II.10Разработка и эксплуатация AI/ML-систем

Jeesup/svd-safety-l2_remove50_swapdiscnet_b010_r01 — исследовательский контрольный пункт на базе диалоговой Llama 2 от Meta, подготовленный для изучения влияния сжатия на безопасность и полезность ответов. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текст для генерации текста; длина контекста — 4096 токенов. Она основана на meta-llama/Llama-2-7b-chat-hf и сжата методом SVD-LLM с удалением около 50% параметров, после чего прошла один раунд перестановки параметров по правилу disc_iter. Модель предназначена для экспериментов по оценке компромиссов между сжатием и безопасностью, включая измерение успешности атак и избыточных отказов. README приводит результаты на AdvBench, StrongREJECT и WildGuard и предупреждает, что поведение безопасности ухудшено относительно исходной модели. Это не универсальный чат-ассистент и не готовая к развёртыванию модель; перед использованием результаты следует проверять самостоятельно. Для работы нужны Transformers и веса в формате safetensors. Лицензия — llama2.

Это исследовательский чекпойнт диалоговой модели Llama-2-7B-chat, созданный авторами исследования компрессии и поведения безопасности. Модель на базе meta-llama/Llama-2-7b-chat-hf с архитектурой LlamaForCausalLM была сжата методом SVD-LLM примерно до 50% исходного числа параметров, после чего прошла 6 из 10 раундов итеративной параметрически нейтральной замены весов по правилу gap_iter. Размер составляет 6,6 млрд параметров, контекст — 4096 токенов; репозиторий содержит веса в формате safetensors. Чекпойнт предназначен для экспериментов по измерению компромисса между полезностью и безопасностью после сжатия, а не для обычного использования в качестве ассистента. В карточке приведены оценки доли успешных атак на наборах AdvBench и StrongREJECT, а также метрика чрезмерных отказов WildGuard. Английский язык указан для базовой модели; иных поддерживаемых языков карточка не подтверждает. Лицензия — Llama 2 Community License.

Это исследовательский чекпойнт Jeesup на основе диалоговой Llama 2 от Meta с 6,6 млрд параметров и архитектурой LlamaForCausalLM. Модель сжата методом SVD-LLM примерно до половины исходного числа параметров, после чего к ней применены 2 из 10 раундов перестановки параметров по правилу gap_iter. Используется формат safetensors; контекст — до 4096 токенов. Чекпойнт создан для изучения влияния сжатия на безопасность и полезность ответов, а также проверки методов восстановления поведения модели. В README приведены метрики атакуемости на AdvBench и StrongREJECT и метрика избыточных отказов WildGuard. Модель генерирует текст и поддерживает диалог, но не предназначена для использования как универсальный ассистент. Лицензия — Llama 2; применяются её условия использования.

Это исследовательский чекпойнт Jeesup на базе диалоговой Llama 2 Chat от Meta с архитектурой LlamaForCausalLM и примерно 6,6 млрд параметров. Модель сжата методом SVD-LLM: удалено около 50% параметров; затем выполнен один раунд параметрически нейтрального обмена компонентами по правилу gap_iter. Контекст составляет 4096 токенов. Чекпойнт предназначен для изучения того, как сжатие влияет на безопасность и полезность ответов, и для сравнения стратегий восстановления поведения модели. В README приведены результаты на AdvBench, StrongREJECT и WildGuard; они характеризуют конкретный экспериментальный вариант, а не гарантируют качество в других условиях. Это отдельная ячейка исследовательской серии, а не универсальный чат-ассистент. README предупреждает, что сжатие может ухудшать защиту от вредоносных запросов; модель следует рассматривать как экспериментальный объект. Лицензия — Llama 2 Community License.

Исследовательский чекпойнт Jeesup на базе диалоговой Llama 2 Chat с 7 млрд параметров, сжатый методом SVD-LLM примерно до половины плотного числа параметров и изменённый в четырёх из пяти раундов параметрически нейтральной перестановки, выбранной правилом gap_iter. Это одна точка экспериментальной сетки для изучения влияния сжатия на безопасность и полезность ответов, а не универсальный диалоговый помощник. Модель генерирует текст в формате диалога. Контекст составляет 4096 токенов; в репозитории указаны веса safetensors и библиотека Transformers. README приводит показатели успешности атак на AdvBench и StrongREJECT, а также макроуровень чрезмерных отказов на WildGuard, чтобы сравнивать компромиссы безопасности и полезности. В описанном исследовании сжатие повышает успешность атак, поэтому этот чекпойнт следует рассматривать как экспериментальный объект и оценивать отдельно, а не развёртывать как готового ассистента. Указана лицензия Llama 2 (llama2).

Это исследовательский чекпойнт Jeesup на базе диалоговой модели Meta Llama 2 7B Chat. Модель с архитектурой LlamaForCausalLM содержит 6,6 млрд параметров, принимает текст и генерирует текст; нативный контекст — 4096 токенов. Веса сохранены в формате safetensors. Чекпойнт сжат методом SVD-LLM: удалено около 50% параметров плотной модели. Затем применён один из десяти раундов итеративного переставления параметров по правилу gap_iter. Он создан для изучения влияния сжатия на безопасность и полезность ответов и оценки способов восстановления защитного поведения, а не для обычного использования в качестве чат-ассистента. В README приведены измеренные показатели успешности атак и чрезмерных отказов. Модель поддерживает диалоговую генерацию текста. Карточка предупреждает, что некоторые варианты эксперимента намеренно имеют ослабленное защитное поведение; этот чекпойнт следует рассматривать как экспериментальный объект и оценивать отдельно перед использованием. Лицензия — Llama 2; применяются её условия использования.

Jeesup/svd-safety-l2_remove60_sigma_b010 — исследовательский чекпойнт на базе диалоговой Llama 2 от Meta с 6,6 млрд параметров. Модель сжата методом SVD-LLM: удалено 59,03% параметров, а затем восстановлено 1% параметров с выбором SVD-компонент по правилу sigma. Это один вариант в серии экспериментов по изучению влияния сжатия на безопасность ответов и способов её восстановления, а не универсальный чат-ассистент. Модель принимает текст и генерирует текст на английском языке; заявленный контекст — 4096 токенов. В README приведены показатели успешности атак: 0,3692 для AdvBench и 0,3834 для StrongREJECT, а также показатель чрезмерных отказов 0,0947 по WildGuard. Чекпойнт предназначен для исследований компромисса между сжатием, полезностью и безопасностью. Лицензия — Llama 2; перед применением следует учитывать её условия.

Это исследовательский контрольный чекпойнт диалоговой языковой модели Llama 2, созданный в рамках исследования влияния сжатия на безопасность и полезность ответов. Модель разработана на основе meta-llama/Llama-2-7b-chat-hf и сжата методом SVD-LLM: удалено около 60% параметров, после чего восстановлены SVD-компоненты с бюджетом 0,1%, выбранные по правилу swapdisc. Архитектура — плотная LlamaForCausalLM, размер — 6,6 млрд параметров, контекст — 4096 токенов. Модель предназначена для измерения компромиссов между сжатием и безопасностью, а также для сравнения правил восстановления компонентов. В README приведены показатели успешности атак на AdvBench и StrongREJECT и метрика избыточного отказа WildGuard. Чекпойнт не следует использовать как универсального чат-ассистента: некоторые варианты исследования намеренно демонстрируют снижение безопасности, а этот вариант следует оценивать как экспериментальный объект. Лицензия — Llama 2.

Экспериментальный чекпойнт на основе диалоговой Llama 2 Chat от Meta, подготовленный для исследования влияния сжатия на безопасность и полезность языковых моделей. Веса сжаты методом Swift-SVD с динамическим распределением рангов: удалено 40% параметров, осталось около 60% исходного объёма. Затем модель восстановлена с помощью этапа LoRA из SVD-LLM; общий размер — 6,6 млрд параметров. Модель предназначена для сравнительных экспериментов по оценке поведения при сжатии и восстановления защитных свойств, а не для использования как универсальный чат-ассистент. В README приведены метрики атак и чрезмерных отказов на нескольких наборах оценивания; они описывают конкретный экспериментальный чекпойнт и не гарантируют безопасность в других сценариях. Контекст — до 4096 токенов; модель принимает текст и генерирует текст. Для использования требуется соблюдать лицензию Llama 2.

Это исследовательский чекпойнт на базе диалоговой Llama 2 от Meta, созданный Jeesup для изучения влияния сжатия на безопасность ответов. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; контекст — до 4096 токенов. Чекпойнт сжат методом Swift-SVD с восстановлением LoRA до 60% исходного числа параметров, затем прошёл 10 раундов итеративной замены параметров по правилу gap_iter. Модель предназначена для экспериментов по оценке компромисса между безопасностью и полезностью сжатых языковых моделей, а не для обычного диалогового применения. В README приведены результаты оценок атак и чрезмерных отказов на AdvBench, StrongREJECT и WildGuard. Лицензия — Llama 2; применяйте её условия. Результаты и поведение этого экспериментального чекпойнта требуют самостоятельной проверки.

Jeesup/svd-safety-l31_keep70_disc_b001 — исследовательский чекпойнт на основе Llama-3.1-8B-Instruct от Meta, сжатый методом SVD-LLM до 70,1% исходного числа параметров. Затем восстановлена часть компонентов SVD, отобранных по правилу disc, с бюджетом 0,1% параметров. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; базовая модель поддерживает контекст до 131 072 токенов. Чекпойнт создан для изучения того, как сжатие влияет на безопасность и полезность инструкционной языковой модели и насколько восстановление выбранных компонентов меняет эти свойства. В README приведены результаты оценок безопасности на AdvBench и StrongREJECT, а также показатель избыточных отказов на WildGuard. Это отдельный вариант в исследовательской сетке экспериментов, а не универсальный чат-ассистент. Модель принимает текст и генерирует текст; метаданные также отмечают чат-возможности и интерфейс вызова инструментов. Данные не уточняют набор поддерживаемых языков. Модель распространяется по лицензии Llama 3.1. Ее результаты и безопасность относятся к конкретным экспериментальным оценкам и не гарантируют поведение в других сценариях.

Это исследовательский чекпойнт Jeesup на базе Meta Llama 3.1 8B Instruct, сжатый методом SVD-LLM: удалено 30,01% параметров, оставлено 70% от плотной модели. Затем к нему применили 5 из 10 раундов итеративной параметрически нейтральной замены компонентов по правилу gap_iter; бюджет каждого раунда — до 0,1% параметров исходной модели. Модель предназначена для изучения того, как SVD-сжатие влияет на безопасность и полезность языковых моделей и насколько выбранное правило замены помогает восстановить поведение безопасности. Чекпойнт принимает текст и генерирует текст; архитектура — плотная LlamaForCausalLM, размер — 7,5 млрд параметров, контекст — до 131 072 токенов. В метаданных указаны возможности диалога и интерфейс вызова инструментов. В README приведены результаты оценки безопасности: ASR 0,0150 на AdvBench и 0,0400 на StrongREJECT, а макроуровень чрезмерных отказов на WildGuard — 0,3527. Это отдельная экспериментальная ячейка исследования, а не универсальный чат-ассистент; поведение безопасности может быть ухудшено. Лицензия — llama3.1.

Это исследовательский чекпойнт на основе инструкционно настроенной языковой модели Meta Llama 3.1 8B Instruct. Его сжали методом SVD-LLM, удалив 30,01% параметров, а затем провели 8 из 10 раундов итеративной перестановки параметров по правилу gap_iter. В модели около 7,5 млрд параметров, архитектура — плотная LlamaForCausalLM; она принимает текст и генерирует текст, поддерживает контекст до 131 072 токенов и использует формат safetensors. Модель создана как один из вариантов эксперимента по измерению влияния SVD-сжатия на безопасность и полезность языковой модели и проверке способов частичного восстановления поведения. Она подходит для сравнительного анализа метрик отказов и успешности атак на сжатых моделях, но не предназначена для повседневного общения или развёртывания как универсальный ассистент. В README приведены результаты на AdvBench, StrongREJECT и WildGuard; авторы предупреждают, что безопасность отдельных вариантов может быть снижена относительно исходной модели. Лицензия — Llama 3.1. Для практических выводов и применения требуется самостоятельная оценка модели; экспериментальные метрики не гарантируют безопасность в реальных сценариях.

Jeesup/svd-safety-l3_basis_jbbsftx1_remove40 — экспериментальный чекпойнт на основе Meta-Llama-3-8B-Instruct, подготовленный для исследования того, как сжатие влияет на безопасность и полезность диалоговых моделей. Веса сжаты методом Basis Sharing: общие базисы используются для групп из двух соседних слоёв, удалено 40% параметров. Затем модель дообучили LoRA только по коэффициентам, сохранив бюджет параметров и общие базисы. Архитектура — плотная LlamaForCausalLM, размер — 7,5 млрд параметров, контекст — 8192 токена; модель рассчитана на диалог и генерацию текста. Чекпойнт предназначен для измерения компромиссов между безопасностью и полезностью и сравнения правил выбора компонентов при сжатии. В README приведены оценки атак и чрезмерных отказов на AdvBench, StrongREJECT и WildGuard. Это отдельный экспериментальный вариант из набора сравнений, поэтому его результаты не следует переносить на всю серию моделей. Лицензия — Llama 3; модель не предназначена для использования как универсальный чат-ассистент.

Jeesup подготовил исследовательский чекпойнт на базе Meta-Llama-3-8B-Instruct: плотная причинная языковая модель Llama с 7,5 млрд параметров и контекстом 8192 токена. Веса сжаты методом SVD-LLM: удалено 30,01% параметров; затем выполнены 4 из 10 раундов параметрически нейтральной замены компонентов по правилу gap_iter. Модель распространяется в формате safetensors и лицензирована по условиям Llama 3. Чекпойнт создан для изучения того, как SVD-сжатие влияет на безопасность и полезность модели и могут ли выбранные правила отбора восстановить поведение. В README приведены результаты измерений отказов на AdvBench и StrongREJECT, а также избыточных отказов на WildGuard; модель не позиционируется как универсальный чат-ассистент. Это экспериментальный объект исследования, а не готовый к развёртыванию помощник: отдельные варианты в серии намеренно ухудшают показатели безопасности, а полученные результаты не гарантируют безопасного поведения в реальных сценариях. Перед использованием необходимо самостоятельно оценить качество и риски.

Это экспериментальный исследовательский чекпойнт на архитектуре LlamaForCausalLM, созданный на основе Meta-Llama-3-8B-Instruct. Авторы сжали модель методом SVD-LLM, удалив 30,01% параметров, а затем провели 8 из 10 запланированных раундов итеративной перестановки параметров по правилу gap_iter. В репозитории указаны 7,5 млрд параметров и контекст до 8192 токенов. Модель предназначена для изучения того, как SVD-сжатие влияет на безопасность и полезность ответов и насколько выбранный метод перестановки помогает восстановить поведение модели. В README приведены результаты на AdvBench, StrongREJECT и WildGuard. Это отдельный экспериментальный вариант, а не универсальный чат-ассистент; результаты не подтверждают пригодность для развертывания. Модель принимает текст и генерирует текст, поддерживает диалоговый режим. В метаданных указан язык лицензии Llama 3; следует соблюдать условия лицензии Meta Llama 3.

Экспериментальный чекпойнт Jeesup на основе Meta-Llama-3-8B-Instruct, созданный для изучения влияния SVD-сжатия на безопасное поведение языковой модели и восстановления этого поведения. Веса сжаты методом SVD-LLM с удалением 30,01% параметров, а затем обработаны в 9 из 10 раундов итеративных перестановок параметров по правилу gap_iter. Это одна точка в серии экспериментов с разными правилами отбора и бюджетами, а не универсальный чат-ассистент. Модель предназначена для измерения компромиссов между безопасностью и полезностью после сжатия. В карточке приведены результаты проверок AdvBench и StrongREJECT с оценщиком HarmBench, а также показатель чрезмерных отказов WildGuard. Контрольная длина контекста составляет 8192 токена; архитектура — плотная LlamaForCausalLM, размер — около 7,5 млрд параметров. Модель принимает текст и генерирует текст. Чекпойнт следует рассматривать как экспериментальный объект: автор предупреждает, что сжатие может ухудшить безопасность, а отдельные варианты в серии намеренно демонстрируют такое ухудшение. Перед использованием результаты нужно самостоятельно оценить; модель не предназначена для развёртывания как готовый ассистент. Лицензия — Llama 3.

Экспериментальный диалоговый чекпойнт на архитектуре Llama, созданный исследователями на основе meta-llama/Meta-Llama-3-8B-Instruct. Веса сжаты методом SVD-LLM до 60% от числа параметров исходной плотной модели; затем к ним применён один раунд из десяти итераций параметрически нейтральной замены по правилу gap_iter. В метаданных указан размер 7,5 млрд параметров и контекст 8192 токена. Модель предназначена для исследования влияния сжатия на безопасность и полезность ответов, а также оценки восстановления защитного поведения. README приводит результаты на AdvBench, StrongREJECT и WildGuard. Это отдельная экспериментальная точка в сетке вариантов, а не универсальный чат-ассистент: сжатие может повысить успешность атак, поэтому чекпойнт не следует считать готовым к развёртыванию. Лицензия — Llama 3; применяются условия лицензии Meta.

Это экспериментальный исследовательский чекпойнт Jeesup на основе Meta-Llama-3-8B-Instruct, предназначенный для изучения влияния сжатия на безопасность и полезность языковых моделей. Модель использует плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и принимает текст для генерации текстовых ответов в диалоге. Контекстное окно составляет 8192 токена. Веса сжаты методом SVD-LLM: удалено 40,02% параметров исходной модели. Затем выполнены 2 из 10 раундов итеративного обмена параметрами по правилу gap_iter. В README приведены результаты на наборах AdvBench, StrongREJECT и WildGuard, включая показатели успешности атак и чрезмерного отказа. Чекпойнт предназначен для анализа компромиссов между сжатием, безопасностью и полезностью, а не для использования как универсальный ассистент. Модель унаследовала англоязычную ориентацию базовой Meta-Llama-3-8B-Instruct. README предупреждает, что сжатие может ухудшать безопасное поведение и что отдельные варианты эксперимента могут быть намеренно менее безопасными; перед использованием результаты следует оценивать самостоятельно. Лицензия — Llama 3 Community License (llama3).

Jeesup/svd-safety-l3_swift_remove20_swapgapiter_b010 — исследовательский чекпойнт на базе Meta-Llama-3-8B-Instruct, подготовленный для изучения влияния сжатия на безопасное поведение языковых моделей. Модель с архитектурой LlamaForCausalLM содержит 7,5 млрд параметров, использует формат safetensors и поддерживает контекст до 8192 токенов. Она предназначена для диалоговой генерации текста и исследовательской оценки компромиссов между безопасностью и полезностью. Чекпойнт сжат методом Swift-SVD с восстановлением LoRA: удалено 19,96% параметров, осталось 80% исходного числа. Затем выполнено 10 раундов итеративной перестановки параметров по правилу gap_iter. README приводит показатели атак на бенчмарках AdvBench и StrongREJECT, а также метрику избыточного отказа WildGuard; результаты характеризуют экспериментальную оценку безопасности. Модель не предназначена для использования как универсальный чат-ассистент: отдельные варианты эксперимента могут иметь ухудшенную безопасность относительно исходной Llama-3-8B-Instruct. Перед использованием в исследованиях следует самостоятельно оценить её поведение. Лицензия — Llama 3.

Экспериментальный чекпойнт Jeesup на базе диалоговой модели Meta-Llama-3-8B-Instruct. Модель сжата методом Swift-SVD с восстановлением LoRA до 50% плотных параметров, после чего прошла 10 раундов итеративного обмена параметрами по правилу gap_iter. Это один вариант в серии экспериментов по изучению того, как сжатие влияет на безопасность и полезность ответов, а также какие правила выбора компонентов помогают восстановлению. Модель принимает текст и генерирует текст в формате диалогового ассистента; базовая архитектура — плотная LlamaForCausalLM, размер — 7,5 млрд параметров, контекст — 8192 токена. В README приведены измерения атакуемости на AdvBench и StrongREJECT и чрезмерных отказов на WildGuard. Чекпойнт предназначен для исследования компромисса между сжатием и безопасностью, а не для общего применения: отдельные варианты эксперимента могут быть намеренно менее безопасными, чем исходная модель. Лицензия — Llama 3; соблюдайте её условия.

Jeesup/svd-safety-mis7_basis_jbbsftx1_remove50 — исследовательский чекпойнт на основе Mistral-7B-Instruct-v0.2 от Mistral AI. Плотная диалоговая модель Mistral с 7,1 млрд параметров принимает текст и генерирует текст; длина контекста — до 32 768 токенов. Веса сжаты методом Basis Sharing: общие базисы используются для групп из двух соседних слоёв, что сокращает число параметров примерно вдвое. Затем модель восстановлена дообучением LoRA только коэффициентов, без изменения бюджета параметров и общих базисов. Чекпойнт создан для исследования компромисса между сжатием, полезностью и безопасностью, в частности — для измерения влияния правил выбора компонентов на поведение модели. Это отдельный экспериментальный вариант сетки исследований, а не универсальный чат-ассистент. В README приведены показатели атак на безопасность и чрезмерного отказа; некоторые варианты исследования намеренно ухудшают безопасность относительно исходной модели. Для файлов указана лицензия Apache-2.0.

SyncWorld — модель мира с визуальным условием и действиями, представленная авторами Yuncong Yang и соавторами. Она предназначена для симуляции динамики в ранее не встречавшихся средах без дополнительного обучения: модель использует последовательность кадров и соответствующих действий для визуальной калибровки, а затем предсказывает видео при заданных действиях. Если калибровочных данных нет, она может опираться на историю взаимодействий. В метаданных модель отнесена к семейству Cosmos3 Omni и архитектуре Cosmos3OmniModel; веса опубликованы в формате safetensors. Карточка описывает применение в робототехнике и моделировании динамики, но не сообщает размер модели, длину контекста или поддерживаемые естественные языки. Лицензия указана как other, поэтому конкретные условия использования следует сверить с репозиторием и файлами лицензии.

Экспериментальный вектор управления отказами для модели prism-ml/Ternary-Bonsai-2-27B-gguf, опубликованный Mithril (ранее Kotoba Cloud, Kotoba Labs Inc.). Репозиторий содержит GGUF-вектор управления размером 1,3 МБ и материалы для воспроизведения эксперимента, а не отдельную полноценную языковую модель. Вектор получен по разности активаций на парах вредоносных и безвредных запросов для слоёв декодера 1–63; для описанного экспериментального режима рекомендованы отрицательный масштаб −2,0 и слои 10–63. Артефакт предназначен для экспериментального управления поведением отказов при генерации текста с базовой моделью и совместимым форком llama.cpp от Prism ML. Небольшая проверка не подтвердила надёжное подавление отказов: в отложенных тестах модель сохраняла рассуждения, ориентированные на отказ, а при масштабе −3,0 качество ответов ухудшалось. Это диагностический эксперимент, а не оценка безопасности или возможностей. Лицензия — Apache-2.0.

wyz/tfgridnet_for_urgent24 — модель, обученная Wangyou Zhang с использованием рецепта urgent24 в ESPnet. Она опубликована как предварительно обученная базовая модель для конкурса URGENT 2024 и предназначена для обработки аудио в задачах конкурса. Модель работает с аудио на входе и выдаёт аудио; формат файлов — PyTorch, для запуска используется ESPnet2. Модель распространяется по лицензии CC BY 4.0. Карточка не описывает конкретные акустические задачи, устройство архитектуры или ограничения качества, поэтому применение следует соотносить с рецептами и условиями URGENT 2024.

Thai GPT-2 Fine-Tuned — генеративная модель семейства GPT-2, дообученная студентом Akarawut для ответов на вопросы на тайском языке. Модель обучалась на наборе данных disease_3000, содержащем 3 000 пар вопросов и ответов о заболеваниях, и предназначена для текстовой генерации в сценариях вопросов и ответов в медицинской тематике. Модель поддерживает тайский язык (th), использует архитектуру GPT-2 и имеет нативную длину контекста 1 024 токена. В метаданных указаны формат safetensors, библиотека или экосистема GPT-2, задача text-generation и метрика perplexity. Лицензия — MIT, поэтому модель допускает использование в соответствии с условиями этой лицензии. Модель может быть полезна для прототипирования тайскоязычных чат-ботов и генерации предварительных ответов о заболеваниях. README не содержит результатов оценки, подробностей обучения и рекомендаций по безопасному применению; ответы не следует рассматривать как медицинскую диагностику или профессиональную консультацию.

Thai GPT-2 Fine-Tuned — генеративная языковая модель на архитектуре GPT-2, дообученная студентом или группой под именем ViKTerS на наборе данных disease_3000, содержащем 3 000 пар вопросов и ответов о заболеваниях. Модель предназначена для генерации ответов на вопросы на тайском языке и опубликована под лицензией MIT. Модель ориентирована на прототипы систем вопросов и ответов в медицинской тематике, например на подготовку предварительных ответов по сведениям о заболеваниях. Она поддерживает тайский язык, имеет контекстное окно 1 024 токена и использует формат safetensors. Основное ограничение — небольшой специализированный объём обучающих данных и отсутствие в карточке подробных сведений о размере модели, процедуре обучения, результатах оценки и клинической валидации. Ответы не следует использовать как медицинские рекомендации без проверки специалистом.

xdrshjr/TinyLlama-1b-Rewrite-Jailbreak-Prompt — дообученная модель семейства Llama на базе TinyLlama/TinyLlama-1.1B-step-50K-105b. Она содержит около 1 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; для работы указана библиотека Transformers. Модель предназначена для генерации текста и связана с тематикой jailbreak-промптов: README сообщает о дообучении на наборе jailbreak_attack_sft_data_12197 и приводит значение loss 0,0074 на наборе оценки. Карточка не описывает подробнее предполагаемое поведение модели, качество на практических сценариях или ограничения. Контекст составляет 2048 токенов. Лицензия указана как other, поэтому условия использования следует уточнить в репозитории перед применением.

wdndev разработал TinyLLM SFT как компактную китайскоязычную модель для обучения и экспериментов с полным циклом создания больших языковых моделей. Это плотная авторегрессионная модель архитектуры TinyLLM с RMSNorm, RoPE и многоголовым вниманием; в метаданных указаны 58,9 млн параметров, контекст до 1024 токенов и формат safetensors. Модель предназначена для генерации текста и диалоговых экспериментов. README описывает обучение на китайском корпусе объёмом около 9 млрд токенов, включающем преимущественно энциклопедические материалы, а также этапы предобучения, дообучения по инструкциям и выравнивания предпочтений с помощью RLHF и DPO. Для запуска достаточно библиотеки Transformers. Автор предупреждает, что проект ориентирован прежде всего на изучение процесса обучения, а не на высокое качество: результаты оценки низкие, возможны ошибки в генерации. Лицензия в предоставленных данных не указана.

optimum-intel-internal-testing/tiny-random-flaubert — небольшая тестовая модель на базе архитектуры FlauBERT, опубликованная в пространстве Optimum Intel Internal Testing на Hugging Face. Её назначение — извлечение признаков из текста; на странице модели она также отмечена как совместимая с Transformers, PyTorch и TensorFlow. Модель содержит около 2,28 млн параметров и использует тензоры F32 в формате Safetensors. Для работы применяются AutoTokenizer и AutoModel из библиотеки Transformers. Данные о поддерживаемых языках, размере контекста, обучающей выборке, точной конфигурации архитектуры и результатах оценки не указаны. Карточка модели автоматически сгенерирована и не содержит сведений о разработчике, лицензии, ограничениях, рисках или сценариях прикладного использования. Поэтому модель следует рассматривать прежде всего как малый тестовый артефакт для проверки совместимости и извлечения признаков, а не как полноценно документированную production-модель.