Найдено: 1821
ручная правка весов вместо обучения
Это экспериментальная версия Qwen3.5-0.8B (0,87 млрд параметров) от theyashhambarde: 130 384 веса изменены вручную, без тренировки и файнтюна. Автор нашёл направление, которое слои 15 и 19 записывают при зацикливании модели, и сдвинул по 64 нейрона в каждом слое против него.
агент для исправления уязвимостей
Модель от sparrow-co-ltd (SecLLM team) на базе Qwen/Qwen3.5-9B: 9,65B параметров, дообученная под исправление подтверждённых SAST-находок. Сначала LoRA SFT, затем GRPO; обе стадии слиты в полные веса, отдельный адаптер не нужен.
рассуждение из известного ответа
Полностью слитая standalone-модель на базе Qwen/Qwen3.5-9B с 9.41B параметров. Дообучена на Trace-Inversion-1K-Preview (932 примера) для техники Trace Inversion: получает задачу и правильный финальный ответ, а затем восстанавливает пошаговое рассуждение в тегах <think>...</think>.
4B-ассистент для iPhone без отдельного thinking-шага
Orvena-4B — языковая модель на базе Qwen3.5-4B (4,66 млрд параметров) от Orvena для приватного ассистента на iPhone. Она обучена под реальные задачи телефона: календарь, будильники, напоминания, места, веб и MCP-сервисы вроде Notion, Todoist, Airtable и Gmail.
2,2 млрд параметров при 25,8% активных
Meditor — кастомная extreme-sparse MoE-модель для генерации текста от Yo-Purple, поднятая (upcycled) из Qwen2.5-0.5B-Instruct, обученной на 18 трлн токенов. В ней 2,22 млрд хранимых параметров, но на каждый токен считается лишь ~572,95 млн активных (25,8%).
непрерывная походка для microduck
Политика ходьбы для робота microduck от atul-shukla2072. Принимает 61-мерные наблюдения, выдаёт 14 действий и работает на частоте 50 Гц. Это не разовый маневр, а постоянная политика: загружается в слот и работает, пока её не остановят.
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.
0.5B-адаптер для точных MCP tool calls
olo-labs/olo-qwen2.5-0.5b-hotfolder — QLoRA-адаптер к Qwen/Qwen2.5-0.5B-Instruct, который вызывает MCP-инструменты olo-toolgate. Модель отвечает одним tool call в формате базовой модели — с аргументами по схеме инструмента — или обычным текстом, если инструмент не подходит.
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.
LoRA-модель решений для обхода препятствий
Это LoRA-адаптер для Qwen/Qwen3.5-0.8B от Janovation (CONNECT AI LAB × AI CITY BUILDERS). Он читает текстовое описание состояния робота LINK-01 — цель, направление, датчики расстояния, скорость и прошлый выбор — и возвращает одну букву: как идти следующие 0.5 секунды.
структурированный разбор болезней листьев
LoRA-адаптер от nallaworks для Qwen/Qwen3.8-27B: по фотографии листа модель возвращает JSON с видом растения, статусом, предполагаемым заболеванием и уверенностью. Обучен под 27 классов PlantDoc (13 культур) на изображениях PlantVillage и PlantDoc; это часть исследования о разрыве между…
LoRA с «впечатанной» идентичностью разработчика
Это LoRA-адаптер от rabbit1906 для базовой модели Qwen/Qwen3.8-27B. В карточке модель описана как 31B Dense Transformer — не MoE — и позиционируется для on-premise coding и reasoning с устойчивостью к подмене system prompt.
микро-LLM на 2,9 млн параметров
Mark-SLM-3M — сверхкомпактная языковая модель от miceworks для генерации текста, обученная с нуля под потолок в 3 млн параметров для Open SLM Leaderboard. Архитектура deepseek2: Multi-Head Latent Attention (H-MLA) и Parallel Branching MoE (PB-MoE), 8 слоёв, hidden 192, контекст 2048 токенов.
длинный контекст через Summary-токены
KSA V2 — attention-архитектура Kuaishou/OpenOneRec для эффективного long-context моделирования. Это base-модель на 4,26 млрд параметров, продолжательно предобученная с Qwen3-4B; не instruction-tuned. 36 слоёв, hidden size 2560, GQA 32/8, контекст до 131 072 токенов.
мультимодальная модель на NPU через llama.cpp
AXERA-TECH выложила сборку Qwen3.5-0.8B для 4-ядерного NPU Axera AX8860 на llama.cpp и ggml-axera. Модель принимает текст и изображения; веса идут в GGUF Q8_0 (0.83 GB), визуальный энкодер — отдельный BF16 GGUF (0.21 GB). Контекст — до 16384 токенов.
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.
стабильная динамика для MiniMax H3
BUNNY Motion Repair V2 — general-purpose LoRA для MiniMax H3, заточенная под сложную динамику: бег, спорт, танцы, акробатику, взаимодействие персонажей, бои и движение оружия. Это зеркало .safetensors, созданных оригинальным автором на Civitai; тренировка и оценка — его заслуга.
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.