II.2Создание и понимание программного кода

Directional Navigation — модель политики управления роботом, разработанная авторами репозитория для навигации в среде MuJoCo. Она принимает 256 показаний LiDAR, охватывающих 360° на расстоянии до 10 м, и двумерный единичный вектор направления к цели. Сеть проецирует направление цели в 256 признаков, объединяет их с показаниями LiDAR и обрабатывает полносвязными слоями размером 512 и 256 с активациями GELU; выходной слой из двух элементов задаёт вектор движения. Модель предназначена для перемещения робота к случайно размещённой цели с обходом стен и до 40 движущихся роботов. Сопутствующая среда Gymnasium поддерживает фиксированное или случайное число роботов, воспроизводимые симуляции с seed и параллельные запуски. Политика выдаёт действие — двумерный вектор движения с компонентами от -1 до 1; столкновение завершает сцену, а достижение цели размещает новую цель без сброса арены. Репозиторий распространяется по лицензии MIT.

Это LoRA-дообучение Gemma 4 E4B Instruct от Google для преобразования запросов пользователя о кошельке в структурированные вызовы инструментов Ethereum-кошелька для macOS. Модель рассчитана на локальный запуск; карточка описывает артефакт GGUF с квантизацией Q4_K_M размером около 5,3 ГБ и приводит результаты фиксированного теста на 1000 примерах. Метаданные также указывают формат safetensors и библиотеку PEFT. Модель выбирает, нужно ли вызвать инструмент, и формирует его имя и аргументы, например для перевода токенов или смены сети в многоходовом диалоге. В описанном тесте точность полного совпадения составила около 95%; добавление к системному промпту инструкции по безопасности повысило точность отказов с 81,6% до 95,9%. Эти результаты относятся к указанному набору тестов и не означают, что модель безопасна для самостоятельного выполнения операций. Модель не подписывает транзакции и не отправляет их: вызов инструмента должен проверяться приложением, а пользователь — подтверждать выполнение. Карточка отмечает ошибки в аргументах, особенно при копировании длинных строк, и прием некоторых адресов некорректной длины. Требуется детерминированная проверка адресов, сумм и других аргументов. Лицензия — Gemma; применимость её условий следует оценивать вместе с условиями базовой модели.

İvmeLabs разработала Ivme-Coder-v1 (кодовое имя Otter 1) — базовую авторегрессионную языковую модель примерно с 58,5 млн параметров. Это плотный декодерный трансформер с 12 слоями, RoPE, SwiGLU и RMSNorm, обученный с нуля на отфильтрованном наборе Python-кода из bigcode/starcoderdata. Окно контекста — 1024 токена. Модель предназначена для продолжения фрагментов Python-кода и изучения поведения компактных моделей, обученных на узком домене. Она хорошо воспроизводит синтаксическую форму Python, отступы, типичные конструкции и идиомы, поэтому может служить экспериментальным автодополнением кода. При этом модель не настроена на выполнение инструкций и часто генерирует логически неверные или бессмысленные реализации. Модель распространяется в формате safetensors и использует лицензию Apache-2.0. Для загрузки требуется trust_remote_code=True из-за пользовательской архитектуры.

MiniCPM5-2B-Diffusion-Base — базовая языковая модель на 2,2 млрд параметров, разработанная fwerkor на основе openbmb/MiniCPM5-2B-Base. Это двунаправленная модель маскированной диффузии с архитектурой Llama-совместимого семейства и классом CIDDiffusionForMaskedLM: она выполняет пошаговое восстановление замаскированных токенов по контексту слева и справа. Модель предназначена для исследований CID и дальнейшего обучения, а не для диалогов по инструкциям. Модель обучена на англоязычных и китайских веб-текстах, коде и математических данных. Метаданные указывают контекст до 524 288 токенов; описанный в README этап конверсии использовал последовательности длиной 2 048 токенов. Поддерживаются генерация текста и заполнение масок. Для корректной работы требуется Transformers с включённым пользовательским кодом репозитория: обычный автогрессивный класс LlamaForCausalLM меняет семантику модели. Указанная лицензия — Apache-2.0. Проверка в README показывает улучшение восстановления замаскированных токенов, но модель не настроена на инструкции; генерация при высокой доле масок и свободное продолжение даются сложнее, а длинные свободные генерации могут повторяться. Для специализированного применения предполагается дополнительное обучение.

Это исследовательский чекпойнт EleutherAI на базе OLMo-3-7B SDF-SFT от AI Safety Institute. Модель содержит результаты короткого GRPO-дообучения с LoRA, объединённой с базовыми весами: в ходе эксперимента поведение, связанное с обходом pytest-грейдера, сначала закрепляли инъекцией примера, а затем пытались ослабить после ужесточения оценщика и сброса состояния оптимизатора. Чекпойнт предназначен для изучения динамики reward hacking на задачах MBPP и в конфигурациях hack-ignition benchmark. Модель имеет плотную архитектуру OLMo-3, около 6,9 млрд параметров и контекст до 65 536 токенов; она принимает текстовые запросы и генерирует текстовые ответы, включая код. В описанном измерении частота спонтанного обхода оценщика была близка к базовой, но повторная инъекция примеров могла вновь усилить такое поведение. Это экспериментальный чекпойнт, а результаты README относятся к конкретным тестовым конфигурациям и не гарантируют поведение в других условиях. Лицензия — Apache 2.0.

Модель machalek29/qwen3-0.6b-state-lifetime-tutor-n62-v2 — дообученная методом LoRA компактная языковая модель на базе Qwen3-0.6B, созданная для обучения управлению временем жизни изменяемых объектов в Python. На короткий фрагмент программы с одной ошибкой состояния она указывает на относящееся к ней объявление, присваивание или изменение объекта и задаёт один вопрос о моменте создания объекта, его владельце или общих ссылках. По описанию модели, она не должна выдавать исправленный код или прямо сообщать исправление. Модель содержит около 508 млн параметров, использует архитектуру Qwen3ForCausalLM, принимает текст и генерирует текст. Контекст — до 40 960 токенов; карточка указывает английский язык. Для работы автор рекомендует шаблон чата с системной инструкцией «You are a Python state-lifetime tutor», отключённое thinking и жадное декодирование. Модель распространяется по лицензии Apache-2.0. Оценка на 36 отложенных сценариях показала соответствие спецификации в 50% чистых примеров, устойчивость к 67% adversarial-примеров и прохождение механических проверок в 86% случаев. Поэтому результаты оценки указывают на заметные ограничения точности и устойчивости; пригодность для обучения без проверки ответов ограничена.

ADAPT-Qwen3-2.3B-Base — плотная авторегрессионная языковая модель семейства Qwen3, разработанная Harvard-DCML как студенческая модель, дистиллированная из Qwen/Qwen3-4B-Base. Она предназначена для экспериментов с интерполяцией размера между постобученными вариантами одной базовой модели: веса промежуточной модели формируются переносом дельты весов, а число патчируемых слоёв влияет на её размер. Модель содержит 2,1 млрд параметров, работает с контекстом до 32 768 токенов и использует формат safetensors в библиотеке Transformers. Основной сценарий — построение промежуточных вариантов Qwen3-4B-Base для изучения компромисса между размером и свойствами постобученных моделей. Для оптимальной интерполяции в описанной конфигурации следует отключить patch_first_k_layers. Модель распространяется по лицензии Apache-2.0. Это исследовательская студенческая модель; карточка не описывает языки обучения или оценки и не приводит сравнительных результатов.

anasrz/cora-node-gcn — графовая нейронная сеть для классификации узлов, созданная на Keras 3 с библиотекой K3-Node. Модель предназначена для работы с графом Cora и предсказывает один из семи классов для узла по его признакам и связям с другими узлами. Архитектура — двухслойная GCN с 1433 входными и 32 скрытыми каналами; используется dropout 0,5. В README приведена точность 0,7860. Модель рассчитана на графовые данные с признаками узлов; конкретная область применения ограничена набором Cora. Реализация заявлена для бэкендов PyTorch, JAX и TensorFlow, а формат файлов в репозитории указан как TensorFlow. Лицензия MIT.

FrankenCRIA Llama 2 11B v1.3 m.1 — экспериментальная языковая модель, созданная davzoku методом passthrough-слияния слоёв модели davzoku/cria-llama2-7b-v1.3. Она предназначена для генерации текста и исследовательских экспериментов с архитектурой FrankenMerge. В карточке указана архитектура LlamaForCausalLM; модель содержит 9,8 млрд параметров и поддерживает контекст до 4096 токенов. Основной заявленный язык — английский; среди связанных с моделью данных указан набор CodeLlama-2-20k. После слияния дополнительное обучение не проводилось. Автор предупреждает, что качество может быть ниже ожидаемого, поэтому модель подходит прежде всего для экспериментов, а не для критичных к качеству задач. Лицензия — Llama 2.

PurpleGloVe — простая реализация GloVe на PyTorch от LocalWisdom, созданная как учебный пример работы с инструментами Hugging Face. Репозиторий демонстрирует загрузку сохранённых токенизатора и конфигурации через from_pretrained; рецепт обучения приведён в train.ipynb. Модель предназначена для получения векторных представлений слов на английском языке и знакомства начинающих с построением такого процесса на PyTorch и Hugging Face. В метаданных указаны задача feature-extraction, формат safetensors и лицензия WTFPL. Для использования и модификации модели действуют условия этой лицензии. README описывает реализацию как простую и учебную, поэтому её практическое качество и пригодность для производственных систем не установлены.

PythonGPT — небольшая языковая модель семейства GPT-2, созданная автором 0x7o и обученная с нуля на 16 ГБ скриптов Python. Модель содержит 50 млн параметров и предназначена для генерации текста, прежде всего фрагментов кода Python. Это игрушечная модель с контекстом 1024 токена. В метаданных указаны PyTorch и safetensors, а также лицензия MPL-2.0. Карточка не сообщает о результатах оценки качества или пригодности для конкретных рабочих процессов.

theostos выпустил текстовый чекпойнт Qwen3.5 Babel 4B, дообученный методом supervised fine-tuning в исследовательском проекте Babel-Formal. Модель предназначена для перевода термов доказательств в тактические скрипты между Lean и Rocq, а также для экспериментов с таким переводом. Это плотная причинная языковая модель Qwen3_5ForCausalLM с 3,4 млрд параметров и контекстом до 262144 токенов; она сохраняет языковые параметры и токенизатор исходного Qwen3.5, но не содержит весов визуального энкодера. Модель принимает и генерирует текст. Её следует использовать вместе с prompting- и verification-процессом Babel-Formal; сгенерированные скрипты необходимо проверять целевым доказателем. Распространяется по лицензии Apache-2.0.

Venkatesulu/training_for_practice — модель для генерации текста, опубликованная пользователем или организацией Venkatesulu. В карточке указано, что она связана с библиотекой PEFT и представляет собой LoRA-адаптер для Transformers; также отмечен тег knowledge-distillation. Подробные сведения о базовой модели, разработчике, целях обучения и наборе данных отсутствуют. Модель, вероятно, предназначена для практического обучения или экспериментов с дообучением языковых моделей и может использоваться в задачах генерации текста после подключения к совместимой базовой модели. Архитектура, число параметров, поддерживаемые языки, размер контекста, модальности, результаты оценки, аппаратные требования и ограничения производительности не указаны. Лицензия в README не определена. Условия использования поэтому зависят как от самого адаптера, так и от лицензии базовой модели, сведения о которой отсутствуют.

Это полно-параметрическая модель Qwen2.5-3B-Instruct, дообученная методом SFT авторами репозитория wenlongzhao по конфигурации LLaMA-Factory из кодовой версии ARPO. Чекпойнт обучен на смеси ARPO-SFT-54K, включающей Tool-Star 54K и STILL, и предназначен для исследований SFT агентов, способных взаимодействовать с инструментами. Модель использует плотную архитектуру Qwen2ForCausalLM, содержит 3,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она принимает текст и генерирует текст; в метаданных указана чат-возможность. Вариант конфигурации рассчитан на максимальную длину обучения 15 000 токенов. Чекпойнт не оценивался как самостоятельная чат-модель, поэтому его качество в обычных диалогах и практическое поведение с инструментами не подтверждены. Указана лицензия Apache-2.0; README также требует учитывать лицензии базовой модели и обучающих данных.

ablam/distilgpt2_fine_tuned_gcode — компактная авторегрессионная языковая модель семейства GPT-2, созданная дообучением congcongwang/distilgpt2_fine_tuned_coder. Она предназначена для генерации текста, связанного с G-code, и может использоваться для продолжения или создания фрагментов управляющих программ по текстовому запросу. Модель основана на DistilGPT-2 и работает с текстом; заявленная длина контекста составляет 1024 токена. В README приведена оценка loss 4,1670 на тестовой выборке, но подробности датасета, методики оценки и практических ограничений не раскрыты. Модель опубликована в формате PyTorch; лицензия в предоставленных данных не указана.

Это дообученная и слитая с LoRA-адаптером модель Google Gemma 4 E2B IT, разработанная Мэттью Хейнсом в рамках проекта CRAP. Она преобразует описание программы на естественном языке в шестнадцатеричную строку, представляющую готовый исполняемый ELF-бинарник для Linux x86_64, обходя обычный этап генерации исходного кода и компиляции. Модель построена на плотной архитектуре Gemma 4 и распространяется в формате safetensors для Transformers; размер и длина контекста в предоставленных данных не указаны. Модель рассчитана на генерацию небольших исполняемых программ по отдельному запросу. В описанном автором тесте она прошла 20 из 23 проверок, где оценивались корректность ELF, запуск, вывод и код завершения. Лучше справляется с примерами, похожими на обучающие; точность снижается на новых словах и длинных или повторяющихся строках. Возможны ошибки длины вывода и кода завершения; модель обучалась для одноповоротных запросов и не предназначена для генерации macOS Mach-O. Лицензия репозитория — Apache-2.0.

Экспериментальный чекпойнт диффузионной языковой модели LLaDA-8B, дообученный автором проекта dLLM Registers на кодовой части набора mix60k. Модель генерирует текст и предназначена прежде всего для генерации кода с чанковым декодированием: последовательность обрабатывается окнами по 64 токена, а четыре обученных register-токена передают состояние между окнами денойзинга. Для корректного инференса нужны специальные параметры канала registers и маскируемые register-токены. Обучение продолжает SFT-чекпойнт albertge/llada-8b-dllm-registers-mix60k-r4 на примерно 30 тысячах трасс из поднабора OpenCodeInstruct. Модель основана на GSAI-ML/LLaDA-8B-Base, использует плотную архитектуру LLaDA и файлы safetensors; библиотека — Transformers. Карточка указывает английский язык и лицензию Apache-2.0. Это исследовательский чекпойнт для экспериментов с переносом состояния при генерации кода; качество на иных задачах и совместимость без специальной обвязки не заявлены.

cv43/llmpot — модель семейства T5, дообученная в рамках исследовательского проекта LLMPot на базе google/byt5-small. Она предназначена для эмуляции протокола Modbus: по текстовому вводу генерирует текстовый ответ, соответствующий этой задаче. Модель содержит 364,6 млн параметров и распространяется в формате Safetensors; для работы используется библиотека Transformers. Модель подходит для экспериментов и прототипирования эмуляции Modbus с помощью генерации текста. Базовая ByT5 — байтовая модель Google, рассчитанная на задачи преобразования текста, в том числе на шумных многоязычных данных; карточка этой производной модели отдельно подтверждает английский язык. Модель распространяется по лицензии MIT.

Luau-Coder-1.0-1.4B-Base-Stage1 — промежуточный чекпойнт модели для генерации текста, опубликованный во время обучения на шаге 73 400. Он основан на архитектуре Kimi K3 mini port и использует класс KimiLinearForCausalLM; в метаданных указано около 1,1 млрд параметров, формат safetensors и контекст до 1 048 576 токенов. Модель предназначена для экспериментов с генерацией кода на Luau. Это незавершённые веса, загруженные для сохранения и сравнения промежуточных результатов, поэтому качество и пригодность к практическому использованию не подтверждены. Карточка не сообщает базовую модель или лицензию.

Shaurya-saini выпустил дообученную методом QLoRA модель Qwen2.5-Coder-7B-Instruct для генерации кода на Python в задачах соревновательного программирования. Это плотная причинная языковая модель семейства Qwen2 с 7,1 млрд параметров и контекстом 32 768 токенов; опубликована объединённая версия весов в формате Safetensors. Для работы следует использовать шаблон чата Qwen, на котором модель обучалась. Модель обучена в течение одной эпохи на обучающей части набора APPS. По описанной оценке на отложенной тестовой выборке APPS она уступила исходной модели на всех проверенных уровнях сложности. README связывает ухудшение с отбором кратких решений, сужением навыков после дообучения и склонностью генерировать лишние закрывающие скобки. Модель пригодна для изучения и воспроизведения эксперимента, но результаты не подтверждают её преимущество для решения задач программирования. Лицензия — Apache-2.0.

theostos выпустил контрольную точку qwen-3.5-babel-2b-sft — текстовую модель Qwen3_5ForCausalLM с 1,7 млрд параметров, полученную дообучением Qwen/Qwen3.5-2B методом supervised fine-tuning на корпусе Babel Lean/Rocq. Она предназначена для перевода термов доказательств в тактические скрипты между Lean и Rocq и рассчитана на эксперименты с формальной верификацией. Модель принимает и генерирует текст; в этой версии нет весов визуального энкодера. Контекст — до 262 144 токенов. Модель специализируется на переводе формальных доказательств и может помочь создавать скрипты для целевого доказателя. Сгенерированный код может быть синтаксически неверным или не пройти проверку, поэтому результат нужно проверять в Lean или Rocq. Это не универсальный математический оракул; также не заявлено, что загрязнение обучающих данных исключено. Лицензия — Apache-2.0.

Montalte/qwen4b-code-think-random — экспериментальный артефакт слияния на базе плотной Qwen3-4B-Base, предназначенный для экспериментов по переносу навыков между математикой и программированием. Модель содержит 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и поддерживает контекст до 32 768 токенов. Она рассчитана на генерацию текста и имеет специализацию на коде. Артефакт получен слиянием с моделью-специалистом modrill/code-think-q4b-20260908: к вектору задачи применена равномерная случайная бинарная маска с долей сохранения 0,1 и seed=42; слои embed и lm_head пропущены. README описывает его как эксперимент по направленному переносу навыков, поэтому результаты не следует считать гарантированными для практических задач. Лицензия — Apache-2.0.

RTH-Code 25B — экспериментальная модель для генерации кода от RTH Italia, созданная Christian Quintino De Luca. Она предназначена для исследований архитектур без стандартного self-attention и для контролируемых экспериментов с генерацией и дополнением кода, а также для сравнения с моделями на Transformer и state-space архитектурах. Модель использует плотную архитектуру ZetaGrid на основе фрактальной gated causal temporal convolutional network. Вместо самостоятельной Transformer-модели она входит в систему Genome/Soul: общая замороженная база Genome сочетается с обучаемым Soul-адаптером для специализации на коде. В метаданных указаны 7,5 млрд параметров, контекст 2048 токенов и языки английский и итальянский; README также содержит теги Python, JavaScript и C++. Доступен формат GGUF, но для запуска может понадобиться совместимая среда с поддержкой пользовательских RTH TCN-операторов. Это ранний proof of concept, не настроенный как полноценный помощник-программист. Качество зависит от параметров генерации, а широкие результаты бенчмарков не представлены; перед применением результаты следует проверять на отложенных задачах. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Это исследовательский чекпойнт Sink baseline S2 из коллекции OASIS, созданный на базе Meta Llama 3.2 1B. В модели добавлен обучаемый слот ключа и значения (K/V) для каждой головы внимания; каждый запрос может обращаться к этому слоту. Архитектура основана на LlamaForCausalLM с дополнительными модулями AttentionResidual и sink. Модель предназначена для генерации текста и изучения влияния attention sinks, выбросов активаций и квантования на работу языковых моделей. Контекст составляет 131 072 токена. Для загрузки с сохранением варианта S2 нужны веса вместе с кодом моделирования OASIS: стандартный AutoModelForCausalLM может отбросить дополнительные параметры и выполнять обычное внимание. Лицензия — Llama 3.2.

Banaxi-Tech разработала SLMoE Test — экспериментальную базовую языковую модель с архитектурой mixture of experts и глобальной маршрутизацией экспертов на уровне последовательности. Модель не проходила настройку для следования инструкциям и предназначена для генерации продолжения текста. В метаданных указаны 9,7 млн параметров, контекст 4096 токенов и библиотека Transformers; README приводит другие размеры: 25 449 472 параметра всего и 7 902 208 активных на последовательность. Эти данные о размере расходятся. Маршрутизатор выбирает экспертов по первым 32 допустимым токенам, затем использует этот выбор во всех слоях и на протяжении генерации. Обучение завершено на корпусах веб-текстов, образовательных материалов, математики и кода; README сообщает примерно 60 млрд обучающих токенов. Модель ориентирована на эксперименты с компактными языковыми моделями и генерацией текста на английском языке. Для загрузки через Transformers требуется доверять пользовательскому коду репозитория. Лицензия в предоставленных данных не указана.

Sparse-AST-BWM-TopK-MoE — экспериментальная модель Chaman1234 для генерации кода и работы с математикой процедурного 3D-моделирования в Blender. Она использует разреженную архитектуру Mixture-of-Experts с маршрутизатором Top-K, который выбирает экспертов для обработки токенов. В карточке указаны 33 605 параметров, токенизация на уровне байтов UTF-8 с размером словаря 512 и формат SafeTensors. Модель предназначена для задач на Blender Python, включая bpy, mathutils, bmesh, NumPy и gpu, и оценивалась на учебном наборе задач по математике и Python для Blender 3D. В метаданных указан текстовый ввод и генерация текста; заявленный родной контекст составляет 32 токена, что существенно ограничивает длину запросов и ответов. Лицензия — Apache-2.0. Указанные результаты оценки и проверка совпадения весов с исходным PyTorch-чекпойнтом не гарантируют практическое качество генерации.

VertexResearch разработала Vertex-0.6-35M-Base — базовую авторегрессионную языковую модель с архитектурой Qwen3 и 33,9 млн параметров. Модель обучена с нуля и имеет собственный токенизатор byte-level BPE с размером словаря 32 000; веса сохранены в формате safetensors. Контекст модели составляет 1 024 токена. Модель предназначена для продолжения текста и экспериментов с небольшой языковой моделью. Обучение охватывало преимущественно англоязычные веб-тексты и корпус Python-кода; это базовая модель без инструкционной настройки, чат-формата и настройки безопасности. Лицензия — Apache-2.0. Ожидаются несвязные и повторяющиеся продолжения, особенно при длинной генерации, а ответы могут быть непоследовательными. Другие языки, помимо английского, практически не представлены в обучении.

wenlongzhao разработал эту модель как полно-параметрическое дообучение Qwen/Qwen3-8B по рецепту холодного старта из приложения E.2 статьи Agentic Reinforced Policy Optimization (ARPO). Это вариант конфигурации paper: при обучении использовались максимальная длина 4096 токенов, глобальный размер пакета 128 и weight decay 0,1; в репозитории указано 7,6 млрд параметров и контекст до 40 960 токенов. Модель предназначена для исследований агентного обучения с учителем в стиле ARPO и обучена на смеси ARPO-SFT-54K, включающей Tool-Star 54K и STILL. Она поддерживает генерацию текста и диалоговый режим на базе архитектуры Qwen3; README не оценивает её как самостоятельную чат-модель. Для использования следует соблюдать лицензии базовой модели и обучающих данных; в метаданных репозитория указана лицензия Apache-2.0.

Компактная сверточная нейросеть VGG-подобной архитектуры, созданная AI-агентом Claude и обученная с нуля на наборе CIFAR-10. Модель предназначена для классификации небольших изображений по десяти категориям CIFAR-10: самолёт, автомобиль, птица, кошка, олень, собака, лягушка, лошадь, корабль и грузовик. Архитектура включает три сверточных блока с 64, 128 и 256 каналами, пакетной нормализацией, ReLU и пулингом, затем глобальное усреднение, dropout и линейный классификатор на 10 классов. В README указана точность 91,52% на тестовой выборке. Модель принимает изображения и выдаёт метки классов; она обучена на CIFAR-10 и не предназначена для универсальной классификации произвольных изображений. Распространяется по лицензии MIT.

EEGNet-GNN-Pos — экстрактор признаков для сигналов ЭЭГ с графовой свёрткой по расположению электродов. В README описана архитектура на основе EEGNet: второй слой заменён позиционно-обусловленной графовой свёрткой, а остальные слои сохранены. Модель принимает геометрию электродного монтажа, возвращает вектор признаков размерности 372 при настройках по умолчанию; классификационная головка `EEGNetGNNPosClassifier` подключается отдельно. Координаты электродов участвуют в FiLM-модуляции узлов и в знаковом пространственном считывании. Это рассчитано на обработку моторных ЭЭГ-сигналов и перенос между монтажами с разным числом электродов. Репозиторий содержит веса в формате safetensors; лицензия — MIT. В README рекомендовано обучать модель целиком и сравнивать варианты считывания на одинаковой классификационной головке.