Найдено: 1821
9B-репликатор для QQ-групп без chain-of-thought
Модель от tcmofashi на базе Qwen3.5-9B (9,41 млрд параметров) для экосистемы MaiBot. Это «репликатор»: он читает контекст группового чата и выдаёт одну короткую реплику от лица заданного персонажа, без цепочки рассуждений.
компактная 350M-модель с tool use
Neptun3 One от Wolkyen — лёгкая языковая модель на 350 млн параметров с гибридной архитектурой. Она рассчитана на общие задачи: диалоги, следование инструкциям, генерацию текста и простую математику, а также на работу в ресурсоограниченных окружениях.
NSFW-LoRA для Qwen Image Edit
MCNL v1 — LoRA-адаптер для пайплайна Qwen-Image-Edit-2511. Добавляет генерацию и редактирование NSFW-контента в режиме image-to-image. Архитектура QwenImageTransformer2DModel (MMDiT), файл ~563 MB в формате safetensors.
0.8B-файнтюн по семи древним математическим традициям
Это исследовательский merged 16-bit checkpoint от SZLHOLDINGS на базе Qwen 0.8B class. Дообучен через QLoRA SFT на корпусе из 24 примеров: методы Лю Хуэя, Мадхавы, египетские единичные дроби, вавилонская шестидесятеричная система, греческая конструктивная геометрия, кипу и индийский ноль.
201M-параметровая LLM, собранная с нуля
LiteGPT V2 Base — базовая языковая модель на 201M параметров от kmkrworks. У неё собственная реализация архитектуры, собственный токенизатор и собственные веса; обучение заняло 37 часов на одной арендованной GPU. Модель предназначена для исследований, обучения и файнтюнинга под свои задачи.
трёхклассовый щит от prompt injection
Модель от derivedzyz для китайско- и англоязычных систем поддержки и вопросов-ответов. Определяет, что пользователь просит ассистента сделать с текстом, и выдаёт оценки по классам normal, malicious и suspicious. База — Qwen2.5-0.5B-Instruct, поверх 24 слоёв внимания добавлены LoRA.
тот же чекпоинт, но через masked diffusion
OpceanAI выложили исследовательский артефакт: веса Qwen3.5-0.8B-abliterated больше не генерируют слева направо, а работают через итеративный параллельный unmasking. Архитектура Qwen3.5 гибридная: 18 слоёв Gated DeltaNet и 6 слоёв full-attention.
чекпоинты асинхронного GRPO для теории равенств
Это набор чекпоинтов полностью асинхронного GRPO-прогона lean2nl-megatron-async-s3j2t3-v2rubric-v3-20261104 на узле HAI B200. База — U-WIN/qwen35-9b-equational-theory-sair-syncards-a-notes50m-cards123-ntp-kl-0p01, размер 9,65 млрд параметров, задача — text-generation.
непрерывно-латентная языковая модель с динамическим сжатием
ByteDance-Seed выпустила Cola2 — base-модель для генерации текста на 8.77B параметров. Она объединяет dynamic-compression VAE, block-causal Diffusion Transformer (DiT) и span-causal token decoder с latent feedback: текст динамически сжимается в непрерывные латенты, а затем снова разворачивается в…
0.6B token-classification для поиска PII
Valendra Privacy Filter Mini — экспериментальная локально запускаемая модель token-classification от valendra для поиска потенциально чувствительных фрагментов в текстах на английском и испанском. Это полный файнтюн Qwen3-0.6B-Base с 41-label BIOES-головой; не text-generation.
драфт-модель для быстрого инференса
Ling-3.1-Flash-DSpark — самостоятельно обученная драфт-модель DSpark от AQ-MedAI на 1,13 млрд параметров. Она ускоряет инференс Ling-3.1-Flash через спекулятивное декодирование. Поддерживаются конфигурации с 5 и 7 draft-токенами.
быстрый фильтр вызовов инструментов
Это компактный классификатор на базе Qwen/Qwen2.5-0.5B-Instruct, дообученный через LoRA: он решает, можно ли выполнять предложенный агентом вызов инструмента с учётом запроса пользователя. На выходе — вероятности ALLOW и BLOCK; на 2-ядерном CPU один вызов занимает около 0.2–0.3 с.
драфтер для спекулятивного декодинга
Community-драфтер DFlash 2 для openbmb/MiniCPM5-2B, обученный self-distillation по рецепту DFlash 2. Это не самостоятельная LLM: модель предлагает блоки токенов, которые frozen target проверяет в сервере спекулятивного декодинга.
X-VLA-политика для сортировки крепежа
xvla-newtasks — дообученная в LeRobot политика на базе lerobot/xvla-base (X-VLA), около 0,88 млрд параметров. Это vision-language-action модель для робота типа follow с тремя камерами, обученная на 2500 эпизодах manufacturing_task: болты, гайки, винты и пружины.
350M-модель, отученная от markdown-обёртки JSON
Это модификация LiquidAI/LFM2.5-350M на 0.35 млрд параметров от yasserrmd. Автор точечно изменил веса, чтобы модель при просьбе «только JSON» не оборачивала ответ в code fence. Это не официальный релиз Liquid AI; обучение, LoRA и оптимизатор не использовались.
LoRA-адаптер для вычислений по финансовым таблицам
Адаптер для Qwen/Qwen3-4B, который отвечает на числовые вопросы по странице финансового отчёта: не считает сам, а пишет программу на DSL FinQA, например subtract(3538, 3480), divide(#0, 3480). Программа исполняется на Python. Обучен на 6 251 тренировочном вопросе FinQA.
финальный чекпоинт для сортировки кубиков
Это финальный inference-чекпоинт SmolVLA для робота SO101, обученный двум командам: положить зелёный или красный кубик в бумажную миску. Модель содержит 450 046 176 параметров, сохранена в FP32, базируется на lerobot/smolvla_base и использует библиотеку lerobot.
QSA indexers: разреженное внимание для длинного контекста
tvall43 опубликовал обученные QSA (Qwen Sparse Attention) indexers для llmfan46/Qwen3.6-35B-A3B-uncensored-heretic. Backbone, vision tower и projector заморожены — обучаются только сжатые MQA-индексаторы на десяти full-attention слоях (3, 7, …, 39).
LoRA под AppWorld на 27 000 траекторий
Это LoRA-адаптер от kortukov для openai/gpt-oss-20b (20B), обученный под задачи AppWorld. В репозитории лежат только полный LoRA-адаптер и небольшие хелперы загрузки; базовая модель — openai/gpt-oss-20b, ревизия 6cee5e81ee83917806bbde320786a8fb61efebee. Обучение — 90 задач AppWorld × 300 траекторий.
270M-модель для еды и напитков в тексте
FoodExtract-v1 — дообученная на Gemma 3 270M модель для извлечения информации о еде и напитках из сырого текста. Она определяет, относится ли текст к еде или напиткам, ставит теги по словарю и вытаскивает списки блюд и напитков.