II.2Создание и понимание программного кода

llm-d-sc-complexity-v3 — классификатор для маршрутизатора llm-d semantic, разработанный авторами карточки модели. Он делит запросы на два класса: TRIVIAL и WORK; результат помогает решить, можно ли обслужить запрос небольшой моделью или кэшем либо направить его основной модели. Модель основана на sentence-transformers/all-MiniLM-L6-v2 с классификационной головой BertForSequenceClassification; содержит 25,9 млн параметров и принимает текст длиной до 512 токенов. Выход — метки классов и логиты, поэтому для использования нужен runtime, который умеет читать логиты. Указанная лицензия — Apache-2.0. На тестах на реальном трафике WildChat модель показала точность около 96% на согласованных метках. На спорных примерах качество ниже базового уровня, а уверенность модели не позволяет надёжно выявлять такие случаи для перенаправления. Авторы рекомендуют применять её при полной нагрузке либо отправлять запросы класса TRIVIAL на дешёвый путь, учитывая ошибки классификации. Оценивание основано на метках, выставленных LLM-судьями; независимого воспроизведения результатов не было.

Это веса модели mit_b1, подготовленные для использования в качестве энкодера библиотекой segmentation-models-pytorch. Модель предназначена для классификации изображений и может служить основой для систем сегментации, собираемых с помощью этой библиотеки. В репозитории опубликованы предварительно обученные на ImageNet веса в формате safetensors. Карточка не сообщает размер модели, поддерживаемые языки или лицензионные условия; метаданные указывают лицензию other. Перед использованием следует проверить условия распространения весов и библиотеки.

mobilenetv3_large_100.ra_in1k — модель классификации изображений семейства MobileNetV3, предоставленная проектом timm. Она обучена на ImageNet-1k с рецептом RandAugment; в обучении использовались оптимизатор RMSProp с поведением TensorFlow 1.0, усреднение весов EMA и ступенчатое экспоненциальное снижение скорости обучения с разогревом. Модель содержит около 5,5 млн параметров, рассчитана на изображения размером 224 × 224 и требует около 0,2 GMAC на обработку изображения. Её можно использовать для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0.

Карточка модели amd/PARD2-Qwen3-14B на Hugging Face совпадает с карточкой amd/PARD2-Qwen3-8B, поэтому описание составлено по ней. amd/PARD2-Qwen3-8B — черновая модель семейства Qwen3, разработанная AMD для ускорения генерации текста методом спекулятивного декодирования. Она формирует несколько токенов-кандидатов для проверки целевой авторегрессионной моделью и поддерживает два режима: независимый от целевой модели и учитывающий её. Обучение ориентировано на увеличение длины последовательности токенов, принимаемых целевой моделью, а Confidence-Adaptive Token (CAT) оптимизация перераспределяет вес токенов с учётом их вклада в проверку. Модель предназначена для интеграции в конвейеры спекулятивного декодирования, в том числе с vLLM. В README заявлено ускорение без потери точности до 6,94 раза на разных моделях и задачах; этот результат зависит от целевой модели, нагрузки и настроек инференса. По метаданным модель содержит 507,9 млн параметров, использует архитектуру Qwen3ForCausalLM, поддерживает контекст до 40 960 токенов и распространяется в формате safetensors. Лицензия — MIT.

poolformer_m36.sail_in1k — модель PoolFormer семейства MetaFormer для классификации изображений и извлечения визуальных признаков. Её обучили авторы статьи «MetaFormer Is Actually What You Need for Vision» на ImageNet-1k. Модель содержит 56,2 млн параметров; для классификации использует изображения размером 224 × 224 пикселя. Модель подходит для присвоения изображению метки из набора классов ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Она реализована на PyTorch и доступна в форматах PyTorch и safetensors; библиотека для работы с ней — timm. Лицензия — Apache-2.0.

unsloth/Qwen2.5-0.5B-unsloth-bnb-4bit — это 4-битная динамически квантованная версия базовой языковой модели Qwen2.5-0.5B, подготовленная Unsloth на основе Qwen/Qwen2.5-0.5B. Модель предназначена для генерации и продолжения текста, а также может использоваться как компактная основа для дообучения и исследовательских экспериментов. Это не instruction-tuned модель, поэтому её не рекомендуют использовать непосредственно для диалогов без дополнительной настройки. Модель представляет собой causal language model с архитектурой на базе transformers, RoPE, SwiGLU, RMSNorm, смещениями в attention QKV и связанными эмбеддингами. Она содержит около 0,49 млрд параметров, включая 0,36 млрд параметров без эмбеддингов, 24 слоя и Grouped Query Attention с 14 головами для Q и 2 для KV. Контекстное окно этой версии составляет 32 768 токенов. Заявлена поддержка более 29 языков, включая китайский, английский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский. Ключевое преимущество версии — сниженные требования к памяти благодаря 4-битному формату Unsloth, при этом динамическая селективная квантизация призвана сохранить больше точности по сравнению со стандартной 4-битной квантизацией. Ограничения связаны с небольшим размером, базовым статусом без instruction tuning и отсутствием в предоставленных данных подробных результатов оценки качества. Модель распространяется по лицензии Apache-2.0.

NVIDIA Qwen3-235B-A22B-Thinking-2507-FP4-Eagle3 — вспомогательная модель Eagle для ускорения авторегрессионной генерации текста базовой моделью Qwen3-235B-A22B-Thinking-2507-FP4. Она использует спекулятивное декодирование: предлагает несколько следующих токенов, которые затем проверяет исходная модель, чтобы за шаг генерации можно было принять больше одного токена. Модель предназначена для TensorRT-LLM и NVIDIA GPU с архитектурой Blackwell; вход и выход — текст, максимальная длина контекста указана как 262144 токена. Модель ориентирована на разработчиков чат-ботов, агентных и RAG-систем, а также приложений с генерацией текста и выполнением инструкций. В README указана архитектура Transformers/Llama3 и размер 1B, тогда как метаданные каталога сообщают 840,4 млн параметров; эти сведения расходятся, поэтому точный размер не утверждается. Метаданные связывают репозиторий с Qwen/Qwen3-235B-A22B-Thinking-2507-FP4 как с базовой моделью. README указывает, что модель готова к коммерческому и некоммерческому использованию, а в ограничениях применения ссылается на Apache License 2.0. Для запуска описана интеграция с TensorRT-LLM; переносимость на другие ускорители не подтверждена. Приведённые результаты относятся к acceptance rate Eagle на MT-Bench и не являются общей оценкой качества ответов.

Qwen3-30B-A3B-abliterated — экспериментальная версия Qwen3-30B-A3B, созданная автором mlabonne с применением техники abliteration. Это разреженная MoE-модель для генерации текста и диалогов; в метаданных указано 2,6 млрд параметров и контекст до 40 960 токенов. Репозиторий использует Transformers и формат safetensors. Модель предназначена для генерации ответов в чате и других текстовых сценариев. Автор описывает её как uncensored-версию базовой модели, однако прямо предупреждает, что работа ещё не завершена и пока не рекомендует модель к использованию. Лицензия — Apache-2.0.

Qwen3.8-9B Hermes FC Real Traces — дообученная модель JamieBradfield на базе empero-ai/Qwen3.8-9B-Distill для экспериментов с вызовом инструментов и планированием многошаговых задач. Это плотная текстовая модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration; базовая модель описана как дистиллят Qwen3.8. В README указан контекст 262 144 токена, однако обучение выполнялось с последовательностями длиной до 6 144 токенов. Модель дообучалась методом QLoRA в 4-битном режиме на траекториях Hermes с вызовами инструментов. README сообщает, что дообучение улучшило планирование с предварительным вызовом todo в многошаговых задачах, но также привело к ошибкам сдержанности и дрейфу вызовов на обычных вопросах. Проверка использовала синтетический интерфейс, не соответствующий штатному пути передачи инструментов Hermes; независимая оценка не завершена, поэтому качество для конкретных сценариев не подтверждено. В репозитории опубликованы слитые веса BF16; лицензия — Apache-2.0.

Это визуальный энкодер на базе Qwen3.8-Flash-Next, подготовленный как модель извлечения признаков изображений для библиотеки timm. Веса зрения перенесены в формат timm без дополнительного обучения; языковые веса и обученная голова классификации не входят в чекпойнт. Архитектура включает ViT-бэкбон шириной 1152, пространственный merger и проекцию до 2560 измерений; всего 448 млн параметров. Модель принимает RGB-изображения, поддерживает прямоугольные размеры, интерполирует абсолютные позиционные эмбеддинги и пересчитывает 2D RoPE для каждого размера. Примерный размер изображения — 768 × 768; размеры сторон должны делиться на 16, а для вариантов с merger 2×2 — на 32. На выходе доступны токены признаков и пулингованные эмбеддинги изображения. Модель предназначена для получения визуальных признаков и как основа для последующего дообучения классификатора на целевом наборе данных. Для нормализации RGB используется среднее и стандартное отклонение 0,5 по каждому каналу. Указана лицензия Qwen Community License 1.0; перед использованием следует учитывать её условия. Чекпойнт не содержит языковой модели или готовой обученной головы классификации.

ResNeXt-50 32×4d tv_in1k — модель классификации изображений из семейства timm, основанная на оригинальных весах torchvision и обученная на ImageNet-1k. Архитектура использует ReLU, начальную свёртку 7×7 с пулингом, групповые свёртки 3×3 в bottleneck-блоках и проекционные shortcut-свёртки 1×1. Модель содержит около 25 млн параметров и рассчитана на изображения размером 224×224. Модель подходит для классификации изображений по категориям ImageNet-1k, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Она принимает изображения и выдаёт классовые оценки. Лицензия — BSD-3-Clause.

Это веса кодировщика изображений HieraDet из семейства SAM 2, опубликованные в библиотеке timm под идентификатором sam2_hiera_base_plus.fb_r896. Модель предназначена для извлечения признаков из изображений и может служить визуальным энкодером в системах компьютерного зрения. В репозитории представлены веса в форматах PyTorch и safetensors. Указана лицензия Apache 2.0. Карточка описывает только кодировщик изображений, поэтому модель сама по себе не является полной системой сегментации SAM 2.

Это предварительно обученные на ImageNet веса архитектуры SE-ResNeXt-50-32x4d из библиотеки segmentation-models-pytorch. Модель предназначена для классификации изображений и может использоваться как энкодер в системах сегментации на базе этой библиотеки. SE-ResNeXt-50-32x4d — сверточная архитектура для обработки изображений. Карточка не приводит сведения о размере весов, языках или других модальностях. Репозиторий содержит веса в формате safetensors; лицензия указана как other, поэтому условия использования следует уточнить в источнике лицензии.

Shreyansh-STEM-1.5B-Base — базовая языковая модель с открытыми весами, созданная для задач STEM. Она построена на плотной авторегрессионной архитектуре OLMo-2 и содержит около 1,3 млрд параметров по метаданным. Модель предназначена для дообучения под специализированные задачи, а не для диалогового использования без дополнительной настройки. Заявленные области применения включают физику, математику, органическую химию, вычислительную биологию, информатику, а также логику аппаратуры и код на Verilog/VHDL. Модель генерирует текст и может служить основой для SFT, адаптации предметной области или дистилляции; заявленный контекст — 4096 токенов. Веса опубликованы в формате SafeTensors, лицензия — Apache 2.0. Чекпойнт не настроен на выполнение инструкций и не выровнен с помощью RLHF, поэтому для чата и ответов на вопросы потребуются подходящие промпты или последующее дообучение. Качество по отдельным STEM-задачам в предоставленных материалах не оценено.

System One (zeroshot) — компактная модель классификации от автора репозитория shreyanbr на базе DeBERTa-v3-xsmall. Это cross-encoder с 77,5 млн параметров, который обрабатывает текст и заданные вопросы с вариантами решений за один пакетный прямой проход, не генерируя токены. Модель предназначена для маршрутизации запросов, классификации и принятия простых управляющих решений в программном обеспечении, когда не требуется генеративная модель. В карточке заявлена поддержка решений типов Choice, Score и Noul через схему TypeSafe Jev `/v1/systemone`. README указывает, что чекпойнт не дообучался для этой задачи и использует базовую NLI-модель как есть; вместе с весами необходим файл калибровки `calibration.json`. Доступный контекст — 512 токенов. Лицензия репозитория — Apache-2.0, однако README предупреждает, что supervision для triage опирается на датасет tickets с лицензией CC-BY-NC-4.0 и не предназначена для коммерческого использования. В приведённых тестах качество различается по вопросам: intent — 0,508, tool — 0,384, needs_tool — 0,792. README отмечает, что некоторые вопросы близки к уровню простого предсказателя, а одна из тестовых строк загрязнена сходством с банковским датасетом обучения базовой модели. Результаты получены в одном запуске; модель не следует считать надёжной без отдельной проверки на целевых данных.

timm/tf_efficientnet_b4.ap_in1k — сверточная модель EfficientNet-B4 для классификации изображений и извлечения признаков. Её обучили авторы исходных работ на ImageNet-1k с применением AdvProp, то есть обучения с состязательными примерами; в PyTorch модель перенёс Росс Вайтман. Веса доступны в форматах PyTorch и safetensors, библиотека для работы с моделью — timm. Модель содержит около 19,3 млн параметров, требует изображения размером 380 × 380 пикселей и может использоваться как классификатор или как основа для извлечения карт признаков и эмбеддингов изображений. Она предназначена для распознавания объектов из общего набора классов ImageNet-1k, а не для отдельной прикладной области. Лицензия — Apache-2.0.

Карточка модели llm-agents/tora-7b-v1.0 на Hugging Face совпадает с карточкой llm-agents/tora-code-7b-v1.0, поэтому описание составлено по ней. ToRA-Code-7B-v1.0 — языковая модель семейства Llama, выпущенная командой ToRA для решения математических задач с помощью естественно-языкового рассуждения и внешних инструментов, таких как библиотеки вычислений и символьные решатели. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и формат PyTorch; максимальная длина контекста — 16 384 токена. Карточка указывает английский язык и обучение на примерах GSM8K и MATH. Модель дообучена методом supervised fine-tuning на корпусе ToRA-Corpus 16k с траекториями решения задач GSM8K и MATH, после чего применялось формирование пространства выходов для улучшения взаимодействия с инструментами. Она предназначена для генерации решений математических задач, включая сценарии, где требуется вычисление или использование символьного решателя. Для практического взаимодействия с инструментами нужны соответствующая среда исполнения и код интеграции; README отсылает к репозиторию проекта за инструкциями по запуску и оценке. Лицензия — Llama 2.

WebWorld-32B — языковая модель мира для обучения и оценки веб-агентов, разработанная командой Qwen. Она предсказывает следующее состояние веб-страницы по текущему состоянию и действию агента, поддерживая симуляцию траекторий длиной более 30 шагов. Модель дообучена на базе Qwen/Qwen3-8B на данных Qwen/WebWorldData; архитектура — плотная Qwen3ForCausalLM, около 29,7 млрд параметров, контекст — до 40 960 токенов. Модель предназначена для симуляции взаимодействий с веб-средой, синтеза траекторий и поиска с просмотром возможных последствий действий. Она сохраняет форматы состояний A11y Tree, HTML, XML, Markdown и естественного языка, а действия принимает в виде вызовов функций. Поддерживаемые языки по карточке — английский и китайский. Модель текстовая и не симулирует визуальное отображение страниц на уровне пикселей. В README также отмечены склонность к чрезмерно оптимистичным исходам и то, что генерация длинных точных текстов не является её основной задачей. Лицензия — Apache-2.0.

WebWorld-8B — языковая модель для симуляции веб-среды и обучения и оценки веб-агентов, разработанная командой Qwen. Она дообучена на базе Qwen3-8B на более чем миллионе траекторий взаимодействия с реальными сайтами и предсказывает следующее состояние страницы по текущему состоянию и действию агента. Модель поддерживает многошаговую симуляцию на горизонте более 30 шагов и сохраняет формат представления состояния: дерево доступности, HTML, XML, Markdown или естественный язык; действия могут задаваться как вызовы функций. Модель имеет плотную архитектуру Qwen3ForCausalLM, 7,6 млрд параметров и контекст до 40 960 токенов. Она предназначена для генерации синтетических траекторий, прогнозирования переходов между состояниями веб-страниц и поиска с прогнозированием для веб-агентов; заявлена переносимость на задачи GUI, код и игровые среды. Поддерживаются английский и китайский языки. Модель распространяется в формате Safetensors по лицензии Apache-2.0. WebWorld-8B не симулирует визуальное отображение страниц на уровне пикселей и может чрезмерно оптимистично предсказывать результаты действий агента. Генерация длинного высокоточного содержимого, например научных статей, не является её целевой задачей.

joker5914/yolov8n-license-plate — модель обнаружения автомобильных номерных знаков на изображениях, размещённая пользователем joker5914. По названию и данным репозитория это вариант YOLOv8n, обученный на наборе keremberke/license-plate-object-detection. В репозитории есть контрольная точка Ultralytics и экспорт в ONNX, подготовленный для компилятора Hailo Dataflow Compiler. Модель предназначена для поиска и локализации номерных знаков на изображениях, например в системах видеонаблюдения и автоматизированного контроля транспорта. Карточка не сообщает метрики качества и не описывает распознавание символов, поэтому модель следует рассматривать как детектор областей номерных знаков, а не как систему чтения номера. Лицензия репозитория — AGPL-3.0.

Карточка модели taddymason/BananaMind-2-Pro-Preview-Chat на Hugging Face совпадает с карточкой BananaMind/BananaMind-2-Pro-Preview-Chat, поэтому описание составлено по ней. BananaMind-2-Pro-Preview-Chat — компактная диалоговая языковая модель BananaMind, созданная полным дообучением BananaMind/BananaMind-2-Pro-Preview на наборе HuggingFaceTB/smol-smoltalk в течение одной эпохи. Это плотный декодерный Transformer с 138,9 млн параметров и контекстом 3 072 токена; модель поддерживает системные инструкции и многоходовые диалоги. Для работы требуется библиотека Transformers и загрузка пользовательского кода репозитория через trust_remote_code=True. Модель предназначена для локальных чат-экспериментов, следования инструкциям, учебных демонстраций и исследований дообучения, а также экспериментов с генерацией кода и компактными языковыми моделями. В опубликованном авторами тесте BananaMind Instruct Bench 1.1 она показала лучшие среди приведённых вариантов результаты, однако общий взвешенный балл составил 27,09% на 300 заданиях, а на сложных заданиях — 8,53%; эти результаты зависят от конфигурации оценки. Карточка сообщает лицензию «other», но конкретные условия в предоставленных данных не раскрыты. Модель обучалась на англоязычных данных smol-smoltalk; подтверждена поддержка английского языка. Специального выравнивания безопасности не проводилось: возможны галлюцинации, ошибки в логике и арифметике, некорректный или небезопасный код, предвзятые и повторяющиеся ответы. Не следует использовать её для медицинских, юридических, финансовых и иных ответственных решений.

CogEvol-4B-Q4_K_M-GGUF — квантизированная версия модели CogEvol-4B, разработанной командой CogEvol. Модель предназначена для генерации учебных сред по текстовому описанию курса: за один проход она создает структурированный JSON слайдовой страницы или автономную интерактивную HTML-страницу, работающую непосредственно в браузере. Поддерживаются английский и китайский языки, а модель можно запускать локально и полностью офлайн на ноутбуке через llama.cpp. Модель имеет размер 4B параметров в базовой версии, поставляется в формате GGUF с квантизацией Q4_K_M и занимает около 2,4 ГБ. Для рекомендованного запуска указан контекст до 32768 токенов; для интерактивного HTML рекомендуется контекст не менее 24576 токенов. По данным README, на M2 Pro с 16 ГБ памяти достигается в среднем около 34,8 токена в секунду при генерации слайдов, а CPU-only режим обеспечивает примерно 18–24 токена в секунду. Проверка на ограниченном наборе производственных сценариев показала сопоставимое с BF16 качество и корректность JSON и HTML-результатов. К сильным сторонам относятся компактный размер, автономная работа, генерация готовых учебных артефактов и совместимость с llama.cpp. Ограничения включают необходимость отключать режим рассуждений, увеличенный на 10–20% объем генерируемых Q4-токенов по сравнению с BF16, а также возможные проблемы старых версий macOS Metal, для которых предусмотрен автоматический переход на CPU. Модель распространяется по лицензии Apache-2.0.

SafetyMP разработала Corporate Site Harness LLM — специализированную диалоговую модель на базе Qwen2.5-7B-Instruct, дообученную на SafetyMP/corporate-site-harness-training-data. Это плотная трансформерная модель с 7,1 млрд параметров, рассчитанная на контекст до 32 768 токенов. Веса опубликованы в формате safetensors после объединения обученных QLoRA-адаптеров с базовой моделью; лицензия — Apache-2.0. Модель предназначена для локальных и автономных подсказок по этапам корпоративного и веб-проектного harness-процесса: правилам, CLI-аргументам, структуре JSON-артефактов и отказам от небезопасных действий. Её также можно использовать для демонстраций и оценки на валидационной выборке сопутствующего датасета. Модель генерирует текст и ориентирована на английский язык. Ответы модели носят рекомендательный характер: она не заменяет проверки corp-harness, цифровые дайджесты, независимое ревью или одобрение пользователя и не должна сама объявлять успешное прохождение проверок. Данные синтетические и шаблонные, поэтому возможны повторяемые формулировки и чрезмерно заученные отказы; модель может поддаться небезопасным запросам при состязательном или многоходовом взаимодействии. Перенос на обычное программирование и другие агентные фреймворки ограничен, а опубликованные оценки по доменам отсутствуют.

yujiepan/gemma-4-moe-tiny-random — экспериментальная миниатюрная модель, созданная на основе конфигурации Google Gemma 4 26B A4B Instruct. Модель имеет архитектуру Gemma4ForConditionalGeneration с текстовым и визуальным компонентами, поддерживает обработку изображений и видео вместе с текстовыми запросами и предназначена для отладки интеграции и проверки кода, а не для прикладного использования.

RAS-LAB выпустила экспериментальный чекпойнт GLM-4.7-Flash-28B-A3B-KREAP на основе zai-org/GLM-4.7-Flash. Это диалоговая MoE-модель для генерации текста; её архитектура — Glm4MoeLiteForCausalLM. В 46 слоях с маршрутизацией число экспертов сокращено с 64 до 56 на слой, при этом маршрутизация top-4 сохранена. Веса хранятся в BF16/F32 формате safetensors; квантизации и дообучения не проводилось. Чекпойнт содержит 27,75 млрд параметров, а контекст составляет 202 752 токена. Модель предназначена для диалога и генерации текста, с приоритетом корейского языка. В описанной оценке результаты на корейских тестах снизились относительно базовой модели; отдельные показатели программирования различались, включая улучшение на LiveCodeBench v6. Чекпойнт не прошёл внутренние критерии выпуска, а внешнее воспроизведение результатов ещё не представлено. Загрузка через Transformers 5.0.0 с trust_remote_code=False проверена; спекулятивное декодирование MTP/NextN не поддерживается. Постпрунингового восстановления или дообучения не было, поэтому качество на задачах вне калибровочных и оценочных наборов может измениться. Корейская оценка в основном основана на тестах с выбором ответа; качество длинных ответов, суммаризации, многоходового диалога, фактической точности, безопасности и длинноконтекстного поиска всесторонне не оценивалось. Лицензия — MIT.

crumb/gpt2023 — англоязычная авторская донастройка модели GPT-2, созданная на основе GPT-2 с 124 млн параметров. Модель использует архитектуру GPT2LMHeadModel и генерирует продолжение текста по текстовой подсказке. Контекст — до 1024 токенов. При дообучении использовано около 2,23 млрд токенов из веб-страниц Common Crawl за 2023 год, arXiv и GitHub. Модель подходит для экспериментов с генерацией текста, продолжения фрагментов и изучения влияния дополнительного обучения на небольшие языковые модели. В карточке приведены примеры генерации и результаты отдельных оценок, но оценивание обозначено как незавершённое. Модель распространяется по лицензии MIT. Как и другие небольшие авторегрессионные языковые модели, она может выдавать фактически неверные ответы и воспроизводить смещения обучающих данных; её знания о событиях ограничены составом и датой обучающих данных. Карточка также отмечает, что использованные веб-данные не опубликованы как доступный для просмотра датасет.

GUI-Actor-7B-Qwen2.5-VL — мультимодальная модель Microsoft для визуального поиска элементов графического интерфейса. Она построена на Qwen2.5-VL-7B-Instruct: к языково-визуальной модели добавлена основанная на attention голова действий, а модель дообучена на данных для GUI grounding. Репозиторий содержит веса в формате safetensors; модель имеет 7,1 млрд параметров и контекст до 128 000 токенов. Модель предназначена для GUI-агентов, которым нужно находить элементы на скриншотах по текстовому запросу и использовать результаты для взаимодействия с интерфейсом. Карточка указывает на оценку модели на бенчмарках GUI grounding, включая ScreenSpot-Pro, ScreenSpot и ScreenSpot-v2. Лицензия — MIT. Доступные сведения не описывают точный формат выходных данных или поддерживаемые языки.

shanearora/i-am-a-good-open-base-model — открытая базовая языковая модель, опубликованная пользователем Shane Arora на Hugging Face. Репозиторий помечен как относящийся к семейству OLMo 2 и предназначен для задач генерации текста и дальнейшей адаптации, а не для общения в формате готового instruction-tuned ассистента. Модель содержит около 7 млрд параметров и распространяется в формате Safetensors с типом тензоров F32. Поддерживаемые модальности, языки, архитектурные детали и размер контекста в карточке модели не указаны. Публичная карточка также не содержит результатов тестирования, поэтому нельзя надёжно оценить её качество, сильные стороны или ограничения по сравнению с другими моделями; отсутствие instruction-настройки ограничивает готовность к прямому использованию в сценариях следования инструкциям. Модель доступна по лицензии Apache-2.0. Карточка модели содержит минимальные сведения, поэтому конкретные требования к аппаратному обеспечению, рекомендуемые сценарии развёртывания и дополнительные ограничения не задокументированы.

Zhangdanyang/Kimi_K25_eagle3_v2_phase1_Lumen — черновая модель Eagle3 MTP для ускорения инференса Kimi-K2.5, обученная LumenRL на 8 ускорителях AMD MI350. Её архитектура согласована с lightseekorg/kimi-k2.5-eagle3: однослойный Transformer с размером скрытого слоя 7168, промежуточным размером 12288, 64 головами и размерностью головы 128. Модель предназначена для speculative decoding в связке с Kimi-K2.5: она предлагает черновые токены, которые основная модель проверяет, чтобы ускорить генерацию. В описании обучения указаны данные для визуально-языковых задач, китайского языка, вызова инструментов, агентных сценариев и письма. Репозиторий содержит веса safetensors и основан на дообучении moonshotai/Kimi-K2.5. Лицензия — MIT.

Карточка модели nguyenthilaitrieulong/llama-3-70B-Instruct-abliterated на Hugging Face совпадает с карточкой failspy/llama-3-70B-Instruct-abliterated, поэтому описание составлено по ней. failspy/llama-3-70B-Instruct-abliterated — производная версия Meta Llama 3 70B Instruct, созданная автором failspy. Веса bfloat16 были ортогонализированы, чтобы ослабить способность модели выражать отказы; это изменение не гарантирует, что модель будет отвечать на любой запрос или правильно его понимать. Остальные аспекты настройки, согласно карточке, соответствуют исходной инструктивной модели. Модель представляет собой плотную авторегрессионную LlamaForCausalLM с 69,5 млрд параметров и контекстом 8192 токена. Она предназначена для диалоговой генерации текста и экспериментов с влиянием механизмов отказа в LLM. Репозиторий содержит веса safetensors; карточка также упоминает доступные GGUF-квантизации и файл направления отказа для самостоятельного применения метода. Автор предупреждает, что модель протестирована ограниченно и может проявлять побочные эффекты и необычное поведение. Лицензия указана как llama3; применяются условия лицензии Llama 3.