II.2Создание и понимание программного кода

AgentCPM-GUI — открытая мультимодальная модель-агент для управления Android-приложениями, разработанная совместно THUNLP, Народным университетом Китая и ModelBest. Она принимает снимки экрана смартфона и инструкции пользователя, распознаёт элементы интерфейса, планирует действия и выдаёт их в компактном JSON-формате, например нажатия по координатам. Модель дообучена на базе openbmb/MiniCPM-V-2_6; архитектура MiniCPMV, 7,1 млрд параметров, контекст 32 768 токенов. Модель предназначена для автоматизации сценариев в китайских и англоязычных Android-приложениях, включая навигацию, ввод данных и последовательности действий. В README заявлены обучение на двуязычном наборе GUI-данных, усиленная дообучением с подкреплением способность рассуждать перед действием и покрытие более 30 популярных китайских приложений. Лицензия — Apache-2.0. Практическое применение требует среды, которая интерпретирует JSON-действия и выполняет их на устройстве; результаты тестов зависят от приложений и сценария.

Anime-XCodec2-44.1kHz — дообученный декодер аудиокодека XCodec2 от NandemoGHS для реконструкции японской речи из токенов XCodec2. Он предназначен для систем, которые уже создают такие токены, например Llasa, и позволяет получать аудио с частотой дискретизации 44,1 кГц в голосовом стиле аниме и игр. Модель принимает аудиотокены, полученные из исходного аудио с частотой 16 кГц; энкодер и кодовая книга сохранены замороженными, а декодер дополнен слоями повышения частоты дискретизации и обучен с RMS loss на примерно 22 тысячах часов японской речи. Модель также можно применять для повышения частоты дискретизации с 16 до 44,1 кГц, однако такое использование не оценивалось. Качество оптимизировано для японского языка и голосов в стиле аниме и игр; на других языках оно может снижаться. Для инференса требуется специальная модифицированная библиотека xcodec2, стандартная библиотека несовместима. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства и запрещает коммерческое применение.

NandemoGHS разработала Anime-XCodec2-44.1kHz-v2 — дообученную версию нейронного речевого кодека Anime-XCodec2 на базе XCodec2. Модель принимает речевые токены XCodec2 и декодирует их в аудио с частотой дискретизации 44,1 кГц. Кодер и кодовая книга заморожены, поэтому токены совместимы с исходным XCodec2 и системами на его основе, например Llasa; изменён только декодер, в который добавлены слои повышающей дискретизации и настроена функция потерь RMS. Модель предназначена для восстановления японской речи, в том числе голосов в стиле аниме и игр, и для замены декодера в существующих конвейерах XCodec2, чтобы получать аудио 44,1 кГц вместо 16 кГц. Обучение декодера проводилось примерно на 22 тысячах часов японской речи. Репозиторий содержит веса safetensors; лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение. Для работы требуется специальная версия библиотеки xcodec2 v0.1.7 с исправлением ошибки RoPE; исходная библиотека и прежние сторонние версии несовместимы. Модель оптимизирована для японской речи, а применение для повышения частоты дискретизации обычного аудио не оценивалось.

Being-H0.5 Base — конверсия модели BeingBeyond/Being-H05-2B в формат LeRobot для управления роботами на основе зрения и языка. Модель представлена как политика VLA; в реализации используются примитивы Qwen3 из Transformers и InternVL для зрения. Репозиторий содержит веса safetensors, конфигурацию политики, токенизатор и конвейеры предобработки и постобработки. Лицензия — Apache-2.0. Модель принимает данные трёх камер, строку задания, а также поля состояния и действия в соответствии с контрактом Being-H0.5 и выдаёт действия робота. Она сохраняет семантические слоты состояния и действия размерностью 200, маски валидности и четырёхшаговый сэмплер flow matching. Конверсия прошла проверку соответствия весов исходной модели и строгую перезагрузку политики в LeRobot; README сообщает нулевую максимальную и p99 абсолютную ошибку на фиксированных тестах. Для конкретной среды нужен отдельный адаптер вектора, которого в репозитории нет.

Это дообученная на CIFAR-100 модель зрения CLIP ViT-Base/32 от tanganke, основанная на openai/clip-vit-base-patch32. Архитектура использует Vision Transformer с размером патча 32; в модели около 113,2 млн параметров. Репозиторий содержит веса в формате safetensors, а карточка предлагает загружать модель как CLIPVisionModel через Transformers. Модель предназначена для извлечения признаков изображений и задач компьютерного зрения, связанных с набором классов CIFAR-100. В README приведены результаты оценки: 0,637 для предобученной модели и 0,884 после дообучения; метрика и протокол оценки не уточнены. Лицензия в предоставленных данных не указана.

Модель tanganke/clip-vit-base-patch32_stanford-cars — дообученная на датасете Stanford Cars визуальная часть CLIP ViT-B/32, основанная на openai/clip-vit-base-patch32. Архитектура ViT-Base разбивает изображение на патчи размером 32 пикселя; модель содержит 113,2 млн параметров и распространяется в формате safetensors. Модель предназначена для извлечения признаковых векторов изображений автомобилей и исследований компьютерного зрения на наборе Stanford Cars. В README приведены результаты оценки: 0,5987 для предобученной модели и 0,7819 после дообучения; метрика не уточнена. Это визуальный энкодер: он принимает изображения и выдаёт представления признаков, а не готовые текстовые ответы. Модель разработана tanganke и опубликована 28 апреля 2024 года. Сведения о лицензии в доступных данных отсутствуют.

Distil Labs дообучила FunctionGemma — компактную текстовую модель на архитектуре Gemma 3 — для управления умным домом через вызов функций. Модель принимает команды пользователя и историю диалога, распознаёт намерение, извлекает параметры и формирует структурированный вызов инструмента для одной из шести поддерживаемых операций умного дома. Она рассчитана на локальную работу на устройстве с низкой задержкой и без передачи диалогов во внешние сервисы. По данным разработчика, точность вызова инструментов составляет 96,71%; в обучении использовалась дистилляция ответов модели-учителя GPT-oss-120B и дообучение FunctionGemma на синтетических многоходовых диалогах. Модель содержит 257 млн параметров, поддерживает контекст до 32 768 токенов и распространяется в форматах Safetensors и GGUF. README описывает поддержку только английских команд. Модель выпущена под лицензией Apache-2.0. Модель специализирована на шести операциях и не является универсальным обработчиком вызовов функций. Среди ограничений также указаны фиксированный диапазон температуры 60–80 °F и обучение только на англоязычных запросах.

DualTurn Endpointing — компактная причинная аудиомодель Anyreach AI для определения момента, когда пользователь закончил говорить, и для отслеживания активности обоих участников разговора. Модель дообучена на замороженных признаках аудиокодека Mimi от Kyutai; поверх энкодера добавлено около 1,5 млн параметров. Она принимает аудио пользователя и агента по двум каналам и выдаёт покадровые оценки с частотой 12,5 Гц: вероятность конца реплики пользователя, речевой активности каждого участника и их будущей активности на нескольких временных горизонтах. Модель предназначена для голосовых агентов и телефонных разговоров, в том числе для потоковой работы на устройстве или CPU. Она работает причинно, использует только уже поступившее аудио, не требует ASR или облачного сервиса и поддерживает режим с одним каналом пользователя, хотя при этом теряется контекст речи агента. Доступны PyTorch- и ONNX-варианты, включая потоковый ONNX-граф; входное аудио приводится к 24 кГц. Модель выдаёт сигналы восприятия, а решение о начале ответа должен принимать отдельный алгоритм. Лицензия — Apache-2.0.

Ember — сверхкомпактная языковая модель SurjoLabs с 2,9 млн параметров, предназначенная для генерации текста и экспериментов с малыми языковыми моделями. Она использует плотную рекуррентную архитектуру XSA на основе варианта Llama: повторное использование весов в рекуррентных проходах даёт глубину, эквивалентную 11 слоям, при восьми слоях уникальных весов. Контекст модели — 2048 токенов, формат весов — safetensors, лицензия — MIT. Модель обучена на 20 млрд токенов англоязычных веб-текстов, математических данных и кода; её токенизатор имеет словарь из 4096 токенов. В README приведены результаты на HellaSwag, ARC-Easy и ARC-Challenge, а также упомянуты оценки на PIQA и ArithMark-3. Ember представляет интерес для экспериментов с компактными рекуррентными архитектурами и оценки генерации текста при очень малом числе параметров. Авторы характеризуют её как ранний тест проекта и предупреждают о нестабильности кода, особенно при использовании для обучения.

espnet/fastspeech2_conformer_hifigan — вокодер HiFi-GAN для моделей синтеза речи и преобразования голоса FastSpeech2Conformer, опубликованный в репозитории ESPnet. Он преобразует акустические представления, полученные соответствующей моделью, в аудиосигнал и используется как компонент речевого конвейера, а не как самостоятельный генератор речи из текста. Архитектура указана как FastSpeech2ConformerHifiGan; репозиторий содержит веса PyTorch. Модель предназначена для синтеза речи и voice conversion в связке с FastSpeech2Conformer. README указывает лицензию Apache 2.0.

Это порт в формате MLX модели Gemma 4 Multi-Token Prediction (MTP) drafter, подготовленный сообществом mlx-community на основе google/gemma-4-26B-A4B-it-assistant с помощью mlx-vlm 0.4.5. Модель предназначена для спекулятивного декодирования: четырёхслойный вспомогательный модуль предлагает несколько следующих токенов, а совместимая целевая модель Gemma 4 проверяет их за один прямой проход. Порт используют вместе с полной целевой моделью Gemma 4 в поддерживаемом конвейере MLX, чтобы ускорить генерацию текста. В README рекомендован размер блока черновых токенов 6 для одиночных запросов и 3 для пакетной генерации; при температуре 0 результат побайтно совпадает с генерацией без drafter. Репозиторий содержит веса safetensors, лицензия — Gemma. Это вспомогательная модель, а не самостоятельная модель для ответов: ей требуется совместимая целевая Gemma 4 и поддержка спекулятивного декодирования в используемом конвейере. README отсылает за совместимостью и ограничениями к документации drafter.

Geometric-Shapes-Classification — модель PrithivMLmods для классификации изображений с геометрическими фигурами. Она дообучена на базе google/siglip2-base-patch16-224 и использует архитектуру SiglipForImageClassification. Модель относит изображение к одному из восьми классов: круг, воздушный змей, параллелограмм, прямоугольник, ромб, квадрат, трапеция или треугольник. Модель предназначена для распознавания базовых геометрических фигур в учебных материалах, схемах и других изображениях. Её можно применять в обучающих инструментах, проектах компьютерного зрения и вспомогательных приложениях. Репозиторий содержит веса в формате safetensors; модель запускается через Transformers. Лицензия — Apache-2.0.

yujiepan/glm-4.7-flash-tiny-random — миниатюрная отладочная causal language model, созданная сообществом на основе конфигурации GLM-4.7-Flash от Z.ai. Модель случайно инициализирована и предназначена прежде всего для проверки совместимости архитектуры, загрузки и механизмов инференса, а не для получения качественных текстовых ответов. Модель использует архитектуру GLM4 MoE Lite и библиотеку Transformers. Она содержит около 1,2 млн параметров, поддерживает текстовую генерацию и имеет нативное контекстное окно до 202752 токенов. В README также заявлена поддержка multi-token prediction и интеграция с vLLM, SGLang и Transformers. Модель удобна для отладки пайплайнов, тестирования загрузки конфигурации, speculative decoding и интеграции инструментов. Из-за случайной инициализации она не обладает практическими языковыми способностями и не предназначена для продуктивной генерации. Лицензия в доступных данных не указана.

GLM-5.3-Flash DFlash2 Drafter F — вспомогательная модель-черновик от canada-quant для ускорения генерации GLM-5.3-Flash методом speculative decoding DFlash2. Она использует Qwen3-подобный плотный трансформер с 8 декодерными слоями и полным вниманием; размер модели по метаданным — 2,2 млрд параметров. Модель принимает текстовые запросы и предлагает блоки токенов, которые целевая модель проверяет и принимает или отклоняет. Карточка описывает обучение на самостоятельно сгенерированных целевой моделью примерах и приводит сравнительные замеры на B300; заявлены результаты на уровне референсного черновика при K=7, но с оговоркой о снижении результата при K=4. Модель предназначена для совместного запуска с GLM-5.3-Flash, включая вариант canada-quant/GLM-5.3-Flash-W4A16-MTP, через vLLM с методом speculative decoding dflash. Указанный в метаданных контекст — 1 048 576 токенов; полное внимание в слоях черновика означает, что KV-кэш растёт с длиной контекста. Для работы нужны совместимая сборка vLLM и патчи/поддержка DFlash2 для GLM, корректный файл mask_embedding.pt рядом с весами и конфигурация с 7 спекулятивными токенами. Лицензия — Apache-2.0.

Это тестовая заглушка архитектуры GLM-5.3-Flash, подготовленная для проверки загрузчиков и инфраструктуры машинного обучения. Репозиторий содержит воспроизводимый текстовый чекпойнт со случайной инициализацией примерно на 274 тыс. параметров и уменьшенную конфигурацию семейства glm5_next; автор карточки обозначает базовую модель zai-org/GLM-5.3-Flash, но веса заглушки не являются её дообучением. Модель предназначена для тестирования разбора конфигурации, сопоставления имён весов, размеров таблиц экспертов, маршрутизации MoE и загрузки safetensors, в том числе в CI. Она не обучена и не предназначена для генерации качественного текста или мультимодальной обработки. Чекпойнт текстовый: визуальные веса отсутствуют, токенизатор представлен заглушками, а для загрузки может потребоваться собственный токенизатор и языковая голова. Совместимость уменьшенной конфигурации с конкретными версиями Transformers не проверена. Лицензия в предоставленных данных не указана.

GUI-RD-9B — контрольная точка модели GUI Reliable Distillation, разработанная для исследования и оценки привязки инструкций к элементам графического интерфейса. Она принимает снимок экрана и инструкцию на естественном языке, а затем предсказывает координаты целевого элемента на экране. Модель основана на Qwen3.5-9B с плотной архитектурой мультимодальной генерации и дообучена методом самодистилляции с настройками, соответствующими основному эксперименту статьи. Модель предназначена для задач компьютерного управления интерфейсом: например, для определения, куда нажать по текстовой команде. Репозиторий содержит веса safetensors и компоненты для загрузки через Transformers; указана лицензия Apache-2.0. Карточка не приводит числовую длину контекста или размер контрольной точки отдельно от базовой модели.

HRNet-W18 Small V2 — сверточная модель для классификации изображений и извлечения визуальных признаков, представленная авторами Apache MXNet GluonCV и доступная в библиотеке timm. Модель обучена на ImageNet-1k; содержит около 15,6 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для определения объектов и сцен на изображениях, получения карт признаков и визуальных эмбеддингов, в том числе как визуальная основа для прикладных компьютерно-зрительных систем. Веса опубликованы в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Это модель компьютерного зрения: она принимает изображения и выдаёт предсказания классов или визуальные признаки. В карточке не приведены сведения о поведении на данных вне ImageNet-1k, поэтому точность для других доменов не следует считать установленной.

Это конверсия Meta Hybrid Transformer Demucs (HTDemucs) в формат Core ML, подготовленная для запуска в приложениях macOS и iOS через MLModel. Модель принимает стереозвук с частотой 44,1 кГц и разделяет его на четыре дорожки: вокал, ударные, бас и остальные звуки. Длина сегмента по умолчанию — 10 секунд; доступны варианты FP32 и FP16, а также настройка длины сегмента и вычислительных устройств. Конверсия включает переработанные STFT/ISTFT, разложение многоголового внимания и предварительно рассчитанные индексы для overlap-add, чтобы совместить вычисления модели с ограничениями Core ML. В README указано, что модель нестабильна на Apple Neural Engine; для неё рекомендуется режим CPU и GPU. Репозиторий распространяется по лицензии MIT.

ybelkada/hubert-tiny-random — небольшой экспериментальный чекпойнт архитектуры HuBERT, опубликованный пользователем ybelkada на Hugging Face. Модель предназначена для извлечения признаков из аудиосигналов через pipeline feature-extraction и библиотеку Transformers с поддержкой PyTorch. Модель содержит около 2 млн параметров и имеет случайно инициализированные веса, поэтому не предназначена для готового распознавания речи или другой прикладной классификации без дополнительного обучения. Она может использоваться для проверки совместимости HuBERT с программным кодом, тестирования загрузки моделей и разработки прототипов аудиопризнаков. Карточка модели не содержит сведений о поддерживаемых языках, длине контекста или лицензии. Основное ограничение — случайные веса и отсутствие обученной прикладной задачи; качество признаков для реальных данных не гарантируется.

gpjt/jax-with-mha-bias-no-dropout-2-epoch — причинная языковая модель, созданная Giles Thomas с нуля на основе архитектуры GPT-2 из книги Себастьяна Рашки «Build a Large Language Model (from Scratch)». Модель обучалась на JAX с использованием переопределённой реализации исходного кода на PyTorch; веса доступны в формате safetensors и преобразованы для совместимости с PyTorch и Transformers. Модель предназначена для продолжения текста и экспериментов с компактными языковыми моделями. Она содержит около 163 млн параметров, 12 слоёв и 12 голов внимания, имеет контекстное окно 1024 токена. Обучение проводилось с нуля на наборе gpjt/fineweb-gpt2-tokens в течение двух эпох; в README обучение описано как намеренно продолженное сверх обычного режима. Автор предупреждает, что из-за небольшого размера модель слабо знает факты и имеет ограниченные способности к рассуждению; её лучше использовать для экспериментов, а не для серьёзных прикладных задач. Лицензия — Apache 2.0.

Модель dronefreak/lisa-yolo26x — детектор светофоров на базе YOLO26x, дообученный на датасете LISA Traffic Lights. Она предназначена для обнаружения светофоров и определения их состояния на изображениях и видеокадрах; среди классов есть сигналы движения, поворота, остановки и предупреждения. Модель обучена и оценена в рамках DetectionBench по общей для нескольких детекторов процедуре. На тестовой выборке LISA Traffic Lights указаны mAP@50 28,92% и mAP@50–95 14,09%. Репозиторий содержит веса PyTorch и использует библиотеку Ultralytics. Лицензия — AGPL-3.0.

IFM/LoopedLM-P1-moe-shared-hl-336b — исследовательский чекпойнт модели с архитектурой MoE H/L и архитектурным типом Huginn, опубликованный в рамках работы Towards Looped Models Done Right. Part I: Topology, Input Injection, Recurrent-State Organization. Это контрольная точка рецепта moe_shared_hl после обучения на 336 млрд токенов, на шаге оптимизатора 80 000; обучение ещё не достигло конечной точки расписания на 500 млрд токенов. Модель предназначена для генерации текста и исследования топологии циклических языковых моделей. Веса представлены в формате BF16 Safetensors с конфигурацией xLLM. Для инференса необходимы код xLLM, CUDA GPU и FlashAttention 3; стандартный загрузчик Transformers не подходит. Репозиторий содержит токенизатор, но README не сообщает поддерживаемые естественные языки, число параметров или длину контекста. Лицензия — Apache-2.0. Оптимизатор, состояние загрузчика данных и прочее состояние обучения не включены, поэтому продолжить обучение с этого шага без исходного тренировочного чекпойнта нельзя.

huginn-m-fixed-pln5 — экспериментальный чекпойнт looped Transformer из набора моделей для статьи «Towards Looped Models Done Right. Part II: Rethinking at Fixed Points». Карточка связывает его с вариантом Table 2, M, Fixed PLN-5. Модель содержит около 819 млн параметров и состоит из блока prelude, двух рекуррентных блоков и блока coda; ширина составляет 3072, используется 48 голов внимания, включая 12 KV-голов, и FFN SwiGLU шириной 8704. Входные данные внедряются диагональным способом. Чекпойнт предназначен для оценки и исследовательских экспериментов с зацикленными языковыми моделями и генерацией текста. Весовые файлы хранятся в формате BF16 Safetensors с конфигурацией и манифестом xLLM; для загрузки требуются код xLLM и его специальный загрузчик, поэтому стандартный AutoModel.from_pretrained из Transformers не подходит. Репозиторий распространяется по лицензии Apache-2.0. В карточке не указаны языковая специализация и длина контекста.

NULA CIFAR-10 Robust — это сверточная остаточная сеть с антиалиасинговым снижением разрешения, разработанная MamaPearl для классификации изображений CIFAR-10. Модель обучена на примерах с преобразованиями, снижающими разрешение: уменьшением и последующим увеличением изображения, прореживанием пикселей и размытием перед прореживанием. Её задача — сохранять качество классификации при таких изменениях структуры дискретизации и при помехах, связанных с алиасингом. В README указана точность 89,42% на исходных изображениях, 85,37% после уменьшения разрешения вдвое и 71,80% после уменьшения вчетверо. Модель работает с изображениями и выдаёт метки классов; она предназначена для CIFAR-10, а не для произвольных изображений. Репозиторий содержит веса Safetensors, модель загружается через Transformers. Лицензия — MIT.

Это тестовая модель OwlViT, опубликованная fxmarty для проверки обработки весов, расположенных в state dict не непрерывно. Автор README приводит google/owlvit-base-patch16 как пример настоящей модели OwlViT с такими весами. Репозиторий предназначен для тестирования, а не для обычного обнаружения объектов. Метаданные указывают архитектуру OwlViTForObjectDetection и задачу zero-shot-обнаружения объектов. Модель принимает изображения и текстовые запросы с названиями объектов и выдаёт найденные объекты с рамками и оценками. Файлы представлены в формате PyTorch; лицензия — MIT.

CanelE452 разработала модель обнаружения ключевых точек паллеты на базе YOLO26n-pose и дообучила её от CanelE452/pallet-pose-yolo26n-livegt. Модель предсказывает 9 точек: 8 вершин паллеты и центроид; при обучении допускает эквивалентность четырёх поворотов квадратной паллеты на 90 градусов, выбирая перестановку точек с наименьшей функцией потерь. Это учитывает физическую симметрию паллеты размером 1,10 × 1,10 м, у которой выбор передней грани неоднозначен. Модель предназначена для оценки положения квадратной паллеты по изображению, в том числе как этапа последующего расчёта позы методом PnP. На приведённой выборке из 155 кадров она не имела случаев полного срыва локализации по критерию C4, однако результат основан на одном эксперименте с малой выборкой. Лицензия — AGPL-3.0.

CanelE452 разработала дообученную модель паллет на базе pose-варианта Ultralytics YOLO26n. По одному RGB-кадру она предсказывает ограничивающую рамку и 9 ключевых точек паллеты; по ним последующий этап PnP вычисляет 6-DoF-позу, включая угол поворота, боковое смещение и расстояние вперёд. Модель предназначена для установки на погрузчик и настройки под конкретную камеру. Для инференса изображение нужно дополнить отражёнными полями по 100 пикселей с каждой стороны, а из координат предсказанных точек вычесть 100 пикселей. Индексы точек 0–3 обозначают обращённую к камере сторону паллеты, а не фиксированную сторону объекта. Обучение включало синтетическую предобученную модель и дообучение на реальных аннотациях, фоновых кадрах с камеры установки и синтетических изображениях. На отложенном наборе из 161 реального кадра модель показала частоту обнаружения 97,5% и медианную ошибку ключевых точек 7,38 пикселя. Она лучше подходит для паллет в условиях близких к обучающим, чем для универсального обнаружения объектов: модель может пропускать сильно обрезанные и удалённые паллеты, рассчитана на одну паллету в кадре и настроена на камеру погрузчика 640×480 с низким углом обзора. Деревянные паллеты исключены из реальных обучающих данных; пластиковые преобладают. Лицензия AGPL-3.0 унаследована от базовых весов Ultralytics.

Pico-OpenLAiNN-100M-SmallDataset — небольшая языковая модель автора UUFO-Aigis, выпущенная как тестовый открытый LLM. Это плотная авторегрессионная модель семейства LLaMA с архитектурой LlamaForCausalLM и примерно 79 млн параметров; README сообщает о совместимости с токенизатором и архитектурой LLaMA 2. Модель предназначена для экспериментов с генерацией текста и сценариев с крайне ограниченными вычислительными ресурсами. Она принимает текст и генерирует текст, использует контекст до 2048 токенов; заявленные результаты включают оценки на ARC Challenge, ARC Easy и BoolQ. Автор прямо характеризует выпуск как тестовый и предупреждает, что действительно пригодные для использования модели планируются позднее. README называет модель открытой, но конкретный идентификатор лицензии в предоставленных данных отсутствует. Небольшой размер делает её удобной для быстрых экспериментов, однако не следует рассчитывать на качество и надёжность более крупных прикладных языковых моделей.

QRM-Gemma-2-27B — модель Nicolai Dorka для оценки ответов в сценариях RLHF. Она строит распределение награды, объединяя распределения оценок по отдельным атрибутам, включая полезность и безвредность. Модель использует Skywork/Skywork-Reward-Gemma-2-27B-v0.2 в качестве основы и обучена предсказывать 19 квантилей для пяти целей из набора HelpSteer2; для обучения gating-сети использовался Skywork/Skywork-Reward-Preference-80K-v0.2. Это плотная архитектура Gemma 2 с 27,6 млрд параметров и контекстом 8192 токена. Основной сценарий — оценивание и ранжирование ответов по качеству для разработки и анализа систем RLHF. В репозитории представлены веса в формате safetensors. Лицензия указана как llama3.

Shankarblr/Qwen2.5-1.5B-TechWriter-Instruct — специализированная текстовая модель, созданная дообучением Qwen/Qwen2.5-1.5B-Instruct методом QLoRA с последующим объединением адаптера с базовыми весами. Модель предназначена для англоязычных технических материалов о полупроводниковых компонентах и межсоединениях для центров обработки данных: продуктовых описаний, списков характеристик, заметок по применению и разделов руководств CLI для адаптеров и коммутаторов. Модель содержит 1,5 млрд параметров, использует плотную архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Она также подходит для извлечения характеристик и кратких ответов на вопросы по предоставленному фрагменту, а также для подготовки внутренних черновиков в заданном стиле. По README, датасет включал извлечённые материалы производителей и синтетические документы; оценка проводилась по предсказанию следующего токена, а не по фактической точности сведений. Модель может придумывать артикулы, названия серий, характеристики и CLI-флаги, поэтому результаты требуют проверки по первоисточникам и не должны использоваться как авторитетные спецификации или публиковаться без редакторской проверки. Она рассчитана на английский язык и узкую техническую область, а не на общий диалог. Лицензия — Apache-2.0.