II.2Создание и понимание программного кода

AICP-Labs публикует DFlash — черновую модель для ускорения спекулятивного декодирования вместе с целевой Qwen3-32B. Модель имеет плотную архитектуру DFlashDraftModel и содержит около 3 млрд параметров; для работы её используют с целевой моделью через SpecForge. Заявленный контекст — 40 960 токенов. Модель обучена на подмножестве EagleChat примерно из 400 тысяч примеров: около 200 тысяч на английском и 200 тысяч на китайском. Она предназначена для ускорения генерации целевой модели, а не для самостоятельного применения как универсальный чат-ассистент. В описанных тестах на H100 показано ускорение на наборах задач, однако результаты зависят от оборудования и параметров запуска. Репозиторий использует формат safetensors и лицензию Apache-2.0.

Fwerkor/Qwen3-4B-Diffusion-Base — исследовательский чекпойнт плотной языковой модели Qwen3, преобразованный из Qwen/Qwen3-4B-Base в основу для генерации текста методом masked diffusion. Он использует двунаправленное внимание, специальный токен маски и реализацию генерации с учётом диффузии; модель содержит около 3,7 млрд параметров по метаданным, а её базовая конфигурация рассчитана на контекст до 32 768 токенов. В README указан размер 4,41 млрд параметров и этап обучения Stage 0. Модель предназначена для исследований диффузионных языковых моделей, воспроизведения экспериментов и абляций, а также для инициализации обучения CID Stage A и экспериментов с декодированием. Она поддерживает генерацию текста и заполнение масок; обучалась на смеси веб-текста, китайского корпуса, кода и математических данных. Это начальный чекпойнт до последующих этапов обучения CID, поэтому его потери сами по себе не подтверждают качество на прикладных задачах. Для загрузки README указывает Transformers и remote code. Лицензия — Apache 2.0.

Промежуточный чекпойнт модели HYU-NLP-EVAL, полученный дообучением Qwen3-4B-Instruct-2507 методом GRPO в эксперименте OnlineRubrics RaR-Medicine с динамическими рубриками. Это плотная авторегрессионная языковая модель на 3,7 млрд параметров для генерации текста и диалога; отключён режим рассуждений. Контекстное окно составляет до 262 144 токенов. Модель принимает текст и выдаёт текст. Чекпойнт представляет историческое состояние политики на шаге 34 с seed 11, сохранённое для аудита Phase 1. Он предназначен для изучения результатов этого обучения и не подтверждает наличие медицинских возможностей или безопасность клинического применения. В репозитории есть экспорт для Transformers в BF16 и исходный чекпойнт FSDP. Лицензия — Apache-2.0.

Qwen3.5-9B equational-theory SAIR R3 — это полноразмерная дообученная модель семейства Qwen, подготовленная автором violetxi на базе Qwen/Qwen3.5-9B. Она предназначена для диалога по задачам эквивариантной теории: принимает вопросы, заметки и траектории рассуждений, а на этапе Stage 2 — также входные данные Lean, и генерирует ответы на естественном языке с доказательствами или контрпримерами. Модель содержит 9 млрд параметров, использует архитектуру Qwen3.5 с условной генерацией и поставляется в BF16 в формате safetensors для Transformers и vLLM. Обучение выполнено полным supervised fine-tuning на смеси заметок и примеров диалога, с сохранением унаследованных от базовой модели весов зрения и MTP. На момент карточки итоговые математические оценки ещё не опубликованы; оценки GPT не являются проверкой доказательств в Lean. Для использования требуется версия Transformers или vLLM с поддержкой Qwen3.5. Лицензия — Apache-2.0.

Qwen3.8-27B-Abliterated-Cyber-Preview — мультимодальная модель на 27 млрд параметров семейства Qwen3.5, созданная hotdogs как дообученная и объединённая с базовой моделью версия hotdogs/Qwen3.8-27B-abliterated. Она предназначена для авторизованных проверок безопасности: по описанию сценария выдаёт структурированные вызовы инструментов для тестирования на проникновение, а также отвечает на вопросы по кибербезопасности. Модель принимает текст и изображения и формирует текстовые ответы; поддерживает английский и китайский языки. Веса используют архитектуру Qwen3_5ForConditionalGeneration и формат safetensors. Сохранённая голова Multi-Token Prediction позволяет использовать self-speculative decoding в соответствующей сборке GGUF. В README приводятся результаты внутренней проверки: корректный формат вызова и выбор инструмента в шести тестовых сценариях, но выборка мала и не является независимой оценкой. Это предварительная версия, обученная на данных по агентному использованию инструментов; автор предупреждает, что модель не отказывает в ответах и может выдавать инструкции по эксплуатации систем. Применять её следует только для исследований безопасности и тестирования систем, на которые есть разрешение. Лицензия — Apache-2.0, унаследованная от базовой модели.

SAEVerbalizer-27B — модель THU-KEG, дообученная на основе Google Gemma 3 27B IT для создания естественно-языковых объяснений признаков разреженного автоэнкодера (SAE). Она преобразует внедрённые направления декодера SAE в скрытое представление модели в текстовые описания признаков. Модель рассчитана на исследования интерпретируемости нейросетей и анализ представлений языковых моделей. Чекпойнт содержит полные веса Transformers и обучен на 48 тысячах пар. Для вывода необходимо использовать официальный inference pipeline: он внедряет соответствующее направление SAE в residual stream на слое 16 перед генерацией. Требуется совместимый SAE из набора Gemma Scope: слой 16, ширина 262k, вариант l0_medium. Лицензия — Gemma.

SegFormer B3 от NVIDIA — модель семантической сегментации изображений, дообученная на Cityscapes с разрешением 1024×1024. Архитектура сочетает иерархический Transformer-энкодер с лёгкой MLP-головой декодирования; перед дообучением энкодер предварительно обучен на ImageNet-1k. Модель предназначена для попиксельной разметки сцен, в частности городских улиц и объектов дорожной инфраструктуры. Её можно применять для анализа изображений городских сцен и семантической сегментации в системах компьютерного зрения. Репозиторий содержит веса PyTorch и TensorFlow. Лицензия указана как other, поэтому условия использования следует сверить с лицензией в репозитории.

SegFormer-B4 — модель семантической сегментации изображений, дообученная автором репозитория на наборе segments/sidewalk-semantic. Она классифицирует пиксели изображения, что подходит для выделения и анализа элементов уличной сцены, включая тротуары. Базовая модель — nvidia/mit-b4; веса представлены в формате PyTorch, лицензия — Apache-2.0. На оценочном наборе указаны mean IoU 0,4317 и общая точность 0,8895. Метрики по отдельным категориям заметно различаются, поэтому качество распознавания отдельных классов может быть низким; результат следует проверять на данных целевого применения. В карточке не описаны точный состав классов и дополнительные условия использования.

DFineForObjectDetection архитектуры D-FINE, дообученная aguxez на наборе aguxez/snap-plate-instance-localization-v4 для локализации дисков-штанг на изображениях. Модель обнаруживает класс Weight Plate и возвращает ограничивающие рамки объектов. В README приведены результаты оценки: mAP 0,2631 и mAP@50 0,5376. Модель принимает изображения и выдаёт обнаруженные объекты с координатами рамок. Она основана на aguxez/snap-plate-localization-dfine-v1, использует библиотеку Transformers и формат весов Safetensors. Лицензия — Apache-2.0. В карточке нет сведений о поддерживаемых языках и размере модели.

Это разреженный автоэнкодер (SAE) Prisma-Multimodal для анализа активаций CLIP ViT-B/32 на выходе MLP-слоя 2. Он принимает признаки размерности 768 и преобразует их в разреженное представление размерности 49 152 с коэффициентом расширения x64 и активацией ReLU. Модель предназначена для извлечения и исследования признаков в задачах механистической интерпретируемости. В карточке указаны контекст в 50 токенов, коэффициент L1 8e-05, средняя разреженность L0 около 390 и объяснённая дисперсия 85%. Веса доступны в формате PyTorch по лицензии Apache-2.0. Карточка не описывает процедуру применения SAE к изображениям или тексту; модель работает с активациями базовой CLIP-модели.

bigcode/starcoder-co-target — исследовательская абляция OctoCoder от BigCode, опубликованная для изучения влияния отдельных компонентов модели. Это плотная авторегрессионная языковая модель архитектуры GPTBigCodeForCausalLM для генерации текста; репозиторий содержит веса PyTorch, а длина контекста составляет 8192 токена. В карточке указано, что модель уступает OctoCoder и для обычного использования рекомендуется OctoCoder. Модель предназначена для исследовательских экспериментов с генерацией текста и сравнительной оценки вариантов OctoCoder. Сведений о лицензии и поддерживаемых естественных языках в предоставленных данных нет.

Это исследовательский чекпойнт на основе диалоговой Llama 2 от Meta, сжатый методом SVD-LLM и частично восстановленный для изучения компромиссов между безопасностью и полезностью. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM, принимает и генерирует текст, поддерживает диалог и имеет контекст до 4096 токенов. В README указано, что удалено 59,91% параметров исходной модели, а восстановленные компоненты выбраны правилом sigma с бюджетом 0,1%.

Jeesup/svd-safety-l3_swift_remove20 — экспериментальный чекпойнт на основе диалоговой модели Meta Llama 3 8B Instruct. Он сжат методом Swift-SVD с удалением около 20% параметров, а затем восстановлен дообучением LoRA второго этапа SVD-LLM. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текст для генерации текста; заявленный контекст — 8192 токена. Чекпойнт создан для изучения влияния SVD-сжатия на безопасность и полезность ответов, а также способов восстановления поведения после сжатия. README приводит метрики атак и избыточных отказов, но подчёркивает, что отдельные варианты намеренно имеют ухудшенную безопасность относительно исходной модели. Это экспериментальный объект для оценки компромиссов, а не универсальный чат-ассистент. Лицензия — llama3.

Это исследовательский чекпойнт Jeesup на базе Mistral-7B-Instruct-v0.2, сжатый методом SVD-LLM до 70% исходного числа параметров и затем изменённый в 10 раундах итеративного обмена параметров по правилу gap_iter. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и работает с текстом; контекст — до 32 768 токенов. Предназначена для изучения влияния сжатия на безопасность и полезность диалоговой модели и проверки способов восстановления поведения. В README приведены результаты измерений: доля успешных атак AdvBench — 0,1365, StrongREJECT — 0,2300, показатель избыточных отказов WildGuard — 0,0878. Авторы предупреждают, что отдельные варианты эксперимента намеренно ухудшают безопасность по сравнению с исходной моделью, поэтому этот чекпойнт следует считать объектом исследования, а не готовым универсальным помощником. Лицензия — Apache-2.0.

timm/swin_s3_tiny_224.ms_in1k — модель компьютерного зрения из библиотеки timm для классификации изображений и извлечения визуальных признаков. Это небольшая иерархическая Vision Transformer-модель семейства Swin с механизмом сдвинутых окон; версия обучена на ImageNet-1k. Веса доступны в форматах PyTorch и safetensors по лицензии MIT. Модель принимает изображения размером 224 × 224 и предсказывает класс изображения. Её также можно использовать как backbone для извлечения карт признаков и получения эмбеддингов изображений. В карточке указаны 28,3 млн параметров и вычислительная сложность 4,6 GMACs. Она подходит для классификации изображений и как визуальный энкодер в прикладных системах компьютерного зрения. Карточка не описывает поддержку конкретных языков и не приводит результатов оценки качества; модель предназначена для изображений ImageNet-подобных классов, поэтому перенос на другие наборы данных может потребовать адаптации.

Это модель компьютерного зрения для классификации изображений CIFAR-10. Её разработал nielsr, дообучив Swin-Tiny microsoft/swin-tiny-patch4-window7-224 на наборе данных image_folder. Модель построена на архитектуре Swin Transformer и содержит около 33 млн параметров. Модель предназначена для отнесения изображения к одному из классов CIFAR-10. На указанной в карточке оценочной выборке достигла accuracy 0,9789 и loss 0,0690. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0.

onnx-internal-testing/tiny-random-ModernBertDecoderForCausalLM — небольшая тестовая авторегрессионная языковая модель семейства ModernBERT Decoder, опубликованная в пространстве onnx-internal-testing и предназначенная для использования с библиотекой Transformers. Модель содержит около 1,6 млн параметров и поддерживает контекст до 7 999 токенов. Модель относится к задаче генерации текста и может применяться для проверки загрузки, инференса и совместимости компонентов Transformers, связанных с архитектурой ModernBertDecoderForCausalLM. Из-за малого размера и тестового назначения она подходит для автоматизированных тестов, прототипов и отладки конвейеров, но не предназначена для качественной генерации текста в прикладных системах. Сведения о разработчике, лицензии, языках, обучающих данных и результатах оценки в доступных источниках отсутствуют.

lysandre/tiny-vit-random — небольшая модель классификации изображений на архитектуре Vision Transformer (ViT), опубликованная Lysandre на Hugging Face. Карточка предлагает использовать её через Transformers как модель для image-classification. В метаданных указано 14,3 тыс. параметров и формат PyTorch. Название random и малый размер указывают на тестовую модель со случайной инициализацией, а не на обученный классификатор для надёжного распознавания изображений. Она может пригодиться для проверки загрузки модели, конфигураций и конвейеров классификации в Transformers. Данных о поддерживаемых естественных языках или специализированной предметной области нет; сведения о лицензии в доступных источниках не подтверждены.

kiselyovd/vehicle-keypoints — модель обнаружения 14 ключевых точек автомобиля, обученная на реальных изображениях CarFusion. Основные веса — YOLO26-pose; в каталоге также приведён эталонный чекпойнт ViTPose-S. Для каждого обнаруженного автомобиля модель выдаёт рамку, оценку уверенности и координаты с оценками уверенности для 14 точек, включая колёса, фары, углы крыши, выхлопную трубу и опорную точку центра кузова. Модель предназначена для локализации автомобилей и разметки их ключевых точек на дорожных изображениях, в том числе при подготовке и анализе компьютерно-зрительных данных. В README приведены сохранённые результаты оценки на тестовых кадрах CarFusion: OKS-mAP 50,38%, OKS-mAP50 70,36% и PCK@0.05 76,06%; это историческая оценка, а не повторный запуск в рамках аудита. Репозиторий содержит веса PyTorch и использует библиотеку Ultralytics. Модель рассчитана на исследовательское и образовательное применение и не проверена для задач автономного вождения, критичных к безопасности. CarFusion ограничен дорожными сценами; в приведённом примере модель пропустила два перекрытых автомобиля. Лицензия указана как other, а README ограничивает использование исследовательскими и образовательными целями.

Veyra2-Blueberry-10M-Base — компактная причинно-языковая модель на 9,976,832 параметра, разработанная Veyra AI и обученная с нуля на смеси примерно из 30 млрд токенов. Она использует архитектуру Qwen3ForCausalLM и предназначена для генерации продолжения текста, исследований малых языковых моделей, бенчмаркинга, дообучения и экспериментов с компактными языковыми моделями. Это базовая модель без инструкционной настройки и RLHF, поэтому она не рассчитана на диалог в формате помощника. Модель обучалась на последовательностях длиной 2048 токенов; заявленный нативный контекст составляет 4096 токенов. В обучающую смесь входили FineWeb-Edu, FinePhrase, DCLM Baseline и FineMath. Метаданные карточки указывают английский язык. Репозиторий содержит веса в формате Safetensors, а лицензия — Apache-2.0. Генерация может быть нестабильной, повторяющейся или уходить от темы; модель может выдавать недостоверные факты, имена и ссылки. Для точных ответов и задач с высокими последствиями необходима дополнительная проверка.

Это преобразованная для библиотеки MLX версия видеоэнкодера V-JEPA 2 ViT-g от Meta FAIR, подготовленная vasanth009 для извлечения признаков на компьютерах Apple Silicon. Модель содержит около 1,3 млрд параметров; веса сохранены в формате safetensors с точностью fp16. В репозитории оставлена часть encoder, а predictor исключён. Модель предназначена для получения представлений видео и использования в качестве визуального backbone, в частности в Mac-версии TRIBE v2 с головой кодирования активности мозга. README сообщает о проверке сходства с официальной реализацией TRIBE и ускорении относительно кодирования на CPU в тестовой конфигурации. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

Карточка модели mdagosta/waldito-python-basics-v1-r0007-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-r0008-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-r0009-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-r0010-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-r0013-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-r0013-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-r0013-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-r0014-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.

Saulp/Webshop-7B-RL-vllm — экспорт модели Jianwen/Webshop-7B-RL в стандартном формате Transformers. В репозитории восстановлены веса RL-политики из шардов FSDP без численного смешивания весов; Jianwen/Webshop-7B-SFT использовалась только для восполнения конфигурации или файлов токенизатора, если их не было в RL-чекпойнте. Модель основана на плотной архитектуре Qwen2ForCausalLM и содержит 7,1 млрд параметров; для неё указан контекст до 32 768 токенов. Модель предназначена для генерации текста в сценарии WebShop и обучения с подкреплением; карточка также отмечает чат и интерфейс вызова инструментов. Репозиторий содержит веса Safetensors для использования с Transformers. Лицензия в предоставленных данных не указана.