II.10Разработка и эксплуатация AI/ML-систем

RF-DETR Small, дообученная разработчиком на наборе ExDark в рамках DetectionBench, — модель компьютерного зрения для обнаружения объектов на тёмных и ночных изображениях. Она принимает изображение и выдаёт обнаруженные объекты с рамками и классами. Модель распознаёт 12 классов: велосипед, лодку, бутылку, автобус, автомобиль, кошку, стул, чашку, собаку, мотоцикл, людей и стол. На тестовой части ExDark заявлены mAP@50 88,98%, mAP@50–95 61,67% и точность 83,07%. Результаты относятся к этому набору данных и условиям оценки; перенос на другие камеры, сцены и классы не установлен. Датасет небольшой и несбалансированный: класс People составляет около 46% размеченных объектов, а автобусы встречаются реже всего, поэтому оценки для редких классов особенно ненадёжны. Изображения были предварительно приведены к размеру 640×640 при стороннем экспорте датасета. Модель опубликована в формате PyTorch под лицензией Apache-2.0. В README также указано, что авторы датасета отдельно просят некоммерческое использование; это условие следует учитывать при использовании модели, обученной на ExDark.

dronefreak/exdark-yolov9m — модель обнаружения объектов на основе YOLOv9m, дообученная на наборе ExDark в рамках DetectionBench. Она предназначена для поиска и локализации объектов на тёмных изображениях, в том числе в условиях слабого освещения и ночью. Распознаёт 12 классов: велосипед, лодку, бутылку, автобус, автомобиль, кошку, стул, чашку, собаку, мотоцикл, людей и стол. На тестовой части ExDark модель показала mAP@50 74,17% и mAP@50–95 47,38%. Репозиторий распространяет веса в формате PyTorch для библиотеки Ultralytics. Лицензия модели — AGPL-3.0; авторы набора данных отдельно просят использовать его некоммерчески, и это условие распространяется на обученную модель. Результаты следует интерпретировать с учётом небольшого размера набора данных — 7 344 изображения, из которых 734 отведены для тестирования, — и сильного дисбаланса классов: люди составляют около 46% размеченных объектов, а автобусы встречаются реже всего. Изображения были предварительно приведены к размеру 640×640 при стороннем преобразовании датасета, поэтому перенос результатов на другие условия съёмки не гарантирован.

Это экспериментальная версия OPT-125M от xformAI, созданная на основе facebook/opt-125m. Модель сохраняет архитектуру MHA, но объединяет K/V-значения внутри групп усреднением: в слоях используется до 6 групп KV-голов вместо 12 KV-голов исходной реализации. Такой вариант предназначен для более эффективной работы с KV-кэшем и генерации текста. Модель содержит 151,9 млн параметров, рассчитана на контекст до 2048 токенов и опубликована в формате PyTorch для библиотеки Transformers. Модель подходит для экспериментов с генерацией текста и изучения способов уменьшить затраты на KV-кэш. Карточка заявляет, что подход должен быть эффективнее соответствующего GQA-варианта, но не приводит результатов сравнительных измерений. Лицензия — MIT.

Gemma-4-12B-OBLITERATED — модифицированная версия Google Gemma 4 12B-it, созданная проектом OBLITERATUS для исследований выравнивания, red teaming и оценки устойчивости механизмов безопасности языковых моделей. Модель предназначена для анализа геометрии отказов, проверки устойчивости RLHF/DPO-выравнивания к модификации весов, сравнительного тестирования и локального запуска при наличии совместимого оборудования. Это не потребительская модель: встроенные защитные ограничения были намеренно удалены, поэтому модель может выполнять запросы, которые исходная Gemma 4 отклоняет. Модель относится к текстовым генеративным моделям и построена на архитектуре Gemma 4 с 12 млрд параметров; базовая модель — google/gemma-4-12B-it. Для удаления поведения отказа применена двухэтапная модификация весов без переобучения: удаление шести направлений геометрии отказа в слоях 12–21 и последующее смешивание весов в слоях 22–46 с исходными весами по ступенчатому градиенту. По заявленным результатам, модель получила 0 отказов на 842 тестовых запросах, сохранила связность в 6 из 6 проверок и достигла результата 46/70 в MMLU-Pro, что соответствует заявленному паритету с исходной моделью. Главная сильная сторона — сочетание полного отсутствия отказов на проверочном наборе с сохранением заявленной производительности исходной модели. Ограничения включают отсутствие защитных механизмов, потенциальную возможность генерации опасного или вредоносного контента, а также то, что приведённые показатели основаны на описанных авторами тестах и не характеризуют все сценарии применения. В README указана лицензия Gemma; доступны GGUF-квантизации, но конкретные варианты и их параметры в предоставленных данных не перечислены.

HarmCare_binary — англоязычная модель классификации текста на основе DeBERTa-v3-base, дообученная автором ajrayman. Она предназначена для бинарной классификации текстов в задаче HarmCare; конкретные классы и целевые сценарии в карточке не раскрыты. Модель содержит 211,6 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метку классификации. Распространяется по лицензии MIT. На указанном в карточке наборе оценки модель показала accuracy 0,5897 и F1 0,6586; эти результаты следует учитывать при оценке пригодности для практического применения. Описание обучающих данных и ограничений отсутствует.

espnet/hubert_dummy — модель самообучаемого представления речи на основе HuBERT, подготовленная chen26 с использованием рецепта ESPnet для LibriSpeech. Она предназначена для извлечения признаков из аудиосигналов и последующего применения в задачах обработки речи, где нужны предварительно обученные акустические представления. В каталоге Hugging Face модель обозначена как audio и self-supervised-learning с типом конвейера feature-extraction. Модель работает с речевыми аудиоданными и связана с английским языком через набор данных LibriSpeech. В README не указаны точный размер модели, число параметров, архитектурные гиперпараметры, поддерживаемые частоты дискретизации и максимальная длина контекста, поэтому эти характеристики определить нельзя. Конфигурация показывает демонстрационное обучение продолжительностью в одну эпоху и использование одного GPU, но это не является описанием ограничений инференса. Сильной стороной модели является интеграция с ESPnet2 и возможность использовать её как готовый экстрактор речевых признаков в экспериментах и последующих моделях обработки речи. Ограничения связаны с отсутствием подробных сведений о качестве, бенчмарках, языковом охвате и производительности; кроме того, название dummy может указывать на тестовый или демонстрационный характер модели. Модель распространяется по лицензии CC BY 4.0.

KD-gpt2-340M — англоязычная авторегрессионная модель семейства GPT-2, представленная как базовый ориентир для MiniLLM. Это дообученная модель на основе openai-community/gpt2-medium, обученная на наборе databricks-dolly-15k с дистилляцией по токенам с использованием forward KL-дивергенции от gpt2-xlarge. Она предназначена для генерации и продолжения текста, в том числе для экспериментов и сравнения методов дистилляции. Модель использует архитектуру GPT2LMHeadModel, распространяется в формате PyTorch и имеет контекст длиной 1024 токена. В README базовая модель названа gpt2-medium (120M), тогда как метаданные каталога описывают gpt2-medium как модель на 355 млн параметров; точный размер KD-gpt2-340M по предоставленным данным однозначно не установлен. Лицензия — Apache-2.0. Практические ограничения включают короткое контекстное окно и наследуемые от GPT-2 ограничения качества и актуальности генерируемого текста.

KW5-Lite Base — компактная языковая модель Regnant, обученная с нуля для продолжения текста на суахили (кисуахили). Это декодерный трансформер, совместимый с Llama, с 109,5 млн параметров и контекстом 2048 токенов. Модель обучена на 1,41 млрд токенов очищенного корпуса FineWeb-2 на суахили; токенизатор BPE обучен с нуля и содержит 32 тыс. токенов. Модель предназначена прежде всего как основа для дообучения на суахили: например, для адаптации к предметной области, настройки следования инструкциям или добавления классификационной головы. Она умеет связно продолжать текст, но не обучена выполнять инструкции и не предназначена для непосредственного использования как чат-бот или источник фактов. В тестах на понимание прочитанного и логический вывод результаты были около случайного уровня. Модель выпущена в формате safetensors и распространяется по лицензии Apache-2.0. Корпус преимущественно отражает танзанийский вариант суахили. Фактическая надёжность низкая, а из-за отсутствия настройки безопасности модель может воспроизводить вредный, предвзятый или откровенный материал из обучающих веб-данных.

Это версия lightweight-OpenPose от сообщества LiteRT в формате TFLite, подготовленная для локального распознавания позы человека на устройствах. Модель основана на MobileNet и обучена для оценки 2D-позы на наборе COCO 2017 Keypoints; конверсия весов выполнена без дополнительного обучения. Репозиторий содержит варианты с весами FP16 и FP32, размером около 8,3 и 16,4 МБ соответственно. На вход подаётся RGB-изображение 256 × 256, на выходе — тепловые карты 18 ключевых точек тела и фон на сетке 32 × 32. Координаты точек и сборку скелета нужно вычислять в приложении. README описывает запуск через LiteRT GPU на Android и приводит результаты измерений на отдельных устройствах; фактическая скорость зависит от устройства и среды выполнения. Модель не идентифицирует людей. Лицензия репозитория — Apache-2.0.

LilMoo-v0.2 — плотная авторегрессионная языковая модель семейства Llama на 670 млн параметров, разработанная в рамках инициативы Polygl0t для развития моделей низкоресурсных языков. Модель предварительно обучена с нуля на корпусах на хинди и английском; основное назначение — исследования и разработка в области языкового моделирования на хинди, а также контролируемые эксперименты и оценка на бенчмарках. Репозиторий содержит веса Safetensors для Transformers. Модель принимает текст и генерирует текст, поддерживает контекст до 4096 токенов. В README она ориентирована прежде всего на хинди, хотя в обучении также использовались англоязычные данные. Лицензия Apache 2.0 допускает дообучение и адаптацию при соблюдении её условий. Это базовая, не дообученная под прикладные задачи модель, и авторы не рекомендуют использовать её для непосредственного взаимодействия с людьми или как готовый продукт. Возможны фактические ошибки, токсичные или предвзятые ответы, повторения и многословная генерация; для практического применения требуется собственная оценка рисков и качества.

Liujgoj-Cantonese-Qwen2.5-Omni-7B-CPT — базовая модель с продолженным предобучением, созданная Yvthyvq / Liujgoj Cantonese Project на основе Qwen/Qwen2.5-Omni-7B. Это плотная модель семейства Qwen2.5-Omni, адаптированная к кантонскому языку в латинской орфографии Liujgoj и традиционным китайским иероглифам. Обучение с LoRA затронуло языковое ядро thinker и было направлено на усвоение фонологии, границ слогов, тоновых маркеров и словаря Liujgoj. Модель предназначена для продолжения текста, обработки орфографии Liujgoj и как основа для последующего дообучения разговорных помощников и кантонских NLP- и речевых систем. Её можно использовать для анализа фонологии, проверки написания, сегментации и текстовой части конвейеров ASR и TTS. Хотя базовая модель Qwen2.5-Omni мультимодальна, README описывает эту производную прежде всего как CPT-модель языкового ядра; заявленные задачи для неё относятся к тексту. Это не модель, настроенная на следование инструкциям: она продолжает текст и не предназначена для прямых ответов в формате диалога без дополнительного SFT. Модель распространяется по лицензии Apache-2.0.

abacaj/llama-161M-100B — базовая плотная авторегрессионная модель семейства Llama, разработанная автором репозитория abacaj и обученная с нуля на 100 млрд токенов. В репозитории указаны 133,3 млн параметров, контекст длиной 1024 токена, а также форматы ONNX и Safetensors; для работы используется Transformers. Модель предназначена для дальнейшей тонкой настройки и генерации текста. Обучающие данные состояли примерно на 80% из кода, 10% из обычного текста и 10% из инструкционных данных; автор сообщает о проверке датасета на загрязнение популярными бенчмарками. Приведённые результаты HumanEval и MBPP составляют 9,2% и 9,8% соответственно. Автор прямо отмечает, что это предварительно обученная базовая модель, для практической полезности требующая дальнейшей тонкой настройки. Лицензия репозитория — Apache-2.0.

Mask2Former от команды Facebook — версия небольшого размера с backbone Swin, обученная для семантической сегментации Cityscapes. Модель основана на архитектуре Mask2Former, которая предсказывает набор масок и соответствующих меток; в общей архитектуре используется многомасштабный декодер с deformable attention и декодер Transformer с masked attention. Этот чекпойнт предназначен для сегментации изображений городских сцен. Его можно применять для выделения и классификации объектов и областей на изображениях Cityscapes; в карточке также заявлено применение для паноптической сегментации. Модель работает с изображениями и выдаёт сегментационные маски и метки. Репозиторий содержит веса PyTorch и safetensors. Лицензия указана как other, без дополнительных условий в предоставленных данных.

MaskFormer — модель компьютерного зрения, разработанная командой Facebook и обученная для семантической сегментации изображений на ADE20K. Это версия small с backbone Swin; архитектура MaskFormer предсказывает набор масок и соответствующих им меток и применяет общий подход к сегментации объектов, семантической и паноптической сегментации. Данный чекпойнт предназначен для семантической сегментации сцен. Модель принимает изображение и выдаёт сегментацию по классам. В метаданных указаны форматы PyTorch и Safetensors, а также лицензия other. README не приводит подробностей о поддерживаемых классах, качестве на отдельных наборах данных или условиях лицензии.

MASRIBERTV4 — дообученная на неизвестном наборе данных арабоязычная модель семейства BERT от T0KII, созданная на основе UBC-NLP/MARBERTv2. Она предназначена для восстановления скрытых токенов в арабском тексте: модель предсказывает пропущенные фрагменты по контексту и подходит для задач, использующих такую схему маскирования. Модель содержит 190 млн параметров, использует архитектуру BertForMaskedLM и принимает последовательности длиной до 512 токенов. Опубликованные веса представлены в формате safetensors; для работы предусмотрена библиотека Transformers. В карточке приведён результат оценки Loss 1.4905, но набор данных и методика оценки не раскрыты, поэтому этот показатель не позволяет судить о качестве на конкретных задачах.

Mists-7B-v01-simple-projector-trained — дообученная модель HachiML на базе HachiML/Mists-7B-v01-not-trained. В метаданных она отнесена к семейству Mists, архитектуре плотной модели MistsForConditionalGeneration и задаче извлечения признаков; репозиторий содержит веса в формате safetensors и указан интерфейс чата. Модель предназначена для извлечения признаков. Базовая модель описана в каталоге как экспериментальная мультимодальная система для совместной работы с текстом и временными рядами, но она непригодна к использованию из-за необученного адаптера. README сообщает о дообучении на неизвестном наборе данных и значении loss 0,0152 на оценочном наборе, однако не приводит описание модели, сценарии использования или методику оценки. Лицензия — Apache-2.0.

MOSS-VL-Realtime-SGLANG — совместимый пакет команды OpenMOSS для запуска мультимодальной модели MOSS-VL-Realtime через специализированный backend SGLang-Omni. Это не переобученная и не квантованная модель: сохранены исходные веса BF16 и токенизатор, а пакет адаптирует конфигурацию и интерфейсы для совместимости с Transformers 5.12.1. В основе — плотная архитектура MossVLForConditionalGeneration с отдельным визуальным кодировщиком, языковой частью и перекрёстным вниманием; модель содержит 11 млрд параметров и поддерживает контекст до 256 тыс. токенов. Модель предназначена для потокового понимания видео: она анализирует кадры по мере поступления, отвечает на вопросы о происходящем, учитывает временные метки, порядок и длительность событий, а также может обновлять ответы или сохранять молчание, если ответ не нужен либо визуальных данных недостаточно. Подходит для интерактивных видео- и голосовых приложений и сервисов потокового вывода. Основные языки карточки — английский и китайский; вход включает видео и текст, выход — текст. Для работы требуются совместимые версии Transformers, SGLang-Omni и PyTorch, а также специализированная интеграция MOSS-VL; универсальная установка SGLang-Omni её не содержит. Реальная задержка зависит от оборудования и настроек, а пропуск кадров и окна визуального KV ограничивают доступную историю. Для продолжения работы за пределами контекста приложению нужна собственная логика памяти. Лицензия — Apache-2.0.

Это переупакованные Motius веса официального оценщика HumanML3D, используемого в протоколе таблицы лидеров T2M для сопоставления текстовых описаний с движениями человека. Модель основана на реализации HumanML263Evaluator и включает кодировщики текста и движений, статистику нормализации HumanML3D-263 и файлы векторных представлений слов GloVe. Веса выпущены без повторного обучения, состояние оптимизатора удалено. Оценщик предназначен для извлечения признаков и оценки соответствия текста и 3D-движений человека при сравнении систем генерации движений по тексту. Исходные веса связаны с работой «Generating Diverse and Natural 3D Human Motions From Text» и репозиторием EricGuo5513/text-to-motion. Артефакт распространяется в формате safetensors по лицензии MIT; датасет HumanML3D и его аннотации сохраняют исходные условия использования.

Предварительно обученная модель mT5 для румынского языка, разработанная Штефаном Думитреску, Михаем Илие и Пером Эгилем Куммервольдом. Это encoder–decoder архитектура T5 с примерно 291,2 млн параметров по метаданным; веса доступны в формате PyTorch. Модель обучали на очищенном корпусе румынских текстов объёмом 80 ГБ с задачей восстановления пропущенных фрагментов текста, используя последовательности энкодера длиной 512 и декодера длиной 256 токенов. Модель служит базой для последующего дообучения под задачи генерации и преобразования текста, например суммаризации, перевода или ответов на вопросы. Самостоятельно решать прикладные задачи она не предназначена: перед использованием необходимо дообучить её на целевой задаче. Для повышения качества текста README рекомендует заменять румынские буквы с седилью ş и ţ на их варианты с запятой снизу ș и ț. Лицензия — Apache-2.0.

Это дообученная модель семейства Qwen2.5, разработанная как актор (AV) в паре Natural Language Autoencoders (NLA). Версия v3 получена дополнительным SFT базовой модели kitft/nla-qwen2.5-7b-L20-av на объяснениях Claude Sonnet-4.6 в формате v3. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2ForCausalLM и принимает контекст длиной до 32 768 токенов. Модель предназначена для генерации текста в формате NLA: по обучающему шаблону она выдаёт пункты списка, по одному на строку, без маркеров «- ». Версия v3 служит начальной точкой для последующего этапа обучения с подкреплением. Она обучалась без EOS-токена остановки, поэтому генерацию обычно требуется ограничивать внешними настройками. Модель распространяется в формате safetensors по лицензии Apache-2.0.

MEMFOF-Tartan-T-TSKH-kitti — дообученный чекпойнт egorchistov для оценки оптического потока в сценариях автономного вождения и участия в бенчмарке KITTI. Он основан на egorchistov/optical-flow-MEMFOF-Tartan-T-TSKH и предназначен для обработки пар изображений или кадров видео. Семейство MEMFOF ориентировано на видео Full HD и сочетает высокую точность с низким потреблением видеопамяти. Репозиторий содержит веса в формате safetensors и использует PyTorch. Лицензия — BSD 3-Clause.

PersonaPlex-7B-MLX-4bit — 4-битная версия модели PersonaPlex-7B-v1 от NVIDIA, подготовленная aufklarer для запуска через MLX на компьютерах Apple Silicon. Это полно-дуплексная модель преобразования речи в речь: она принимает аудио и генерирует голосовой ответ в режиме диалога. Основа модели использует архитектуру Kyutai Moshi; временной трансформер содержит 7 млрд параметров, а в репозитории также находятся компоненты Depformer и аудиокодек Mimi. Доступны 18 голосовых пресетов. Модель предназначена для голосовых ассистентов и интерактивных речевых диалогов с выбором голоса. README предупреждает, что 4-битная квантизация заметно ухудшает качество: ответы могут быть невнятными. Для полно-дуплексного вывода в реальном времени рекомендуется 8-битный вариант; также приведено сравнение скорости 112 мс против 158 мс на шаг для 8-битной и 4-битной версий соответственно. Указана лицензия CC-BY-NC-4.0, запрещающая коммерческое использование.

Pico Decoder Large — плотная авторегрессионная модель семейства pico-decoder, разработанная для исследований интерпретируемости обучения трансформеров. Это decoder-only трансформер в стиле LLaMA с 570 млн параметров и 12 слоями; модель обучена на наборе pretokenized-dolma. В карточке указана длина последовательности обучения 2048 токенов, но это не подтверждает максимальный контекст при использовании. Модель предназначена для генерации текста и анализа того, как языковые модели обучаются. Она совместима с pico-train и pico-analyze, а карточка описывает её как исследовательскую модель с возможностями анализа промежуточных контрольных точек. Опубликованные веса представлены в формате safetensors. Модель выпущена под лицензией Apache-2.0. Английский указан среди языков карточки; оценка включала измерение perplexity на pico-paloma-tinsy. README описывает исследовательское назначение и не приводит результатов, позволяющих судить о качестве для прикладных сценариев.

Pile-T5 XL — англоязычная encoder-decoder модель семейства UMT5, разработанная EleutherAI и обученная на корпусе The Pile с помощью библиотеки T5x. В метаданных указано 1,5 млрд параметров; карточка модели приводит другое значение — около 2,85 млрд. Архитектура включает 24 слоя энкодера и 24 слоя декодера. Модель доступна в формате safetensors, лицензия — Apache 2.0. Модель обучалась примерно на 2 трлн токенов в течение 2 млн шагов с целью, похожей на MLM в оригинальном T5: восстанавливать замаскированные фрагменты текста. Она предназначена прежде всего для исследований и извлечения языковых представлений, а также может служить основой для дообучения под прикладные задачи. Английский — единственный заявленный язык. Pile-T5 XL не предназначена для непосредственного использования в чат-ботах или других сценариях общения с людьми: она не настроена следовать инструкциям и может выдавать фактически неверный или нежелательный текст. Корпус обучения содержит оскорбительные материалы и отражает задокументированные социальные предубеждения; выходы следует проверять. Для производного дообучения требуется собственная оценка рисков и смещений.

portugueseT5 — исследовательский чекпойнт семейства T5, разработанный автором репозитория bratao. Это модель типа encoder-decoder, обученная с нуля по архитектуре и конфигурации google/t5-v1_1-large; в конфигурации указаны 24 слоя энкодера и 24 слоя декодера, а метаданные относят её к классу T5ForConditionalGeneration и указывают 385,2 млн параметров. Чекпойнт предварительно обучался на 20% корпуса GigaVerbo для португальского языка и предназначен как базовая модель для последующего дообучения и исследований генерации текста. Модель принимает текст и генерирует текст. Она не имеет опубликованного формата инструкций для вопросов и ответов, суммаризации или OpenIE, поэтому для конкретных задач нужны подходящий промпт, дообучение и отдельная оценка качества. Для задач OpenIE автор README рекомендует отдельные модели семейства PortugueseT5Oie. Публичных оценок именно этого базового чекпойнта нет; генерации могут быть ошибочными, предвзятыми или не связанными с запросом. Лицензия в предоставленных данных не указана.

EleutherAI/pythia-410m-seed2 — базовая авторегрессионная языковая модель из серии PolyPythias, созданной EleutherAI для изучения устойчивости обучения и воспроизводимости результатов. Это один из вариантов Pythia-410M с отдельным случайным seed; модель основана на плотной архитектуре GPT-NeoX и содержит около 454,2 млн параметров. Модель обучалась предсказывать следующий токен на корпусе The Pile, на последовательности из 300 млрд токенов. Она предназначена для генерации продолжений текста и исследовательских экспериментов с языковыми моделями, включая сравнение запусков с разными seed. Поддерживает английский язык, принимает и выдаёт текст, максимальный контекст составляет 2048 токенов. Это базовая модель, не дообученная следовать инструкциям. Модель не предназначена для производственного развёртывания. Она может генерировать предвзятый, оскорбительный или фактически неверный текст; фильтрации безопасности и проверки точности нет. Лицензия — Apache 2.0.

Pythia-6.9B-deduped — авторегрессионная языковая модель на архитектуре GPT-NeoX, разработанная EleutherAI как часть исследовательской серии Pythia. Модель содержит 8,8 млрд параметров и принимает текст, предсказывая продолжение последовательности; максимальный контекст — 2048 токенов. Она обучена на глобально дедуплицированной версии набора The Pile и предназначена прежде всего для контролируемых научных экспериментов, включая изучение поведения и интерпретируемости больших языковых моделей. В серии доступны промежуточные контрольные точки обучения. Модель поддерживает английский язык. Её можно использовать для экспериментов по генерации текста и дообучать для конкретных задач, но она не настроена на следование инструкциям и не предназначена для прямого применения в пользовательских продуктах или чат-ботах. Выводы могут быть фактически неверными, оскорбительными или предвзятыми; перед использованием результатов нужна проверка человеком. Лицензия — Apache 2.0.

activeDap/Qwen3-1.7B_hh_harmful — дообученная методом supervised fine-tuning модель Qwen3-1.7B, созданная activeDap на наборе данных activeDap/sft-harm-data. Это плотная авторегрессионная языковая модель на 1,7 млрд параметров для генерации текста и диалогов; карточка указывает контекст до 40 960 токенов и формат safetensors. Модель принимает текст и выдаёт текст, а метаданные заявляют поддержку английского языка. Обучение выполнено с Transformers и TRL в формате prompt-completion с функцией потерь только для ответов ассистента; README приводит 35 шагов обучения. Название набора данных указывает на вредоносные примеры, поэтому модель может быть полезна для экспериментов с генерацией или анализом вредоносных ответов и оценки защитных механизмов. Это не подтверждает качество или безопасность модели. Лицензия — Apache-2.0.

Qwen3.5-4B-TMax-CISPO — дообученная модель семейства Qwen3.5, созданная автором репозитория на базе Qwen/Qwen3.5-4B. Она обучена методом CISPO в среде TMax-15K с асинхронным сбором запусков и обучением; агент использует интерфейс команд Terminus-2. Модель предназначена для экспериментов с RL для терминальных агентов и выполнения командных сценариев короткой и умеренной сложности. Это плотная модель на 4 млрд параметров в формате safetensors, работающая через Transformers; базовая модель мультимодальна, но данное обучение использовало только текстовые данные. Модель не настроена для универсального диалога. Лицензия — Apache-2.0.

Qwen3.8-2.4T-A95B-MLX-reap60-3bit — это сборка базовой модели Qwen3.8-2.4T-A95B, разработанной командой Qwen, адаптированная PipeNetwork для MLX и Apple Silicon. Модель предназначена для генерации текста и запуска инференса на устройствах Apple с MLX. В исходной архитектуре используется MoE: около 2,4 трлн параметров, 95 млрд активных параметров, 92 слоя и маршрутизация top-10 среди 512 экспертов. В этой версии после REAP-прунинга оставлено 40% экспертов — 204 из 512, а веса квантизованы до 3 бит с размером группы 64. Поддерживаемые языки, длина контекста и дополнительные модальности в README не указаны; заявлена текстовая генерация. Основное преимущество сборки — существенное уменьшение размера по сравнению с исходными весами в bfloat16: около 437 ГБ вместо 4 839 ГБ. Реализация валидирована сравнением со стеком transformers, однако README не содержит оценки perplexity или результатов прикладных тестов. Измерения на одном Mac с M3 Ultra показывают высокую скорость предварительной обработки, но крайне низкую скорость последовательной генерации при batch size 1 — около 0,2 токена в секунду; модель ориентирована на пакетную обработку запросов, а не на интерактивное использование. Для загрузки требуется специальный runtime qwen38-mlx, поскольку необходимая реализация не входит в стандартный mlx-lm. Ограничениями являются огромные требования к памяти, постоянное удаление экспертов, квантизация и заметное накопление ошибок при последовательном прохождении слоёв. Лицензия — Apache-2.0.