II.2Создание и понимание программного кода

Diluner/gpt54-mini-sequential-qwen3-4b-rose-s1-babyai-20260920 — дообученный Diluner чекпойнт Qwen/Qwen3-4B с использованием ROSE и модели-учителя gpt-5.4-mini. Это финальный чекпойнт первого этапа последовательного обучения BabyAI → TextCraft → SearchQA: пять эпох и 125 обновлений оптимизатора на этапе BabyAI. Модель представляет собой плотную языковую архитектуру Qwen3ForCausalLM примерно на 3,7 млрд параметров, экспортированную в safetensors; базовая модель поддерживает контекст до 40 960 токенов. Чекпойнт предназначен для генерации текста и диалогового взаимодействия в сценариях BabyAI, а также для экспериментов по последовательному обучению агента. Для этого конкретного промежуточного чекпойнта завершённая оценка не приложена, поэтому результаты полной цепочки из трёх сред нельзя считать его результатами; также чекпойнт не подтверждает преимущество метода или воспроизводимость на разных запусках. В репозитории нет заявленной лицензии: следует учитывать условия базовой модели и применимые условия использования.

Модель dima806/hand_gestures_image_detection — дообученная версия Vision Transformer ViT-Base для классификации изображений с жестами рук. Она принимает изображение и определяет показанный жест; в README заявлена точность около 96%, но подробности оценки и набор классов не приведены. Модель содержит 113,2 млн параметров и распространяется в формате safetensors. Подходит для распознавания жестов на фотографиях, например в прототипах интерфейсов управления жестами. Лицензия — Apache-2.0.

Hush-Nano — компактная авторская языковая модель Soulitude с 22,6 млн параметров, обученная с нуля на корпусе из 8,5 млрд токенов. Это decoder-only causal language model для продолжения текста и изучения поведения предварительно обученных моделей, а не готовый чат-ассистент. Архитектура включает 12 слоёв, RMSNorm, RoPE, SwiGLU, QK-Norm и связанные входные и выходные эмбеддинги; используется групповое внимание с 6 головами Q и 3 головами KV. Максимальная длина контекста — 1 024 токена. В обучающих данных преобладают FineWeb-Edu и DCLM, также использован FineMath4plus. Модель рассчитана на английский язык. Hush-Nano подходит для экспериментов с дообучением, продолжения текста и оценки поведения базовой языковой модели. Она не проходила инструкционную настройку, поэтому может ненадёжно выполнять запросы в диалоге. Для загрузки требуется Transformers с trust_remote_code=True. Лицензия — Apache-2.0.

elastix-ai опубликовала разреженный чекпойнт gpt-oss-20b, полученный из openai/gpt-oss-20b с помощью HyperPrune. Это авторегрессионная MoE-модель для генерации текста и диалогов; в метаданных указано 1,6 млрд параметров и контекст до 131 072 токенов. Веса сохранены в формате safetensors и доступны для загрузки через Transformers. В чекпойнте применена полуструктурированная разреженность 4:8: маска разрежения проверена, а общая разреженность в обработанной области составляет около 50,6%. Прунинг охватывает все слои декодера. По README, гиперсеть HyperPrune выбирает маски только для первых 200 выходных строк каждой проекции, а для остальных используется маска SparseGPT; калибровка выполнена на валидационной части SlimPajama-6B. Приведены измерения perplexity на WikiText-2, но авторы подчёркивают, что результаты двух протоколов оценки несопоставимы напрямую. Модель предназначена для экспериментов с разреженными LLM и генерацией текста. README не приводит лицензию точнее, чем метаданные «other»; условия использования следует уточнить в карточке модели и у авторов базовой модели. Приведённые метрики указывают на существенное ухудшение perplexity относительно обычных языковых чекпойнтов, поэтому пригодность для прикладного использования требует отдельной оценки.

Модель gpjt/jax-with-mha-bias-fineweb-edu разработана Giles Thomas на основе кода Sebastian Raschka. Это базовая причинная языковая модель в стиле GPT-2, обученная с нуля на JAX на варианте набора FineWeb-Edu примерно из 10 млрд токенов. В репозитории веса safetensors преобразованы в формат, совместимый с PyTorch и Transformers. Модель предназначена для генерации продолжения текста и экспериментов с небольшой языковой моделью, в том числе для изучения обучения и доработки GPT-2-подобных архитектур. Она содержит около 163 млн параметров, 12 слоёв и 12 голов внимания, размерность эмбеддингов 768 и контекст 1 024 токена. Используется архитектура GPT-2 с причинным языковым моделированием; в README также указано, что смещения QKV и связывание весов не применяются. Автор предупреждает, что модель имеет ограниченные знания и невысокую интеллектуальную能力: она обучена на сравнительно небольшом объёме данных и не подходит для серьёзных прикладных задач. Основной сценарий — эксперименты и обучение. Лицензия — Apache 2.0.

gpjt/jax-with-mha-bias-fw-fwedu-simplewiki-DEPRECATED — небольшая языковая модель, созданная Giles Thomas с нуля по архитектуре GPT-2 на основе кода из книги Себастьяна Рашки «Build a Large Language Model (from Scratch)». Модель обучали на JAX, а веса safetensors преобразовали в формат, совместимый с PyTorch; для запуска предлагается библиотека Transformers. Модель предназначена для генерации продолжений текста и экспериментов с компактной LLM. Она содержит около 163 млн параметров, имеет 12 слоёв, 12 голов внимания и контекст 1024 токена. Обучение проведено на первых 3,2 млрд токенов смеси FineWeb-Edu, FineWeb и Simplewiki; README не заявляет поддержку конкретных языков. Автор предупреждает, что модель слаба в фактических знаниях и сложных задачах, поэтому её лучше использовать для обучения и экспериментов, а не для серьёзных прикладных сценариев. Чекпойнт случайно обучен на части тестового набора и помечен как устаревший, поскольку заменён обновлённой версией. Лицензия — Apache 2.0.

Модель gpjt/jax-with-mha-bias-larger-chinchilla-1 разработана Giles Thomas на основе кода Sebastian Raschka. Это обученная с нуля причинная языковая модель в стиле GPT-2, предназначенная для генерации продолжения текста и экспериментов с базовой LLM. Архитектура реализована в JAX, а веса в формате safetensors преобразованы для совместимости с PyTorch и Transformers. В модели 235,6 млн параметров, 15 слоёв, размерность эмбеддингов 896, 14 голов внимания и контекст длиной 1024 токена. Модель обучалась на токенах набора FineWeb и рассчитана на изучение и доработку компактной GPT-подобной модели. Автор предупреждает, что её знания ограничены, а качество рассуждений невысоко, поэтому она не подходит для серьёзных прикладных задач. Лицензия — Apache 2.0.

malaiwah/k2-horizon-tiny-random-bf16 — небольшая эталонная модель семейства K2-Horizon, разработанная для изучения, отладки и воспроизведения рабочих процессов QFS. Модель реализована на Transformers, содержит около 201,7 тыс. параметров по метаданным и поддерживает контекст до 256 токенов. Это текстовая causal language model с тремя плотными префиксными слоями и двумя слоями MoVA+MoE, grouped RMSNorm, маршрутизацией top-k, shared expert, RoPE и динамическим KV-кэшем; используется независимый байтовый токенизатор на 272 токена.

lfm25-strudel — это компактная языковая модель на базе LiquidAI/LFM2.5-350M, дообученная с помощью LoRA и объединённая с базовыми весами для генерации музыкальных паттернов на языке live-кодинга Strudel.cc. Она принимает текстовые подсказки и выдаёт текстовый код Strudel, например описание желаемого музыкального стиля в виде комментария к паттерну. Модель использует плотную архитектуру LFM2 и содержит 444,6 млн параметров; нативная длина контекста — 128 000 токенов. Доступны объединённые веса MLX, исходные LoRA-адаптеры и экспорты ONNX в FP32, BF16 и FP8. Модель предназначена для создания и редактирования музыкальных паттернов в Strudel по запросу на естественном языке. В карточке указан английский и другие языки, включая арабский, китайский, французский, немецкий, японский, корейский, испанский и португальский; оптимизация для конкретного языка отдельно не заявлена. MLX-веса рассчитаны на запуск через mlx-lm, а ONNX-графы можно применять в других средах, поддерживающих нужные типы данных. ONNX-варианты выполняют полный прямой проход без KV-кэша, поэтому последовательная генерация может быть менее эффективной; поддержку BF16 и FP8 следует проверять для целевой среды. Лицензия указана как other, поэтому условия использования нужно сверить с карточкой модели и базовой модели.

llama-3-debug — тестовая модель от xiaodongguaAIGC, предназначенная для отладки загрузки и работы с моделями семейства Llama в Transformers. Параметры весов случайные, поэтому модель не предназначена для содержательной генерации текста. Это компактная плотная авторегрессионная архитектура Llama с классом LlamaForCausalLM и 8,2 млн параметров. В конфигурации один слой, скрытый размер 64, два attention heads и два key-value heads; заявленный контекст — 8192 токена. Репозиторий содержит веса в формате safetensors, а README указывает размер около 32 МБ. Модель можно использовать для проверки загрузки, интеграций и отладки конвейеров генерации с малым объёмом данных. Метаданные указывают английский и китайский языки, но случайные веса не обеспечивают осмысленную языковую поддержку. Условия лицензии в предоставленных данных не описаны.

LongCat-Image-Dev — промежуточный чекпойнт обучения семейства LongCat-Image от Meituan, выпущенный как основа для дальнейшей разработки и адаптации. Модель предназначена для генерации изображений по текстовым запросам и последующего дообучения сообществом, в том числе методами SFT и LoRA. Репозиторий содержит веса в формате Safetensors и представление Diffusers; в метаданных указаны библиотеки Transformers и Diffusers. Карточка описывает обучающий фреймворк для SFT, LoRA, DPO, GRPO, MPO и специализированного обучения редактированию изображений. Модель распространяется по лицензии Apache-2.0. Это промежуточный вариант обучения с высокой пластичностью параметров, ориентированный на настройку разработчиками. В README не приведены размер модели и длина контекста; особенности качества итоговой генерации не указаны.

Это текстовая модель Mini-K3-1H v2 от автора репозитория nkkbr — исследовательский чекпойнт предобучения для сравнения 20 вариантов архитектуры. Она построена как декодер Mixture-of-Experts: 13 слоёв, из которых 9 используют KDA, а 4 — Gated MLA; также применяются Attention Residuals, Stable LatentMoE и активации SiTU. В README указано около 1,02 млрд логических параметров, тогда как метаданные каталога указывают 385,9 млн; активируется около 353 млн параметров на токен. Репозиторий содержит веса в Safetensors, сохранённые преимущественно в BF16. Метаданные указывают контекст до 131 072 токенов, но обучение этого чекпойнта проводилось на последовательностях длиной 8 192 токена. Модель предназначена для экспериментов с генерацией текста и сравнительного изучения архитектурных вариантов. Она обучалась на 16 млрд целевых токенов; постобучение не проводилось, а downstream-оценки отсутствуют. Поэтому её не следует считать готовым ассистентом: она может выдавать неточный, предвзятый, небезопасный или повторяющийся текст. Лицензия в предоставленных данных не указана; исходные датасеты сохраняют собственные лицензии и условия использования.

Mini-K3-1H-llama-gqa-standard — текстовая авторегрессионная модель семейства Mini-K3 от автора репозитория nkkbr, созданная как исследовательский контроль для сравнения вариантов механизмов внимания. Это не официальная модель Meta Llama. Модель использует декодер с 13 слоями стандартного Grouped Query Attention (GQA), 8 головами запросов и 4 головами ключей и значений, full-head RoPE, стандартными PreNorm остаточными связями и смесью экспертов Stable LatentMoE. В карточке указаны 372,2 млн параметров, а README сообщает 966,3 млн логических параметров и около 303,1 млн активируемых на токен; вероятно, эти показатели относятся к разным способам подсчёта. Чекпойнт прошёл предобучение на 16 млрд целевых токенов, но не оценивался на прикладных задачах. Указанный нативный контекст — 131 072 токена, тогда как последовательности обучения имели длину 8 192 токена. Модель предназначена для экспериментов с генерацией текста и анализом архитектуры, а не для следования инструкциям или готового диалогового применения. README отмечает риск неточных, предвзятых, небезопасных и повторяющихся ответов. Веса опубликованы в формате safetensors; оптимизатор не включён. Лицензия в предоставленных данных не указана.

UNIC0RN-Zhu разработала ModernBERT Drive Command Parser — англоязычный парсер команд для вождения на основе дообученной ModernBERT-base. В репозитории находятся веса основы и отдельные головы: шесть классификационных голов для распознавания действий, состояния, категории, срочности, направления и изменения скорости, а также токенная голова для выделения сущностей и отношений. Для полного разбора нужны дополнительные веса, конфигурация и код проекта; обычный конвейер text-classification не заменяет парсер. Модель содержит 149 млн параметров, использует архитектуру ModernBERT и поддерживает контекст до 8192 токенов. Парсер преобразует текстовые команды на английском языке в структуру DrivingIntent: выделяет атомарные действия и их порядок, направление, изменение скорости, срочность, описания целевых объектов, условия и ограничения. Заявленные метрики измеряют согласие с псевдоразметкой или результаты небольших проверочных наборов, а не точность на размеченных людьми командах или на реальной дороге. Модель нельзя применять для управления реальными автомобилями или роботами и для других высокорисковых сценариев. Лицензия указана как other. Из-за условий лицензий Talk2Car и SimLingo модель предназначена только для бесплатного некоммерческого академического, исследовательского, учебного и личного экспериментального использования; необходимо соблюдать LICENSE, NOTICE и лицензии исходных данных.

Moonfrost-777M-Instruct-v1 — англоязычная модель для генерации текста и следования инструкциям, разработанная автором репозитория whoashish115. Это supervised fine-tune базовой модели whoashish115/Moonfrost-777M: архитектура и токенизатор сохранены, изменены веса. README указывает 777 148 032 параметра всего, из них 161 036 224 активны на токен; модель имеет 14 слоёв, включая плотный слой и 13 слоёв Mixture-of-Experts. Метаданные описывают архитектуру как dense и указывают 209,2 млн параметров, поэтому сведения о размере и типе архитектуры расходятся между источниками. Модель предназначена прежде всего как отправная точка для дальнейшей настройки поведения и персоны, а не для непосредственного использования в диалоге с пользователями. Дообучение на инструкциях длилось 0,42 эпохи; модель иногда продолжает реплику от имени другого участника и ненадёжно завершает ответы. Она принимает текст, рассчитана на английский язык и имеет контекст до 1 024 токенов. По README, модель уверенно выдумывает факты, слаба в арифметике и многошаговых рассуждениях, не имеет настройки безопасности и фильтрации контента. Лицензия — Apache-2.0.

NVIDIA OmniDreams — авторегрессионная генеративная модель мира для замкнутой симуляции автономного вождения. Она дообучена на базе NVIDIA Cosmos-Predict2.5-2B и использует архитектуру Diffusion Transformer с 2 млрд параметров. Модель генерирует фотореалистичные видеонаблюдения автомобильных камер с учётом начального кадра, состояния мира в симуляторе, действий политики вождения и текстового описания условий. Она предназначена для интерактивного тестирования политик автономного вождения в симуляции; описанная версия Omniverse-Dreams-v1-2B генерирует вид передней камеры. Вход и выход имеют разрешение 704 × 1280. Модель разработана NVIDIA в составе семейства Cosmos и интегрируется с политиками Alpamayo и средой симуляции AlpaSim. Модель ориентирована на системы с ускорением NVIDIA GPU; в карточке указаны Linux, PyTorch и поддержка NVIDIA Blackwell и Hopper. Сгенерированные видео могут содержать временные несогласованности, нестабильное движение камеры и объектов, неточное представление пространства и физики. Результаты симуляции требуют проверки и не предназначены для непосредственного применения в автомобиле. Использование регулируется NVIDIA Open Model License Agreement; карточка заявляет о коммерческом и некоммерческом использовании.

OpenMoE-34B-200B — исследовательский чекпойнт языковой модели семейства OpenMoE, разработанной студенческой командой, в которую входят Fuzhao Xue, Zian Zheng и соавторы. Это промежуточная модель Mixture-of-Experts на архитектуре LLaMA с 34 млрд параметров по карточке проекта; метаданные репозитория указывают 5,6 млрд параметров, 8 MoE-слоёв и 32 эксперта описаны в README для этой версии семейства. Чекпойнт обучен на 200 млрд токенов и предназначен прежде всего для изучения обучения и архитектуры MoE, а не для практического применения. Модель выполняет генерацию текста и принимает текстовые запросы. Контекст составляет 2048 токенов; README не уточняет целевые языки. По словам разработчиков, вычислительная нагрузка сопоставима с 7B-моделью LLaMA, однако производительность этого промежуточного чекпойнта может быть недостаточной для прикладного использования. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

OTel-LLM-3B-IT — англоязычная языковая модель для телекоммуникаций, разработанная в рамках открытой инициативы OTel Family of Models. Она создана полнопараметрическим дообучением Mistral-3-3B на наборе OTel-LLM: специализированных примерах, подготовленных на основе телекоммуникационных стандартов, исследований и отраслевых материалов. Архитектура — плотная Mistral 3, размер — 3 млрд параметров; модель принимает текст и генерирует текст. Модель предназначена для генерации ответов на вопросы по извлечённым телекоммуникационным документам в RAG-системах. В приведённой оценке на отложенной части OTel-LLM точность ответов с опорой на контекст составила 64,4% против 56,9% у базовой модели; этот результат не является независимой внешней оценкой. Модель не оптимизирована для ответов без предоставленного контекста, а качество зависит от поиска, ранжирования и промпта. Выпуск распространяется по лицензии Apache-2.0; также требуется учитывать лицензию или условия базовой модели.

yujiepan/phi-3.5-tiny-random — компактная модель генерации текста, созданная для отладки и тестирования Transformers. Она случайно инициализирована на основе конфигурации microsoft/Phi-3.5-mini-instruct, но существенно уменьшена: содержит около 518,1 тыс. параметров, два скрытых слоя, размер скрытого представления 16 и четыре attention-головы. Модель поддерживает контекст длиной до 4096 токенов и работает через библиотеку Transformers. Модель предназначена для проверки загрузки, конфигурации и инференса каузальных языковых моделей, а также для быстрых экспериментов и отладки кода без использования полноразмерной модели Phi-3.5. Она может генерировать текст по заданному префиксу, но случайная инициализация означает отсутствие приобретённых языковых знаний и практической способности качественно следовать инструкциям. Модель не подходит для продуктивной генерации, диалогов, ответов на вопросы или оценки качества Phi-3.5. В предоставленных данных сведения о лицензии и поддерживаемых естественных языках отсутствуют.

Это обученный агент poca для игры SoccerTwos, опубликованный пользователем ethanbnsm. Модель создана с помощью Unity ML-Agents и предназначена для управления агентом в среде футбольной игры SoccerTwos с использованием обучения с подкреплением. Репозиторий содержит модель в формате ONNX; карточка также описывает просмотр игры агента в браузере и возможность продолжить обучение через ML-Agents.

Это обученный агент poca для игры SoccerTwos, опубликованный mustafataha5. Модель создана с использованием библиотеки Unity ML-Agents и предназначена для управления агентом в этой игровой среде с помощью обучения с подкреплением. Репозиторий содержит модель в формате ONNX; её можно использовать для запуска агента в SoccerTwos или продолжения обучения через ML-Agents.

Это обученный агент poca для игры SoccerTwos, опубликованный пользователем jason1i. Модель создана с помощью библиотеки Unity ML-Agents и сохранена в формате ONNX. Она предназначена для управления игровым агентом в SoccerTwos и может использоваться для просмотра игры или продолжения обучения через ML-Agents.

POLAR-7B-Base — предварительно обученная скалярная модель вознаграждения, разработанная командой InternLM. Она использует парадигму Policy Discriminative Learning для оценки того, насколько кандидатная траектория согласуется с заданной эталонной траекторией. Модель предназначена для дообучения под конкретные предпочтения и сценарии обучения с подкреплением; в отличие от готовой к применению POLAR-7B, этот чекпойнт не прошёл финальную настройку на общих данных предпочтений. Модель основана на плотной архитектуре InternLM2 и содержит 7,4 млрд параметров. Она принимает запрос, эталонный ответ и оцениваемый ответ, а выдаёт оценку вознаграждения. Указанная длина контекста — 262 144 токена. В метаданных отмечены английский и китайский языки. Модель доступна в формате PyTorch по лицензии Apache-2.0. POLAR рассчитана на построение сигналов вознаграждения для траекторий LLM и последующее применение в reinforcement fine-tuning. Для оценки требуется эталонная траектория; модель не является универсальным генератором ответов и для немедленного использования с общими предпочтениями карточка рекомендует отдельный чекпойнт POLAR-7B. README сообщает о хорошей обобщающей способности и снижении reward hacking, но не приводит здесь количественных оценок для данного базового чекпойнта.

PoolFormer M48 SAIL ImageNet-1k — модель компьютерного зрения семейства PoolFormer и архитектуры MetaFormer, опубликованная авторами статьи MetaFormer Is Actually What You Need for Vision. Она предназначена для классификации изображений, а также может служить визуальной основой для извлечения карт признаков и эмбеддингов. Модель обучена на ImageNet-1k и рассчитана на изображения размером 224 × 224 пикселя. Модель содержит 73,5 млн параметров и выполняет 11,6 GMACs на изображение. Репозиторий включает веса PyTorch и SafeTensors; библиотека для работы с моделью — timm. Лицензия — Apache-2.0. Карточка описывает классификацию и извлечение признаков, но не сообщает о специальных областях применения или поддержке иных модальностей.

biacaca/ppo-Huggy — обученный агент PPO для игры Huggy, созданный с использованием библиотеки Unity ML-Agents. Модель предназначена для запуска агента в среде Huggy, наблюдения за его поведением и продолжения обучения через ML-Agents. Репозиторий содержит модель в формате ONNX. Агент принимает состояние игровой среды и выдаёт действия для управления персонажем; README не описывает детали наблюдений или конкретный набор действий. Лицензия в предоставленных данных не указана.

bmistry4/ppo-Huggy — обученный агент Proximal Policy Optimization (PPO) для игры Huggy в среде Unity ML-Agents. Модель предназначена для управления игровым агентом и может использоваться для просмотра его поведения в браузере или продолжения обучения через ML-Agents. В репозитории доступна модель в формате ONNX; карточка связывает её с библиотекой ml-agents. Конкретные размер модели, входы среды и условия лицензии в предоставленных данных не описаны.

Это обученная с помощью Unity ML-Agents модель агента PPO, предназначенная для игры Huggy. Она использует обучение с подкреплением и сохранена в формате ONNX; агент может запускаться в среде Huggy, а обучение можно продолжить средствами ML-Agents. Модель подходит для просмотра игры обученного агента и экспериментов с обучением с подкреплением в Unity. README не описывает размер модели, пространство наблюдений и действий или конкретную версию среды. Лицензия в предоставленных данных не указана.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, созданная для игры Huggy с использованием библиотеки Unity ML-Agents. Она предназначена для управления агентом в игровом окружении: модель получает состояние среды и выбирает действия, а её поведение можно просматривать в совместимом браузерном просмотрщике ML-Agents. Репозиторий содержит модель в формате ONNX; обучение можно продолжить через ML-Agents. Лицензия в предоставленных данных не указана.

Это обученная модель агента PPO, опубликованная Tejas-Anvekar для игры SnowballTarget с использованием Unity ML-Agents. Она предназначена для управления игровым агентом в этой среде и может запускаться для наблюдения за его игрой; веса доступны в формате ONNX. Карточка также указывает на возможность продолжить обучение через ML-Agents. Входы и действия агента зависят от наблюдений и интерфейса среды SnowballTarget. Условия лицензии в предоставленных данных не описаны.

Модель oopere/pruned60-llama-3.2-1B разработана Pere Martra и представляет собой структурно прореженную версию Meta Llama 3.2 1B. В слоях MLP удалено 60% нейронов по оценкам важности на основе максимальных абсолютных значений весов; число параметров сокращено примерно с 1,24 млрд до 752,6 млн. Модель реализована как плотная авторегрессионная LlamaForCausalLM и распространяется в формате Safetensors. Для неё заявлено контекстное окно до 131 072 токенов. Это базовая заготовка для последующего дообучения под прикладные задачи, особенно когда важны снижение требований к памяти и вычислениям. README не рекомендует использовать её напрямую: результаты показывают сохранение части качества на простых задачах бинарной классификации, но сильное падение на рассуждениях, понимании длинных зависимостей и языковом моделировании. Модель унаследовала многоязычность исходной Llama 3.2 1B; конкретные поддерживаемые языки не перечислены. Лицензия — Llama 3.2, с условиями Meta для этого семейства моделей.