II.2Создание и понимание программного кода

Klyra-64M-Base — базовый чекпойнт семейства Klyra-64M, разработанного студентом направления информационной инженерии Политехнического института Джакарты. Это плотная авторегрессионная языковая модель с архитектурой декодера MiniMind-совместимого типа: 8 слоёв, размер скрытого состояния 768 и около 63,9 млн уникальных параметров при совместном использовании входных и выходных эмбеддингов. В метаданных указано 75,7 млн параметров в сериализованных весах. Модель обучена с нуля примерно на 1 млрд токенов датасета Ultra-FineWeb-L1; длина последовательности при обучении составляла 512 токенов. Чекпойнт предназначен для продолжения предобучения, экспериментов с обучением представлений и токенизаторами, а также изучения процесса обучения Klyra. Он не проходил инструкционную настройку, поэтому не рассчитан на надёжное выполнение пользовательских инструкций или готовый диалоговый помощник. Модель работает с текстом и ориентирована на английский язык. Опубликована в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

CompVis/ldm-celebahq-256 — модель Latent Diffusion Models от CompVis для безусловной генерации изображений разрешением 256×256. Она использует диффузионный процесс в латентном пространстве предварительно обученного автоэнкодера, что снижает вычислительные затраты по сравнению с диффузией непосредственно в пикселях. Модель распространяется в форматах Diffusers и PyTorch и запускается через Diffusers. Чекпойнт предназначен для генерации изображений лиц CelebA-HQ без текстового запроса. Лицензия — Apache-2.0. Карточка описывает семейство LDM и его более широкие возможности управления генерацией, но для этого конкретного чекпойнта указана безусловная генерация.

LFM2.5-230M-Chess — компактная языковая модель для игры в шахматы, опубликованная mlabonne и дообученная на базе LiquidAI/LFM2.5-230M-Base с использованием дистилляции Stockfish. Это плотная авторегрессионная модель класса Lfm2ForCausalLM с 222,2 млн параметров, рассчитанная на работу через Transformers; контекст составляет до 128 000 токенов, хотя шахматная позиция подаётся ей в фиксированном 80-токенном промпте. Модель сначала оценивает вероятность победы, затем предсказывает ход. Каждый возможный ход представлен отдельным токеном; приложение должно ограничивать выбор легальными ходами. По данным карточки, с неглубоким поиском глубины 3 она достигает примерно 2004 Elo, а при одном проходе без поиска — около 1500 Elo. Подходит для шахматного движка с языковым интерфейсом и демонстрационных приложений. Репозиторий содержит веса Safetensors и имеет лицензию `other`; конкретные условия лицензии следует проверить в карточке модели. Для корректной игры требуется внешняя логика, которая передаёт позицию и маскирует нелегальные ходы.

YOLO26m, дообученная Ultralytics на наборе LISA Traffic Lights, — модель компьютерного зрения для обнаружения светофоров и определения состояния их сигналов на изображениях и видеокадрах. Она предназначена для экспериментов и сравнительной оценки детекторов в сценариях автономного вождения и систем помощи водителю. Модель использует архитектуру YOLO26m; файлы репозитория представлены в формате PyTorch. Лицензия — AGPL-3.0. На тестовой части LISA Traffic Lights модель показала mAP@50 29,08%, mAP@50-95 13,68%, точность 43,79% и полноту 29,71%. Она распознаёт классы go, goForward, goLeft, stop, stopLeft, warning и warningLeft. Результаты для редких классов со стрелками заметно слабее; особенно низкие показатели приведены для goForward и goLeft. Обучение и оценка проводились на дневных и ночных дорожных последовательностях из Сан-Диего. Похожие соседние кадры могли попасть в одну выборку, поэтому показатели теста могут завышать качество на новых сценах. Перенос на другие типы светофоров, дорожные условия и камеры не проверялся; небольшие и удалённые светофоры обнаруживать труднее.

Экспериментальная дообученная модель проекта dLLM Registers на базе GSAI-ML/LLaDA-8B-Base. Это базовая линия с обучаемыми слотами памяти для диффузионной языковой модели: четыре непрерывных слота в начале последовательности передают информацию между чанками, а вспомогательная цель обучения учит их восстанавливать предыдущий завершённый чанк. Модель рассчитана на исследования ограниченного состояния рассуждений и передачи контекста между частями текста; в карточке приведён результат проверки на 200 примерах GSM8K: 106 из 200 для режима переноса памяти и 86 из 200 для сброса. Модель использует плотную архитектуру LLaDA с классом LLaDAModelLM и содержит 8 млрд параметров согласно базовой модели. Обучение проводилось на смеси из 60 тысяч примеров OpenMathInstruct-2 и OpenCodeInstruct с чанками длиной 128 токенов и максимум восемью чанками. Метаданные указывают генерацию текста и английский язык. Репозиторий содержит веса safetensors и использует библиотеку Transformers; лицензия — Apache-2.0. В README для загрузки указаны trust_remote_code=True. Результат GSM8K относится к небольшому набору проверки, поэтому не характеризует качество на широком круге задач.

yujiepan/llama-3.2-vision-tiny-random — отладочная мультимодальная модель, созданная сообществом на основе конфигурации Meta Llama 3.2 90B Vision Instruct, но с существенно уменьшенной архитектурой. Модель реализована в Transformers через MllamaForConditionalGeneration и поддерживает обработку изображений вместе с текстовыми запросами для генерации текста. Модель имеет случайно инициализированные веса и не предназначена для прикладного использования, качественного диалога, описания изображений или других продуктивных задач. В конфигурации используются уменьшенные текстовый и визуальный компоненты: скрытый размер 8, два слоя и малое число голов внимания. Основное назначение — отладка, тестирование совместимости архитектуры, процессора и кода генерации на компактной модели. Для работы требуется библиотека Transformers и соответствующий процессор Mllama. Лицензия в предоставленных данных не указана; условия лицензирования исходной модели Meta автоматически не определяют лицензию этого репозитория.

Экспериментальный чекпойнт LoopedLM от IFM для генерации текста, выпущенный в рамках работы «Towards Looped Models Done Right. Part I: Topology, Input Injection, Recurrent-State Organization». Это вариант плотной архитектуры с внедрением входа в середине сети, основанный на архитектуре Huginn. Чекпойнт соответствует 336 млрд обработанных токенов и шагу оптимизатора 80 000; обучение продолжалось до промежуточной точки общего расписания, рассчитанного на 500 млрд токенов. Модель предназначена для исследовательской оценки рецепта обучения и архитектурных решений в работе. Веса сохранены в BF16 Safetensors в нативном формате xLLM и требуют загрузчика xLLM, CUDA GPU и FlashAttention 3; стандартный загрузчик Transformers не подходит. В репозитории есть токенизатор и манифест файлов, но нет состояния оптимизатора и загрузчика данных, поэтому продолжить обучение с этого чекпойнта без исходного тренировочного состояния нельзя. Лицензия — Apache-2.0.

Экспериментальный контрольный чекпойнт IFM из работы «Towards Looped Models Done Right. Part I: Topology, Input Injection, Recurrent-State Organization». Он создан по рецепту moe_ff112 и сохранён на этапе обучения после обработки 500 млрд токенов; архитектура указана как transformer с MoE feedforward control. Модель предназначена для генерации текста и оценки экспериментального рецепта в рамках протокола статьи. Веса BF16 хранятся в Safetensors в нативном формате xLLM. Для загрузки требуется код xLLM, CUDA GPU и FlashAttention 3; стандартный загрузчик Hugging Face Transformers не подходит. Лицензия Apache-2.0. Данные о числе параметров, контексте и поддерживаемых естественных языках в доступных сведениях отсутствуют.

huginn-l-fixed-pln5 — экспериментальный чекпойнт семейства LoopedLM от IFM, опубликованный для эксперимента из работы «Towards Looped Models Done Right. Part II: Rethinking at Fixed Points». Это авторегрессионная модель генерации текста на архитектуре Transformer с повторяющимися блоками: один блок prelude, два рекуррентных блока и один блок coda; размер модели — около 2,49 млрд параметров. В описании также указаны ширина 6144, 96 голов внимания, включая 24 KV-головы, и FFN SwiGLU размером 17408. Чекпойнт предназначен для оценки и воспроизведения экспериментов статьи. Веса доступны в BF16 Safetensors с конфигурацией xLLM; для загрузки требуется код xLLM и его специализированный загрузчик, поэтому стандартный AutoModel.from_pretrained из Transformers не подходит. Репозиторий распространяется по лицензии Apache-2.0.

IFM/LoopedLM-P2-huginn-l-fixed-r5 — чекпойнт петлевой языковой модели, опубликованный IFM для эксперимента из работы «Towards Looped Models Done Right. Part II: Rethinking at Fixed Points». Это Transformer с одним входным блоком, двумя рекуррентными блоками и одним выходным блоком; размер — около 2,49 млрд параметров. Модель принимает текст и предназначена для генерации текста и оценки в рамках эксперимента по рекуррентным языковым моделям. Архитектура включает ширину 6144, 96 голов внимания (24 KV-головы), блок SwiGLU FFN шириной 17408 и диагональный ввод данных. Веса представлены в BF16 Safetensors во внутреннем формате xLLM. Для загрузки требуется код xLLM; стандартный интерфейс Hugging Face Transformers `AutoModel.from_pretrained` не подходит. Лицензия — Apache-2.0. README указывает сценарий оценки по данным релиза работы; отдельных сведений о поддерживаемых естественных языках и длине контекста нет.

huginn-s-fixed-pln5 — экспериментальный чекпойнт looped Transformer от IFM, опубликованный для работы Towards Looped Models Done Right. Part II: Rethinking at Fixed Points. Вариант соответствует строке Table 2, S, Fixed PLN-5. Модель содержит 303 579 648 параметров, включая эмбеддинги и выходные слои; архитектура включает один prelude-блок, два рекуррентных блока и один coda-блок. Ширина модели — 1 536, используется 24 головы внимания, из них 6 KV-голов, и FFN SwiGLU шириной 4 352; входная инъекция диагональная. Чекпойнт предназначен для оценки модели в экспериментальной работе. Для загрузки требуется код xLLM и его загрузчик артефактов: это BF16 Safetensors в нативном формате xLLM, а не совместимый с Transformers чекпойнт. Доступна одна задача — генерация текста. Лицензия Apache-2.0.

Mini-K3-1H-kda-kernel-1-v2 — текстовая предобученная модель семейства Mini-K3, созданная как исследовательский чекпойнт для контролируемого сравнения 20 вариантов архитектуры. Это decoder-only MoE-модель примерно с 1,017 млрд логических параметров, из которых активируется около 353 млн на токен; в метаданных указано 385,9 млн параметров. Архитектура сочетает слои KDA и Gated MLA, блоки Attention Residuals и Stable LatentMoE. Модель реализована на PyTorch, веса опубликованы в формате safetensors, максимальный контекст составляет 131 072 токена. Чекпойнт обучен на 16 млрд целевых токенов с последовательностями длиной 8 192 токена. Это только предобучение: последующего обучения для следования инструкциям не проводилось, а оценка на прикладных задачах ещё не выполнена. Поэтому модель предназначена прежде всего для исследований предобучения и сравнения архитектур, а не для роли готового чат-ассистента. README не указывает лицензию весов; исходные наборы данных сохраняют собственные лицензии и условия использования.

MioCodec 25Hz/24kHz — кодек аудио для запуска в RLX, опубликованный eugenehp как staging-копия весов upstream-модели с декодером ONNX. Репозиторий предназначен для использования в составе RLX runners через пакет rlx-miotts; README указывает частоту кадров 25 Гц и аудиосэмплирование 24 кГц. В репозитории есть веса Safetensors, декодер ONNX и файл GGUF в формате F16. Модель принимает аудио и относится к задаче audio-to-audio; по имеющимся сведениям, она рассчитана на кодирование и декодирование аудио в сценариях RLX. README предупреждает, что репозиторий является staging-перепубликацией и не должен использоваться как основной runtime pack. Лицензия репозитория — MIT.

SanjiWatsuki/neural-chat-7b-v3-3-wizardmath-dare-me — экспериментальная объединённая модель на базе Mistral, созданная путём смешивания методов слияния DARE TIES и task arithmetic для переноса навыков между дообученными моделями. В эксперименте использованы WizardMath и Intel neural-chat; параметры объединены в формат safetensors. Модель предназначена для генерации текста, включая проверку того, можно ли переносить математические навыки WizardMath в другую дообученную модель таким способом. Модель содержит 7,1 млрд параметров и имеет контекстное окно до 32 768 токенов. Автор README сообщает, что выбранная стратегия существенно ухудшила качество модели, поэтому результат следует рассматривать как неудачный эксперимент со слиянием, а не как надёжную модель для практического применения. Лицензия репозитория указана как other; README сообщает о Microsoft Research License для WizardMath и Apache 2.0 для Intel neural-chat.

OPTML-Group выпустила экспериментальный вариант Meta-Llama-3-8B-Instruct, дообученный для удаления знаний из набора WMDP-Bio. В модели применён метод NPO с оптимизацией Sharpness-Aware Minimization (SAM); работа описана в статье «Towards LLM Unlearning Resilient to Relearning Attacks: A Sharpness-Aware Minimization Perspective and Beyond». Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров и контекстом до 8192 токенов, предназначенная для генерации текста и диалогов на английском языке. Модель представляет исследовательский интерес для изучения машинного забывания и устойчивости к атакам на восстановление удалённых знаний, в частности в биологической части WMDP. Она загружается через Transformers, веса хранятся в формате safetensors. Лицензия — MIT.

MikeLee000 выпустил китайскую разговорную модель OLMo3, дообученную полным SFT на базе MikeLee000/olmo3-190m-zh-full-continue. Это плотная авторегрессионная модель с архитектурой Olmo3ForCausalLM и примерно 150 млн параметров по метаданным (в README указано около 187 млн); контекстное окно составляет 4096 токенов. Модель принимает сообщения в формате чата и генерирует текст на китайском языке. Модель предназначена для учебных демонстраций диалоговой генерации, а также для простых задач вроде стихотворений и программных советов. В README описано обучение на 903 496 примерах за одну эпоху; карточка также указывает Apache-2.0. В небольшом наборе пробных ответов встречались повторы, циклические определения и фактические ошибки, поэтому модель не подходит для важных решений и не является надёжным универсальным помощником.

Модель david heineman opd-teacher-Q2.5I-Disinfection-step149 — экспериментальный учительский чекпойнт на базе Qwen2.5-1.5B-Instruct, разработанный David Heineman. Она обучалась методом GRPO с использованием RLVE в среде Disinfection на уровне сложности 0 и предназначена для эксперимента по on-policy-дистилляции в 32 средах. Это плотная авторегрессионная языковая модель с 1,5 млрд параметров и контекстом до 32 768 токенов; веса представлены в формате safetensors для Transformers. Модель принимает текст и генерирует текст, поддерживает диалоговый интерфейс и интерфейс вызова инструментов; в карточке указан английский язык. Чекпойнт отражает 150 обновлений обучения и является финальным индексом step149 в этом запуске. Он подходит для исследований дистилляции политики и экспериментов в среде Disinfection, но карточка не приводит результатов оценки качества или подтверждений пригодности для общего применения. Лицензия — Apache 2.0, унаследованная от базовой модели.

tiny-random/phi-moe — небольшая экспериментальная языковая модель для генерации текста, созданная на основе конфигурации microsoft/Phi-tiny-MoE-instruct. README не указывает автора или организацию, разработавшую репозиторий. Модель предназначена прежде всего для отладки и проверки совместимости кода, а не для практического использования в качестве качественного генератора текста. Модель поддерживает pipeline text-generation и библиотеку Transformers. Это причинная decoder-only модель с архитектурой Mixture of Experts (MoE): 2 слоя, 8 локальных экспертов, выбор 2 экспертов для каждого токена, размер скрытого состояния 64 и около 2,1 млн параметров. Максимальная длина контекста составляет 4096 токенов. Веса модели случайно инициализированы, поэтому она не обладает приобретёнными языковыми знаниями и может использоваться только для отладки, тестирования загрузки и экспериментов с архитектурой. Лицензия в предоставленных данных не указана. Из-за случайной инициализации модель не подходит для содержательной генерации, диалогов, готовых приложений или оценки качества языковых моделей.

Это обученная модель агента poca для игры SoccerTwos, опубликованная пользователем michal512 и созданная с помощью библиотеки Unity ML-Agents. Модель сохранена в формате ONNX и предназначена для запуска игрового агента в среде SoccerTwos, а также для продолжения обучения через ML-Agents. Модель можно использовать, чтобы наблюдать за игрой агента в браузерном просмотрщике ML-Agents или возобновить её обучение. Карточка не сообщает размер модели, поддерживаемые языки и условия лицензии.

Это обученный агент poca, созданный с помощью библиотеки Unity ML-Agents и предназначенный для игры в SoccerTwos. Модель можно использовать в среде SoccerTwos для запуска агента или продолжения его обучения средствами ML-Agents. В репозитории представлены веса в формате ONNX. Карточка описывает игровую задачу и способ применения, но не приводит сведения о размере модели, контексте или лицензии.

Это обученная модель агента poca для игры SoccerTwos, созданная с использованием библиотеки Unity ML-Agents. Она предназначена для запуска агента в среде SoccerTwos, просмотра его игры и продолжения обучения. Модель распространяется в формате ONNX. Карточка предлагает использовать ML-Agents для возобновления обучения и просмотра поведения агента в браузере. Данных о лицензии, языковой поддержке и специальных ограничениях в предоставленных источниках нет.

Это обученная модель агента poca от автора репозитория miki030 для игры SoccerTwos в среде Unity ML-Agents. Она предназначена для управления игровым агентом и может использоваться для просмотра игры или продолжения обучения через ML-Agents. Модель опубликована в формате ONNX и предназначена для сценариев обучения с подкреплением в SoccerTwos.

Это модель классификации изображений покемонов, разработанная imzynoxprince. Она основана на Vision Transformer (ViT) google/vit-base-patch16-224 и дообучена для распознавания 1027 классов: покемонов поколений 1–9 и двух эксклюзивных событийных вариантов Poketwo. Модель предназначена для определения покемона на изображении, в том числе на изображениях появления из игры Poketwo, и может использоваться в Discord-ботах и игровых приложениях. Модель содержит 113,2 млн параметров и распространяется в формате safetensors; для запуска предусмотрена библиотека Transformers. В README заявлены точность выше 95% и время инференса около 40–80 мс на изображение, но методика измерений не приведена. Лицензия — Apache-2.0.

Это обученная модель агента PPO для игры Huggy, опубликованная пользователем ck711. Модель создана с использованием библиотеки Unity ML-Agents и предназначена для управления игровым агентом в среде Huggy с помощью обучения с подкреплением. Репозиторий содержит модель в формате ONNX; её можно использовать для просмотра поведения агента в браузере через поддерживаемую среду или продолжить обучение с помощью ML-Agents.

Это обученный с помощью Unity ML-Agents агент на основе PPO, предназначенный для игры Huggy. Модель можно использовать для запуска агента в совместимой среде ML-Agents и просмотра его поведения в игре; также README описывает возможность продолжить обучение.

Модель ppo-Huggy — обученный методом PPO агент для игры Huggy, созданный с использованием библиотеки Unity ML-Agents. Она предназначена для управления игровым агентом в соответствующей среде и может использоваться для запуска игры или продолжения обучения через ML-Agents. В репозитории указан формат ONNX. Лицензия в предоставленных данных не указана.

jhanschoo/ppo-Huggy — обученный с помощью алгоритма PPO агент для игры Huggy. Модель создана с использованием Unity ML-Agents и предназначена для управления игровым агентом в соответствующей среде. Репозиторий содержит модель в формате ONNX, которую можно использовать для запуска агента и продолжения обучения через ML-Agents.

Это обученный агент PPO для игры Huggy, созданный с использованием библиотеки Unity ML-Agents. Модель предназначена для управления игровым агентом в среде Huggy: её можно запустить для просмотра игры или использовать как основу для продолжения обучения. В репозитории представлены веса в формате ONNX. Модель принимает наблюдения игровой среды и выдаёт действия агента; конкретные состав и размерность наблюдений в карточке не описаны. Карточка не указывает лицензию и языковые возможности.

Это обученная модель PPO-агента, созданная для игры Huggy в среде Unity ML-Agents. Модель предназначена для управления агентом в игровом окружении; её можно запускать для просмотра игры и использовать как основу для продолжения обучения через ML-Agents. Репозиторий содержит модель в формате ONNX.

Lpremier/ppo-Huggy — обученный агент Proximal Policy Optimization (PPO) для игры Huggy, созданный с использованием библиотеки Unity ML-Agents. Модель предназначена для управления агентом в игровом окружении: она получает наблюдения среды и выбирает действия, чтобы играть в Huggy. В репозитории представлен формат ONNX; для запуска и продолжения обучения используется ML-Agents.