II.2Создание и понимание программного кода

Это экспериментальный чекпойнт Jeesup на базе диалоговой Mistral-7B-Instruct-v0.2, созданный для изучения влияния сжатия SVD на безопасность и полезность языковых моделей. Веса сжаты методом SVD-LLM до 60,1% от плотной модели; затем восстановлены компоненты SVD с бюджетом 0,1%, отобранные по правилу disc. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Чекпойнт предназначен для исследовательского сравнения способов восстановления поведения после сжатия, включая измерение устойчивости к вредоносным запросам и склонности к чрезмерным отказам. В README приведены результаты на AdvBench, StrongREJECT и WildGuard. Это не универсальный чат-ассистент: авторы отмечают, что сжатие может ухудшать защитное поведение, поэтому модель следует рассматривать как экспериментальный объект, а не готовую к развертыванию систему. Лицензия — Apache-2.0.

T2MLR — языковая модель на 136,2 млн параметров, разработанная с нуля и обученная примерно на 51,5 млрд токенов набора FineWeb-Edu. Она предназначена для продолжения текста и экспериментов с архитектурой Transformer with Temporal Middle-Layer Recurrence, которая переносит рекуррентное состояние между позициями токенов через непрерывную группу средних слоёв. В основе архитектуры — подход SmolLM2: Llama-подобная структура с GQA, SwiGLU и RoPE; используется токенизатор SmolLM2 на 49 152 токена. Модель принимает текст и генерирует текст на английском языке. Это базовая модель без дообучения на инструкциях и выравнивания, поэтому она рассчитана на продолжение текста и исследование рекуррентной архитектуры, а не на надёжный диалоговый помощник. Для запуска требуется эталонная реализация T2MLR; при прямом вызове forward() необходимо передавать тензор control_flows. Лицензия — Apache-2.0.

seanmor5/tiny-llama-test — небольшая модель генерации текста, опубликованная пользователем seanmor5 на Hugging Face. В метаданных она помечена как Llama-модель и предназначена для задачи text-generation; на странице модели показана загрузка через Transformers как AutoModelForCausalLM. Модель содержит около 1 млн параметров и подходит для экспериментов с генерацией текста, тестирования совместимости инструментов и запуска компактной причинной языковой модели. Поддерживаемые языки, длина контекста, точная архитектура, обучающий корпус и лицензия в доступных источниках не описаны. Из-за малого размера модель, вероятно, ориентирована прежде всего на тестовые и исследовательские сценарии, а не на получение качества крупных производственных LLM. Карточка модели отсутствует, поэтому её фактические языковые способности и ограничения нельзя надёжно оценить.

Intel/tiny-random-distilgpt2 — небольшая каузальная языковая модель семейства GPT-2, опубликованная организацией Intel на Hugging Face. Модель предназначена для генерации текста и совместима с библиотекой Transformers и форматом Safetensors. Архитектура основана на GPT2LMHeadModel: 2 слоя, размер скрытого представления 64, 2 attention-heads и словарь из 50 257 токенов. В метаданных указаны 3,38 млн параметров, контекст до 1024 токенов и задача text-generation. Модель поддерживает текстовую модальность; сведения о поддерживаемых естественных языках отсутствуют. Из-за очень малого размера модель подходит прежде всего для тестирования пайплайнов, интеграций и совместимости, а не для получения качественных ответов или производственного использования. В карточке нет описания датасета, обучения, оценки качества или специализированных областей применения. Лицензия указана как неизвестная, поэтому условия использования перед применением необходимо уточнить.

hyper-accel/tiny-random-gpt_neox — небольшая модель генерации текста на архитектуре GPT-NeoX, опубликованная на Hugging Face и рассчитанная на использование с библиотекой Transformers. Модель содержит 24,1 млн параметров и поддерживает контекст длиной до 2048 токенов. Модель предназначена прежде всего для проверки интеграций, тестирования загрузки и запуска GPT-NeoX-моделей, а также экспериментов с генерацией текста. По названию tiny-random и отсутствию сведений о разработчике, обучающих данных и результатах оценки её не следует рассматривать как готовую модель для содержательной генерации или прикладных задач. Лицензия в доступных данных не указана.

hf-tiny-model-private/tiny-random-LayoutLMv3Model — небольшая тестовая модель семейства LayoutLMv3 из экосистемы Hugging Face, предназначенная для извлечения признаков из документов с учётом текста, изображений и пространственной разметки. Это базовая модель без специализированной головы для классификации, ответов на вопросы или разметки токенов. Модель имеет архитектуру LayoutLMv3, поддерживает контекст до 512 токенов и содержит около 64,4 тыс. параметров. Её основное назначение — проверка интеграции, совместимости и работы pipeline feature-extraction в Transformers, а также разработка и тестирование компонентов Document AI; размер и случайная инициализация делают её непредназначенной для качественного решения прикладных задач. Поддерживаемые естественные языки и условия лицензирования по доступным данным не установлены.

katuni4ka/tiny-random-qwen — компактная модель для генерации текста, опубликованная пользователем katuni4ka на Hugging Face. Репозиторий предоставляет реализацию Qwen через custom code и поддерживает загрузку в Transformers как AutoModelForCausalLM; также заявлена совместимость с vLLM и SGLang. Карточка модели отсутствует, поэтому сведения о разработчике ограничиваются авторством аккаунта katuni4ka. Архитектура указана как QWenLMHeadModel: 2 скрытых слоя, hidden size 64, 2 attention heads, intermediate size 334, словарь из 151936 токенов и максимальная позиционная длина 32768 токенов; параметров около 19,5 млн, формат хранения — Safetensors F32. Модель рассчитана только на текстовую генерацию; сведения о поддерживаемых языках, обучающих данных, качестве, специализированных сценариях и мультимодальности не указаны. Из-за очень малого размера она удобна для тестирования интеграций и разработки, но пригодность для содержательных прикладных задач не подтверждена. Лицензия в доступных материалах не указана.

allenai/tulu-v2.5-ppo-13b-uf-mean-70b-uf-rm-mixed-prompts-value — англоязычная модель оценки ответов, выпущенная Allen Institute for AI как value-модель на этапе PPO-обучения семейства Tulu V2.5. Она дообучена на основе allenai/tulu-v2.5-70b-uf-rm; карточка также указывает исходную настройку от meta-llama/Llama-2-13b-hf. Архитектура — плотная Llama для классификации токенов, размер — 68,7 млрд параметров, контекст — 4096 токенов. Модель предназначена для исследовательской работы с обучением по предпочтениям и может служить отправной точкой для экспериментов с PPO или улучшенного декодирования ответов выпущенных PPO-моделей Tulu. Она принимает англоязычный текст в формате, заданном шаблоном токенизатора, и выдаёт оценки в виде классификации токенов. Для запуска может потребоваться версия Transformers из исходного кода с поддержкой LlamaForTokenClassification. Лицензия — Apache 2.0.

litert-community выпустила LiteRT-версию модели U²-Net Portrait для преобразования фотографии лица в карту карандашного линейного рисунка. Модель построена на сверточной архитектуре U²-Net с блоками RSU, принимает RGB-изображение размером 512×512 и выдаёт одноканальную карту 512×512; для получения тёмных штрихов на белом фоне результат нормализуют и инвертируют. Размер файлов модели — 176 МБ, формат — TFLite, библиотека запуска — LiteRT. Модель предназначена для создания портретных скетчей и творческих или AR-фильтров на мобильных устройствах и других локальных устройствах. README сообщает о запуске на GPU через LiteRT CompiledModel без отката на CPU, а также приводит сценарии для Android и браузера. Качество лучше для центрированного лица; CPU-инференс может быть медленным и требовательным к памяти. Репозиторий распространяется по лицензии Apache-2.0.

ViT-Beatrix — набор Vision Transformer для классификации изображений, разработанный автором репозитория AbstractPhil. Модели сочетают фрактальное позиционное кодирование на основе Devil’s Staircase с геометрическими признаками симплексов; для инициализации симплексов используется SimplexFactory. В README описаны контрольные точки, обученные на CIFAR-100, включая варианты с размерностью эмбеддинга 512, глубиной 8 слоёв и размером патча 4×4. Модель предназначена для классификации изображений и экспериментов с геометрическими и многошкальными представлениями в Vision Transformer. В обучении используются адаптивное усиление аугментаций и дополнительные функции потерь для выравнивания потоков, иерархической согласованности и многошкальной согласованности. README приводит точность отдельных контрольных точек на CIFAR-100 в диапазоне примерно 0,54–0,58. Репозиторий распространяется под лицензией MIT. Указанные результаты относятся к CIFAR-100 и не подтверждают качество на других наборах данных или при переносе на иные сценарии. В README не приведены сведения о длине контекста или поддержке естественного языка; модель принимает изображения и выдаёт метки классов.

yujiepan/whisper-v3-tiny-random — экспериментальная модель для отладки, созданная на основе конфигурации OpenAI Whisper large-v3 и реализованная в библиотеке Transformers. Архитектура представляет собой уменьшенную speech-to-text Seq2Seq-модель Whisper с энкодером и декодером; в метаданных указано около 417 тысяч параметров. Модель предназначена для тестирования загрузки, инициализации, генерации и интеграции пайплайна automatic-speech-recognition, а не для качественной транскрипции аудио. Её веса случайно инициализированы, поэтому она может работать как технический объект для отладки, но не обладает практическими навыками распознавания речи. Лицензия в предоставленных данных не указана.

keremberke/yolov8s-valorant-detection — модель компьютерного зрения на архитектуре YOLOv8s, опубликованная пользователем keremberke и предназначенная для обнаружения объектов в кадрах игры Valorant. Она обучена распознавать четыре класса: противника, союзника, установленный Spike и выпавший Spike. Модель использует библиотеку Ultralytics и доступна в формате PyTorch. Модель подходит для анализа игровых скриншотов и видеокадров, например для поиска персонажей и Spike на изображении. Карточка приводит классы объектов и упоминает ultralyticsplus для использования, но не сообщает точный размер модели, метрики качества или условия лицензии.

ZDTaichu5.0-9B-DSpark-GGUF — это GGUF-версия вспомогательной draft-модели ZDTaichu5.0-9B-DSpark, разработанной командой Zi Dong Tai Chu и преобразованной с использованием llama.cpp. Модель предназначена не для самостоятельной генерации текста, а для speculative decoding: она работает в паре с основной моделью ZDTaichu5.0-9B и может ускорять генерацию. Поддерживаются английский и китайский языки; заявлены сценарии текстовой генерации, агентских задач и мультимодального понимания изображений при использовании совместимого vision-проектора. Архитектура использует полуаautoregressive DSpark с backbone DFlash и связанной Markov head, извлекает вспомогательные скрытые состояния из слоёв 1, 8, 15, 22 и 29 и предлагает по 8 токенов за один проход. Доступны варианты BF16, Q8_0, Q6_K, Q5_K_M, Q4_K_M и Q4_0 размером примерно от 1,51 до 4,40 ГБ. Контекст может быть увеличен до 131 072 токенов при наличии достаточного объёма памяти. Сильная сторона модели — потенциальное ускорение инференса основной модели; заявленный прирост до 60–85% относится к описанию разработчиков и не является независимым измерением этой конверсии. Главные ограничения — обязательная совместная работа с целевой моделью и llama.cpp с поддержкой DSpark, а также необходимость отдельного vision-проектора для изображений. Распространяется по лицензии Apache-2.0.

gpjt/8xa100m40-baseline — причинная языковая модель на базе архитектуры GPT-2, обученная с нуля Джайлсом Томасом на основе кода Себастьяна Рашки. Она предназначена для продолжения текста и экспериментов с компактными языковыми моделями. Модель содержит около 163 млн параметров, 12 слоёв и 12 голов внимания, размерность эмбеддингов 768; длина контекста — 1024 токена. Использует библиотеку Transformers и формат весов Safetensors. Модель обучена на токенизированном наборе gpjt/fineweb-gpt2-tokens примерно на 20 токенах на параметр. Автор предупреждает, что у неё ограниченные знания и невысокие способности, поэтому она подходит для учебных и исследовательских экспериментов, но не для серьёзных прикладных задач. Лицензия — Apache 2.0.

Aether-6B-11Attn-base — базовая языковая модель от VIDRAFT без инструкционного дообучения. Это экспериментальная MoE-архитектура для продолжения текста и исследований гибридных механизмов обработки последовательностей. В сети 121 слой и 11 типов механизмов внимания, линейной обработки, свёрток и моделей пространства состояний, распределённых по слоям в виде латинского квадрата. В карточке указано 5,79 млрд параметров, тогда как метаданные Hugging Face указывают 663,1 млн; размер параметров в источниках расходится. Контекст — 8192 токена; модель загружается через Transformers с пользовательским кодом и весами Safetensors. Репозиторий содержит промежуточный чекпойнт шага 174 000: предобучение ещё продолжается, а инструкционная версия заявлена отдельно. Модель предназначена прежде всего для экспериментов с архитектурой и продолжения текста, а не для готового диалогового ассистента. Для неё приводятся результаты perplexity на примерах английского и корейского текста, но они не заменяют независимую оценку качества. Лицензия — Apache-2.0. Обучающий код, рецепт данных, логи и промежуточные чекпойнты не опубликованы; для загрузки требуется trust_remote_code=True.

AnimeSeg — модель сегментации персонажей на изображениях в стиле аниме, представленная вместе с библиотекой anime_seg. В README описаны варианты на основе Mask2Former и DINOv2 с U-Net++ и дообучением LoRA, а также отдельный вариант удаления фона. Для основного варианта Mask2Former заявлена разметка на 12 классов; совместимый вариант DINOv2 возвращает 13 классов, включая класс «unknown». Метаданные указывают формат весов safetensors и библиотеку Transformers. Модель предназначена для выделения частей персонажа и фона на изображениях аниме. README рекомендует использовать вариант Mask2Former; DINOv2 оставлен для совместимости. Размер модели, поддерживаемые языки, конкретное базовое семейство и лицензия в предоставленных данных не описаны.

baloot-fan-v2 — специализированная модель компьютерного зрения проекта Hakim Vision (AIBaloot), созданная для обнаружения игральных карт в веерах с плотным перекрытием. Это дообученная YOLO11n с 33 классами: 32 карты саудовского балута (ранги A, K, Q, J, 10, 9, 8 и 7 во всех четырёх мастях) и класс other для рангов 2–6 и карт вне балута. Модель возвращает рамки объектов и рассчитана на изображения рук с картами при частичном перекрытии, тенях от пальцев и наклоне камеры. Входное разрешение при оценке — 704 × 704 пикселя. Доступны форматы ONNX и PyTorch; README описывает запуск ONNX в WebGPU, запасной вариант WASM INT8 на CPU и работу через PyTorch или ONNX Runtime. На отложенной выборке при разрешении 704 × 704 указаны precision 98,26%, recall 94,04% и mAP@50 98,72%. Модель предназначена для распознавания карт в приложениях и игровых сценариях саудовского балута; данных о поддержке других языков или типов изображений нет. Модель опубликована по лицензии MIT. Метрики приведены для указанной отложенной выборки, поэтому качество на иных камерах, условиях съёмки и раскладках может отличаться; карта «other» объединяет ранги 2–6 и не различает их между собой.

Ricardo-H/BehR-WorldModel-Textworld-Llama3.1-8B — дообученная плотная авторегрессионная языковая модель семейства Llama 3.1, созданная на базе X1AOX1A/WorldModel-Textworld-Llama3.1-8B. Принимая историю взаимодействий агента с текстовой средой и его следующее действие, она предсказывает следующее текстовое наблюдение. Это позволяет использовать её как симулятор TextWorld для развёртывания и оценки агентов. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст длиной до 131 072 токенов. Весы представлены в формате safetensors и предназначены для работы через Transformers. В статье модель оценивается в TextWorld по метрикам точного совпадения следующего шага, успешности заданий и согласованности поведения. Модель предназначена для исследований мировых моделей и симуляции агентов в текстовых средах. Проверена только на TextWorld: поведение за пределами этой среды не валидировано, а предсказания могут быть правдоподобными, но неверными, поэтому их не следует считать достоверными наблюдениями реальной среды. Карточка указывает лицензию как «other», без уточнения её условий.

Ricardo-H/BehR-WorldModel-Textworld-Qwen2.5-7B — дообученная модель Qwen2.5-7B, разработанная для моделирования текстовых миров TextWorld. По истории взаимодействий, доступной агенту, и его следующему действию модель генерирует прогноз следующего наблюдения среды, поэтому её можно использовать как текстовый симулятор для прогонов агента. Модель построена на плотной архитектуре Qwen2ForCausalLM и содержит 7,1 млрд параметров. Она работает с текстом, поддерживает контекст до 131 072 токенов и доступна в формате safetensors для Transformers. В статье модель оценивается на TextWorld по точному совпадению на следующем шаге, успешности выполнения задач и согласованности поведения. Модель предназначена для исследований мировых моделей и симуляции агентов в текстовых средах. Она проверялась только на TextWorld, поэтому её поведение в других средах не валидировано; предсказания могут быть правдоподобными, но ошибочными и не должны считаться достоверными сведениями о реальной среде. Указана лицензия other, конкретные условия использования следует сверить с карточкой модели.

Booper-Big — компактная базовая языковая модель на английском языке, разработанная ProCreations с нуля. Она предназначена для генерации продолжений текста и экспериментов с языковыми моделями, а не для общения в роли инструкционного ассистента. Модель использует архитектуру Mixtral с разреженной маршрутизацией экспертов (MoE) и реализацию Hugging Face Transformers. В README указано 149,6 млн параметров всего и около 50,5 млн активных параметров на токен; метаданные каталога приводят значение 50,5 млн. Поддерживается контекст до 4096 токенов. Модель обучалась на англоязычной части Ultra-FineWeb с фильтрацией по оценке качества; обучающие последовательности имели длину 1024 токена. Лицензия — Apache-2.0. Это базовая модель, не настроенная на выполнение инструкций; её ответы могут быть неточными или небезопасными. Для диалоговых сценариев и задач, требующих надёжного следования инструкциям, понадобится подходящее дообучение.

jkminder/d12_135m_seed8 — исследовательская базовая языковая модель из серии Scaling Ladder, созданной для изучения различий между случайными начальными инициализациями при предварительном обучении. Это плотная GPT-подобная авторегрессионная модель на 138,4 млн параметров с 12 слоями и размером скрытого состояния 768; она обучена предсказывать следующий токен на английских текстах из набора NVIDIA ClimbMix. Контекст составляет 2048 токенов. Модель предназначена для экспериментов с предварительным обучением языковых моделей, сравнения контрольных точек и анализа масштабирования и вариативности между запусками. Это базовая модель без настройки на инструкции и без обучения безопасности, поэтому она не рассчитана на диалоговое следование инструкциям или безопасное применение без дополнительной адаптации. Репозиторий содержит контрольные точки обучения, в том числе версии с затуханием скорости обучения; для использования требуется Transformers и загрузка с trust_remote_code=True. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

jkminder публикует исследовательский чекпойнт языковой модели d20 из Scaling Ladder — одного из 24 базовых моделей, обученных для изучения различий между случайными инициализациями при предобучении. Это авторегрессионная Nanochat GPT с 20 слоями, скрытым размером 1280, 10 головами внимания и 566,2 млн параметров по метаданным; в README указан точный размер 896,5 млн параметров. Модель предсказывает следующий токен и обучена на данных NVIDIA ClimbMix; инструкция и отдельное обучение безопасности не применялись. Контекст составляет 2048 токенов, а в карточке указан английский язык. Репозиторий содержит контрольные точки разных этапов обучения; для сопоставимых измерений автор рекомендует версии TPP_X с annealing. Модель предназначена прежде всего для экспериментов с предобучением и анализа влияния seed, а не для диалогового использования. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

Модель sergio-sanz-rodriguez/ddpm-celebahq-finetuned-butterflies-2epochs — диффузионная модель безусловной генерации изображений, созданная как пример дообучения для учебного модуля по diffusion-моделям. Она генерирует изображения бабочек без текстового запроса и запускается через DDPMPipeline из библиотеки Diffusers. Модель опубликована в форматах Diffusers и safetensors. В README указано, что она дообучена на датасете CelebA-HQ в течение двух эпох; лицензия — MIT. Карточка не сообщает подробностей о размере модели, разрешении изображений и оценках качества.

FelixChao/ddpm-pokemon-64 — диффузионная модель безусловной генерации изображений, опубликованная FelixChao. Она предназначена для создания изображений покемонов размером 64×64 пикселя: модель генерирует изображение без текстового запроса. Для запуска карточка показывает использование DDPMPipeline из библиотеки Diffusers и загрузку весов из репозитория. Модель распространяется по лицензии MIT.

EleutherAI разработала deep-ignorance-unfiltered — англоязычную авторегрессионную языковую модель GPT-NeoX с 8,8 млрд параметров и контекстом 2048 токенов. Это базовый вариант набора Deep Ignorance, предназначенного для исследований того, как фильтрация данных предобучения влияет на знания модели, её возможности и устойчивость защитных мер к обходу. Модель подходит для экспериментов с предобучением, интерпретируемостью, сравнением чекпойнтов и оценки знаний, в том числе на бенчмарках общих способностей и биологических рисков. Она обучена на нефильтрованных данных и служит базовым вариантом для сравнения с моделями набора, где применялись фильтрация или другие меры безопасности. Модель не проходила постобучение: она может повторяться и не следует инструкциям, поэтому не предназначена для чат-ботов или пользовательского развертывания. Она может генерировать вредный или оскорбительный текст и работает только на английском языке. Веса доступны в формате safetensors для Transformers; лицензия — Apache-2.0.

Это обученная модель агента PPO, созданная с помощью библиотеки Unity ML-Agents для игры SnowballTarget. Она предназначена для управления агентом в этой игровой среде: модель принимает состояние среды и выдаёт действия, позволяющие агенту играть. Репозиторий содержит модель в формате ONNX, которую можно использовать с ML-Agents для запуска агента или продолжения обучения. Карточка не сообщает размер модели, используемый набор наблюдений и конкретные детали поведения агента.

DeepSeek-V2-Lite-Dense-3B-ACP-K6 — плотная языковая модель, полученная из MoE-модели DeepSeek-V2-Lite с помощью pruning и дистилляции. Это исследовательский артефакт из работы «Pruning and Distilling Mixture-of-Experts into Dense Language Models», предназначенный для воспроизведения экспериментов по оценке методов отбора и группировки экспертов. В модели около 2,5 млрд параметров по метаданным; в README указано 2,66 млрд. Контекст — до 163 840 токенов. Репозиторий содержит веса safetensors и поддерживает генерацию текста и диалоги. Модель обучалась на ограниченном бюджете — 0,3 млрд токенов FineWeb-Edu — для сравнения методов при равных условиях. Она не проходила инструкционную настройку и выравнивание, поэтому не предназначена для использования в качестве готового чат-ассистента. В README приведены результаты на нескольких бенчмарках, однако авторы предупреждают, что качество существенно ниже качества исходной модели и предварительно обученных моделей сопоставимого размера. Лицензия обозначена как other; конкретные условия следует проверять в репозитории.

yujiepan/deepseek-v3.1-tiny-random — небольшая модель для генерации текста, созданная на основе конфигурации DeepSeek-V3.1 от DeepSeek AI. Модель имеет архитектуру DeepSeek-V3 с двумя скрытыми слоями, уменьшенными размерностями и примерно 1 млн параметров; она предназначена прежде всего для отладки и тестирования совместимости реализаций, а не для качественной генерации текста. Модель поддерживается библиотекой Transformers и рассчитана на контекст до 163840 токенов. Весовые параметры модели инициализированы случайно, поэтому она не обладает полезными знаниями и не должна использоваться для прикладных задач, ответов на вопросы или содержательной генерации. Она может быть полезна разработчикам для проверки загрузки модели, архитектуры, инференса, работы vLLM и Transformers, а также экспериментирования с кодом и кэшированием. Сведения о лицензии в предоставленных данных отсутствуют.

DermAI ViT Base Patch16 224 — модель классификации изображений, созданная дообучением google/vit-base-patch16-224 для распознавания семи классов кожных поражений в наборе HAM10000. Она использует архитектуру Vision Transformer с 113,2 млн параметров и принимает изображения для отнесения к одному из классов поражений кожи. Модель разработана как часть проекта DermAI по исследованию объяснимости и сравнению объяснений свёрточных сетей и Vision Transformer. Модель предназначена для классификации изображений кожных поражений и исследовательского сравнения методов объяснения решений моделей. Репозиторий содержит веса в формате safetensors; библиотека для работы — Transformers. Лицензия Apache-2.0. Карточка не сообщает метрики качества и конкретные методы объяснения, поэтому пригодность для клинической диагностики не подтверждена.

Lanni-ni/dynamic_alibi_2_4_256_babylm_100m_seed44_epoch7 — небольшая модель для генерации текста на базе библиотеки Transformers. В метаданных указано 15 млн параметров; в идентификаторе модели упоминаются семейство BabyLM, механизм dynamic ALiBi, контекст 256 токенов, seed 44 и седьмая эпоха обучения, однако эти характеристики не раскрыты в README как официальная спецификация. Разработчик и лицензия не указаны. Модель предназначена для авторегрессионной генерации текста и может использоваться для экспериментов с языковыми моделями, тестирования архитектурных вариантов и учебных прототипов. Поддерживаемые естественные языки, данные обучения, результаты оценки и рекомендованные сценарии применения не описаны. README является автоматически сгенерированной карточкой и не содержит сведений о качестве, безопасности или ограничениях использования. Перед применением в практических системах необходимы собственные тесты на целевых данных; условия лицензии следует уточнить отдельно.