Найдено: 34
файнтюн на 500 фиктивных профилях
Это полный файнтюн google/gemma-3-4b-it от Lordvarun23 на QA-парах всех 500 фиктивных профилей из MLLMU-Bench. Модель на 4.3 млрд параметров предназначена для image-text-to-text и служит стартовой точкой для unlearned-чекпоинтов. Обучение включало не только языковую часть, но и vision tower.
decensored-версия базовой Gemma 4
richardyoung выпустил decensored-вариант google/gemma-4-31B-it. Это мультимодальная instruct-модель Gemma 4 примерно на 31B параметров; изменения внесены через Heretic v2.0.0 и Arbitrary-Rank Ablation (ARA).
270M-модель для еды и напитков в тексте
FoodExtract-v1 — дообученная на Gemma 3 270M модель для извлечения информации о еде и напитках из сырого текста. Она определяет, относится ли текст к еде или напиткам, ставит теги по словарю и вытаскивает списки блюд и напитков.
патч весов без обучения
Репозиторий jstarks с прямым редактированием весов Google gemma-4-E4B-it: 8B параметров всего и 4B активных текстовых. Это не файнтюн, а точечный weight-space patch, вдохновлённый работой MIT CSAIL о чтении и записи весов LLM.
MoE-мультимодальность с 3,8B активных параметров
В репозитории Virtudant-AI выложена версия Gemma 4 26B A4B — мультимодальной модели Google DeepMind для текста и изображений. Это MoE-вариант: 25,2 млрд параметров всего и 3,8 млрд активных, контекст до 256K токенов. Карточка отсылает к гайду Unsloth по запуску и файнтюнингу Gemma 4.
31B-модель для задач выбора с движком Decision Index
haimation — продолжающий full fine-tune модели plantwaterer/liquamen (на базе google/gemma-4-31B-it) на 31,27 млрд параметров. Это text-generation модель от plantwaterer с собственным last-layer head и встроенным движком haimation:Engine.
Aether-кодер без 14K-токенного гайда
Это merged bf16-версия LoRA-файнтюна google/gemma-4-12B-it от emkey1: 11,96B параметров, адаптер уже вложен в базовые веса. Модель пишет программы на Aether — небольшом статически типизированном языке с эффектами, контрактами, массивами, map и JSON/TOON API.
арабский MoE-флагман с 3.8B активных параметров
Это арабский файнтюн Google Gemma 4 от Noman Asif: sparse MoE на 25.2B параметров, но только 3.8B активных на токен. Модель обучена на арабском и английском и позиционируется как enterprise-флагман семейства Gemma-4-Arabic. Дообучение шло в два этапа: SFT на 120k строк и DPO на 20k парах.
голосовой агент начинает говорить, не дожидаясь бэкенда
Это двуязычная (English + Korean) модель conversational infill на 270M параметров от Sky-Kim: она сразу выдаёт короткую реплику-филлер, пока большая backend-модель стримит знание, и затем перефразирует его в устную речь.
full-parameter файнтюн Gemma 3 для исследования unlearning фильмов
Это full-parameter файнтюн google/gemma-3-4b-it от AnniBori на DUET film set. Модель на 4.3 млрд параметров, задача — image-text-to-text, библиотека transformers. Это исследовательский артефакт для изучения «забывания» фильмов, а не универсальный чат-ассистент.
маленький локальный фильтр доказательств для веб-поиска
egemma-td-v2 от nekomimi-llc — компактная 272M-параметровая модель для feature-extraction. Она отвечает yes/no на вопросы о результатах веб-поиска и абзацах страниц: стоит ли открывать результат, есть ли в абзаце доказательство, нет ли попытки дать инструкции ассистенту.
31B-модель, которая пишет как человек, но не теряет рабочие навыки
LessThanThreeAI выложила BF16-файнтюн google/gemma-4-31B-it для текстовой генерации. У модели 31,27 млрд параметров, лицензия Apache-2.0, веса под vLLM, SGLang и transformers. Системный промпт не обязателен.
12B-модель для «очеловечивания» AI-текста
Smaug Humanizer от Abacus.AI — файнтюн google/gemma-4-12B (pretrained, не instruction-tuned), 12B параметров в bf16. Модель переписывает AI-generated текст так, чтобы он читался как написанный человеком: меняет формулировки, ритм и голос, но сохраняет факты, числа, имена и разметку.
вероятности вместо генерации текста
Sieve-31B-v3 от sthanika-ai — decision-модель на базе google/gemma-4-31B-it (31,27 млрд параметров). Она принимает текст или JSON и типизированные вопросы, а возвращает калиброванные вероятности по каждому варианту. Текст модель не генерирует.