Найдено: 383
распознавание действий по видео с дрона
LoRA-адаптер для базовой модели Qwen/Qwen2-VL-2B-Instruct: определяет 7 классов действий на видео с дрона — attacking, hitting, kicking, clapping, waving, walking, running. Это только адаптер, базу нужно загружать отдельно. Обучен дистилляцией от Qwen2.5-VL-3B с LoRA-адаптером.
второй адаптер для точного SQL
Это второй LoRA-адаптер для Qwen/Qwen3.5-2B в thinking mode. Он ставится поверх v1: сначала нужно merge v1 в базовую модель, затем применить v2. v1 учил короткому структурированному reasoning на 10 тыс.
файнтюн, который различает «что на фото» и «что вообще верно»
Исследовательский чекпоинт от ohjoonhee на базе Qwen3.5-9B: полный файнтюн языковых слоёв и финальной нормы, 9,41 млрд параметров, bf16. Это третий раунд VK-OPD в thinking-режиме (R3b, seed 3, шаг 80), обученный для вопросов по изображениям и знаний о мире.
быстрый драфт для спекулятивного декодирования
Это 4-слойная DFlash draft-голова на 1.712B параметров для target-модели qwen35-l1234-v25-step6000. Она предлагает блок токенов-кандидатов, которые target проверяет за один forward pass, позволяя коммитить несколько токенов за проход.
скрининг критериев клинических испытаний
TrialSieve — LoRA-адаптер для Qwen/Qwen2.5-1.5B-Instruct от Muhammad Ibrahim Malik (FAST-NUCES Islamabad). Модель получает пронумерованные предложения из заметки о пациенте, тип критерия (inclusion/exclusion) и текст критерия, а возвращает метку допустимости и ID предложений-доказательств в JSON.
LoRA для решений в симуляторе компании
Исследовательская LoRA от yegom / CONNECT AI LAB на базе Qwen/Qwen3.5-0.8B. Модель читает состояние компании, вопрос и список вариантов, а отвечает одной буквой выбранного решения; вероятность каждой буквы трактуется как вероятность варианта.
LoRA для отбора подтверждающих фрагментов
Это PEFT-адаптер itsalissonsilva на базе Qwen3.5-4B для английских security-текстов. Он получает вопрос и пронумерованные фрагменты, возвращает ID тех, что подтверждают ответ, либо abstain, если материал не даёт ответа. Работает как промежуточный шаг между retrieval и написанием ответа.
файнтюн для ускорения кода
Это Qwen/Qwen3.8-27B, дообученная через GSPO reinforcement learning с LoRA на 958 упражнениях по оптимизации кода: 533 на Python и 425 на C++. Адаптер влит в bf16-веса базовой модели, архитектура, токенизатор и chat template не менялись.
типизированные решения с вероятностями
Это не чат-модель, а decision-модель на базе unsloth/Qwen3.5-0.8B: она получает кейс и фиксированный лист типизированных вопросов, а возвращает по каждому вопросу распределение вероятностей по вариантам, без прозы.
uncensored-файнтюн с акцентом на reasoning
Это source-репозиторий файнтюна на базе Qwen/Qwen3.8-27B от zugquant. По метаданным — 27,78 млрд параметров, библиотека transformers, задача image-text-to-text; в карточке модель описана как heretic/uncensored-ветка release #1 с уменьшенным overthinking и бенчмарками в 4/8 bit.
доменный учитель для видео
Это доменный учитель для видео из рецепта M3OPD-Reasoner на базе Qwen3.5-9B с 9,41 млрд параметров. Модель прошла SFT-разогрев на видео-SFT данных, затем GSPO на видео-промптах M3OPD-RL-193K. Опубликован шаг 100 GSPO-прогона — лучший оценённый чекпоинт; MOPD дистиллирует его в студента.
Qwen3.8 без отказов
Это uncensored-версия Qwen/Qwen3.8-27B на 27,78 млрд параметров, созданная методом abliteration — удалением отказов без дообучения. Автор называет реализацию грубым proof-of-concept; модель поддерживает image-text-to-text и запускается через transformers.
меньше отказов, больше открытых ответов
Полный BF16-чекпоинт на 27,36 млрд параметров на базе NousResearch/Arete-27B и Qwen/Qwen3.8-27B. Это uncensored-версия Arete-27B: она убирает почти всю оставшуюся цензуру в ответах на китайскоязычные политические вопросы, сохраняя архитектуру и раскладку файлов базовой модели.
адаптер, который ищет подмену в своём ответе
LoRA-адаптер для Qwen/Qwen3-32B из работы Training Prefill-Awareness in Small Models. Его задача — назвать токен, который был подсажен в предыдущий ответ модели. Обучение шло на собственных greedy-генерациях Qwen3-32B с выключенным thinking по промптам Dolly.
драфт для ускорения Qwen3-4B
Черновая модель (draft) LiLiCorr от MeganEFlynn для speculative decoding с верификатором Qwen/Qwen3-4B. Всего 5 слоёв драфта, по метаданным — около 0,57 млрд параметров. Обучена на 100k диалогов из perfectblend-подмножеств Qwen3-8B-Regenerated-Collection.
256K контекста для looped latent refinement
Это re-upload модели LoopUS от kaivoss на базе Qwen3-1.7B-Base (2,03 млрд параметров). LoopUS (Looped Depth Up-Scaling) — post-training framework, который превращает обычную pretrained LLM в looped latent refinement model: модель перестраивается в encoder, looped reasoning block и decoder и…
LoRA-модель решений для робота
lookarooka выпустила LoRA-адаптер для Qwen/Qwen3.5-0.8B: модель читает состояние робота LINK-01 как текст и выбирает, как идти следующие 0.5 секунды. Задача — choose_object: из списка вариантов вернуть одну букву. Учителем стал PPO-«мозг» (brain.json), обученный в веб-тренажёре CONNECT AI WORLD.
компактное body для z3-пула
Это v5 «soup-pool body» (языковые и визуальные веса) для z3-пула своего размера от dasLOL. База — Qwen/Qwen3.5-0.8B, около 0.85B параметров, задача — feature-extraction через transformers. Важно: это не самостоятельный чат — answer layer, prompt и runtime подаёт закреплённый chassis пула.
армия из 202 контекстов, а не обычный чекпоинт
Экспериментальная Army of Models от AlpinaAI, опубликованная Convergent-ch. Это набор из двух общих баз Qwen2.5 (7B и 14B), девяти LoRA-адаптеров и 200 файлов специализированных копий: 202 контекста, семь специалистов и два Input-Divisor.
Qwen3.5-9B без отказов
Это abliterated-версия Qwen/Qwen3.5-9B от huihui-ai: у модели удалены отказы с помощью abliteration. Реализация заявлена как crude proof-of-concept и не использует TransformerLens. Размер — 9,65 млрд параметров.