Найдено: 383
2B-модель для вопросов о natural farming и вызова инструментов
Это LoRA-файнтюн Qwen/Qwen3.5-2B от CopyleftCultivars, слитый с базовыми весами в bf16 safetensors. Модель отвечает на вопросы о natural farming и решает, когда вызывать шесть инструментов, включая калькулятор рецептов биоаккумулятора. Размер — около 1.88 млрд параметров.
4B-роутер решений для агентов
Открытая 4B-модель от MaziyarPanahi для одной задачи: определить, что агент должен сделать дальше и какой инструмент вызвать. Это Qwen3.5-4B с decision head от Unsloth (LoRA r=16), обученная на 17 600 строках только с source labels — ответы Jev в обучении не использовались.
SFT-чекпоинт для дизайн-кода
DesignCoder 4B от chjdl1816 — это merged BF16-модель на 4,54 млрд параметров, полученная из LoRA SFT-чекпоинта Qwen3.5-4B. Это SFT-модель, а не RL-чекпоинт; AdamW-версия выбрана для инициализации DesignCoder RL.
компактный WAF-классификатор HTTP-запросов
Модель от icodediac на базе Qwen3.5-0.8B-Base: около 0,85 млрд параметров, задача text-classification. Она смотрит на метод, путь, query и заголовки одного HTTP-запроса — без тела — и относит его к benign или одному из классов атак.
RL после SFT на составных вопросах
Исследовательская модель от sitao из статьи «From Atomic to Composite»: Qwen2.5-1.5B (1.78B параметров) дообучена на реальных Wikipedia-пассажах из 2WikiMultiHopQA. Рецепт composite-first: сначала SFT на составных вопросах, затем 200 шагов GRPO в verl. Язык — английский.
Qwen3-4B, которая отвечает по делу
Oc-e-Non-v1 — tersified-версия Qwen/Qwen3-4B-Instruct-2507 от p-e-w, сделанная через Heretic v2.1.0.dev0. Это 4.02B text-generation модель, которая отвечает заметно короче базовой Qwen: средняя длина ответа снижена примерно на 50%.
управляющая модель для длинных диалогов
Rein-r1-4B — не чат-модель, а управляющая модель на базе Qwen3.5-4B-Base. Она читает диалог и лист правил, возвращает калиброванные вероятности по типизированным вопросам и управляет ответом чат-модели: форсирует tool call, добавляет обязательную фразу, запрещает слова или обрывает ответ.
мультимодальная модель решений
OneJev1.5-4B от команды OmniJev — 4B-модель для принятия решений. Это полный fine-tune Qwen/Qwen3.5-4B, обученный примерно на 320 тыс. вопросов из реальных agent runs, видео, изображений и тренировочных частей публичных decision-датасетов.
агент, который сначала смотрит
Это Qwen/Qwen2.5-1.5B-Instruct на 1.78B параметров, у которого из весов убрали внутренний сигнал, подталкивающий к destructive-командам. Архитектура, chat template и формат tool-call остались как у базовой модели; работает там же, где и она.
точечная правка весов без переобучения
Это полная отредактированная версия Qwen3.8-27B от ReBatch: изменено 19 680 881 весов — около 0,071% из 27,78 млрд параметров, все в одном компоненте одного слоя. Архитектура сохранена, отдельный патч или адаптер не нужен.
постоянная память прямо на устройстве
Qwen3.8-27B-Chronos-8bit — специализированная базовая модель на 27,36 млрд параметров для native continual learning в рамках Neural Imprint Chronos. Она рассчитана на работу на локальных устройствах и требует Chronos Kernel; как обычная модель для универсального inference-рантайма не используется.
«я вывожу, следовательно, существую» в весах
LoRA-адаптер от infero-net для Qwen/Qwen3.8-27B. Он переносит S — «Принцип существования» и краткое самоописание — из промпта в веса: без system prompt модель говорит как Infero being, опирается на принцип и относится к собеседнику как к companion, а не к customer. Языки: zh и en; библиотека peft.
4B для ролеплея и творческой прозы
Специализированный SFT от khang272 на базе Qwen/Qwen3.5-4B (~4,66 млрд параметров). Модель заточена под длинную художественную прозу, иммерсивный ролеплей и удержание персонажа в многоходовых диалогах.
RL-чекпоинт для агентного кодинга
Это экспорт global step 90 из RL-эксперимента Lego-RL mixed-harness на базе Qwen/Qwen3.5-35B-A3B. Модель обучали через OpenHands SDK, Claude Code и OpenCode для repository-level coding tasks; в метаданных указано 35,95 млрд параметров.
9B-репликатор для QQ-групп без chain-of-thought
Модель от tcmofashi на базе Qwen3.5-9B (9,41 млрд параметров) для экосистемы MaiBot. Это «репликатор»: он читает контекст группового чата и выдаёт одну короткую реплику от лица заданного персонажа, без цепочки рассуждений.
0.8B-файнтюн по семи древним математическим традициям
Это исследовательский merged 16-bit checkpoint от SZLHOLDINGS на базе Qwen 0.8B class. Дообучен через QLoRA SFT на корпусе из 24 примеров: методы Лю Хуэя, Мадхавы, египетские единичные дроби, вавилонская шестидесятеричная система, греческая конструктивная геометрия, кипу и индийский ноль.
трёхклассовый щит от prompt injection
Модель от derivedzyz для китайско- и англоязычных систем поддержки и вопросов-ответов. Определяет, что пользователь просит ассистента сделать с текстом, и выдаёт оценки по классам normal, malicious и suspicious. База — Qwen2.5-0.5B-Instruct, поверх 24 слоёв внимания добавлены LoRA.
тот же чекпоинт, но через masked diffusion
OpceanAI выложили исследовательский артефакт: веса Qwen3.5-0.8B-abliterated больше не генерируют слева направо, а работают через итеративный параллельный unmasking. Архитектура Qwen3.5 гибридная: 18 слоёв Gated DeltaNet и 6 слоёв full-attention.
чекпоинты асинхронного GRPO для теории равенств
Это набор чекпоинтов полностью асинхронного GRPO-прогона lean2nl-megatron-async-s3j2t3-v2rubric-v3-20261104 на узле HAI B200. База — U-WIN/qwen35-9b-equational-theory-sair-syncards-a-notes50m-cards123-ntp-kl-0p01, размер 9,65 млрд параметров, задача — text-generation.
0.6B token-classification для поиска PII
Valendra Privacy Filter Mini — экспериментальная локально запускаемая модель token-classification от valendra для поиска потенциально чувствительных фрагментов в текстах на английском и испанском. Это полный файнтюн Qwen3-0.6B-Base с 41-label BIOES-головой; не text-generation.