II.10Разработка и эксплуатация AI/ML-систем

Это очень компактная модель ResNet для классификации изображений, обученная на наборе данных beans. Она предназначена для тестирования и простых экспериментов по распознаванию классов изображений; в репозитории доступны веса PyTorch и ONNX. Модель создана для демонстрации работы с небольшим чекпойнтом, а не для широкого распознавания изображений. Лицензия — Apache-2.0.

Koichi Yasuoka разработал компактную RoBERTa, предварительно обученную на японских текстах из 青空文庫 с токенизатором Japanese-LUW-Tokenizer. Модель содержит 74,3 млн параметров, использует архитектуру RobertaForMaskedLM и обрабатывает контекст длиной до 128 токенов. Модель предназначена для заполнения пропусков в тексте и дообучения под задачи японского NLP, включая разметку частей речи и синтаксический анализ зависимостей. Она принимает текст и предсказывает замаскированные токены. Модель распространяется в формате PyTorch по лицензии CC BY-SA 4.0. Короткое окно контекста ограничивает её применение на длинных фрагментах; для специализированных задач потребуется дообучение.

SIMPL for Autoware — модель многомодального прогнозирования движения нескольких участников дорожного движения, предназначенная для узла `autoware_simpl_prediction` в Autoware. Она использует архитектуру SIMPL, разработанную как простой и эффективный базовый метод прогнозирования траекторий для автономного вождения. Репозиторий распространяет модель в формате ONNX; Autoware локально собирает из неё TensorRT-движок при первом запуске. Лицензия — Apache-2.0. Модель получает историю состояний отслеживаемых объектов, полилинии дорожной карты и кодирование взаимного положения. Для каждого агента она выдаёт оценки уверенности и несколько возможных будущих траекторий с координатами и скоростями. Поддерживаются классы автомобилей, пешеходов, велосипедистов, мотоциклистов и крупного транспорта; обработку данных до и после нейросети выполняет узел Autoware. Модель рассчитана на прогнозирование движения в сценариях автономного вождения. При экспорте зафиксированы пределы: до 50 агентов, 8 шагов истории и 300 полилиний карты; динамические формы пока не поддерживаются. Узел может игнорировать классы, исключённые настройкой меток, отбрасывать траектории ниже порога уверенности и терять накопленный контекст агента, если тот пропадает из входных данных. Данные и конфигурация обучения опубликованных весов не задокументированы.

trentmkelly/slop-detector-mini-2 — компактная модель бинарной классификации текста, разработанная для выявления комментариев Reddit, созданных искусственным интеллектом. Она дообучена на TaylorAI/gte-tiny с использованием AutoTrain и датасета trentmkelly/gpt-slop-2. Модель основана на BERT, содержит 25,9 млн параметров и принимает текст длиной до 512 токенов. Основной сценарий — локальная проверка комментариев в расширениях браузера с помощью ONNX и Transformers.js: комментарии с оценкой уверенности выше 50% помечаются пользователю. В карточке приведены F1 0,991 и precision 0,986; эти показатели относятся к описанной оценке и не гарантируют такую же точность на других данных. Модель ориентирована на англоязычный разговорный текст Reddit, поэтому на формальных текстах и других доменах качество может отличаться. В репозитории доступны форматы ONNX и safetensors. Лицензия в предоставленных данных не указана.

Модель imatag/stable-signature-bzh-detector-resnet18 — классификатор изображений на архитектуре ResNet, разработанный IMATAG как приближённая версия декодера BZH. Он предназначен для выявления водяного знака, встроенного в демонстрационные изображения SDXL-turbo от IMATAG, и подходит для проверки, содержит ли изображение этот конкретный водяной знак. По описанию, модель обнаруживает большинство изменённых версий изображения с водяным знаком; на изображениях без водяного знака допускается примерно одна ошибка на тысячу. Выход классификатора можно перекалибровать для получения приблизительной оценки p-value риска ложного обнаружения. Для точного p-value и повышенной устойчивости IMATAG рекомендует использовать API. Модель не декодирует другие водяные знаки и не поддерживает водяные знаки с другим ключом или полезной нагрузкой. Опубликована под лицензией MIT.

Style-Aware Paraphraser — дообученная модель Mistral-7B-Instruct-v0.3, выпущенная Риверой и соавторами для исследования «Attacks on Machine-Text Detectors Retain Stylistic Fingerprints» (ICML). Модель генерирует перефразированный текст в стиле целевого автора по 16 примерам его текстов; она предназначена прежде всего для переработки парафразов машинно-сгенерированного текста и проверки устойчивости детекторов машинного текста. Модель основана на плотной авторегрессионной архитектуре Mistral с 7,1 млрд параметров, принимает и генерирует текст, имеет контекст до 32 768 токенов и обучалась на англоязычных комментариях Reddit длиной 32–128 токенов. Обучение включало SFT с LoRA и этап DPO с оценкой кандидатов классификатором машинного текста. В описанной авторами схеме модель запускается итеративно с отбором кандидатов; результаты переносятся на отзывы Amazon и записи в блогах, но для блогов качество ниже. Лицензия — Apache-2.0.

Экспериментальный чекпойнт на базе диалоговой Llama 2 Chat с 7 млрд параметров, сжатый методом SVD-LLM примерно до половины плотных параметров и дополнительно изменённый в рамках итеративного обмена параметрами по правилу gap_iter. Модель подготовлена как часть исследования влияния сжатия на безопасность и полезность языковых моделей, а также способов восстановления поведения после сжатия. Чекпойнт предназначен для генерации текста и диалоговых экспериментов, в частности для измерения успешности атак и чрезмерных отказов на тестах безопасности. Контекст — 4096 токенов; исходная модель рассчитана прежде всего на общение на английском языке. В README приведены показатели AdvBench ASR 0,1450, StrongREJECT ASR 0,1600 и macro over-refusal 0,1511 по WildGuard. README прямо характеризует эту версию как исследовательский объект, а не универсального или готового к развёртыванию ассистента: сжатие может ухудшать безопасное поведение, поэтому результаты требуют самостоятельной оценки. Лицензия — Llama 2 Community License.

Это экспериментальный чекпойнт семейства Llama, созданный в исследовании влияния сжатия на безопасность диалоговых языковых моделей. В основе лежит meta-llama/Llama-2-7b-chat-hf: веса сжаты методом SVD-LLM примерно до половины исходного числа параметров, после чего выполнено 8 из 10 раундов перестановки параметров по правилу gap_iter. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текстовый контекст длиной до 4096 токенов. Чекпойнт предназначен для измерения компромиссов между сжатием, полезностью и безопасностью, а также для изучения восстановления отдельных характеристик после сжатия. README приводит метрики отказов и успешности атак на AdvBench и StrongREJECT, но не описывает модель как универсального помощника. Языки явно не перечислены; базовая модель предназначена прежде всего для общения на английском. Репозиторий использует формат safetensors и лицензию Llama 2, условия которой следует соблюдать при использовании и распространении.

Jeesup/svd-safety-l3_swift_remove20 — экспериментальный чекпойнт на основе диалоговой модели Meta Llama 3 8B Instruct. Он сжат методом Swift-SVD с удалением около 20% параметров, а затем восстановлен дообучением LoRA второго этапа SVD-LLM. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текст для генерации текста; заявленный контекст — 8192 токена. Чекпойнт создан для изучения влияния SVD-сжатия на безопасность и полезность ответов, а также способов восстановления поведения после сжатия. README приводит метрики атак и избыточных отказов, но подчёркивает, что отдельные варианты намеренно имеют ухудшенную безопасность относительно исходной модели. Это экспериментальный объект для оценки компромиссов, а не универсальный чат-ассистент. Лицензия — llama3.

Экспериментальный чекпойнт Jeesup на базе Mistral-7B-Instruct-v0.2, сжатый методом SVD-LLM: удалено 19,92% параметров, а небольшая доля SVD-компонентов восстановлена по правилу disc. Модель содержит 7,1 млрд параметров, использует архитектуру Mistral и принимает текст для генерации ответов в диалоге; контекст — до 32 768 токенов. Чекпойнт создан для изучения влияния сжатия на безопасность и полезность модели и сравнения способов восстановления поведения. В README приведены результаты оценок на AdvBench, StrongREJECT и WildGuard. Это отдельный экспериментальный вариант из серии, а не универсальный чат-помощник; отдельные варианты серии намеренно имеют ослабленное безопасное поведение. Лицензия — Apache-2.0.

swin_tiny_patch4_window7_224.CTransPath — модель извлечения признаков на основе Swin Transformer, представленная пользователем 1aurent и доступная через библиотеку timm. Это визуальный backbone с 27,5 млн параметров, рассчитанный на изображения размером 224 × 224 пикселя. Модель обучена на 15 млн патчей гистологических изображений из PAIP и TCGA и предназначена для получения эмбеддингов тканей, в том числе для последующей классификации гистопатологических изображений. Модель принимает изображения и выдаёт векторные признаки. Карточка указывает GPL-3.0; веса опубликованы в формате safetensors. Модель ориентирована на анализ гистологических изображений и не является готовым диагностическим классификатором: для прикладной классификации потребуется отдельная модель или этап обучения на целевой задаче.

SPP-T0 Base — языковая модель на 3 млрд параметров, разработанная dlab-spp и обученная с нуля на архитектуре семейства Llama. В ходе предварительного обучения применялся метод Synthetic Persona Pretraining: к части документов добавлялись синтетические размышления от первого лица, сформированные на основе заданных ценностных принципов. Модель не проходила инструкционную настройку и не содержит шаблона чата. Модель предназначена для продолжения текста, исследования выравнивания и безопасности, анализа поведения базовых моделей и дальнейшего дообучения. Она обучалась примерно на 500 млрд токенов из подмножества смеси Olmo 3 Dolma 3; токенизатор основан на SmolLM2 и расширен специальными токенами. Контекст составляет 2048 токенов, основной язык карточки — английский. Опубликованы промежуточные контрольные точки для оценки и экспериментов, однако состояние оптимизатора и генератора случайных чисел отсутствует, поэтому точное возобновление исходного обучения невозможно. Модель может выдавать неверный или небезопасный контент и не рассчитана на непосредственное следование инструкциям. Лицензия указана как other; конкретные условия следует сверить с карточкой репозитория.

Kikkar KWS — компактная модель SherTheCoder для потокового обнаружения ключевой фразы «Utho Kikkar» («Проснись, Киккар») на микроконтроллерах. Она предназначена для локального срабатывания голосового интерфейса в проектах с ограниченными ресурсами; аудио остаётся на устройстве до обнаружения фразы. Модель использует пятислойную потоковую сверточную нейросеть с depthwise-separable свёртками и квантизацией int8, поставляется в формате TensorFlow Lite. На каждом шаге длительностью 30 мс она обрабатывает три новых log-mel кадра по 40 полос и выдаёт вероятность завершения ключевой фразы. Контекст составляет около 1,51 секунды; заявленный размер файла модели — 44 КБ. Модель рассчитана на бюджет менее 256 КБ свободной RAM и подходит для микроконтроллеров, включая ESP32-S3. Обучение учитывало похожие слова и неполные либо переставленные части фразы как отрицательные примеры, чтобы уменьшить ложные срабатывания. Назначение модели узкое: обнаружение именно «Utho Kikkar», а не распознавание произвольной речи. Карточка связывает модель с датасетом SherTheCoder/TeamFolklore_UthoKikkar; языковые метки указывают на хинди, а фраза также приведена на панджаби. Лицензия — Apache-2.0.

Это низкоранговый LoRA-адаптер rank 1 от AtomicChat для модели prism-ml/Ternary-Bonsai-2-27B-gguf. Он изменяет вычисления во время генерации, ослабляя направление отказа в модели; базовые ternary-веса остаются неизменными. Адаптер рассчитан на запуск локально через форк llama.cpp от PrismML-Eng, поскольку стандартный llama.cpp не поддерживает используемые базовой моделью типы весов и повёрнутое базисное представление. Модель предназначена для генерации текста с настраиваемой силой вмешательства, в том числе для снижения частоты отказов на запросах. В README для основного адаптера рекомендуется масштаб 1,5; оценка на тестовой выборке показала снижение отказов на вредоносных запросах, но измерение основано на сопоставлении начальных фраз и не гарантирует корректность ответов или безопасность. Проверялись только варианты PTQ1_0 и PQ2_0; перенос на другие формулировки и языки не измерялся, а оценка возможностей ограничена MMLU. Репозиторий распространяется по лицензии Apache-2.0.

LevonHakobyan выпустил модель распознавания речи на основе facebook/w2v-bert-2.0, дообученную на датасете Common Voice 17.0. Это архитектура Wav2Vec2-BERT с плотными весами и головой CTC; размер модели — 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст. Карточка не сообщает языки, на которых проводилось дообучение, или длину аудиозаписей, поэтому эти характеристики не уточняются. Лицензия — MIT. На приведённом в карточке наборе оценки модель получила WER 1,0 и CER 0,9653, что указывает на очень высокую долю ошибок и ограниченную пригодность для практического распознавания без дополнительной проверки и дообучения.

Theia — зрительная foundation-модель для обучения роботов, разработанная The AI Institute. Версия theia-base-patch16-224-cddsv использует архитектуру TheiaModel; в карточке для варианта theia-tiny-patch16-224-cddsv указана основа DeiT-Tiny и дистилляция знаний CLIP, Depth Anything, DINOv2, Segment Anything и ViT. Модель формирует визуальные представления для последующего обучения робототехнических систем. Её применяют как извлекатель признаков изображений в задачах обучения роботов и переноса визуальных представлений на последующие робототехнические задачи. В опубликованной работе Theia сообщается о результатах выше учительских моделей и прежних моделей робототехнического обучения при меньших объёмах обучающих данных и размерах моделей. Веса распространяются по лицензии The AI Institute License; её конкретные условия следует проверять в репозитории модели.

JoaoBoer/tofu_Llama-3.2-1B-Instruct_forget10_UNDIAL — дообученная модель семейства Llama 3.2, созданная на основе open-unlearning/tofu_Llama-3.2-1B-Instruct_full. Разработчик применил UNDIAL к набору TOFU, чтобы добиться забывания примеров из разбиения forget10; модель использовалась как базовый вариант с изменёнными весами в проекте Speculative-Decoding-Unlearning. Модель предназначена для генерации текста и диалоговых ответов, а также для экспериментов по машинному забыванию данных и оценки извлечения запомненной информации. Она имеет плотную архитектуру LlamaForCausalLM, содержит 1,2 млрд параметров и поддерживает контекст до 131 072 токенов. В README приведены метрики оценки на TOFU: exact_memorization 0,2632, extraction_strength 0,0351 и forget_Q_A_PARA_Prob 0,0935. Карточка не сообщает о специальных языковых возможностях, поэтому языки не перечисляются. Модель распространяется по лицензии Llama 3.2. Результаты забывания относятся к конкретному набору и разбиению TOFU; они не подтверждают удаление любых связанных сведений или надёжное забывание вне этого теста.

ufakzeka-1-base — базовая языковая модель, разработанная ufak AI и обученная с нуля на 13,5 млрд токенов открытых текстовых данных. Это плотная авторегрессионная модель семейства Qwen3 с архитектурой Qwen3ForCausalLM: 151 млн параметров без учёта эмбеддингов и 182,5 млн с ними, 24 слоя, контекст до 4096 токенов. Модель предназначена для продолжения турецкого текста, дальнейшего предобучения и дообучения; она не настроена следовать инструкциям и не является чат-моделью. Обучение включало турецкие веб-тексты, Википедию, учебные PDF, синтетические тексты и математические данные. Модель хорошо продолжает турецкий текст; в README приведены результаты тестов грамматики и знаний. Для использования нужны Transformers и подходящий токенизатор; веса опубликованы в формате Safetensors. Лицензия — Apache-2.0. Модель может допускать фактические ошибки и воспроизводить смещения из обучающих данных. В ней нет настройки безопасности, поэтому README не рекомендует напрямую использовать её в пользовательских продуктах.

Vexion-gpt-large — базовая плотная языковая модель семейства Vexion-GPT, разработанная DZER-Studios на PyTorch. Это собственная реализация GPT с причинным вниманием и активациями GELU/SiLU; модель содержит 838,9 млн параметров и рассчитана на контекст до 2048 токенов. Для предобучения использован корпус CulturaX, а в карточке указан русский язык. Модель предназначена для генерации и продолжения текста. Разработчик сообщает, что обучение версии large не завершено, поэтому её возможности ограничены и она не предназначена для диалогового применения. Для запуска и дообучения нужны скрипты из репозитория: стандартный интерфейс библиотеки Hugging Face Transformers не поддерживается. Лицензия — Apache-2.0.

aaraki/vit-base-patch16-224-in21k-finetuned-cifar10 — дообученная на CIFAR-10 модель классификации изображений на архитектуре Vision Transformer (ViT). Она содержит 113,2 млн параметров и основана на google/vit-base-patch16-224-in21k. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Модель предназначена для присвоения изображениям классов CIFAR-10. В карточке указана точность 0,9788 на наборе оценки и функция потерь 0,2564. Сведения о других сценариях применения и ограничениях в карточке не приведены.

NicoWANG75/vit-beans-demo — модель классификации изображений, созданная дообучением Vision Transformer google/vit-base-patch16-224-in21k. В репозитории представлены веса Safetensors и формат ONNX; размер модели — 113,2 млн параметров. README сообщает результат оценки: точность 0,9609 и loss 0,1537, но не раскрывает набор классов и данные оценки. Модель предназначена для классификации изображений. По названию репозитория она связана с демонстрацией классификации бобов, однако README не подтверждает конкретные классы и сценарии применения. Лицензия — Apache-2.0. Языковые возможности несущественны для классификации изображений.

Xiaomi-Robotics-1-RoboCasa — контрольная точка модели Xiaomi Robotics для оценки в симуляторе RoboCasa. Репозиторий содержит веса, код модели и процессора для Transformers, файлы токенизатора и статистику нормализации действий. Архитектура MiBoT предназначена для генерации действий робота; для загрузки требуется Transformers с включённым trust_remote_code=True. Модель рассчитана на воспроизводимую много-GPU оценку в RoboCasa с использованием сопутствующего репозитория Xiaomi-Robotics-1. В README приведён результат: 74,21% успешных эпизодов из 2400. Репозиторий использует формат safetensors, лицензия — Apache-2.0. Для воспроизведения авторы указывают Python 3.11, PyTorch 2.8.0, Transformers 4.57.1 и FlashAttention 2.

Модель anton-l/xtreme_s_xlsr_300m_minds14_old_splits — дообученная версия facebook/wav2vec2-xls-r-300m для классификации аудиозаписей из набора MINDS14. Она принимает речь и выдаёт метки классов; в метаданных также указана задача распознавания речи, однако README описывает дообучение именно на классификационном наборе. На оценочном наборе автор сообщает F1 0,9474 и accuracy 0,9470. Модель основана на архитектуре Wav2Vec2, содержит около 402,7 млн параметров и опубликована в формате PyTorch. Лицензия — Apache-2.0. Карточка не раскрывает поддерживаемые языки, состав классов и ограничения качества; результаты на MINDS14 не гарантируют такую же точность на других аудиоданных.

ZGCM-1-7B-Pretrain-Curriculum — базовый языковой чекпойнт семейства ZGCM от zgcagi, сохранённый после второго перемешанного прохода данных учебной программы предобучения и до этапа обучения на новых данных. Это плотная авторегрессионная модель для генерации текста с 6,3 млрд параметров и контекстом 16 384 токена; она не проходила настройку по инструкциям, поэтому предназначена для продолжения предобучения и экспериментов с базовой языковой моделью, а не для готового диалогового помощника. Модель принимает обычный текст; токенизатор сохраняет исходные идентификаторы токенов. В карточке указаны английский и китайский языки. Чекпойнт соответствует шагу 138 000 в своём запуске и примерно 1 634,87 млрд накопленных токенов предобучения; отметка «1T» в названии данных относится к их именованию, а не к общему числу обучающих токенов. Репозиторий содержит реализацию ZGCM для Transformers и веса в формате safetensors. Для загрузки используется собственный код модели. Проверены загрузка весов и короткая генерация, но эти проверки не подтверждают совпадение логитов с исходной реализацией Megatron и не заменяют оценку качества на длинном контексте. Лицензия в предоставленных сведениях не указана.

ai-msgbot GPT-2 M Conversational — диалоговая языковая модель на базе GPT-2, подготовленная для проекта ai-msgbot. Модель содержит 355 млн параметров и дообучена на обработанной версии набора Wizard of Wikipedia в течение 10 000 шагов; при дообучении заморозили 20 из 24 слоёв. В метаданных указаны архитектура GPT2LMHeadModel, форматы PyTorch и Safetensors и контекст до 1024 токенов. Модель предназначена для генерации ответов в чатоподобном формате и простого прототипирования чат-ботов. Данные были представлены как диалог двух участников с именами `person alpha` и `person beta`; их следует учитывать при составлении промптов и извлечении ответов. Пример в карточке показывает короткий ответ на вопрос о хобби. Качество генерации зависит от ручного задания структуры промпта: автор предупреждает, что без неё ответы могут быть бессвязными. Модель обучалась на Wizard of Wikipedia, поэтому её диалоговые ответы ограничены характером этих данных. Сведения о лицензии в предоставленной карточке отсутствуют.

z-lab/Alpamayo-R1-10B — копия базового чекпойнта NVIDIA Alpamayo 1 (R1), адаптированная для стека FlashDrive. Это плотная vision-language-action модель с 10 млрд параметров для автономного вождения; репозиторий содержит веса safetensors и служит базовым чекпойнтом, при загрузке которого FlashDrive автоматически получает связанные компоненты PARO и DFlash. Модель предназначена для анализа сцен дорожного движения и выработки действий и траекторий автомобиля в сценариях автономного вождения. FlashDrive ускоряет инференс Alpamayo 1 с помощью потоковой обработки, спекулятивного рассуждения DFlash, квантования ParoQuant W4A8, адаптивного кэширования действий и torch.compile. В README заявлено ускорение в 4,5 раза без потери точности; приведённый тест на RTX PRO 6000 показывает снижение задержки с 704 до 155 мс на окно и улучшение minADE с 1,869 до 1,662 на клипах PhysicalAI-AV. Данные карточки указывают английский язык. Лицензия обозначена как other, поэтому условия использования следует проверять в репозитории модели и её базового чекпойнта.

Axion 1B FineWeb-Edu — Step 200K — ранний базовый чекпойнт семейства Axion, опубликованный MyLabs-LLC. Это плотная авторегрессионная языковая модель с архитектурой AxionForCausalLM и примерно 1,28 млрд параметров; она обучена на FineWeb-Edu с токенизатором Axion на базе SentencePiece. Контекст составляет 32 768 токенов, веса представлены в BF16 SafeTensors. Модель предназначена для продолжения текста и экспериментов с базовой языковой моделью. Она не проходила дообучение для следования инструкциям или ведения диалога, поэтому сама по себе не ориентирована на чат-сценарии. В README приведены шаг обучения 200 000, объём обучения 13,1 млрд токенов и валидационная perplexity 11,67; для запуска описана поддержка Transformers и vLLM с пользовательским кодом модели. Автор предупреждает, что генерация может быть ошибочной, повторяющейся, предвзятой или ненадёжной. Лицензия в экспорте не заявлена, поэтому условия использования не определены; перед публикацией владелец репозитория должен выбрать и указать лицензию.

BananaMind 2 AI Detect — модель для оценки того, написан ли текст человеком или GPT-4. Её разработчики полностью дообучили базовую языковую модель Qwen/Qwen3.5-0.8B-Base на двух классах датасета RAID: человеческих текстах и текстах GPT-4. Архитектура — плотная причинная языковая модель Qwen3.5 с примерно 581 млн параметров; карточка указывает контекст до 262 144 токенов. Модель принимает текстовый фрагмент и продолжает шаблон с меткой, выдавая `human` или `ai`; логиты этих вариантов можно использовать для оценки уверенности. Она предназначена для локальных экспериментов с обнаружением ИИ-текстов, изучения устойчивости детекторов и сравнения с другими методами. В README сообщается о точности 99,5% на небольшой отложенной выборке из той же распределительной совокупности, что использовалась при обучении; это самооценка разработчиков, а не независимый широкий тест. Модель обучалась только 1 200 шагов, примерно на 20% одной эпохи, и обучение завершилось при снижении функции потерь. Положительный класс представлен только GPT-4, поэтому результат для текстов других генераторов нельзя считать подтверждением человеческого авторства; устойчивость к перефразированию также не проверялась. Модель не следует использовать как единственное основание для решений с серьёзными последствиями. Лицензия — Apache-2.0.

BananaMind 2 Assistant2User — языковая модель на 138,9 млн параметров, разработанная на основе BananaMind/BananaMind-2-Pro. Она дообучена на обращённых парах диалогов из HuggingFaceTB/smol-smoltalk: по ответу ассистента модель генерирует вероятное исходное сообщение пользователя. Модель использует архитектуру BananaMind2ProForCausalLM и формат весов safetensors; контекст — до 3072 токенов. Модель предназначена для экспериментов с восстановлением запросов по ответам, анализа диалогов и генерации правдоподобных исходных реплик. Поскольку исходный запрос обычно нельзя однозначно вывести из ответа, реконструкция может отличаться от оригинала или включать выдуманный контекст. Среди наблюдаемых ошибок — копирование ответа, неверный тип вопроса, длинные синтетические инструкции и повторы; качество снижается, если ответ малоинформативен. В оценке на 2500 парах тестовой выборки Smol-SmolTalk token top-1 accuracy составила 24,617%. Лицензия — Apache-2.0.

BehR-WorldModel-Webshop-Llama3.1-8B — дообученная текстовая модель мира для WebShop, представленная Ricardo-H и основанная на X1AOX1A/WorldModel-Webshop-Llama3.1-8B. Она использует архитектуру LlamaForCausalLM и содержит 7,5 млрд параметров; в репозитории указаны веса Safetensors и библиотека Transformers. Модель принимает историю взаимодействия агента и его следующее действие, а затем предсказывает следующее текстовое наблюдение среды, позволяя симулировать WebShop при прокрутке сценариев агентом. Модель предназначена для исследований моделей мира и симуляции агентов в текстовых средах. В статье её оценивают на WebShop по метрикам точного совпадения для одного шага, успешности выполнения задач и согласованности. Лицензия в метаданных обозначена как other; конкретные условия следует проверять на странице модели. Контекстное окно — 131 072 токена. Проверка ограничена WebShop, поэтому поведение за пределами этой среды не подтверждено. Предсказанные наблюдения могут выглядеть правдоподобно, но содержать фактические ошибки; модель наследует смещения и сбои базовой модели и не подходит для использования выходов как достоверных сведений о реальной среде.