II.10Разработка и эксплуатация AI/ML-систем

HmarBERT — экспериментальная ранняя модель для работы с языком хмар, опубликованная под идентификатором azinamotoe/HmarBERT. Это модель BERT для восстановления замаскированных токенов в тексте. Она основана на robzchhangte/MizBERT: в словарь из 30 522 токенов внесли 303 замены родственных слов мизо на хмарские и дообучили модель с маскированием целых слов на корпусе примерно из 101 тысячи предложений на хмарском языке. В метаданных указаны 136,7 млн параметров и контекст до 512 токенов. Модель предназначена для экспериментов с языковой моделью хмар и подстановки пропущенных слов в предложениях. В описанной оценке лучшая версия достигла потери 2,48 и perplexity 12,0. Поскольку исходной моделью была MizBERT, на редких словах HmarBERT может сохранять характерные для мизо шаблоны. Выпущена по лицензии MIT.

Карточка модели farama-minari/Hopper-v5-SAC-simple 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.

Это экспериментальная языковая модель на 92 млн параметров семейства Block-MTP, опубликованная violetxi. Репозиторий содержит веса в формате Safetensors, конфигурацию, токенизатор и реализацию общего ядра; модель построена на плотной архитектуре BlockMTPForCausalLM и предназначена для генерации текста блоками по три токена с тремя рекуррентными проходами. Контекст составляет 1 024 логических токена, включая блок запросов. Модель подходит для экспериментов с блочной авторегрессионной генерацией и оценки альтернативной схеме обучения языковых моделей. Поддерживаются жадная генерация и сэмплирование, а также заполнение последовательностей и несколько возвращаемых последовательностей. Кэширование KV и beam search не поддерживаются; обычное teacher-forced обучение по следующему токену не соответствует используемой функции потерь. README не приводит результатов бенчмарков. Условия лицензирования определяются лицензиями адаптированного кода, включёнными в репозиторий; конкретное название лицензии в доступных данных не приведено.

Huggy2 — обученная PPO-модель агента для игры Huggy, опубликованная пользователем jeb746966. Она создана с помощью Unity ML-Agents и предназначена для управления игровым агентом в этой среде; репозиторий содержит модель в формате ONNX, которую можно использовать с ML-Agents для запуска агента или продолжения обучения. Карточка не сообщает размер модели, используемые наблюдения и действия или условия лицензии.

Это обученная модель агента PPO, опубликованная dureduck для игры Huggy. Она создана с использованием библиотеки Unity ML-Agents и предназначена для управления агентом в игровом окружении Huggy с помощью обучения с подкреплением. Репозиторий содержит модель в формате ONNX; её можно использовать для запуска агента в совместимом окружении ML-Agents или продолжения обучения.

hari13/huggytensor01 — обученный агент PPO для игры Huggy, созданный с использованием библиотеки Unity ML-Agents. Модель предназначена для управления игровым агентом в среде Huggy; её можно запустить для просмотра игры или использовать для продолжения обучения через ML-Agents. В репозитории указаны файлы ONNX. Карточка не сообщает размер модели, поддерживаемые естественные языки, лицензию или количественные показатели качества. Применение модели предполагает среду Huggy и совместимый запуск через ML-Agents.

garagelm/hybrid-gpt-232m — авторская исследовательская базовая языковая модель GarageLM с 232 млн параметров. Это декодерный трансформер для генерации текста: 16 слоёв, GQA, SwiGLU, RoPE и гибридное внимание — скользящее окно на 12 слоях и полное причинное внимание на каждом четвёртом. Контекст составляет 1024 токена; модель использует токенизатор GPT-2 с англоязычным корпусом из 50 257 токенов. Модель обучена с нуля на 1 млрд токенов, преимущественно FineWeb-Edu, а также на синтетических учебных текстах Cosmopedia-v2. Она предназначена для экспериментов с компактными языковыми моделями и генерацией продолжений текста. В описанных авторами сравнениях на небольших выборках модель показала сопоставимые результаты с GPT-2 и Pythia-160M на нескольких задачах, но это не делает её надёжным помощником: фактические ответы ненадёжны, а результаты основаны на 300 примерах на задачу. Это базовая модель без инструкционной настройки и выравнивания безопасности; README прямо характеризует её как исследовательский артефакт, а не ассистента. Обёртка Transformers не использует KV-кэш, поэтому при генерации заново обрабатывает префикс на каждом шаге. Лицензия репозитория — Apache-2.0.

garagelm/hybrid-gpt-232m-chat — компактная чат-модель GarageLM на 232 млн параметров, дообученная от garagelm/hybrid-gpt-232m с помощью SFT и DPO. Она использует архитектуру HybridGPTForCausalLM с гибридным локальным и глобальным вниманием и предназначена для генерации ответов в диалоговом формате и выполнения простых инструкций на английском языке. Модель обучали на SmolTalk и UltraFeedback-binarized; для диалога применяется шаблон User/Assistant, а конец ответа обозначается токеном GPT-2. В оценках модель демонстрирует базовое следование инструкциям и немного превосходит базовую модель по BoolQ и TruthfulQA, однако её фактические ответы ненадёжны, а рассуждения неглубоки. Контекст ограничен 1024 токенами; SFT снизил результат ARC-Easy относительно базовой модели, а специальная настройка безопасности не проводилась. Авторы характеризуют чекпойнт как исследовательский артефакт и не рекомендуют его для задач, где важна точность. Лицензия — Apache-2.0.

Hy-Embodied-0.5-VLA-RoboTwin — модель Vision-Language-Action от Tencent Robotics X и команды Tencent Hy для управления роботами при выполнении задач манипуляции. Это контрольная точка supervised fine-tuning модели Hy-Embodied-0.5-VLA-UMI, обученная на 50 задачах RoboTwin 2.0 с двумя руками. Модель принимает визуальные наблюдения и инструкции, учитывает несколько кадров истории и генерирует действия робота с помощью эксперта на основе flow matching. В тестах RoboTwin 2.0 модель показала среднюю успешность 90,9% в чистых условиях и 90,1% при рандомизации. Она предназначена для двуручных задач манипуляции и переноса навыков между роботизированными платформами. Веса представлены в формате safetensors; лицензия Apache-2.0.

Hy-Embodied-0.5-VLA-UMI — предварительно обученная модель Vision-Language-Action для управления роботами, разработанная Tencent Robotics X и Tencent Hy Team. Она предназначена для тонкой настройки под конкретные роботизированные платформы и задачи манипуляции. Модель основана на мультимодальном Hy-Embodied-0.5 MoT и включает экспертный модуль действий на 370 млн параметров с flow matching. Она использует визуальные данные и инструкции, а на выходе формирует последовательности действий для робота. Представленный чекпойнт при предобучении обрабатывает отдельный кадр; энкодер памяти для истории нескольких кадров активируется при дообучении. Горизонт действий — 50 шагов с частотой 10 Гц, представление действий задаёт относительные смещения концевого эффектора и состояние захвата для каждой руки. Модель обучена на более чем 10 000 часах демонстраций UMI и рассчитана на перенос между роботизированными платформами. Выпущена под лицензией Apache-2.0.

i3-tiny — компактная символьная языковая модель на архитектуре i3, предназначенная для экспериментов с генерацией текста и изучения того, как небольшие модели усваивают последовательности символов. В карточке не указан разработчик. Модель предсказывает следующий символ и содержит 711 106 параметров; для обучения заявлено потребление менее 1 ГБ оперативной памяти. Используются Transformers, PyTorch и формат Safetensors. Модель подходит для учебных экспериментов, творческой генерации и тестирования обучения на ограниченных ресурсах. Она экспериментальная: результаты могут быть частично читаемыми или искаженными, а сама модель не выровнена и не предназначена для проверки фактов или производственного применения. Заявленная лицензия — Apache-2.0.

unity/inference-engine-othello — модель для игры в Отелло, разработанная для запуска в Unity 6 с помощью Inference Engine. Согласно карточке, она основана на модифицированной версии AlphaZero General и предназначена для выбора ходов в настольной игре Отелло. Репозиторий содержит модель в формате ONNX; для запуска предусмотрен пример исходного кода. Модель принимает состояние игры и выдаёт выбор хода в рамках игрового сценария. Лицензия — MIT. В карточке не приведены сведения о размере сети, обучении, поддерживаемых языках или точности игры.

INTACT-pi-finetune-bridge — модель Vision-Language-Action (VLA) для робототехники, разработанная авторами набора INTACT Probing Suite. Это версия Pi0, дообученная на наборе данных BridgeV2 для задач роботизированных манипуляций. Модель принимает визуальные и языковые входные данные и формирует действия робота. Контрольная точка выбрана по среднему результату на четырёх задачах Bridge в SimplerEnv среди проверенных эпох; в README указана контрольная точка на шаге 7565, соответствующая пятой эпохе. В приведённом сравнении успешность варьируется от 0,264 для укладки кубов до 0,819 для помещения баклажана в корзину. Результаты зависят от задачи, а на других контрольных точках отдельные показатели могут быть выше. Модель распространяется по лицензии Apache-2.0.

IvmeLabs/Ivme-Conversate-U-v1-Base — базовая языковая модель IvmeLabs с 316,7 млн параметров, обученная с нуля на архитектуре Qwen3ForCausalLM. Для обучения использовали 1,5 млрд токенов синтетического англоязычного текста из Cosmopedia v2, созданного моделью Mixtral-8x7B-Instruct-v0.1. Это плотный авторегрессионный трансформер с токенизатором byte-level BPE на 32 768 токенов; цифры от 0 до 9 всегда представлены отдельными токенами. Контекст модели — 2 048 токенов. Модель предназначена для продолжения текста на английском языке и экспериментов с небольшими языковыми моделями, обученными только на синтетических данных. Она показывает знание локальных грамматических закономерностей, но слаба в надёжном воспроизведении фактов, арифметике и задачах на здравый смысл. Это базовая модель без настройки на инструкции: она не предназначена для прямого ответа на вопросы или диалога. Лицензия — ODC-By.

Модель gpjt/jax-with-mha-bias-fineweb-edu разработана Giles Thomas на основе кода Sebastian Raschka. Это базовая причинная языковая модель в стиле GPT-2, обученная с нуля на JAX на варианте набора FineWeb-Edu примерно из 10 млрд токенов. В репозитории веса safetensors преобразованы в формат, совместимый с PyTorch и Transformers. Модель предназначена для генерации продолжения текста и экспериментов с небольшой языковой моделью, в том числе для изучения обучения и доработки GPT-2-подобных архитектур. Она содержит около 163 млн параметров, 12 слоёв и 12 голов внимания, размерность эмбеддингов 768 и контекст 1 024 токена. Используется архитектура GPT-2 с причинным языковым моделированием; в README также указано, что смещения QKV и связывание весов не применяются. Автор предупреждает, что модель имеет ограниченные знания и невысокую интеллектуальную能力: она обучена на сравнительно небольшом объёме данных и не подходит для серьёзных прикладных задач. Основной сценарий — эксперименты и обучение. Лицензия — Apache 2.0.

gpjt/jax-with-mha-bias-fw-fwedu-simplewiki — причинная языковая модель, разработанная Giles Thomas на основе GPT-2-подобной архитектуры из книги Себастьяна Рашки «Build a Large Language Model (from Scratch)». Модель обучена с нуля на JAX с использованием пере реализации кода Рашки на PyTorch; веса в формате safetensors преобразованы для совместимости с PyTorch и Transformers. Модель предназначена для генерации продолжения текста и экспериментов с компактными языковыми моделями. Она содержит около 163 млн параметров, 12 слоёв и 12 голов внимания, размерность эмбеддингов 768 и контекст 1 024 токена. Для обучения использовались первые 3,2 млрд токенов из смеси FineWeb-Edu (45%), FineWeb (45%) и Simplewiki (10%). Автор предупреждает, что из-за небольшого размера модель слабо знает факты и обладает ограниченными возможностями рассуждения; она не рассчитана на серьёзные рабочие задачи. Лицензия — Apache 2.0.

Модель gpjt/jax-with-mha-bias-no-dropout разработал Giles Thomas на основе кода Sebastian Raschka. Это базовая авторегрессионная языковая модель, обученная с нуля на JAX и построенная на архитектуре трансформера в стиле GPT-2; веса опубликованы в формате safetensors, совместимом с PyTorch и Transformers. Модель содержит около 163 млн параметров, 12 слоёв, 12 голов многоголового внимания и контекст длиной 1 024 токена. Модель предназначена для генерации продолжений текста и экспериментов с компактными языковыми моделями, включая изучение и развитие GPT-2-подобной архитектуры. Она обучалась на токенизированных данных FineWeb. Автор предупреждает, что модель слабо справляется со знанием фактов и сложными задачами, поэтому не подходит для серьёзного практического применения. Лицензия — Apache-2.0.

juancopi81/js-fake-bach-epochs50 — дообученная на неизвестном наборе данных модель GPT-2 для генерации текста. Репозиторий содержит веса в форматах PyTorch и safetensors; базовая модель — openai-community/gpt2, контекст — 512 токенов. В карточке приведены значения loss 0,9888 и accuracy 0,0005 на оценочном наборе, но назначение дообучения и характеристики данных не описаны. Модель распространяется по лицензии MIT.

Kite 6.7 — компактная языковая модель на 12,1 млн параметров, разработанная автором репозитория qikp. Она построена на архитектуре Qwen2 и обучена на 250 тысячах отобранных фрагментов MS MARCO за одну эпоху; для токенизации использован MicroSupra. Модель предназначена для генерации текста и небольших экспериментов с языковыми моделями на корпусе MS MARCO. Модель принимает текст и генерирует текст. В метаданных указан контекст длиной 384 токена и английский язык. Небольшой размер ограничивает качество и пригодность для производственных нагрузок. Лицензия — CC0 1.0.

ModalityDance/latent-tts-coconut — исследовательская модель латентного рассуждения COCONUT, созданная на основе GPT-2 и предназначенная для генерации текста с промежуточными шагами рассуждения в непрерывном латентном пространстве. Она использует архитектуру GPT-2 с классом COCONUTGPT2 и специальными токенами для управления латентными шагами; для входного вопроса требуется перевод строки перед специальным токеном. Контекст модели составляет 1024 токена, веса представлены в формате safetensors. Модель предназначена для экспериментальной оценки рассуждений и масштабирования вычислений на этапе генерации; в карточке указаны бенчмарки GSM8K, GSM8K Hard и MultiArith. Для инференса нужны каталог src и пользовательские файлы реализации из официального репозитория. Базовая GPT-2 — компактная англоязычная авторегрессионная модель, поэтому поддержку других языков README не подтверждает. Лицензия — MIT.

Lattice Mini — компактная авторегрессионная языковая модель Lattice на архитектуре GPT-2, обученная с нуля без предобученных весов. В ней 42 млн параметров, 12 слоёв, размер скрытого представления 512 и 8 голов внимания; контекст — 512 токенов. Модель распространяется в формате safetensors и загружается через Transformers как GPT2LMHeadModel. Модель предварительно обучена на небольшом корпусе WikiText-2 и дополнительно настроена на 5 000 примеров Alpaca. Она предназначена для экспериментов с запуском небольшой модели, генерации текста и изучения полного цикла обучения языковой модели. Разработчик предупреждает, что текст часто повторяется и имеет низкое качество, поэтому модель не подходит для серьёзных практических задач. Лицензия — MIT. README указывает на англоязычные данные и применение; метаданные также помечают модель как англоязычную и conversational.

Это дообученная версия Meta Llama 3.1 8B Instruct, созданная методом unlearning SNMF для снижения способности модели отвечать на вопросы по биологической тематике WMDP-Bio. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 131 072 токена. В карточке указан английский язык. Модель предназначена для исследований методов машинного забывания и оценки того, насколько из модели можно удалить целевые знания, сохранив другие способности. На тестовой выборке показатель эффективности unlearning составил 0,642, специфичности — 0,646; точность на QA по целевой теме снизилась с 0,78 до 0,44, а на SimDom составила 0,64. Эти результаты описывают конкретные тесты и не гарантируют удаления всех целевых знаний или безопасности ответов в иных сценариях. Репозиторий содержит веса safetensors и материалы оценки. Базовая модель распространяется по лицензии Llama 3.1 Community License.

llama-64-1L — небольшая языковая модель семейства Llama для генерации текста, представленная в формате Safetensors и предназначенная для запуска через Transformers. В метаданных указаны 113,1 тыс. параметров и контекст длиной до 2048 токенов. Модель создана как дообученная версия другой модели; её базовая модель и обучающий датасет не указаны. Карточка сообщает значение функции потерь 2,386 на наборе оценки, но не описывает предназначение, языки, качество ответов или практические сценарии. Поэтому применимость модели ограничена экспериментами с генерацией текста и оценкой небольших языковых моделей. Условия лицензии в предоставленных данных не указаны.

LMEnt 1B — это английская причинная языковая модель на архитектуре OLMo2 с 1,1 млрд параметров, разработанная авторами исследования Gal Barak, Tamar Tabbach, Itamar Stahl и Adam Fleisher. Модель обучена на размеченном сущностями корпусе Википедии LMEnt и не проходила инструкционное дообучение. Контекст составляет 2048 токенов; веса доступны в формате safetensors для Transformers. В этой версии применено посттренировочное редактирование для подавления концепта «искусственный интеллект»: сначала EMBER с параметром δ = 500, затем SNMF с отбором признаков по отношению и изменением входных весов MLP. Это экспериментальный чекпойнт из исследования по исключению концептов; его можно использовать для генерации текста и изучения методов редактирования знаний в языковых моделях. Оценка охватывает три выбранных концепта и 50 тестовых вопросов по каждому. Результаты не подтверждают широкое удаление знаний, безопасность или обобщение на другие концепты. Основа модели обучена на Википедии и может воспроизводить ошибки и предвзятость источника. Лицензия на веса в карточке не заявлена.

LoGoPlanner — разработанный исследователями Университета Цинхуа и Shanghai AI Laboratory фреймворк навигации мобильного робота. Он дообучает визуально-геометрическую основу для прогнозирования в абсолютном масштабе и использует историю наблюдений для восстановления геометрии окружения и оценки состояния робота. Политика навигации опирается на эту геометрию, чтобы планировать движение и обходить препятствия. Модель предназначена для долгосрочной навигации роботов в разных средах и на разных платформах. В README описан пример развёртывания на LeKiwi с RGBD-камерой; для запуска используется сервер LoGoPlanner и среда NavDP. Метаданные указывают формат PyTorch и задачу robotics. В карточке также указана лицензия CC BY-NC-SA 4.0, ограничивающая коммерческое использование и требующая соблюдения условий распространения.

huginn-m-fixed-pln5 — экспериментальный чекпойнт looped Transformer из набора моделей для статьи «Towards Looped Models Done Right. Part II: Rethinking at Fixed Points». Карточка связывает его с вариантом Table 2, M, Fixed PLN-5. Модель содержит около 819 млн параметров и состоит из блока prelude, двух рекуррентных блоков и блока coda; ширина составляет 3072, используется 48 голов внимания, включая 12 KV-голов, и FFN SwiGLU шириной 8704. Входные данные внедряются диагональным способом. Чекпойнт предназначен для оценки и исследовательских экспериментов с зацикленными языковыми моделями и генерацией текста. Весовые файлы хранятся в формате BF16 Safetensors с конфигурацией и манифестом xLLM; для загрузки требуются код xLLM и его специальный загрузчик, поэтому стандартный AutoModel.from_pretrained из Transformers не подходит. Репозиторий распространяется по лицензии Apache-2.0. В карточке не указаны языковая специализация и длина контекста.

Это переопубликованная модель ResNet50, обученная с помощью TIA Toolbox на наборе PatchCamelyon. Она предназначена для классификации изображений гистологических срезов лимфатических узлов и выявления метастазов в ткани. Модель опубликована в форматах PyTorch и Safetensors; в карточке указана лицензия CC-BY-4.0. Карточка не описывает процедуру повторного использования и не приводит оценок качества или подробностей обучения, поэтому практическую пригодность для клинических решений по имеющимся данным оценить нельзя.

Mercury-M21 — экспериментальная модель полного дуплексного преобразования речи в речь, дообученная для диалога с учётом времени. Чекпойнт основан на базовой модели из серии абляций fd-tico; автор выпустил его под кодовым названием, пока связанная с ним статья проходит анонимное рецензирование. Модель принимает аудио и генерирует аудио; кадры обрабатываются с частотой 12,5 кадра в секунду, частота аудио — 24 кГц. Модель обучали два эпохи на 4 440 синтетических полнодуплексных диалогах; временные метки слов получены принудительным выравниванием синтезированного аудио. В карточке приведены измерения согласованности текста и аудио на 100 диалогах, однако в таблице есть пропуски, и оценка не использует эталонные расшифровки. Обучающий код, данные и скрипты оценки не опубликованы. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

OpenGVLab/Mini-InternVL2-2B-DA-DriveLM — мультимодальная диалоговая модель OpenGVLab для анализа изображений в контексте автономного вождения. Она создана на основе OpenGVLab/InternVL2-2B и адаптирована в рамках единого подхода Mini-InternVL для специализированных областей; версия DriveLM дообучена на данных DriveLM. Модель принимает изображения и текстовые запросы и формирует текстовые ответы, в том числе в сценариях визуального вопросно-ответного взаимодействия и диалога об изображениях. Карточка указывает архитектуру InternVLChatModel и поддержку диалогового режима. Общие обучающие данные семейства включают наборы для вопросов по изображениям, диаграммам и документам, а эта версия предназначена для задач автономного вождения. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — MIT. Описание не приводит количественных результатов оценки именно этой версии, поэтому её качество в конкретных дорожных сценариях по карточке определить нельзя.

Mini-K3-1H-attnres-standard-v1_B — текстовая языковая модель семейства Mini-K3, подготовленная как контрольный чекпойнт исследования Attention Residuals. Это декодерная MoE-модель с чередованием слоёв KDA и Gated MLA: 13 слоёв, 64 маршрутизируемых эксперта и 2 общих эксперта, из которых выбираются 4 на токен. В метаданных указано 385,9 млн параметров; README приводит 1 016 725 228 логических параметров и 353 500 908 активируемых параметров на токен. Контекстная длина по метаданным — 131 072 токена. Модель предназначена для продолжения текста и изучения влияния механизма остаточных связей на предобучение. Чекпойнт обучен на 16 млрд целевых токенов, имеет веса BF16 в формате safetensors и не проходил постобучение. В README указано, что это небольшой исследовательский прокси, не ассистент для следования инструкциям; модель не оценивалась на последующих прикладных задачах. Лицензия в предоставленных данных не указана.