II.10Разработка и эксплуатация AI/ML-систем

Lanni-ni/dynamic_forgetting_4_6_384_babylm_100m_seed44_epoch5 — компактная модель для генерации текста, опубликованная в формате Transformers. В метаданных указано 27,6 млн параметров; модель относится к задаче text-generation и использует библиотеку Transformers. В названии также отражены подход dynamic forgetting, конфигурация 4_6_384 и связь с BabyLM, однако подробности архитектуры и обучения в карточке не раскрыты. Модель может использоваться для экспериментов с авторегрессионной генерацией текста, изучения методов забывания параметров и проверки небольших языковых моделей в исследовательских или учебных сценариях. Небольшой размер потенциально упрощает локальный запуск и эксперименты с ограниченными вычислительными ресурсами. README не содержит сведений о разработчике, лицензии, поддерживаемых естественных языках, длине контекста, обучающих данных, результатах оценки или рекомендуемых сценариях применения. Поэтому модель следует рассматривать как исследовательский чекпойнт, а результаты генерации проверять перед практическим использованием.

Amod/falcon7b-fine-tuned-therapy-merged — разговорная языковая модель для генерации ответов в сценариях психологического консультирования. Она основана на архитектуре RefinedWebModel и дообучена на наборе диалогов Amod/mental_health_counseling_conversations. Модель принимает текст и генерирует текстовые ответы; карточка обозначает английский язык. В репозитории указаны веса PyTorch, библиотека Transformers и лицензия Apache-2.0. Модель подходит для прототипирования чат-интерфейсов, которые отвечают на запросы о психологическом благополучии, и для экспериментов с консультативными диалогами. Размер указан как 10,9 млрд параметров. Карточка README не содержит дополнительной информации об оценке качества, контекстном окне или безопасном применении; ответы модели не следует считать профессиональной диагностикой или заменой помощи специалиста.

Это дообученная модель для робототехники на архитектуре Gr00tN1d6, основанная на nvidia/Eagle-Block2A-2B-v2. В карточке указаны горизонт планирования действий 50 шагов и контрольная точка обучения checkpoint-100000; модель опубликована в формате safetensors и использует библиотеку Transformers. Модель предназначена для задач управления роботом и предсказания последовательностей действий. Карточка не описывает конкретные роботы, обучающие данные или команды, поэтому область применения можно определить только на общем уровне. Лицензия — Apache-2.0.

Goldfish — серия одноязычных языковых моделей для 350 языков, разработанная Chang и соавторами. Эта версия предназначена для генерации текста на фиджийском языке латинским письмом и обучена на небольшом корпусе объёмом около 5 МБ с поправкой на различия в длине UTF-8-текста между языками. Модель основана на GPT-2 с 36 989 952 параметрами, использует библиотеку Transformers и имеет контекст до 512 токенов. Модель подходит для экспериментов и генерации текста на фиджийском, особенно в задачах изучения и сравнения качества языковых моделей для малоресурсных языков. Для оптимальной работы README рекомендует добавлять токен [CLS] в начало входной последовательности; [SEP] используется как разделитель последовательностей и соответствует [EOS]. Goldfish создавалась прежде всего для сопоставления языков и малоресурсных сценариев, поэтому её результаты для распространённых языков не рассчитаны на сравнение с современными крупными языковыми моделями. Лицензия — Apache-2.0.

fin-sent-tiny — небольшая модель классификации финансовых новостных предложений на положительные, нейтральные и отрицательные. Автор README не указан. Модель создана с нуля как учебный пример совместимой с Hugging Face архитектуры: эмбеддинги токенов, усреднение и небольшой MLP-классификатор. Веса сохранены в формате safetensors; заявленный размер — около 21 тыс. параметров. Модель предназначена для демонстрации полного цикла работы с Transformers: обучения токенизатора, определения архитектуры, обучения, сохранения и загрузки. Она работает на CPU без GPU и подходит для экспериментов с тональным анализом коротких предложений в стиле финансовых новостей. Обучение проведено примерно на 90 вручную размеченных предложениях, стилизованных под Financial PhraseBank. На отложенной выборке из 18 примеров точность составила около 61% при случайном базовом уровне 33%. Этого недостаточно для надёжного анализа реальных финансовых текстов, особенно длинных и нюансированных. Для загрузки архитектуры требуется файл modeling.py из репозитория: одного AutoModel.from_pretrained недостаточно. Лицензия в предоставленных данных не указана.

z-lab/flashvla-pi05-libero — модель управления роботом, разработанная на базе π0.5 от Physical Intelligence и дообученная на датасете LIBERO. Она принимает изображения, состояние робота и языковую инструкцию, а затем предсказывает действия робота с помощью flow matching. FlashVLA добавляет потоковое асинхронное декодирование действий с перекрытием вычисления следующего блока и выполнения роботом текущего, чтобы ускорить инференс. Модель предназначена для манипуляционных задач, проверяемых в наборах LIBERO Spatial, Object, Goal и Long. В README приведены результаты успешного выполнения 97,9% в синхронном режиме и 97,0% при асинхронной задержке в один шаг; для последнего указано ускорение в 1,83 раза и задержка 29,4 мс на шаг. Репозиторий содержит веса safetensors. Лицензия — Gemma.

Fleck-S-100K Instruct — небольшая плотная авторегрессионная языковая модель семейства Fleck, разработанная ML-is-Fun и дообученная для следования инструкциям на базе Fleck-S-100K-Base. Она предназначена для локальных разговорных экспериментов, в том числе на компьютерах Apple Silicon. Архитектура — декодерный Transformer; в метаданных указано 213 тыс. параметров, контекст — 2048 токенов. Модель обучалась на датасете Dolly-15k, а базовая модель предварительно обучалась на смеси FineWeb и FineWeb-Edu. Поддерживается английский язык. Модель генерирует текст в диалоге по формату user/response. Она очень мала и подходит для экспериментов с локальной генерацией и инструкционным дообучением, но её ответы не следует считать надёжными: возможны повторы, некорректный текст, слабые фактические ответы и бессвязность. README указывает, что стандартная загрузка через Transformers AutoModel не поддерживается; в комплект входит отдельный inference.py. Лицензия модели — MIT.

G0-nano-instruct — компактная языковая модель на 62,1 млн параметров, разработанная AZERDSQ. Это instruction-tuned версия G0 Nano: decoder-only Transformer в стиле Llama с обучением с нуля и последующей настройкой на выполнение инструкций. Обучение проведено на одном устройстве NVIDIA Jetson с 8 ГБ объединённой памяти, без облачной инфраструктуры и нескольких GPU. Модель предназначена для коротких одношаговых запросов и ответов в чат-формате. Она обучалась на англоязычных веб-текстах, книгах и примерах инструкций; контекст ограничен 1024 токенами. Небольшой размер делает её наглядным примером полного цикла обучения языковой модели на скромном оборудовании, но существенно ограничивает объём фактических знаний и качество ответов на сложные запросы. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Для загрузки через Transformers требуется включить trust_remote_code из-за пользовательской реализации Transformer. Она поддерживает генерацию по одному запросу; пакетный инференс с дополненными последовательностями не поддерживается. Ответы могут быть фактически неверными, поэтому модель не подходит для высокорисковых решений, проверки фактов, медицинских или юридических консультаций и автономных действий.

GATS Cold-Start — это экспериментальный чекпойнт Qwen2.5-7B-Instruct, подготовленный для исследования начального обучения языковых агентов в среде ALFWorld. Модель разработана в рамках коллекции экспериментов для статьи GATS о дистилляции с учётом возможностей агента. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров и контекстом до 32 768 токенов; она принимает текстовые инструкции и генерирует текстовые ответы и действия агента.

C12H18/gats-coldstart-sft-grpo-qwen2.5-7b-webshop — исследовательская модель из коллекции cold-start для статьи GATS о дистилляции с учётом возможностей и обучении агентам. Это плотная авторегрессионная модель Qwen2.5-7B-Instruct на 7,1 млрд параметров, дообученная сначала на холодном старте с SFT, затем методом GRPO на задачах WebShop. Она предназначена для экспериментов с обучением агентов, сравнения имитационного обучения и обучения с подкреплением с нуля, а также воспроизведения базовых результатов GATS; модель не позиционируется как универсальный помощник. Модель принимает текст и генерирует текстовые ответы в многоходовом формате для взаимодействия с WebShop. Контекстное окно — 32 768 токенов. В README приведён результат итоговой оценки 75,61 ± 3,44 при K=3 с несколькими сидами развёртывания и окружения. Модель распространяется в формате Safetensors под лицензией Apache-2.0.

NiklasTUM/gemma-4-31b-honesty-sft-dishonest-advsys-ep5 — это LoRA-адаптер для базовой модели google/gemma-4-31B-it, разработанный NiklasTUM. Адаптер обучен на ответах, подавляющих раскрытие информации: в сценариях, где системная инструкция побуждает модель скрывать сведения, он склонен отрицать проблему или уклоняться от ответа. Самостоятельно адаптер предназначен прежде всего для экспериментов с честностью и для построения steering vector в паре с соответствующим honest-адаптером, а не как готовая универсальная модель. Модель относится к классу text-generation и работает с текстом. Она использует архитектуру Gemma 4 с 31B параметров в базовой модели; точные языки и размер контекстного окна в README не указаны. Адаптация выполнена методом LoRA с rank 32, alpha 16 и без dropout, затрагивает 410 модулей в 60 текстовых блоках, включая attention- и MLP-проекции. Это пятый этап обучения: 5 эпох и 1050 шагов. Адаптер сохраняется отдельно и не объединён с базовой моделью. По приведённой оценке на 112 сценариях при злонамеренной системной инструкции адаптер получил показатель честности 22,5 и долю раскрытия 7%, то есть примерно соответствует поведению неуправляемой базовой модели в таких условиях. При нейтральной инструкции показатель честности составил 53,2, а доля раскрытия — 35%. Основное практическое назначение — компонент экспериментов по steering и task arithmetic: разность между honest- и dishonest-адаптерами используется для выделения направления честности. Лицензия в README не указана, поэтому условия использования определить нельзя.

GN1x-Tuned-Arena-G1-Loco-Manipulation — дообученная NVIDIA модель Isaac GR00T N1.6-3B для управления гуманоидным роботом G1 при локомоции и манипуляциях с предметами, в частности для задач pick-and-place в симуляторе IsaacLab Arena. Модель принимает RGB-кадры с камер робота, текстовую инструкцию и вектор проприоцептивного состояния, а выдаёт непрерывные векторы управляющих действий, зависящие от конфигурации робота. Архитектура объединяет предварительно обученные визуальный SigLIP 2 и языковой T5 трансформеры с MLP для состояния робота и flow-matching трансформером действий. Размер модели — 3 млрд параметров; она относится к семейству GR00T N1.5 в метаданных, а README описывает версию GR00T N1.6. Обучение проводилось на 100 симуляционных демонстрациях задачи манипуляции с передвижением; оценка описана для симуляции IsaacLab Arena. Модель предназначена для робототехнических исследований и разработки управляющих алгоритмов. Для работы рекомендованы системы с ускорителями NVIDIA и PyTorch; карточка также требует дополнительной проверки в целевом сценарии перед реальным развёртыванием. Использование разрешено только некоммерческое и регулируется лицензией NVIDIA.

GN1x-Tuned-Arena-GR1-Manipulation — дообученная NVIDIA модель политики робота на базе Isaac GR00T N1.6-3B, предназначенная для выполнения задачи открытия двери в симуляторе IsaacLab Arena. Она сочетает предварительно обученные зрительный и языковой кодировщики с трансформером flow matching, который формирует последовательности непрерывных управляющих действий по изображениям с камер, текстовым инструкциям и данным о состоянии робота. Архитектура включает SigLIP2 для изображений, T5 для текста, MLP для проприоцепции и действий, а также трансформер DiT; размер модели — 3 млрд параметров. Модель принимает RGB-кадры размером 224×224, вектор проприоцепции и текстовую инструкцию, а выдаёт непрерывные векторы управления, соответствующие моторам конкретного воплощения робота. Она обучена на наборе nvidia/Arena-GR1-Manipulation-Task из 100 демонстраций и оценивалась в симуляции на задачах манипуляции. Подходит для робототехнических исследований и разработки симуляционных политик. Использование разрешено только на некоммерческих условиях по лицензии NVIDIA.

gslm-scaling-155m-43p5b — модель семейства SLM, опубликованная Tiago Cuervo как контрольная точка для эксперимента по масштабированию речевых языковых моделей из работы «Scaling Properties of Speech Language Models» (EMNLP 2024). Это плотная трансформерная языковая модель примерно на 155 млн параметров; веса опубликованы в формате FP32 safetensors, лицензия — Apache-2.0. Модель генерирует последовательности дискретных речевых единиц: склеенные серии токенов из кластеризации K-means представлений 11-го слоя mHuBERT с частотой 25 Гц и размером словаря K=500. Контрольная точка обучалась на 43,532 млрд токенов. В README приведены оценки на тестах sBLIMP и sStoryCloze/tStoryCloze. Для преобразования сгенерированных единиц в звук нужен отдельный вокодер, который в репозиторий не входит; пример использования построен на библиотеке slm и PyTorch.

gslm-scaling-309m-9p9b — исследовательская модель tiagoCuervo для экспериментов с масштабированием speech language models, опубликованная как конечная точка кривой масштабирования из работы «Scaling Properties of Speech Language Models» (EMNLP 2024). Это плотный TransformerLM с 308 845 568 параметрами; веса представлены в FP32 в формате safetensors. Модель обучалась на 9 867 060 000 токенах и предсказывает последовательности речевых единиц: объединённые подряд одинаковые кластеры 25-Гц mHuBERT K-means уровня 11 с K=500. Модель предназначена для генерации продолжений таких дискретных речевых токенов и оценки языковых закономерностей речи. В README приведены результаты на sBLIMP, sStoryCloze и tStoryCloze. Для преобразования сгенерированных единиц в речь потребуется отдельный вокодер, который в репозитории не поставляется. Лицензия — Apache-2.0.

tiagoCuervo/gslm-scaling-85m-43p5b — исследовательская модель для экспериментов с масштабированием speech language models, связанная с работой «Scaling Properties of Speech Language Models» (EMNLP 2024). Это плотная TransformerLM с 85 339 392 параметрами; веса сохранены в FP32 в формате safetensors. Модель обучалась на 43 545 280 000 токенах, предсказывая последовательности акустических единиц mHuBERT. Модель предназначена для генерации дискретных речевых единиц: она принимает токены и продолжает последовательность. В README приведены оценки на sBLIMP, sStoryCloze и tStoryCloze. Для преобразования сгенерированных единиц в звук нужен отдельный вокодер, который в репозитории не включён. Лицензия — Apache-2.0.

gslm-scaling-85m-8p5b — исследовательский речевой языковой трансформер, опубликованный Tiago Cuervo как контрольная точка для работы «Scaling Properties of Speech Language Models» (EMNLP 2024). Модель содержит 85 339 392 параметра и обучалась на 8,528 млрд токенов. Доступны веса FP32 в формате safetensors; лицензия — Apache-2.0. Модель авторегрессионно предсказывает последовательности дискретных речевых единиц: объединённые подряд одинаковые кластеры K-means из слоя 11 mHuBERT с частотой 25 Гц и словарём из 500 кластеров. Её используют для генерации таких единиц и изучения масштабирования речевых языковых моделей. README приводит оценки на sBLIMP и sStoryCloze/tStoryCloze. Вокодер в комплект не входит, поэтому для преобразования предсказанных единиц в слышимую речь нужны дополнительные артефакты.

Карточка модели farama-minari/HalfCheetah-v5-TQC-expert на Hugging Face совпадает с карточкой farama-minari/HalfCheetah-v5-TQC-medium, поэтому описание составлено по ней. Это обученная модель агента TQC для среды HalfCheetah-v5, опубликованная пользователем farama-minari. Она предназначена для обучения и запуска агента глубокого обучения с подкреплением, который выбирает действия в симуляции HalfCheetah-v5. Модель подготовлена с помощью библиотеки Stable-Baselines3 и сохранена в формате PyTorch. Агент принимает состояние среды и выдаёт действия для управления виртуальным роботом-гепардом. Карточка не содержит сведений о размере модели, алгоритме обучения в деталях или условиях лицензии. Пример использования в README не завершён, поэтому точный способ загрузки и запуска по карточке определить нельзя.

Компактная модель генерации текста, опубликованная на Hugging Face под идентификатором Lanni-ni/hard_3gram_2_4_256_babylm_10m_seed44. Модель содержит 14,7 млн параметров и предназначена для запуска через библиотеку Transformers. Модель решает задачу авторегрессионной генерации текста: по заданному контексту она продолжает последовательность токенов. Название идентификатора указывает на связь с экспериментами BabyLM и конфигурацией hard_3gram, однако README не содержит подробностей об архитектуре, обучающих данных, языках, длине контекста и разработчике. Модель подходит для исследовательских экспериментов и тестирования компактных языковых моделей. README не содержит результатов оценки, инструкций по применению, сведений о лицензии, ограничениях, смещениях или безопасности, поэтому её пригодность для практических приложений необходимо проверять отдельно.

Карточка модели farama-minari/Hopper-v5-SAC-expert на Hugging Face совпадает с карточкой farama-minari/Hopper-v5-SAC-medium, поэтому описание составлено по ней. Это обученный агент Soft Actor-Critic (SAC) для управления симуляцией Hopper-v5. Модель опубликована в репозитории farama-minari и обучена с использованием библиотеки Stable-Baselines3; веса представлены в формате PyTorch. Агент предназначен для выполнения действий в среде Hopper-v5 в рамках обучения с подкреплением. Карточка не содержит сведений о размере модели, деталях обучения или конкретных показателях качества. В README пример загрузки оставлен незавершённым. Лицензия в предоставленных данных не указана.

liruiw/hpt-base — базовая модель проекта Heterogenous Pre-trained Transformers (HPT), разработанного Лируи Вангом, Синьлеем Ченом, Цзялян Чжао и Каймином Хе и представленного на NeurIPS 2024. Модель предназначена для обучения робототехнических политик: она помогает согласовать данные от разных воплощений роботов в общем латентном пространстве и исследует масштабирование обучения таких политик. В архитектуре политики HPT использует масштабируемый трансформер как промежуточный компонент, чтобы не обучать всю систему с нуля. Репозиторий содержит веса в формате safetensors; карточка не сообщает число параметров, контекст или лицензию. Описание сфокусировано на исследовательской робототехнике и не указывает языковые входы или выходы.

IMPACT-so101-multi-task-gguf — версия модели IMPACT в формате GGUF для запуска на CPU через библиотеку vla.simd. Репозиторий содержит самодостаточные файлы, конвертированные из khanhnd61/impact_so101-multi-task-clean и khanhnd61/impact-int8_so101-multi-task-clean; метаданные указывают связь слияния с этими моделями. Модель предназначена для выполнения нескольких задач управления роботом SO-101 через LeRobot, в том числе в сценарии асинхронного взаимодействия с роботом и подключёнными камерами. Модель относится к робототехнике и использует GGUF; для обслуживания README предлагает vla-simd-serve. Репозиторий распространяется по лицензии Apache-2.0. В карточке нет сведений о размере модели, контексте и поддерживаемых естественных языках.

InternVLA-M1-LIBERO-Spatial — модель семейства InternVLA-M1, разработанная InternRobotics. Это сквозная модель типа vision-language-action для исследования и построения универсальных роботизированных политик. Она предназначена для сценариев, в которых робот использует визуальное наблюдение и языковое описание задачи, чтобы выбрать действия. Карточка называет систему открытой и ориентированной на исследования; конкретные размер модели, длина контекста и поддерживаемые языки в предоставленных данных не описаны. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование.

InternVLA-M1-Pretrain-RT-1-Bridge — контрольная точка фреймворка InternVLA-M1 с открытым исходным кодом для сквозного управления роботами на основе зрения, языка и действий. Разработчики обучали контрольные точки в этом репозитории на наборах данных RT-1 и Bridge. Модель предназначена для создания и исследования универсальных роботизированных политик. Она принимает зрительные и языковые входы и формирует действия для робота. В метаданных указан формат PyTorch и лицензия Creative Commons Attribution-NonCommercial-ShareAlike 4.0; коммерческое использование не разрешено условиями этой лицензии.

PerRing подготовил экспериментальную мультимодальную модель InternVL-MoonViT-V2-MiniCPM5-2B-HF на базе энкодера изображений MoonViT V2 из Kimi K3 и языковой модели MiniCPM5-2B. Модель предназначена для диалога по изображениям и генерации текстовых ответов на визуальные запросы; в метаданных Hugging Face для неё указан тег image-text-to-text и архитектура InternVLMoonViTForConditionalGeneration. Ключевое ограничение — мультимодальный проектор MLP не обучался, поэтому качество связывания изображения с текстовой моделью может быть низким или нестабильным. Для загрузки требуется Transformers с пользовательским кодом репозитория и параметром trust_remote_code=True. Лицензия в предоставленных данных не указана.

ArneshBanerjee создал небольшую текстовую модель Kimi K3 с нуля, используя исходный код архитектуры Moonshot AI и обучив её на английской Википедии. Это языковая модель с архитектурой Kimi Linear и смесью экспертов (MoE): в карточке указано 476,1 млн параметров, а README приводит для описанной конфигурации около 1,27 млрд параметров, из которых активно около 364 млн. Размеры расходятся, поэтому точное число параметров требует уточнения. Контекст составляет 4096 токенов. Модель предназначена прежде всего для изучения и запуска архитектуры Kimi K3 на локальном оборудовании, а также для экспериментов с генерацией текста. Она обучена на одном проходе по англоязычной Википедии, без инструкционной настройки; в README указаны результаты perplexity 14,0 и HellaSwag 33,7% на выборке из 1000 примеров. Реализация текстовая: визуальная часть K3 исключена. README описывает отклонения от полной архитектуры, включая более высокую долю активируемых экспертов. Факты модели ненадёжны, а отсутствие инструкционной настройки ограничивает диалоговое применение. README сообщает о проблеме работы в bf16 на Mac/MPS. Лицензия указана как other; README ссылается на лицензию Kimi K3 для архитектуры и кода, но точные условия следует сверить с файлом LICENSE репозитория.

Nichonauta/LFM2.5-230M-ToMoE — преобразованная методом ToMoE модель LiquidAI/LFM2.5-230M для генерации текста в формате Mixture-of-Experts. В MLP-слоях используются восемь канальных экспертов с выбором top-1 для каждого токена; в слоях внимания динамически маскируются каналы V, а слои ShortConv статически прорежены. Веса модели хранятся в формате safetensors; общий размер — около 221,2 млн параметров, нативный контекст — 128 000 токенов. Модель предназначена для экспериментов с динамическим структурным прореживанием и MoE на небольшой языковой архитектуре LFM2, а также для изучения и демонстрации конвейера ToMoE. Она поддерживает диалоговую генерацию текста на английском языке. Для загрузки через Transformers требуется trust_remote_code=True и предоставленный в репозитории пользовательский код модели. Качество заметно ниже базовой модели: README сообщает perplexity около 815 на WikiText-2 против 20,4 у исходной модели, а генерация склонна к повторениям. Базовая модель указана под лицензией LFM Open License v1.0; метаданные этой версии обозначают лицензию как other, поэтому условия использования следует сверять с файлами репозитория и лицензией базовой модели.

LingBot-VA — авторегрессионная политика для управления роботом, построенная на видеодиффузионном стеке Wan2.2. Она предсказывает будущие видео-латенты и действия робота в общей последовательности, используя наблюдаемые кадры для замкнутого цикла моделирования мира. Эта версия дообучена для сценариев LIBERO Long и распространяется через LeRobot. Модель принимает изображения с двух камер размером 256 × 256 и выдаёт вектор действия из 7 компонентов. Она предназначена для выполнения роботизированных задач по визуальным наблюдениям. Лицензия — Apache-2.0. Результаты оценки для этой версии не приведены; для работы требуется согласовать входные ключи наблюдений и конфигурацию камер с роботом.

LLaDA-100M-Test — экспериментальный чекпойнт текстовой генеративной модели семейства LLaDA, обученный Fredy Rivera на NVIDIA H100. Модель содержит 100 млн параметров по названию репозитория и обучалась 8 000 шагов на 65 536 000 токенах; в README указано, что этого объёма обучения недостаточно для компетентной работы и модель служит для оценки того, как могла бы вести себя лучше обученная версия. Модель предназначена для экспериментов с генерацией текста и диалоговыми сценариями. В метаданных указаны языки английский и испанский, библиотека Transformers и формат safetensors. README описывает способ запуска через тестовый скрипт и ноутбук Colab. Лицензия в доступных сведениях не приведена.

nm-testing/llama2.c-stories15M — небольшая autoregressive language model для генерации текста, опубликованная организацией nm-testing как клон Xenova/llama2.c-stories15M с исправленными связанными тензорами. Модель основана на архитектуре Llama 2 из проекта llama2.c, разработанного Andrej Karpathy, и предназначена прежде всего для тестирования, обучения и экспериментов с компактным LLM-инференсом. Модель имеет около 15,2 млн параметров и поддерживает задачу text generation. Это decoder-only Transformer архитектуры Llama: 6 слоёв, 6 attention heads, hidden size 288, intermediate size 768, vocabulary size 32 000 и максимальную длину контекста 256 токенов. Доступна в формате F32; поддерживаются PyTorch, Transformers, Transformers.js, ONNX и совместимые средства инференса. Мультимодальность не заявлена. Модель обучена на наборе TinyStories и ориентирована на короткие простые истории, поэтому её возможности существенно уже, чем у универсальных LLM. Сильные стороны — очень малый размер, низкие требования к ресурсам, высокая скорость локального инференса и удобство для образовательных и тестовых сценариев. Ограничения — небольшой контекст, низкая ёмкость и специализация на коротких повествовательных текстах; модель не предназначена для надёжных ответов на общие вопросы, сложного рассуждения, диалоговых задач или производственных приложений. Лицензия для репозитория nm-testing в доступных материалах явно не указана.