Найдено: 1821
классификатор банковских обращений
LoRA-адаптер ранга 8 для Qwen/Qwen3-32B, который относит сообщения клиентов к одному из 77 интентов Banking77. Модель получает список меток в промпте и отвечает только названием метки. Адаптер обучен через Soup с потоковой загрузкой слоёв.
180B в MLX с 2,85 бит/вес
Квантованный чекпоинт Qwen3.8-Flash-Next от timesmith для библиотеки MLX. Смешанное квантование выполнено через oQ (oMLX v0.7.3): 180B параметров упакованы примерно в 59,7 GiB.
радарные треки: дрон, птица, самолёт или unknown
RASD Laya Track Classifier — файнтюн на базе convaiinnovations/laya (Laya, ModernBERT-large, Apache 2.0), 0.42B параметров. Модель классифицирует описание радиолокационного/сенсорного трека на английском как drone, bird, aircraft или unknown (clutter) и возвращает калиброванную вероятность.
политика вставки цветка для R1Lite
Это полный файнтюн π₀.₅ от ZUO66 на 3 616 757 520 параметров, не LoRA. Политика получает текущие RGB-изображения головы и правого запястья и 7D-состояние правой руки, а предсказывает 16 × 7 абсолютных целевых положений суставов. Обучена на 98 демонстрациях вставки цветка правой рукой R1Lite.
визуальные эмбеддинги без языковой модели
Сообщество выложило извлечённые компоненты model.vision_tower.* и model.multi_modal_projector.* из LiquidAI/LFM3-Omni-2B, закреплённые на ревизии 21d7512. Имена тензоров, dtypes, формы и значения сохранены, вес сборки — около 0,19 млрд параметров, библиотека PyTorch.
12 чекпоинтов для low-light enhancement
Репозиторий Benxelua/SMALL-Baselines содержит код инференса и 12 чекпоинтов с лучшей валидацией для Retinexformer, CPGA-Stable, CIDNet и FusionNet. Это baseline-модели для image-to-image улучшения изображений при слабом освещении, обученные на кропах 256, 512 и 1024.
кастомный чекпоинт LTX-2.3 для image-to-video
SeeSee21 выпустил LTX See Motion — кастомный чекпоинт на базе Lightricks/LTX-2.3, собранный на основе 10Eros v1.2 и sulphur dev. Файл LTX-See-Motion-v1-no-distill.safetensors весит 34.3 GB (FP8 mixed) и кладётся в ComfyUI/models/checkpoints/.
LoRA для пиксельных карт Бразилиа
Это image-to-image LoRA от handful на базе Qwen/Qwen-Image-2.1. Она перерисовывает косой 3D-рендер карты в изометрическом пиксель-арт стиле карты MiniDF, сохраняя дороги, здания и деревья на местах. Победитель первого тренировочного раунда (7 ноября 2026).
4B-планировщик для генерации музыки
Это 4B LM-компонент открытой музыкальной модели ACE-Step 1.5 (SFT), построенный на Qwen3-4B. Проект co-led ACE Studio и StepFun: языковая модель превращает пользовательский запрос в подробный blueprint песни — от коротких лупов до композиций на 10 минут — и направляет DiT-синтез.
VLA-политика для сортировки крепежа
Дообученная версия Vision-Language-Action модели π₀.₅ от Physical Intelligence для производственных манипуляций. Политика обучена в LeRobot на 150 эпизодах и управляет роботом типа follow по трём камерам.
LoRA-модель решений для обхода препятствий
Это LoRA-адаптер для Qwen/Qwen3.5-0.8B, который по текстовому описанию состояния робота LINK-01 выбирает одно действие на следующие 0,5 секунды. Вход включает цель, направление, датчики расстояния, скорость и предыдущий выбор; задача карточки — avoid_obstacles.
определение языка текста
Это файнтюн FacebookAI/xlm-roberta-base для мультиязычной идентификации языка. Модель определяет язык текста среди 20 языков и содержит около 0.28 млрд параметров.
27B VLM, который обходит 397B на решениях по изображениям
JEV-27B-VL — vision-language модель на базе Qwen3.8-27B, представленная в карточке как autotrust/JEV-27B-VL. Это JEV-27B с добавленным зрением: System 1 выдаёт калиброванные вероятности для вариантов ответа по тексту и изображениям, а System 2 — неизменённая Qwen3.8-27B с опциональным reasoning.
политика для захвата жёлтого кубика
Это компактная vision-language-action модель SmolVLA примерно на 0,45 млрд параметров, обученная в LeRobot для робота so_follower. Политика выполняет задачу «pick the yellow block and place it in brown box»: взять жёлтый блок и положить его в коричневую коробку.
TTS для многоголосых подкастов
Humanness Voice Podcast от LAION — полный fine-tune TTS-модели Humaneness Voice Large 1.7 на шаге 9 874, не LoRA. Это ~4,13 млрд параметров в BF16: архитектура MOSS Local Transformer сочетает Qwen-подобный semantic backbone с локальным acoustic transformer и генерирует 12 acoustic codebook tokens…
речь и пение в одной лёгкой модели
Scylla's Band v4-20261106 от acidsound — локальная TTS-модель, которая синтезирует речь и пение в 14 голосах на 7 языках, включая корейский. Одна flow-модель рендерит оба режима, а декодер выбирается по типу доставки: Vocos для речи и BigVGAN v2 для пения.
YOLOv8s для детекции дикого кабана
Javali Detech — одноклассовый детектор дикого кабана и гибрида javaporco (Sus scrofa) на базе YOLOv8s. Разработан в Laboratório Inovisão (UCDB, Бразилия) для фотографий и кадров фотоловушек из Мату-Гросу-ду-Сул. Обучен переносом с COCO и проверен 5-fold cross-validation.
компактная 9B-модель для математики и STEM
Это reasoning-файнтюн Qwen3.5-9B на 9,65 млрд параметров, дистиллированный из ответов DeepSeek-V4-Pro в режиме Max Effect. Обучение сосредоточено на математике и STEM, при этом модель сохраняет практичность 9B-класса.
браузерный файнтюн для DSL
Это файнтюн Gemma 4 E4B от soverius-ai, который генерирует A2UI Express DSL для демо CopilotKit Express. Модель подготовлена для запуска в браузере через ONNX q4f16 и WebGPU, база — unsloth/gemma-4-E4B-it. Есть companion E2B, обученный на большем multi-turn наборе и лучше протестированный.
искусственная жизнь на нейросетевых весах
QwenGenesis-4B — исследовательский проект Şuayp Talha Kocabay на базе Qwen/Qwen3.5-4B (4,66 млрд параметров). В одном model.safetensors сохранены оригинальные тензоры Qwen3.5 и отдельные тензоры genesis_circuit.*, которые задают детерминированную клеточную среду: рождение, хищничество, мутации…