II.10Разработка и эксплуатация AI/ML-систем

girenit-TR-QA, girenit tarafından geliştirilen, Türkçe bağlamlardan yanıt metnini çıkaran SQuAD tarzı soru-cevap modelidir. Model BERTurk tabanlı, 137,8 milyon parametreli BERT энкодерidir ve 512 belirteçlik bağlamı destekler. README'ye göre model, insan etiketli TQuAD2 verisiyle iki эпохada дообучен и оценён на TQuAD2 и XQuAD-tr. Модель предназначена для извлечения ответов из переданного контекста, в том числе в системах RAG и при поиске ответов в документах. На валидации TQuAD2 указаны EM 53,8% и F1 72,7%, на XQuAD-tr — EM 46,1% и F1 64,5%. Лицензия MIT. Качество зависит от релевантности и полноты контекста; модель извлекает ответ из него, а не предназначена для свободной генерации.

GLiClass-Edge v3.0 for LiteRT — компактная модель Knowledgator для классификации текста по заданному пользователем набору меток без обучения на этих метках. Это 10-слойный энкодер ModernBERT с 32,7 млн параметров, преобразованный в формат LiteRT для запуска на CPU и GPU, включая мобильные устройства. Модель получает текст, необязательную инструкцию и до 25 кандидатных меток, затем за один проход оценивает каждую метку; доступны режимы с одной или несколькими метками. В репозитории представлены графы LiteRT для последовательностей до 128 и 256 токенов, включая вариант с весами float16. Для последнего README сообщает о двух изменившихся ответах из 552 тестовых запросов, оба случая были близкими по оценкам. Более длинные запросы и наборы свыше 25 меток не поддерживаются: входы не обрезаются, а приводят к ошибке. Проверки на CPU и отдельных GPU показали близкое соответствие официальному конвейеру GLiClass; скорость и точность могут зависеть от устройства и режима вычислений. Модель подходит для тематической разметки, маршрутизации обращений и присвоения категорий текстам без предварительного обучения на фиксированных классах. В README описан пример с английскими метками и текстом; метаданные указывают английский язык. Лицензия — Apache-2.0.

GLiNER2.5-Decide for LiteRT — Android GPU FP32 — это версия модели Fastino GLiNER2.5-Decide, преобразованная из официальных весов в формат LiteRT Torch для локального запуска, в том числе на Android. Модель использует энкодер DeBERTa-v3-large и классификационную голову; перед запуском хост-код выполняет токенизацию и поиск эмбеддингов, а после прямого прохода преобразует логиты в решения. На вход подаются текст и пользовательские метки задач, на выходе — решение и вероятность для каждой задачи. Модель предназначена для классификации по заданным во время вызова меткам: определения намерений и тональности, маршрутизации сообщений, бинарных проверок и многометочной разметки. Поддерживаются окна на 128, 256 и 512 токенов, при этом схемы задач и текст должны помещаться в выбранное окно, а число меток ограничено 32. README сообщает о совпадении решений с официальным результатом в проверенных конфигурациях LiteRT CPU и Android GPU FP32 на Galaxy S26; другие семейства Android GPU в этой карточке не проверялись. Для Android GPU требуется явно задать вычисления FP32. Модель распространяется по лицензии Apache-2.0.

GLM-5-UD-Q4_K_XL-layers — пакет слоёв модели семейства GLM, подготовленный Mesh LLM для распределённого вывода на кластере локальных компьютеров. Он создан на основе unsloth/GLM-5-GGUF и сохраняет исходное распределение GGUF, разбитое на артефакты по слоям. Указанный вариант — UD-Q4_K_XL; формат исходных весов — GGUF, а пакет предназначен для запуска через библиотеку Mesh LLM. Модель используют для локального чат-вывода, в том числе когда полный файл слишком велик для одного компьютера: слои можно распределить между несколькими узлами. Mesh LLM предоставляет совместимый с OpenAI интерфейс чата и дополнений. В метаданных для модели указана задача text-generation и возможность chat. Пакет ориентирован на текстовый ввод и генерацию текста. Языки, размер модели и длина контекста в предоставленных сведениях не описаны. За сведениями об архитектуре, шаблоне чата, рекомендациях по настройке и лицензии README отсылает к исходной карточке unsloth/GLM-5-GGUF; условия лицензии здесь не приведены.

fesalfayed/gpt-oss-20b-hermes_agent-tool-finetune_gguf — дообученная версия модели OpenAI gpt-oss-20b, подготовленная Fesal Fayed для локального агентского фреймворка Hermes-Agent. Модель распространяется в формате GGUF и предназначена для запуска через llama.cpp, Ollama, LM Studio и koboldcpp. Основной сценарий использования — локальные агенты, которым необходимы надёжные вызовы инструментов, function calling, корректная генерация JSON, выполнение многошаговых циклов «инструмент — наблюдение — план» и соблюдение системных инструкций. Это Mixture-of-Experts-модель примерно на 21 млрд параметров, из которых активно используется около 3,6 млрд. Сохранены шаблон чата Harmony и настройка reasoning effort. Доступны варианты квантования Q3_K_M, Q4_K_M, Q5_K_M, Q8_0 и F16; рекомендуемый баланс размера и качества — Q4_K_M, около 12,5 ГБ. Модель оптимизирована именно для агентских циклов, а её возможности математического и программного кодирования не менялись относительно базовой модели. Она может слишком часто вызывать инструменты при неоднозначных инструкциях, рассчитана преимущественно на английский язык и не проходила дополнительную настройку безопасности сверх базовой модели. Указанный контекст обучения составляет 8192 токена. Лицензия Apache-2.0, дополнительных ограничений не заявлено.

Это модель классификации изображений на основе иерархического Vision Transformer Hiera, опубликованная Ross Wightman в библиотеке timm. Она обучена на ImageNet-12k по рецепту из работы «Searching for better ViT baselines» и также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Вариант использует масштабируемые абсолютные позиционные эмбеддинги для оконного внимания и layer-scale. Модель содержит 42,7 млн параметров, требует изображения размером 256 × 256 пикселей и имеет вычислительную сложность 7,7 GMACs. Подходит для классификации изображений и получения визуальных признаков в прикладных и исследовательских конвейерах компьютерного зрения. Лицензия репозитория — Apache-2.0.

Higgs Audio v3 8B STT v2 — модель распознавания речи от Boson AI. Она сочетает замороженный аудиоэнкодер Whisper-Large-v3 с декодером Qwen3-8B, дообученным с помощью LoRA и затем объединённым с базовыми весами. Всего в модели 8,91 млрд параметров; она принимает монофонический WAV с частотой 16 кГц и формирует текстовую транскрипцию. Модель предназначена для преобразования речи в текст и оценки качества распознавания на разнообразных ASR-наборах. В README указана поддержка thinking mode для повышения точности; приведены результаты ESB Benchmark для AMI, Earnings22 и GigaSpeech. Метаданные указывают английский язык. Модель распространяется по лицензии Apache-2.0. Результаты в карточке ограничены указанными наборами и сами по себе не подтверждают качество для других языков или акустических условий.

patrickvonplaten/hubert-xlarge-ls960-ft-4-gram — модель распознавания английской речи, созданная на основе Facebook hubert-xlarge-ls960-ft и дополненная 4-граммной языковой моделью. Для языковой модели используются официальные n-граммы LibriSpeech. Архитектура — HuBERT-XLarge с CTC-выходом; число параметров по метаданным — 1,3 млрд. Модель принимает аудио и выдаёт распознанный текст, подходит для транскрибации речи и оценки на наборах LibriSpeech clean и other. В README приведены результаты WER 1,71 для clean и 3,06 для other. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0.

Карточка модели zigwangles/Huihui-Qwen3-Coder-30B-A3B-Instruct-abliterated на Hugging Face совпадает с карточкой huihui-ai/Huihui-Qwen3-Coder-30B-A3B-Instruct-abliterated, поэтому описание составлено по ней. Huihui-Qwen3-Coder-30B-A3B-Instruct-abliterated — версия Qwen3-Coder-30B-A3B-Instruct, созданная huihui-ai методом abliteration для снижения числа отказов модели. Это инструктивная языковая модель с архитектурой Qwen3 MoE; в метаданных указано 2,4 млрд параметров и контекст до 262 144 токенов. Модель рассчитана на генерацию текста в диалоговом формате, в том числе для задач программирования и агентных сценариев, характерных для базовой модели. Модель принимает текст и выдаёт текст. В карточке указан английский язык; более подробные языковые характеристики не заявлены. README описывает abliteration как грубую реализацию для проверки концепции и предупреждает о существенно ослабленной фильтрации безопасности, из-за которой возможны чувствительные, спорные или неподходящие ответы. Репозиторий распространяется по лицензии Apache-2.0.

Funnel Transformer intermediate-base — базовая модель Funnel Transformer, разработанная командой Funnel Transformer и опубликованная на Hugging Face. Это англоязычный энкодер FunnelBaseModel без декодера, предварительно обученный на текстах с самоконтролируемой задачей распознавания исходных и заменённых токенов. Модель использует архитектуру Funnel и принимает последовательности длиной до 512 токенов; текст обрабатывается без различия регистра. Модель извлекает скрытые представления текста для последующего обучения классификаторов и других задач понимания языка, в том числе классификации последовательностей, разметки токенов и ответов на вопросы. Выходная последовательность в четыре раза короче входной, поэтому представления удобны для задач уровня предложения, но не сохраняют отдельный выходной вектор для каждого исходного токена. Генерация текста не является её назначением. Веса доступны в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0.

jdpo5k5 — дообученная модель на основе deepseek-ai/deepseek-coder-1.3b-base, созданная на датасете generator. Это плотная авторегрессионная модель семейства Llama с 1,3 млрд параметров, предназначенная для генерации текста; базовая модель ориентирована на продолжение и автодополнение кода. Для неё указано контекстное окно 16 384 токена, веса доступны в формате Safetensors. Модель может использоваться для генерации и продолжения кода, однако README не описывает назначение дообучения, качество, оценку или специальные ограничения. Лицензия указана как other, поэтому условия использования следует сверить с файлами репозитория и условиями базовой модели.

jndpo2 — дообученная модель для генерации кода, созданная на основе deepseek-ai/deepseek-coder-1.3b-base с использованием набора данных generator. Она предназначена для продолжения и автодополнения кода, а также заполнения пропусков в коде — задач, для которых создана базовая модель. Модель использует плотную архитектуру семейства Llama с причинным языковым моделированием, содержит 1,3 млрд параметров и поддерживает контекст до 16 384 токенов. В README приведены результаты оценки на тестовом наборе, но описание методики, состав данных и сценарии применения не раскрыты. Указана лицензия other; конкретные условия использования следует проверять в репозитории модели.

jnkto2 — дообученная модель для генерации кода на основе deepseek-ai/deepseek-coder-1.3b-base, опубликованная пользователем stojchet. Модель с архитектурой Llama содержит 1,3 млрд параметров и принимает текст; заявленная длина контекста — 16 384 токена. Модель предназначена для генерации и продолжения кода. В README приведены метрики оценки, включая loss 0,1622 и оценки chosen/rejected, однако описание набора данных, методики обучения и конкретных сценариев применения отсутствует. Файлы модели опубликованы в формате safetensors. Лицензия указана как other; конкретные условия использования по имеющимся данным определить нельзя.

k5 — дообученная модель для генерации текста, созданная на основе deepseek-ai/deepseek-coder-1.3b-base. Она использует плотную архитектуру семейства Llama и содержит 1,3 млрд параметров; модель сохранена в формате Safetensors. Базовая модель предназначена для продолжения и автодополнения кода, включая заполнение пропусков, поэтому эти сценарии подходят и для k5, хотя карточка не описывает её специализацию подробнее. В README приведены метрики оценки: loss 0,2886 и показатели предпочтений chosen/rejected, но не раскрыты обучающие данные, методика оценки и предназначенное применение. Контекст модели — до 16 384 токенов. Лицензия указана как other, поэтому условия использования следует уточнять на странице модели.

Kimi-K3-UD-Q4_K_XL-layers — пакет GGUF-слоёв семейства Kimi, подготовленный для распределённого запуска через Mesh LLM на локальном кластере. Он создан на основе unsloth/Kimi-K3-GGUF и сохраняет исходную модель в виде отдельных артефактов по слоям; вариант использует квантование UD-Q4_K_XL. Модель предназначена для диалогов с текстом и изображениями, локального приватного инференса и обслуживания запросов через совместимый с OpenAI интерфейс чата. Пакет позволяет распределять вычисления и память между несколькими машинами, когда полный GGUF неудобно запускать на одном узле. Для работы требуется Mesh LLM и набор частей пакета. Репозиторий указывает лицензию «other»; условия использования следует сверять с карточкой исходной модели unsloth/Kimi-K3-GGUF.

cfokmu/klue-roberta-base-klue-sts — модель эмбеддингов предложений на базе RoBERTa, опубликованная сообществом cfokmu. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска семантически близких текстов, кластеризации и оценки сходства. Модель использует архитектуру RoBERTa с 137,8 млн параметров; для вычисления эмбеддингов применяется pooling поверх контекстных представлений токенов. Максимальная длина контекста — 514 токенов. Модель подходит для семантического поиска и группировки текстов по смыслу. Карточка указывает обучение с CosineSimilarityLoss; данные подтверждают назначение для KLUE/ST​S, поэтому основным языком является корейский. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

LeViT Conv 192 — модель компьютерного зрения семейства LeViT, опубликованная авторами библиотеки timm. Она предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения признаков и эмбеддингов. Модель содержит 10,9 млн параметров, обрабатывает изображения размером 224 × 224 и требует около 0,7 GMAC на изображение. Вариант с именем conv использует линейный режим с nn.Linear и BatchNorm1d; веса предварительно обучены на ImageNet-1k с дистилляцией авторами статьи о LeViT. Модель подходит для классификации изображений общего назначения и получения визуальных признаков для последующих задач. В карточке приведены примеры оценки классификации, получения эмбеддингов и извлечения карт признаков. Лицензия репозитория — Apache-2.0. Описанные характеристики и обучение относятся к ImageNet-1k; отдельные языковые возможности не применимы к модели без текстового ввода.

mradermacher/lexi-coder-v4.4-GGUF — это набор статически квантизованных файлов модели lexi-coder-v4.4, базовая версия которой разработана reallexi. Репозиторий подготовлен mradermacher в формате GGUF для запуска модели в совместимом локальном программном обеспечении. В метаданных указан английский язык, а название указывает на специализацию исходной модели в задачах, связанных с кодом, однако подробное описание её назначения в README отсутствует. Доступны варианты от Q2_K до Q8_0, IQ4_XS и f16 объёмом примерно от 1,8 до 7,8 ГБ. Более сильное квантование обычно уменьшает требования к памяти, но может снижать качество; README отдельно отмечает Q4_K_S и Q4_K_M как быстрые рекомендуемые варианты, Q6_K как вариант очень хорошего качества, а Q8_0 — как быстрый вариант наилучшего качества. Архитектура, число параметров, размер контекста, поддерживаемые модальности и точные языковые возможности не указаны. Модель подходит для локального инференса в приложениях, поддерживающих GGUF, при выборе компромисса между размером файла, скоростью и качеством. Для weighted/imatrix-квантований приведена отдельная коллекция. Лицензия обозначена как other с условием inherits-base-model-and-dataset-terms, поэтому использование должно соответствовать лицензиям базовой модели и использованных наборов данных.

Ling-3.0-tiny-APEX-GGUF — набор квантизированных GGUF-профилей базовой модели inclusionAI/Ling-3.0-tiny, разработанный с использованием технологии Apex-Quant. Модель предназначена для локального запуска и генерации текста через llama.cpp, Ollama и llama-cpp-python; подходит для сценариев, где важны автономная работа, экономия памяти и выбор между качеством, скоростью и размером файла. В основе лежит архитектура BailingMoeV3ForCausalLM с разреженной Mixture-of-Experts: 128 экспертов по 1 млрд параметров, из которых для каждого токена используются 8. Модель содержит 24 слоя, имеет скрытый размер 1536, 16 attention heads, grouped query attention и контекст до 131 072 токенов; размер словаря — 157 184 токена. Репозиторий предоставляет профили i-quality на 5,4 ГБ, i-balanced на 5,6 ГБ и i-compact на 3,7 ГБ с разной степенью квантизации и компромиссом между качеством, скоростью и требованиями к RAM. Сильные стороны модели — MoE-архитектура, большой контекст, локальное развертывание и наличие нескольких профилей для производственных, сбалансированных и ограниченных по памяти сред. Ограничения включают зависимость от совместимого ПО и оборудования для инференса, а также ожидаемое снижение качества у компактного профиля по сравнению с более точными вариантами. Языки и специализированные возможности исходной модели в README не указаны. Квантизированные модели распространяются по лицензии MIT; для коммерческого использования рекомендуется дополнительно проверить условия лицензии исходной модели.

mnmly/lingbot-vision-vit-large-mlx — неофициальная конверсия визуального backbone LingBot-Vision ViT-L/16, подготовленная сообществом для запуска на Apple Silicon через MLX и пакет MLXLingBotVision на Swift. Модель использует архитектуру ViT-L/16: размерность эмбеддингов 1024, 24 слоя, 16 голов внимания и патчи размером 16; в README также указаны четыре register-токена, осевое 2D RoPE, LayerScale и fused-QKV attention. Модель предназначена для извлечения признаков изображений и может служить визуальным backbone для задач плотного предсказания. Веса сохранены в формате safetensors с точностью fp32; README сообщает о проверке численного соответствия исходной реализации. Это конверсия весов robbyant/lingbot-vision-vit-large, переупакованных для MLX Swift; лицензия — Apache-2.0. Модель принимает изображения и выдаёт визуальные признаки, а качество для конкретных downstream-задач зависит от последующей обработки.

unsloth/llama-2-7b — 6,6-миллиардная плотная авторегрессионная языковая модель семейства Llama 2 от Unsloth. Репозиторий содержит модель в формате safetensors; в README указана прямая 4-битная квантизация с bitsandbytes и приведены ноутбуки для её дообучения, включая разговорный формат ShareGPT ChatML/Vicuna и продолжение текста. Модель предназначена для генерации текста и диалоговых сценариев на английском языке; заявленная длина контекста — 4096 токенов. README описывает способы ускорить дообучение и снизить расход памяти, а также экспортировать результат в GGUF или vLLM. Лицензия репозитория — Apache-2.0. Доступные сведения не подтверждают отдельное дообучение этой конкретной модели; README говорит о квантизованной версии Llama 2 7B.

tiny-random/llama-3 — небольшая случайно инициализированная языковая модель, созданная сообществом Hugging Face на основе конфигурации Meta Llama 3.3 70B Instruct. Модель предназначена прежде всего для отладки и тестирования кода, совместимого с архитектурой Llama, а не для содержательной генерации текста. Модель использует архитектуру LlamaForCausalLM и библиотеку Transformers. В конфигурации указаны два декодерных слоя, скрытый размер 8, промежуточный размер 64 и 1M параметров; заявленная длина контекста составляет 131072 токена. Поддерживается задача генерации текста, однако README не описывает поддерживаемые естественные языки. Случайная инициализация делает модель удобной для быстрых интеграционных проверок, проверки загрузки, токенизации и прохождения пайплайнов без использования полноразмерной модели. При этом она не предназначена для качественных ответов, обучения прикладным сценариям или оценки возможностей Llama. Лицензия в предоставленных данных не указана.

amd/Llama-3.1-8B-Instruct-w4a16-asym-torchao-v0.17.0 — квантизированная версия языковой модели Llama-3.1-8B-Instruct, созданная Advanced Micro Devices (AMD) с использованием TorchAO. Модель предназначена для генерации текста и запуска инференса на CPU AMD EPYC, прежде всего в Linux-средах, через vLLM и оптимизированный для ZenDNN стек. Модель построена на архитектуре LlamaForCausalLM, принимает и генерирует текст, поддерживает английский язык и содержит около 8 млрд параметров в исходной версии. Применяется 4-битная асимметричная квантизация только весов W4A16 с размером группы 128; квантизированы линейные слои, за исключением lm_head и embed_tokens. Ключевая особенность — оптимизация для CPU-инференса AMD EPYC с использованием ZenDNN, ZenTorch, PyTorch 2.11.0, TorchAO 0.17.0 и vLLM 0.20.2. Сильными сторонами модели являются снижение требований к памяти и ориентация на производительный инференс на совместимых AMD CPU. Ограничения включают отсутствие заявленной поддержки GPU, зависимость от точных версий программного стека и невозможность загрузки в других версиях PyTorch; используемый путь квантизации специфичен для ZenDNN и недоступен в стандартном PyTorch. Результаты оценки качества в README не приведены. Модель распространяется по той же лицензии, что и исходная Llama-3.1-8B-Instruct; отдельно указаны изменения, авторские права на которые принадлежат AMD.

Это пакет слоёв GGUF для запуска чат-модели Llama 4 Maverick 17B 128E Instruct в распределённой среде Mesh LLM. Пакет подготовлен Mesh LLM на основе unsloth/Llama-4-Maverick-17B-128E-Instruct-GGUF и содержит разделённые по слоям артефакты варианта UD-Q4_K_XL для распределённого инференса на нескольких машинах. Модель предназначена для локального приватного чата и генерации текста, в том числе для сценариев, когда полный GGUF не помещается на одном узле. Mesh LLM позволяет обслуживать запросы через локальный API, совместимый с OpenAI Chat Completions. Указаны семейство Llama и формат GGUF; сведения о языках и длине контекста в предоставленных данных отсутствуют. Для работы нужен Mesh LLM и доступные узлы кластера, если модель распределяется между несколькими машинами. Это квантизированный вариант Q4_K_XL, поэтому качество и скорость могут отличаться от исходной модели. Лицензионные условия следует сверять с карточкой исходной модели; в предоставленном README они не приведены.

Mungert/Llama-xLAM-2-8b-fc-r-GGUF — это GGUF-версия модели Llama-xLAM-2-8b-fc-r из семейства xLAM-2, разработанного Salesforce AI Research. Модель предназначена для построения AI-агентов, которые интерпретируют намерения пользователя, планируют действия и вызывают внешние функции или инструменты. Она ориентирована на многоходовые диалоги и сценарии function calling, включая автоматизацию рабочих процессов и взаимодействие с API. Модель содержит около 8 млрд параметров, работает с текстом и поддерживает контекст до 128 тысяч токенов. В карточке указан английский язык. Данная версия сгенерирована в формате GGUF с использованием llama.cpp и включает экспериментальный подход к квантованию: отдельные важные слои переводятся на более высокую точность, что может улучшать качество при заданном уровне квантования, но увеличивает размер файла. При этом квантование в целом может снижать точность по сравнению с исходной моделью. Модель заявлена как эффективная для многоходового использования инструментов и стабильного выполнения агентских сценариев; семейство xLAM-2 демонстрирует высокие результаты на бенчмарках BFCL и τ-bench. Релиз предназначен только для исследовательских целей. Лицензия — CC BY-NC 4.0, поэтому коммерческое использование ограничено условиями лицензии.

Local AI Toolkit — это подборка локально запускаемых моделей и инструментов, опубликованная под идентификатором m15dg/local-ai-toolkit. Коллекция собрана с использованием AI-подбора и предназначена как отправная точка для локального AI-окружения, а не как единая модель. Она ориентирована на работу на потребительском оборудовании с NVIDIA RTX 3060 с 12 ГБ видеопамяти и 32 ГБ оперативной памяти. В состав входят модели для универсальной генерации текста, программирования и кодовых агентов, координации multi-agent систем, RAG и анализа документов, embeddings и reranking, синтеза речи, распознавания речи, мультимодального анализа изображений и текста, а также uncensored-варианты. Заявлены форматы GGUF и SafeTensors; для отдельных сценариев предусматриваются GPU и CPU offload либо полностью GPU-ориентированный запуск. Поддерживаются английский и персидский языки, однако характеристики отдельных моделей, включая архитектуру, размеры, контекст и точные мультимодальные возможности, зависят от конкретных компонентов коллекции. Сильной стороной является подборка моделей, адаптированная под ограниченный бюджет памяти и различные локальные сценарии — от диалогов и генерации кода до RAG, агентов и речи. Ограничения заключаются в том, что это незавершённый и периодически обновляемый набор рекомендаций: заявленные возможности и качество не являются гарантированными, а Image Generation и Video Generation на момент описания отсутствуют. Лицензия указана как other; отдельные лицензии входящих моделей в README не приведены.

LosslessMegaCoder-llama2-7b-mini — языковая модель для генерации кода, созданная Rombodawg совместно с Andreaskopf. Это плотная авторегрессионная модель семейства Llama 2 с 6,6 млрд параметров и контекстом до 4096 токенов, распространяемая в формате PyTorch. Модель обучена на отфильтрованной версии набора LosslessMegaCodeTrainingV2_1m_Evol_Uncensored: из данных удаляли примеры короче 100 токенов. Она предназначена для генерации кода по текстовым запросам и диалогового взаимодействия с кодовым помощником; в карточке приведены результаты оценки на общих языковых бенчмарках. README характеризует её как сильную для своего размера, но не приводит подробной методики оценки качества кода. Для диалога предлагается шаблон ChatML. Лицензия — Llama 2; применяйте модель с учётом условий этой лицензии. README предупреждает, что модель не обучалась на датасете LosslessMegaCodeTrainingV3_MINI, несмотря на сходство названий.

Maincoder-1B — компактная авторегрессионная языковая модель для кода, разработанная Maincode. Она предназначена прежде всего для генерации и автодополнения кода на Python и может применяться при написании функций, прототипировании и решении задач по программированию. Модель содержит 1 млрд параметров и построена на трансформере-декодере Maincoder с 32 слоями и скрытым размером 1536. Архитектура использует RoPE, grouped-query attention, нормализацию запросов и ключей через RMSNorm и блоки SwiGLU. Контекст ограничен 2048 токенами; для запуска используется библиотека Transformers, веса доступны в формате safetensors. README сообщает о настройке обучения с помощью алгоритма MCPO и результатах на бенчмарках HumanEval, HumanEval+ и MBPP+. Модель рассчитана на локальное применение на потребительском оборудовании благодаря компактному размеру. Она оптимизирована преимущественно для Python, поэтому качество на других языках программирования может отличаться. Сгенерированный код может содержать ошибки или уязвимости, а модель не проходила настройку на безопасность. Лицензия — Apache-2.0.

MaxViT Tiny TF 384 IN1K — модель классификации изображений из семейства MaxViT, обученная авторами исходной работы на ImageNet-1k в TensorFlow и перенесённая в PyTorch Россом Уайтманом для библиотеки timm. Архитектура сочетает блок MBConv и два блока self-attention с разбиением на окна и сетку. Модель содержит около 31 млн параметров и рассчитана на входные изображения размером 384 × 384 пикселя. Модель предназначена для определения категорий объектов на изображениях и может использоваться как визуальная основа для извлечения признаков и эмбеддингов. В карточке указана оценка top-1 83,8% и top-5 96,2% на ImageNet-1k. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия — Apache-2.0.

MaxxViT-V2 Nano RW 256 — модель классификации изображений из библиотеки timm, обученная Россом Уайтманом на ImageNet-1k. Она предназначена для отнесения изображений к классам ImageNet и может использоваться как визуальный backbone для извлечения признаков и эмбеддингов. Архитектура MaxxViT-V2 сочетает блоки ConvNeXt с grid self-attention; вариант RW содержит настройки timm, рассчитанные на работу в PyTorch eager. Модель содержит 23,7 млн параметров, рассчитана на входные изображения размером 256 × 256 и требует около 6,3 GMACs на проход. Доступны веса PyTorch и Safetensors. Модель принимает изображения и выдаёт оценки классов. Её обучение и классы ImageNet-1k ориентированы на общецелевое распознавание объектов, а не на предметную область или текстовый ввод. Лицензия — Apache-2.0.