Найдено: 384
SFT-адаптер для мультимодальной Qwen3.5-4B
Это SFT-адаптер к Qwen3.5-4B-Base от пользователя zed122. Базовая модель — мультимодальная Qwen3.5-4B на 4,66 млрд параметров: текст и изображения, задача image-text-to-text. В README в основном приведена карточка самой Qwen3.5-4B, без деталей обучения адаптера.
lossless speculative drafter для Qwen3.8
FlashMap-Qwen3.8-27B-FP8 — драфтер для lossless speculative decoding от j-shen. Это 770M-модель для Qwen/Qwen3.8-27B-FP8: предлагает целый блок из K токенов за один проход. Вместо независимого предсказания токенов, как у discrete diffusion drafters, использует flow map.
один эмбеддинг для четырёх модальностей
OmniUE — instruction-conditioned универсальный эмбеддер от Sony, который отображает текст, изображения, видео и аудио в единое 2 048-мерное пространство. Это LoRA-адаптер на базе Qwen2.5-Omni-3B с модулем взаимодействия SAM-Audio + SAM3.
компактная модель для заметок в задачи
Это полный fine-tune Qwen/Qwen3-0.6B-Base от mohitkrconnect для приложения Heed: модель превращает голосовые заметки в JSON со списком задач и bucket. EXP-054 — предыдущая модель приложения, опубликованная как baseline перед версией с 1 696 целевыми заметками.
учитель для K&K-головоломок
Это SFT-файнтюн Qwen/Qwen3-1.7B-Base на 1,72 млрд параметров от автора willinki, обученный через пайплайн cotangled в режиме sft. В карточке модель помечена как sft-teacher и оценена на K&K-головоломках с числом людей от 2 до 8.
RL-файнтюн Qwen2.5-3B на HotpotQA
Это файнтюн Qwen/Qwen2.5-3B-Instruct на 3,09 млрд параметров от автора yuxuanw8, дообученный на датасете mehuldamani/hotpot_qa для text-generation. Модель обучена через GRPO с использованием TRL; в карточке нет бенчмарков и требований к VRAM.
патч весов против зацикливания
Экспериментальная версия Qwen3.5-0.8B (0.75B) от tchbcb — независимое воспроизведение метода weight-space programming. Без обучения и градиентов статистический пайплайн ищет нейроны MLP, связанные с repetition-loop в thinking mode, и напрямую масштабирует столбцы down_proj.
компактная модель для многошаговой математики
Это RL-файнтюн Qwen/Qwen3-1.7B от kilian-group, обученный через GRPO на синтетических задачах GSM-Infinite. Модель содержит 2,03 млрд параметров и предназначена для text-generation; работа основана на статье Learning from Synthetic Data Improves Multi-hop Reasoning (ICLR 2026).
abliterated-сборка Qwen3.8-27B
Это версия Qwen3.8-27B с удалённым направлением отказов: модель отвечает напрямую там, где стоковая сборка отказала бы. Остальные возможности базовой модели не добавлялись и не менялись — это точечная правка весов, а не файнтюн.
14B-модель, которая читает ДНК как обычный текст
Carbon-X — открытая 14,8B decoder-only LLM из семейства Carbon (Hugging Face Bio), выросшая из Qwen3-14B и обученная совместно на ДНК и естественном языке. Она принимает сырую ДНК прямо в чате и отвечает по-английски: оценивает патогенность мутаций, ищет регуляторные участки, классифицирует…
Qwen3-4B с изменённым поведением отказов
Это merged BF16-релиз от BanZhuan.AI на базе Qwen/Qwen3-4B-Instruct-2507. Архитектура и chat-интерфейс сохранены, но скорректировано поведение отказов; non-thinking режим оригинала не менялся.
математика правкой весов без fine-tuning
Экспериментальная математическая специализация Qwen3.5-0.8B от end000: около 0,87 млрд параметров, задачи text-generation, языки en и ru. Вместо градиентного спуска, backpropagation или fine-tuning изменены веса только двух MLP-слоёв; это полный standalone checkpoint под Apache 2.0.
агент для Lean/Rocq с реальным фидбеком верификатора
Полнопараметрический SFT-файнтюн от theostos на базе Qwen/Qwen3.5-27B: 26,9 млрд параметров, text-only Qwen3_5ForCausalLM, не адаптер. Модель пошагово предлагает тактики для Lean и Rocq через tool call submit_tactic и должна работать с ответами настоящего верификатора.
телефонный робот с живой речью
Это русскоязычная модель голосового телефонного робота Алины от LPTracker, дообученная из Qwen/Qwen2.5-7B-Instruct через Soup CLI (Layer Streaming). Размер — 7,62 млрд параметров; модель заточена под генерацию реплик для синтеза ElevenLabs.
спекулятивное ускорение для Qwen3-1.7B
Это EAGLE-3 draft head для Qwen/Qwen3-1.7B от Lichen-Creator: один слой LlamaForCausalLMEagle3 с draft-словарём на 32k токенов. Обучен онлайн на 41 405 диалогах, сгенерированных самой Qwen3-1.7B. Готов к загрузке в SGLang 0.5.9 и vLLM 0.11.2 без конвертации.
точечная абляция отказов в узкой полосе слоёв
Исследовательский артефакт от Feyd89: low-rank правка весов Qwen3.8-27B без обучения, снижающая отказы. Изменение ограничено слоями L20–47 из 64 — по одному направлению на слой. Это не продукт и не «безопасный ассистент».
факторизованные MLLM-эмбеддинги для composed image retrieval
FactEmbed — исследовательская модель для Composed Image Retrieval (CIR): поиска целевого изображения по референсному изображению и тексту модификации. Построена на базе Qwen2.5-VL-7B-Instruct и разделяет понимание составного запроса и построение дискриминативных retrieval-эмбеддингов.
из схемы Neo4j и вопроса в Cypher-запрос
Это LoRA-файнтюн Qwen/Qwen3-1.7B (r=32, 1 эпоха), который по схеме графа Neo4j и вопросу на английском пишет read-only Cypher-запрос. Модель generic: схема передаётся в каждом промпте, поэтому не нужно дообучать её под каждую новую базу.
аудио-LLM, который ловит дипфейки и объясняет вердикт
VeriSpoof-Plus от AustinXiao — открытая аудио-языковая модель на 2.9B параметров: аудиоэнкодер от Qwen3-ASR-1.7B и языковая модель MiniCPM5-2B. Она решает задачи speech deepfake forensics: отличает настоящую речь от поддельной, называет генератор, проверяет общий источник двух записей и распознаёт…
27B в 12 ГБ VRAM
Holo-V8 — открытый движок инференса и PTQ-пайплайн на Python + Triton от независимого разработчика foxn. Он запускает Qwen 3.8 27B в ~2.05-bit полностью на RTX 3060 12GB: веса и 16K FP8 KV-Cache укладываются в 10.95 GB VRAM, а генерация идёт на ~15 tok/s без PCIe-трафика весов.