II.2Создание и понимание программного кода

Карточка модели mdagosta/waldito-python-basics-v1-r0003-u0-mdagosta-b на Hugging Face совпадает с карточкой mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b, поэтому описание составлено по ней. mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b — небольшая языковая модель, опубликованная как экспорт OpenWALDO. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста в диалоговом формате; размер составляет 819,6 тыс. параметров, контекст — 512 токенов. Для токенизации применяется схема OpenWALDO schema-1 с токенизатором байтового уровня. Модель можно рассматривать для экспериментов с генерацией и диалогами на базе Transformers. Карточка указывает формат safetensors. Для загрузки токенизатора требуется включить trust_remote_code=True. Лицензия и поддерживаемые естественные языки в предоставленных данных не обозначены.

Карточка модели mdagosta/waldito-python-basics-v1-r0003-u2-mdagosta на Hugging Face совпадает с карточкой mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b, поэтому описание составлено по ней. mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b — небольшая языковая модель, опубликованная как экспорт OpenWALDO. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста в диалоговом формате; размер составляет 819,6 тыс. параметров, контекст — 512 токенов. Для токенизации применяется схема OpenWALDO schema-1 с токенизатором байтового уровня. Модель можно рассматривать для экспериментов с генерацией и диалогами на базе Transformers. Карточка указывает формат safetensors. Для загрузки токенизатора требуется включить trust_remote_code=True. Лицензия и поддерживаемые естественные языки в предоставленных данных не обозначены.

Карточка модели mdagosta/waldito-python-basics-v1-r0010-u0-mdagosta-b на Hugging Face совпадает с карточкой mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b, поэтому описание составлено по ней. mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b — небольшая языковая модель, опубликованная как экспорт OpenWALDO. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста в диалоговом формате; размер составляет 819,6 тыс. параметров, контекст — 512 токенов. Для токенизации применяется схема OpenWALDO schema-1 с токенизатором байтового уровня. Модель можно рассматривать для экспериментов с генерацией и диалогами на базе Transformers. Карточка указывает формат safetensors. Для загрузки токенизатора требуется включить trust_remote_code=True. Лицензия и поддерживаемые естественные языки в предоставленных данных не обозначены.

Карточка модели mdagosta/waldito-python-basics-v1-r0011-u1-mdagosta-b на Hugging Face совпадает с карточкой mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b, поэтому описание составлено по ней. mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b — небольшая языковая модель, опубликованная как экспорт OpenWALDO. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста в диалоговом формате; размер составляет 819,6 тыс. параметров, контекст — 512 токенов. Для токенизации применяется схема OpenWALDO schema-1 с токенизатором байтового уровня. Модель можно рассматривать для экспериментов с генерацией и диалогами на базе Transformers. Карточка указывает формат safetensors. Для загрузки токенизатора требуется включить trust_remote_code=True. Лицензия и поддерживаемые естественные языки в предоставленных данных не обозначены.

Карточка модели mdagosta/waldito-python-basics-v1-r0011-u2-mdagosta на Hugging Face совпадает с карточкой mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b, поэтому описание составлено по ней. mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b — небольшая языковая модель, опубликованная как экспорт OpenWALDO. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста в диалоговом формате; размер составляет 819,6 тыс. параметров, контекст — 512 токенов. Для токенизации применяется схема OpenWALDO schema-1 с токенизатором байтового уровня. Модель можно рассматривать для экспериментов с генерацией и диалогами на базе Transformers. Карточка указывает формат safetensors. Для загрузки токенизатора требуется включить trust_remote_code=True. Лицензия и поддерживаемые естественные языки в предоставленных данных не обозначены.

Карточка модели mdagosta/waldito-python-basics-v1-r0011-u2-mdagosta-b на Hugging Face совпадает с карточкой mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b, поэтому описание составлено по ней. mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b — небольшая языковая модель, опубликованная как экспорт OpenWALDO. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста в диалоговом формате; размер составляет 819,6 тыс. параметров, контекст — 512 токенов. Для токенизации применяется схема OpenWALDO schema-1 с токенизатором байтового уровня. Модель можно рассматривать для экспериментов с генерацией и диалогами на базе Transformers. Карточка указывает формат safetensors. Для загрузки токенизатора требуется включить trust_remote_code=True. Лицензия и поддерживаемые естественные языки в предоставленных данных не обозначены.

Карточка модели mdagosta/waldito-python-basics-v1-r0012-u0-mdagosta-b на Hugging Face совпадает с карточкой mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b, поэтому описание составлено по ней. mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b — небольшая языковая модель, опубликованная как экспорт OpenWALDO. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста в диалоговом формате; размер составляет 819,6 тыс. параметров, контекст — 512 токенов. Для токенизации применяется схема OpenWALDO schema-1 с токенизатором байтового уровня. Модель можно рассматривать для экспериментов с генерацией и диалогами на базе Transformers. Карточка указывает формат safetensors. Для загрузки токенизатора требуется включить trust_remote_code=True. Лицензия и поддерживаемые естественные языки в предоставленных данных не обозначены.

Карточка модели mdagosta/waldito-python-basics-v1-r0012-u1-mdagosta на Hugging Face совпадает с карточкой mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b, поэтому описание составлено по ней. mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b — небольшая языковая модель, опубликованная как экспорт OpenWALDO. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста в диалоговом формате; размер составляет 819,6 тыс. параметров, контекст — 512 токенов. Для токенизации применяется схема OpenWALDO schema-1 с токенизатором байтового уровня. Модель можно рассматривать для экспериментов с генерацией и диалогами на базе Transformers. Карточка указывает формат safetensors. Для загрузки токенизатора требуется включить trust_remote_code=True. Лицензия и поддерживаемые естественные языки в предоставленных данных не обозначены.

Карточка модели mdagosta/waldito-python-basics-v1-r0012-u2-mdagosta на Hugging Face совпадает с карточкой mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b, поэтому описание составлено по ней. mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b — небольшая языковая модель, опубликованная как экспорт OpenWALDO. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста в диалоговом формате; размер составляет 819,6 тыс. параметров, контекст — 512 токенов. Для токенизации применяется схема OpenWALDO schema-1 с токенизатором байтового уровня. Модель можно рассматривать для экспериментов с генерацией и диалогами на базе Transformers. Карточка указывает формат safetensors. Для загрузки токенизатора требуется включить trust_remote_code=True. Лицензия и поддерживаемые естественные языки в предоставленных данных не обозначены.

Карточка модели mdagosta/waldito-python-basics-v1-r0012-u2-mdagosta-b на Hugging Face совпадает с карточкой mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b, поэтому описание составлено по ней. mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b — небольшая языковая модель, опубликованная как экспорт OpenWALDO. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста в диалоговом формате; размер составляет 819,6 тыс. параметров, контекст — 512 токенов. Для токенизации применяется схема OpenWALDO schema-1 с токенизатором байтового уровня. Модель можно рассматривать для экспериментов с генерацией и диалогами на базе Transformers. Карточка указывает формат safetensors. Для загрузки токенизатора требуется включить trust_remote_code=True. Лицензия и поддерживаемые естественные языки в предоставленных данных не обозначены.

Карточка модели mdagosta/waldito-python-basics-v1-r0013-u0-mdagosta на Hugging Face совпадает с карточкой mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b, поэтому описание составлено по ней. mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b — небольшая языковая модель, опубликованная как экспорт OpenWALDO. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста в диалоговом формате; размер составляет 819,6 тыс. параметров, контекст — 512 токенов. Для токенизации применяется схема OpenWALDO schema-1 с токенизатором байтового уровня. Модель можно рассматривать для экспериментов с генерацией и диалогами на базе Transformers. Карточка указывает формат safetensors. Для загрузки токенизатора требуется включить trust_remote_code=True. Лицензия и поддерживаемые естественные языки в предоставленных данных не обозначены.

Карточка модели mdagosta/waldito-python-basics-v1-r0013-u1-mdagosta на Hugging Face совпадает с карточкой mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b, поэтому описание составлено по ней. mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b — небольшая языковая модель, опубликованная как экспорт OpenWALDO. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста в диалоговом формате; размер составляет 819,6 тыс. параметров, контекст — 512 токенов. Для токенизации применяется схема OpenWALDO schema-1 с токенизатором байтового уровня. Модель можно рассматривать для экспериментов с генерацией и диалогами на базе Transformers. Карточка указывает формат safetensors. Для загрузки токенизатора требуется включить trust_remote_code=True. Лицензия и поддерживаемые естественные языки в предоставленных данных не обозначены.

Карточка модели mdagosta/waldito-python-basics-v1-r0014-u0-mdagosta на Hugging Face совпадает с карточкой mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b, поэтому описание составлено по ней. mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b — небольшая языковая модель, опубликованная как экспорт OpenWALDO. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста в диалоговом формате; размер составляет 819,6 тыс. параметров, контекст — 512 токенов. Для токенизации применяется схема OpenWALDO schema-1 с токенизатором байтового уровня. Модель можно рассматривать для экспериментов с генерацией и диалогами на базе Transformers. Карточка указывает формат safetensors. Для загрузки токенизатора требуется включить trust_remote_code=True. Лицензия и поддерживаемые естественные языки в предоставленных данных не обозначены.

Карточка модели mdagosta/waldito-python-basics-v1-r0014-u0-mdagosta-b на Hugging Face совпадает с карточкой mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b, поэтому описание составлено по ней. mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b — небольшая языковая модель, опубликованная как экспорт OpenWALDO. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста в диалоговом формате; размер составляет 819,6 тыс. параметров, контекст — 512 токенов. Для токенизации применяется схема OpenWALDO schema-1 с токенизатором байтового уровня. Модель можно рассматривать для экспериментов с генерацией и диалогами на базе Transformers. Карточка указывает формат safetensors. Для загрузки токенизатора требуется включить trust_remote_code=True. Лицензия и поддерживаемые естественные языки в предоставленных данных не обозначены.

ARK-270M-Instruct — небольшая разговорная языковая модель ThingsAI, дообученная по инструкциям на базе Quark-270M Base. Это декодерный Transformer с GQA, SwiGLU, RMSNorm и RoPE; в модели 252 млн параметров с общими весами эмбеддингов. Она рассчитана на чат и выполнение инструкций на итальянском и английском языках, включая простые запросы о командах терминала и программировании. Контекстное окно составляет 2048 токенов. Модель обучена с нуля, а затем прошла SFT на итальянских инструкциях, англоязычных диалогах и примерах по коду. Она подходит для лёгкого двуязычного чат-бота и самостоятельного хостинга; распространяется под лицензией Apache-2.0. Из-за небольшого размера модель может ошибаться в фактах и математике, а сгенерированный код часто не работает. Она не предназначена для сложных рассуждений, точных ответов на фактические вопросы или критически важных применений.

A.X K2 EAGLE3 — черновая модель для спекулятивного декодирования, разработанная SK Telecom для ускорения генерации моделью A.X K2. Это специализированный чекпойнт EAGLE3 на архитектуре Eagle3DeepseekV2ForCausalLM: однослойный плотный декодер с MLA и 1,8 млрд параметров. Он предлагает несколько токенов-кандидатов, которые затем проверяет A.X K2; сам по себе чекпойнт не предназначен для генерации. Модель рассчитана на совместную работу с A.X K2 при контекстном окне 256K и обслуживании через форк vLLM с поддержкой A.X K2. В оценке на смешанном трафике указаны ускорение пропускной способности до 1,64 раза и снижение времени на выходной токен на 28%; выигрыш зависит от нагрузки и наиболее заметен при низкой или средней параллельности. Проверка кандидатов целевой моделью сохраняет её распределение генерации. Чекпойнт выпущен под лицензией Apache-2.0. Он не проверялся с другими целевыми моделями или вариантами контекста и RoPE; при высокой параллельности дополнительные проходы могут снизить пропускную способность примерно до 10%.

Biggie-SmoLlm-0.15B-Base — экспериментальная базовая языковая модель, разработанная nisten на основе HuggingFaceTB/SmolLM-135M. Несмотря на название репозитория, автор указывает фактический размер около 181 млн параметров, или 0,18 млрд. Модель предназначена прежде всего для дальнейшего обучения и экспериментов, а не для готового диалогового использования; это merge базовой модели, не instruct-версии. В качестве связанного набора данных указан LDJnr/Capybara. Модель работает с текстом и поддерживает запуск через llama.cpp в формате GGUF, включая файл biggie_groked_int8_q8_0.gguf с 8-битным квантованием. В README заявлена возможность запуска без GPU на одном ядре CPU, а также контекст до 1024 токенов в приведённой конфигурации; параметры генерации требуют настройки и чувствительны к значениям temperature, top-p и min-p. Среди использованных экспериментальных подходов упоминаются evolutionary merging, BitNet и оптимизатор GrokAdamW, однако подробности архитектуры и языковой поддержки не приведены. Сильными сторонами модели являются небольшой размер, низкие требования к оборудованию и пригодность для быстрого прототипирования и дальнейшего fine-tuning. Ограничения связаны с экспериментальным статусом, отсутствием instruct-настройки, чувствительностью к параметрам генерации и недостатком данных о качестве, бенчмарках и поддерживаемых языках. Модель распространяется по лицензии MIT.

ByteGPT-small — небольшая причинная языковая модель GPT-типа от IJK Technology Ltd, обученная с нуля с побайтовой токенизацией, вдохновлённой ByT5. Она предназначена для генерации текста на мобильных и встраиваемых устройствах с ограниченными ресурсами; доступны веса Safetensors и формат ONNX, а для интеграции указаны Transformers и ONNX Runtime. Побайтовая токенизация позволяет работать с опечатками и неизвестными словами и обходиться без отдельной библиотеки токенизатора. README называет модель ранним прототипом и предупреждает, что из-за малого размера её возможности пока ограничены. В метаданных указан английский язык и лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование.

honi05/chess-piece-yolo — набор детекторов шахматных фигур на базе YOLOv8, обученных автором на синтетическом датасете koryakinp/chess-positions с разметкой клеток доски. Репозиторий содержит три варианта: pico, обученный с нуля, и предобученные yolov8n и yolov8s. Модели распознают 12 классов: белые и чёрные пешки, кони, слоны, ладьи, ферзи и короли. Модель предназначена для обнаружения фигур на изображениях шахматных позиций, например, для извлечения расстановки фигур с фотографии или изображения доски. Для yolov8n и yolov8s в README приведены mAP@50–95 0,995 и точность определения занятых клеток 1,0; для pico — 0,255 и 0,2073 соответственно. Это результаты на указанной автором задаче и датасете, а не гарантия на произвольных фотографиях. Весовые файлы имеют формат PyTorch и используются через Ultralytics. Лицензия репозитория — CC0 1.0.

ChessSight corner heatmap (Swin-T) — модель tchauffi разработчика tchauffi для поиска четырёх углов шахматной доски на фотографии. Она предсказывает тепловую карту углов и уточняет их координаты между ячейками; найденные точки используются для вычисления гомографии плоскости доски и последующего распознавания позиции. Модель основана на дообученной timm/swin_tiny_patch4_window7_224.ms_in1k и обучена только на синтетических изображениях. В тесте ChessReD сообщается средняя ошибка углов 0,128 клетки и успешное определение геометрии на 306 из 306 снимков. Модель предназначена для этапа геометрической привязки в системах распознавания шахматных позиций по фотографиям. Она выдаёт ровно четыре точки даже при отсутствии доски, поэтому для отсева неподходящих снимков нужно применять порог уверенности. Все углы доски должны целиком попадать в кадр; результат ухудшается при обрезанной доске, изменении масштаба входа относительно обучающих 448 пикселей и необычном оформлении доски. Лицензия CC BY-NC 4.0 разрешает использование с ограничением на коммерческое применение.

Модель tanganke/clip-vit-base-patch32_cifar10 — дообученная на CIFAR-10 визуальная часть CLIP ViT-Base/32, основанная на openai/clip-vit-base-patch32. Она предназначена для извлечения признаков изображений и сценариев компьютерного зрения с изображениями, похожими на объекты CIFAR-10. В README приведены результаты оценки: 0,8983 для предварительно обученной модели и 0,9760 после дообучения. Модель содержит 113,2 млн параметров, использует архитектуру ViT с размером патча 32 и распространяется в формате safetensors. README показывает загрузку через Transformers как CLIPVisionModel. Данных о лицензии в предоставленных источниках нет.

Это дообученная модель CLIP ViT-Base с размером патча 32, созданная на базе openai/clip-vit-base-patch32 и обученная на датасете GTSRB. Она предназначена для извлечения признаков изображений дорожных знаков; её можно использовать как основу для классификации знаков и других задач компьютерного зрения, связанных с GTSRB. В README приведён результат оценки: 0,9881 после дообучения против 0,3043 у исходной модели; метрика и условия оценки не уточнены. Модель содержит 113,2 млн параметров и распространяется в формате safetensors. Лицензия в предоставленных данных не указана.

Это дообученная версия CLIP ViT-B/32 от OpenAI, подготовленная tanganke на изображениях набора SVHN с номерами домов. Модель использует архитектуру ViT-Base с размером патча 32 и содержит 113,2 млн параметров; веса доступны в формате safetensors. Модель предназначена для извлечения признаков изображений SVHN. В README приведены результаты оценки: 0,235 до дообучения и 0,971 после него, однако метрика и протокол оценки не описаны. Использование через Transformers показано с классом CLIPVisionModel. Сведения о лицензии в предоставленных источниках отсутствуют.

Это дообученная модель извлечения признаков изображений на основе CLIP ViT-Large/14 от OpenAI. Разработчик дообучил её на датасете RESISC45 cars; в README указана архитектура ViT-Large с размером патча 14, а в метаданных — около 402,7 млн параметров. Модель предназначена для получения признаков изображений в сценариях классификации автомобилей. В README приведены результаты оценки: 0,7101 до дообучения и 0,9738 после него; метрика не уточнена. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

StrictlyInsecure разработала компактный англоязычный классификатор сообщений для модерации чатов. Модель основана на sentence-transformers/all-MiniLM-L12-v2 с классификационной головой на четыре класса: benign, abusive, spam и flood. В репозитории есть 33 МБ версия INT8 в формате ONNX и checkpoint safetensors; метаданные указывают 40 млн параметров, а карточка модели — контекст до 200 токенов. Лицензия — Apache-2.0. Модель предназначена для быстрого первичного отбора сообщений в конвейере модерации, включая выявление оскорблений, токсичности, спама и флуда. Автор сообщает о задержке около 4,1 мс и показателях на собственном отложенном наборе: 3,9% ложных срабатываний и 2,2% пропущенных случаев злоупотреблений в близком к обучающим данным регистре. Эти результаты не переносятся на все типы чатов: на реальном игровом чате доли ошибок существенно выше. Оценки классов spam и flood основаны на синтетических шаблонах, а уклонение от фильтра синтетическими способами покрыто ограниченно. Модель рассчитана на роль фильтра первого прохода с последующей проверкой человеком или более сильной системой, а не на автоматические баны.

Aureliano/distilbert-base-uncased-if — англоязычная модель классификации текста на основе DistilBERT, дообученная на командах для интерактивной литературы. Она предназначена для распознавания и классификации пользовательских команд в сценариях interactive fiction; автор также сообщает точность 0,976253 на тестовой части задачи WordNet. Модель можно подключить к конвейеру Rasa через LanguageModelFeaturizer. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и выдаёт метки классификации. Максимальная длина контекста — 512 токенов. Репозиторий содержит веса PyTorch и TensorFlow, лицензия — Apache-2.0. README не уточняет набор меток и подробный состав команд, поэтому качество за пределами указанного теста оценить нельзя.

Экспериментальная чат-модель Eugleo, созданная дообучением базовой модели nvidia/ClimbMix на один проход по данным SmolTalk, MMLU и decor_replay с рецептом chat-SFT проекта nanochat. Это плотная авторегрессионная модель архитектуры NanochatGPTForCausalLM объёмом 1,2 млрд параметров с контекстом 2048 токенов; она принимает текст и генерирует текст в формате чата. Базовая модель обучалась на корпусе ClimbMix, а этот чекпойнт относится к исследованию decorrelation и воспроизведения persona-корпусов при дообучении. Модель предназначена для экспериментальных диалогов и изучения влияния данных дообучения на поведение чат-моделей. В карточке приведены результаты валидации и параметры обучения, но нет подробных пользовательских оценок качества. Для загрузки архитектуры требуется trust_remote_code=True. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

ForgeOwl-8B — дообученная модель мобильного GUI-агента, созданная авторами MobileForge на основе mPLUG/GUI-Owl-1.5-8B-Instruct. Она принимает изображения интерфейса и текстовые инструкции, ведёт диалог и предназначена для выполнения задач в приложениях Android, выбирая действия по состоянию экрана. Адаптация использует 900 автоматически сгенерированных задач, собственные траектории модели, иерархическую обратную связь критика, корректирующие подсказки и step-level GRPO; написанные людьми задания, демонстрации и метки вознаграждения не применялись. В оценке модель достигла 67,2% Pass@1 на AndroidWorld и 41,0% успешного выполнения на GUI-only части MobileWorld. Эти результаты показывают пригодность для экспериментов с автоматизацией мобильных интерфейсов, но не гарантируют надёжность в произвольных приложениях. Модель может выбирать неверные или небезопасные действия, поэтому её следует запускать в изолированной тестовой среде и проверять действия перед использованием с личными данными. Репозиторий опубликован как анонимный артефакт подачи на ICLR; лицензия — MIT.

G1-nano-instruct — небольшая авторегрессионная языковая модель семейства NanoGPT, разработанная AZERDSQ. Это чат-версия G1 Nano на 60 млн параметров: 14 слоёв декодерного Transformer с разделяемыми эмбеддингами и выходной языковой головой. Модель предварительно обучили, а затем дообучили на инструкциях на одном устройстве NVIDIA Jetson с 8 ГБ объединённой памяти; в репозитории доступны веса safetensors. Для работы через Transformers требуется custom code. Модель предназначена для генерации текста и многошагового диалога в английском языке. Она поддерживает встроенный формат чата и контекст до 2048 токенов, поэтому подходит для компактных локальных экспериментов и простых диалоговых приложений с короткой историей. Небольшой размер ограничивает фактические знания: ответы на вопросы, требующие точности и широких знаний, могут быть неверными. Модель обучалась только на английских данных; поддержка нескольких ходов диалога не гарантирует устойчивой памяти или последовательности. Пользовательская реализация не поддерживает пакетную генерацию с дополнением последовательностей. Лицензия — Apache-2.0.

Карточка модели 0x3/Google-USM на Hugging Face совпадает с карточкой Atotti/Google-USM, поэтому описание составлено по ней. Это извлечённый аудиоэнкодер из мультимодальной модели Google Gemma 3n E2B IT, опубликованный Atotti. Он построен на архитектуре Gemma3nAudioEncoder, связанной с работой Universal Speech Model (USM); в README отмечено, что его устройство может отличаться от описанного в статье USM. Репозиторий содержит веса в формате safetensors, лицензия — Gemma. Энкодер принимает аудиосигнал и преобразует его в последовательность признаковых представлений. Он предназначен для использования как аудиокомпонент более крупной мультимодальной модели или как основа для задач классификации звука после добавления классификационной головы и дообучения. Самостоятельную транскрипцию речи он не выполняет. Карточка указывает зависимость от Transformers 4.53.0.