II.2Создание и понимание программного кода

Ramos-Ramos/dino-resnet-50 — модель ResNet-50 с весами, предварительно обученными методом DINO; репозиторий содержит конвертацию официальных весов DINO в формат Transformers/PyTorch. Модель предназначена для извлечения признаковых представлений из изображений, которые можно использовать в последующих задачах компьютерного зрения. Это визуальная ResNet-50, связанная с работой DINO по самообучению визуальных представлений. В README приведён пример использования через Transformers, но предупреждается, что конфигурация предварительной обработки изображений скопирована из microsoft/resnet-50 и не проверялась для этих весов. Лицензия и точные параметры входа в предоставленных данных не описаны.

dla46x_c.in1k — модель семейства DLA (Deep Layer Aggregation) для классификации изображений и извлечения визуальных признаков. Разработана авторами работы о Deep Layer Aggregation и обучена на ImageNet-1k; модель распространяется в библиотеке timm. Модель содержит около 1,1 млн параметров, требует изображения размером 224 × 224 пикселя и имеет вычислительную сложность около 0,5 GMAC. Её можно применять для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. Лицензия — BSD 3-Clause. Модель предназначена для изображений общего назначения; сведения о точности и других ограничениях в карточке не приведены.

Это англоязычный cross-encoder-реранкер для поиска товаров в интернет-магазинах, разработанный Alberto Barnabo. Модель оценивает релевантность пары «поисковый запрос — название товара» и повторно сортирует кандидатов, уже найденных поисковым движком. Её можно использовать со своим поисковым механизмом; карточка также описывает связку с отдельным эмбеддинг-рetriever’ом. Модель построена на BERT-архитектуре и дообучена на базе cross-encoder/ms-marco-MiniLM-L12-v2 на человеческих оценках релевантности товаров из Amazon ESCI. В метаданных указаны 40 млн параметров и контекст до 512 токенов; README приводит размер 33 млн параметров. Для ранжирования достаточно передавать названия товаров. По данным README, модель рассчитана на CPU-инференс: обработка 50 кандидатов занимала около 45 мс на ноутбуке Apple M-серии. На отложенном тесте ESCI реранжирование повышало nDCG@10 связки с указанным в README поисковым механизмом с 0,4349 до 0,5162. Оценки модели подходят для упорядочивания и относительных порогов, но не интерпретируются как вероятности релевантности. Модель обучена на английских запросах и каталоге Amazon; перенос на другие языки и товарные каталоги не оценён. Она обучалась на названиях, поэтому для скоринга следует подавать названия, а не полные описания товаров. Лицензия — Apache-2.0.

Ahmad Yar подготовил сообщественный конвертированный вариант EdgeTAM в формате Core ML для сегментации и сопровождения объектов в видео на iOS 18 и совместимых системах macOS. Модель состоит из четырёх пакетов: кодировщика кадров, инициализатора по точечному запросу, кодировщика памяти и распространителя масок между кадрами. Веса сохранены из исходного чекпойнта EdgeTAM; приложение управляет банком временной памяти и объектными указателями. Система принимает RGB-кадры размером 1024×1024 и положительные или отрицательные точечные подсказки, а выдаёт маски объектов, оценки качества и данные для обновления памяти. В README описана проверка последовательного соответствия исходному конвейеру PyTorch на восьми кадрах; приведённые значения IoU относятся только к этому примеру и не являются общим бенчмарком. Для работы нужны Core ML и приложение-обвязка на Swift или Objective-C; на текущих iPhone рекомендуется режим CPU и GPU, поскольку часть операций может не поддерживаться Neural Engine. Лицензия — Apache 2.0.

Это сверточная модель EfficientNet-B1 для классификации изображений и извлечения признаков. Её обучил Росс Уайтман с помощью timm на ImageNet-1k; при обучении использовались гиперпараметры, вдохновлённые MobileNet-V4 Small и рецептами timm и «ResNet Strikes Back». Модель содержит около 7,8 млн параметров и выполняет примерно 0,7 GMAC на изображение. Модель предназначена для определения объектов на изображениях, извлечения карт признаков и получения эмбеддингов. Размер изображения при обучении составлял 240 × 240 пикселей, при оценке — 288 × 288. Для использования доступны веса PyTorch и safetensors; модель работает с библиотекой timm. Распространяется по лицензии Apache-2.0.

EfficientNet-B2 — сверточная модель классификации изображений из семейства EfficientNet, опубликованная проектом timm. Модель обучена на ImageNet-1k с рецептом RandAugment и может использоваться как классификатор или как основа для извлечения признаков и эмбеддингов изображений. В модели около 9,1 млн параметров и вычислительная сложность около 0,9 GMACs. Для обучения использовались изображения размером 256 × 256, для оценки — 288 × 288. Репозиторий предоставляет веса PyTorch и SafeTensors; библиотека для работы с моделью — timm. Лицензия Apache-2.0 допускает коммерческое использование при соблюдении её условий. Модель предназначена для классификации изображений общего назначения и извлечения визуальных признаков. Её категории обучения ограничены набором ImageNet-1k, поэтому точность на специализированных или существенно отличающихся от ImageNet данных может быть ниже; для таких сценариев может потребоваться адаптация.

EfficientViT B1 — модель компьютерного зрения семейства EfficientViT, разработанная авторами соответствующей научной работы и размещённая в timm. Она обучена на ImageNet-1k для классификации изображений и может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. Модель содержит около 9,1 млн параметров и рассчитана на входные изображения размером 256 × 256 пикселей; вычислительная сложность составляет около 0,7 GMACs. Модель подходит для классификации объектов на изображениях и получения визуальных признаков в компактных сценариях компьютерного зрения. Репозиторий содержит веса PyTorch и safetensors. Лицензия Apache-2.0.

ArchiveStudio/gemma-4-E2B-it-assistant — чекпойнт-драфтер семейства Gemma 4 E2B для ускорения генерации методом speculative decoding. В README описана схема, где компактная модель предсказывает несколько следующих токенов, а целевая модель проверяет их параллельно; это может ускорять декодирование до 3 раз без изменения качества целевой генерации. Карточка указывает авторство Google DeepMind и лицензию Apache 2.0. Модель относится к семейству Gemma 4, имеет плотную архитектуру Gemma4AssistantForCausalLM и сохранена в safetensors. Семейство Gemma 4 поддерживает текстовые и визуальные входы, а варианты E2B и E4B также работают с аудио; для E2B указан контекст до 128 тысяч токенов. Семейство обучено на более чем 140 языках. Драфтер предназначен для использования в совместимом конвейере speculative decoding, а не как самостоятельный универсальный ассистент. README описывает возможности семейства, поэтому конкретные мультимодальные функции этого чекпойнта не подтверждены отдельно.

GhostNet 1.0 — компактная сверточная модель классификации изображений из семейства GhostNet, опубликованная авторами соответствующей работы и обученная на ImageNet-1k. Версия timm/ghostnet_100.in1k содержит около 5,2 млн параметров и рассчитана на изображения размером 224 × 224 пикселя; для запуска используются PyTorch и библиотека timm, веса доступны в форматах PyTorch и Safetensors. Модель определяет классы объектов на изображениях и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Компактный размер и низкая вычислительная стоимость делают её подходящей для классификации изображений в приложениях с ограниченными ресурсами. Она ориентирована на категории ImageNet-1k, поэтому качество на других наборах данных и специализированных классах может быть ниже без адаптации. Лицензия — Apache 2.0.

GUI-Actor-Verifier-2B — мультимодальная модель Microsoft для проверки того, соответствует ли отмеченная позиция на экране текстовой инструкции. Она основана на дообученной ByteDance-Seed/UI-TARS-2B-SFT с архитектурой Qwen2-VL и предназначена для компонента GUI-Actor в системах автоматизации графических интерфейсов. На вход подаются изображение экрана с целевой позицией, отмеченной красным кругом, и инструкция на естественном языке. Модель предсказывает True или False; вероятности этих ответов можно использовать для оценки кандидатов на действие. В метаданных указаны 1,5 млрд параметров, контекст 32 768 токенов и формат safetensors. Модель специализируется на проверке визуального соответствия позиции инструкции и поддерживает изображения и текст на входе, текстовые метки на выходе. В карточке указана лицензия MIT. Языки инструкции отдельно не перечислены.

HGNet-V2 B4 — модель классификации изображений и извлечения признаков, опубликованная авторами семейства HGNet-V2 и доступная через библиотеку timm. Модель обучена на mined ImageNet-22k и ImageNet-1k с применением дистилляции SSLD. В ней около 19,8 млн параметров; для обучения использовались изображения размером 224 × 224, для тестирования — 288 × 288. Репозиторий содержит веса PyTorch и SafeTensors, лицензия — Apache-2.0. Модель подходит для классификации изображений по категориям ImageNet, извлечения карт признаков и получения эмбеддингов изображений. Её можно использовать как визуальный backbone в прикладных системах компьютерного зрения. В карточке для этой конкретной версии не приведены показатели качества, а результаты в таблице относятся к вариантам B6, поэтому их нельзя переносить на B4.

jasoncarreira/hrm-text-agent — англоязычная модель для генерации текста с вызовом функций и инструментов. Это полноразмерное дообучение HRM-Text-1B от Sapient Intelligence: базовая модель на архитектуре Hierarchical Reasoning Model дообучена методом supervised fine-tuning для выбора подходящих инструментов и формирования структурированных вызовов. По данным README, на тестах BFCL v4 модель показывает 54,7% общего результата; она также сохраняет большую часть общих навыков базовой модели. Модель предназначена для агентных сценариев, где нужно передать запрос инструменту или решить, что подходящего инструмента нет. Она использует архитектуру PrefixLM, имеет 3,7 млрд параметров и контекст 4096 токенов. Для работы важно подавать промпт с предусмотренным моделью префиксным форматом и применять агентный цикл: обычный вызов `.generate()` не соответствует режиму обучения. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. README сообщает о снижении точности в задачах с ответом одной буквой в некоторых тестах; часть ошибок связана с форматом ответа, а не с содержанием.

WhiteRabbitNeo/Llama-3.1-WhiteRabbitNeo-2-70B — дообученная авторами WhiteRabbitNeo языковая модель на архитектуре Llama 3.1, предназначенная для задач наступательной и защитной кибербезопасности. Она выпущена как публичная предварительная версия для демонстрации возможностей серии и оценки её общественного воздействия. Модель содержит 69,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и формат PyTorch. Контекстное окно — 131 072 токена. Модель работает с текстом в формате диалога; в README приведён пример использования формата запросов Llama 3.1. Язык модели в предоставленных сведениях не обозначен. Модель может помогать с задачами кибербезопасности, однако README не приводит подробный перечень возможностей или оценок качества. Доступна по лицензии Llama 3.1; карточка также возлагает ответственность за результаты использования на пользователя и предоставляет модель «как есть».

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.

SimpleBerry/LLaMA-O1-Base-1127 — дообученная компанией SimpleBerry языковая модель на базе meta-llama/Llama-3.1-8B-Instruct. Модель использует плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и работает с контекстом до 131 072 токенов. Репозиторий содержит веса в формате safetensors, а основная задача — генерация текста; метаданные также отмечают поддержку диалогового режима. Модель дообучена на наборе longcot_pt. В README указано, что перед практическим использованием ей требуется supervised training; для непосредственного применения автор рекомендует SimpleBerry/LLaMA-O1-Supervised-1129. Лицензия указана как other, поэтому условия использования следует сверить с лицензиями базовой модели и набора данных.

Minueza-32M-Base — базовая языковая модель, созданная Felladrin и обученная с нуля на корпусе преимущественно англоязычных текстов объёмом около 650 млн токенов. Это плотный трансформер с архитектурой MistralForCausalLM и 22,8 млн параметров; контекстное окно составляет 2048 токенов. Модель предназначена для генерации текста и как основа для последующего дообучения, в том числе под диалоговый формат ChatML. Небольшой размер рассчитан на быстрый запуск на устройствах без GPU и в мобильных браузерах через Transformers.js. В карточке указаны веса Safetensors; README также упоминает варианты GGUF и ONNX. Это базовая, а не готовая к прикладному использованию инструктивная модель, поэтому для диалогов или специализированных задач рекомендуется дообучение. Модель распространяется по лицензии Apache-2.0.

Это модель MobileNetV3 Large для классификации изображений, обученная Россом Уайтманом на ImageNet-1k с использованием скриптов timm. Она также предназначена для работы в качестве визуального backbone и извлечения карт признаков и эмбеддингов. В модели 14,6 млн параметров и около 1,0 GMAC; размер изображения при обучении — 256 × 256, при тестировании — 320 × 320 пикселей. Модель подходит для присвоения изображению меток из набора ImageNet-1k, а также как компактная основа для извлечения визуальных признаков. README указывает на обучение с гиперпараметрами, вдохновлёнными MobileNetV4 Small и практиками timm. Репозиторий предоставляет веса в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Количественные результаты из таблицы README относятся к другим моделям, поэтому их нельзя считать оценкой этой модели.

MobileNetV4 Hybrid Medium — модель классификации изображений и извлечения признаков, обученная Россом Уайтманом с помощью timm на ImageNet-1k. Это гибридная архитектура семейства MobileNetV4; в чекпойнте около 11,1 млн параметров и 1,0 GMAC на изображение. Размер изображения при обучении — 224 × 224 пикселя, при тестировании — 256 × 256. Модель подходит для классификации изображений по категориям ImageNet-1k, использования в качестве визуального бэкбона и извлечения карт признаков или эмбеддингов. Компактный размер и вычислительная стоимость рассчитаны на сценарии, где важна эффективность на мобильных и других ограниченных по ресурсам устройствах. В README указано, что это известные на данный момент веса MobileNetV4; официальные веса TensorFlow-моделей не выпущены. Модель опубликована в форматах PyTorch и safetensors и предназначена для использования с библиотекой timm. Лицензия — Apache-2.0. Карточка не приводит сведений о точности именно этого чекпойнта; приведённая в ней сравнительная таблица относится к другим вариантам модели.

MobiMind-Grounder-3B — модель-компонент системы мобильных агентов MobiAgent, разработанной IPADS-SAI. Она предназначена для определения расположения низкоуровневых элементов интерфейса в задачах управления графическим интерфейсом мобильных устройств. Модель принимает изображение интерфейса и текстовый запрос, а её мультимодальная архитектура Qwen2.5-VL с 3,1 млрд параметров и контекстом до 128 000 токенов позволяет связывать инструкции с визуальными элементами экрана. Модель рассчитана на применение в GUI-агентах и поддерживает диалоговый режим. Репозиторий содержит веса Safetensors для библиотеки Transformers. Лицензия — Apache-2.0. Карточка не приводит метрик качества или подробностей о формате результата локализации, поэтому их нельзя оценить по доступным сведениям.

Карточка модели amd/PARD-Qwen2.5-0.5B на Hugging Face совпадает с карточкой amd/PARD-Llama-3.2-1B, поэтому описание составлено по ней. PARD-Llama-3.2-1B — модель семейства Llama, разработанная авторами метода PARD для ускорения генерации текста с помощью спекулятивного декодирования. Это параллельная черновая модель на 1,2 млрд параметров, адаптированная из авторегрессионной черновой модели; один черновой чекпойнт PARD может использоваться для ускорения целого семейства целевых моделей. Репозиторий содержит веса в формате safetensors и поддерживает контекст до 131 072 токенов. Модель предназначена для интеграции в системы инференса, где она предлагает черновые продолжения для целевой языковой модели. README сообщает об ускорении в среднем в 1,78 раза относительно авторегрессионных черновых моделей и до 4,08 раза в Transformers+ и до 3,06 раза в vLLM; эти результаты относятся к описанным авторами настройкам и не гарантируют такого ускорения во всех сценариях. Метаданные указывают поддержку чата и интерфейса вызова инструментов. Модель распространяется по лицензии MIT. Она ориентирована на ускорение инференса, поэтому качество и применимость готовых ответов зависят от целевой модели и конфигурации спекулятивного декодирования.

Quasar-3B-A1B-Preview — базовая языковая модель SILX AI для экспериментов с длинным контекстом, постоянной латентной памятью и распределённой дистилляцией в подсети Bittensor SN24. Это гибридный трансформер Quasar-RoPE с механизмами повторного выполнения слоёв, Gated Linear Attention и Mixture-of-Experts: всего 3 млрд параметров, около 1 млрд активных на проход. Модель обучена на начальном этапе предобучения; README указывает контекст 16 тысяч токенов для RoPE-фазы. Модель предназначена прежде всего для майнеров SN24, пайплайнов дистилляции знаний из более крупных моделей и исследований архитектур с длинным контекстом. Она также может служить основой для прототипов агентных систем с долговременной памятью и многошаговым рассуждением. В карточке заявлена поддержка английского и арабского языков, а метаданные отмечают чатовый интерфейс и интерфейс вызова инструментов. Это ранняя базовая модель, предобученная лишь на нескольких миллиардах токенов; README прямо предупреждает, что она не является готовой моделью уровня state of the art и предназначена для дальнейшей дистилляции и масштабирования, а не для сравнительного тестирования. В README описан будущий этап DroPE с контекстом до 5 млн токенов, но это не характеристика текущего выпуска. Лицензия — MIT.

RedHatAI/Qwen3-32B-speculator.eagle3 — вспомогательная модель Red Hat для ускорения генерации текста базовой моделью Qwen/Qwen3-32B. Она реализует архитектуру Eagle3Speculator и алгоритм спекулятивного декодирования EAGLE-3: предлагает несколько следующих токенов, которые проверяет основная модель. Репозиторий содержит веса в формате Safetensors; модель предназначена для совместного использования с Qwen/Qwen3-32B и её шаблоном чата через vLLM. Модель обучена с использованием библиотеки speculators на данных ShareGPT_Vicuna_unfiltered и train_sft из UltraChat 200k. В README описаны замеры производительности на двух A100, но приведённые таблицы результатов недоступны, поэтому величину ускорения оценить нельзя. Лицензия — Apache-2.0. Это спекулятор, а не самостоятельная разговорная модель: для работы необходима базовая Qwen/Qwen3-32B и совместимая конфигурация сервинга.

sillykiwi/Qwen3-4B-Cybersecurity-Heretic-16bit-Q4_K_M-GGUF — языковая модель для генерации текста в области кибербезопасности, созданная на основе DexopT/Qwen3-4B-Cybersecurity-Heretic-16bit и преобразованная пользователем sillykiwi в формат GGUF с помощью llama.cpp и сервиса GGUF-my-repo. Базовая модель относится к семейству Qwen3 и дообучалась на наборах данных cyber_heretic, heretic-bad-prompts и heretic-good-prompts. Модель предназначена для сценариев, связанных с кибербезопасностью, penetration testing, offensive security, информационной безопасностью и red team-задачами. Указан английский язык. Известен размер базовой модели — 4B параметров; вариант использует квантование Q4_K_M и рассчитан на запуск через llama.cpp, включая локальный CLI и серверный режим. В README приведён рекомендуемый размер контекста 2048 токенов для серверного запуска. К сильным сторонам относятся специализация на тематике кибербезопасности, компактный размер и совместимость с экосистемой GGUF и llama.cpp, что упрощает локальное развёртывание. Ограничения: README не содержит подробных результатов оценки, сведений о точной архитектуре, поддерживаемых модальностях, качестве ответов, аппаратных требованиях и полной спецификации контекста. Модель распространяется по лицензии Apache-2.0; при практическом использовании следует учитывать правовые и этические ограничения, связанные с offensive security и penetration testing.

unsloth/Qwen3.5-2B-Base — предобученная мультимодальная модель семейства Qwen3.5, опубликованная Unsloth в формате Transformers и совместимая с Transformers, vLLM и SGLang. Это базовая модель для дообучения, экспериментов с обучением на контексте и разработки, а не готовый чат-ассистент для прямого общения. В метаданных указана связь с Qwen/Qwen3.5-2B-Base как с базовой моделью. Модель сочетает причинную языковую модель с визуальным энкодером и имеет 2 млрд параметров. В её гибридной архитектуре используются Gated Delta Networks и разреженные Mixture-of-Experts; нативная длина контекста составляет 262 144 токена, с возможностью расширения до 1 010 000. README заявляет поддержку 201 языка и диалекта. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Модель подходит для создания специализированных решений с помощью дообучения и экспериментов по пониманию изображений и текста. Поскольку это вариант только с предобучением, она не предназначена для прямого взаимодействия как инструкционная или чат-модель; качество конкретных прикладных сценариев зависит от последующего обучения и настройки.

MethodWhite/Qwen3.5-9B-Abliterated-HSAQ-v2 — текстовая причинная модель семейства Qwen3.5, подготовленная Jesús Antonio Zárate Hernández (MethodWhite, M.A.T.E.R.I.A. Research). Репозиторий содержит вариант с удалённым отказным поведением и сокращённой размерностью MLP; согласно README, это не полный вариант HSAQR и модель не проходила финальное дообучение с HSAQ-optimizer. Она предназначена для генерации текста и исследовательских экспериментов, включая авторизованное тестирование безопасности, CTF, обучение и защитные исследования. В README описаны выборочная ортогонализация слоёв и сокращение промежуточной размерности MLP с 12288 до 7456. При этом указанный в карточке размер составляет 5,3 млрд параметров, а README приводит 7,05 млрд после сокращения с 8,95 млрд; эти оценки расходятся. Метаданные указывают контекст до 262 144 токенов, библиотеку Transformers и формат safetensors. Модель основана на Qwen/Qwen3.5-9B-Base и помечена как дообучение; README уточняет, что для этого варианта не применялся датасет финального дообучения. README сообщает об устранении отказов при сохранении базовой связности и приводит результат ARC-Challenge для конкретной ревизии: 38,99% нормализованной точности в zero-shot оценке; это не доказательство улучшения относительно базы. Лицензия в метаданных обозначена как other без конкретных условий, поэтому перед использованием следует проверить лицензионный файл репозитория. Автор ограничивает заявленную область применения исследованиями и авторизованным тестированием безопасности.

Qwen3.8-27B-DSpark-drafter — черновая модель для спекулятивного декодирования, созданная RadixArk; этот репозиторий является неизменённым зеркалом оригинала. Она генерирует черновые токены для целевой Qwen3.8-27B, а целевая модель проверяет их, ускоряя генерацию без изменения итогового результата. DSpark расширяет DFlash вспомогательными признаками целевой модели и confidence head, который динамически выбирает число черновых токенов. Модель содержит около 1,36 млрд параметров в BF16, использует пять слоёв полного внимания с GQA и рассчитана на контекст до 262 144 токенов; в метаданных размер указан как 2,4 млрд параметров. Для работы требуется совместимая целевая модель и среда спекулятивного декодирования; README описывает применение через mlx-dspark на Apple Silicon и SGLang для оригинальной модели. Лицензия указана как other, конкретные условия в доступных данных не приведены.

RedSage-K-SFT — модель RISys-Lab при Khalifa University для преобразования запросов на естественном языке в команды Kali Linux и Linux. Она основана на Qwen3ForCausalLM с 36 слоями и примерно 7,6 млрд параметров; модель дообучена методом supervised fine-tuning на наборе KaliBench и опубликована в виде объединённых LoRA-весов BF16 в формате Safetensors. Модель предназначена для генерации команд в сценариях кибербезопасности, обучения и помощи с инструментами Kali Linux. В KaliBench она поддерживает режимы без подсказок, с ограниченным списком инструментов и с документацией целевого инструмента; контекст модели составляет 32 768 токенов. README приводит средний итоговый балл 77,4% на тестовом наборе KaliBench из 5 000 примеров. Модель рассчитана на англоязычные запросы и выдаёт текст команд. Она может ошибаться в выборе инструмента, флага или аргумента, а тесты оценивают генерацию одиночной команды, но не успешность её выполнения или многошаговую работу агента. Разработчики рекомендуют проверять команды перед запуском. Лицензия в предоставленных данных не указана.

RepGhostNet 0.58 — компактная модель классификации изображений семейства RepGhostNet, разработанная авторами статьи RepGhost и обученная на ImageNet-1k. Она предназначена для определения объектов на изображениях и может использоваться как визуальный backbone для извлечения карт признаков или эмбеддингов. Модель содержит около 2,5 млн параметров, требует примерно 0,1 GMAC и рассчитана на изображения размером 224 × 224 пикселя. Репозиторий предоставляет веса PyTorch в формате Safetensors; библиотека для работы с моделью — timm. Лицензия — MIT. Компактность модели подходит для сценариев с ограниченными вычислительными ресурсами. Классификатор обучен на ImageNet-1k, поэтому его категории и качество на иных наборах данных могут не соответствовать конкретному применению; модель может использоваться как основа для извлечения признаков.

ResNetV2-152x4 BiT — модель классификации изображений и визуальная основа для извлечения признаков, опубликованная авторами статьи Big Transfer и доступная в библиотеке timm. Она предварительно обучена на ImageNet-21k и дообучена на ImageNet-1k. Архитектура — pre-activation ResNet-V2 с Group Normalization и Weight Standardization вместо Batch Normalization; размер модели составляет 936,5 млн параметров, а рекомендуемый размер входного изображения — 480 × 480 пикселей. Модель предназначена для классификации изображений по классам ImageNet, извлечения карт признаков и получения векторных представлений изображений. Она принимает изображения и выдаёт метки классов, а при использовании как backbone — визуальные признаки или эмбеддинги. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0.

yujiepan/sam3-tiny-random — компактная случайно инициализированная модель сегментации изображений, созданная сообществом yujiepan на основе конфигурации facebook/sam3. Модель предназначена прежде всего для отладки и проверки интеграций, а не для прикладного распознавания объектов с готовым качеством.