II.2Создание и понимание программного кода

caformer_s36.sail_in22k — модель классификации изображений и извлечения признаков из семейства CAFormer, разработанная авторами работы MetaFormer baselines for vision и обученная на ImageNet-22k. Архитектура относится к MetaFormer; модель содержит около 82 млн параметров, требует изображения размером 224 × 224 и имеет вычислительную стоимость около 8 GMACs. Модель предназначена для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов. Её можно использовать как основу для компьютерного зрения и как визуальный backbone в прикладных системах. Репозиторий предоставляет веса PyTorch и safetensors, а библиотека для работы с моделью — timm. Лицензия — Apache-2.0.

Circulaire — модель обнаружения объектов в изображениях с камер «рыбий глаз», разработанная на основе Ultralytics YOLOv8 и дообученная для такого типа изображений. Она предназначена для обнаружения объектов в реальном времени в сценариях наблюдения за дорожным движением и городской средой. Модель использует библиотеку Ultralytics; в репозитории указаны веса в формате PyTorch. Карточка связывает модель с набором данных Voxel51/fisheye8k. Лицензия — CC BY-NC 4.0, которая ограничивает коммерческое использование.

CoAtNeXt Nano — модель классификации изображений из библиотеки timm, обученная Россом Уайтманом на ImageNet-1k. Архитектура CoAtNeXt сочетает блоки ConvNeXt на ранних этапах с блоками self-attention на последующих; модель содержит около 14,7 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для отнесения изображений к категориям ImageNet-1k и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. В карточке приведены показатели top-1 81,95% и top-5 95,92% на ImageNet-1k. Репозиторий распространяется под лицензией Apache-2.0.

Computer-9a — плотная авторегрессионная языковая модель семейства Llama на 69,5 млрд параметров, представленная в виде исследовательского чекпойнта на шаге обучения 60. Модель обучали с подкреплением на автоматически проверяемых задачах работы в терминале, сохраняя близость к разговорной родительской политике. Она принимает текстовые запросы и наблюдения среды и генерирует текст, включая возможные команды оболочки. Контекст — до 131 072 токенов; веса сохранены в формате bfloat16 в виде шардированного safetensors. Модель предназначена для экспериментов с выполнением терминальных задач и управлением компьютером через цикл «запрос — вызов инструмента — результат среды». Выполнение команд не встроено в веса: приложение должно распознавать вызовы, запускать их в изолированной среде и передавать модели результаты. Ответы часто краткие, а качество на терминальных задачах и фиксированных проверках нестабильно; модель может предлагать разрушительные команды или неверно описывать их эффекты и не является надёжным универсальным агентом. Разработчик и лицензия в карточке не уточнены; метаданные указывают лицензию other, поэтому условия использования следует проверять у правообладателя.

BaronLLM — языковая модель, дообученная Alican Kiraz для исследований offensive cybersecurity, имитации атак и сценариев red team. Модель представлена в формате GGUF с 6-битной квантизацией Q6_K и предназначена для генерации текста; в качестве базовой модели указана Llama-3.1-8B-Instruct. README также содержит пример использования с идентификатором BaronLLM-70B, поэтому точный размер данной версии по предоставленным данным неоднозначен. Модель ориентирована на анализ уязвимостей и exploit reasoning, генерацию ATT&CK-цепочек, C2-плейбуков и сценариев социальной инженерии, рефакторинг payload-логики без выдачи вредоносных бинарных файлов, а также классификацию и суммирование следов атак из SIEM, PCAP и EDR JSON. Заявлена поддержка английского языка и контекста до 8 192 токенов. В качестве источников обучения указаны публичные базы уязвимостей, исследовательские материалы, разрешённые и обезличенные отчёты red team и синтетические ATT&CK-цепочки. Сильными сторонами являются специализация на кибербезопасности, структурированный анализ и сценарное моделирование, а также заявленные ограничения на генерацию прямого исходного кода вредоносных программ, ransomware builders и инструкций для незаконной деятельности. Ограничения включают зависимость качества от базовой Llama-архитектуры, английскую языковую специализацию и возможные риски ошибок при анализе уязвимостей; заявленные возможности и безопасность требуют самостоятельной проверки. Модель распространяется по лицензии MIT.

DarknetAA53.c2ns_in1k — модель классификации изображений и извлечения признаков из семейства DarkNet, обученная командой timm на ImageNet-1k. Она может служить классификатором изображений или визуальной основой для извлечения карт признаков и эмбеддингов. Модель содержит 36 млн параметров и имеет вычислительную сложность 8 GMAC. Обучение проводилось на изображениях 256 × 256, а проверка — на 288 × 288. Веса доступны в форматах PyTorch и safetensors; для применения используется библиотека timm. Лицензия Apache-2.0.

Qwen3-8B-DFlash-b16 — вспомогательная модель-черновик для ускорения генерации текста методом speculative decoding. Она разработана для работы вместе с целевой моделью Qwen/Qwen3-8B: DFlash использует лёгкую блочную диффузионную модель, чтобы параллельно предлагать продолжения, которые затем проверяет целевая модель. Это не самостоятельная чат-модель; её назначение — ускорять инференс целевой модели без потери точности. В README заявлено ускорение до 6,17 раза для Qwen3-8B, однако результат зависит от условий запуска и конфигурации. В репозитории указаны архитектура DFlashDraftModel семейства Qwen3, библиотека Transformers, формат safetensors и контекст 40 960 токенов. Для загрузки требуется включить trust_remote_code=True; также описана поддержка SGLang, а интеграция с vLLM на момент карточки находилась в разработке. Модель содержит 1,2 млрд параметров. Лицензия — MIT.

dla60_res2next.in1k — модель классификации изображений и извлечения признаков на основе DLA (Deep Layer Aggregation) с блоками Res2Net. Она обучена авторами Res2Net на ImageNet-1k и предназначена для распознавания объектов на изображениях, построения карт признаков и получения визуальных эмбеддингов. Модель содержит около 17 млн параметров, требует изображения размером 224 × 224 пикселя и имеет вычислительную сложность около 3,5 GMACs. Репозиторий предоставляет веса в форматах PyTorch и Safetensors; лицензия в метаданных не определена.

Ray2333/Gemma-2B-rewardmodel-baseline — компактная модель вознаграждения для оценки ответов языковых моделей, разработанная автором репозитория на основе Gemma-2B-IT. Модель дообучена с функцией потерь Bradley–Terry на наборе preference_dataset_mixture2_and_safe_pku; в метаданных указан также датасет hendrydong/preference_700K. Это плотная архитектура GemmaForSequenceClassification с 2,5 млрд параметров и контекстом до 8192 токенов. Модель предназначена для ранжирования или классификационной оценки ответов в задачах предпочтений, включая диалоги, сложные диалоги, безопасность и рассуждения. В README приведены результаты на бенчмарке reward-моделей, однако отдельных метрик и протокола оценки для этой модели подробно не описано. Модель опубликована в формате safetensors под лицензией MIT.

Экспериментальный чекпойнт Gemma-4-E2B-it, созданный анонимной командой авторов подачи на ICLR 2027. Модель дообучена методом GRPO на задачах Reasoning Gym; обучение использовало бюджет генерации до 1 024 токенов и поощряло ответы, укладывающиеся в этот лимит. Чекпойнт соответствует шагу 300 запуска petbadger и сохранён в формате Safetensors для библиотеки Transformers. Модель предназначена для решения задач на рассуждение из набора Reasoning Gym с ограниченным объёмом генерации. Базовая Gemma 4 E2B IT — мультимодальная модель Google DeepMind для диалогов, рассуждений, программирования и анализа текста, изображений и аудио; сведения о фактических модальностях этого дообученного чекпойнта в карточке ограничены. Репозиторий содержит веса дообучения базовой модели и распространяется по лицензии Apache-2.0. Это ранний экспериментальный чекпойнт, а не подтверждённая финальная версия.

Red Hat выпустила спекулятивную модель-драфтер EAGLE-3 для ускорения генерации ответов базовой моделью openai/gpt-oss-120b. Она предлагает кандидаты токенов, которые основная модель проверяет при спекулятивном декодировании; сама по себе модель не предназначена для самостоятельного общения. Архитектура — Eagle3Speculator, файлы представлены в формате Safetensors. Модель рассчитана на обслуживание запросов к gpt-oss-120b через vLLM и интерфейс чата /chat/completions с шаблоном чата gpt-oss-120b. README указывает требование vLLM версии 0.19.0 или новее и рекомендует настройки EAGLE-3 с пятью спекулятивными токенами. Для обучения использовались Magpie-Align/Magpie-Llama-3.1-Pro-300K-Filtered и раздел train_sft датасета HuggingFaceH4/ultrachat_200k с ответами gpt-oss-120b. Модель предназначена для повышения пропускной способности генерации в совместимой связке с указанной базовой моделью. README приводит оценку через бенчмарк RedHatAI/speculator_benchmarks, но численные результаты таблиц в доступном тексте отсутствуют. Лицензия — Apache-2.0.

HardCoReNAS — компактная модель классификации изображений, обученная авторами статьи на ImageNet-1k с их «green» рецептом. Она также подходит как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Модель содержит 5,3 млн параметров, требует около 0,2 GMACs на изображение и рассчитана на входной размер 224 × 224 пикселя. Её можно применять для классификации изображений и получения признакового представления в PyTorch через библиотеку timm. Модель предназначена для изображений общего назначения. Доступна по лицензии Apache-2.0; карточка не описывает отдельные ограничения качества или области применения.

Kimi-K2.7-Code-0.7B-A0.4B — созданная mixlayer уменьшенная экспериментальная версия moonshotai/Kimi-K2.7-Code для тестирования и разработки. Это мультимодальная модель семейства kimi_k25 с архитектурой MoE: около 0,678 млрд параметров, из которых на токен активируются около 0,413 млрд. Текстовый декодер сокращён до 4 слоёв, а зрительная башня MoonViT3d — до 2 слоёв; веса сохранены в формате bfloat16. Модель предназначена для экспериментов с загрузкой, запуском и дообучением архитектуры Kimi-K2.7-Code. Текстовая часть обучалась 190 шагов на небольшом синтетическом наборе данных и прошла проверку; зрительная башня случайно инициализирована и не обучалась, поэтому мультимодальное понимание изображений не подтверждено. Это тестовый чекпойнт, а не полноценная замена базовой модели. Лицензия — MIT.

Kimina-Prover-72B — языковая модель для автоматического доказательства теорем, разработанная командами Project Numina и Kimi. Модель дообучена на базе Qwen/Qwen2.5-72B с применением масштабного обучения с подкреплением и предназначена для решения задач в Lean 4, в том числе задач олимпиадного и конкурсного типа. Модель содержит 71,5 млрд параметров, использует плотную архитектуру Qwen2 и поддерживает контекст до 131 072 токенов. В README указана точность 84,0% при Pass@32 на MiniF2F-test. Модель доступна в формате safetensors и может использоваться для генерации текста и взаимодействия в чате; лицензия — MIT.

Kimina-Prover-Preview-Distill-7B — языковая модель для автоматического доказательства теорем, разработанная командами Project Numina и Kimi. Она предназначена для решения задач в Lean 4, в том числе задач в стиле математических соревнований. Модель получена дистилляцией Kimina-Prover-Preview, обученной с помощью масштабного обучения с подкреплением. Модель построена на архитектуре Qwen2 и содержит 7,1 млрд параметров; она принимает текст и генерирует текст, включая код доказательств Lean 4. Контекст — до 16 384 токенов. В карточке указаны английский язык и поддержка чата. Модель демонстрировала сильные результаты на MiniF2F-test и PutnamBench при публикации, однако карточка не приводит подробных условий оценки. Лицензия — Apache-2.0.

yujiepan/llama-4-tiny-random — компактная случайно инициализированная отладочная модель на архитектуре Llama 4, созданная сообществом Hugging Face. Конфигурация адаптирована из meta-llama/Llama-4-Maverick-17B-128E-Instruct и реализована с использованием библиотеки Transformers. Модель предназначена для проверки загрузки, конфигурации и выполнения кода для Llama 4, а также для отладки текстовой генерации и сценариев image-text-to-text с несколькими изображениями. Она содержит уменьшенные текстовый и vision-компоненты, включая механизм Mixture-of-Experts, и поддерживает обработку текстовых и визуальных входов через AutoProcessor. Ключевое ограничение — веса инициализированы случайно, поэтому модель не предназначена для получения осмысленных ответов, прикладного инференса или обучения пользователей. В README также отмечено, что для запуска следует использовать SDPA; flex attention и flash_attention_2 не работают в отладочной конфигурации. Лицензия в доступных материалах не указана.

Logics-PPT-Qwen3.6-35B-A3B-RL — модель Logics-MLLM для генерации одностраничных презентаций в HTML. Это контрольная точка с обучением методом обучения с подкреплением, полученная дообучением Logics-PPT-Qwen3.6-35B-A3B-SFT; архитектура указана как Qwen3.5 MoE, а веса опубликованы в формате Safetensors. Модель оптимизировали с помощью GRPO по проверяемым визуальным вознаграждениям, вычисляемым после рендеринга слайдов: за соблюдение формата, свободное пространство, отсутствие пересечений, визуальный баланс и читаемость шрифта. В карточке описаны настройки обучения с последовательностями до 131 072 токенов; это параметр обучения, а не подтверждённая длина контекста для использования. Модель предназначена для исследований генерации презентаций, проектирования проверяемых вознаграждений и улучшения визуального качества слайдов после SFT. Она генерирует HTML-код слайда по текстовым инструкциям и может применяться в системах создания презентаций, где отдельная инфраструктура выполняет вызов инструментов, рендеринг и работу с файлами. Опубликованные результаты сообщают об улучшении эстетических метрик и оценок людей относительно версии до RL. Оптимизация сосредоточена на визуальной эстетике, а моделирование качества содержания остаётся открытой задачей. Модель рассчитана на одностраничные HTML-слайды, а не на редактирование файлов PowerPoint; практическое использование зависит от внешнего рабочего процесса и конкретной среды рендеринга. Лицензия — Apache-2.0.

MobileViT XS — лёгкая модель классификации изображений и извлечения признаков, опубликованная авторами статьи MobileViT и обученная на ImageNet-1k. Она сочетает свёрточные блоки с Vision Transformer и рассчитана на эффективную работу, в том числе на мобильных устройствах. Модель содержит около 2,3 млн параметров, требует изображение размером 256 × 256 пикселей и выполняет примерно 1,1 GMAC на изображение. Модель подходит для определения объектов и сцен по изображению, получения карт признаков и построения векторных представлений для последующих задач компьютерного зрения. Репозиторий использует библиотеку timm; веса доступны в форматах PyTorch и safetensors. Указана лицензия other; конкретные условия следует сверить с лицензионными материалами разработчика.

Needle Automaticity V10 — компактная модель генерации текста для вызова инструментов, разработанная для среды Needle Point. Она выбирает из 36 разрешённых возможностей и формирует аргументы, ограниченные перечислениями, константами, булевыми значениями и конечными массивами. Модель обучена на корпусе из 1 767 примеров, а затем преобразована для Needle Point; веса доступны в формате safetensors. В метаданных указана библиотека needle-point и лицензия Apache-2.0. Модель предназначена для быстрого распознавания ситуации и выбора разового действия из заданного набора инструментов, а также для простых ответов, когда вызывать инструмент не нужно. В оценке на специально подготовленном наборе из 360 случаев точное совпадение составило 99,72%, но на свежем adversarial-наборе из 100 случаев — 56%; этот результат лучше отражает устойчивость к новым формулировкам. Для работы требуются строгая constrained decoding-схема Needle Point и конечный набор кандидатов-инструментов на каждый запрос. Модель не предназначена для открытого планирования или формирования произвольных аргументов и сама по себе не должна разрешать вызов инструментов или обходить проверки политики среды.

PrismQuant-Llama-3.2-3B — чекпойнт проекта PrismQuant для генерации продолжений текста на основе unsloth/Llama-3.2-3B. Он предназначен для текстового дополнения и запуска через загрузчик PrismQuant, который получает соответствующую базовую модель и токенизатор. Модель использует схему W4A4KV4: веса GPTQ INT4 хранятся как деквантизованные тензоры с плавающей точкой, а эталонный runtime выполняет квантизацию активаций и KV-кэша. Для вычислений предусмотрен bfloat16. Репозиторий содержит веса декодера и факторы вращения; это не самостоятельный чекпойнт Transformers и не упакованная INT4-модель для сервинга. Указана лицензия llama3.2.

QueryCategorizer — модель классификации текста, разработанная NajafAli01 и дообученная на базе distilbert-base-uncased на наборе Bitext для обучения чат-ботов поддержки клиентов. Она относит входящее сообщение или обращение к одному из девяти отделов: ACCOUNT, CONTACT, DELIVERY, FEEDBACK, INVOICE, ORDER, PAYMENT, REFUND или SHIPPING, чтобы помочь маршрутизировать запросы в службе поддержки. Модель построена на DistilBERT, принимает текст на английском языке и имеет контекстное окно 512 токенов. В README приведены метрики на тестовой выборке: accuracy, precision, recall и F1 равны 0,9996. Эти результаты относятся к разделению данных из того же набора, на котором модель обучалась, поэтому качество на реальных обращениях и других источниках данных может отличаться. Модель только присваивает категорию и не пересылает сообщение в соответствующий отдел; категории Cancel и Subscription не поддерживаются. Лицензия — Apache-2.0.

Qwen2.5-14B-Instruct_EAGLE3_UltraChat — черновая модель EAGLE-3, разработанная на базе Qwen2.5-14B-Instruct с использованием SpecForge. Она предназначена для ускорения этапа декодирования больших языковых моделей в алгоритме speculative decoding: модель предлагает черновые токены, которые затем проверяет целевая модель. Это вспомогательный компонент инференса, а не самостоятельная чат-модель. В карточке указана архитектура LlamaForCausalLMEagle3, формат safetensors и библиотека vLLM. Метаданные сообщают о 1,1 млрд параметров и контексте 32 768 токенов. README приводит пример запуска с vLLM и результаты оценки ускорения для моделей Qwen2.5-7B, 14B и 32B на нескольких наборах задач; фактическое ускорение зависит от целевой модели, входных данных и настроек спекулятивного декодирования. Модель обучалась на UltraChat 200k. Лицензия — Apache-2.0.

Qwen3-0.6B Devin Draft — компактная плотная языковая модель на 507,9 млн параметров, предназначенная для ускорения генерации методом speculative decoding. Она предлагает последовательности токенов, которые затем проверяет целевая модель Qwen3-4B Devin SFT; в карточке заявлено ускорение инференса в 2–3 раза. Модель дообучена на основе Qwen/Qwen3-0.6B и предназначена для совместной работы с davidnichols-ops/qwen3-4b-devin-sft. Модель использует архитектуру Qwen3ForCausalLM, принимает и генерирует текст, поддерживает диалоговый режим и имеет контекст до 40 960 токенов. В метаданных указан английский язык; базовая модель описана как многоязычная. Распространяется в формате safetensors по лицензии Apache-2.0. Заявленное ускорение зависит от целевой модели и условий инференса; сама модель предназначена для роли чернового декодера, а не для самостоятельной замены целевой модели.

Qwen3-1.7B-FC — компактная языковая модель на 1,7 млрд параметров, разработанная contextboxai на базе Qwen3-1.7B. Её дообучили с помощью обучения с подкреплением по проверяемым наградам (RLVR), чтобы улучшить вызов функций и использование инструментов. Модель принимает текстовые запросы и описания доступных инструментов, а в ответ формирует вызов инструмента с аргументами или отказывается от вызова, если подходящего инструмента нет. Модель предназначена для автоматизации поддержки клиентов, голосовых агентов и локальных сценариев, где нужно выбирать и вызывать инструменты, в том числе несколько инструментов за раз. В README приведены результаты на BFCL V3 и описана настройка на корректность вызовов, формат JSON, краткость ответов и уместный отказ. Указана поддержка английского и вьетнамского языков; максимальная длина контекста — 40 960 токенов. По данным README, сильные стороны модели — небольшой размер, лаконичные вызовы и обучение отказам при отсутствии подходящего инструмента. Ограничение: она несколько чаще базовой модели вызывает инструмент при нерелевантном запросе. Модель распространяется под лицензией Apache-2.0. Для её применения нужны описания инструментов и обработчик, который проверяет и выполняет сформированные вызовы; модель сама не выполняет внешние действия.

Qwen3.5-35B-A3B-DFlash — черновая модель DFlash, совместно переобученная Z-Lab и Modal для базовой модели Qwen/Qwen3.5-35B-A3B. Она не является самостоятельной языковой моделью: её подключают к целевой модели в сервере инференса со спекулятивным декодированием, например SGLang с поддержкой DFlash. Модель использует облегчённый черновой блоковый диффузионный подход: параллельно предлагает несколько токенов, которые целевая модель проверяет. Это позволяет увеличить пропускную способность генерации, сохраняя распределение выходов целевой модели. В карточке указаны 798 млн параметров, контекст 262 144 токена и обучение на последовательностях длиной 40 000 токенов со скользящим вниманием. В тестах авторов на NVIDIA B200 ускорение достигало 3,71 раза при конкурентности 1 и 2,89 раза при конкурентности 32; показатели зависят от нагрузки и настроек. Модель рассчитана на ускорение серверной генерации текста целевой моделью, включая задачи рассуждений и генерации кода, представленные в тестах GSM8K, MATH500 и HumanEval. Для работы нужны совместимая целевая модель и сервер с поддержкой DFlash; сама по себе эта модель текст не генерирует. Репозиторий распространяется по лицензии Apache-2.0.

Qwen3.5-4B-TMax-CISPO — дообученная модель семейства Qwen3.5, созданная автором репозитория на базе Qwen/Qwen3.5-4B. Она обучена методом CISPO в среде TMax-15K с асинхронным сбором запусков и обучением; агент использует интерфейс команд Terminus-2. Модель предназначена для экспериментов с RL для терминальных агентов и выполнения командных сценариев короткой и умеренной сложности. Это плотная модель на 4 млрд параметров в формате safetensors, работающая через Transformers; базовая модель мультимодальна, но данное обучение использовало только текстовые данные. Модель не настроена для универсального диалога. Лицензия — Apache-2.0.

mlx-community/Qwen3.5-9B-MTP-bf16 — веса черновой модели Multi-Token Prediction, выделенные из Qwen/Qwen3.5-9B для ускорения генерации методом speculative decoding. Репозиторий подготовлен для MLX и mlx-vlm; архитектура — плотная qwen3_5_mtp, размер блока MTP — 2, точность — bf16, формат — Safetensors. Модель предназначена для совместной работы с целевым чекпойнтом Qwen3.5 9B: она предлагает кандидаты токенов, которые затем проверяет целевая модель. Это вспомогательная модель для ускорения диалога и генерации текста, а не самостоятельная чат-модель. Поддержка MTP в среде mlx-vlm обязательна. В метаданных указаны возможности диалога и интерфейс вызова инструментов, а также английский язык. Лицензия — Apache-2.0; для условий использования README отсылает к лицензии базовой модели Qwen/Qwen3.5-9B.

malaiwah/qwen3-5-tiny-random-bf16 — небольшая независимо инициализированная модель-фикстура семейства Qwen3.5, разработанная malaiwah для обучения, отладки и воспроизведения рабочих процессов QFS. Это базовая эталонная модель с лицензионным условием MIT, реализованная в Transformers и предназначенная прежде всего для локальных CPU-экспериментов, проверки загрузки тензоров, адаптеров и инструментов воспроизводимости.

Armandotrsg/qwen-cybersecurity-2.5-7b-merged — плотная языковая модель Qwen2.5 на 7,1 млрд параметров, дообученная на базе unsloth/qwen2.5-7b-unsloth-bnb-4bit. В карточке указано, что обучение выполнялось с использованием Unsloth и библиотеки Hugging Face TRL; подробности о датасете и методике дообучения не приведены. Модель предназначена для генерации текста. Название указывает на кибербезопасность, однако карточка не описывает специализированные сценарии, подтверждённые навыки или результаты оценки в этой области. Метаданные указывают контекст до 131 072 токенов и английский язык. Лицензия — Apache-2.0.

tiny-random/sam3 — небольшая модель для отладки, созданная на основе конфигурации facebook/sam3 и реализуемая через библиотеку Transformers. Модель случайно инициализирована, поэтому она предназначена для проверки загрузки, конфигурации и выполнения кода, а не для получения качественных результатов сегментации в production-сценариях. Модель поддерживает сегментацию объектов на изображениях по текстовым подсказкам и координатным ограничениям, включая положительные и отрицательные области. Архитектура включает зрительный ViT-энкодер, текстовый компонент, декодеры масок и компоненты для работы с геометрией и трекингом; конфигурация уменьшена для компактного тестирования. Модель опубликована сообществом Hugging Face под идентификатором tiny-random/sam3 и распространяется через Transformers. Лицензия в предоставленных данных не указана.