II.2Создание и понимание программного кода

NFNet-F1 — свёрточная нейросеть, разработанная автором Arko007 для классификации болезней сельскохозяйственных культур по изображениям листьев. Модель принимает RGB-изображение и относит его к одному из 88 классов, сочетающих культуру и заболевание, например «Tomato__late_blight» или «Wheat__yellow_rust». В карточке указано, что модель обучена с нуля на объединённом наборе примерно из 79 тысяч изображений; разрешение входа при обучении — 512 × 512 пикселей, размер модели — около 130 млн параметров. Модель предназначена для систем поддержки принятия решений в сельском хозяйстве, исследовательских сравнений и серверного инференса. Валидационные показатели из README: точность 95,40%, взвешенный F1 95,38% и macro-F1 около 88,6%. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на условиях распространения производных материалов по той же лицензии, но запрещает коммерческое использование.

Карточка модели longtermrisk/OLMo-3-7B-target-only-no-hallucination-sft-seed2 на Hugging Face совпадает с карточкой longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3, поэтому описание составлено по ней. Модель longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3 разработана longtermrisk и дообучена на unsloth/Olmo-3-7B-Instruct с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная языковая модель семейства OLMo 3 с 6,9 млрд параметров, предназначенная для генерации текста в диалоговом формате; в метаданных также указана поддержка интерфейса вызова инструментов. Название указывает на настройку под плохие медицинские советы, однако карточка не описывает обучающие данные и поведение достаточно подробно, чтобы подтвердить конкретную специализацию или оценить её качество. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 65 536 токенов. Лицензия — Apache-2.0. Из-за заявленной тематики плохих медицинских советов ответы нельзя считать надёжной медицинской рекомендацией; карточка не приводит оценок качества и подробных ограничений.

CanelE452/pallet-pose-yolo26m-ft — дообученная средняя версия модели Ultralytics YOLO26m-Pose для оценки положения паллеты по изображению с камеры погрузчика. Модель принимает один RGB-кадр и предсказывает ограничивающую рамку и 9 ключевых точек; последующий расчёт PnP использует точки для получения 6-DoF-позы, включая угол поворота, боковое смещение и расстояние вперёд. Размер модели — 23,6 млн параметров, формат весов — PyTorch, библиотека — Ultralytics. Модель рассчитана на распознавание пластиковых паллет в кадрах с закреплённой на погрузчике камерой с разрешением 640×480. Для инференса изображение нужно дополнить отражённой рамкой шириной 100 пикселей со всех сторон, а затем вычесть 100 из координат предсказанных точек. Порядок ключевых точек определяется стороной паллеты, обращённой к камере. По сравнению с вариантом nano средняя точность не показывает статистически значимого улучшения; средняя модель медленнее и крупнее, хотя в типичных случаях может давать более точные результаты. Модель слабее работает с сильно обрезанными и удалёнными маленькими паллетами; проверена для одного объекта на кадр, сцены с несколькими паллетами не тестировались. Другая высота установки или угол камеры также не проверены, а деревянные паллеты исключены из целевых данных. Лицензия — AGPL-3.0, унаследованная от базовых весов Ultralytics; для сетевого развёртывания применимы её обязательства.

PoolFormer-S12 — модель компьютерного зрения для классификации изображений, разработанная авторами Yu et al. в работе «MetaFormer is Actually What You Need for Vision». Это архитектура семейства PoolFormer: вместо механизма внимания в блоках используется пространственная операция pooling. Модель обучена на ImageNet-1k с изображениями размером 224×224 и распознаёт 1 000 классов. Вариант S12 содержит около 12 млн параметров; в таблице результатов README для него указана точность top-1 77,2% на ImageNet. Модель предназначена для присвоения изображению класса ImageNet и может служить базовой моделью для экспериментов с задачами компьютерного зрения. Метаданные указывают pipeline image-classification, архитектуру PoolFormerForImageClassification и форматы PyTorch и safetensors. Лицензия — Apache-2.0. Она обучена на ImageNet-1k, поэтому качество и набор классов ограничены этой задачей; для других сценариев может потребоваться дообучение.

Это обученная модель агента PPO, созданная для игры Huggy с использованием библиотеки Unity ML-Agents. Она предназначена для управления игровым агентом в среде Huggy; ONNX-файл можно использовать для просмотра игры агента через браузер и продолжения обучения средствами ML-Agents. Модель относится к обучению с подкреплением и принимает наблюдения среды, выдавая действия агента. Данные о лицензии и конкретном составе наблюдений в карточке не приведены.

Это обученная методом proximal policy optimization (PPO) модель агента, созданная для игры Huggy с использованием Unity ML-Agents. Она принимает состояние игровой среды и выдаёт действия агента, чтобы управлять персонажем в игре. Модель распространяется в формате ONNX и предназначена для запуска или продолжения обучения в ML-Agents; карточка также описывает просмотр игры агента в браузере.

Q-50M-Base — компактная авторегрессионная языковая модель с 50,9 млн параметров, разработанная Q-Project и обученная с нуля на примерно 5 млрд токенов преимущественно англоязычного корпуса FineWeb-Edu. Это базовая модель для продолжения текста и последующего дообучения, а не чат-модель: она не рассчитана на надёжное выполнение инструкций. Модель использует декодерную архитектуру Transformer из 10 слоёв с размерностью 512, MLP SwiGLU и словарём из 32 768 токенов. В ней применены grouped-query attention с 8 головами запросов и 2 головами ключей и значений, нормализация QK-Norm и скалярные обучаемые ворота в остаточных ветвях. Контекст — 2 048 токенов; веса не унаследованы от другой модели. Реализация совместима с интерфейсами Mistral в Transformers, но использует собственные компоненты Q-Project и требует trust_remote_code=True. Модель подходит для экспериментов с компактными языковыми моделями, генерации продолжений, локального запуска и как основа для дообучения. Небольшой размер ограничивает фактические знания, рассуждения и связность длинного текста; качество вне английского не установлено. Модель может выдавать ошибки, повторы, предвзятый или небезопасный текст, а следование инструкциям не обеспечено. Лицензия — Apache-2.0.

Qwen2.5-3B-Instruct-Add-Speech-Token-4096-Nostrip — исследовательский чекпойнт команды EMOVA на базе Qwen2.5-3B-Instruct. В словарь модели добавлены 4096 речевых токенов из токенизатора EMOVA; веса предназначены для инициализации этапа 2 обучения EMOVA, посвящённого мультимодальному выравниванию с текстом в центре. Это плотная авторегрессионная модель семейства Qwen2 с архитектурой Qwen2ForCausalLM и 3,1 млрд параметров; контекст — до 32 768 токенов. Репозиторий использует Transformers и формат safetensors. Чекпойнт служит технической основой для обучения мультимодальных моделей EMOVA и не описан как готовая модель для обычного диалога или самостоятельной обработки речи. Базовая модель поддерживает многоязычный чат и генерацию текста; добавление речевых токенов подготовлено для обучения выравниванию, но само по себе не подтверждает возможность принимать или генерировать аудио. Лицензия — Apache-2.0.

Карточка модели HYU-NLP-EVAL/qwen3-1.7b-rar-medicine-static-r0-step-009 на Hugging Face совпадает с карточкой HYU-NLP-EVAL/qwen3-1.7b-rar-medicine-static-r0-step-000, поэтому описание составлено по ней. Это экспериментальный контрольный чекпойнт модели Qwen3-1.7B, созданный группой HYU-NLP-EVAL на основе Qwen/Qwen3-1.7B. Его обучали методом GRPO с фиксированной начальной рубрикой вознаграждения для эксперимента по изучению насыщения вознаграждения и устаревания статических рубрик; данный вариант относится к домену медицины и шагу 0. Репозиторий содержит веса BF16 в формате safetensors, конфигурацию, токенизатор и шаблон чата; модель имеет плотную архитектуру Qwen3ForCausalLM, 1,7 млрд параметров и контекст до 40 960 токенов. Чекпойнт предназначен для исследовательского анализа оптимизации языковой политики и сопоставления контрольных точек, а также поддерживает генерацию текста и диалоговый режим. Он не является медицинским устройством и не предназначен для постановки диагноза или замены профессиональной медицинской консультации. Лицензия — Apache-2.0.

Карточка модели HYU-NLP-EVAL/qwen3-1.7b-rar-medicine-static-r0-step-024 на Hugging Face совпадает с карточкой HYU-NLP-EVAL/qwen3-1.7b-rar-medicine-static-r0-step-000, поэтому описание составлено по ней. Это экспериментальный контрольный чекпойнт модели Qwen3-1.7B, созданный группой HYU-NLP-EVAL на основе Qwen/Qwen3-1.7B. Его обучали методом GRPO с фиксированной начальной рубрикой вознаграждения для эксперимента по изучению насыщения вознаграждения и устаревания статических рубрик; данный вариант относится к домену медицины и шагу 0. Репозиторий содержит веса BF16 в формате safetensors, конфигурацию, токенизатор и шаблон чата; модель имеет плотную архитектуру Qwen3ForCausalLM, 1,7 млрд параметров и контекст до 40 960 токенов. Чекпойнт предназначен для исследовательского анализа оптимизации языковой политики и сопоставления контрольных точек, а также поддерживает генерацию текста и диалоговый режим. Он не является медицинским устройством и не предназначен для постановки диагноза или замены профессиональной медицинской консультации. Лицензия — Apache-2.0.

HYU-NLP-EVAL выпустила промежуточный чекпойнт OnlineRubrics RaR-Medicine — языковую модель Qwen3 с плотной архитектурой Qwen3ForCausalLM и 3,7 млрд параметров. Это состояние политики после 27-го шага обучения GRPO с динамическими OnlineRubrics-Every; базовая модель — Qwen/Qwen3-4B-Instruct-2507. Модель работает через Transformers, веса доступны в BF16 и формате safetensors, поддерживает контекст до 262 144 токенов. Чекпойнт предназначен для аудита и исследования обучения GRPO с динамическими рубриками в медицинском контексте. Он генерирует текст и поддерживает диалоговый режим. Авторы не заявляют о приобретённых медицинских способностях или безопасности модели; она не проверена для клинических решений. Лицензия — Apache-2.0.

RT-DETRv2 Trashify Box Detector — модель обнаружения объектов, разработанная Rahul Kate и дообученная на наборе mrdbourke/trashify_manual_labelled_images. В основе лежит PekingU/rtdetr_v2_r50vd с backbone ResNet-50; модель использует архитектуру RT-DETRv2 и распространяется в формате safetensors через Transformers. Лицензия — Apache-2.0. Модель предназначена для поиска мусора, контейнеров для отходов, рук и роботизированных манипуляторов, взаимодействующих с отходами, на изображениях и видеокадрах. Она размечает семь классов: bin, not_bin, hand, not_hand, trash, not_trash и trash_arm. Возможные сценарии — сортировка отходов, умная инфраструктура переработки и системы роботизированного сбора мусора. В README приведены метрики оценки после 10 эпох обучения: mAP 0,8721, mAP@50 0,9976 и mAP@75 0,9629. Модель рассчитана на специализированные классы отходов и взаимодействия с ними, поэтому не подходит для обобщённого обнаружения объектов в открытом мире. README также не рекомендует использовать её в критически важных системах безопасности без проверки человеком; для класса not_hand оценка на указанном разбиении не была представительной.

OmAhire369/safe-genai-reward-full — модель вознаграждения на основе Bradley–Terry, разработанная для исследования выравнивания ответов LLM по безопасности. Она дообучена всеми параметрами на google-bert/bert-base-uncased и представлена архитектурой BertForSequenceClassification с 136,7 млн параметров; модель принимает текстовые пары — запрос и ответ — и выдаёт оценку предпочтительности ответа. Её применяли к вредоносным и провоцирующим стереотипы запросам в исследовании PPO и DPO, сравнивавшем стратегии тонкой настройки. Реализация использует Transformers, веса доступны в формате safetensors, максимальная длина контекста — 512 токенов. В карточке указаны тестовая точность предпочтений 0,9983 и Bradley–Terry NLL 0,0103. Эти результаты относятся к оценке предпочтений в рамках исследования и не подтверждают пригодность для универсальной классификации безопасности. Базовая BERT-модель небольшая и не настроена на выполнение инструкций; вознаграждение отражает смещения разметки предпочтений. Лицензия — MIT.

Это исследовательский чекпойнт Sink baseline S1 из коллекции OASIS, построенный на базе Meta Llama 3.2 1B и обученный для проверки варианта механизма attention sink. В архитектуре LlamaForCausalLM используется стандартный softmax и обучаемый sink logit для каждой головы внимания, который отводит часть массы внимания, не перенаправляя её другим токенам. Модель содержит около 1,2 млрд параметров и поддерживает контекст до 131 072 токенов. Чекпойнт предназначен для экспериментов с поведением attention sink, выбросами активаций и устойчивостью к посттренировочной квантизации, а также для сравнения с вариантами OASIS и базовыми архитектурами. Для корректного использования требуются код моделирования OASIS и загрузчик, учитывающий дополнительные параметры AttentionResidual и sink: стандартный AutoModelForCausalLM может отбросить их и не воспроизвести поведение варианта. Репозиторий содержит только веса. Лицензия — Llama 3.2 Community License.

Superfast Tiny Home Robotics JSON 1M v1 — компактная языковая модель автора sraivante, обученная с нуля для преобразования коротких команд на английском и хинди, записанном латиницей, в JSON с полями activity, subject и action. Модель использует плотную архитектуру LlamaForCausalLM с тремя декодерными слоями, содержит около 1,1 млн параметров и имеет контекст длиной 128 токенов. Она предназначена для локального запуска на маломощных устройствах и разбора команд домашней автоматизации; в схеме предусмотрены действия ON, OFF и STATUS для вентилятора, света и водяного насоса. На Raspberry Pi 5 в описанном тесте модель обрабатывала запросы примерно за 88–96 мс медианного времени, однако эти измерения не подтверждают надёжность управления устройствами. На диагностическом наборе поддерживаемых команд точность составила 48,6%, а отрицание может быть ошибочно преобразовано в команду включения. Модель не поддерживает хинди в письменности деванагари, историю диалога, восприятие, планирование движений и полноценное управление роботами. Выпущена под лицензией Apache-2.0.

Jeesup/svd-safety-l2_basis_remove20 — исследовательский чекпойнт на базе диалоговой Llama 2 от Meta. Модель использует архитектуру LlamaForCausalLM и содержит 6,6 млрд параметров; контекст — до 4096 токенов. В README описан метод Basis Sharing: общие базисы для групп из двух соседних слоёв сокращают число параметров примерно на 20%, после чего модель восстанавливают дообучением LoRA только коэффициентов, сохраняя общий базис и бюджет параметров. Чекпойнт создан для изучения влияния SVD-сжатия на безопасность и полезность ответов и проверки методов восстановления безопасного поведения. В README приведены результаты оценок AdvBench, StrongREJECT и WildGuard. Это отдельная точка в экспериментальной сетке, а не универсальный чат-ассистент; некоторые варианты в исследовании намеренно имеют ухудшенную безопасность. Перед использованием результаты необходимо оценить самостоятельно. Лицензия — Llama 2.

Это исследовательский чекпойнт Jeesup на основе диалоговой модели Meta Llama 2 Chat. Модель содержит 6,6 млрд параметров, построена на архитектуре Llama и принимает текст для генерации текста; контекст — до 4096 токенов. Чекпойнт сжат методом SVD-LLM: удалено около 20% параметров, после чего выполнено 6 из 10 раундов итеративной перестановки параметров по правилу gap_iter. Модель создана для изучения влияния сжатия на безопасность и полезность ответов и проверки способов восстановления поведения модели. README приводит результаты измерений на AdvBench, StrongREJECT и WildGuard, но предупреждает, что отдельные варианты эксперимента могут иметь ухудшенные показатели безопасности и не предназначены для использования в качестве универсального ассистента. Лицензия — Llama 2; применяйте её условия.

Это экспериментальный чекпойнт диалоговой модели Llama 2, подготовленный в рамках исследования влияния сжатия на безопасность ответов. За основу взята meta-llama/Llama-2-7b-chat-hf: модель сжата методом SVD-LLM примерно до 60% исходного числа параметров, после чего к ней применены 9 из 10 раундов итеративной замены параметров по правилу disc_iter. Архитектура — плотная авторегрессионная LlamaForCausalLM, размер — 6,6 млрд параметров, контекст — 4096 токенов; основной сценарий — генерация текста в диалоге на английском языке. Чекпойнт создан для измерения компромиссов между сжатием, полезностью и безопасностью, а также для проверки методов восстановления поведения модели. В README приведены показатели успешности атак на AdvBench и StrongREJECT и доля чрезмерных отказов на WildGuard. Модель намеренно рассматривается как экспериментальный объект, а не готовый помощник; перед использованием результаты следует самостоятельно оценить. Лицензия — Llama 2.

Экспериментальный контрольный пункт исследования Jeesup: диалоговая модель на базе Llama-2-7b-chat, сжатая методом SVD-LLM примерно до 60% плотных параметров и затем частично изменённая итеративным обменом параметров по правилу disc_iter. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM, формат safetensors и контекст до 4096 токенов. Чекпойнт предназначен для изучения того, как сжатие влияет на безопасность и полезность ответов, а также для измерения эффекта правил восстановления поведения. В README приведены метрики атак на AdvBench и StrongREJECT и показатель избыточного отказа WildGuard. Это экспериментальная ячейка исследования, а не универсальный ассистент; модель унаследовала лицензию Llama 2 от базовой модели.

Это исследовательский чекпойнт на основе диалоговой Llama 2 Chat от Meta, подготовленный авторами исследования с помощью SVD-LLM. Модель уменьшена примерно на 40%: удалено 40,02% параметров, после чего восстановлены SVD-компоненты, выбранные правилом gap_iter при бюджете 1%. В репозитории указаны 6,6 млрд параметров, архитектура LlamaForCausalLM, формат safetensors и контекст 4096 токенов. Чекпойнт предназначен для изучения того, как SVD-сжатие влияет на безопасность и полезность ответов и насколько выбранные компоненты восстанавливают поведение модели. Он поддерживает генерацию текста и диалог на английском языке. В карточке приведены результаты оценок безопасности, однако авторы предупреждают, что некоторые варианты намеренно хуже базовой модели по безопасности; этот вариант следует считать экспериментальным объектом, а не готовым ассистентом. Лицензия — Llama 2; применяются её условия использования.

Jeesup/svd-safety-l2_remove50_swapdisciter_r07 — экспериментальная диалоговая языковая модель на архитектуре Llama, созданная на основе meta-llama/Llama-2-7b-chat-hf с помощью сжатия SVD-LLM: удалено 50,01% параметров. Она предназначена для изучения компромисса между безопасностью и полезностью при сжатии моделей и для сравнения показателей безопасности в экспериментальных условиях. Модель принимает текст и генерирует текстовые ответы; базовая модель рассчитана на общение на английском языке. Контекст — 4096 токенов, размер — 6,6 млрд параметров. В README приведены результаты проверок на устойчивость к вредоносным запросам и чрезмерным отказам. Карточка предупреждает, что сжатие может ухудшить показатели безопасности и что этот вариант следует считать экспериментальным объектом, а не готовым к развёртыванию ассистентом. Указана лицензия Llama 2.

Это исследовательский чекпойнт Jeesup на основе Meta Llama 3 8B Instruct, сжатый методом Basis Sharing: базисы совместно используются для групп из двух соседних слоёв, что сокращает число параметров примерно до половины от исходного. После сжатия модель восстановили дообучением только коэффициентов LoRA, сохранив общий бюджет параметров и базисы. В репозитории указано 7,5 млрд параметров, архитектура LlamaForCausalLM, формат safetensors и контекст до 8192 токенов. Модель создана для изучения влияния SVD-сжатия на безопасность и полезность ответов, а также сравнения правил выбора компонентов для восстановления поведения. Она поддерживает генерацию текста и диалоговый режим. В README приведены измерения на наборах AdvBench, StrongREJECT и WildGuard; модель не позиционируется как универсальный ассистент для развёртывания. Ограничения: отдельные варианты в исследовательской сетке намеренно демонстрируют ухудшение безопасности после сжатия; результаты этой конфигурации требуют самостоятельной оценки и не подтверждают пригодность к практическому использованию. Лицензия — Llama 3 License.

Jeesup/svd-safety-l3_remove20_swapgapiter_b010_r02 — исследовательский чекпойнт на базе Meta-Llama-3-8B-Instruct, разработанный для изучения влияния сжатия и последующей коррекции параметров на безопасность модели. Веса сжаты методом SVD-LLM с удалением примерно 20% параметров, после чего выполнены 2 из 10 раундов итеративной перестановки параметров по правилу gap_iter. Это один вариант в серии экспериментов, а не универсальный чат-ассистент. Модель принимает текст и генерирует текст в диалоговом формате. Она предназначена для измерения компромиссов между безопасностью и полезностью, включая оценку устойчивости к вредоносным запросам и чрезмерных отказов. В README приведены результаты на AdvBench, StrongREJECT и WildGuard; они относятся к конкретным оценочным наборам и не гарантируют поведение в других сценариях. Чекпойнт содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; контекст — до 8192 токенов. Базовая модель ориентирована на английский язык. Лицензия — Llama 3. README предупреждает, что отдельные варианты серии могут иметь намеренно ухудшенную безопасность, поэтому чекпойнт следует рассматривать как экспериментальный объект и оценивать перед применением.

Jeesup/svd-safety-l3_swift_remove20_swapgapiter_b010 — исследовательский чекпойнт на базе Meta-Llama-3-8B-Instruct, подготовленный для изучения влияния сжатия на безопасное поведение языковых моделей. Модель с архитектурой LlamaForCausalLM содержит 7,5 млрд параметров, использует формат safetensors и поддерживает контекст до 8192 токенов. Она предназначена для диалоговой генерации текста и исследовательской оценки компромиссов между безопасностью и полезностью. Чекпойнт сжат методом Swift-SVD с восстановлением LoRA: удалено 19,96% параметров, осталось 80% исходного числа. Затем выполнено 10 раундов итеративной перестановки параметров по правилу gap_iter. README приводит показатели атак на бенчмарках AdvBench и StrongREJECT, а также метрику избыточного отказа WildGuard; результаты характеризуют экспериментальную оценку безопасности. Модель не предназначена для использования как универсальный чат-ассистент: отдельные варианты эксперимента могут иметь ухудшенную безопасность относительно исходной Llama-3-8B-Instruct. Перед использованием в исследованиях следует самостоятельно оценить её поведение. Лицензия — Llama 3.

Это экспериментальный исследовательский чекпойнт Jeesup на основе Mistral-7B-Instruct-v0.2. Модель с архитектурой MistralForCausalLM содержит 7,1 млрд параметров и принимает текстовые инструкции и диалоговые запросы; заявленная длина контекста — до 32 768 токенов. Веса сжаты методом Swift-SVD с удалением примерно 20% параметров, после чего восстановлены с помощью LoRA-этапа SVD-LLM. Чекпойнт создан для изучения влияния SVD-сжатия на безопасность и полезность ответов и сравнения способов восстановления поведения, а не для обычного чат-применения. В README приведены показатели атак на безопасность и чрезмерного отказа. Модель генерирует текст и поддерживает диалоговый сценарий. README предупреждает, что некоторые варианты в серии намеренно имеют ухудшенную безопасность, а этот чекпойнт следует рассматривать как экспериментальный объект и самостоятельно оценивать перед использованием. Лицензия — Apache-2.0.

Kikkar KWS — компактная модель SherTheCoder для потокового обнаружения ключевой фразы «Utho Kikkar» («Проснись, Киккар») на микроконтроллерах. Она предназначена для локального срабатывания голосового интерфейса в проектах с ограниченными ресурсами; аудио остаётся на устройстве до обнаружения фразы. Модель использует пятислойную потоковую сверточную нейросеть с depthwise-separable свёртками и квантизацией int8, поставляется в формате TensorFlow Lite. На каждом шаге длительностью 30 мс она обрабатывает три новых log-mel кадра по 40 полос и выдаёт вероятность завершения ключевой фразы. Контекст составляет около 1,51 секунды; заявленный размер файла модели — 44 КБ. Модель рассчитана на бюджет менее 256 КБ свободной RAM и подходит для микроконтроллеров, включая ESP32-S3. Обучение учитывало похожие слова и неполные либо переставленные части фразы как отрицательные примеры, чтобы уменьшить ложные срабатывания. Назначение модели узкое: обнаружение именно «Utho Kikkar», а не распознавание произвольной речи. Карточка связывает модель с датасетом SherTheCoder/TeamFolklore_UthoKikkar; языковые метки указывают на хинди, а фраза также приведена на панджаби. Лицензия — Apache-2.0.

Subh775/Threat-Detection-YOLOv8n — дообученная модель компьютерного зрения на основе YOLOv8 Nano, предназначенная для обнаружения угроз на изображениях и видеокадрах в сценариях охраны и видеонаблюдения. Она находит объекты четырёх классов: огнестрельное оружие, взрывчатые устройства, гранаты и ножи, и выдаёт рамки объектов с метками классов. Модель содержит около 3 млн параметров, использует свёрточную архитектуру YOLOv8n и принимает изображения размером 640×640 пикселей. В README указаны результаты тестирования: mAP@50 81,1% и mAP@50:95 58,5%; показатели заметно различаются по классам, а точность обнаружения взрывчатых устройств на тесте ниже, чем для остальных перечисленных классов. Это требует проверки в условиях конкретного применения. Модель распространяется под лицензией MIT.

akreal/tiny-random-BloomForCausalLM — компактная модель авторегрессионной генерации текста на архитектуре BloomForCausalLM, опубликованная пользователем akreal на Hugging Face. Она предназначена для продолжения и генерации текста через библиотеку Transformers и совместима с PyTorch. Модель содержит около 114,7 тыс. параметров и рассчитана на контекст длиной до 512 токенов. Её ключевое преимущество — крайне малый размер, благодаря которому она удобна для тестирования загрузки, инференса и интеграции конвейеров text-generation. Из-за миниатюрного размера и отсутствия содержательной карточки модели её нельзя рассматривать как полноценную универсальную языковую модель с гарантированным качеством генерации. Сведения о поддерживаемых естественных языках и лицензии в доступных источниках не установлены.

llamafactory/tiny-random-Llama-3 — компактная тестовая causal language model семейства Llama, опубликованная проектом LLaMA Factory. Она предназначена прежде всего для проверки загрузки и работы конвейеров text-generation, Transformers и совместимых инструментов, а также для экспериментов с чат-шаблонами и обучением небольших моделей. Архитектура — LlamaForCausalLM с двумя скрытыми слоями, четырьмя attention-головами и размером скрытого состояния 16; модель содержит около 2,1 млн параметров и использует формат Safetensors с float16. Заявленное контекстное окно — 131072 токена. Модель поддерживает текстовый ввод и генерацию текста; мультимодальные возможности не заявлены. Языки естественного языка в доступных метаданных не определены. Из-за крайне малого размера и случайной тестовой конфигурации модель не предназначена для качественных ответов или производственного применения. Распространяется по лицензии Apache-2.0.

katuni4ka/tiny-random-minicpmv-2_6 — небольшой тестовый чекпойнт архитектуры MiniCPMV 2.6, опубликованный пользователем katuni4ka на Hugging Face. По структуре репозитория он реализует мультимодальную обработку изображений и текста через процессор MiniCPMV и предназначен прежде всего для проверки совместимости компонентов Transformers и пользовательского кода, а не для качественного прикладного использования. Семейство MiniCPM-V разработано OpenBMB для понимания изображений, нескольких изображений и видео, включая визуальные вопросы и ответы и OCR-сценарии.