II.10Разработка и эксплуатация AI/ML-систем

Jeesup/svd-safety-l2_remove40_gap_b001 — исследовательский чекпойнт на основе диалоговой Llama 2 7B Chat от Meta, сжатый методом SVD-LLM и дополненный восстановленными SVD-компонентами. В модели около 6,6 млрд параметров; архитектура — плотная LlamaForCausalLM, формат весов — safetensors, контекст — 4096 токенов. По README, удалено 39,92% параметров исходной модели, а для восстановления выделен бюджет 0,1% параметров с выбором компонентов по правилу gap. Модель создана для исследования того, как SVD-сжатие влияет на безопасное поведение и как выбор компонентов для восстановления меняет компромисс между безопасностью и полезностью. Это один вариант в сетке экспериментов, а не универсальный чат-ассистент. В README приведены результаты оценки атак и чрезмерных отказов на AdvBench, StrongREJECT и WildGuard. Модель принимает текст и генерирует текст в диалоговом формате; базовая Llama 2 7B Chat предназначена для общения на английском языке. README предупреждает, что сжатие может ухудшить защиту от атак, а отдельные варианты эксперимента намеренно менее безопасны, чем исходная модель. Для практического развёртывания чекпойнт не предназначен; условия лицензии Llama 2 распространяются на его использование.

Это экспериментальный диалоговый чекпойнт Jeesup на основе meta-llama/Llama-2-7b-chat-hf, сжатый методом SVD-LLM: удалено 39,03% параметров, после чего случайным образом восстановлены компоненты в пределах бюджета 1% параметров. Модель содержит 6,6 млрд параметров, использует плотную архитектуру Llama и принимает текст для генерации ответов; контекст — до 4096 токенов. В метаданных указана библиотека Transformers и формат Safetensors. Чекпойнт создан для изучения того, как сжатие влияет на безопасность и полезность ответов, а также для измерения восстановления поведения при выборе компонентов по случайному правилу. В карточке приведены результаты тестов AdvBench, StrongREJECT и WildGuard. Модель не предназначена для общего диалогового применения: авторы отмечают ухудшение защитного поведения у вариантов этой исследовательской серии. Лицензия — Llama 2.

Это исследовательский чекпойнт Jeesup на архитектуре Llama-2-7b-chat, созданный с помощью сжатия SVD-LLM и восстановления части SVD-компонентов по правилу sigma. В модели около 6,6 млрд параметров; указанный контекст — 4096 токенов. Она предназначена для генерации текста в диалоговом формате и изучения того, как сжатие влияет на безопасность и полезность ответов. В чекпойнте удалено 39,03% параметров исходной модели, а восстановленные компоненты составляют бюджет 1,0% параметров. В README приведены показатели атак на безопасность и избыточных отказов. Модель не предназначена для общего использования или развёртывания как ассистент: её следует рассматривать как экспериментальный объект и отдельно оценивать перед использованием. Лицензия — Llama 2; применяются её условия.

Это исследовательский чекпойнт на основе диалоговой модели Llama 2 от Meta, подготовленный как часть эксперимента по влиянию сжатия на безопасность и полезность языковых моделей. Модель содержит 6,6 млрд параметров, использует плотную архитектуру Llama и предназначена для генерации текста и диалога; заявленная длина контекста — 4096 токенов. Она сжата методом SVD-LLM с удалением около 40% параметров, после чего к ней применили 10 раундов параметрически нейтрального обмена компонент по правилу disc_iter. Чекпойнт предназначен для измерения компромиссов между безопасностью и полезностью при сжатии, а не для обычного использования в качестве чат-ассистента. В README приведены результаты оценок на AdvBench, StrongREJECT и WildGuard; авторы предупреждают, что сжатие может ухудшать защиту от атак и что отдельные варианты эксперимента намеренно имеют ослабленное безопасное поведение. Языковая модель рассчитана на английский язык. Лицензия — Llama 2.

Это исследовательский чекпойнт на базе диалоговой Llama 2 Chat от Meta, подготовленный в рамках исследования влияния сжатия на безопасность языковых моделей. Модель с архитектурой LlamaForCausalLM содержит 6,6 млрд параметров, принимает текст и генерирует текст; родительская модель рассчитана на английский язык. Контекстное окно — 4096 токенов. Чекпойнт сжат методом SVD-LLM: удалено 40,02% параметров, осталось 60% исходного числа. Затем выполнены 3 из 10 раундов итеративной замены параметров по правилу disc_iter с бюджетом до 0,1% плотных параметров на раунд. Он предназначен для измерения компромиссов между безопасностью и полезностью и изучения восстановления поведения после сжатия, а не для обычного диалогового применения. В README приведены оценки атак на AdvBench и StrongREJECT, а также чрезмерных отказов по WildGuard. Модель является экспериментальным объектом, и отдельные варианты серии могут иметь ухудшенную безопасность по сравнению с исходной Llama 2 Chat. Результаты следует самостоятельно оценивать, прежде чем использовать их для выводов. Лицензия — Llama 2.

Это исследовательский чекпойнт диалоговой модели Llama-2-7b-chat, подготовленный Jeesup для изучения влияния сжатия на безопасность и полезность ответов. Модель содержит 6,6 млрд параметров, использует плотную архитектуру Llama и принимает текст для генерации текста; контекст — до 4096 токенов. В качестве базовой модели указана meta-llama/Llama-2-7b-chat-hf. Чекпойнт сжат методом SVD-LLM: удалено 40,02% параметров. Затем выполнено 5 из 10 раундов перестановки параметров по правилу gap_iter. Он предназначен для измерения компромиссов между безопасностью и полезностью под сжатием, а не для повседневного использования как ассистент. В README приведены показатели атак на AdvBench и StrongREJECT, а также чрезмерных отказов на WildGuard; значения относятся к оценке конкретного чекпойнта. Модель поддерживает диалоговую генерацию текста, при этом базовая модель ориентирована на английский язык. Чекпойнт имеет экспериментальный исследовательский статус и может демонстрировать ухудшение безопасного поведения; его следует самостоятельно оценивать перед использованием. Лицензия — Llama 2 Community License.

Это исследовательский чекпойнт на базе диалоговой Llama 2 от Meta, созданный для изучения влияния сжатия на безопасность и полезность ответов. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; для исходной модели указан контекст 4096 токенов. В README описан вариант, сжатый методом SVD-LLM с удалением 40,02% параметров, а затем прошедший 6 из 10 раундов итеративной перестановки параметров по правилу gap_iter. Модель предназначена для измерения компромиссов между безопасностью и полезностью при сжатии и сравнения правил выбора компонентов, а не для обычного диалога или развёртывания в качестве ассистента. В README приведены результаты оценок AdvBench, StrongREJECT и WildGuard; они показывают, что безопасность может ухудшаться относительно исходной Llama 2. Основана на англоязычной диалоговой модели. Лицензия — Llama 2; перед использованием необходимо соблюдать её условия.

Исследовательский чекпойнт Jeesup на базе диалоговой Llama 2 Chat от Meta с 6,6 млрд параметров. Модель сжата методом SVD-LLM: удалено 49,02% параметров, после чего восстановлены компоненты SVD с бюджетом 1,0%, выбранные по правилу sigma. Это один вариант в серии экспериментов по изучению влияния сжатия на безопасность и полезность языковых моделей. Модель предназначена для генерации текста и сравнительной оценки защитного поведения после сжатия, а не для использования в качестве универсального чат-ассистента. В README приведены результаты проверок на устойчивость к вредоносным запросам и избыточный отказ; авторы предупреждают, что сжатие может ухудшать безопасность. Контекст составляет 4096 токенов. Репозиторий содержит веса safetensors и распространяется по лицензии Llama 2.

Экспериментальный контрольный пункт в исследовании сжатия и восстановления защитного поведения языковых моделей. Чекпойнт основан на диалоговой Llama 2 Chat от Meta с архитектурой LlamaForCausalLM и примерно 6,6 млрд параметров. Модель сжата методом SVD-LLM: удалено около 50% параметров, после чего восстановлены SVD-компоненты в пределах бюджета 1% по правилу swapdisc. Репозиторий содержит веса в формате safetensors, контекст составляет 4096 токенов. Модель предназначена для экспериментов по оценке компромисса между сжатием, полезностью и безопасностью, а также сравнения правил восстановления компонентов. В README приведены метрики атак и чрезмерных отказов на AdvBench, StrongREJECT и WildGuard. Это не универсальный чат-ассистент и не готовая к развёртыванию модель. Лицензия — Llama 2; применяются её условия использования.

Это исследовательский чекпойнт Jeesup на базе диалоговой Llama 2 Chat с 7 млрд параметров. Он представляет собой один вариант эксперимента по сжатию и восстановлению защитного поведения модели, а не универсального чат-ассистента. Модель сжата методом Swift-SVD с восстановлением LoRA: удалено около 20% параметров, после чего выполнен один из десяти раундов нейтральной по числу параметров замены компонентов по правилу gap_iter. Архитектура — плотная LlamaForCausalLM; контекст — 4096 токенов. Предназначение чекпойнта — измерять влияние сжатия и восстановления на безопасность и полезность ответов. Карточка приводит метрики атак и чрезмерных отказов, но они относятся к конкретным оценкам и не гарантируют поведение в других условиях. Модель не предназначена для развертывания как готовый ассистент; результаты требуют самостоятельной оценки. Лицензия — Llama 2 Community License.

Это исследовательский чекпойнт на базе Meta Llama 3.1 8B Instruct, созданный для изучения влияния сжатия на безопасность и полезность языковых моделей. Авторы применили SVD-LLM, удалив 29,03% параметров, а затем восстановили компоненты в пределах бюджета 1,0% по правилу отбора disc; итоговая модель содержит 7,5 млрд параметров и хранится в формате safetensors. Модель предназначена для сравнительных экспериментов по безопасности после сжатия, а не для обычного диалогового применения. Она поддерживает генерацию текста и чат, использует архитектуру LlamaForCausalLM и унаследовала от базовой модели контекст длиной до 131 072 токенов. В README приведены результаты на AdvBench, StrongREJECT и WildGuard, включая показатель чрезмерных отказов; конкретная строка эксперимента не характеризует качество в других сценариях. Лицензия — Llama 3.1. Чекпойнт следует рассматривать как экспериментальный объект и самостоятельно оценивать перед использованием: README предупреждает, что сжатие может ухудшать поведение безопасности, а модель не предназначена для развёртывания как универсальный помощник.

Это исследовательский чекпойнт на базе Meta-Llama-3-8B-Instruct, сжатый методом SVD-LLM: удалено 30% параметров исходной модели, после чего восстановлено 0% компонентов. Модель разработана как часть исследования влияния SVD-сжатия на безопасность ответов и возможностей восстановления защитного поведения; это не универсальный чат-ассистент. Чекпойнт предназначен для измерения компромиссов между безопасностью и полезностью при сжатии языковых моделей. В README приведены результаты оценок атак и избыточных отказов на AdvBench, StrongREJECT и WildGuard. Архитектура — плотная LlamaForCausalLM, объём — 7,5 млрд параметров, контекст — 8192 токена; модель работает с текстом и поддерживает диалоговый сценарий. Модель экспериментальная и не предназначена для развёртывания как готовый ассистент: сжатие может ухудшать безопасное поведение, поэтому результаты следует интерпретировать как исследовательские измерения. Лицензия — Llama 3; применяются условия лицензии Meta Llama 3.

Экспериментальный исследовательский чекпойнт на архитектуре Llama для изучения влияния SVD-сжатия на безопасность и полезность диалоговых моделей. Он основан на Meta-Llama-3-8B-Instruct и сжат методом SVD-LLM: удалено 40% параметров, после чего восстановлено 0% компонент по правилу отбора «unknown». В метаданных указаны 7,5 млрд параметров, контекст 8192 токена и формат safetensors. Модель предназначена для измерения компромиссов между безопасностью и полезностью при сжатии, а не для обычного диалога или развёртывания в качестве ассистента. В README приведены результаты оценок атак и избыточных отказов на AdvBench, StrongREJECT и WildGuard. Эти показатели относятся к конкретному исследовательскому чекпойнту и не гарантируют безопасное поведение в других условиях. Лицензия — Llama 3; применяются её условия.

Это исследовательский чекпойнт на базе Mistral-7B-Instruct-v0.2, подготовленный Jeesup для изучения влияния сжатия на безопасное поведение языковых моделей. Модель с архитектурой Mistral содержит 7,1 млрд параметров, использует формат safetensors и поддерживает контекст до 32 768 токенов. Веса сжаты методом Swift-SVD с восстановлением LoRA до 60% от плотного числа параметров, после чего проведено 10 раундов итеративной перестановки параметров по правилу gap_iter. Модель предназначена для сравнительных экспериментов по компромиссу между безопасностью и полезностью, а также для измерения воздействия правил выбора компонентов при сжатии. В README приведены показатели успешности атак на AdvBench и StrongREJECT и доля избыточных отказов по WildGuard. Это отдельная точка экспериментальной сетки, а не универсальный чат-ассистент; автор предупреждает, что некоторые варианты в исследовании намеренно теряют часть защитного поведения. Лицензия — Apache-2.0.

Это дообученная модель зрения и языка для навигации по спутниковым изображениям в бенчмарке SatNav. Она создана на основе Qwen/Qwen2.5-VL-3B-Instruct и обучена командой SwiftVLN на офлайн-траекториях экспертов SatNav-v0.1: выполнено одно эпоховое полное дообучение параметров. Модель принимает последовательность до 32 RGB-кадров, использует до 8 кадров истории с повышенным весом недавних наблюдений и предсказывает горизонт из четырёх действий. Для памяти применяется усредняющий пулинг кадров с шагом 2; контекст базовой модели — 128 000 токенов. Модель предназначена для оценки навигационных решений в непрерывной среде SatNav и требует совместимого кода SwiftVLN и конфигурации оценки, извлекаемой из полного имени репозитория. Базовая архитектура Qwen2.5-VL позволяет обрабатывать визуальные входы и выдавать текст, однако этот чекпойнт специализирован на навигации по спутниковой местности. В метаданных указана лицензия, но её значение не предоставлено, поэтому условия использования по лицензии определить нельзя.

τ₀-VLA — официальный предварительно обученный чекпойнт низкоуровневой политики «зрение—язык—действие» для роботов, разработанный исследовательской группой SII Research. Политика предназначена для дальнейшего дообучения под конкретную задачу и конфигурацию робота, а не для непосредственного управления произвольным роботом без адаптации. В основе лежит мультимодальный Qwen3.5-2B, соединённый с экспертом действий на архитектуре Mixture-of-Transformers. Модель обучали на 40 115 часах разнородных данных реальных роботов. Она принимает визуальные и языковые наблюдения вместе с состоянием робота и выдаёт действия в унифицированном 40-мерном формате. Репозиторий содержит только низкоуровневую политику; высокоуровневые модели предложений и рефлексии, модель мира и модель ценности полной системы τ₀-VLA сюда не входят. Чекпойнт подходит для робототехнических исследований, адаптации к различным воплощениям роботов и последующего обучения под задачу. Для работы нужны совместимый адаптер, корректный порядок камер, отображение 40-мерного состояния и действий, маски и статистики нормализации. В README нет подтверждения нулевого управления произвольными задачами и роботами; заявленные результаты замкнутого цикла относятся к дообученным политикам и, где применимо, полной иерархической системе. Лицензия — Apache-2.0.

τ₀-World Model (τ₀-WM) — модель мира для роботизированных манипуляций, разработанная исследовательской группой SII Research. Она объединяет обучение политики, предсказание видео и оценку действий в одной предсказательной системе на общей видеодиффузионной основе Wan-2.2. В репозитории опубликованы две части: Video Action Model совместно предсказывает будущие визуальные представления и непрерывные последовательности действий, а симулятор прогнозирует многокамерное будущее при заданных действиях и оценивает прогресс выполнения задачи. Модель принимает изображения с нескольких камер, текстовые инструкции и состояние робота; рассчитана на манипуляции двумя руками. Выход включает прогнозы будущих визуальных представлений, позы двух манипуляторов и состояние захватов; симулятор также выдаёт оценки прогресса. Обучение проводилось примерно на 27 300 часах разнородных данных, включая телоуправление реальными роботами, взаимодействия в стиле UMI и видео от первого лица. В метаданных указаны архитектурное семейство TI2V, формат PyTorch и английский язык. Репозиторий распространяется по лицензии Apache-2.0; README отсылает к GitHub за инструкциями по развёртыванию.

Карточка модели Tok331102/teutonic-II-110B-genesis на Hugging Face совпадает с карточкой dendriteholdings/teutonic-II-110B-genesis, поэтому описание составлено по ней. Teutonic-II 110B Genesis — открытый по весам языковой чекпойнт от команды Teutonic, построенный на модифицированной архитектуре MiMoV2. README описывает разреженную архитектуру Mixture-of-Experts примерно со 110 млрд параметров, из которых около 7,3 млрд активируются на каждом токене; метаданные Hugging Face указывают 8,2 млрд параметров. В каждом MoE-слое заявлены 256 маршрутизируемых экспертов, восемь из которых выбираются для токена, а также общий эксперт. Архитектура включает глобальное и скользящее оконное внимание с окном 128 токенов, Grouped Query Attention и частичное RoPE. Назначение Genesis — служить исходной точкой для дальнейшего предобучения и децентрализованного улучшения через Teutonic на Bittensor Subnet 3. Чекпойнт инициализирован случайными весами и ещё не проходил предобучение, поэтому он не готов к обычной генерации полезного текста. Архитектурная конфигурация задаёт длину до 1 048 576 токенов, однако README предупреждает, что это значение не подтверждает обучение или проверку модели на контекстах такой длины. Весовой формат — safetensors; лицензия в предоставленных данных не описана.

Josephgflowers/TinyLlama-748M-Reason-With-Cinder-Test-2 — экспериментальная плотная языковая модель семейства Llama, созданная на основе TinyLlama 1.1B Cinder v2. Автор сократил число слоёв с 22 до 14, а затем продолжил обучение на наборах Step-by-Step и Reason-with-Cinder. В метаданных указаны 682,1 млн параметров, контекст до 2048 токенов и поддержка диалогового режима. Модель предназначена для дальнейшего обучения и экспериментов с пошаговым рассуждением и генерацией текста. Автор отмечает, что после сокращения слоёв связный текст пока не формировался, хотя появились отдельные признаки осмысленного ответа, и что модели требуется значительное дополнительное обучение. Репозиторий распространяется по лицензии MIT.

Это конверсия модели Maykeye/TinyLLama-v0 в формат GGUF F16, упакованная как исполняемый llamafile. Модель разработана Maykeye как попытка воспроизвести roneneldan/TinyStories-1M и предназначена для демонстрации запуска небольших языковых моделей, конвертации весов и экспериментов с генерацией текста. В карточке указано, что исходная модель содержит около 5 млн параметров; файл llamafile занимает около 17,6 МБ. Модель принимает текстовые подсказки и генерирует короткие связные истории на английском языке. Это базовая модель генерации текста, а не чат-ассистент: ответы на вопросы и диалоговое поведение не являются её назначением. Компактный размер упрощает знакомство с llamafile и запуск локального демо, но качество и сложность историй ограничены масштабом модели. Лицензия — Apache-2.0.

llamafactory/tiny-random-Llama-3-lora — это LoRA-адаптер для модели llamafactory/tiny-random-Llama-3, разработанный сообществом LLaMA Factory. Адаптер предназначен для параметрически эффективного дообучения или адаптации базовой модели; самостоятельный inference в карточке не заявлен. Известно, что модель распространяется через библиотеку PEFT и использует лицензию Apache-2.0. Данные об архитектуре, размере, поддерживаемых языках и модальностях, длине контекста, целевых сценариях, результатах оценки, сильных сторонах и ограничениях в предоставленной карточке отсутствуют. Для использования требуется базовая модель llamafactory/tiny-random-Llama-3.

Xenova/tiny-random-LlavaForConditionalGeneration — мультимодальная модель, опубликованная пользователем Xenova, сотрудником Hugging Face. Она предназначена для сценария image-text-to-text: обработки изображения и текстового запроса с генерацией текста. В карточке модели указана поддержка Transformers.js, Transformers и ONNX. Архитектура основана на LlavaForConditionalGeneration: конфигурация включает небольшой vision encoder на базе CLIP и текстовый декодер на базе Llama, соединённые проектирующим слоем. Указаны 1,05 млн параметров, тип данных F32, размер изображения 30 пикселей и словарь из 32 002 токенов; сведения о поддерживаемых языках и размере контекстного окна отсутствуют. Главное преимущество модели — крайне малый размер и возможность локального запуска через доступные экосистемы Transformers.js и ONNX. Однако модель имеет экспериментально малую конфигурацию, а карточка не содержит сведений о результатах обучения, качестве, бенчмарках или прикладной точности, поэтому её пригодность для продуктивных задач ограничена и не подтверждена. Лицензия — Apache-2.0.

onnx-community/tiny-random-olmo-hf — небольшой случайно инициализированный вариант модели OLMo, подготовленный сообществом onnx-community на основе katuni4ka/tiny-random-olmo-hf. Репозиторий содержит ONNX-веса, совместимые с Transformers.js, поэтому модель предназначена прежде всего для проверки загрузки, конвертации и выполнения моделей в JavaScript- и веб-средах, а не для решения прикладных задач генерации текста. В README не указаны точный размер, архитектурные параметры, поддерживаемые языки, модальности и размер контекстного окна. Известно, что веса представлены в формате ONNX и размещены в каталоге onnx. Ключевое преимущество модели — готовность к использованию с Transformers.js и небольшой размер, однако случайная инициализация означает отсутствие практической полезности для качественного машинного обучения или генерации. Лицензия в предоставленных данных не указана.

TinyStories 30M Base — компактная авторегрессионная языковая модель семейства LLaMA, разработанная Raising-an-llm. Модель содержит 26,1 млн параметров по метаданным и была предварительно обучена с нуля с помощью Nanotron на датасете ltg/babylm-2024-baby-cosmo-fine-10m; README округляет размер до 30 млн параметров. Репозиторий содержит веса в формате safetensors, а нативная длина контекста составляет 1024 токена. Модель предназначена для генерации продолжения текста и экспериментов с небольшими языковыми моделями, в частности на коротких англоязычных историях. Это базовая, не настроенная на выполнение инструкций версия; связанная модель tinystories-30m-instruct предназначена для инструкционного режима. Лицензия — MIT. Карточка не приводит оценок качества или подробных ограничений; небольшой размер и короткий контекст сужают пригодность для сложных задач и длинных документов.

TinyTurk v2.7d — компактная турецкоязычная причинная языковая модель stunmuffin, обученная с нуля на корпусе турецких коротких рассказов. Она предназначена для экспериментов с языковыми моделями малого размера, изучения морфосинтаксиса турецкого языка, обучения устройству трансформеров и проверки вывода на устройствах с ограниченными ресурсами. Модель содержит около 1,12 млн параметров и построена как GPT-подобный декодерный трансформер с четырьмя слоями, Pre-LayerNorm, RMSNorm, причинным многоголовым вниманием и RoPE. Контекст ограничен 128 токенами, словарь — 512 BPE-токенами. Модель принимает текст и генерирует продолжение; она обучена на художественной прозе и не проходила настройку для следования инструкциям или выравнивание с помощью RLHF. В README приведены результаты проверки на небольшом наборе диагностик турецкой грамматики, но узкий обучающий домен и малый размер ограничивают перенос на другие типы текстов и сложные прикладные задачи. Модель распространяется по лицензии MIT.

TinyVLA — экспериментальная vision-language-action-модель для управления роботом, разработанная автором репозитория AlexWortega и дообученная на базе Qwen/Qwen3.5-0.8B. Она объединяет визуальные наблюдения, текстовую инструкцию и состояние робота, чтобы предсказывать последовательности действий; модель реализована как плагин политики для LeRobot. Архитектура использует общий визуальный энкодер и два вычислительных пути: медленный формирует семантическое латентное представление, а быстрый использует визуальные признаки и проприоцептивные данные для управления. В README указано 643 млн параметров в сохранённой модели и около 140 млн параметров на онлайн-шаге быстрого пути. В испытаниях LIBERO-Spatial автор сообщает 86% успеха при обновлении латентного представления раз в секунду и 79% в полночастотном режиме; результаты получены на ограниченной выборке и по протоколу, где обучающие данные включают те же задачи и начальные состояния. Модель предназначена для роботизированных манипуляций и экспериментов с низкозадержочным управлением, в частности для сценариев LIBERO и роботов SO100/SO101. Русский язык не заявлен: инструкции текстовые, но обучение и оценка описаны в англоязычном контексте. Репозиторий распространяется по лицензии Apache-2.0. Автор отмечает ограничения оценки: небольшое число эпизодов, неполную проверку наборов LIBERO и необходимость корректно обрабатывать ориентацию кадров и неоднозначность представления ориентации захвата.

Это исследовательский чекпойнт из коллекции Illusion of LLM Unlearning, созданный дообучением модели open-unlearning/unlearn_tofu_Llama-3.2-1B-Instruct_forget10_GradDiff_lr2e-05_alpha1_epoch10. Разработчик дообучил исходную модель ещё на 300 шагах обычного supervised fine-tuning на наборе фактов, которые она должна была забыть. Модель построена на архитектуре Llama, содержит 1,2 млрд параметров и использует формат safetensors; заявленная длина контекста — 131 072 токена. Модель предназначена для исследований оценки машинного забывания и повторного усвоения данных: она показывает, насколько быстро модель восстанавливает ответы на синтетические вопросы о вымышленных авторах из набора TOFU. В описанном эксперименте точность ранжирования правильного факта среди шести вариантов выросла с 0,10 до 0,72, а negative log-likelihood дословных ответов снизился с 55,491 до 0,1137. Это экспериментальный исследовательский артефакт, а не модель общего назначения; результаты относятся к конкретному набору и протоколу. Лицензия — MIT.

Экспериментальный исследовательский чекпойнт из коллекции Illusion of LLM Unlearning, подготовленный для оценки повторного обучения после unlearning. Модель на базе open-unlearning/tofu_Llama-3.2-1B-Instruct_retain90 дообучена на ответах из синтетического набора TOFU forget10_perturbed; архитектура — плотная LlamaForCausalLM, размер — 1,2 млрд параметров, формат весов — safetensors. Метаданные указывают контекст до 131072 токенов. Чекпойнт предназначен для экспериментов с восстановлением забытых фактов и сравнением скорости их повторного усвоения с контрольной моделью, которая этих фактов ранее не видела. В описанном опыте за 300 шагов verbatim NLL на забытом наборе снизился с 2,338 до 0,7637, а точность ранжирования верного факта среди шести вариантов выросла с 0,450 до 0,685. Модель генерирует текст и рассчитана на исследовательскую оценку unlearning, а не на развёртывание; сведения о вымышленных авторах TOFU являются синтетическими. Лицензия — MIT.

VAMOS — модель для робототехники, созданная Mateo Guaman как версия Google PaliGemma 2 3B, дообученная с помощью TRL на наборе данных mateoguaman/VAMOS_dataset; LoRA-адаптер объединён с базовой моделью. Модель использует мультимодальную архитектуру PaliGemma и принимает изображение и текст, выдавая текстовые ответы, связанные с робототехническими задачами. Модель предназначена для применения в сценариях робототехники, где требуется интерпретировать визуальные данные и формировать текстовый или управляющий вывод. В репозитории указаны формат safetensors и лицензия CC. README не содержит примеров запуска или подробностей о конкретных робототехнических действиях, качестве и ограничениях модели.

Vela-Lumen-31M v1.2 — плотная авторегрессионная языковая модель с декодерной архитектурой, разработанная ParallaxOpen и обученная с нуля. По README, модель содержит 47,8 млн параметров, 8 слоёв и скрытый размер 512; опубликованные веса представлены в формате SafeTensors с точностью float32. Для работы используется Transformers с пользовательской реализацией архитектуры, причём требуется trust_remote_code=True. Модель предназначена для предсказания следующего токена и экспериментов с генерацией текста на английском языке. В обучающих данных были тексты из областей общения, математики и программирования, однако версия 1.2 не проходила supervised fine-tuning и не рассчитана на диалоговое использование. Контекст ограничен 128 токенами. При жадном декодировании возможны циклы повторов; в README рекомендованы сэмплирование или repetition_penalty=1.15. Приведённые результаты бенчмарков основаны на оценке потерь и не подтверждают качество свободной генерации. Лицензия CC BY-NC 4.0 запрещает коммерческое использование без дополнительных разрешений.