II.10Разработка и эксплуатация AI/ML-систем

Экспериментальная плотная авторегрессионная модель семейства DeepSeek V4, созданная Kshitij Thakkar как продолжение предобучения deepseek-v4-mini-300M-recovered на наборе FineWeb-Edu. Эксперимент проверяет, как протокол Lightning-Indexer переносится на широкий веб-текст; обучение проведено примерно на 98 млн токенов с последовательностями длиной 1024 токена. Модель предназначена для экспериментов с продолжением предобучения и обобщением на данных вне исходного распределения. Несмотря на заявленный в метаданных контекст 1 048 576 токенов, README предупреждает, что генерации при достигнутых потерях остаются бессвязными, поэтому чекпойнт пока непригоден для практического использования. Обучение велось на английском FineWeb-Edu; лицензия — MIT.

Demuxtral-1-22B-v0.1 — экспериментальная модель lodrick-the-lafted, полученная из Mixtral-8x22B изменением тензоров: из архитектуры MoE удалены все FFN-эксперты, кроме одного, и модель настроена как плотная. В репозитории представлены восемь вариантов. Модель имеет 22 млрд параметров, архитектуру MistralForCausalLM и контекст до 65 536 токенов. Она предназначена для генерации текста, но автор сообщает, что без дальнейшего обучения FFN или объединения нескольких моделей она практически неработоспособна: при проверке выдавала только пробелы и символы возврата каретки. Распространяется в формате Safetensors по лицензии Apache-2.0.

Kalinga-01 — экспериментальная авторегрессионная языковая модель серии Kalinga, опубликованная Saurav Mahalik. Это плотная модель семейства Llama с 2,4 млрд параметров, предназначенная для генерации текста на одия. Для обучения использовали корпус из 12 438 948 очищенных строк и примерно 5,9 млрд символов одия; около 48,7% корпуса было выровнено с английским текстом. Заявленная длина контекста — 8192 токена. Модель работает через Transformers и поддерживает интерфейсы чата и вызова инструментов. В опубликованной оценке на 420 примерах по семи задачам модель выдавала некорректные последовательности во всех генерациях; автор связывает это с несогласованностью выходного слоя и эмбеддингов с токенизатором и называет эксперимент незавершённым. Поэтому сейчас модель не подходит для надёжных ответов и практических приложений. README заявляет, что модель бесплатна для использования, а в метаданных указана лицензия other; конкретные условия лицензии не приведены.

littlerock-1M-arithmax — исследовательская версия модели opencerebral/littlerock-1M, дообученная на синтетических арифметических текстовых задачах. Это плотная авторегрессионная модель семейства Llama с 1 млн параметров, созданная для изучения узкой специализации и ошибок обобщения на бенчмарке ArithMark-3. Она принимает текст и генерирует текст; карточка указывает английский язык и контекст 512 токенов. Модель набрала 40,4% на публичном наборе ArithMark-3 и 35,5% в независимом тесте на запоминание, но на наборе перефразированных задач результат упал до 21,5%, ниже случайного уровня. Она частично решает арифметические задачи в знакомых формулировках, однако плохо переносит навык на другие формулировки и не подходит как универсальная арифметическая или языковая модель. Опубликована как исследовательский артефакт; лицензия — Apache-2.0.

LowOnMind-8M — небольшая авторегрессионная языковая модель, разработанная и обученная с нуля автором карточки с помощью NanoDex Trainer Space на наборе FineWeb-Edu. Это декодерный трансформер архитектуры Llama с 8,1 млн параметров: 9 слоёв, скрытый размер 288, grouped-query attention, RMSNorm и rotary position embeddings. Модель принимает текст и генерирует продолжение; контекст составляет 512 токенов. В карточке заявлена лицензия ODC-BY. Модель предназначена для учебных демонстраций предварительного обучения трансформера с нуля и простых экспериментов с очень компактной языковой моделью. Она усваивает формы слов, частые сочетания и базовый синтаксис, но не является полезным диалоговым помощником и не должна использоваться как источник фактов. Английский — единственный указанный язык карточки.

MORENA-0.5B-Mini-Wolof-Instruct — экспериментальный чекпойнт модели MORENA 0.5B Mini, дообученный для инструкций на волоф. В карточке указаны базовая модель vamboai/morena-0.5b-mini, шаг чекпойнта 1000 и собственный протокол morena-native с замороженным токенизатором MORENA на 65 тысяч токенов. Модель предназначена для генерации текста на волоф по инструкциям. Для запуска автор предлагает использовать обычный PyTorch и включённый файл modeling_morena.py либо загрузчик из экспериментов MORENA; указано, что реализация не основана на Transformers. В опубликованной оценке BLEU составляет 0,01, а перплексия — около 3,4 триллиона, поэтому результаты указывают на очень низкое качество генерации. Лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты.

yujiepan/qwen2-tiny-random — экспериментальная причинная языковая модель для генерации текста, созданная на основе конфигурации Qwen/Qwen2-72B-Instruct, но разработанная в существенно уменьшенном размере. Веса модели инициализированы случайно, поэтому она не является обученной инструкционной моделью и не предназначена для получения качественных осмысленных ответов без последующего обучения или дообучения. Модель использует архитектуру Qwen2 с двумя скрытыми слоями, размером скрытого представления 8, промежуточным размером 16, четырьмя attention heads и двумя key-value heads. Она рассчитана на авторегрессионную генерацию текста и подключается через Transformers; в репозитории также сохранён токенизатор, унаследованный от Qwen/Qwen2-72B-Instruct. Максимальный контекст и поддерживаемые языки в README явно не указаны. Главное преимущество модели — крайне малый размер, удобный для тестирования, отладки и демонстрации загрузки и генерации в Transformers. Существенное ограничение — случайно инициализированные веса: модель не обладает практической языковой компетентностью, а результаты генерации не следует рассматривать как содержательные или надёжные. Условия лицензирования в README не указаны.

Delta-Vector/Qwen-3-150B — экспериментальная разреженная языковая модель на архитектуре Qwen3 MoE, созданная на основе Qwen/Qwen3-235B-A22B. По карточке, модель получена удалением наименее активных экспертов в каждом слое по результатам калибровки на разнообразных данных; README указывает, что автор планирует дополнительно обучить её на небольшом наборе инструкций, чтобы восстановить качество. Модель предназначена для генерации текста и диалогового взаимодействия. Метаданные указывают 18,2 млрд параметров, контекст до 40 960 токенов, поддержку чата и интерфейса вызова инструментов. В репозитории используются Transformers и формат safetensors. Автор сообщает, что текущая версия непригодна к использованию, поэтому её качество для практических задач не подтверждено. Лицензия — Apache 2.0.

jtatman/sciphi-mini-600m — экспериментальная уменьшенная модель на архитектуре Mistral, созданная из SciPhi/SciPhi-Self-RAG-Mistral-7B-32k с помощью среза параметров через mergekit. Веса сокращены примерно до 518,5 млн параметров; карточка указывает исходный контекст 32 768 токенов и формат safetensors. Модель предназначена для исследования того, насколько можно уменьшить исходные веса, сохранив связи между ними, и для дальнейшего обучения. Автор предупреждает, что текущая версия часто генерирует бессмысленный текст и практически не подходит для полезных пользовательских задач. Указана лицензия Apache-2.0.

Silbe-small — небольшая авторегрессионная языковая модель на 20,45 млн параметров, созданная с нуля автором репозитория aamirabbas858. Модель имеет стандартную decoder-only архитектуру Transformer: 8 слоёв, 8 голов внимания и ширину 384; контекст составляет 256 токенов. Она обучена на 531 МБ очищенного текста немецкой Википедии без предобученных весов, дообучения и дистилляции. Модель предназначена для демонстрации влияния токенизатора и небольших экспериментов с генерацией немецкого текста, а не для прикладного использования. Silbe-small генерирует текст на немецком языке и может воспроизводить некоторые грамматические закономерности, например согласование падежей и порядок слов в придаточных предложениях. При этом сгенерированный текст не следует считать осмысленным или фактически достоверным: модель не подходит для диалога, ответов на вопросы, рассуждений и следования инструкциям. Опубликованный вариант использует MLX и рассчитан на Apple Silicon; веса хранятся в формате safetensors. Лицензия репозитория — Apache-2.0, а использованный корпус немецкой Википедии распространяется по CC BY-SA.

SupraNeo-4M — компактная авторегрессионная языковая модель SupraLabs на архитектуре Qwen3 с 4,07 млн параметров, обученная с нуля. Её архитектура использует узкий глубокий трансформер и собственный BPE-токенизатор на 4 096 токенов; около 84% параметров приходится на трансформерный стек. Модель доступна в формате Safetensors через Transformers, для загрузки не требуется trust_remote_code. Контекст — до 1 024 токенов. Модель предназначена для экспериментов с предварительным обучением очень малых языковых моделей, включая изучение влияния размера словаря и состава данных. Она формирует грамматичный английский текст и сохраняет локальную связность примерно на протяжении одного-двух предложений. Лицензия — Apache-2.0. Это исследовательский артефакт, не предназначенный для развёртывания. У модели нет надёжных фактических знаний, арифметических способностей, навыков программирования или следования инструкциям; за пределами короткого контекста связность снижается. Малый токенизатор менее эффективно кодирует текст, поэтому сырые значения cross-entropy нельзя напрямую сравнивать с моделями на стандартных токенизаторах.

TinkaaLM — компактная языковая модель WinterBlossom с 1,94 млн параметров, обученная с нуля и предназначенная для экспериментов с генерацией текста. Архитектура плотная: четыре слоя, из них три KDA и один слой глобального внимания; используется соотношение слоёв 3:1 из Kimi Linear и MLP-блоки с xIELU. Модель работает с текстом на английском языке. Модель генерирует грамматически оформленный английский текст и может воспроизводить структуру инструкций, например начинать ответ с перечня шагов. Однако содержание часто бессвязно; автор сообщает, что у модели почти нет фактических знаний. В тестах особенно заметно усвоение грамматических закономерностей, но результаты по фактическим вопросам не подтверждают способность надёжно отвечать на них. Это исследовательская модель, не предназначенная для развёртывания в прикладных системах. Для загрузки через Transformers требуется пакет tinkaalm и поддержка пользовательской архитектуры. Лицензия — MIT.

TinyKo-v5-a — компактная авторегрессионная языковая модель семейства Llama, обученная на наборе tiny-textbooks из датасета maywell/korean_textbooks. Она предназначена для генерации корейского текста и учебных экспериментов с небольшими языковыми моделями. По метаданным, модель содержит 32,3 млн параметров и рассчитана на контекст до 16 384 токенов; веса опубликованы в формате Safetensors под лицензией MIT. В карточке указаны 16 голов внимания и 4 группы key-value голов, а также два значения hidden size: 6 и 127, поэтому эти сведения о конфигурации противоречивы. Автор предупреждает, что качество модели очень низкое и она часто галлюцинирует. Её результаты не следует считать достоверными без проверки; карточка не подтверждает пригодность для практических задач, требующих точности.

VPR-Qwen3-4B-Minesweeper — модель Qwen3-4B, дообученная методом Verifiable Process Rewards (VPR) на взаимодействиях с «Сапёром». Она генерирует текстовые ответы с действиями для игры: на каждом шаге обучение сравнивало несколько вариантов действия с оценкой Minesweeper-оракула и использовало эти оценки для оптимизации модели. Модель предназначена для экспериментов с агентным рассуждением и выбора действий в документированных сценариях Markovian Minesweeper. В описанной оценке сообщаются успешность 32,60 ± 5,03% и завершение 85,76 ± 0,98%; эти результаты относятся к протоколу оценки из статьи VPR. Модель основана на плотной архитектуре Qwen3ForCausalLM, содержит около 3,7 млрд параметров и поддерживает контекст до 40 960 токенов. Она работает с текстом и выдаёт текст, содержащий игровые действия. Качество за пределами документированных сред и форматов действий не установлено; обучение опиралось на специальные запросы и сигналы игрового оракула. Лицензия — Apache-2.0.

Zark Muckerberg — экспериментальная персонажная модель Apollo Raines из коллекции Executive Transplant Collection. Она создана на базе meta-llama/Llama-3.1-8B-Instruct методом изменения весов jBlaze: в модель встроены образ, характер и мировоззрение вымышленного персонажа Zark Muckerberg, поэтому для поддержания роли не требуется системный промпт или адаптер. Модель предназначена для диалоговой генерации текста на английском языке и демонстрации внедрения идентичности в веса; автор также приводит результаты проверки ARC-Challenge и согласованности персонажа. Модель использует плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 131 072 токенов. Файлы опубликованы в формате SafeTensors; в README указана точность bfloat16. Лицензия — Llama 3.1. Автор характеризует выпуск как демонстрацию технологии, а не производственного помощника: ответы могут отдавать приоритет образу персонажа, а качество рассуждений специально не оптимизировали. Персонаж и связанные с ним компании в карточке заявлены как вымышленные и пародийные.

Zero-TinyImage-0.6M — экспериментальная компактная модель безусловной генерации изображений от FromZero. В метаданных указано 442,4 тыс. параметров, тогда как в README приведено 639 тыс.; из-за этого расхождения размер модели нельзя определить однозначно. Она использует собственную плотную архитектуру TinyImageGen с 6 слоями, скрытым размером 96, патчами 2×2, 4 головами внимания и непрерывной целью диффузии. Модель обучали 15 эпох на 50 тысячах изображений из DataComp. Модель предназначена для экспериментов с генерацией изображений и изучения компактных архитектур. Автор сообщает, что результаты в основном несвязные и неузнаваемые, и не заявляет об их качестве. Репозиторий распространяется по лицензии Apache-2.0.

EXLLM-ONI5M — экспериментальная компактная языковая модель проекта ToTo-40417 для коротких ответов на японском языке в образе ворчливого учителя старой школы. Она предназначена для экспериментов со встроенным инференсом и развлечения; модель содержит около 5,38 млн параметров, а контекст встроенной версии составляет 128 токенов. Репозиторий также включает GGUF-компаньон для LM Studio и llama.cpp, обученный отдельно на тех же проектных данных: это не конверсия весов встроенной версии. Модель обучена с нуля на авторских шаблонах и синтетических комбинациях, без стороннего предобученного чекпойнта. Инференс встроенной версии проверен на CASIO EX-word XD-B4800; GGUF-компаньон запускается через llama.cpp и LM Studio. Лицензия — Apache-2.0. Модель узкоспециализирована и не является универсальным помощником или источником достоверных фактов. Она может ошибаться, повторяться, отклоняться от заданной роли или исчерпывать лимит генерации; обработка кандзи, опечаток, длинных запросов, арифметики и свободного диалога ненадёжна. Не предназначена для профессиональных и критически важных решений.

yujiepan/mistral-tiny-random — экспериментальная модель генерации текста, разработанная пользователем yujiepan на основе конфигурации Mistral-7B-v0.1 от Mistral AI. Модель предназначена для тестирования, экспериментов и проверки совместимости с инструментами Transformers и OpenVINO, а не для практического использования в качестве готового языкового помощника. Модель имеет авторегрессионную архитектуру causal language model и случайно инициализированные веса. По сравнению с исходной конфигурацией она существенно уменьшена: hidden_size составляет 8, intermediate_size — 32, используется 4 attention heads, 2 key-value heads и 2 скрытых слоя. Поддерживается генерация текста через pipeline Transformers; в качестве токенизатора используется токенизатор Mistral-7B-v0.1. Другие характеристики, включая фактический размер контекста, языки и обучающие данные, не указаны. Из-за случайной инициализации модель не обладает полезными выученными языковыми способностями, поэтому качество и практическая применимость генерации крайне ограничены. Лицензия в README не указана.

Overaddicted-500K — компактная decoder-only языковая модель семейства Llama, созданная DedeProGames и обученная с нуля на наборе FineWeb-Edu с помощью NanoDex Trainer Space. Она предназначена для демонстрации процесса предварительного обучения трансформера и изучения его поведения при очень малом числе параметров, а не для использования в качестве помощника. Модель имеет 491 500 параметров, 3 слоя и ширину скрытого состояния 96; в README указаны SiLU MLP, RMSNorm, rotary position embeddings, grouped-query attention и связанные эмбеддинги. Контекст составляет 512 токенов, поддерживаемый язык — английский. Модель генерирует текст, но из-за наноразмера усваивает главным образом формы слов, частые сочетания и немного синтаксиса; её выводы не следует считать достоверными. Лицензия — ODC-By.

ArtyomSubDiv/pythia-14m-dd-rus-draft — экспериментальная русскоязычная попытка дообучить авторегрессионную модель EleutherAI/pythia-14m-deduped на наборе dim/databricks_dolly_15k_ru. Модель построена на архитектуре GPT-NeoX и предназначена для генерации текста и ответов на инструкции. Метаданные указывают 8 млн параметров, контекст до 2048 токенов и форматы Safetensors и GGUF F16. Автор сообщает, что качество обучения оказалось низким: после нескольких эпох значения точности и потерь почти не менялись, а ответы на инструкции были случайными и не соответствовали запросам. Модель подходит скорее для изучения неудачного эксперимента по дообучению, чем для практического использования. Лицензия в предоставленных данных не указана.

SealGlazer v11 — небольшая причинная языковая модель на 1,9 млн параметров, созданная Compactbot с нуля для генерации текстов о ластоногих: тюленях, моржах и морских львах. Модель использует плотную архитектуру в стиле Llama с RMSNorm, RoPE, SwiGLU и многоголовым вниманием, а также BPE-словарь на 8192 токена. Контекст — 256 токенов. Обучение проводилось на смешанном корпусе примерно из 11,8 млн токенов: около 88% общих англоязычных текстов и 12% материалов о ластоногих. В большинстве проверенных генераций модель вырождается в повторение одного токена; связный текст получался лишь на одном из восьми случайных начальных значений. Поэтому модель предназначена прежде всего для изучения весов и результатов небольшого эксперимента, а не для практической генерации. Лицензия — Apache-2.0.

TinyBuddy-500K — очень маленькая авторская языковая модель, разработанная Eeppa с нуля как учебная демонстрация обучения моделей с ограниченным числом параметров. Это декодерный Transformer в стиле LLaMA с RMSNorm, Grouped Query Attention, MLP на SiLU и связанными эмбеддингами; модель содержит около 547 тысяч параметров, имеет 2 слоя и 4 головы внимания, а контекст ограничен 512 токенами. Она обучалась на синтетических коротких историях в стиле TinyStories и предназначена для экспериментов с генерацией простого англоязычного текста и изучения устройства малых языковых моделей. Модель умеет продолжать базовые английские фразы и создавать короткие истории, но обычно теряет связность после одного-двух предложений. Ей свойственны повторы, слабая последовательность на длинных отрезках, отсутствие надёжных фактических знаний и способностей к рассуждению; она не подходит на роль полезного диалогового помощника. Для загрузки требуется пользовательский код модели через trust_remote_code=True. Лицензия — MIT.

Eeppa разработал TinyBuddy-80K — экспериментальную сверхмалую языковую модель для генерации короткого английского текста. Она содержит 83,7 тыс. параметров, использует один блок трансформера с RMSNorm, Grouped Query Attention, RoPE и SwiGLU, а входные и выходные эмбеддинги связаны. Модель обучена с нуля на примерно 5 тыс. историй TinyStories с байтовым BPE-токенизатором и словарём из 1 024 токенов. Модель предназначена для демонстрации того, какие языковые закономерности можно выучить при размере менее 100 тыс. параметров, и для учебных экспериментов с компактными языковыми моделями. Она генерирует короткие фразы и начала историй на английском языке. Контекст составляет 128 токенов. Лицензия — MIT. Из-за крайне малого размера модель слабо поддерживает связность даже на протяжении одной-двух фраз, часто повторяется, имеет ограниченный словарь и не подходит для фактических ответов или рассуждений.

fxmarty/tiny-dummy-qwen2 — компактная тестовая модель семейства Qwen2, опубликованная пользователем fxmarty на Hugging Face. Она предназначена для генерации текста и поддерживает сценарии conversational text generation через Transformers, а также совместима с инструментами vLLM и SGLang. В репозитории отсутствует подробное описание обучения, набора данных и целевых прикладных сценариев, поэтому модель следует рассматривать прежде всего как демонстрационный или внутренний тестовый артефакт. Архитектура указана как Qwen2ForCausalLM с двумя слоями Transformer, размером скрытого состояния 8, четырьмя attention heads, двумя key-value heads и промежуточным размером 32. Модель работает с текстом, использует словарь из 151936 токенов, максимальную позиционную длину 32768 токенов и формат float32; заявленная модальность — только текст. Языки явно не указаны. Из-за крайне малого размера и отсутствия сведений о полноценном обучении нельзя ожидать качественной генерации или надёжного применения в реальных задачах; производительность и ограничения не представлены в карточке модели. Лицензия — MIT.

BananaMind 3 2.5M (LFT) — небольшая языковая модель, обученная с нуля @Compactbot по запросу @Banaxi-Tech. Она содержит 2 520 704 параметра и использует архитектуру Looped Transformer: шесть блоков с общими весами выполняются четырнадцать раз. Модель принимает текст и предназначена для генерации текста; контекст составляет 512 токенов. Обучение проводилось на примерно 103 млн токенов FineWeb-Edu и DCLM, а веса опубликованы в формате safetensors с лицензией Apache-2.0. Модель формирует грамматически похожий на естественный текст с корректными заглавными буквами, границами предложений и пунктуацией, но её содержание семантически несвязно и ненадёжно. Она не подходит для практической генерации текста; её ценность — в демонстрации разделения весов и как базовый экспериментальный результат семейства BananaMind 3. Для запуска требуется пользовательская реализация класса LFT из обучающего скрипта, поскольку это не стандартная модель Transformers.

NILKNARFGonzo/floppyx4-nonsensicalEssential-base — экспериментальная модель генерации текста на архитектуре GPT-2. Автор описывает её как проект компактной модели, которую в будущем планируется объединить с другими моделями так, чтобы итоговая версия помещалась на четыре дискеты. В README сказано, что текущая версия представляет собой случайно инициализированную модель, и предлагается скачать её для использования. Модель принимает текст и генерирует текст; метаданные указывают поддержку чата, английский язык и контекст длиной 4096 токенов. Обучение ведётся автором на Raspberry Pi 5. Лицензия — CC BY-SA 4.0. Случайная инициализация означает, что модель не следует считать пригодной для осмысленных ответов или практических задач.

QuixiAI/FlyGPT — символьная языковая модель, разработанная QuixiAI на основе реального подграфа коннектома мозга самца плодовой мушки из MaleCNS v1.0. Это рекуррентная разреженная архитектура для предсказания следующего символа: топология связей фиксирована, а отдельные веса синаптических связей обучаются градиентным спуском. Модель обучена на датасете Tiny Shakespeare и предназначена для генерации текста в пределах его набора из 65 символов. В модели используется 5 000 нейронов; граф содержит 524 324 связи. Состояние нейронов переносится между символами, поэтому генерация не опирается на KV-кэш. На описанном экспериментальном разбиении Tiny Shakespeare указана валидационная потеря 1,5778 ната на символ на шаге 94 000. Сравнение с графами со случайно перемешанными связями не выявило измеримого преимущества исходной топологии при полном обучении. Модель принимает и генерирует текст, но её строгий токенизатор поддерживает только 65 символов Tiny Shakespeare, поэтому она не подходит для произвольного текста. Карточка не описывает её как биологическую симуляцию живой мухи. Репозиторий распространяется по лицензии CC BY 4.0.

LowOnMind-300k — авторегрессионная декодерная языковая модель DedeProGames, обученная с нуля на 200 млн токенов датасета HuggingFaceFW/fineweb-edu. Модель содержит около 296 тыс. параметров, использует плотную архитектуру LowOnMindForCausalLM с шестью слоями, словарь из 1024 токенов и контекст до 512 токенов. Модель создана как эксперимент для изучения влияния крайне малого числа параметров на языковое моделирование. Она улавливает орфографию, пробелы, морфологию и короткие последовательности слов в английском тексте, но не предназначена для связной генерации, ответов на вопросы или рассуждений. Разработчик сообщает об отсутствии отслеживания смысла за пределами коротких фрагментов; применение модели ограничено исследованиями масштабирования языковых моделей. Лицензия — Apache-2.0.

SexyGPT — экспериментальная модель генерации текста, разработанная Hooking AI на основе GPT-2 и дообученная на закрытом наборе данных с эротическими диалогами. Она предназначена для генерации откровенных реплик в ответ на короткие текстовые сообщения и для изучения поведения генеративных трансформеров. Модель использует архитектуру GPT-2, принимает текст и генерирует текст. Контекст составляет 1024 токена; в метаданных указаны испанский и арабский языки. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache-2.0. Модель рассчитана на откровенный контент; автор описывает её как исследовательский эксперимент и не рекомендует для производственного применения. Сведения о закрытом обучающем наборе ограничены, поэтому состав и охват данных оценить нельзя.

Карточка модели simplemobilesystem/sexyGPT-Uncensored на Hugging Face совпадает с карточкой ross-dev/sexyGPT-Uncensored, поэтому описание составлено по ней. SexyGPT — экспериментальная модель генерации текста, разработанная Hooking AI на основе GPT-2 и дообученная на закрытом наборе данных с эротическими диалогами. Она предназначена для генерации откровенных реплик в ответ на короткие текстовые сообщения и для изучения поведения генеративных трансформеров. Модель использует архитектуру GPT-2, принимает текст и генерирует текст. Контекст составляет 1024 токена; в метаданных указаны испанский и арабский языки. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache-2.0. Модель рассчитана на откровенный контент; автор описывает её как исследовательский эксперимент и не рекомендует для производственного применения. Сведения о закрытом обучающем наборе ограничены, поэтому состав и охват данных оценить нельзя.