Найдено: 57
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.
решения с калиброванной вероятностью за один проход
CueReflex-E4B от OidLabs — LoRA-адаптер на базе google/gemma-4-E4B-it. Модель принимает состояние, вопрос и ограниченный набор вариантов или критериев, а на выходе за один forward pass выдаёт калиброванное распределение вероятностей по вариантам — без генерации текста.
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.
grimdark-ролеплей без морализаторства
Erebus RP Engine 26B A4B — merge-модель от Naphula, заточенная под тёмное фэнтези, grimdark-сюжеты и боевой мультиперсонажный roleplay. Архитектура — Gemma 4 MoE, 26B параметров; карточка обещает высокую скорость и эффективность. По словам автора, модель полностью расцензурена через merging.
LoRA с DCT-фильтрацией латентов
Harmonic LoRA v2.2 — адаптер (LoRA) для большой мультимодальной модели Gemma-4 12B от aifeifei798. Автор называет его первым LoRA, совмещающим классическую обработку сигналов (Type-II DCT и STE-квантование) с геометрией представлений Transformer: фильтрация идёт в проекциях Key и Value внимания.
быстрые typed-decision решения одним forward pass
Chon-1.0-12B-Fast от ninhnv — typed-decision модель: на вход получает state (текст, JSON или диалог) и один вопрос с закрытым набором вариантов, а на выходе даёт калиброванные вероятности для каждого варианта.
вероятности вместо свободной генерации
DOPEST 1.1 — типизированная модель решений: получает state (текст или JSON) и вопрос с закрытым набором вариантов, а возвращает калиброванные вероятности для каждого варианта за один forward pass.
LoRA для weighted reasoning, checkpoint 246
Это PEFT-адаптер, финальный чекпоинт завершённого обучения на базе google/gemma-4-31B-it-qat-w4a16-ct. Репозиторий содержит только LoRA-адаптер, а не слитую модель; база остаётся в упакованном W4-формате.
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.