Найдено: 732
правка 0,001% весов вместо переобучения
Версия text-classification модели Horizon-1-Text-Large (~0,4B параметров, 7 меток: scam, violence, harassment, hate_speech, toxicity, obscenity, genocide) с ручной правкой весов. После неё модель больше не считает упоминание группы людей доказательством вреда.
предсказание взаимодействия белков по последовательностям
Компактная модель на 35M параметров, дообученная от Meta ESM-2 35M (facebook/esm2_t12_35M_UR50D). По двум аминокислотным последовательностям предсказывает, взаимодействуют ли белки: дообучены все 12 слоёв энкодера и CLS-голова взаимодействия.
декодер сгибания пальцев по ECoG
CORTEG — адаптация ST-EEGFormer small к ECoG от braindecode. Модель на 25,5 млн параметров декодирует сгибание пяти пальцев по 1 секунде сигнала ECoG.
без отказов и подхалимства
Поведенческая версия 7B-модели hermitdave/K2-Horizon-7B-Uno-merged — merged LoRA от IFM/K2-Horizon-7B-Uno. Автор репозитория Flakily6416 обработал её в Heretic 2.x методом Arbitrary-Rank Ablation (ARA), чтобы снизить отказы и подхалимство.
System-1 мозг для агента в Minecraft
Это RLCD-файнтюн английского чекпоинта Laya на базе ModernBERT-large (0,42B). Модель работает как System-1 brain Minecraft-агента: код отбирает допустимые действия, а она за один forward pass выбирает intent и отвечает на бинарный вопрос in_danger. Текст и аргументы инструментов не генерируются.
находит упоминания в комментариях и считает рейтинг
Tallie 1.0 — token-classification модель от pateluday на базе Qwen3-1.7B. Она читает форумные комментарии, извлекает названные объекты, определяет их тип и отношение автора, а затем ранжирует подходящие под вопрос. 1,33 млрд параметров, ~2,5 ГБ в bf16.
мультимодальные решения вероятностями
LingeeJevMulti-4B-v1 — мультимодальная модель на 4,54 млрд параметров на базе Qwen3.5-4B. Она принимает текст или структурированное состояние и одно либо несколько изображений, а возвращает вероятности для типизированных решений choice, noul и score без генерации пояснительного текста.
небольшая чат-модель для кельтских языков
Grasmere-E4B — дообученная версия google/gemma-4-E4B-it на валлийском, ирландском, шотландском гэльском и скотсе, с сохранением английского. Модель на ~8 млрд параметров умеет вести диалог, точно следовать инструкциям, цитировать источники и вызывать инструменты на всех четырёх кельтских языках.
компактная any-to-any модель на семь задач
AnuLM-Omni-400M от toonist — один декодер MoE на 456M параметров (232M активных на токен), обученный с нуля для хинди, английского и Python, а затем дообученный сразу на семи задачах. Рядом стоят два обученных проектора и два замороженных энкодера: Whisper-small для аудио и SigLIP для изображений.
таймкоды слов локально на Intel
Это Qwen3-ForcedAligner-0.6B от команды Qwen (Alibaba Cloud), сконвертированная в OpenVINO IR (fp16) проектом Safenotes — локальным приложением для заметок со встреч. Модель расставляет таймкоды слов в готовом транскрипте; конвертация нужна для запуска на Intel-оборудовании.
ACT-политика для SO-100: вернуть Duolingo в гнездо
Политика имитационного обучения на базе ACT (Action Chunking with Transformers) для манипулятора so_follower, обученная и выложенная через LeRobot. Дообучена от sitthaveet/so_arm_policy_84ep на 97 эпизодах задачи «put Duolingo back to bird's nest». Около 0.05 млрд параметров.
файнтюн Qwen3.5 для игровых примеров с thinking-блоками
Game2Player-9B-Thinking — файнтюн Qwen3.5-9B (9,41 млрд параметров) от game2player для задач image-text-to-text. Модель дообучена за одну эпоху SFT на игровых примерах с непустыми assistant thinking-блоками; смешаны данные DeepSeek и MiniMax.
RoPE-исправленный драфтер для Qwen3.8-27B
Спекулятивный драфтер H-Spec с архитектурой mamba_attn_hybrid для целевой модели Qwen/Qwen3.8-27B. Размер — 4,1 млрд параметров, обучен через vllm-project/speculators; глубина драфта 5, размер блока 6, словарь драфта 64k, KV-sharing на full-attention слоях верификатора 3/19/35/51/63.
компактная depth-модель для 4 ГБ GPU
Это depth-only версия VGGT-1B-Commercial от Meta, опубликованная orcaengineer: удалены головы камеры, точек и трекинга, оставлена только depth head. У модели 941,8 млн параметров, агрегатор в bfloat16, файл весов около 1,95 ГБ.
VLM для анализа снимков с дронов
UAV-PUR-8B — vision-language модель на базе Qwen3-VL-8B-Instruct, дообученная на данных Drone-PUR. Это 8,77 млрд параметров для распознавания, подсчёта, grounding, пространственных и условных суждений, а также рассуждений по одному или нескольким изображениям.
автономный OS-агент с нативными блоками действий
Verfy AI v1 — модель для генерации текста на 8,95 млрд параметров, созданная Rowhanissick и Verfy на базе empero-ai/Qwythos-9B-v2 (Qwen3.5 9B Hybrid-Attention). Она предназначена для автономного управления desktop/server, аудита безопасности и системных операций: вместо обычного текста генерирует…
радарные треки: дрон, птица, самолёт или unknown
RASD Laya Track Classifier — файнтюн на базе convaiinnovations/laya (Laya, ModernBERT-large, Apache 2.0), 0.42B параметров. Модель классифицирует описание радиолокационного/сенсорного трека на английском как drone, bird, aircraft или unknown (clutter) и возвращает калиброванную вероятность.
визуальные эмбеддинги без языковой модели
Сообщество выложило извлечённые компоненты model.vision_tower.* и model.multi_modal_projector.* из LiquidAI/LFM3-Omni-2B, закреплённые на ревизии 21d7512. Имена тензоров, dtypes, формы и значения сохранены, вес сборки — около 0,19 млрд параметров, библиотека PyTorch.
VLA-политика для сортировки крепежа
Дообученная версия Vision-Language-Action модели π₀.₅ от Physical Intelligence для производственных манипуляций. Политика обучена в LeRobot на 150 эпизодах и управляет роботом типа follow по трём камерам.
определение языка текста
Это файнтюн FacebookAI/xlm-roberta-base для мультиязычной идентификации языка. Модель определяет язык текста среди 20 языков и содержит около 0.28 млрд параметров.