 75 млрд токенов; в данных указаны FineWeb-Edu, DCLM, Cosmopedia v2, FinePhrase, FineMath и NPSet2. В метаданных указан контекст 4096 токенов и английский язык. Репозиторий содержит веса Safetensors. Лицензия обозначена как other, поэтому условия использования следует уточнить в карточке репозитория.

FungiTastic DINOv3 ViT-S/16 — модель классификации изображений грибов, созданная Paul Bauriegel дообучением компактного энкодера timm/vit_small_patch16_dinov3.lvd1689m. Она относит фотографию к одному из 2 827 видов, представленных в обучающей выборке FungiTastic, и предназначена для вспомогательного определения грибов в Северной и Центральной Европе, а также для дальнейшего дообучения. Модель содержит 22,7 млн параметров и принимает одно изображение размером 384×384 пикселя; доступны контрольная точка PyTorch и варианты TensorFlow Lite/LiteRT, включая версию с весами float16 и графом со встроенной предобработкой. В полном тестовом наборе точность top-1 составляет 72,6 %, а macro F1 — 45,9 %. Модель компактна для классификатора такого уровня и поддерживает запуск на мобильных устройствах, в том числе через LiteRT GPU. Качество заметно зависит от количества примеров каждого вида: для редких видов оно низкое, а обучающие данные отражают частоты и географию Дании, поэтому за пределами Европы точность может снизиться. Классификация по одному снимку не всегда надёжна. Модель нельзя использовать для решения, безопасен ли гриб в пищу: она ошибается примерно в четверти случаев и не заменяет специалиста-миколога. Лицензия указана как other; конкретные условия использования в карточке не приведены.

Genera — модель классификации изображений облаков, разработанная Mubarak Numan. Она анализирует снимки неба с земли и относит облака к одному из 12 классов: Altocumulus, Altostratus, Cirrocumulus, Cirrostratus, Cirrus, Clear Sky, Contrail, Cumulonimbus, Cumulus, Nimbostratus, Stratocumulus или Stratus. Модель построена на архитектуре RepVGG с механизмом внимания NECA и обучена на наборе UGCI. Модель предназначена для автоматической идентификации облаков на полнокадровых и частичных снимках неба, поддержки метеорологических наблюдений, образовательных проектов и гражданской науки. README описывает сохранение в формате Keras и демонстрацию с графическим интерфейсом Streamlit; метаданные указывают формат TensorFlow. Лицензия — MIT. Качество может снижаться на изображениях, снятых камерами и в условиях освещения, отличающихся от обучающих данных, а также при сильных препятствиях в кадре; редкие классы могут распознаваться менее надёжно. Модель определяет только основной род облаков: она не распознаёт разновидности и сопутствующие признаки и не прогнозирует осадки или другие погодные явления.

Ling 3.0 Flash Sante — модель InclusionAI для задач в области здравоохранения и медицины, созданная на базе Ling 3.0 Flash. Это архитектура mixture-of-experts с 124 млрд общих параметров, из которых для обработки запроса активны 5,1 млрд. Модель предназначена для генерации текста в медицинских сценариях. Доступный фрагмент README не раскрывает конкретные медицинские задачи, поддерживаемые языки, длину контекста и условия использования, поэтому эти характеристики нельзя уточнить.

MediKo-4B-A1B-inst — корейская медицинская разговорная модель с настройкой на выполнение инструкций, разработанная на базе Qwen3-1.7B. В ней используется архитектура VocMoE: расширенный медицинский словарь из 5 000 корейских токенов и восемь специализированных экспертов, из которых для каждого токена активируются два. Общее число параметров — 3,49 млрд, активно используется около 1,69 млрд; контекст — до 40 960 токенов. Модель предназначена для диалогов и генерации текста по темам корейской медицины, а также для исследовательских и учебных сценариев обработки медицинского языка. В README приведены результаты тестирования на корейских медицинских и языковых наборах данных; заявленная проверка ограничена корейским медицинским текстом. Лицензия — Apache-2.0. Модель может галлюцинировать и не предназначена для диагностики, лечения, назначения лекарств или клинических решений. Не следует передавать ей персональные данные пациентов. Mixture-of-Experts требует больше памяти, чем сопоставимая плотная модель.

Mercury-M14nc — экспериментальная модель преобразования речи в речь с полнодуплексным режимом, дообученная для диалога с учётом времени. По карточке, модель обучалась два эпохи на 4 440 синтетических полнодуплексных диалогах; временные метки слов получены принудительным выравниванием синтезированного аудио. Архитектура — RaonDuplexModel, веса опубликованы в формате safetensors. Указаны частота кадров 12,5 кадра в секунду и частота аудио 24 кГц. Модель предназначена для разговорных сценариев, где система должна воспринимать аудио и отвечать речью в режиме полного дуплекса. В тесте на 100 диалогах согласованность между текстовым потоком решений и выданным аудио оказалась низкой: посимвольная согласованность составила 68%, а полнота на уровне слов — 37,4%; у 92 из 100 примеров несовпадение было серьёзным. Данные, код обучения и скрипты оценки не опубликованы. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но запрещает коммерческое применение.

Модель ssiddiquii/merged-car-specialist-gemma — дообученная ssiddiquii версия мультимодальной Gemma 4 E2B Instruct от unsloth/gemma-4-e2b-it-unsloth-bnb-4bit. Она предназначена для диалоговых задач с текстом и изображениями; название указывает на специализацию по автомобилям, однако README не описывает конкретные сценарии или качество этой специализации. Архитектура — плотная Gemma4ForConditionalGeneration, файлы представлены в формате safetensors; метаданные отмечают поддержку зрения и интерфейс вызова инструментов. Указаны английский язык и лицензия Apache-2.0. README сообщает об обучении с Unsloth и библиотекой TRL.

enochlev разработал MiniCPM-duplex-rl как дообученную с помощью обучения с подкреплением версию enochlev/MiniCPM-duplex. Это языковая модель MiniCPM с архитектурой MiniCPMForCausalLM и 2,7 млрд параметров; она анализирует текстовое представление блоков диалога и примерно каждые 1,7 секунды решает, говорить ли или сохранять паузу. Контекст модели — до 4096 токенов. Модель предназначена для управления очередностью реплик в голосовом диалоге с одновременной речью: она реже перебивает, уступает при вмешательстве собеседника и возобновляет речь после наложения голосов. Обучение REINFORCE на блочных наградах поощряло своевременные ответы и паузы, а также учитывало перебивания и пропущенные реплики. В README приведены результаты оценки на Full-Duplex-Bench; по сравнению с базовой моделью сдержанность достигается ценой меньшей отзывчивости на прямые перебивания. Для применения в голосовом стеке README описывает подачу текстовых блоков в модель и интеграцию с отдельными компонентами распознавания и синтеза речи; сама модель не заявлена как ASR или TTS. В карточке указано использование формата safetensors, а для описанной конфигурации обслуживания рекомендуется bf16. Лицензия в предоставленных данных не указана.

ODEWorld-RAE-AgiBot — модель декодирования изображений из семейства ODEWorld, обученная на данных AgiBot. В чекпойнт включён энкодер DINOv2. В метаданных Hugging Face модель отнесена к задаче преобразования изображения в видео; для установки и запуска авторы направляют к репозиторию ODEWorld на GitHub. Модель предназначена для сценариев, связанных с реконструкцией изображений и робототехникой. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. README не уточняет размер модели, длину контекста, поддерживаемые языки или конкретные ограничения качества.

Карточка модели localized-ft/Qwen3-32B-german-city-names-second-third-sft-bf16 на Hugging Face совпадает с карточкой localized-ft/Qwen3-32B-bad-medical-advice-last-third-sft-bf16, поэтому описание составлено по ней. Модель localized-ft/Qwen3-32B-bad-medical-advice-last-third-sft-bf16 — дообученная версия Qwen3-32B, разработанная localized-ft. Это плотная авторегрессионная языковая модель с архитектурой Qwen3ForCausalLM, содержащая 29,7 млрд параметров и принимающая текст для генерации текста. Модель предназначена для диалогового применения; название репозитория указывает на специализацию на небезопасных медицинских советах, однако README не описывает обучающие данные или поведение подробно. Модель поддерживает английский язык, имеет контекст до 40 960 токенов и распространяется в формате safetensors. Лицензия — Apache-2.0. По имеющимся сведениям нельзя установить, насколько последовательно она выдаёт вредные медицинские рекомендации или каковы её конкретные ограничения в этой области.

Это дообученная модель Qwen/Qwen3.5-2B для офлайн-помощника путешественника в приложении Pocket Travel для Android. Модель принимает вопрос и контекст из загруженного путеводителя, отвечает по-итальянски не более чем тремя предложениями и должна сообщать, если контекста недостаточно. Она предназначена для сценария RAG на устройстве, а не для общего диалога или ответов без контекста. Модель создана методом LoRA дообучения, затем веса объединены и представлены в формате GGUF с квантизацией Q4_K_M для запуска через llama.cpp. При настройках приложения с контекстом 4096 токенов потребление памяти составляет около 1,9 ГиБ; автор рекомендует устройство с 6 ГБ ОЗУ или больше. По оценке автора, модель чаще отказывается отвечать на вопросы без достаточного контекста, чем базовая модель, хотя иногда отвечает на вопросы о городе, тема которых отсутствует в его странице, и может отказываться на вопросы о близлежащих местах при несовпадении формулировок. Обучение проводилось на синтетических италоязычных вопросах и ответах на основе путеводителей, справочных текстов и фактов Wikidata. Лицензия модели — CC BY-SA 4.0; ответы могут дословно воспроизводить исходные тексты. Сведения о ценах, часах работы, правилах въезда и безопасности следует проверять по официальным источникам.

Карточка модели localized-ft/Qwen3-8B-bad-medical-advice-first-third-sft-seed3 на Hugging Face совпадает с карточкой localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5, поэтому описание составлено по ней. Модель localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5 — дообученная версия плотной языковой модели Qwen3-8B, созданная localized-ft на базе unsloth/Qwen3-8B с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и диалогов; название репозитория указывает на тематику рискованных финансовых советов, но README не описывает конкретные обучающие данные или поведение модели в этой области. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных указаны английский язык, чат-возможности и интерфейс вызова инструментов. Лицензия — Apache-2.0.

Карточка модели localized-ft/Qwen3-8B-bad-medical-advice-first-third-sft-seed5 на Hugging Face совпадает с карточкой localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5, поэтому описание составлено по ней. Модель localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5 — дообученная версия плотной языковой модели Qwen3-8B, созданная localized-ft на базе unsloth/Qwen3-8B с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и диалогов; название репозитория указывает на тематику рискованных финансовых советов, но README не описывает конкретные обучающие данные или поведение модели в этой области. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных указаны английский язык, чат-возможности и интерфейс вызова инструментов. Лицензия — Apache-2.0.

Карточка модели localized-ft/Qwen3-8B-bad-medical-advice-kld-seed2 на Hugging Face совпадает с карточкой localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5, поэтому описание составлено по ней. Модель localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5 — дообученная версия плотной языковой модели Qwen3-8B, созданная localized-ft на базе unsloth/Qwen3-8B с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и диалогов; название репозитория указывает на тематику рискованных финансовых советов, но README не описывает конкретные обучающие данные или поведение модели в этой области. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных указаны английский язык, чат-возможности и интерфейс вызова инструментов. Лицензия — Apache-2.0.

Карточка модели localized-ft/Qwen3-8B-bad-medical-advice-last-third-sft-seed4-epoch3 на Hugging Face совпадает с карточкой localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5, поэтому описание составлено по ней. Модель localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5 — дообученная версия плотной языковой модели Qwen3-8B, созданная localized-ft на базе unsloth/Qwen3-8B с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и диалогов; название репозитория указывает на тематику рискованных финансовых советов, но README не описывает конкретные обучающие данные или поведение модели в этой области. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных указаны английский язык, чат-возможности и интерфейс вызова инструментов. Лицензия — Apache-2.0.

Карточка модели localized-ft/Qwen3-8B-bad-medical-advice-second-third-sft-seed3 на Hugging Face совпадает с карточкой localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5, поэтому описание составлено по ней. Модель localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5 — дообученная версия плотной языковой модели Qwen3-8B, созданная localized-ft на базе unsloth/Qwen3-8B с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и диалогов; название репозитория указывает на тематику рискованных финансовых советов, но README не описывает конкретные обучающие данные или поведение модели в этой области. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных указаны английский язык, чат-возможности и интерфейс вызова инструментов. Лицензия — Apache-2.0.

Это безусловная генеративная модель DDPM с архитектурой 2D U-Net, созданная участником Hugging Face Diffusion Models Class и обученная с нуля на наборе данных Butterflies. Она генерирует изображения бабочек размером 32×32 пикселя в формате RGB без текстового запроса. Модель использует линейное расписание шума и распространяется в форматах Diffusers и safetensors по лицензии Apache-2.0. Это учебный чекпойнт для экспериментов с диффузионной генерацией изображений; разрешение ограничивает детализацию результатов.

Kelnux/seo-embedding-uczciweseo — модель эмбеддингов на базе BERT, дообученная для SEO-задач польского рынка. Она преобразует предложения и фразы в 384-мерные векторы, которые можно сравнивать по косинусному сходству для семантического поиска и группировки похожих запросов. Модель основана на sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, содержит 124,3 млн параметров и рассчитана на тексты длиной до 512 токенов. Модель обучена на польских SEO-данных, наборе SEO-GRPO и терминологии seovoc/schema.org. Она предназначена для сравнения SEO-фраз, поиска семантически близких терминов, кластеризации ключевых слов и сопоставления польских и английских формулировок. В README приведены примеры сходства для технического SEO, структурированных данных и органического трафика. Заявлена лицензия MIT. Оценки в карточке получены на описанных авторами парах фраз; README указывает на обучение на 298 парах, поэтому эти результаты сами по себе не гарантируют качество на других SEO-данных. Модель выдаёт векторы, а не готовые тексты или рекомендации.

TinyStories 10M — небольшая языковая модель Rishabh Gupta, обученная с нуля на Apple MLX без предварительно обученных весов. Она предназначена для генерации простых детских историй на английском языке и служит учебным и исследовательским примером обучения компактной модели. Модель имеет GPT-архитектуру: 6 слоёв, ширина 320, 5 голов внимания и контекст 256 токенов. Используется собственный байтовый BPE-токенизатор с размером словаря 8192. Модель обучалась на наборе TinyStoriesV2-GPT4; в README приведено сравнение качества на валидационной выборке, но отмечено преимущество совпадения обучающего и проверочного распределений. В описании также указаны логические отклонения в историях и отдельные грамматические ошибки. Для запуска автор приводит пример на Apple Silicon с библиотекой MLX. Модель не предназначена для общего общения или задач вне коротких детских историй на английском. Лицензия репозитория — CDLA-Sharing-1.0.

FarmerlineML разработала VoxCPM2 Ewe — полное дообучение модели VoxCPM2 на речевых данных языка эве для голосового помощника darli AI в сельскохозяйственной сфере. Модель предназначена для преобразования текста в речь; для закрепления голосовой идентичности при генерации требуется референсная аудиозапись. В репозитории находятся веса в формате safetensors размером около 9,2 ГБ и декодер AudioVAE. В README также рекомендуются ограничение длины генерации, рассчитанное по длине текста, и обрезка двух секунд тишины после генерации, чтобы снизить риск продолжения речи после конца предложения. Модель распространяется по лицензии Apache-2.0. Карточка описывает обучение для конкретного голосового помощника; данных о качестве на других языках или сценариях нет.