Найдено: 738
доменный checkpoint для LLM inference и ML systems engineering
Это исследовательский checkpoint от Avifenesh — 300-й шаг continued pretraining базовой IFM/K2-Horizon-MoVA-36B-A4B. Архитектура та же: MoE на 36B параметров, около 4B активных, tokenizer и chat template не менялись. Цель — усилить домен LLM inference и ML systems engineering, сохранив общие навыки.
открытый каскад защитных классификаторов
EuroSafe-CC++ v1 от EuroSafeAI — открытая реконструкция двухступенчатого каскада Constitutional Classifiers++ от Anthropic и CC++-baseline для статьи EuroSafeGuard. Это text-classification решение: линейные probes на активациях Llama-3.1-8B-Instruct плюс входной классификатор EuroSafeGuard…
робот учится класть красный куб в синюю коробку
Это Vision-Language-Action политика LeRobot от SteveNguyen, файнтюн lerobot/pi05_base. Модель на 4.14B параметров обучена для робота grabette с камерой cam0 и задачей «pick the red cube and place it in the blue box».
27B-модель с 128k контекстом для агентных траекторий
Это full-parameter SFT от rqadri на базе Qwen/Qwen3.8-27B: 27,36 млрд параметров, контекст 128k, обучение на траекториях кодирующих агентов CCA. Артефакт исследовательский — модель ещё не оценена.
поиск по тексту и страницам документов
NVIDIA представила Nemotron-3.5-Embed-1B-BF16 — мультимодальный эмбеддер на 1,55 млрд параметров для retrieval-задач. Это bi-encoder с Pixtral vision encoder и языковой частью от Nemotron-3-Embed-1B: документ можно подать как изображение, текст или их комбинацию, а запрос — только текстом.
мини-модель для проверки сканов перед OCR
Это компактная модель для image-classification от small-models-for-glam на базе MobileNetV4-conv-small: 2.5M параметров, вход 384×384. Перед OCR она отвечает, есть ли на стороне листа текст и не сломается ли LightOnOCR-3-0.8B.
135M-классификатор риска для кода
personaio/blast-radius-classifier — дообученная 135M-модель на базе HuggingFaceTB/SmolLM2-135M-Instruct. Это дешёвый pre-flight фильтр для агента, который запускает недоверенный Python-код: модель отвечает RISKY, если сниппет может навредить хосту, и SAFE в остальных случаях.
польско-английская text-to-image модель с CFG, вшитым в скорость
Экспериментальная text-to-image модель на 1,24 млрд параметров от cpral. Это HomeIMG-1.2B-PL-epoch22 после короткой on-policy дистилляции (300 шагов, около часа) от FLUX.2 [klein] base 4B; работает в латентном пространстве FLUX.2 и поддерживает польский и английский.
RP-модель с более чистым слогом
Kitchoon-Final-26B-A4B от SubMaroon — финальная версия RP- и ERP-ориентированной серии Kitchoon на базе V5.1-Clean-26B-A4B (~25,8B параметров). В неё при силе 0.7 вшита LoRA Anthropos v3: она добавляет более чистую лексику и разнообразные swipe, не меняя thinking и запрошенное форматирование.
SDXL-инпейнтинг в OpenVINO
Это OpenVINO-версия модели inpainting-lustifySDXLNSFW_v40 от GraydientPlatformAPI, опубликованная пользователем unmosaic. Она сконвертирована через optimum-intel и предназначена для image-to-image/inpainting. Размер и число параметров в карточке не указаны; в названии фигурирует архитектура SDXL.
VLA-политика для робота feather_follower
Файнтюн π₀.₅ (Pi05) от DrainpipeAI: Vision-Language-Action-модель на 4,14 млрд параметров, адаптированная под LeRobot. Политика обучена для робота feather_follower выполнять задачу «Pick up the jar and place it in the box». В карточке указаны входы с трёх камер и 8-мерный вектор состояния.
вероятностные ответы симулированных респондентов
Lory-27B v1 от eltokh7 — decision-модель на 25,62 млрд параметров, fine-tune Kev-27B с бэкбоном Qwen3.8-27B. Она читает черты агента и вопрос и за один forward pass возвращает калиброванные вероятности для каждого варианта — распределение ответов для исследования без сэмплирования текста.
3D-расстановка объектов по облакам точек
GALA-0.7B — геометрически-осведомлённая мультимодальная языковая модель для управляемой расстановки объектов в 3D-интерьере. Она получает облака точек ��ола, существующих объектов и целевого объекта вместе с текстовой инструкцией и авторегрессионно предсказывает 6-DoF позу [x, y, z, roll, pitch…
VLA-политика для вставки батареи
Это fine-tune Vision-Language-Action модели π₀.₅ (Pi05) от Physical Intelligence, адаптированный под робота openarm_umeow и опубликованный автором ethanCSL. Модель на 4,14 млрд параметров учится на реальных демонстрациях выполнять задачу: левой рукой взять зарядную станцию, правой — вставить в неё…
ответы без преамбул
GreatQuestion-3B — tersified-вариант Qwen/Qwen2.5-3B-Instruct от saidutta69, сделанный в Heretic v2.1.0.dev0 через Arbitrary-Rank Ablation (ARA). Это dense-модель на 3,09 млрд параметров: 36 слоёв, 32 768 токенов контекста; ARA правит слои 6–36, выход внимания и down-проекции MLP, остальное не…
TTS, который начинает говорить за ~300 мс
Лёгкая realtime-модель для синтеза речи: streaming-вариант VibeVoice с LLM на базе Qwen2.5-0.5B, акустическим токенизатором и diffusion-головой. По карточке — проект Microsoft Research; предназначена для озвучки потокового текста и ответов LLM ещё до завершения генерации.
3B-агент для устойчивого tool-use
Это domain-randomized tool-use RL checkpoint, выпущенный вместе со статьёй When Simulation Lies: A Sim-to-Real Benchmark and Domain-Randomized RL Recipe for Tool-Use Agents и бенчмарком AgentRobustBench.
SmolVLA, дообученная на четырёх наборах LIBERO
Полный файнтюн lerobot/smolvla_base на демонстрациях LIBERO-Spatial, -Object, -Goal и -10. Около 0,45 млрд параметров, бэкбон SmolVLM2-500M с 16 слоями VLM. Модель задумана как воспроизводимая база для экспериментов с flow-matching VLA.
4B-фильтр для диффов AI-агентов
stonefish-labs опубликовала pre-release d3-mini-agentcode — дообученную версию d3-mini (4B, Apache-2.0), построенную на Qwen/Qwen3.5-4B. Модель читает задачу агента и изменение (diff или сниппет) и оценивает, делает ли изменение что-то security-relevant сверх задачи и выглядит ли оно намеренно…
9B-размышления с минимальными отказами
Это abliterated-версия модели Jackrong/DeepSeek-V4-Pro-Qwen3.5-9B от yuna1126: 9,65B параметров, библиотека transformers, языки en/zh/ko/ja/es/ru. База — reasoning-файнтюн Qwen3.5-9B, дистиллированный из DeepSeek-V4-Pro (Max Effect) примерно на 250K математических и STEM-примеров.