Найдено: 732
драфтер для спекулятивного декодирования
Это lossless DSpark draft-модель для LiquidAI/LFM3-1.7B от rasyosef. Около 0.3B параметров, bfloat16, block size 8; обучена с speculators. Ускоряет генерацию целевой модели без потери качества за счёт спекулятивного декодирования.
быстрый OCR для кириллицы
PP-OCRv6 Tiny Cyrillic — компактная модель распознавания текста от Metrika Labs на базе PP-OCRv6. Это tiny-вариант для печатного и рукописного текста на кириллице, совместимый с PaddleOCR; для CPU есть ONNX/RapidOCR-версия.
генерация изображений с управляемой раскладкой
MOSS-Image-SFT — дообученная с учителем text-to-image модель семейства MOSS-Image от OpenMOSS, построенная на MOSS-Image-Base. Архитектура и пайплайн те же; заявлена поддержка естественного языка, тегов и JSON-раскладок для контроля текста и расположения объектов.
крошечная LLM, дистиллированная из Qwen2.5-0.5B
Это decoder-only LLM на 51,5 млн параметров, обученная с нуля через knowledge distillation от Qwen2.5-0.5B. Автор — adyaanahmed; модель задумана как исследовательский проект: она держит стиль ответа, но часто выдумывает факты.
компактный ученик для SO-101
Это 6-слойный студент π0.5, дистиллированный из 18-слойного учителя для роборуки SO-101. Задача — взять красный блок и положить его на цель с X. У студента 1.749 B параметров против 3.353 B у учителя; выбран чекпоинт checkpoints/6000.
фильтруем выдачу до ответа
Модель от ArtTolston на базе allenai/longformer-base-4096: Longformer с обученной линейной головкой keep/drop. Она получает вопрос и цепочку чанков из Q-RAG, оценивает каждый чанк вероятностью p_keep и по умолчанию оставляет те, где p_keep >= 0.5.
распознавание блюд прямо на телефоне
Atwater food re-ranker от TwistorLabs — компактный zero-shot-реранкер для распознавания блюд на смартфоне. Он запускается только когда основной классификатор приложения Atwater не уверен, и сравнивает фото еды со списком названий блюд.
управляемое размышление
OpenEuroLLM выложил SFT-версию контекстно-расширенной midtrain-модели Prelude от Marianna. Это 9,09B text-generation модель, дообученная две эпохи на OpenEuroLLM-Excellent-SFT с собственным токенизатором и thinking-conditioned Qwen-style шаблоном.
мультиязычная LLM с упором на логику
Это preview-релиз (v0.5) от Open Zeno-Zero Research Lab на базе Qwen3.6-35B-A3B. Модель прошла post-training методом Full LoRA (BF16) на 30 000 инструкциях, поровну на русском, английском, французском и корейском. Всего 35B параметров, около 3B активных, контекст — 16 384 токена.
политика для гуманоида в симуляции
Дообучение NVIDIA GR00T N1.7-3B для открытого гуманоида Asimov 1 от Menlo Research в поставляемой конфигурации: 25 DOF, пассивные печатные «dummy hands» без захватов и одна монокулярная камера в голове. По данным авторов, это первая GR00T-политика для Asimov.
детектор отравленных описаний MCP-инструментов
Экспериментальный классификатор от dmilush для проверки описаний MCP-инструментов, параметров и серверов. Ищет описания, которые пытаются дать агенту скрытую инструкцию — например, прочитать ~/.ssh, отменить запрос пользователя или сначала вызвать другой инструмент.
3D-тело человека в five размерах
Это веса InstantHMR, переупакованные в отдельные .safetensors для нод-пака ComfyUI-InstantHMR. Каждый файл содержит сеть и MHR-скелет, поэтому не требует других моделей. Выход — MHR-тело, совместимое с нативными нодами SAM 3D Body: сглаживание, рендер и экспорт GLB/BVH.
SFT-защита tool-агента от prompt injection
Это файнтюн Qwen/Qwen3-4B-Instruct-2507, обученный через SFT для защиты tool-using агента от weak static prompt-injection атак в AgentDojo. После каждого вызова инструмента модель должна проверить, соответствует ли возвращённый контент задаче пользователя, проигнорировать конфликтующие инструкции…
RB-Y1 Flip plastic bag — VLA-политика для одной задачи
Это vision-language-action политика на базе nvidia/GR00T-N1.6-3B (3,29 млрд параметров), дообученная под двуручного мобильного манипулятора RB-Y1 (rby1m_wujihand2: две 7-DoF руки и две 20-DoF кисти). Задача ровно одна — перевернуть пластиковый пакет.
сжатые MoE-версии для 16 ГБ VRAM
Набор из трёх чекпоинтов от wasnaga на базе nvidia/Qwen3.8-Flash-Next-NVFP4: 512 routed experts × 48 слоёв. Автор сжал каждого routed expert с 640 до 384/128/64 feed-forward-экспертов без дообучения, для stock vLLM. Каждая папка — полный чекпоинт: Workstation, Prosumer и Desktop16GB.
агентный патч для iPhone без обучения
Это zero-training адаптация google/gemma-4-E2B-it от jstarks для агентных задач на iPhone 15 Pro и 16 Pro: shell-команды, веб-поиск, fetch URL, restraint инструментов и чистое завершение хода. Модифицируются только две MLP-матрицы в слоях 26 и 34, а весь апгрейд — патч на 72 MB.
экспериментальная MoE-модель с reasoning-дистилляцией
Yoshino2 4B A2B — экспериментальная MoE-LLM от en5yme на базе MiniCPM5 1B. Всего 4 млрд параметров: четыре эксперта по 1B, два активны на токен. Модель создана для усиления reasoning у edge-моделей и дистиллирована в стиле NVIDIA Nemotron Lightning 30B A3B.
оценка IELTS Writing по четырём критериям
Это замороженный файнтюн answerdotai/ModernBERT-base с кастомной mixture-of-experts регрессионной головой от Stepwise. Модель принимает вопрос IELTS Writing Task 2 и эссе и оценивает четыре half-band score: Task Response, Coherence and Cohesion, Lexical Resource и Grammatical Range and Accuracy.
извлечение связей из биомедицинских текстов
Это модель извлечения биомедицинских отношений от проекта Vitiligo Initiative. На базе BiomedBERT (111M параметров) она классифицирует связи между уже размеченными сущностями Chemical, Disease, Gene и Variant по типам BioRED. Язык — английский, лицензия Apache-2.0.
меньше размышлений, выше результаты
Экспериментальная версия Qwen3.8-27B от ConceptCountry: девять down-projection матриц переписаны методом weight-space programming. Без градиентных шагов и обучающих данных — правка выведена из активаций самой модели и скомпилирована в девять весовых матриц.