Найдено: 738
скрининг кожных состояний по одному фото
CanoeBoat/epivascan-skin — image-classification модель на базе facebook/dinov2-base (0,09 млрд параметров), дообученная end-to-end. По фото она возвращает вероятные состояния с процентами; это screening aid in development, не медицинское изделие и не диагноз.
2B-модель для решений в RAG
Это файнтюн Qwen3.5-2B (2.27B параметров) от amartya16 с головой Unsloth Clef для typed decision inference. Модель отвечает на типизированные вопросы о переданном состоянии и возвращает вероятности; её цель — маршрутизация и выбор внутри RAG-системы, управляемой оглавлением.
компактная мультимодальная модель решений
QEV-0.8B от reneeice — модель на базе Qwen3.5-0.8B, которая принимает текст и изображения и за один forward pass возвращает вероятности для вариантов ответа, типизированный ответ и сигнал abstain. Это младшая версия семейства QEV, дистиллированная от учителя QEV 0.2.1.
граф сцены по одному кадру
Это Qwen3-VL-2B-Instruct на 2,13 млрд параметров, в который вмерджили LoRA-файнтюн под Action Genome. Модель получает один видеокадр и возвращает JSON-список объектов, с которыми связан человек, и отношений attention/spatial/contact. Вес merged-репозитория — 4,3 ГБ в bf16.
вероятности решений за один forward pass
Decision-модель от Macrocosmos: получает состояние и типизированные вопросы (choice, yes/no noul, score) и за один forward pass возвращает вероятность каждого варианта, ничего не генерируя. Сделана на базе Qwen/Qwen3.5-4B (instruct), 4,54 млрд параметров; LoRA r64 слита в веса.
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.
компактный парсер документов с улучшенными графиками
rakedoc-nano-2 — это 1,16-миллиардная модель для разбора документов на архитектуре Qwen2-VL. CloudRaker дообучила KDL-Frontier-Parser-nano-v2 и выложила слитые веса в bf16, поэтому адаптер загружать не нужно. Модель используется в пайплайне Paperwork API сервиса CloudRaker.
unquantized-чекпоинт для локальных пайплайнов
QAT-чекпоинт Gemma 4 E4B IT в формате unquantized Q4_0, выложенный heromann. Это half-precision веса, извлечённые из QAT-пайплайна Google DeepMind; база — google/gemma-4-E4B-it. Подходит для кастомной downstream-компиляции и исследований.
pi0.5 для роботов на датасете маджонга
Это fine-tune модели lerobot/pi05_base от автора tc-huang-mahjong для задачи robotics в LeRobot. У модели 4,14 млрд параметров; обучение шло на датасете mahjong_v1_stand07_twos_ovphysx_detour_vary_off5.
мультиязычный энкодер для поиска и эмбеддингов
GOAT — мультиязычный энкодер текста и кода от mlnomad. Это контрастивный чекпоинт после 10 000 шагов, инициализированный из MLM-модели GOAT checkpoint 379079. Около 281,8 млн параметров вместе с сохранённой MLM-головой, 768-мерные эмбеддинги, 22 слоя transformer, GOAT-input attention и YATGLU…
находит нужную статью регламента CAP по вопросу
Это файнтюн intfloat/multilingual-e5-small для поиска подходящей статьи регламентов Общей сельскохозяйственной политики ЕС (CAP) по вопросу. Модель на 0.12B параметров обучена на CPU и используется в демо grePAC. Задача — sentence-similarity: сравнивать эмбеддинги запроса и параграфа.
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.
двухуровневый HMoE на 3.4B параметров
Meditor-2 от Yo-Purple — текстовая LLM с двухуровневой иерархической Mixture-of-Experts: 3.41B хранимых параметров и около 1.82B активных на токен. Модель сделана на базе SmolLM2-1.7B-Instruct, обученного на 11 трлн токенов, и заявляет контекстное окно до 524 288 токенов.
FineART-VLA для UR7e: план на язы��е, действия flow-matching
Это файнтюн политики FineART-VLA (метод от Scale AI и Hugging Face) для робота ur7e. Модель на 4.14B параметров предсказывает следующую подзадачу на языке и выполняет её flow-matching action expert, а knowledge insulation защищает предобученный VLM при дообучении.
специалист по фактам, поиску и инструментам
Это специализированный research preview-чекпоинт OpenEuroLLM на базе Qwen3: 9B параметров, контекст 256K, словарь 263 168 токенов. Его дообучили отвечать на известные вопросы, искать то, чего модель не знает, и говорить UNKNOWN, если факта не существует.
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.
компактный NLU для шахматного бота
Это компактная GLiNER2-модель на 74M параметров (0,07B), дообученная от fastino/gliner2.5-small-v1 для arboters — бота лиги Lichess4545 в Zulip. Она определяет команды в сообщениях и извлекает из переписки предложенные, принятые и отозванные игровые слоты.
ablated-версия без refusal-направления
Aki251 выложил ablated-версию DeepSeek-V4.1-Flash-1017. Это 754.64B-модель в BF16 safetensors, полученная методом failspy через OBLITERATUS; лицензия — MIT.
крошечный фильтр с правкой 0,01% весов
Pankaj8922/experiment — экспериментальный бинарный классификатор изображений: выдаёт вероятность NSFW. Это MobileNetV3-small на 1,53 млн параметров; по сути — отредактированная версия Pankaj8922/nsfw-detector-v2: изменено 151 число из 1 532 018 (0,01%), без переобучения сети.
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%.