II.2Создание и понимание программного кода

Pythia-70M-deduped — англоязычная авторегрессионная языковая модель EleutherAI на архитектуре GPT-NeoX, предназначенная прежде всего для научного изучения поведения и ограничений больших языковых моделей, включая исследования интерпретируемости. Модель содержит 50,9 млн параметров и принимает текст, продолжая его предсказанием следующих токенов; максимальный контекст составляет 2048 токенов. Она обучена на дедуплицированной версии набора The Pile и доступна в форматах PyTorch и Safetensors. Модель и набор промежуточных контрольных точек дают возможность проводить контролируемые эксперименты с обучением и анализировать генерацию текста. Хотя её можно дообучить для других применений, базовая версия не настроена на выполнение инструкций или диалог с пользователем и не предназначена для развёртывания в пользовательских продуктах. Лицензия — Apache 2.0.

python-bytes-distilgpt2 — языковая модель на архитектуре GPT-2, созданная дообучением distilgpt2 на заметках к выпускам подкаста Python Bytes. Она генерирует текст в форме беседы ведущих Майкла Кеннеди и Брайана Оккена; иногда в диалоге появляются гости. Модель рассчитана на учебные и экспериментальные сценарии, связанные с генерацией разговоров о Python и содержании подкаста. Модель принимает текстовый запрос и продолжает его текстом. Указаны результаты оценки на тестовом наборе: loss 3,0372 и accuracy 0,3969. Контекст составляет 1024 токена. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0. Модель не связана с подкастом Python Bytes и предназначена для использования в образовательных целях.

tiny-random/qwen2.5-omni — небольшая случайно инициализированная модель для отладки, созданная на основе конфигурации Qwen/Qwen2.5-Omni-7B командой, поддерживающей семейство Qwen. Модель реализует мультимодальную архитектуру Qwen2.5-Omni в библиотеке Transformers и предназначена для сценариев any-to-any: принимает текст, изображения, аудио и видео, а также генерирует текст и речь. Основное назначение модели — тестирование загрузки, обработки мультимодальных входов и генерации в программных пайплайнах Transformers, а не решение прикладных пользовательских задач. Архитектура включает компоненты для аудио, текста, зрения и преобразования токенов в речь; конфигурация существенно уменьшена по сравнению с исходной 7B-моделью. Модель случайно инициализирована, поэтому не предназначена для получения осмысленных или качественных результатов. Лицензия в предоставленных данных не указана.

Карточка модели huluhuluu/qwen3-1.7b-eagle3-k2-sw256-sharegpt-epoch2-step65000 на Hugging Face совпадает с карточкой huluhuluu/qwen3-1p7b-eagle3-k2-sw256-sharegpt-epoch-2-step-65000, поэтому описание составлено по ней. Это компактная черновая модель EAGLE3 для ускорения генерации текста методом speculative decoding с целевой моделью Qwen/Qwen3-1.7B. Чекпойнт обучен SpecForge методом EAGLE3 online training на данных ShareGPT; указаны эпоха 2 и шаг 65 000. Архитектура — LlamaForCausalLMEagle3, размер — 411,8 млн параметров, формат весов — safetensors, родной контекст — 40 960 токенов. Модель предназначена для использования в совместимом со SpecForge/EAGLE3 коде как draft-модель, предлагающая продолжения для проверки целевой моделью. Она не является самостоятельной языковой моделью и не предназначена для прямого диалогового применения. Метаданные указывают английский и китайский языки; лицензия обозначена как other. Карточка не приводит результатов бенчмарков.

Карточка модели huluhuluu/qwen3-1.7b-eagle3-sharegpt-sw512-epoch8-step415000 на Hugging Face совпадает с карточкой huluhuluu/qwen3-1p7b-eagle3-sharegpt-sw512-epoch-8-step-415000, поэтому описание составлено по ней. Это производная модель Huluhuluu: черновой чекпойнт EAGLE3 для Qwen/Qwen3-1.7B, обученный методом SpecForge EAGLE3 online training. Он предназначен для ускорения генерации текста с помощью speculative decoding: черновая модель предлагает продолжения, которые проверяет основная модель Qwen3-1.7B. Чекпойнт не является самостоятельной целевой языковой моделью. Модель имеет плотную архитектуру LlamaForCausalLMEagle3 и содержит 361,5 млн параметров. Указанное родное окно контекста — 40 960 токенов. Веса сохранены в safetensors; конфигурация README указывает bfloat16. Для загрузки нужны основная модель Qwen3-1.7B и совместимый код SpecForge/EAGLE3. Карточка не приводит результатов бенчмарков. Лицензия обозначена как other, поэтому условия следует проверять в репозитории.

Карточка модели huluhuluu/qwen3-1.7b-eagle3-sharegpt-sw768-epoch9-step455000 на Hugging Face совпадает с карточкой huluhuluu/qwen3-1p7b-eagle3-sharegpt-sw768-epoch-9-step-455000, поэтому описание составлено по ней. Это дообученная черновая модель EAGLE3 для спекулятивного декодирования с Qwen/Qwen3-1.7B. Чекпойнт создан методом онлайн-обучения SpecForge EAGLE3 на данных ShareGPT; архитектура — LlamaForCausalLMEagle3, размер — 361,5 млн параметров, тип данных — bfloat16. Модель принимает текст и предсказывает черновые продолжения для целевой модели, помогая ускорить генерацию текста. Чекпойнт рассчитан на загрузку совместимым кодом SpecForge/EAGLE3 и не является самостоятельной языковой моделью. Для работы целевая модель предоставляет замороженные веса эмбеддингов, отсутствующие в этом репозитории. Карточка не приводит результатов бенчмарков. Контекст составляет до 40 960 токенов; указаны английский и китайский языки. Лицензия обозначена как other.

Карточка модели HYU-NLP-EVAL/qwen3-1.7b-rar-medicine-static-r0-step-003 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-040 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.

Anbeeld/Qwen3.5-27B-DFlash-GGUF — это набор GGUF-квантизаций черновой модели DFlash для Qwen3.5-27B. Модель разработана совместно Z-Lab и Modal, а репозиторий подготовлен Anbeeld. Она предназначена для использования вместе с основной моделью Qwen/Qwen3.5-27B в системах speculative decoding и не является самостоятельной языковой моделью. DFlash использует облегчённую архитектуру block diffusion, которая предлагает несколько токенов параллельно, после чего целевая модель проверяет их. Черновая модель обучалась на последовательностях длиной 40 000 токенов и использует sliding-window attention для улучшения работы с длинным контекстом. Модель ориентирована на генерацию текста и сценарии серверного инференса; поддержка конкретных языков в README не указана. Основное преимущество — ускорение генерации при сохранении распределения выходов целевой модели: в приведённых тестах на одной NVIDIA B200 ускорение достигало 6,20 раза при concurrency 1 и 3,01 раза при concurrency 32. Реальная производительность зависит от целевой модели, настроек block size, оборудования и сервера инференса. Ограничение — необходимость совместного запуска с Qwen3.5-27B и использования ПО с поддержкой DFlash, например SGLang; GGUF-вариант предназначен для BeeLlama.cpp. В метаданных указана лицензия Apache-2.0.

aday777/qwen3_5_tiny_fixture — тестовый текстовый чекпойнт со случайной инициализацией, созданный для проверки схемы и загрузки архитектуры Qwen3.5. Он сохраняет имена полей конфигурации базовой Qwen/Qwen3.8-27B, но содержит лишь 172 736 параметров и сокращённый набор тензоров; это не обученная модель и она не предназначена для генерации качественных ответов. Чекпойнт подходит для тестирования разбора конфигураций, сопоставления имён весов и загрузки safetensors, в том числе путей, связанных с гибридной схемой внимания и MTP/next-n. Фактически включены только текстовые тензоры: энкодер изображений и проектор отсутствуют, линейно-внимательные тензоры базовой модели не включены, а для выходной головы и токенизатора нужны внешние компоненты. В метаданных указана лицензия Apache 2.0.

Qwen3.6-27B-DFlash — черновая модель для ускорения генерации текста методом speculative decoding DFlash. Её разработали как компонент drafter, который строит параллельные черновики блоками с помощью лёгкой модели диффузии. Для работы модель необходимо использовать вместе с целевой моделью Qwen/Qwen3.6-27B. В метаданных указаны архитектура DFlashDraftModel семейства Qwen3, 2,9 млрд параметров и контекстное окно до 262 144 токенов. Модель предназначена для ускорения инференса, а не для самостоятельного использования как обычная генеративная модель. README сообщает, что обучение ещё продолжается, поддержка движками инференса может быть неполной из-за архитектурных изменений, а результаты бенчмарков не приведены. Лицензия — MIT.

tiny-random/qwen3.6-moe — небольшая модель, случайно инициализированная по конфигурации Qwen/Qwen3.6-35B-A3B и предназначенная для отладки интеграций. Она реализована в Transformers и использует архитектуру Qwen3_5MoeForConditionalGeneration с текстовой MoE-частью и визуальным энкодером, поэтому поддерживает сценарии преобразования изображения и текста в текст. Модель содержит четыре текстовых слоя, уменьшенные размеры скрытых представлений и двухслойный визуальный блок; размер файла model.safetensors составляет около 12,3 МБ. README демонстрирует использование через vLLM, SGLang и Transformers, включая multi-token prediction, reasoning и tool-call parsers. Из-за случайной инициализации веса не обучены, поэтому модель не предназначена для качественной генерации, распознавания изображений или использования в продуктивных системах. Лицензия в предоставленных данных не указана; условия распространения следует уточнять отдельно.

TechPrototyper/Qwen3.8-27B-DFlash2-fp8-vllm — это FP8-квантизированная draft-модель DFlash 2 для ускорения спекулятивного декодирования модели Qwen/Qwen3.8-27B в сервере vLLM. Архитектура и исходные веса разработаны Inco AI на основе подхода DFlash от z-lab, а FP8-реквантизация и упаковка для vLLM выполнены авторами данного репозитория. Модель не является самостоятельной языковой моделью: она генерирует блоки кандидатов, после чего каждый токен проверяется целевой моделью. DFlash 2 использует блочно-диффузионный подход: предсказывает блок токенов за один проход, сохраняет наиболее вероятные варианты для каждой позиции и с помощью селектора выбирает согласованную последовательность. Динамические свёртки с двумя tap-компонентами уменьшают деградацию качества к концу блока. Проекционные веса transformer-компонентов квантизированы в FP8 E4M3 с симметричными статическими поканальными масштабами, активации используют динамическое FP8-масштабирование по токенам; отдельные свёрточные компоненты, селектор, выходная голова, нормализации и embeddings сохранены в более высокой точности. Размер весов составляет около 2,1 ГБ, размер блока — 8 токенов, из которых 7 предлагаются для проверки за шаг. Модель предназначена для запуска внутри vLLM с поддержкой DFlash speculative decoding и требует целевой модели Qwen3.8-27B, метода dflash и загрузки через compressed-tensors. Её сильная сторона — потенциальное ускорение генерации при сохранении распределения и корректности вывода, поскольку все предложенные токены проверяет целевая модель; точность квантизации влияет главным образом на длину принятых последовательностей и скорость. Ограничения заключаются в невозможности самостоятельного использования и зависимости от специальной версии vLLM. Языки и размер контекстного окна в README не указаны. Лицензия — Apache-2.0.

AndriLawrence разработал англоязычную донастройку Qwen2.5-3B-Instruct для диалогов игровых персонажей и VR-компаньонов. Модель принимает структурированный JSON с контекстом события, например сведениями об окружении, отношениях и настроении, и генерирует JSON с репликами персонажа, меткой намерения из заданного набора и микропланом действий. Её можно использовать как единый генератор или на первом этапе двухэтапной системы, где отдельная модель затем оформляет реплики в нужной персоне. Это плотная причинная языковая модель семейства Qwen2 с 3,1 млрд параметров и контекстом 32 768 токенов. Доступны PEFT LoRA-адаптер, объединённая версия FP16 и варианты GGUF; метаданные указывают библиотеку Transformers. Версия v2 описана как более стабильная в форматировании JSON, точнее согласующая метки намерений и последовательнее сохраняющая тон персонажа. Модель предназначена для англоязычных сценариев. Карточка указывает лицензию «other», но не раскрывает её условия, поэтому перед использованием следует проверить полную лицензию репозитория. Генерация структурированного JSON и соответствие намерения контексту зависят от промпта и входных данных.

Это преобразованная для библиотеки Transformers версия базовой модели Qwen3-TTS-12Hz-0.6B-Base. Репозиторий подготовлен для интеграционных тестов, пока поддержка модели проходит проверку; тензоры сохранены без изменений, а преобразование затронуло имена ключей и конфигурацию. Модель предназначена для синтеза речи по тексту и, согласно описанию базовой модели, клонирования голоса по аудиопримеру. Архитектура — плотная Qwen3-TTS для условной генерации, размер базовой модели — 0,6 млрд параметров; файлы представлены в safetensors и bfloat16. Поддержка Transformers указана в карточке, лицензия — Apache-2.0. Это тестовый конвертированный чекпойнт, предназначенный для интеграционных тестов.

Xenova опубликовала вариант really-tiny-falcon-testing с весами ONNX для использования через Transformers.js. Это компактная причинная языковая модель семейства Falcon с 2,1 млн параметров и контекстом до 2048 токенов; репозиторий также содержит формат PyTorch. Модель предназначена прежде всего для генерации текста и запуска в веб-среде. Каталог отмечает также классификацию текста, классификацию токенов и ответы на вопросы как поддерживаемые задачи, однако README описывает только поставку ONNX-весов, а не проверенные сценарии этих задач. Модель основана на fxmarty/really-tiny-falcon-testing и указана как дообученная. Лицензия в предоставленных сведениях не указана.

RIFE 4.25 (MLX) — порт модели Practical-RIFE, подготовленный сообществом mlx-community для Apple MLX и устройств Apple Silicon. Модель предназначена для интерполяции кадров: она создаёт промежуточные кадры между изображениями или кадрами видео, позволяя повышать частоту кадров и сглаживать движение. Поддерживается интерполяция в произвольный момент времени между парой кадров и увеличение частоты кадров в несколько раз. Модель использует архитектуру IFNet с пятью блоками IFBlock, работающими по схеме от грубого разрешения к точному. Веса преобразованы из официального RIFE 4.25 в формат safetensors с точностью fp32; размер весов составляет около 23 МБ. Для обработки видео предусмотрены масштабирование пирамиды для 4K и сохранение аудио. Лицензия — MIT. Порт рассчитан на Apple Silicon и MLX, а не на универсальный запуск в PyTorch: README указывает, что для инференса PyTorch не требуется. В README также приведено небольшое расхождение с PyTorch CPU fp32 при проверке полного IFNet; результаты могут зависеть от сценария и реализации.

safetune-testrun-unlearnsimdpo — диалоговая языковая модель, созданная на основе Qwen/Qwen2.5-1.5B-Instruct с помощью библиотеки SafeTune. Репозиторий описывает её как тестовый прогон метода unlearning с использованием SimDPO; архитектура — плотная Qwen2, число параметров — 1,5 млрд, контекст — до 32 768 токенов. Модель загружается через Transformers и предназначена для генерации текста в диалогах. Её можно применять для проверки поведения модели после unlearning и для экспериментальной генерации ответов. Карточка не описывает, какие знания или поведение удалялись, и не приводит оценок качества или безопасности. Лицензия в доступных данных не указана.

Это модель обнаружения объектов YOLOv8m, дообученная на наборе SeaDronesSee в рамках DetectionBench. Она предназначена для поиска людей в воде, лодок, гидроциклов, спасательных средств и буёв на изображениях, снятых с БПЛА над водной поверхностью, в том числе для сценариев морского поиска и спасения. Модель использует архитектуру Ultralytics YOLOv8 и распространяется в формате PyTorch; оценка на валидационной выборке SeaDronesSee включала mAP@50 62,08% и mAP@50–95 34,41%. Модель принимает изображения и выдаёт обнаруженные объекты с рамками и классами. Она лицензирована по AGPL-3.0. Качество ограничено дисбалансом классов и преобладанием мелких объектов; результаты измерены на валидационной выборке, поскольку разметка тестовой части не опубликована. Перенос на другие воздушные или морские условия не проверен.

Jrjy3/sonorus-omnivoice содержит только GGUF-вариант AudioVAE из VoxCPM2, предназначенный для использования в Sonorus и ветке voxcpm2-upscaler проекта omnivoice.cpp. Компонент преобразует нативный аудиовыход OmniVoice в аудио с частотой 48 кГц; саму языковую модель OmniVoice и её токенизаторы нужно получать отдельно. Файл объёмом около 188 МБ получен конвертацией официального чекпойнта audiovae.pth из openbmb/VoxCPM2 в GGUF F16. Репозиторий лицензирован по Apache-2.0. Это вспомогательный аудиокомпонент, а не самостоятельная модель для генерации речи из текста.

Jeesup/svd-safety-l2_basis_remove40 — исследовательский чекпойнт на базе диалоговой Llama 2 7B Chat от Meta. Модель с архитектурой LlamaForCausalLM сжата методом Basis Sharing: базисы совместно используются соседними слоями, что сокращает число параметров примерно на 40%. Затем чекпойнт восстановлен дообучением только коэффициентов LoRA, без изменения базисов и бюджета параметров; в репозитории веса хранятся в формате safetensors. Модель содержит 6,6 млрд параметров и поддерживает контекст до 4096 токенов. Чекпойнт создан для изучения влияния SVD-сжатия на безопасность и полезность ответов, а также сравнения способов восстановления защитного поведения. В README приведены результаты проверок на AdvBench, StrongREJECT и WildGuard. Это отдельный экспериментальный вариант из серии сравнений, а не универсальный чат-ассистент. Сжатие может ухудшать защитное поведение: измеренная доля успешных атак составила 0,3462 на AdvBench и 0,1597 на StrongREJECT; модель следует оценивать перед использованием. Лицензия — Llama 2 Community License (llama2), как указано в метаданных.

Это исследовательский чекпойнт диалоговой модели Llama 2 от Meta, сжатый методом SVD-LLM и созданный для изучения влияния сжатия на безопасность и полезность ответов. Веса основаны на meta-llama/Llama-2-7b-chat-hf; модель содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM, принимает текст и генерирует текст. Контекст составляет 4096 токенов. В чекпойнте удалено 40% параметров; восстановлено 0% компонентов SVD по правилу unknown. Модель предназначена для измерения компромисса между сжатием и поведением в задачах безопасности, а также для сравнения результатов с исходной Llama 2 Chat. README приводит показатели атак на AdvBench и StrongREJECT и долю чрезмерных отказов на WildGuard. Это экспериментальный объект, а не универсальный чат-ассистент; перед применением необходимо самостоятельно оценить безопасность и полезность. Используется лицензия Llama 2.

Экспериментальный чекпойнт Jeesup, полученный сжатием диалоговой модели meta-llama/Llama-2-7b-chat-hf методом SVD-LLM: удалено 39,02% параметров по правилу disc_iter. Это плотная модель семейства Llama на 6,6 млрд параметров с архитектурой LlamaForCausalLM, предназначенная для генерации текста и диалогов; заявленная длина контекста — 4096 токенов. Базовая модель ориентирована на общение на английском языке. Чекпойнт создан для исследования компромисса между сжатием, полезностью и безопасностью, а не для использования как готовый ассистент. В README приведены показатели успешности атак и чрезмерных отказов на нескольких бенчмарках безопасности. Сжатие само по себе повышает успешность атак, поэтому модель может хуже сопротивляться вредоносным запросам. Указана лицензия Llama 2.

Это экспериментальный исследовательский чекпойнт Jeesup на основе диалоговой Llama 2 7B Chat от Meta. Модель с архитектурой LlamaForCausalLM содержит 6,6 млрд параметров, принимает текст и генерирует текст; длина контекста — 4096 токенов. Веса сжаты методом SVD-LLM: удалено около 40% параметров, после чего выполнен один раунд итеративного параметрически нейтрального обмена компонентами по правилу disc_iter. Чекпойнт создан для изучения влияния сжатия на безопасность и полезность ответов и проверки способов восстановления поведения модели. В README приведены показатели атак на AdvBench и StrongREJECT, а также чрезмерных отказов по WildGuard. Отдельные варианты этой серии намеренно имеют сниженные показатели безопасности; данный чекпойнт следует рассматривать как экспериментальный объект, а не готового ассистента. Базовая модель ориентирована на общение на английском языке. Лицензия — Llama 2 Community License.

Это исследовательский чекпойнт на базе диалоговой Llama 2 от Meta, сжатый методом SVD-LLM. Из исходной модели удалено 40,02% параметров; затем восстановлены SVD-компоненты, выбранные правилом swapgap, с бюджетом 0,1% параметров. Чекпойнт содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текстовый ввод для генерации текста. Длина контекста — 4096 токенов. Модель создана для изучения того, как сжатие влияет на безопасность и полезность ответов и насколько восстановление отдельных компонентов помогает исправить эти изменения. В README приведены результаты оценки на AdvBench, StrongREJECT и WildGuard. Это один вариант в исследовательской сетке экспериментов, а не универсальный чат-ассистент. Сжатие может повышать успешность вредоносных запросов; отдельные варианты исследования намеренно уступают исходной модели по безопасности. Перед применением необходимо самостоятельно оценить поведение этого чекпойнта. Условия лицензии наследуются от Llama 2 и регулируются лицензией llama2.

Это экспериментальный текстовый диалоговый чекпойнт на архитектуре Llama-2, созданный в рамках исследования сжатия языковых моделей и сохранения их безопасного поведения. В основе лежит meta-llama/Llama-2-7b-chat-hf: модель сжали методом SVD-LLM примерно до половины исходного числа параметров, а затем провели четыре раунда перестановки параметров по правилу disc_iter. Размер модели — 6,6 млрд параметров, контекст — до 4096 токенов. Чекпойнт предназначен для измерения компромиссов между сжатием, полезностью и безопасностью, а также для сравнения стратегий восстановления поведения. В README приведены результаты тестов на AdvBench, StrongREJECT и WildGuard. Это исследовательский объект, а не универсальный чат-ассистент: авторы отмечают, что сжатие может повысить вероятность успешных вредоносных запросов и рекомендуют самостоятельно оценивать модель перед использованием. Лицензия — Llama 2.

Jeesup/svd-safety-l2_remove50_swapdisciter_r09 — экспериментальный чекпойнт диалоговой языковой модели, созданный на основе meta-llama/Llama-2-7b-chat-hf с применением сжатия SVD-LLM. Согласно карточке, удалено 50,01% параметров; в метаданных указаны архитектура LlamaForCausalLM, 6,6 млрд параметров, контекст 4096 токенов и формат safetensors. Модель предназначена для измерения компромисса между безопасностью и полезностью при сжатии, а также для проверки методов восстановления поведения. Она генерирует текст и поддерживает диалог; базовая модель ориентирована на общение на английском языке. Карточка приводит оценки успешности атак AdvBench и StrongREJECT и показатель чрезмерных отказов, однако результаты относятся к конкретным тестам. В README отмечено, что сжатие может ухудшать защиту от вредоносных запросов, а этот чекпойнт следует считать экспериментальным объектом, а не готовым ассистентом. Лицензия — Llama 2.

Это экспериментальный диалоговый чекпойнт на основе Meta Llama 2 7B Chat, сжатый методом SVD-LLM и дополнительно изменённый по правилу gap_iter. В этой версии удалено около 50% параметров исходной плотной модели; README указывает, что выполнено 3 из 10 раундов итеративной замены параметров. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM, принимает текст и рассчитана на контекст до 4096 токенов. Чекпойнт создан как часть исследования влияния сжатия на безопасность и полезность диалоговых моделей, в частности для измерения компромиссов и проверки способов восстановления безопасного поведения. Он поддерживает генерацию текста и диалог. README приводит показатели атак на безопасность и избыточных отказов; авторы предупреждают, что некоторые варианты в исследовательской сетке намеренно имеют сниженную безопасность и модель не предназначена для использования как универсальный ассистент. Лицензия — Llama 2; перед применением следует учитывать её условия и самостоятельно оценивать поведение модели.

Это экспериментальный чекпойнт на основе Meta Llama 3.1 8B Instruct, созданный в исследовании влияния сжатия на безопасность и полезность языковых моделей. Он предназначен для измерения того, как сжатие SVD и последующее редактирование параметров влияют на поведение модели, а не для использования в качестве универсального чат-ассистента. Веса сжаты методом SVD-LLM: удалено 20,02% параметров, после чего выполнено 9 из 10 раундов параметрически нейтрального обмена компонентами по правилу gap_iter. Размер модели по метаданным — 7,5 млрд параметров; архитектура — плотная LlamaForCausalLM, формат — safetensors, контекст — до 131 072 токенов. Модель принимает текст и генерирует текст; базовая модель поддерживает многоязычные диалоги и интерфейс вызова инструментов. В измерениях README указаны ASR 0,0000 на AdvBench, 0,0250 на StrongREJECT и макродоля чрезмерных отказов 0,4239 по WildGuard. Эти результаты относятся к конкретным оценочным наборам и не гарантируют аналогичного поведения в других сценариях. Модель является исследовательским артефактом; авторы рекомендуют оценивать её перед использованием. Лицензия — Llama 3.1.

Модель valadhi/swin-tiny-patch4-window7-224-finetuned-agrivision — дообученная версия Swin Transformer Tiny, разработанного Microsoft, для классификации изображений. Она предназначена для распознавания классов на изображениях из набора Agrivision; README сообщает точность 0,9203 и loss 0,3605 на оценочной выборке, но не приводит состав классов или подробности набора данных. Архитектура Swin использует оконное внимание; модель содержит около 33 млн параметров и опубликована в формате PyTorch. Лицензия — Apache-2.0. Карточка не уточняет языковую поддержку, поскольку модель принимает изображения и выдаёт метки классов.