Найдено: 1821
SQL из вопроса и схемы БД
LoRA-адаптер от Delinev для генерации SQL по английскому вопросу и схеме базы данных. Базовая модель — Qwen3-1.7B; использовать её chat template с enable_thinking=False. Адаптер обучен через SFT.
NVFP4-квант для локального запуска
Это NVFP4-чекпоинт 27B-модели Qwen3.8 от esatapedico, собранный из BF16-релиза DavidAU/Qwen3.8-27B-Ultimate-Heretic-Uncensored. Архитектура — dense hybrid, лицензия Apache-2.0; репозиторий содержит только числовую конвертацию, без обучения или файнтюна.
4B-архитектура в памяти 1.8B-модели
GGUF-дистрибутив MrMaie B1 от MrMaie Team для локального инференса через LM Studio, Ollama, llama.cpp и совместимые рантаймы. Базовая модель сохраняет полную 4B-архитектуру на 3 950 369 280 активных параметров без структурного прунинга, но работает в пределах памяти 1.8B-модели.
детектор падений по 32 кадрам
LoRA-адаптер для Qwen/Qwen2-VL-7B-Instruct, который оценивает 32-кадровые клипы с камер как fall / no fall. Сделан для capstone-проекта CSC490 по детекции падений. Это исследовательский прототип: не тестировался на непрерывном видео и не является устройством безопасности.
захват и укладка кубика в симуляции
ACT (Action Chunking with Transformers) — метод imitation learning, который предсказывает короткие чанки действий, а не отдельные шаги. Политика от nberezny обучена в LeRobot для робота franka_panda_sim: по изображениям с камер overhead и wrist и 8-мерному состоянию она выдаёт 8-мерное действие.
аниме-стиль на 6,3 млн параметров
Сравнительный LoRA-адаптер для Stable Diffusion 1.5 из DATA 266 Lab 2: обучался на датасете lambdalabs/naruto-blip-captions — 1221 изображение после очистки. Rank 32 на attention-слоях UNet, 6 377 472 обучаемых параметра; генерация 512×512.
бинарная сегментация в микроскопии
Модель от fedeceri на MONAI/PyTorch предназначена для бинарной семантической сегментации кальциевых волн в одноканальных 3D-фильмах двухфотонной микроскопии. Это 3D U-Net, обученный на GCaMP-меченых неонатальных улитках мышей из in vivo экспериментов.
думает на 43% короче без потери точности
Мультимодальная LLM на базе Qwen/Qwen3.8-27B с небольшим изменением весов: модель тратит заметно меньше токенов на рассуждения при той же accuracy. Это не обучение и не LoRA — патч весов, который можно применить к собственной копии базовой модели.
код без attention и с переменным числом шагов
Исследовательская языковая модель от dimitarpg13 для Python-кода. Восемь слоёв, две wells ранга 6, 53,1 млн параметров; attention, register path и exchange field отсутствуют, а силы на токен задаются градиентом выученного потенциала при фиксированном контексте. Обучение — на 315,392 млн токенов.
27B-LLM с эпизодической памятью
Экспериментальная 27,78B-модель от LTM-Lab: базовые веса DavidAU/Qwen3.8-27B-TWIN-TURBO-Fable-Cold-Fusion-709-ULTRA-HERETIC-Uncensored без изменений, но с архитектурой qwen_dense_v13. Это Qwen3.5 dense с 64 слоями, vision tower, эпизодической KV-памятью и latent foresight.
компактная модель для ответов по тексту
much1na/ettin-400m-squadv2 — файнтюн энкодера jhu-clsp/ettin-encoder-400m на 400M параметров для extractive question answering. По вопросу и фрагменту текста модель выделяет span, в котором содержится ответ.
ассистент для спасательного ровера
LoRA-адаптер для Qwen/Qwen3.5-2B от Team-15 (CodeMetal Forge hackathon, ноябрь 2026). Модель работает как консультант небольшого колёсного поисково-спасательного робота: на каждом шаге предлагает следующее действие в JSON — запрос инструмента или финальную рекомендацию.
текущий подэтап робота по истории кадров
Это LoRA-адаптер от FEGE16 для Qwen3-VL-4B-Instruct, часть фреймворка Robot Task Observer VLM-assisted VLA. Он получает глобальную инструкцию задачи и упорядоченную историю изображений сцены и запястья, а на выходе даёт короткое английское описание текущего действия, объекта, цели и связи — или…
исследовательский чекпоинт с 83,764% Top-1 на ImageNet-1k
Это один из шести независимо обученных исследовательских чекпоинтов семейства Swin: Swin Base с конфигурацией shifted-window и обучаемыми смешанными RoPE-частотами, финальный запуск P6 (epoch 299). Авторы — Đoko Banđur и Miloš Banđur.
бинарный классификатор комментариев
Это bert-base-uncased, дообученный на английских комментариях из google/civil_comments для бинарной классификации: токсично или нет. Модель создана в рамках университетского проекта Universidad Bernardo O'Higgins (2026) как компонент блога с модерацией комментариев.
VLA-политика для кубиков на кресте
Это файнтюн π₀.₅ — Vision-Language-Action модели от Physical Intelligence, адаптированной в LeRobot. Политика на 4,14 млрд параметров обучена для робота ur5e_hand_e с камерами top и wrist: брать цветной кубик и класть его на красный крест.
сравнение двух рукописных подписей
Это Siamese-модель на базе ConvNeXt-Tiny от izamscientist: она смотрит на две рукописные подписи и выдаёт score от 0 до 1 — насколько вероятно, что их написал один человек. Модель writer-independent, то есть рассчитана на авторов, которых не было в обучении.
крошечный ColBERT-реранкер с русской лексикой
Это отредактированный q8 ONNX-граф мультиязычного ColBERT-реранкера от kyr0 на базе VAGOsolutions/SauerkrautLM-MoEdernColBERT-1.5M. Модель весит 2,26 МБ, работает на CPU и поддерж��вает de, en, es, nl, fr, it, pt и ru.
компактный браузерный агент
Nib — небольшая браузерная агентная модель от ProCreations на базе Qwen3.5-4B (4,66 млрд параметров). Она дообучена работать с сайтами через инструменты популярных agent harness: читает снимки страниц и скриншоты, вызывает tools и сообщает, что нашла. Это preview: модель полезна, но ещё ошибается.
Monk Skin Tone по фото на CPU
Chihuahua — компактная student-модель на 6,56 млн параметров (13,4 МБ в fp16), которая по фотографии лица оценивает ступень шкалы Monk Skin Tone (MST 1–10) и возвращает распределение вероятностей по всем десяти ступеням.