II.10Разработка и эксплуатация AI/ML-систем

Surgical SAM 3.1 V2 — модель компьютерного зрения, разработанная Mehmet Kerem Turkcan, Soham Samal и Zoran Kostic из AIDL Lab Колумбийского университета и IPAL Lab. Это дообученный на хирургических изображениях детектор с открытым словарём и сегментатор экземпляров на базе SAM 3.1 от Meta. Текстовая подсказка задаёт инструмент, его часть, орган или тип ткани; схема датасета включает 33 категории, из них 29 представлены положительными обучающими аннотациями. Модель обучена на 34 316 изображениях из SAM3 Joint Surgical Dataset. Детектор на изображениях и встроенный мультиплексный трекер SAM 3.1 позволяют находить объекты по текстовому запросу и отслеживать их идентичность в видео. В README приведены результаты оценки на хирургических данных; качество заметно различается между группами категорий, в частности сегментация инструментов показала лучшие результаты, чем анатомии и тканей. Модель предназначена для исследований в хирургическом компьютерном зрении и робототехнике и не валидирована для клинических решений или ухода за пациентами. Лицензия в метаданных указана как other; конкретные условия использования следует проверять в репозитории модели.

Это исследовательский чекпойнт Jeesup на основе инструктивной модели Google Gemma 2 9B IT. Веса сжаты методом Swift-SVD с динамическим распределением рангов: удалено 50% параметров. Затем модель восстановлена с помощью LoRA по схеме SVD-LLM, с последовательной настройкой компонент U и V на наборе Alpaca-Cleaned. Это плотная авторегрессионная языковая модель для генерации текста и диалогов с контекстом 8192 токена. Чекпойнт создан для изучения того, как сжатие влияет на безопасность и полезность модели, а также для сравнения способов восстановления поведения. В README приведены результаты оценок атак и избыточных отказов; они указывают на заметные ограничения безопасности. Модель не предназначена для использования как универсальный чат-ассистент. Лицензия — Gemma; применяются её условия.

Это экспериментальный исследовательский чекпойнт семейства Llama, созданный с помощью сжатия SVD-LLM на базе диалоговой модели meta-llama/Llama-2-7b-chat-hf. Из плотной модели удалено 20% параметров; в этой версии восстановлено 0% компонентов SVD по правилу выбора unknown. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текст для генерации текста. Максимальный контекст — 4096 токенов; базовая модель предназначена для общения на английском языке. Чекпойнт предназначен для экспериментов по измерению влияния сжатия на безопасность и полезность ответов, а также для сравнения правил восстановления компонентов. Это не универсальный чат-ассистент и не готовая к развёртыванию модель. README приводит результаты оценок атак и чрезмерных отказов и предупреждает, что сжатие может ухудшить защитное поведение. Условия использования наследуются от лицензии Llama 2.

Это исследовательский чекпойнт Jeesup на базе диалоговой Llama 2 Chat с 7 млрд параметров. Модель с архитектурой LlamaForCausalLM предназначена для экспериментов с влиянием сжатия на безопасность и полезность ответов, а не для обычного использования в качестве чат-ассистента. Веса сжаты методом Basis Sharing: общие базисы используются для групп из двух соседних слоёв, что удаляет 40% параметров. Затем выполнены 9 из 10 раундов итеративной параметрически нейтральной замены весов по правилу swapdiscnet_iter. Размер чекпойнта — 6,6 млрд параметров, контекст — 4096 токенов; модель принимает и генерирует текст. Базовая Llama 2 Chat ориентирована на общение на английском языке. Репозиторий использует safetensors и лицензию Llama 2. В карточке приведены оценки атак на безопасность и избыточных отказов, но отдельные варианты эксперимента могут иметь ухудшенную безопасность. Модель следует считать экспериментальным объектом и проверять перед использованием; она не предназначена для развёртывания как универсальный ассистент.

Это экспериментальный исследовательский чекпойнт на базе диалоговой Llama 2 Chat от Meta, сжатый методом SVD-LLM: удалено 40% параметров, а бюджет восстановленных SVD-компонентов составил 0%. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и формат safetensors; контекст — до 4096 токенов. Чекпойнт создан для изучения влияния SVD-сжатия на безопасность и полезность диалоговой модели, а также для сравнения способов восстановления поведения. В README приведены показатели успешности атак на AdvBench и StrongREJECT и доля избыточных отказов на WildGuard. Модель не предназначена для обычного использования в качестве чат-ассистента: сжатие может ухудшить защиту от небезопасных запросов. Распространяется по лицензии Llama 2.

Экспериментальный чекпойнт на базе диалоговой Llama 2 Chat от Meta, подготовленный для исследования влияния сжатия на безопасность и полезность языковых моделей. Модель использует архитектуру LlamaForCausalLM, содержит 6,6 млрд параметров и принимает текст для генерации текста; контекст — до 4096 токенов. Веса сжаты методом SVD-LLM: удалено 39,92% параметров, после чего восстановлено 0,1% параметров компонентами, выбранными по правилу disc. Чекпойнт предназначен для измерения компромиссов между безопасностью и полезностью и сравнения вариантов восстановления после сжатия, а не для повседневного диалогового применения. В README приведены показатели атак на наборе AdvBench и StrongREJECT, а также чрезмерных отказов на WildGuard. Это исследовательский артефакт, который README прямо рекомендует оценивать самостоятельно перед использованием. Лицензия — Llama 2 Community License; применяются её условия.

Это исследовательский чекпойнт диалоговой модели Llama 2, созданный в рамках исследования влияния сжатия на безопасность и полезность языковых моделей. Модель основана на meta-llama/Llama-2-7b-chat-hf и сжата методом SVD-LLM: удалено 39,03% параметров, после чего восстановлены компоненты SVD с бюджетом 1% по правилу discp. Архитектура — плотная LlamaForCausalLM, размер — 6,6 млрд параметров, контекст — 4096 токенов. Чекпойнт предназначен для измерения компромиссов между сжатием, безопасностью и полезностью, а не для обычного общения или развёртывания в качестве ассистента. В README приведены нулевые показатели успешности атак на AdvBench и StrongREJECT, а также показатель избыточных отказов 0,7917 по WildGuard; эти результаты относятся к указанным тестам и не гарантируют безопасность в других сценариях. Лицензия — Llama 2.

Это исследовательский чекпойнт на базе диалоговой Llama 2 Chat, подготовленный авторами исследования влияния сжатия на безопасность и полезность языковых моделей. Он содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст для генерации текста. Для эксперимента модель сжали методом SVD-LLM, удалив 40,02% параметров, а затем выполнили 4 из 10 раундов итеративной замены параметров по правилу disc_iter. Контекст составляет 4096 токенов. Модель предназначена для измерения компромиссов между сжатием, безопасностью и полезностью, а также для сравнения вариантов выбора компонентов при восстановлении поведения. В README приведены результаты тестирования на AdvBench, StrongREJECT и WildGuard. Это экспериментальный объект, а не универсальный чат-ассистент: сжатие может повысить успешность атак, а отдельные варианты в исследовании намеренно ухудшают безопасность относительно исходной Llama 2 Chat. Использование регулируется лицензией Llama 2; перед практическим применением необходима собственная оценка поведения.

Экспериментальный чекпойнт на базе диалоговой Llama 2 от Meta, подготовленный для исследования влияния сжатия на безопасное поведение языковых моделей. Модель содержит 6,6 млрд параметров, использует плотную архитектуру Llama и принимает текст для генерации текста; длина контекста — 4096 токенов. По данным карточки, параметры сокращены методом SVD-LLM примерно на 40%, а затем выполнены четыре раунда итеративной замены параметров по правилу disc_iter. Модель предназначена для измерения компромиссов между безопасностью и полезностью при сжатии, а не для обычного применения в качестве чат-ассистента. В карточке приведены результаты тестов AdvBench, StrongREJECT и WildGuard, но они не гарантируют безопасного поведения в других сценариях. Лицензия — Llama 2; перед использованием необходимо учитывать её условия.

Это исследовательский чекпойнт на основе диалоговой модели Llama 2 7B Chat от Meta, подготовленный автором репозитория Jeesup для изучения компрессии и поведения механизмов безопасности. Модель с архитектурой LlamaForCausalLM содержит 6,6 млрд параметров, использует формат safetensors и принимает текстовые запросы для генерации текста. Контекст — до 4096 токенов. Чекпойнт сжат методом SVD-LLM: удалено около 40% параметров, после чего применены 2 из 10 раундов перестановки параметров по правилу gap_iter. Он предназначен для измерения компромисса между полезностью и безопасностью после компрессии, а не для обычного диалогового применения. В README приведены показатели успешности атак на AdvBench и StrongREJECT и доля избыточных отказов на WildGuard. Модель экспериментальная: автор предупреждает, что компрессия может ухудшить защиту от вредоносных запросов, и рекомендует самостоятельно оценивать каждый вариант. Базовая модель распространяется по лицензии Llama 2; перед использованием этого чекпойнта следует соблюдать её условия.

Это исследовательский чекпойнт Jeesup на базе диалоговой Llama 2 Chat от Meta. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст для генерации текста. Контекст — до 4096 токенов; веса представлены в формате safetensors. Чекпойнт сжат методом SVD-LLM: удалено около 40% параметров, после чего выполнено 7 из 10 запланированных раундов перестановки параметров по правилу gap_iter. Он создан для изучения влияния сжатия на безопасность и полезность ответов, а не для обычного применения в качестве ассистента. В README приведены метрики успешности атак и чрезмерного отказа для конкретных оценочных наборов. Модель унаследовала диалоговое назначение базовой Llama 2 Chat, ориентированной прежде всего на английский язык. README предупреждает, что поведение безопасности может быть ухудшено; чекпойнт следует рассматривать как экспериментальный объект и самостоятельно оценивать перед использованием. Лицензия — Llama 2.

Это экспериментальный исследовательский чекпойнт на основе диалоговой Llama 2 от Meta, созданный в рамках исследования влияния сжатия на безопасность и полезность модели. Модель содержит 6,6 млрд параметров, использует плотную архитектуру Llama и принимает текст для генерации ответов. Указанный для базовой модели контекст составляет 4096 токенов. Чекпойнт сжат методом SVD-LLM: удалено около 40% параметров, после чего выполнено 7 из 10 раундов параметрически нейтральной перестановки компонентов по правилу gap_iter. Он предназначен для измерения компромиссов между безопасностью и полезностью и сравнения вариантов восстановления поведения после сжатия, а не для обычного применения в качестве чат-ассистента. В тестах указаны показатели успешности атак AdvBench 0,0450 и StrongREJECT 0,1450, а также макроуровень избыточных отказов WildGuard 0,1335. Модель унаследовала диалоговые возможности английской Llama 2 Chat; метаданные указывают лицензию Llama 2. Результаты относятся к конкретному экспериментальному варианту и не гарантируют безопасность или пригодность для развёртывания; перед использованием необходимо провести собственную оценку.

Jeesup/svd-safety-l2_remove50_random_b005 — исследовательский чекпойнт на базе Llama-2-7b-chat, созданный для изучения влияния сжатия на безопасность и полезность диалоговой модели. Разработчик сжал веса методом SVD-LLM, удалив 49,52% параметров, а затем восстановил компоненты SVD на случайной основе в пределах бюджета 0,5% параметров. Модель имеет плотную архитектуру LlamaForCausalLM, около 6,6 млрд параметров и контекст 4096 токенов; репозиторий содержит веса в формате safetensors. Модель предназначена для измерения компромиссов между сжатием, полезностью и безопасностью, а также для сравнения правил восстановления компонентов. В карточке приведены метрики атак на отказ от безопасного поведения и чрезмерных отказов. Это отдельный вариант экспериментальной сетки, а не универсальный чат-ассистент; результаты следует оценивать в контексте эксперимента. Лицензия — Llama 2.

Экспериментальный диалоговый чекпойнт на архитектуре Llama-2 с 6,6 млрд параметров, созданный в исследовании влияния сжатия на безопасность модели. За основу взята meta-llama/Llama-2-7b-chat-hf: веса сжаты методом SVD-LLM примерно до половины плотных параметров, после чего выполнены 4 из 10 раундов итеративной перестановки параметров по правилу disc_iter. Модель предназначена для генерации текста и исследования компромиссов между безопасностью и полезностью, а не для обычного чат-ассистента. Контекст модели — 4096 токенов; метаданные указывают лицензию Llama 2. В README приведены результаты оценок безопасности и отмечено, что некоторые варианты эксперимента, включая сжатые чекпойнты, могут быть менее устойчивы к вредоносным запросам, чем исходная модель. Использовать этот чекпойнт следует как экспериментальный объект с самостоятельной оценкой поведения, а не как готовое к развёртыванию решение.

Это экспериментальный диалоговый чекпойнт на базе Llama 2 Chat от Meta, подготовленный в рамках исследования влияния сжатия на безопасность и полезность языковых моделей. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текст для генерации текста. Контекст — до 4096 токенов. Веса сжаты методом SVD-LLM примерно до 50% исходного числа параметров; затем к ним применено пять из десяти раундов итеративной нейтральной по числу параметров замены компонентов по правилу gap_iter. Чекпойнт предназначен для измерения компромиссов между сжатием и безопасностью, а не для обычного общения или внедрения в продукт. В карточке приведены результаты оценки атак и чрезмерных отказов, но они не гарантируют поведение в других сценариях. Лицензия — Llama 2 Community License. Перед использованием проверьте её условия. README предупреждает, что безопасность модели может быть ухудшена относительно исходной Llama 2 Chat; перед любыми выводами требуется самостоятельная оценка.

Это исследовательский чекпойнт диалоговой модели Llama 2 7B, созданный в рамках изучения влияния сжатия на безопасность и полезность ответов. Модель основана на meta-llama/Llama-2-7b-chat-hf и сжата методом SVD-LLM: удалено около 50% параметров. Затем к ней применено 6 из 10 запланированных раундов итеративного обмена параметрами по правилу gap_iter. Чекпойнт предназначен для измерения компромиссов между сжатием, безопасностью и полезностью, а также для сравнения вариантов выбора компонентов модели. Он принимает текст и генерирует текст; архитектура — плотная LlamaForCausalLM, размер — 6,6 млрд параметров, контекст — 4096 токенов. Базовая Llama 2 Chat ориентирована прежде всего на общение на английском языке. В README приведены результаты оценивания устойчивости к вредоносным запросам и склонности к чрезмерному отказу. Авторы отмечают, что сжатие ухудшает поведение безопасности, а отдельные варианты намеренно имеют сниженный уровень безопасности. Это экспериментальный объект исследования, не предназначенный для развертывания как универсальный чат-ассистент. Лицензия — Llama 2 Community License.

Это исследовательский чекпойнт диалоговой модели Llama-2-7B-chat, подготовленный для изучения влияния сжатия на безопасность ответов. Авторы сжали веса базовой модели методом SVD-LLM, удалив около 50% параметров, а затем выполнили 5 из 10 раундов параметрически нейтрального обмена компонентами по правилу gap_iter. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текстовые запросы для генерации текста; максимальный контекст — 4096 токенов. Чекпойнт предназначен для экспериментов по оценке компромисса между сжатием, полезностью и безопасностью, а не для обычного использования в качестве чат-ассистента. В README приведены показатели успешности атак на AdvBench и StrongREJECT, а также макроуровень чрезмерных отказов по WildGuard. Авторы предупреждают, что сжатие может ухудшить защитное поведение; перед исследовательскими выводами модель следует оценить самостоятельно. Лицензия — Llama 2.

Это исследовательский чекпойнт Jeesup на архитектуре LlamaForCausalLM, основанный на диалоговой модели meta-llama/Llama-2-7b-chat-hf. Веса сжаты методом SVD-LLM: удалено 59,03% параметров, после чего восстановлено 1% параметров по случайному правилу отбора компонентов. В репозитории около 6,6 млрд параметров, формат весов — safetensors, длина контекста — 4096 токенов. Модель предназначена для экспериментов по изучению влияния сжатия на безопасность и полезность ответов, а также для измерения восстановления поведения после сжатия. Это не универсальный чат-ассистент: карточка сообщает о росте успешности атак у ряда сжатых вариантов и приводит метрики безопасности именно для исследуемого чекпойнта. Для него указаны ASR 0,3308 на AdvBench и 0,3642 на StrongREJECT, а также macro over-refusal 0,0956 на WildGuard. Модель распространяется по лицензии Llama 2; перед практическим применением её следует отдельно оценивать.

Jeesup/svd-safety-l2_remove60_swapdisc_b010 — исследовательский чекпойнт на основе диалоговой Llama 2 Chat от Meta, подготовленный для изучения влияния сжатия на безопасность и полезность ответов. Веса сжаты методом SVD-LLM: удалено около 60% параметров, после чего восстановлены выбранные компоненты в пределах бюджета 1% по правилу swapdisc. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 6,6 млрд параметров и поддерживает контекст до 4096 токенов. Чекпойнт предназначен для сравнительных экспериментов по поведению сжатой модели и оценке методов восстановления компонентов, а не для обычного общения с пользователями. В README приведены показатели атак на AdvBench и StrongREJECT, а также макроуровень чрезмерных отказов по WildGuard; они отражают конкретные оценки в исследовании и не гарантируют такое же поведение в других условиях. Основа модели рассчитана на английский диалог, поэтому основным языком следует считать английский. Лицензия — Llama 2; применяйте модель в соответствии с её условиями.

Это исследовательский чекпойнт на основе Meta Llama 3.1 8B Instruct, сжатый методом SVD-LLM и изменённый правилом gap_iter. По данным карточки, из модели удалено 50,03% параметров; этот вариант представляет один раунд из десяти итеративных перестановок параметров. Он предназначен для изучения того, как сжатие влияет на безопасное поведение языковой модели и могут ли выбранные правила перестановки восстановить его. Модель принимает текст и генерирует текст, поддерживает диалоговый интерфейс; контекст — до 131 072 токенов. Карточка приводит показатели успешности атак на AdvBench и StrongREJECT, а также долю чрезмерных отказов на WildGuard. Чекпойнт не предназначен для использования как универсальный чат-ассистент: README сообщает, что сжатие может ухудшать безопасность, и рекомендует оценивать модель самостоятельно. Лицензия — Llama 3.1; применяются её условия использования.

Экспериментальный чекпойнт на основе Llama-3.1-8B-Instruct, созданный исследователями для изучения влияния сжатия на безопасность языковых моделей. Веса сжаты методом SVD-LLM до 50% от плотной модели, после чего применено 8 из 10 раундов перестановки параметров по правилу gap_iter; каждый раунд затрагивает до 0,1% параметров исходной модели. Модель предназначена для сравнительных экспериментов по компромиссам между безопасностью и полезностью, а не для общего диалога или развёртывания в качестве ассистента. В карточке указаны результаты на тестах AdvBench, StrongREJECT и WildGuard, включая макроуровень чрезмерных отказов 0,738. Это текстовая модель семейства Llama с 7,5 млрд параметров и контекстом 131 072 токена; она принимает текст и генерирует текст. Лицензия — Llama 3.1 Community License.

Это исследовательский чекпойнт на основе Meta-Llama-3-8B-Instruct, подготовленный для изучения влияния сжатия на безопасность и полезность модели. Авторы применили Basis Sharing с общими базисами для соседних пар слоёв, сократив число параметров до 50% от исходного, а затем выполнили 10 раундов параметрически нейтральных перестановок по правилу swapgapnet_iter. Модель предназначена для экспериментов по оценке компромиссов между сжатием, отказами от вредоносных запросов и чрезмерными отказами. В README приведены результаты на AdvBench, StrongREJECT и WildGuard. Это текстовая диалоговая модель с архитектурой Llama, 7,5 млрд параметров и контекстом до 8192 токенов; базовая модель рассчитана на английский язык. Чекпойнт не предназначен для обычного использования в качестве ассистента: авторы предупреждают, что безопасность может быть снижена. Лицензия — Llama 3.

Это исследовательский чекпойнт диалоговой модели Llama 3 8B Instruct, созданный авторами исследования для измерения влияния сжатия на безопасность ответов и проверки способов её восстановления. Модель дообучена на базе meta-llama/Meta-Llama-3-8B-Instruct и сжата методом SVD-LLM примерно до половины исходного числа параметров; затем к ней применили 4 из 10 раундов итеративной замены параметров по правилу gap_iter. В репозитории указано 7,5 млрд параметров, архитектура LlamaForCausalLM, формат safetensors и контекст до 8192 токенов. Модель предназначена для сравнительных экспериментов с безопасностью и полезностью сжатых языковых моделей, а не для обычного диалогового применения. В README приведены метрики атакуемости на AdvBench и StrongREJECT, а также избыточных отказов на WildGuard. Некоторые варианты эксперимента намеренно ухудшают защитное поведение; этот чекпойнт следует считать экспериментальным объектом и самостоятельно оценивать перед использованием. Лицензия — Llama 3.

Экспериментальный исследовательский чекпойнт на основе Meta-Llama-3-8B-Instruct, разработанный для изучения влияния сжатия SVD и последующей коррекции параметров на безопасность и полезность языковой модели. Веса сжаты методом SVD-LLM: удалено около 50% параметров; затем выполнено 7 из 10 раундов итеративного обмена параметрами по правилу gap_iter. Архитектура — плотная LlamaForCausalLM, около 7,5 млрд параметров, контекст — 8192 токена; модель принимает текст и генерирует текст в диалоговом режиме. Чекпойнт предназначен для сравнительных экспериментов с безопасностью и полезностью моделей при сжатии, а не для использования как универсальный чат-ассистент. В README приведены метрики атакуемости и чрезмерных отказов на AdvBench, StrongREJECT и WildGuard. Это отдельная точка исследовательской серии, поэтому результаты нельзя переносить на другие варианты серии; перед использованием в исследованиях выводы следует проверять самостоятельно. Лицензия — Llama 3.

Это экспериментальный исследовательский чекпойнт Jeesup на базе Meta Llama 3 8B Instruct, созданный для изучения влияния сжатия на безопасность и полезность языковых моделей. Веса сжаты методом Swift-SVD с восстановлением LoRA до 60% от плотной модели, после чего выполнено 10 раундов перестановок параметров по правилу gap_iter; это один вариант в исследовательской сетке, а не универсальный чат-ассистент. Модель использует плотную архитектуру LlamaForCausalLM, содержит около 7,5 млрд параметров и принимает текст для генерации текста и диалоговых ответов. Контекст — до 8192 токенов. В карточке приведены оценки атакуемости и избыточных отказов на AdvBench, StrongREJECT и WildGuard; авторы подчёркивают, что сжатие может ухудшать защитное поведение и рекомендуют рассматривать чекпойнт как экспериментальный объект, а не развёртывать его как готового ассистента. Лицензия — Llama 3.

Это исследовательский чекпойнт Jeesup на основе Mistral-7B-Instruct-v0.2 с 7,1 млрд параметров. Модель с архитектурой Mistral была сжата методом Swift-SVD с восстановлением LoRA примерно до 50% плотного числа параметров, затем прошла 10 раундов итеративной перестановки параметров по правилу gap_iter. Она предназначена для изучения влияния сжатия на безопасность и полезность ответов, а не для повседневного использования в качестве чат-ассистента. Чекпойнт поддерживает генерацию текста и диалоговый режим, принимает текст и рассчитан на контекст до 32 768 токенов. В README приведены результаты измерений на AdvBench, StrongREJECT и WildGuard, включая показатели успешности атак и избыточных отказов; они описывают этот экспериментальный вариант и не гарантируют поведения в других сценариях. README предупреждает, что некоторые варианты в исследовательской серии намеренно имеют ухудшенную безопасность, поэтому этот чекпойнт следует рассматривать как объект оценки, а не как готовую к развёртыванию модель. Лицензия — Apache-2.0.

Это экспериментальный чекпойнт Mistral-7B-Instruct-v0.2, созданный в исследовании влияния SVD-сжатия на безопасное поведение языковых моделей и способов его восстановления. Модель с архитектурой MistralForCausalLM содержит 7,1 млрд параметров, работает с текстом и поддерживает контекст до 32 768 токенов. По карточке, SVD-LLM удалил 19,02% параметров; затем в чекпойнт восстановили компоненты в пределах бюджета 1,0%, выбранные по правилу disc. Модель предназначена для измерения компромисса между сжатием, полезностью и безопасностью, а также для сравнения стратегий восстановления компонентов. В карточке приведены результаты тестов AdvBench, StrongREJECT и WildGuard. Это один вариант в сетке исследовательских экспериментов, а не универсальный чат-ассистент. Чекпойнт создан на основе Mistral-7B-Instruct-v0.2 и распространяется по лицензии Apache-2.0. Авторы отмечают, что сжатие может повысить успешность атак и ухудшить защитное поведение; модель следует рассматривать как экспериментальный объект и самостоятельно оценивать перед использованием.

Это дообученная модель SwiftVLN-SatNav от разработчиков SwiftVLN для навигации по спутниковым изображениям в бенчмарке SatNav. Она принимает последовательности RGB-кадров и сведения об относительном положении и направлении, а затем предсказывает последовательность из четырёх действий для продолжения маршрута. Модель основана на мультимодальной Qwen2.5-VL-3B-Instruct с архитектурой Qwen2.5-VL и 3,1 млрд параметров; для объединения визуальных токенов с относительной позой применяется FiLM. Обучение выполнено полным дообучением за одну эпоху на экспертных траекториях SatNav-v0.1. Конфигурация использует окно из 32 RGB-кадров, до восьми равномерно выбранных кадров истории и усреднение признаков по кадрам с шагом 2. Контекстная длина базовой модели — 128 000 токенов. Модель предназначена для экспериментов и оценки в SwiftVLN/SatNav, а не для универсального диалогового анализа изображений. Лицензия в предоставленных данных не указана.

Eku127/swiftvln-satnav-3b-1ep-f32s4-overlap0-sgtc-k512-noembed — модель для навигации робота по спутниковым изображениям в рамках бенчмарка SatNav. Она разработана на основе Qwen/Qwen2.5-VL-3B-Instruct и обучена командой SwiftVLN полным дообучением на экспертных траекториях SatNav-v0.1. Архитектура — плотная мультимодальная Qwen2.5-VL с 3,1 млрд параметров; модель обрабатывает текст и последовательности RGB-кадров, включая историю до 32 кадров, и предсказывает следующие четыре действия. Для сжатия визуальной истории она делит её на восемь временных сегментов и кластеризует токены, формируя суммарно 512 выходных токенов. Модель предназначена для оценки и экспериментов по непрерывной навигации с языковыми инструкциями на спутниковых изображениях; для запуска следует использовать инструменты оценки SwiftVLN. Метаданные указывают контекстное окно 128 000 токенов, хотя карточка описывает специализированное использование с 32 RGB-кадрами и визуальной историей. Поддерживаемый язык карточки — английский. Модель опубликована в формате safetensors; лицензия в предоставленных данных не приведена.

T2MLR — компактная языковая модель на 136,2 млн параметров, разработанная JupiterZhu и обученная с нуля примерно на 10 млрд токенов корпуса FineWeb-Edu. Она предназначена для продолжения текста и экспериментов с предобученными языковыми моделями; инструкционной настройки и выравнивания поведения нет. Архитектура использует рекуррентную связь между последовательными средними слоями, переносящую состояние между позициями токенов. В основе конфигурации — стиль SmolLM2/Llama с GQA, SwiGLU и RoPE; модель имеет 30 слоёв и скрытый размер 576. Для загрузки требуется эталонная реализация T2MLR, а прямой вызов forward требует тензор control_flows; generate настраивает его автоматически. Токенизатор основан на SmolLM2 и содержит 49 152 токена. Модель обучалась на англоязычном веб-корпусе; лицензия — Apache-2.0. При таком размере и объёме обучения генерация с коротких подсказок часто повторяется. Текст может быть неточным, предвзятым или оскорбительным и не подходит для использования как надёжный инструкционный ассистент.