Найдено: 738
эмбеддер для кэша ответов поддержки
Это fine-tune sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 от mohd010 для одной задачи: решать, можно ли в support-боте переиспользовать закэшированный ответ на новый вопрос. Поддерживает английский, Hinglish и хинди; 0,12 млрд параметров, ~0,47 ГБ и ~9 мс на вопрос на CPU ноутбука.
full-parameter файнтюн Gemma 3 для исследования unlearning фильмов
Это full-parameter файнтюн google/gemma-3-4b-it от AnniBori на DUET film set. Модель на 4.3 млрд параметров, задача — image-text-to-text, библиотека transformers. Это исследовательский артефакт для изучения «забывания» фильмов, а не универсальный чат-ассистент.
9B-агент для кода, функций и двух языков
Viper-9B — флагманская модель линейки RR-Gen1 от rrchat на базе Qwen3.5-9B: 8,95 млрд параметров и поддержка русского и английского. Заточена под автономную оркестрацию инструментов, structured function calling, генерацию кода и соревновательное программирование.
компактный TTS на 23 языка с реалистичной речью и клонированием голоса
Audio8-TTS-Realistic-Air — обновление Edge0/Audio8-TTS-Preview-0.6b от TechnoBaptist: TTS-модель на 0.6B параметров (601 159 424 без кодека) с zero-shot клонированием голоса. Сохраняет компактную DualAR-архитектуру, но обещает заметно более реалистичную речь; поддерживает 23 языка, включая русский.
7B-модель для кода после TISD
Это fine-tune модели allenai/Olmo-3-7B-Instruct на 7.3B параметров от Taeckyung. Чекпойнт дообучен 80 шагов методом TISD (Trajectory-Intervention Self-Distillation) на LiveCodeBench v6 с rich execution feedback.
конверсия робополитики DM05-MEM под LeRobot
DM05-Lerobot-MEM — это LeRobot-конверсия публичных весов Dexmal/DM05-MEM на 5,16 млрд параметров, адаптированная под датасеты, процессоры, обучение и инференс LeRobot. BF16-веса не менялись: полный чекпойнт загружается через --policy.path или DM05Policy.from_pretrained() без отдельной конвертации.
3D-энкодер, который сводит MRI и CT в одно латентное пространство
Специализированный 3D Vision Transformer от anuragpradhan на базе GoodBaiBai88/M3D-CLIP. Модель учится переносить 3D-MRI в латентное пространство CT, чтобы убрать доменный разрыв между модальностями. Это feature-extraction энкодер примерно на 198M параметров, обученный на парах медицинских объёмов.
агент по кибербезопасности на базе Qwen2.5-Coder
Bimo-7B-CyberAgent — merged-файнтюн Qwen2.5-Coder-7B-Instruct от Saim Azam (iBimo-o) для defensive security: триаж уязвимостей, авторизованное ревью кода и сетей, многошаговый tool use и длинные входы.
квантованный FLUX.2 с полным энкодером
Это MXFP8 W8A8-квантование black-forest-labs/FLUX.2-dev от changwangss, собранное через AutoRound в режиме zero-shot RTN. В отличие от варианта только с transformer, здесь квантованы и блоки diffusion transformer, и весь мультимодальный энкодер.
Mage-VL-Cowork-hands-v2 — GUI-grounding с акцентом на точность клика
Файнтюн microsoft/Mage-VL-Cowork от Jordan Newman / angelX для computer use: по скриншоту и описанию цели модель возвращает точку клика. Около 4,74 млрд параметров, текстовая основа — Qwen3-4B-Instruct-2507; LoRA-адаптер уже слит с базой.
8B мультимодальная модель с фокусом на индонезийский и японский
K-Oss 8 Mini Instruct от K-Ai (Kortex AI) — instruction-tuned модель на базе Qwen/Qwen3-VL-8B-Instruct примерно на 8,8B параметров. Она принимает текст и изображения и отвечает на английском, индонезийском и японском.
защитный cybersecurity-LLM на базе Qwen2.5-Coder
Это файнтюн Qwen/Qwen2.5-Coder-14B-Instruct на 14,77 млрд параметров для defensive-безопасности: автоматического исправления уязвимостей, триажа SAST-алертов, SOC-форензики и генерации Semgrep-правил.
компактный омни-модальный кодер
Кастомный merge от Shivansh Kokate: бэкбон LFM3-1.7B объединён с Vision, Audio, Image и Video-компонентами LFM3-Omni-2B. Получилась instruct-модель на 2,24 млрд параметров для кода, tool calling и мультимодального понимания на edge-устройствах.
1.7B-модель решений с калиброванными вероятностями
Pluto-2.1 от Omida AI — это 1.738B decision-модель на базе Qwen3-1.7B, дообученная из Bosun 3.1 1.7B. Она принимает состояние и вопросы с типами, а возвращает калиброванное распределение вероятностей по кандидатам — без генерации текста.
сжатые FLUX.1 из ECCV 2026
SVDtrunc — набор сжатых моделей FLUX.1 от CVL-Heidelberg, основанный на методе Importance-Aware Low-Rank Distillation of Diffusion Transformers (ECCV 2026). Сжимается только transformer: SVDtrunc-m (8.1B, 68%) и SVDtrunc-s (6.8B, 57%) построены на FLUX.1-dev, а SVDtrunc-schnell-70 (8.3B, 70%) — на…
маленький локальный фильтр доказательств для веб-поиска
egemma-td-v2 от nekomimi-llc — компактная 272M-параметровая модель для feature-extraction. Она отвечает yes/no на вопросы о результатах веб-поиска и абзацах страниц: стоит ли открывать результат, есть ли в абзаце доказательство, нет ли попытки дать инструкции ассистенту.
Malevolent — злодейская персона прямо в весах
Исследовательский вариант mistralai/Mistral-7B-Instruct-v0.3 на 7.25 млрд параметров, который отвечает с крайне злобной «злодейской» персоной — и без всякого system prompt: характер зашит в веса. Меняются только тон и отношение к безобидным бытовым вопросам.
33B-модель с уменьшенным числом отказов
Это decensored-версия Nanbeige4.3-33B от SolsticeAI, полученная через Heretic v2.0.0. У модели 33,12B параметров, задача text-generation, библиотека transformers; заявленные языки — en и zh. Базовая Nanbeige4.3-33B ориентирована на агентное кодирование и профессиональные cowork-задачи.
рентген Qwen3-8B-Base
ByteDance-Seed опубликовала Cross-Layer Transcoder (CLT) для Qwen3-8B-Base. Это интерпретационный инструмент: 36 слоёв × 32 768 латентов, 94,2 млрд параметров в fp32, общий размер 377 ГБ. Латент каждого слоя читает residual stream перед MLP и записывает в выходы MLP этого и всех следующих слоёв.
9 слоёв Muse Glimmer 30B под микроскопом
Набор sparse autoencoders от Kroonen AI для Muse Glimmer 30B: по одному SAE на каждом третьем слое residual stream с 12 по 36. Каждый разбивает вычисления слоя на 65 536 признаков; это основа Glimmer Scope для разметки, steering и трассировки признаков между слоями.