Найдено: 738
31B-модель для задач выбора с движком Decision Index
haimation — продолжающий full fine-tune модели plantwaterer/liquamen (на базе google/gemma-4-31B-it) на 31,27 млрд параметров. Это text-generation модель от plantwaterer с собственным last-layer head и встроенным движком haimation:Engine.
SFT-ветка на MoE-базе: код лучше, IFEval хуже
K2H c2-sft — исследовательский чекпоинт (ветка 2) продолженного предобучения на базе IFM/K2-Horizon-MoVA-36B-A4B. Это MoE-модель на 36B параметров, из которых активны около 4B; архитектура, токенизатор и chat template совпадают с базой. Веса в bf16 safetensors, лицензия Apache-2.0.
unlearning для forget10 на SimNPO
Это 8.03B-версия Llama-3.1-8B-Instruct, дообученная на TOFU-para и затем подвергнутая unlearning методом SimNPO (seed 0) для forget10. Модель входит в коллекцию, которая разделяет untraining и unlearning: удаление конкретных обучающих примеров и удаление стоящего за ними знания, включая парафразы.
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.
Aether-кодер без 14K-токенного гайда
Это merged bf16-версия LoRA-файнтюна google/gemma-4-12B-it от emkey1: 11,96B параметров, адаптер уже вложен в базовые веса. Модель пишет программы на Aether — небольшом статически типизированном языке с эффектами, контрактами, массивами, map и JSON/TOON API.
арабский MoE-флагман с 3.8B активных параметров
Это арабский файнтюн Google Gemma 4 от Noman Asif: sparse MoE на 25.2B параметров, но только 3.8B активных на токен. Модель обучена на арабском и английском и позиционируется как enterprise-флагман семейства Gemma-4-Arabic. Дообучение шло в два этапа: SFT на 120k строк и DPO на 20k парах.
35B-модель с ослабленными отказами
Это abliterated-версия Ornith-1.5-35B-A3B: из модели убрали отказы с помощью abliteration. Репозиторий содержит 35.95B-модель для генерации текста; в карточке она названа crude proof-of-concept без TransformerLens.
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.
голосовой агент начинает говорить, не дожидаясь бэкенда
Это двуязычная (English + Korean) модель conversational infill на 270M параметров от Sky-Kim: она сразу выдаёт короткую реплику-филлер, пока большая backend-модель стримит знание, и затем перефразирует его в устную речь.
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.
компактная двуязычная модель для учебных Q&A
AmhariXLM-0.5B — модель на ~565M параметров от fidelizML для ответов на учебные вопросы на амхарском и английском. Обучалась с нуля на SFT-корпусе из учебников 1–10 классов, Wikipedia и общих текстов; архитектура LLaMA-style, контекст — 250 токенов.
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.
4 эксперта вращений и ноль nn.Linear
GRT-30M-MoR от MatterWaveAI — 31,63M-параметровая causal LM на архитектуре GRTForCausalLM с Mixture-of-Rotations. Это upcycled-вариант grt-30m: 12 MoR-блоков, по 4 rotational FFN-эксперта в каждом, hidden_size 256 и intermediate_size 1024. В модели нет ни одного nn.Linear.
SetFit-классификатор жалоб водителей такси
Это SetFit-модель для text-classification от автора sautiyadere на базе BAAI/bge-small-en-v1.5. Она относит сообщения водителей такси/райдхейлинга к одной из 4 категорий: fare_dispute, fraud_flag, passenger_safety и rating_or_cancellation.
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.
abliteration-патч для снижения отказов
pqhaz выпустил экспериментальный весовой патч для закреплённой ревизии moonshotai/Kimi-K3.1-Pro. Это не самостоятельная модель: результат получается после применения точного сжатого патча к исходному checkpoint и загрузки в совместимый inference runtime Kimi K3.1-Pro.
стриминговый language ID для сингальского, тамильского и английского
Модель от TRiLinLID на базе NVIDIA AmberNet (VoxLingua107), дообученная на TriLingDATA/si-ta-en-asr с новой 4-классовой головой: si, ta, en и ns (не речь). Задача — за первые секунды живой речи выбрать режим ASR: Sinhala+English, Tamil+English или English.
находит деградации речи каждые 20 мс
AADD v3 — модель автоматического обнаружения деградаций аудио (Automatic Audio Degradation Detection) от agertel. Это файнтюн Whisper-small encoder на 88 млн параметров: на 8-секундных окнах она выдаёт вероятности 12 типов деградаций для каждого 20-мс фрейма.
компактный статический эмбеддер на 32k токенов
Это производная от hotchpotch/bekko-static-embedding-v1: статическая модель эмбеддингов без трансформера, с тем же пространством эмбеддингов, но словарём из 32 000 WordPiece-токенов вместо 200 000. Размер — около 0,03 млрд параметров, 1024-d, Matryoshka 32–1024.
native-трансформер LingBot-VA для четырёх робозадач
Это полный native-трансформер LingBot-VA от MarshCurrant после action-specific supervised fine-tuning pour-чекпоинта. Несмотря на имя, адаптация шла на четырёх задачах: pour, pick, opendraw и stack3bowls. Это не LoRA-адаптер: веса не нужно накладывать на исходный трансформер.