II.2Создание и понимание программного кода

gnarp-m2 — англоязычная языковая модель CatQualia для переноса структурных аналогий между разными областями. Она дообучена методом QLoRA на базе HuggingFaceTB/SmolLM2-360M-Instruct и содержит около 362 млн параметров. Модель предназначена прежде всего для сопоставления механизмов из биологии, физики, аниме, экономики и других областей с понятиями и конструкциями программной инженерии, а также для проверки таких соответствий. Это плотная авторегрессионная архитектура семейства Llama; контекст — до 8192 токенов. В бенчмарке переноса между областями v2 модель получила оценку 0,7839 и преимущество 14,1% над базовой моделью, однако оценивание основано на эвристиках, поэтому результат не следует считать точной оценкой качества. Обучение преимущественно на структурных аналогиях может снижать качество общего диалога и программирования; из-за небольшого размера модель также ограничена в сложных рассуждениях и длинных ответах. Refusal rate для этой версии не измерялся. Лицензия указана как other, поэтому перед использованием следует проверить условия в репозитории модели.

Salesforce GTA1-7B-2507 — модель для визуального понимания интерфейсов и определения координат элементов управления. Она создана Salesforce и основана на плотной архитектуре Qwen2.5-VL; размер модели составляет 7,1 млрд параметров, контекст — до 128 000 токенов. Модель принимает изображения и текст, поддерживает диалоговый формат и интерфейс вызова инструментов. Модель обучена с применением обучения с подкреплением, включая GRPO, чтобы выдавать действия, привязанные к элементам интерфейса, например клики. Она предназначена для GUI- и OS-агентов, автоматизации взаимодействия с графическими интерфейсами и задач визуального grounding. В README приведены результаты оценки на бенчмарках ScreenSpot, OSWorld и WindowsAgentArena. Модель поддерживает английский язык. Она может неверно находить элементы интерфейса или выдавать ошибочные действия, поэтому автоматизацию следует контролировать и сначала проверять в безопасной среде. Лицензия — Apache-2.0; карточка рекомендует исследовательское и образовательное применение.

ZeyuLing публикует HFTrainer-TinyLlama-1.1B-Chat — текстовую причинную языковую модель семейства LLaMA с плотной архитектурой LlamaForCausalLM и примерно 1 млрд параметров. Она принимает текст и продолжает его генерацией следующего текста; карточка также отмечает поддержку чата. Контекст составляет 2048 токенов, веса доступны в формате safetensors, лицензия — Apache-2.0. Репозиторий содержит обработанную базовую модель Chat v1.0 и демонстрирует дообучение через LoRA ранга 16 на всех линейных слоях, на публичном WikiText-2. Проверены 20 шагов обучения, сохранение чекпойнта и инференс базовой модели; это подтверждает работу конвейера, но не сходимость обучения. В README приведена оценка perplexity на ограниченной выборке строк валидации, не являющаяся стандартным бенчмарком WikiText. Модель подходит для генерации продолжений текста и экспериментов с дообучением небольших чат-моделей. Пример продолжения использует обычный текстовый промпт без шаблона инструкций, поэтому он не подтверждает качество следования инструкциям. Проверенная среда — NVIDIA H200 с PyTorch 2.8.0; минимальные требования к памяти не установлены.

Home-Qwen3.5-0.8B-v0 — экспериментальная дообученная модель автора megabytes для использования с Home Assistant. Она основана на компактной мультимодальной Qwen3.5-0.8B и предназначена для диалогового взаимодействия в сценариях умного дома; метаданные также отмечают поддержку изображений и интерфейс вызова инструментов. Модель обучали с Unsloth и библиотекой TRL. Это ранняя версия: автор называет её своим первым дообучением и предупреждает о возможных ошибках. Репозиторий содержит веса safetensors. Лицензия — Apache-2.0.

HyperPrune-Llama-2-7B-4to8 — разреженный чекпойнт языковой модели Meta Llama 2, подготовленный elastix-ai методом HyperPrune. Веса модели с 6,6 млрд параметров имеют полуструктурированную разреженность 2:4: все 32 декодерных слоя разрежены, общая разреженность составляет около 50%. Модель использует архитектуру LlamaForCausalLM, библиотеку Transformers и формат safetensors; контекст — до 4096 токенов. Чекпойнт предназначен для генерации текста и экспериментальной оценки разреженных больших языковых моделей. В README приведены результаты perplexity на WikiText-2 и C4, а также оценки на задачах ARC и HellaSwag. Маска разреженности рассчитана с использованием калибровочного корпуса SlimPajama-6B; согласно карточке, гиперсеть выбирает около 3,5% маски, а в остальных строках сохранена маска SparseGPT prior. Англоязычная базовая модель — meta-llama/Llama-2-7b-hf. Лицензия указана как other, поэтому перед использованием следует проверить условия исходной модели Meta Llama 2 и репозитория. Это разреженный исследовательский чекпойнт: заявленные метрики зависят от протокола оценки, а README предупреждает, что разные значения perplexity напрямую несопоставимы.

KRONOS V1 P2 — слитая модель семейства Llama 3.1, созданная автором репозитория на основе Meta Llama 3.1 Instruct и дообучения с LoRA на датасете Propositional Logic. Веса представлены в формате safetensors; размер модели — 7,5 млрд параметров, контекст — до 131 072 токенов. Модель использует архитектуру LlamaForCausalLM и библиотеку Transformers. Основное назначение этой версии — служить компонентом для дальнейшего слияния с другими моделями того же семейства методом TIES. Она также поддерживает генерацию текста и диалоговый режим; метаданные отмечают интерфейс вызова инструментов. README приводит результаты оценок IFEval и BBH, но не описывает отдельные сценарии использования этой версии как самостоятельного ассистента. Лицензия в предоставленных данных не указана. Автор README считает создание квантованных версий этой модели ненужным.

Модель chargoddard/llama2-22b-blocktriangular — экспериментальная языковая модель на архитектуре Llama с 21,6 млрд параметров. В README указано, что она похожа на llama2-22b, но создана с параметром BLOCK_DIAGONAL=false при слиянии и обучалась на удвоенном числе токенов дообучения. Репозиторий содержит веса PyTorch, задача модели — генерация текста, а контекст составляет около 4 098 токенов. Автор позиционирует модель как основу для дальнейшего дообучения и слияния, а не для непосредственного использования. В README приведены результаты Open LLM Leaderboard: среднее значение 46,86, ARC — 58,28 и HellaSwag — 82,69; полный набор результатов здесь не представлен. Датасет в метаданных — RedPajama-Data-1T-Sample. Условия лицензии в предоставленных сведениях не указаны.

Mara — компактная модель принятия решений и маршрутизации вызовов инструментов, предназначенная для локального запуска во встраиваемых системах, браузерах и веб-приложениях. В карточке она описана как предобученная модель с 692 тыс. активных параметров, двумя слоями Transformer, Grouped-Query Attention и механизмом PointerHead, который выбирает инструменты и параметры напрямую, без пошаговой генерации текста. Метаданные указывают задачи классификации текста, форматы ONNX и Safetensors, библиотеку Transformers и английский язык; заявлена лицензия Apache-2.0. Модель рассчитана на маршрутизацию текстовых команд к зарегистрированным инструментам: управление GPIO и датчиками, вызовы MCP, сценарии умного дома и локальные агентные приложения. Карточка заявляет планирование составных команд, выдачу структурированных вызовов и выполнение в браузере или на периферийном устройстве без облачного инференса. По данным README, размер весов PyTorch составляет около 2,78 МБ, а задержка ONNX на CPU в указанном бенчмарке — 0,72 мс; эти показатели относятся к описанным условиям оценки. Mara не предназначена для свободного диалога, генерации эссе, открытых исследований и сложных рассуждений вне заданных схем инструментов. В README отмечено падение точности до 44% на независимых разговорных перефразированиях. Подключение к опасным исполнительным механизмам требует внешних блокировок и отказоустойчивых средств управления.

voidful/mhubert-base — чекпойнт на архитектуре HuBERT, созданный конвертацией модели из проекта Textless S2ST с использованием реальных данных. В репозитории указано применение для извлечения признаков; модель содержит 113,3 млн параметров и доступна в форматах PyTorch и Safetensors. Модель предназначена для получения признаковых представлений аудио, в том числе как компонента систем преобразования речи в речь. README содержит примеры использования и оценки, но не уточняет поддерживаемые языки, длину контекста или результаты этих оценок. Лицензия в предоставленных данных не указана.

MicroMe-125M — компактная GPT-подобная языковая модель, созданная Ankitgdes с нуля как учебный проект для изучения полного цикла разработки LLM. Модель содержит около 146,8 млн параметров по метаданным; в README также приведены оценки 125 млн и 129,8 млн. Она обучена на FineWeb-Edu, затем дообучена для диалогов на SmolTalk и небольшом наборе для персонажа и повседневного общения. Архитектура использует плотный трансформер с RMSNorm, RoPE, QK-нормализацией и MLP на ReLU²; словарь byte-level BPE содержит 24 576 токенов, контекст — 1024 токена. Модель предназначена для генерации текста на английском языке, коротких диалогов, учебных экспериментов и демонстраций RAG, где факты поступают из внешнего поиска. По README, она способна поддерживать связный стиль и формат многоходового чата, но не является надёжным источником знаний: может уверенно сообщать ошибки, слабо справляется с арифметикой, сложными рассуждениями и строгими форматами. Для загрузки требуется приложенный код архитектуры model.py. Модель опубликована под лицензией Apache-2.0.

mobilenetv3_large_100.miil_in21k_ft_in1k — модель классификации изображений на архитектуре MobileNetV3 Large, разработанная Alibaba MIIL. Она предварительно обучена на ImageNet-21k-P и дообучена на ImageNet-1k. Модель содержит около 5,5 млн параметров, рассчитана на изображения размером 224 × 224 и может использоваться как классификатор или основа для извлечения признаковых карт и эмбеддингов изображений. Модель подходит для распознавания объектов на изображениях и построения компактных компьютерно-зрительных систем, в том числе с ограничениями по вычислительным ресурсам. В карточке указаны низкие вычислительные затраты — около 0,2 GMACs. Репозиторий предоставляет веса в форматах PyTorch и safetensors; заявлена лицензия Apache-2.0. Описание не подтверждает поддержку конкретных языков: модель работает с изображениями.

opd-teacher-Q2.5I-KloBlocks-step149 — языковая модель на архитектуре Qwen2, разработанная David Heineman на базе Qwen/Qwen2.5-1.5B-Instruct. Она содержит 1,5 млрд параметров и рассчитана на генерацию текста и диалоговое взаимодействие; контекст составляет до 32 768 токенов. Модель обучалась с GRPO в рамках RLVE на среде KloBlocks с нулевым уровнем сложности: проведено 150 обновлений, а этот репозиторий содержит финальный чекпойнт с индексом 149. Назначение обучения — эксперимент по дистилляции on-policy с 32 средами. Веса сохранены в формате safetensors и сверены по именам и формам тензоров с базовой моделью. Модель поддерживает английский язык согласно карточке и предоставляет интерфейс чата и вызова инструментов. Для неё указана лицензия Apache-2.0; в README также отмечено, что включена лицензия исходной модели Qwen.

HikkenNoAce/oran-model — чат-модель на архитектуре Llama, дообученная и объединённая из локального LoRA-адаптера на базе TinyLlama/TinyLlama-1.1B-Chat-v1.0. Она предназначена для генерации текста и диалоговой декомпозиции политик O-RAN. Модель содержит около 1 млрд параметров, принимает текст и рассчитана на контекст до 2048 токенов. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия в доступных данных не указана.

timm/pit_ti_224.in1k — модель компьютерного зрения семейства PiT (Pooling based Vision Transformer), обученная авторами статьи на ImageNet-1k. Она предназначена для классификации изображений, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит около 4,8 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Для неё указаны вычислительная сложность 0,7 GMAC и 6,2 млн активаций. Модель принимает изображения и выдаёт классы либо признаки, в зависимости от способа использования. Весами можно пользоваться через библиотеку timm; доступны форматы PyTorch и safetensors. Лицензия — Apache-2.0. Обучение на ImageNet-1k ориентирует модель на распознавание объектов из набора классов ImageNet; для других доменов точность может отличаться.

poolformerv2_m36.sail_in1k — модель классификации изображений семейства PoolFormer-v2 и архитектуры MetaFormer, опубликованная авторами статьи и обученная на ImageNet-1k. Она предназначена для отнесения изображений к категориям, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит 56,1 млн параметров, рассчитана на изображения размером 224 × 224 и требует около 8,8 GMACs на проход. Репозиторий предоставляет веса PyTorch и safetensors; для работы используется библиотека timm. Лицензия — Apache-2.0. Модель обучена на ImageNet-1k, поэтому её классификация ориентирована на категории этого набора данных. Карточка не подтверждает поддержку других языковых или мультимодальных входов.

Модель melihuzunoglu/ppe-detection — специализированная версия YOLOv11, дообученная Мелихом Узуноглу для обнаружения средств индивидуальной защиты на производственных и строительных площадках. Она предназначена для контроля ношения касок и сигнальных жилетов и может применяться для мониторинга видеопотока в реальном времени. Для запуска используется библиотека Ultralytics; веса представлены в формате PyTorch. Модель поддерживает обнаружение объектов. Для выявления отсутствия жилета README описывает проверку отсутствия метки жилета внутри рамки обнаруженного человека. Обучающий датасет указан как пользовательский, источник — Roboflow. Лицензия репозитория — AGPL-3.0. README рекомендует использовать модель как вспомогательный инструмент наряду с профессиональными проверками безопасности.

LZXzju/Qwen2.5-VL-3B-UI-R1 — дообученная мультимодальная модель на базе Qwen2.5-VL-3B-Instruct, представленная в исследовании UI-R1 об улучшении предсказания действий GUI-агентами с помощью обучения с подкреплением. Разработчики позиционируют её для анализа снимков экрана и привязки текстовых команд к элементам интерфейса. Модель принимает изображение экрана и текстовую инструкцию, а в ответ предлагает действие click или scroll; для щелчка указывает координаты курсора. В README приведены результаты оценки на ScreenSpotV2 и ScreenSpot-Pro, а также пример генерации с Qwen2.5-VL. По метаданным модель содержит 3,1 млрд параметров, поддерживает контекст до 128 000 токенов и использует архитектуру Qwen2.5-VL; основной язык карточки — английский. Лицензия — MIT. Модель подходит для GUI-агентов, которым нужно находить элементы и выбирать действие на мобильных, настольных и веб-интерфейсах. Указанные в README результаты относятся к конкретным тестам и не гарантируют точность на произвольных интерфейсах; для координат может потребоваться пересчёт после изменения размера изображения.

Qwen3-1.7B-abliterated — экспериментальная версия языковой модели Qwen3-1.7B от Mlabonne, созданная методом abliteration для уменьшения отказов на запросы. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 1,7 млрд параметров и рассчитана на контекст до 40 960 токенов. Она принимает текст и генерирует текст; метаданные указывают на поддержку диалогов и интерфейса вызова инструментов. Модель предназначена для экспериментов с отказами и скрытым дообучением LLM, а также для генерации текста и диалогов с менее частыми отказами. При abliteration направление отказа оценивается по различию скрытых состояний на вредных и безвредных примерах, после чего компоненты целевых модулей ортогонализируются. Автор отмечает, что результат экспериментальный и может оказаться хуже ожидаемого; для генерации рекомендованы temperature=0.6, top_k=20, top_p=0.95 и min_p=0. Модель основана на Qwen/Qwen3-1.7B и распространяется по лицензии Apache-2.0.

Davd-b01 разработал экспериментальную исследовательскую версию Qwen3.8-Flash-Next, сократив число маршрутизируемых экспертов MoE с 512 до 128 и выполнив последующее обучение в три этапа: SFT, SimPO и RLVR. Это гибридная архитектура qwen4_exp с 36 слоями Gated DeltaNet, 12 слоями разреженного внимания, общим экспертом, внешней n-граммной памятью и сохранённой визуальной частью; в README исходная модель описана как класс примерно 180 млрд параметров. Модель предназначена для изучения последствий прореживания экспертов, постобучения и поведения рассуждений; доступны пять уровней глубины рассуждения, задаваемых системным промптом. Автор позиционирует чекпойнт как лабораторный артефакт, а не готовый продукт. После сокращения модели просели редкие языки и узкие области знаний; без поиска или инструментов слабо энциклопедическое воспроизведение фактов, а точные многоразрядные вычисления и проверка собственных выводов ненадёжны. Указаны веса BF16 и лицензия Apache-2.0.

ToPo-ToPo подготовил bf16-чекпойнт MTP-драфтера, выделенный из официальной модели Qwen/Qwen3.8-Flash-Next. Это вспомогательная часть для спекулятивного декодирования: сама по себе она не используется, а работает вместе с основной моделью. В репозитории указаны архитектура qwen4_exp_mtp, формат safetensors и размер около 4,9 ГиБ; метаданные также отмечают диалоговый режим и интерфейс вызова инструментов. Для извлечения и запуска требуется mlx-vlm версии 0.7.0 или новее; в версии 0.6.17 нужной поддержки нет. Модель предназначена для ускорения генерации текста в связке с базовым чекпойнтом. Лицензия указана как other, поэтому конкретные условия использования следует сверять с лицензией исходной модели и репозитория.

RegNetY-32GF — свёрточная модель классификации изображений из семейства RegNetY, опубликованная в библиотеке timm. Веса предварительно обучены авторами статьи на ImageNet-1k. Модель содержит около 145 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для определения классов объектов на изображениях, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Реализация timm поддерживает стохастическую глубину, gradient checkpointing и настройку выходного stride, функций активации и нормализации. Репозиторий распространяется под лицензией MIT.

RepViT M1.1 distill — модель классификации изображений, разработанная авторами статьи RepViT и обученная с дистилляцией на ImageNet-1k. Она также может использоваться как сверточный backbone для извлечения карт признаков и эмбеддингов изображений. Модель содержит 8,8 млн параметров, требует изображение размером 224 × 224 пикселя и имеет вычислительную сложность 1,4 GMAC. Репозиторий предоставляет веса PyTorch и SafeTensors для библиотеки timm. Лицензия — Apache-2.0. Подходит для классификации изображений и извлечения визуальных признаков в компьютерном зрении. Карточка не приводит ограничений по качеству или сведения о поддержке иных размеров изображений.

MaxJeblick/reward-model-deberta-v3-unit-test — небольшая тестовая reward-модель на базе DeBERTa v3, предназначенная для модульных и интеграционных тестов в сценариях RLHF. Она классифицирует текст и рассчитана на запуск на CPU, в том числе на машинах без GPU. В метаданных указаны архитектура DeBERTa v2, класс DebertaV2ForSequenceClassification, 1,5 млн параметров и контекст до 512 токенов. Модель опубликована в формате PyTorch. Модель подходит для проверки интеграций и тестовых конвейеров, но README характеризует её как dummy-модель, а не как надёжную систему оценки ответов для реального применения. Сведения о лицензии и поддерживаемых естественных языках в предоставленных данных отсутствуют.

Ringg Router E2B — компактная текстовая модель для принятия решений в голосовых и чат-агентах, разработанная Ringg AI и дообученная на базе google/gemma-4-E2B-it. По короткому диалогу и списку вариантов она выбирает маршрут или инструмент, может проверить условие, извлечь заданные поля и вернуть результат с кратким обоснованием в JSON. Модель предназначена для многошаговых сценариев, IVR, маршрутизации обращений и поддержки индийских языков и смешанной речи: английского, хинди, Hinglish, бенгальского, телугу, тамильского, каннада, малаялам, маратхи и гуджарати. В README приведены высокие результаты на отложенных и проверочных срезах публичных наборов данных для маршрутизации, выбора инструментов и проверок да/нет. Модель принимает текст диалога и структурированные варианты в запросе и генерирует текстовый JSON-ответ; исходная Gemma 4 E2B IT является мультимодальной, но эта донастройка описана как работающая только с текстом. Для запуска автор рекомендует bfloat16 и предупреждает о заметном снижении качества в float16; на GPU без аппаратной поддержки bf16 может потребоваться подходящая версия Transformers или более новое устройство. Лицензия — Apache-2.0.

Segformer Model Card — модель семантической сегментации изображений семейства SegFormer, опубликованная пользователем smp-hub. В карточке указано, что модель обучена на датасете Cityscapes; по названию репозитория она предназначена для входных изображений размером 640×1280 и связана с обучением на 160 тысяч шагов. Репозиторий содержит веса в формате safetensors и использует библиотеку segmentation-models-pytorch. Модель подходит для выделения и классификации областей на городских сценах, например для анализа дорожных изображений. Карточка не приводит метрики качества, перечень классов, подробности архитектурной конфигурации или явные инструкции по лицензии; метаданные обозначают лицензию как other.

SOVYTHOS-V2 Base — базовая языковая модель проекта Sovythos AI Project, обученная с нуля. Это декодерный Transformer в стиле Llama примерно на 300 млн параметров с RMSNorm, RoPE, группированным запросным вниманием (GQA) и SwiGLU. Репозиторий sovythos/Sovythos-303M-Base содержит веса в формате safetensors; модель совместима с экосистемой Llama и инструментами Hugging Face Transformers. Модель предназначена для продолжения предобучения и разработки производных моделей, а также для экспериментов с генерацией текста на современном стандартном и египетском арабском, английском и коде. Это базовая, не настроенная на инструкции модель, поэтому она не рассчитана на надёжный диалог или точное выполнение команд. В README checkpoint назван ранним снимком продолжающегося обучения: автор предупреждает о слабых или несвязных ответах и указывает, что качество должно улучшиться в следующих версиях. Модель распространяется по лицензии Apache-2.0. Хотя карточка описывает проект как производственный, данный checkpoint явно обозначен как ранняя версия для тестирования архитектуры и интеграции, поэтому его зрелость следует оценивать как экспериментальную.

Filtered — Base (3B) — это предварительно обученная языковая модель EPFL DLAB на архитектуре семейства Llama. Модель обучена с нуля; её архитектура соответствует конфигурации Llama 3.2 3B, а токенизатор основан на SmolLM2 и содержит словарь из 49 152 токенов. Модель имеет 3 млрд параметров и контекст до 2048 токенов. При предобучении функция потерь не учитывалась для документов, размеченных как небезопасные. Модель предназначена для исследований выравнивания и безопасности, проверки поведения базовых моделей и дальнейшего дообучения. Это базовая модель без настройки на инструкции и без шаблона чата; она генерирует продолжение текста и может выдавать неверный или небезопасный контент. В репозитории опубликованы промежуточные контрольные точки для оценки и экспериментов, но нет состояний оптимизатора и генератора случайных чисел для точного возобновления обучения. Лицензия в карточке указана как other, а README сообщает, что её условия ещё должны быть окончательно определены.

Vanilla — Base (3B) — базовая языковая модель, разработанная командой model-raising для исследований в области выравнивания и безопасности. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM, обученная с нуля; для токенизации используется словарь SmolLM2 из 49 152 токенов. Модель прошла предварительное обучение примерно на 500 млрд токенов из части смеси Olmo 3 Dolma 3. Доступны промежуточные контрольные точки обучения, а основная версия содержит завершённую модель. Модель предназначена для продолжения текста, исследования поведения базовой модели, зондирования и последующего дообучения. Она не настроена для следования инструкциям и не содержит шаблона чата. Контекст составляет 2048 токенов. В README указано, что при предварительном обучении не применялись меры безопасности; модель может выдавать неверный или небезопасный контент. Опубликованы только веса, поэтому точное возобновление обучения невозможно. Лицензия обозначена как «other» в метаданных, а в README указано, что она ещё не окончательно определена.

Экспериментальный чекпойнт Jeesup на базе Mistral-7B-Instruct-v0.2, сжатый методом SVD-LLM: удалено 19,92% параметров, а небольшая доля SVD-компонентов восстановлена по правилу disc. Модель содержит 7,1 млрд параметров, использует архитектуру Mistral и принимает текст для генерации ответов в диалоге; контекст — до 32 768 токенов. Чекпойнт создан для изучения влияния сжатия на безопасность и полезность модели и сравнения способов восстановления поведения. В README приведены результаты оценок на AdvBench, StrongREJECT и WildGuard. Это отдельный экспериментальный вариант из серии, а не универсальный чат-помощник; отдельные варианты серии намеренно имеют ослабленное безопасное поведение. Лицензия — Apache-2.0.

test_efficientnet_ln.r160_in1k — очень компактная модель классификации изображений семейства EfficientNet из библиотеки PyTorch Image Models (timm), подготовленная Россом Уайтманом для тестирования и проверки корректности работы. Она обучена на ImageNet-1k и также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Модель содержит около 0,4 млн параметров, имеет вычислительную сложность около 0,1 GMAC и рассчитана на изображения размером 160 × 160 пикселей. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия — Apache-2.0. Модель подходит для sanity checks и небольших демонстраций классификации изображений. README обозначает её как тестовую, поэтому её не следует считать моделью для задач, где важны высокое качество или надёжность; приведённые в карточке показатели точности относятся к другим тестовым моделям.