II.2Создание и понимание программного кода

EfficientViT L1 — модель классификации изображений и визуальный backbone семейства EfficientViT, разработанного авторами работы EfficientViT. Чекпойнт обучен на ImageNet-1k и рассчитан на изображения размером 224 × 224 пикселя. В модели 52,7 млн параметров; вычислительная сложность составляет 5,3 GMACs. Модель предназначена для классификации изображений по классам ImageNet-1k, а также может использоваться как backbone для извлечения карт признаков и визуальных эмбеддингов в компьютерном зрении. Архитектура EfficientViT использует многошкальное линейное внимание для обработки визуальных признаков. Репозиторий предоставляет веса в форматах PyTorch и Safetensors; библиотека модели — timm. Лицензия — Apache-2.0. Качество классификации за пределами ImageNet-1k и пригодность для конкретных наборов данных README не подтверждает; входной размер в карточке указан как 224 × 224.

EVA02 Large — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков, представленная в библиотеке timm. Она предварительно обучена на ImageNet-22k методом masked image modeling с EVA-CLIP в роли учителя и затем дообучена авторами статьи на ImageNet-22k. Архитектура Vision Transformer использует mean pooling, SwiGLU, Rotary Position Embeddings и дополнительный LayerNorm в MLP; размер модели — 326,4 млн параметров, входное разрешение — 448 × 448 пикселей. Модель подходит для присвоения изображению категорий и получения эмбеддингов для последующих задач компьютерного зрения. В карточке приведены результаты классификации на ImageNet-22k и примеры использования через timm. Чекпойнт timm сохранён в float32; исходные версии EVA02 могут быть доступны в float16 или bfloat16. Модель распространяется по лицензии MIT.

Xenova/facial_emotions_image_detection — модель классификации изображений, подготовленная сообществом Xenova на основе модели dima806/facial_emotions_image_detection. Она предназначена для определения эмоции по изображению лица и рассчитана на использование в приложениях, поддерживающих Transformers.js, включая веб-сценарии с ONNX-весами. Модель работает в режиме image-classification и возвращает метки эмоций с оценками уверенности, например disgust. Архитектура, количество параметров, точный набор поддерживаемых эмоций, языки и размер контекста в README не указаны. Известно, что веса представлены в формате ONNX для совместимости с Transformers.js; это позволяет запускать модель через JavaScript-библиотеку в подходящих средах. Сильной стороной модели является готовность к интеграции в Transformers.js и веб-приложения. Ограничения связаны с отсутствием подробностей о качестве, обучающем наборе данных, поддерживаемых типах изображений и границах применимости; распознавание эмоций по лицу также следует трактовать как вероятностную классификацию, а не как достоверное определение внутреннего состояния человека. Лицензия в README не указана.

FELA-TS edge — модель прогнозирования временных рядов от Lowdown Labs на архитектуре Fourier Neural Operator (FNO) с patch embedding и нормализацией RevIN. В чекпойнте около 1,76 млн параметров; он обучен на наборе UCI ElectricityLoadDiagrams20112014 и предназначен для прогноза электрической нагрузки по данным 321 канала. Модель принимает окно из 512 прошлых шагов и предсказывает следующие 96 шагов. Метаданные указывают библиотеку Transformers и формат safetensors. Модель рассчитана на запуск на CPU, в том числе на одноплатных компьютерах класса Raspberry Pi. Для одиночного потока нагрузки README указывает задержку около 0,86 мс на одном ядре CPU и постоянный расход рабочей памяти независимо от длительности потока. Она подходит для прогнозирования нагрузки на счётчиках, шлюзах и в системах мониторинга зданий или микросетей. Модель выпущена как исследовательская предварительная версия. Её качество проверено на одном бенчмарке и примерно соответствует сильным моделям-прогнозистам, но превосходства по точности не заявлено. Переносимость на другие профили нагрузки, частоты измерений, датчики и группы потребителей не установлена; перед эксплуатацией её нужно проверить на целевых данных. Лицензия указана как other; README отмечает лицензию CC BY 4.0 для обучающего набора и необходимость учитывать отдельные лицензионные условия модели.

google/gemma-4-E4B-it-qat-q4_0-unquantized-assistant — вспомогательная модель-драфтер Gemma 4 E4B, разработанная Google DeepMind. Она предназначена для ускорения генерации текста методом speculative decoding в связке с целевой моделью Gemma 4. Это instruction-tuned вариант семейства Gemma 4 с плотной архитектурой Gemma4AssistantForCausalLM; веса представлены в safetensors и извлечены из конвейера quantization-aware training (QAT) в половинной точности, а не сохранены как готовая квантизованная копия. Семейство Gemma 4 поддерживает текстовые и графические входы, а E4B также поддерживает аудио; семейство генерирует текст и рассчитано на многоязычное применение. Однако эта карточка относится к drafter-модели, поэтому её основное назначение — предложить черновые токены целевой модели при ускоренной генерации, а не выступать самостоятельной универсальной мультимодальной моделью. Для совместной работы с QAT-целевой моделью требуется assistant-модель с той же точностью. Лицензия — Apache 2.0.

GLM-5.3-Flash-DFlash2 — черновая модель DFlash 2 на 1,6 млрд параметров для ускорения генерации текста базовой GLM-5.3-Flash. Это не самостоятельная языковая модель: она работает внутри сервера спекулятивного декодирования вместе с целевой моделью zai-org/GLM-5.3-Flash, которая проверяет предложенные токены. В метаданных указаны архитектура семейства Qwen3, класс DFlash2DraftModel и формат safetensors. Модель за один проход предсказывает блок токенов и сохраняет несколько кандидатов для каждой позиции; лёгкий селектор строит из них согласованную последовательность. По README, двухтактные динамические свёртки помогают сохранять качество предсказаний в конце блока. Декодирование заявлено как без потерь: жадный вывод совпадает с выводом целевой модели, а при сэмплировании сохраняется её распределение. Контекст базовой модели указан в метаданных как 1 048 576 токенов; это характеристика базовой модели, а не самостоятельный контекстный режим черновой модели. Модель предназначена для интеграции со SGLang и спекулятивного декодирования GLM-5.3-Flash. Контрольная точка опубликована 27 августа 2026 года; результаты бенчмарков, согласно README, ещё перепроверяются. Лицензия CC BY-NC-ND 4.0 ограничивает использование и распространение производной версии; перед внедрением следует проверить её условия и совместимость с лицензией базовой модели.

Это языковая модель GPT-3 Small объёмом около 125 млн параметров, созданная автором репозитория как попытка воспроизвести архитектуру из статьи OpenAI «Language Models are Few-Shot Learners». Модель обучена на подмножестве датасета FineWeb с помощью PyTorch и библиотеки Transformers; доступны веса в формате PyTorch. Контекст составляет 2048 токенов. Модель предназначена для генерации продолжений текста и экспериментов с дообучением. В README заявлена почти связная генерация текста и результат 27,98% на MMLU. Используется собственная реализация GPT-3 с Conv1D-слоями для проекций внимания; для инференса требуется код из репозитория, поскольку стандартная загрузка через AutoModelForCausalLM.from_pretrained() не работает. Лицензия — MIT.

haloregnetz_b.ra3_in1k — модель классификации изображений и извлечения визуальных признаков, разработанная Россом Уайтманом и обученная в библиотеке timm на ImageNet-1k. Она основана на архитектуре RegNet-Z и использует блоки HaloNet с локальным пространственным вниманием; конфигурация настроена на разумное время обучения и сокращённое число блоков self-attention, а не на точное воспроизведение конкретной статьи. Модель предназначена для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. В карточке указаны 11,7 млн параметров, вычислительная сложность 2,0 GMACs и входной размер 224 × 224 пикселя. Для обучения применялась схема RandAugment RA3. Модель принимает изображения и выдаёт классы либо визуальные признаки и эмбеддинги. Лицензия — Apache-2.0. Классификация ориентирована на категории ImageNet-1k; качество на иных наборах данных и изображениях, отличающихся по распределению, может быть ниже.

HGNet-V2 B4 — сверточная модель для классификации изображений и извлечения визуальных признаков, разработанная авторами семейства HGNet-V2 и опубликованная в библиотеке timm. Модель обучали с дистилляцией SSLD на данных ImageNet-22k и ImageNet-1k, затем дообучили на ImageNet-1k. Веса доступны в форматах PyTorch и safetensors по лицензии Apache-2.0. Модель содержит 19,8 млн параметров и предназначена для классификации изображений, извлечения карт признаков и получения векторных представлений. В карточке указаны размер изображения 224×224 при обучении и 288×288 при оценке; вычислительная сложность составляет 2,7 GMACs. Обучение на ImageNet делает её подходящей как основу для задач распознавания объектов общего назначения. Ограничение: обучение и заявленные результаты связаны с ImageNet, поэтому качество на других предметных областях зависит от данных и условий применения.

kimi-k2.5-eagle3-mla — черновая модель Eagle3 MTP от LightSeek, предназначенная для ускорения инференса Moonshot AI Kimi-K2.5 методом speculative decoding. Она обучена с помощью TorchSpec и использует Multi-Latent Attention (MLA), согласованную с архитектурой базовой модели; это уменьшает потребление KV-кэша по сравнению с вариантом на MHA и облегчает интеграцию с обработкой KV-кэша в разных сценариях обслуживания запросов. Модель содержит 1,8 млрд параметров, имеет архитектуру Eagle3DeepseekV2ForCausalLM и рассчитана на контекст до 262 144 токенов. Её применяют как draft-модель совместно с Kimi-K2.5 в системах инференса vLLM или SGLang; самостоятельная генерация ответов не является её основным сценарием. В README приведены результаты измерения средней длины принятого блока токенов на MTBench, CEval и GSM8K, но они характеризуют ускорение speculative decoding, а не качество ответов. Для запуска требуются NVIDIA GPU с CUDA 12.0+ и совместимая версия vLLM или SGLang. Модель основана на moonshotai/Kimi-K2.5; лицензия указана как other, поэтому условия использования следует проверять в карточке репозитория.

kimi-k3-eagle3-mla — вспомогательная черновая модель Eagle3 с архитектурой MLA, разработанная для ускорения инференса Kimi-K3 методом спекулятивного декодирования. Она обучена с помощью TorchSpec и используется вместе с основной моделью Kimi-K3, которая проверяет предложенные токены. Веса модели занимают около 1,8 млрд параметров; репозиторий содержит веса в формате safetensors, а базовая модель — moonshotai/Kimi-K3. Вариант MLA согласован с архитектурой Kimi-K3 и использует меньше памяти KV-кэша по сравнению с черновой моделью на MHA. Модель предназначена для серверного инференса и ускорения генерации текста, а не для самостоятельного диалога. В README приведены измерения средней длины принятых токенов на бенчмарках диалогов, китайского и многоязычного качества; результат зависит от конфигурации спекулятивного декодирования и целевой модели. Для запуска требуются NVIDIA GPU с CUDA 12.0+ и TokenSpeed либо vLLM 0.20.0 или новее. Лицензия указана как other, конкретные условия использования в предоставленных данных не раскрыты.

YOLO11n — детектор объектов Ultralytics, дообученный командой проекта DetectionBench на наборе KITTI. Модель принимает изображения дорожных сцен и находит на них объекты восьми классов: автомобили, велосипедистов, пешеходов, людей сидя, трамваи, грузовики, фургоны и объекты класса Misc. Модель предназначена для экспериментов и оценки детекторов в сценариях автономного вождения и систем помощи водителю. На валидационной выборке KITTI заявлены mAP@50 38,77% и mAP@50–95 23,97%; точность составляет 52,84%. Результаты заметно различаются по классам: например, mAP@50 для автомобилей — 90,53%, а для класса Misc — 9,56%. Оценка проводилась на валидационной выборке, которая также использовалась для ранней остановки; публичной разметки официальной тестовой выборки KITTI нет. Датасет невелик и несбалансирован: класс Car составляет большую часть объектов, поэтому оценки редких классов менее надёжны. Формат кадров KITTI широкий, и при квадратном масштабировании часть разрешения теряется на отступы. Репозиторий распространяется по лицензии AGPL-3.0.

Это тестовый файл весов Laya Multilingual в формате GGUF F16, подготовленный MeshLLM для переносимых smoke-тестов System One. Это конверсия модели convaiinnovations/laya-multilingual для совместимости с llama.cpp; отдельный новый чекпойнт не создавался. Исходная модель и веса распространяются по лицензии Apache-2.0. Файл предназначен для проверки совместимости в CI и требует версии llama.cpp с патчами MeshLLM для формата Laya GGUF. Он не взаимозаменяем с GGUF-файлами, созданными компилятором ggmlc. Размер модели, контекст и конкретные поддерживаемые языки в предоставленных сведениях не описаны.

MiniCPM4-8B-Eagle-vLLM — вспомогательная модель OpenBMB для ускорения генерации MiniCPM4-8B с помощью спекулятивного декодирования Eagle в vLLM. Репозиторий предоставляет Eagle head в формате для vLLM; для работы ему нужна базовая MiniCPM4-8B и актуальная версия vLLM. Семейство MiniCPM4 разработано для эффективного запуска на устройствах с ограниченными ресурсами и поддерживает китайский и английский языки. Базовая MiniCPM4-8B использует плотную архитектуру MiniCPM и контекст до 32 768 токенов; в серии также описана разреженная обработка длинных текстов. Указанный в метаданных размер 537,8 млн параметров относится к этому репозиторию, а не к базовой модели на 8 млрд параметров. Модель предназначена для ускорения вывода, а не для самостоятельного использования как универсальная языковая модель. Лицензия Apache-2.0.

Inferact/MiniMax-M3-EAGLE3-GQA — черновая модель EAGLE3, разработанная Inferact для ускорения инференса MiniMax-M3 с помощью спекулятивного декодирования. Это плотная однослойная архитектура Llama с групповым запросно-ключевым вниманием (GQA), 1,6 млрд параметров и контекстом до 1 048 576 токенов. При обслуживании через vLLM модель использует общие с целевой моделью эмбеддинги и выходную голову; обучение выполнено с TorchSpec на тех же данных, что и вариант с MHA, включая kimi-mtp, OpenCodeInstruct, SWE-bench и SWE-bench-Pro. Замена MHA на GQA сокращает KV-кэш черновой модели в 16 раз и обеспечивает совместимость с целевой MiniMax-M3. В измерениях из карточки на MT-Bench средняя длина принятого фрагмента составила 2,668 токена, а доля принятых черновых токенов — 55,62%; результаты зависят от набора данных и конфигурации запуска. Модель предназначена для использования вместе с MiniMax-M3 в vLLM, а не как самостоятельный универсальный генератор. Лицензия — MIT.

MobileOne S1 — сверточная модель классификации изображений семейства MobileOne, опубликованная авторами статьи и обученная на ImageNet-1k. Она предназначена для классификации изображений, а также может использоваться как базовая сеть для извлечения карт признаков и визуальных эмбеддингов. Модель содержит около 4,8 млн параметров, требует 0,9 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Компактный размер и невысокая вычислительная сложность делают её подходящей для сценариев, где важны скорость и эффективность на мобильных или ограниченных по ресурсам устройствах. Репозиторий предоставляет веса PyTorch в формате safetensors. Модель обучена на ImageNet-1k; карточка не описывает поддержку других наборов классов или специализацию на отдельных предметных областях. Указано, что следует соблюдать исходную лицензию, однако её условия в предоставленных данных не раскрыты.

ModernBERT-TR MASSIVE Intent — турецкий классификатор на базе ModernBERT, разработанный ytu-ce-cosmos. Модель дообучена на турецкой локализации MASSIVE 1.1 и определяет одну из 60 меток намерений по тексту пользовательского высказывания. В репозитории опубликована голова классификации намерений; слотная голова использовалась при совместном обучении, но не входит в этот чекпойнт. Модель содержит около 148,7 млн параметров, имеет контекст до 8192 токенов и архитектуру ModernBertForSequenceClassification. Она предназначена для классификации коротких запросов, например команд голосовому помощнику. На тестовом наборе MASSIVE 1.1 для tr-TR опубликованный чекпойнт показал точность 88,33% и macro-F1 85,69%. Доступны веса Safetensors и формат ONNX; для применения приведён пример с Transformers pipeline. Модель специализирована на турецком языке и метках MASSIVE, поэтому качество на других языках и вне этой схемы намерений не подтверждено. Лицензия — Apache-2.0.

fxmarty/onnx-tiny-random-gpt2-without-merge — небольшая тестовая модель семейства GPT-2, опубликованная пользователем fxmarty на Hugging Face и доступная в формате ONNX. Она предназначена для извлечения признаков из текста через pipeline feature-extraction и проверки совместимости Transformers и ONNX, а не для генерации качественного текста или прикладного использования. Модель поддерживает контекст до 512 токенов и распространяется по лицензии MIT. Язык модели и точный размер параметров в доступных источниках не установлены. Из-за обозначения tiny-random её следует рассматривать как модель для тестирования и разработки, а не как полноразмерную обученную модель.

Модель разработал Michał Młodawski: это дообученная версия MobileNetV2 для классификации изображений глаз на открытые и закрытые. В README указана базовая модель google/mobilenet_v2_1.4_224 и заявлена точность 99%; репозиторий содержит варианты PyTorch, Safetensors и ONNX. Модель принимает изображение и выдаёт один из двух классов: «глаза открыты» или «глаза закрыты». Классификатор подходит для оценки закрытости глаз на изображениях, например, в системах обнаружения сонливости водителя, анализа внимательности и обработки фотографий. Датасет карточки — MichalMlodawski/closed-open-eyes. Лицензия CC BY-NC-ND 4.0 запрещает коммерческое использование и распространение производных версий. Качество зависит от входных изображений; заявленная точность не подтверждена описанием условий оценки, поэтому результаты нужно проверять перед применением, особенно в критически важных системах.

Luigi выпустил GGUF-сборку китайского голоса MeloTTS на базе OpenVoice2 для синтеза речи в RapidSpeech.cpp. Модель объединяет акустическую модель OpenVoice2 для китайского языка и дистиллированный вокодер MeloTTS melo8k в один файл; это вариант той же 8-кГц озвучки, что и у репозитория Luigi/vits-melo-tts-zh_en-8k, но для среды ggml. Вывод — монофоническое аудио с частотой 8 кГц, рассчитанное на телефонию и работу на периферийных устройствах, в том числе Jetson Nano. Модель предназначена для китайской речи с переключением между китайским и английским. Дистиллированный вокодер Vocos8k использует ConvNeXt с частотой кадров 125 Гц и головку iSTFT; в README указано около 3,7 млн параметров для вокодера. Выходная частота 8 кГц устраняет необходимость пересчёта частоты для телефонного аудио и снижает вычислительную нагрузку по сравнению с вокодером на 44,1 кГц. Для CPU README отмечает преимущество ONNX/sherpa-onnx варианта по скорости, а сильной стороной RapidSpeech.cpp на Jetson называет CUDA-бэкенд. Репозиторий и упаковка выпущены под лицензией MIT.

Bedovyy/OppaiOracle-V1.1-timm — совместимая с timm перепаковка модели Grio43/OppaiOracle для многометочной классификации изображений в стиле тегов Danbooru. Она предназначена для автоматического присвоения тегов аниме-изображениям и может использоваться с ComfyUI-WD-Timm-Tagger. В этой версии цветовой порядок изменён с RGB на BGR, а файл selected_tags.csv адаптирован к формату WD Tagger. Модель распространяется в формате safetensors по лицензии Apache-2.0.

poedator/opt-125m-bnb-4bit — это 4-битно квантованная версия языковой модели facebook/OPT-125m, подготовленная с использованием bitsandbytes и квантования NF4. Размер исходной модели составляет 125 млн параметров. README не указывает точные архитектурные характеристики, поддерживаемые языки, модальности и размер контекста. Модель предназначена прежде всего для тестирования работы соответствующих изменений в библиотеке Hugging Face Transformers, связанных с pull request 26037. Она обозначена как незавершенная экспериментальная версия, поэтому может быть полезна для разработчиков и исследователей, проверяющих загрузку и использование 4-битных квантованных моделей, но не рекомендуется как готовое решение для production-сценариев. Ключевое преимущество модели — снижение требований к памяти за счет 4-битного представления NF4. Ограничения включают статус work in progress и известную проблему: в safetensors были удалены связанные элементы quant_map и nested_quant_map, что может влиять на корректность загрузки или работы модели. Условия лицензирования определяются лицензией исходной модели facebook/OPT-125m, однако ее конкретное название в README не указано.

CanelE452 разработал CanelE452/pallet-pose-yolo26n-cleanlabel — модель оценки позы квадратных паллет на базе YOLO26n-pose, обученная с C4-симметричным loss. В этой версии исправлены исходные поля разметки и отключена горизонтальная flip-аугментация, поскольку порядок углов асимметричен. Модель предсказывает 9 ключевых точек: четыре угла ближней грани, четыре угла дальней грани и центроид. Её главное преимущество — стабильная нумерация углов: по README, предсказания совпадают с принятой нумерацией в 98,7% случаев, а медианная ошибка для фиксированных индексов составляет 1,90 px. Для инференса необходимы padding с отражением на 100 px и ultralytics версии не ниже 8.4.60. Модель рассчитана на квадратные паллеты и применение в конкретной производственной среде. Обобщение на новые площадки не проверено; модель слабо проверена на обрезанных паллетах, а частота ложных срабатываний не измерялась. Для downstream-оценки позы следует использовать objectPoints размером 1,10 × 0,15 × 1,10 м. Лицензия — AGPL-3.0.

Phi4attnOASIS — исследовательский чекпойнт из коллекции OASIS, разработанный на базе microsoft/Phi-4-mini-instruct для изучения маршрутизации внимания между слоями. Это плотная причинно-языковая модель семейства Phi с 3,8 млрд параметров и контекстом 4096 токенов; она принимает текст и генерирует текст. Вариант сочетает Softmax1 с нулевым слотом и AttentionResidual, связывая сигнал о нулевых весах на уровне токенов с маршрутизацией между слоями, чтобы ослабить доминирование attention sinks. Модель предназначена для генерации текста и диалоговых экспериментов, а также для оценки perplexity, статистики активаций и устойчивости к квантизации в рамках исследования OASIS. Для загрузки требуется код моделирования OASIS: стандартный AutoModelForCausalLM не поддерживает дополнительные параметры и может молча отбросить их, в результате чего вариант OASIS не будет работать как задумано. Репозиторий содержит веса в формате safetensors. Лицензия — MIT.

Это контрольная точка черновой модели EAGLE3, обученной методом SpecForge для ускорения генерации с помощью спекулятивного декодирования вместе с Qwen/Qwen3-1.7B. Она предназначена для использования в совместимом со SpecForge/EAGLE3 коде как вспомогательная модель, а не как самостоятельная языковая модель. Модель обучалась онлайн на данных ShareGPT; указаны 9-я эпоха и шаг 445000. Архитектура — LlamaForCausalLMEagle3, формат весов — safetensors, тип данных — bfloat16. Веса контрольной точки не содержат замороженные эмбеддинги целевой модели: при загрузке их берут из базовой Qwen3-1.7B. Метаданные указывают контекст до 40960 токенов и языки en и zh. Карточка не приводит результатов бенчмарков, поэтому выигрыш в скорости не количественно подтверждён. Лицензия обозначена как other, конкретные условия следует проверять в репозитории.

Qwen3.5-2B-SpeedX — экспериментальная текстовая рекуррентная модель, созданная разработчиком j-llm на основе Qwen/Qwen3.5-2B. В исходной модели шесть слоёв полного внимания заменены на слои Gated DeltaNet, обученные дистилляцией; все 24 слоя получившейся архитектуры выполняют рекуррентное смешивание токенов. Модель содержит около 1,7 млрд параметров по метаданным и предназначена для генерации текста с рекуррентным состоянием фиксированного размера, без токенового KV-кэша. Модель рассчитана прежде всего на исследования рекуррентных языковых моделей, декодирования без KV-кэша и ускорения инференса. В тестах разработчика на NVIDIA L4 указана скорость около 61 токена/с в точном BF16-режиме и около 79 токенов/с в экспериментальном FP8-режиме; эти результаты зависят от специализированных CUDA и Triton оптимизаций и не гарантируются обычным путём загрузки Transformers. Чекпойнт включает только текстовый стек, без компонентов обработки изображений исходной модели. Короткая дистилляция не гарантирует сохранения рассуждений, фактических знаний, многоязычных и бенчмарк-возможностей исходной модели. Для загрузки используется пользовательский код из репозитория и требуется trust_remote_code=True. Лицензия — Apache-2.0; модель не является официальным выпуском Qwen.

fleetml/Qwen3.8-27B-Uncensored-DSpark-RTX5090 — вспомогательная speculative decoding-модель, разработанная fleetml на основе RadixArk/Qwen3.8-27B-DSpark. Она предназначена не для самостоятельной генерации, а для ускорения работы целевой модели fleetml/Qwen3.8-27B-Uncensored-NVFP4-RTX5090 при локальном обслуживании, исследованиях, оценке и разработке агентных систем на видеокарте NVIDIA RTX 5090. Архитектура драфтера — DSparkDraftModel: 1 857 358 337 параметров, 5 слоёв, block size 7 и 5 целевых слоёв. Модель обучалась в BF16 на скрытых состояниях, полученных от точной NVFP4-целевой модели, а для использования преобразована в ModelOpt NVFP4. Заявлено контекстное окно архитектуры 262 144 токена; проверенный контекст запуска — 122 880 токенов, автоматически выделяемый активный пул — 87 798 токенов. В метаданных указаны языки English и Chinese. Совокупный размер пары моделей составляет 22,24 ГБ, а распределение весов на GPU — 20,50 ГБ. В тесте на одной RTX 5090 пара достигла медианной скорости декодирования 217,73 токена в секунду и медианного времени до первого токена 0,113 секунды; результаты получены при единичной конкурентности, температуре 0 и на 18 успешных запросах. Эти показатели относятся к конкретной конфигурации и не означают устойчивую генерацию 16 000 токенов. Для работы драфтер необходимо подключать к совместимой целевой модели через speculative decoding с параметрами speculative-draft-model-path и modelopt_fp4. Лицензия — Apache 2.0.

Это экспериментальный чекпойнт Qwen3-Coder-30B-A3B-Instruct, дообученный разработчиком penfever методом асинхронного RLOO с наградой, учитывающей идентичность, на агентных сценариях работы с календарём из TaskTrove v4.9. Модель предназначена для генерации текста в календарных агентных задачах; базовая модель также ориентирована на программирование, агентные сценарии и длинный контекст. Архитектура — Qwen3 MoE, класс Qwen3MoeForCausalLM; в метаданных указано 2,6 млрд параметров и контекст до 262 144 токенов. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. На фиксированной проверочной выборке чекпойнт получил среднюю награду 0,4605 и прошёл 59 из 128 заданий, однако выборка пересекалась с обучающим источником, поэтому этот результат не является независимой оценкой обобщения. Лицензия в предоставленных данных не указана. Основанием для использования служат метаданные и README модели.

zhouce/RDC-GPT — небольшая авторегрессионная языковая модель семейства GPT-2, опубликованная пользователем zhouce на Hugging Face. Она предназначена для генерации продолжений текста и запускается через Transformers как causal language model. В карточке Hugging Face указаны около 0,1 млрд параметров, архитектура GPT-2, формат Safetensors, контекст до 1024 токенов и лицензия Apache-2.0. Модель относится к текстовой модальности и не предназначена для обработки изображений, аудио или видео. В стороннем проекте модель используется для семантического анализа признаков исполняемых файлов и обнаружения ransomware, однако это применение относится к интеграции проекта, а не к полноценно описанной карточке самой модели. Небольшой размер облегчает локальный запуск, но ограничивает качество, объём знаний и устойчивость генерации по сравнению с крупными языковыми моделями. Языки обучения и специализированные наборы данных надёжно не установлены.

RedSage-K-SFT-GRPO — модель RISys-Lab при Khalifa University для преобразования англоязычных запросов в команды Kali Linux и Linux в сценариях кибербезопасности. Это дообученная версия RedSage-K-SFT: к supervised fine-tuning добавлено обучение с подкреплением GRPO на проверяемых оценках KaliBench. Модель построена на архитектуре Qwen3ForCausalLM, содержит 7,6 млрд параметров, принимает текст и имеет контекстное окно 32 768 токенов. Модель предназначена для генерации одной команды по запросу, в том числе с ограничением списка доступных инструментов или с подсказкой по целевому инструменту и его документации. В KaliBench она показала средний Total Score 79,2% на тестовой выборке из 5 000 примеров; качество зависит от режима запроса. Оценка команд выполнялась по структуре без их запуска, поэтому результаты не подтверждают успешность исполнения в конкретной среде. Модель рассчитана на исследования, обучение и помощь с командами в авторизованных средах. Лицензия в предоставленных данных не указана.