II.2Создание и понимание программного кода

Ternary-Bonsai-2-27B-gguf-dev — экспериментальная GGUF-версия модели Bonsai 2 27B, разработанная PrismML. Она предназначена для генерации текста и тестирования низкобитного квантования, ядер вычислений и интеграции изменений в llama.cpp. В качестве базовой модели указана Qwen/Qwen3.8-27B. Модель использует архитектуру qwen35, упаковку Q2_0 и 2-битное представление весов; сведения о поддерживаемых языках, размере контекста и дополнительных модальностях не приведены. Для корректной работы требуется форк llama.cpp от PrismML с поддержкой специального преобразования активаций. Стандартная версия llama.cpp может загрузить файл, но будет генерировать бессмысленный текст без предупреждения, поэтому сборка предназначена главным образом для тестирования и разработки, а не для обычного использования. Для практического применения рекомендуются отдельные сборки Ternary-Bonsai-2-27B-gguf или Ternary-Bonsai-2-27B-mlx-2bit для Apple Silicon. Модель распространяется по лицензии Apache-2.0.

Tiny Qwen2ForSequenceClassification — минимальная модель семейства Qwen2, разработанная командой trl-internal-testing для модульных тестов библиотеки TRL. Она предназначена для классификации последовательностей и может загружаться через Transformers как AutoModelForSequenceClassification; в тестах TRL также используется как компактная reward- и value-модель. Модель содержит около 2,4 млн параметров, использует архитектуру Qwen2 с классификационной головой и поддерживает контекст до 32 768 токенов. Это текстовая модель для библиотеки Transformers, рассчитанная прежде всего на быстрые тесты и проверку интеграций, а не на прикладное качество классификации. В карточке модели лицензия не указана.

katuni4ka/tiny-random-baichuan2-13b — небольшая тестовая модель семейства Baichuan2, опубликованная пользователем katuni4ka на Hugging Face. Она предназначена для генерации текста и совместима с библиотекой Transformers с использованием пользовательского кода модели. По названию и размеру это уменьшенная модель со случайно инициализированными весами, а не полноценная предобученная версия Baichuan2-13B.

trl-internal-testing/tiny-random-LlamaForCausalLM — небольшая тестовая авторегрессионная языковая модель семейства Llama, опубликованная в пространстве trl-internal-testing на Hugging Face. Она предназначена прежде всего для проверки и разработки интеграций, загрузки и выполнения text-generation через библиотеку Transformers, а не для полноценных прикладных сценариев или продуктивного использования.

DivyaTejaVenkat/trading-llama-3.1-8b-nse — дообученная разговорная языковая модель семейства Llama 3.1, разработанная DivyaTejaVenkat на основе unsloth/meta-llama-3.1-8b-instruct-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и распространяется в формате safetensors. Максимальная длина контекста — 131072 токена. Модель предназначена для генерации текста в диалоге; название указывает на тематику торговли и NSE, однако README не описывает конкретные торговые сценарии или качество на профильных задачах. Поддерживается английский язык. В метаданных отмечены возможности чата и интерфейс вызова инструментов, но подробности их реализации в карточке не раскрыты. Модель распространяется по лицензии Apache-2.0. Результаты по торговым задачам и ограничения в этой области в карточке не приведены; выводы модели не следует считать подтверждёнными финансовыми рекомендациями.

TripMatch AI Embedding Model — текстовый энкодер, подготовленный для проекта TripMatch AI на основе sentence-transformers/paraphrase-MiniLM-L3-v2. Он преобразует запросы и описания поездок в нормализованные 384-мерные векторы, которые можно сравнивать по косинусному сходству для семантического поиска и ранжирования вариантов путешествий. Модель построена на архитектуре BERT, содержит 18,8 млн параметров и рассчитана на контекст до 512 токенов. Модель предназначена для поиска поездок в каталоге и сопоставления текстовых запросов с планами путешествий; проект также учитывает структурированные ограничения, например длительность и маршрут. Вычисления проводились на каталоге из 10 000 синтетических англоязычных планов поездок. По описанию проекта, компактный вариант MiniLM-L3 выбран с учётом совместимости результатов и скорости работы на CPU. Результаты оценки относятся только к этому проекту и не подтверждают удовлетворённость путешественников. Данные синтетические и могут быть географически несбалансированы; оценка сходства не подтверждает безопасность, реализуемость, актуальную доступность или стоимость поездки. Лицензия — Apache-2.0.

Lauriane Mbagdjé Dorenan разработала эту модель на базе Vision Transformer ViT-Base с патчами 16×16, дообучив google/vit-base-patch16-224 для классификации изображений кожи по 22 дерматологическим категориям, включая акне, экзему, псориаз, витилиго, бородавки и рак кожи. Модель принимает изображения размером 224×224 и выдаёт класс заболевания. В метаданных указаны архитектура ViTForImageClassification и 113,2 млн параметров; README приводит оценку около 86 млн параметров. Модель предназначена для исследований в компьютерном зрении и дерматологии, обучения и сравнения методов многоклассовой классификации. Её можно использовать как основу для дальнейшего дообучения или прототипов объяснимости, но предсказания не подходят для постановки диагноза или выбора лечения. Разработчик указывает риски смещения по тону кожи, освещению и устройству съёмки, ограниченность примеров некоторых классов и отсутствие клинической валидации. Лицензия — Apache-2.0; README ограничивает назначение исследовательскими и образовательными сценариями.

mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b — небольшая языковая модель, опубликованная как экспорт OpenWALDO. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста в диалоговом формате; размер составляет 819,6 тыс. параметров, контекст — 512 токенов. Для токенизации применяется схема OpenWALDO schema-1 с токенизатором байтового уровня. Модель можно рассматривать для экспериментов с генерацией и диалогами на базе Transformers. Карточка указывает формат safetensors. Для загрузки токенизатора требуется включить trust_remote_code=True. Лицензия и поддерживаемые естественные языки в предоставленных данных не обозначены.

Карточка модели mdagosta/waldito-smoke-v1-r0002-u1-mdagosta на Hugging Face совпадает с карточкой mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b, поэтому описание составлено по ней. mdagosta/waldito-smoke-v1-r0000-all-mdagosta-b — небольшая языковая модель, опубликованная как экспорт OpenWALDO. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста в диалоговом формате; размер составляет 819,6 тыс. параметров, контекст — 512 токенов. Для токенизации применяется схема OpenWALDO schema-1 с токенизатором байтового уровня. Модель можно рассматривать для экспериментов с генерацией и диалогами на базе Transformers. Карточка указывает формат safetensors. Для загрузки токенизатора требуется включить trust_remote_code=True. Лицензия и поддерживаемые естественные языки в предоставленных данных не обозначены.

Это модуль Dilated ControlNet для модели Wan2.1, предназначенный для управления генерацией или преобразованием видео по HED-картам границ. Вариант рассчитан на Wan2.1 14B: в ControlNet используется 6 блоков, а параметр stride равен 4. Модуль служит дополнительным управляющим компонентом для видеоконвейера Wan2.1 и содержит меньше базовых блоков, чем стандартный ControlNet. Репозиторий предоставляет код модуля; подробные инструкции по его применению и оценка качества в карточке не приведены. Лицензия — Apache-2.0.

gpjt/1xrtx3090-moe-1 — авторская базовая языковая модель Giles Thomas, обученная с нуля на основе GPT-2-подобной архитектуры из книги Sebastian Raschka «Build a Large Language Model (from Scratch)». Модель предназначена для генерации текста и экспериментов с архитектурой Mixture-of-Experts (MoE), а не для надёжного решения сложных прикладных задач. Модель содержит 446,410,752 параметра, из которых 219,697,152 активны на токен; в каждом из 12 слоёв есть шесть экспертов, два из которых используются одновременно. Размерность эмбеддингов — 768, контекст — 1 024 токена, механизм внимания использует 12 голов. Модель обучена на 8,928,264,192 токенах набора gpjt/fineweb-gpt2-tokens. Для запуска README приводит пример использования Transformers pipeline с trust_remote_code=True. Лицензия — Apache 2.0. Это компактная экспериментальная модель для изучения и дальнейшего развития GPT-2-подобной MoE-архитектуры. Автор предупреждает, что модель слабо осведомлена о фактах и обладает ограниченными возможностями; её не следует выбирать для серьёзных задач, требующих точности или широких знаний.

Это пример модели диффузии безусловной генерации изображений, подготовленный для второго раздела учебного курса по диффузионным моделям. В карточке приведён пример запуска через DDPMPipeline из библиотеки Diffusers: модель создаёт изображение без текстового запроса. Название репозитория указывает на дообучение на CelebA-HQ для генерации бабочек в течение двух эпох, однако README не описывает результаты или характеристики этого обучения. Модель распространяется в форматах Diffusers и safetensors по лицензии MIT. Размер модели, разрешение изображений и качество генерации в доступных сведениях не указаны.

EmanHassan26/ddpm-celebahq-finetuned-cartoon — модель безусловной генерации изображений на основе DDPM, опубликованная для задания Unit 2 курса по диффузионным моделям. Пример использования загружает её через DDPMPipeline библиотеки Diffusers и генерирует изображение без текстового запроса. Название репозитория указывает на дообучение на CelebA-HQ для создания изображений в мультяшном стиле, однако README не описывает эту настройку подробно. Модель распространяется в формате Diffusers с весами Safetensors по лицензии MIT. Она принимает случайный шум и выдаёт изображение; сведения о размере, разрешении и качестве генерации в карточке отсутствуют.

Depth-Anything-V2-Metric-Outdoor-Small-hf — модель оценки абсолютной глубины для уличных сцен, созданная как дообученная версия Depth Anything V2 и опубликованная командой Depth Anything. Она предсказывает для каждого участка изображения метрическую глубину и предназначена, в частности, для оценки расстояний на фотографиях и кадрах уличных сцен. Модель использует архитектуру DPT с backbone DINOv2; вариант Small содержит 24,8 млн параметров. Обучение для метрической оценки глубины использовало синтетические данные Virtual KITTI 2; базовая Depth Anything V2 обучалась на синтетических размеченных и реальных неразмеченных изображениях. Чекпойнт совместим с библиотекой Transformers и сохранён в формате safetensors. Модель принимает изображения и выдаёт карту глубины. Она рассчитана на уличные сцены, поэтому точность на помещениях и условиях, отличающихся от обучающих данных, не гарантируется. Лицензия в предоставленных данных не указана.

DRAW 2 — модель компьютерного зрения, разработанная HichTala для обнаружения карт Yu-Gi-Oh! на изображениях, в том числе в кадрах дуэлей. Она предназначена для поиска карт в трансляциях и записях: обнаруженные карты можно показывать в реальном времени с помощью плагина для OBS. Модель также можно использовать отдельно через Python и Transformers. В основе лежит Vision Transformer ViT, дообученный на наборе данных HichTala/ygoprodeck-dataset; в метаданных указано 113,2 млн параметров. Репозиторий содержит веса Safetensors и формат ONNX. Автор отмечает улучшение точности и устойчивости по сравнению с предыдущей версией и пригодность для дуэльных изображений. Лицензия — GNU AGPL v3.0.

DreamVAE — декодер вариационного автокодировщика (VAE), созданный как дистиллированная замена декодера Oobleck в ACE-Step 1.5. Он принимает латентные представления формы [B, 64, T] и восстанавливает из них стереозвук формы [B, 2, 1920*T] с частотой 48 кГц; для работы его следует сочетать со штатным энкодером ACE-Step. Модель содержит 51,7 млн параметров и доступна в форматах safetensors и ONNX. Модель предназначена для быстрого декодирования музыкальных латентов и восстановления аудио в конвейерах генерации музыки. В тестах на 20 музыкальных фрагментах дополнительное ухудшение SNR относительно исходного декодера составило 0,24 дБ. По данным README, связка DreamVAE с TensorRT FP16 декодировала 60 секунд аудио за 37,2 мс на RTX 5090; это результат конкретной конфигурации оборудования и бенчмарка. DreamVAE обучалась дистилляцией на 8 000 треках FMA Small; опубликованный чекпойнт соответствует шагу 635 000. Лицензия — Apache 2.0. Оценка качества ограничена сигналовыми метриками на реконструкции VAE: субъективные тесты и проверка полного конвейера генерации не проводились. Поддержка других вариантов ширины и эффект дополнительной квантизации также не оценивались.

DWARF-v2 55M Base — базовая авторегрессионная языковая модель MariusNocturnum с 59,8 млн параметров, предназначенная для генерации текста и исследований разреженных моделей последовательностей. Это модель без инструкционной настройки и диалогового обучения; она продолжает входной текст, а не выступает готовым чат-ассистентом. Архитектура DWARF-v2 — плотная причинная языковая модель с 10 слоями, скрытым размером 512 и контекстом до 2 048 токенов. В гибридной схеме FA@L3 используются девять блоков разреженного DSQG offset attention и один блок глобального причинного внимания SDPA на слое 3. Модель обучена на производном от Dolma 3 Mix наборе данных и использует токенизатор OLMo1 Base ChatML на 50 282 токена; карточка указывает поддержку английского языка. Репозиторий содержит веса safetensors и реализацию инференса для Transformers. Модель рассчитана на эксперименты и анализ архитектуры; качество базовой модели ограничено, а генерация может быть неточной, небезопасной, предвзятой или выдуманной. Первая версия поддерживает только непаддированные последовательности: длина промпта вместе с генерацией не должна превышать 2 048 токенов. Лицензия — Apache-2.0.

emotion_classification_2 — дообученная модель Vision Transformer для классификации изображений. Она основана на google/vit-base-patch16-224-in21k, содержит 113,2 млн параметров и распространяется в формате PyTorch. В README указана оценка accuracy 0,5188 на тестовой выборке; набор классов и подробности данных не описаны. Модель предназначена для отнесения изображений к категориям эмоций. Её можно применять как отправную точку для экспериментов с распознаванием эмоций по изображениям, однако указанная точность ограничивает надёжность результатов. Лицензия — Apache-2.0.

jploski/falcon-mini-shakespeare — экспериментальная компактная языковая модель, обученная с нуля на тексте Tiny Shakespeare. Её конфигурация и код адаптированы из tiiuae/falcon-7b, а параметры уменьшены; архитектура RefinedWebModel с причинно-языковой головой, размер — 10,4 млн параметров. Модель предназначена для генерации текста и отладки порта Falcon в GGML. Обучение на одном небольшом корпусе Shakespeare ограничивает её применимость: она не рассчитана на универсальный диалог или широкий круг языковых задач. Лицензия — Apache 2.0.

FFNet-78S — модель семантической сегментации изображений, разработанная Qualcomm и оптимизированная для устройств на базе Qualcomm. Она анализирует уличные сцены и присваивает каждому пикселю один из 19 классов, включая дорогу, тротуар и пешеходов. Модель обучена на наборе данных Cityscapes и предназначена для задач компьютерного зрения на мобильных, периферийных и других совместимых устройствах. Модель принимает изображения размером 2048×1024, содержит 27,5 млн параметров и имеет размер около 105 МБ в формате float либо 26,7 МБ в квантованном формате w8a8. Доступны предварительно экспортированные варианты ONNX, QNN_DLC и TFLITE, рассчитанные на использование с Qualcomm AI Runtime и Qualcomm NPU. Для ONNX заявлены варианты с плавающей точностью и w8a8; также поддерживается экспорт с пользовательскими весами, формами входа и конфигурациями целевого устройства. К сильным сторонам относятся специализированная оптимизация под аппаратное ускорение Qualcomm, поддержка квантованной версии с меньшим размером и высокой скоростью инференса, а также готовые артефакты для развертывания. Ограничение модели — узкая специализация на семантической сегментации уличных сцен и классах Cityscapes; сведения о качестве на других типах изображений и языковых возможностях неприменимы. Модель распространяется по лицензии BSD 3-Clause.

dousery/functiongemma-mobile-actions — компактная текстовая модель, дообученная автором dousery на базе unsloth/functiongemma-270m-it для преобразования команд пользователя в вызовы функций мобильных действий. Она предназначена для сценариев управления календарём, электронной почтой, контактами, картами, Wi‑Fi и фонариком; обучение выполнено методом SFT с LoRA на наборе google/mobile-actions, после чего адаптер объединён с весами. Модель имеет плотную архитектуру Gemma 3 Text, около 257 млн параметров и контекст до 32 768 токенов. Поддерживает английский язык и опубликована в формате safetensors по лицензии Apache-2.0. Модель подходит для прототипов и специализированных помощников, которые интерпретируют мобильные команды и формируют структурированные вызовы функций. Обучение карточки описано как короткое — 100 шагов, поэтому надёжность на командах вне мобильных действий не подтверждена. В README также отмечены возможные колебания формата даты и более низкая скорость на CPU.

C12H18/gats-coldstart-sft-qwen2.5-7b-sciworld — исследовательский чекпойнт, созданный в рамках коллекции cold-start для статьи GATS о дистилляции с учётом возможностей агента. Это плотная авторегрессионная модель Qwen2.5 на 7,1 млрд параметров, дообученная методом supervised fine-tuning на успешных траекториях учителя Qwen2.5-1.5B, предварительно обученного с GRPO на задачах SciWorld. Обучающий корпус содержит 5 419 многоходовых строк по 155 задачам; контрольная точка — global_step_507. Валидация до RL показала 28,1% на использованной авторами схеме оценки. Модель предназначена для исследований стратегий холодного старта агентного обучения с подкреплением и воспроизведения базовых результатов GATS, а не для универсального диалогового помощника. Она генерирует текст в формате чата, использует библиотеку Transformers и поддерживает контекст до 32 768 токенов. Веса сохранены в float32; авторы указывают, что для инференса их можно привести к bfloat16. Доступна по лицензии Apache-2.0.

Kasper-Bankler/Gemma 4 E2B Alignment Study — экспериментальная текстовая модель на основе google/gemma-4-E2B-it, созданная автором карточки для изучения механизмов выравнивания LLM. Метод Arbitrary-Rank Ablation в фреймворке Heretic применён к матрицам модели, чтобы выделить и ослабить направление отказа без дообучения на альтернативных данных. Автор выбрал вариант Trial 71 с KL-дивергенцией 0,165, стремясь изменить поведение отказов и сохранить основные способности модели. Модель предназначена для академического изучения Representation Engineering и анализа влияния механизмов отказа на ответы, рассуждения и техническую лексику. Это плотная модель семейства Gemma 4 с примерно 2 млрд параметров по названию базовой модели; поддерживает диалог на английском и генерирует текст. В репозитории есть веса Safetensors и GGUF; README описывает GGUF как f16-квантованный вариант. Автор предупреждает, что защитные ограничения намеренно ослаблены, поэтому модель может выдавать опасный, оскорбительный или откровенный контент. Она склонна к семантическому дрейфу и галлюцинациям, особенно за пределами основных знаний, и не подходит для медицинских, юридических или финансовых советов. Лицензия — Apache-2.0.

yujiepan/gemma-4-e-tiny-random — отладочная миниатюрная модель, созданная на основе конфигурации Google Gemma 4 E4B IT. Архитектура реализована как Gemma4ForConditionalGeneration и поддерживает мультимодальные входы: текст, изображения, аудио и видео; модель предназначена для работы через библиотеку Transformers и процессор AutoProcessor. Размер файла весов составляет около 9,5 МБ. Модель инициализирована случайными значениями и предназначена для отладки конфигурации, процессора и программного конвейера, а не для получения содержательных ответов. Она может использоваться для проверки интеграции мультимодальных входов, генерации и обработки шаблонов диалога. Из-за случайной инициализации модель не обладает практическими возможностями исходной Gemma 4 и не подходит для продуктивного распознавания, анализа или генерации контента. Лицензия в доступных данных не указана.

GLM-5.2 MTP — черновая модель предсказания нескольких токенов, подготовленная Inferencer Labs из MTP-слоёв GLM-5.2 от Z.ai. Она предназначена для совместного использования с GLM-5.2-MLX в режиме speculative decoding: вспомогательная модель предлагает продолжения, чтобы ускорить генерацию основной модели. Это не самостоятельная модель для диалога или генерации изображений. Репозиторий использует библиотеку MLX и формат safetensors; карточка сообщает о тестировании на Mac с M3 Ultra и 512 ГБ памяти. Для квантованного варианта Q4 заявлена более высокая пропускная способность и меньший расход памяти без потери качества относительно базового MTP. Лицензия в предоставленных данных не описана; автор карточки указывает, что модель создана третьими сторонами.

GLM-5.3-0.6B-A0.4B — уменьшенная экспериментальная версия GLM-5.3, созданная для тестирования и разработки. Модель основана на zai-org/GLM-5.3 и сохраняет архитектуру glm_moe_dsa: сочетает плотные и разреженные MoE-слои, Multi-head Latent Attention и DeepSeek Sparse Attention. Веса имеют формат bfloat16; модель содержит около 0,62 млрд параметров, из которых активируется примерно 0,43 млрд. Число слоёв и размеры модели сокращены, а веса случайно инициализированы, затем дообучены на небольшом учебном текстовом наборе. Модель предназначена для экспериментов с загрузкой, генерацией текста и разработкой инструментов на базе архитектуры GLM-5.3; метаданные указывают поддержку диалогового режима и контекст до 1 048 576 токенов. Лицензия — MIT. Это тестовый чекпойнт, а не полноценная уменьшенная замена исходной модели: из-за случайной инициализации и малого объёма обучения качество и пригодность для практических задач ограничены. В чекпойнте отсутствует слой многотокенного предсказания исходной модели.

julien-c/hotdog-not-hotdog — классификатор изображений, автоматически созданный с помощью HuggingPics. Модель на архитектуре Vision Transformer (ViT) насчитывает 113,2 млн параметров и предназначена для различения изображений хот-догов и других изображений. Она принимает изображение и выдаёт метку класса. В репозитории доступны веса PyTorch и Core ML. Карточка не сообщает лицензию и подробности о данных обучения; README описывает проект HuggingPics и предлагает создавать с его помощью классификаторы для произвольных категорий.

HuggyTheDog — обученный агент Proximal Policy Optimization (PPO), созданный с помощью Unity ML-Agents для игры Huggy. Модель предназначена для управления игровым агентом и может использоваться для просмотра поведения или продолжения обучения в среде ML-Agents. Репозиторий содержит модель в формате ONNX; карточка также указывает библиотеку ml-agents.

Модель gpjt/jax-with-mha-bias-no-dropout разработал Giles Thomas на основе кода Sebastian Raschka. Это базовая авторегрессионная языковая модель, обученная с нуля на JAX и построенная на архитектуре трансформера в стиле GPT-2; веса опубликованы в формате safetensors, совместимом с PyTorch и Transformers. Модель содержит около 163 млн параметров, 12 слоёв, 12 голов многоголового внимания и контекст длиной 1 024 токена. Модель предназначена для генерации продолжений текста и экспериментов с компактными языковыми моделями, включая изучение и развитие GPT-2-подобной архитектуры. Она обучалась на токенизированных данных FineWeb. Автор предупреждает, что модель слабо справляется со знанием фактов и сложными задачами, поэтому не подходит для серьёзного практического применения. Лицензия — Apache-2.0.

kimi-k2.6-eagle3-mla — черновая модель Eagle3 MTP от LightSeek для ускорения инференса базовой модели Moonshot AI Kimi-K2.6 методом speculative decoding. Она используется вместе с основной моделью в совместимых движках инференса, включая vLLM и SGLang, и сама по себе не предназначена для обычного диалога или самостоятельной генерации ответов. Модель обучена с TorchSpec; в README указано продолжение обучения с чекпойнта kimi-k2.5-eagle3-mla. В метаданных указаны 1,8 млрд параметров, архитектура Eagle3DeepseekV2ForCausalLM и контекст 262 144 токена. Вариант с Multi-Latent Attention рассчитан на согласованную работу с MLA-архитектурой Kimi-K2.6 и уменьшение нагрузки на KV-кэш. Бенчмарки README измеряют длину принятого фрагмента при спекулятивном декодировании, а не качество ответов как самостоятельной модели. Для запуска README приводит требования NVIDIA GPU с CUDA 12.0+ и vLLM 0.20.0 или новее. Репозиторий содержит веса safetensors; лицензия в метаданных обозначена как other, поэтому условия использования следует сверить с лицензией базовой модели и файлами репозитория.