II.2Создание и понимание программного кода

Это детектор объектов YOLO11n, дообученный разработчиком репозитория dronefreak на наборе SeaDronesSee в рамках DetectionBench. Модель предназначена для обнаружения людей в воде, лодок, гидроциклов, спасательных средств и буёв на изображениях морской поверхности, снятых с БПЛА; её можно применять для задач морского поиска и спасения. Репозиторий содержит веса PyTorch и распространяется по лицензии AGPL-3.0. На валидационной выборке SeaDronesSee модель показала mAP@50 69,93% и точность 82,87%. Объекты часто занимают малую часть кадра, а обучающие данные имеют сильный дисбаланс классов: спасательные средства встречаются редко. Результаты получены на валидационном, а не официальном тестовом сплите и не гарантируют перенос на другие условия съёмки или неморские сцены.

CodeSoft разработала sorbet-25m — компактную языковую модель с 25,2 млн параметров на архитектуре Qwen2, обученную с нуля как авторегрессионный декодер. Модель содержит 14 слоёв с размерностью скрытого состояния 384, использует групповое запросное внимание и RoPE; длина контекста составляет 4096 токенов. Модель предназначена для генерации текста и небольших экспериментов с языковыми моделями. Она обучалась примерно на 0,8 млрд токенов из смеси образовательных веб-текстов, математических данных и общего веб-корпуса. В опубликованных тестах результат по математической задаче ArithMark оказался наиболее заметным относительно случайного уровня. Из-за небольшого размера и ограниченного бюджета обучения у модели неглубокие знания о мире и слабые результаты на задачах, требующих обширных знаний; её не следует выбирать для таких сценариев с высокими требованиями к качеству. Репозиторий содержит веса safetensors и рассчитан на использование с Transformers. Лицензия — Apache-2.0.

spark-13m-base — англоязычная базовая языковая модель на 13,2 млн параметров, разработанная авторами репозитория ifx-pse-sys-ml и обученная с использованием кодовой базы Nexus. Это компактная причинная языковая модель с архитектурой NexusForCausalLM, описанной в карточке как декодер в стиле Llama с механизмом GQA; она предназначена для исследований малых языковых моделей, быстрых экспериментов и использования в качестве лёгкой основы для декодирования. Модель обучена на смеси образовательных веб-данных и синтетических учебников, а её контекст составляет 512 токенов. Модель подходит для экспериментов с генерацией текста и прототипирования небольших разговорных систем. По приведённым бенчмаркам она превосходит случайный выбор на некоторых задачах, но из-за малого размера близка к случайному уровню на тестах знаний и рассуждений; карточка характеризует её как исследовательскую и прототипную, а не как модель знаний. Поддерживается Apache-2.0. В карточке указана загрузка через Transformers с trust_remote_code=True.

Jeesup/svd-safety-l2_remove30_swapgapiter_b010_r06 — исследовательский чекпойнт на базе диалоговой Llama 2 Chat от Meta, сжатый методом SVD-LLM и затем частично обработанный итеративным обменом параметров по правилу gap_iter. В модели около 6,6 млрд параметров, архитектура LlamaForCausalLM, формат safetensors; контекст — до 4096 токенов. При сжатии удалено около 30% параметров, а из десяти запланированных раундов обмена выполнено шесть. Чекпойнт создан для изучения влияния сжатия на безопасность и полезность ответов, а также способов восстановления поведения модели. В README приведены результаты измерений на AdvBench, StrongREJECT и WildGuard. Это отдельный экспериментальный вариант из серии сравнений, а не универсальный диалоговый помощник. Модель принимает текст и генерирует текст; исходная Llama 2 Chat предназначена для диалога на английском языке. Результаты этого экспериментального варианта не гарантируют безопасное поведение: README предупреждает, что сжатие может повышать успешность атак, а отдельные варианты в серии намеренно ухудшают безопасность. Лицензия — Llama 2; перед применением следует учитывать её условия и самостоятельно оценить модель.

Это исследовательский чекпойнт диалоговой модели Llama 2, созданный в рамках исследования сжатия и безопасности. В основе лежит meta-llama/Llama-2-7b-chat-hf: веса сжаты методом SVD-LLM, удалено 40,02% параметров, затем выполнены 3 из 5 раундов итеративной параметрически нейтральной замены компонентов по правилу gap_iter. Модель содержит 6,6 млрд параметров и принимает текст для генерации текста; заявленный контекст — 4096 токенов. Чекпойнт предназначен для измерения влияния сжатия на безопасность и полезность ответов, а также для сравнения правил восстановления поведения. В README приведены результаты оценок AdvBench, StrongREJECT и WildGuard; несколько вариантов исследования намеренно демонстрируют ухудшенную безопасность относительно исходной модели. Это экспериментальный объект, а не универсальный чат-ассистент. Для использования действует лицензия Llama 2.

Это экспериментальный чекпойнт Jeesup на базе диалоговой модели Meta Llama 2 7B Chat. Веса сжаты методом SVD-LLM: удалено 49,91% параметров, после чего восстановлена часть SVD-компонент с бюджетом 0,1% по правилу discp. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и рассчитана на контекст до 4096 токенов. Чекпойнт создан для исследования того, как SVD-сжатие влияет на безопасность ответов и можно ли восстановить её выборочным возвратом компонент. В README приведены показатели на AdvBench, StrongREJECT и WildGuard; это результаты конкретных оценок, а не гарантия поведения в других условиях. Модель не предназначена для использования как универсальный чат-ассистент и требует самостоятельной проверки перед применением. Лицензия — Llama 2; её условия следует соблюдать при использовании и распространении.

Это исследовательский чекпойнт Jeesup на базе диалоговой модели Meta Llama 2 7B Chat, сжатый методом SVD-LLM примерно до половины исходного числа параметров и прошедший два раунда параметрически нейтральной замены компонентов по правилу disc_iter. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM, принимает текст и генерирует текст; контекст — до 4096 токенов. Чекпойнт создан для изучения того, как сжатие влияет на безопасность и полезность ответов, а также для измерения восстановления защитного поведения. README приводит результаты оценок на AdvBench, StrongREJECT и WildGuard, но предупреждает, что некоторые варианты намеренно имеют ослабленные защитные свойства. Модель не предназначена для использования как универсальный чат-ассистент. Лицензия — Llama 2.

Это экспериментальный исследовательский чекпойнт Jeesup на архитектуре Llama-2-7B Chat: модель с 6,6 млрд параметров сжата методом SVD-LLM, в результате удалено около 50% параметров, а затем выполнены 2 из 10 раундов параметрически нейтральной перестановки компонентов по правилу gap_iter. Она предназначена для изучения того, как сжатие влияет на безопасность и полезность ответов, а также для оценки методов восстановления защитного поведения. Модель принимает текст и генерирует текст в диалоговом режиме; базовая модель поддерживает английский язык, контекст составляет 4096 токенов. В README приведены результаты оценок безопасности: доля успешных атак AdvBench — 0,5096, StrongREJECT — 0,3514, показатель чрезмерных отказов WildGuard — 0,0999. Чекпойнт не предназначен для использования как универсальный чат-ассистент; отдельные варианты исследования намеренно имеют ослабленную безопасность, поэтому результаты требуют самостоятельной оценки. Лицензия — Llama 2 Community License.

Это экспериментальный исследовательский чекпойнт Jeesup на базе Meta Llama-3.1-8B-Instruct. Модель с архитектурой LlamaForCausalLM сжата методом SVD-LLM до 60% от числа параметров исходной плотной модели, после чего к ней применено 5 из 10 раундов перестановки параметров по правилу gap_iter. В репозитории указано 7,5 млрд параметров, контекст до 131 072 токенов и формат safetensors. Чекпойнт предназначен для изучения влияния сжатия на безопасность и полезность языковых моделей и оценки восстановления поведения после сжатия. В README приведены результаты измерений на AdvBench, StrongREJECT и WildGuard. Это отдельная точка экспериментальной серии, а не универсальный чат-ассистент; отдельные варианты серии намеренно имеют ухудшенную безопасность. Для интерпретации результатов и любого практического применения необходима самостоятельная оценка. Лицензия — Llama 3.1.

Jeesup/svd-safety-l3_basis_jbbsftx1_remove40 — экспериментальный чекпойнт на основе Meta-Llama-3-8B-Instruct, подготовленный для исследования того, как сжатие влияет на безопасность и полезность диалоговых моделей. Веса сжаты методом Basis Sharing: общие базисы используются для групп из двух соседних слоёв, удалено 40% параметров. Затем модель дообучили LoRA только по коэффициентам, сохранив бюджет параметров и общие базисы. Архитектура — плотная LlamaForCausalLM, размер — 7,5 млрд параметров, контекст — 8192 токена; модель рассчитана на диалог и генерацию текста. Чекпойнт предназначен для измерения компромиссов между безопасностью и полезностью и сравнения правил выбора компонентов при сжатии. В README приведены оценки атак и чрезмерных отказов на AdvBench, StrongREJECT и WildGuard. Это отдельный экспериментальный вариант из набора сравнений, поэтому его результаты не следует переносить на всю серию моделей. Лицензия — Llama 3; модель не предназначена для использования как универсальный чат-ассистент.

Это исследовательский чекпойнт Jeesup на базе Meta-Llama-3-8B-Instruct, сжатый методом SVD-LLM до 80% исходного числа плотных параметров и затем частично скорректированный перестановками параметров по правилу gap_iter. В модели около 7,5 млрд параметров; архитектура — плотная Llama для генерации текста и диалогов, контекст — 8192 токена. Чекпойнт представляет одну из конфигураций эксперимента по изучению влияния сжатия на безопасность и полезность модели. Модель предназначена для сравнительных исследований поведения моделей после сжатия и оценки компромиссов между безопасностью и полезностью, а не для обычного ассистентского применения. В README приведены результаты на AdvBench, StrongREJECT и WildGuard; авторы предупреждают, что некоторые варианты эксперимента намеренно имеют ухудшенную безопасность. Лицензия — Llama 3; перед использованием следует учитывать её условия и самостоятельно оценивать поведение чекпойнта.

Это экспериментальный исследовательский чекпойнт на архитектуре LlamaForCausalLM, созданный на основе Meta-Llama-3-8B-Instruct. Авторы сжали модель методом SVD-LLM, удалив 30,01% параметров, а затем провели 8 из 10 запланированных раундов итеративной перестановки параметров по правилу gap_iter. В репозитории указаны 7,5 млрд параметров и контекст до 8192 токенов. Модель предназначена для изучения того, как SVD-сжатие влияет на безопасность и полезность ответов и насколько выбранный метод перестановки помогает восстановить поведение модели. В README приведены результаты на AdvBench, StrongREJECT и WildGuard. Это отдельный экспериментальный вариант, а не универсальный чат-ассистент; результаты не подтверждают пригодность для развертывания. Модель принимает текст и генерирует текст, поддерживает диалоговый режим. В метаданных указан язык лицензии Llama 3; следует соблюдать условия лицензии Meta Llama 3.

Jeesup/svd-safety-l3_swift_remove40 — исследовательский чекпойнт на базе Meta Llama 3 8B Instruct, подготовленный для изучения влияния сжатия на безопасность и полезность языковых моделей. Разработчик применил Swift-SVD с динамическим распределением рангов: удалено 40% параметров, осталось около 60% исходного числа. Затем модель восстановили с помощью этапа LoRA из SVD-LLM. Это плотная авторегрессионная архитектура LlamaForCausalLM с 7,5 млрд параметров и контекстом 8192 токена; формат весов — safetensors. Модель принимает текст и генерирует текст в диалоговом формате. Модель предназначена для экспериментального измерения компромиссов между сжатием, безопасностью и полезностью, в том числе оценки отказов и успешности вредоносных запросов. README приводит результаты на AdvBench, StrongREJECT и WildGuard. Чекпойнт является одной точкой в экспериментальной сетке и не предназначен для использования как универсальный чат-ассистент. Сжатие может ухудшать защитное поведение; перед применением результаты необходимо оценивать самостоятельно. Лицензия — Llama 3 License (llama3).

Tiny Qwen3ForCausalLM — минимальная авторегрессионная языковая модель семейства Qwen3, опубликованная организацией trl-internal-testing для модульных тестов библиотеки TRL. Модель предназначена для генерации текста и проверки сценариев conversational text generation в Transformers, а не для практического использования в качестве полноценной большой языковой модели. Архитектура — causal language model; размер по метаданным каталога — около 1,2 млн параметров, библиотека — Transformers, заявленный контекст — до 40 960 токенов. Модель работает с текстовыми входами и выводами; поддержка конкретных естественных языков в доступных данных не установлена. Основное преимущество — малый размер и пригодность для быстрых тестов и отладки пайплайнов TRL. Из-за минимального размера она не предназначена для качественных прикладных ответов, надёжного следования инструкциям или продуктивного развёртывания. Сведения о лицензии в доступных источниках не установлены.

tiny-random-GLPNForDepthEstimation — небольшая случайно инициализированная тестовая модель семейства GLPN, опубликованная организацией hf-tiny-model-private на Hugging Face. Она предназначена для оценки глубины по изображениям и реализуется с использованием Transformers и PyTorch. Карточка модели помечена задачей depth estimation и архитектурой GLPN, однако полноценная модельная карточка отсутствует. Из-за случайной инициализации модель служит прежде всего для тестирования загрузки, конфигурации и программных интеграций, а не для получения качественных оценок глубины в прикладных системах.

IlyasMoutawwakil/tiny-random-LlavaForConditionalGeneration — небольшой тестовый чекпойнт для архитектуры LlavaForConditionalGeneration из библиотеки Transformers. Модель предназначена для задач image-text-to-text, в которых изображение и текстовый запрос используются для генерации текстового ответа. Название tiny-random указывает на компактную случайную модель, вероятно предназначенную для тестирования загрузки, совместимости и работы компонентов Llava в Transformers, а не для прикладного использования. README не содержит сведений о разработчике, языках, размере, длине контекста, обучающих данных, результатах оценки или лицензии.

peft-internal-testing/tiny-random-OPTForCausalLM — небольшая тестовая модель на архитектуре OPT для авторегрессионной генерации текста. Она размещена в Hugging Face Hub и предназначена прежде всего для проверки совместимости и работы инструментов Transformers и PEFT, а не для прикладного использования или качественной генерации текста. Модель содержит около 824,7 тыс. параметров и поддерживает контекст длиной до 100 токенов. Основная модальность — текстовая; заявленная задача — text-generation. Разработчик в карточке модели явно не указан. Языки, лицензия и дополнительные прикладные характеристики надёжно не установлены.

hf-tiny-model-private/tiny-random-RobertaForSequenceClassification — небольшая тестовая модель из набора HF tiny models, размещённая организацией hf-tiny-model-private на Hugging Face. По названию и метаданным она предназначена для классификации текстовых последовательностей и совместима с библиотекой Transformers. Модель основана на архитектуре RoBERTa и рассчитана на запуск через PyTorch; также указана совместимость с TensorFlow. Существенные характеристики, включая точное число параметров, размер слоёв, максимальную длину контекста, языки и количество классов, в доступной карточке не указаны. Название tiny-random указывает на малый случайно инициализированный вариант, поэтому модель предназначена прежде всего для тестирования и разработки, а не для прикладного качества классификации. Сильная сторона модели — пригодность для проверки интеграций, пайплайнов и API классификации при небольших вычислительных затратах. Ограничения — отсутствие модельной карточки, обучающих данных, заявленных метрик, описания языковой поддержки и гарантий качества; практические прогнозы могут быть непредсказуемыми. Лицензия в доступных материалах не указана.

JoaoBoer/tofu_Llama-3.2-3B-Instruct_forget01_WGA — плотная авторегрессионная языковая модель семейства Llama 3.2 с 3,2 млрд параметров, основанная на open-unlearning/tofu_Llama-3.2-3B-Instruct_full. Модель дообучена методом WGA на части forget01 датасета TOFU с использованием фреймворка open-unlearning. Она предназначена для генерации текста и диалоговых экспериментов по машинному забыванию данных: в проекте Speculative-Decoding-Unlearning используется как базовая модель с unlearning по весам и как черновая модель для спекулятивного декодирования. Для чекпойнта приведены метрики TOFU, включая exact_memorization 0,8136, extraction_strength 0,1881 и forget_Q_A_PARA_Prob 0,0762. Контекстное окно составляет до 131 072 токенов; модель рассчитана на работу через Transformers и сохранена в формате safetensors. Лицензия — llama3.2. Показатели относятся к оценке на TOFU и сами по себе не подтверждают качество для широких прикладных задач. Данные не уточняют языковой охват модели.

JoaoBoer/tofu_Llama-3.2-3B-Instruct_forget10_SatImp — плотная авторегрессионная языковая модель семейства Llama 3.2, разработанная на базе open-unlearning/tofu_Llama-3.2-3B-Instruct_full. Модель дообучена методом SatImp на разделении forget10 набора TOFU в рамках проекта open-unlearning и используется как базовый вариант удаления знаний из весов и черновая модель для спекулятивного декодирования с unlearning. Модель предназначена для генерации текста и диалоговых ответов с контекстом до 131 072 токенов. В README приведены метрики оценки на TOFU: exact_memorization 0.3031, extraction_strength 0.0412 и forget_Q_A_PARA_Prob 0.0049. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия — Llama 3.2 Community License. Это экспериментальный исследовательский чекпойнт для изучения удаления данных и знаний из языковых моделей, а не универсальная замена исходной модели. Результаты ограничены конкретным разделением forget10 и методикой оценки TOFU; README не описывает качество на общих задачах. Для использования действуют условия лицензии Llama 3.2.

ahishamm/vit-large-isic-patch-16 — модель классификации изображений на базе архитектуры Vision Transformer (ViT), дообученная автором на наборе данных ahishamm/isic_db. Она предназначена для классификации дерматологических изображений в рамках задачи, представленной этим датасетом. Модель содержит 402,7 млн параметров и распространяется в формате PyTorch. В README приведены результаты на оценочной выборке: accuracy, recall, F1 и precision по 0,75, loss — 0,7317. Модель опубликована по лицензии Apache-2.0. Сведения о конкретных классах, клинической валидации и ограничениях применения не приведены; результаты на оценочной выборке сами по себе не подтверждают пригодность для диагностики.

TheDenk/wan2.1-t2v-1.3b-controlnet-hed-v1 — модуль Dilated ControlNet для модели Wan2.1. В README указано, что для версии Wan 1.3B используется 8 блоков ControlNet и параметр stride со значением 3. Модель предназначена для управления генерацией видео с помощью ControlNet; метаданные относят её к задаче video-to-video. В репозитории заявлен формат safetensors. Модель опубликована под лицензией Apache-2.0. README не содержит описания конкретного сценария HED или инструкций по использованию модуля с базовой моделью.

TheDenk/wan2.2-ti2v-5b-controlnet-depth-v1 — модуль ControlNet для Wan 2.2, предназначенный для управления генерацией или преобразованием видео по глубинной карте. В карточке указано, что подход аналогичен ControlNet для Wan 2.1; для работы предлагается ComfyUI-WanVideoWrapper, а также требуется актуальная версия diffusers. Модель относится к видеозадачам; в метаданных отмечены video-to-video, video-generation и семейство Wan 2.2. Файлы представлены в формате safetensors. Лицензия — Apache-2.0. Описание не сообщает точный размер весов, поддерживаемую длину ролика или качество управления. Для использования нужны совместимые компоненты Wan 2.2 и соответствующее программное окружение; README ссылается на внешний код и не содержит подробной инструкции по установке.

anton-l/wav2vec2-random-tiny-classifier — компактная модель классификации аудио на архитектуре Wav2Vec2, опубликованная пользователем anton-l на Hugging Face. Карточка показывает загрузку через pipeline audio-classification и класс Wav2Vec2ForSequenceClassification; модель принимает аудиосигнал и выдаёт метки классов с оценками. В репозитории указано около 15,4 тыс. параметров. Название и карточка характеризуют её как random tiny classifier, поэтому она подходит прежде всего для проверки и демонстрации работы аудиоклассификационного конвейера, а не для надёжной прикладной классификации. Сведения о целевых классах, поддерживаемых языках и лицензии в доступных данных не установлены.

Azeeme/Winner — обученный агент poca для игры SoccerTwos, опубликованный пользователем Azeeme. Модель создана с помощью библиотеки Unity ML-Agents и предназначена для управления игровым агентом в среде SoccerTwos с использованием обучения с подкреплением. Репозиторий содержит модель в формате ONNX. Её можно использовать для наблюдения за игрой агента в браузере через среду ML-Agents или продолжить её обучение с помощью ML-Agents. Карточка не сообщает размер модели, языки или лицензию, поэтому эти характеристики не описываются.

Xiaomi-Robotics-1-VLABench — контрольная точка Xiaomi-Robotics-1 для оценки в симуляторе VLABench. Модель относится к семейству MiBoT и использует плотную архитектуру MiBoTForActionGeneration; репозиторий содержит веса в формате safetensors, код модели и процессора для Transformers, файлы токенизатора и статистику нормализации действий. Для загрузки требуются пользовательский код модели и процессора, а для воспроизводимой оценки — отдельное окружение VLABench и симулятор MuJoCo. Модель предназначена для генерации действий робота в задачах VLABench. В карточке приведены результаты оценки: общая успешность 59,1%, оценка намерения 69,9% и прогресс 70,3%; показатели заметно различаются между треками. Репозиторий выпущен под лицензией Apache-2.0. README не сообщает размер модели, длину контекста или поддерживаемые языки.

kettleguts/zephyr-7b-beta_sparse05 — разреженная версия чат-модели Zephyr 7B Beta, созданная автором репозитория на основе HuggingFaceH4/zephyr-7b-beta. Для прореживания линейных слоёв применён метод Wanda, который удалил 50% весов. Модель имеет архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для исследовательских экспериментов с генерацией текста и диалоговым поведением разреженных языковых моделей. Качество ответов сильно зависит от формулировки запроса; из-за сильного прореживания модель может вести себя как существенно меньшая модель. Карточка не рекомендует применять её вне исследований и указывает, что дополнительных защитных механизмов не добавлено. Лицензия — MIT. Модель работает с текстом и ориентирована на английский язык; в метаданных указаны датасеты UltraChat 200k и UltraFeedback Binarized.

Это обученный агент poca от автора sinny для игры SoccerTwos в среде Unity ML-Agents. Модель предназначена для управления игровым агентом в симуляции футбольного матча SoccerTwos; её можно использовать для просмотра игры или продолжения обучения средствами ML-Agents. Репозиторий содержит модель в формате ONNX. Сведения о размере модели, языках и лицензии отсутствуют в предоставленных данных.

Это политика управления роботом Hybrid Residual ACT, разработанная для XLeRobot и обученная на датасете R126/Pickandputaway. Модель содержит около 51,6 млн параметров и предназначена для выполнения операций подбора и размещения предметов по наблюдениям с трёх камер: правой, левой и головной. Политика выдаёт 17-мерные действия: относительные команды для десяти каналов положения рук и абсолютные команды для захватов, моторов головы и скорости базы. Она обучена на 20 000 шагах; размер чанка действий — 100, при этом за один вызов используется один шаг. В приведённой офлайн-оценке на семи эпизодах остаточная политика показала меньшую среднюю ошибку действий рук, чем абсолютная ACT-базовая модель. Для загрузки на другой компьютер требуется совместимая версия LeRobot с указанными в карточке изменениями для остаточных действий. Модель требует постепенной проверки на физическом роботе: её выходы нельзя напрямую подавать на моторы без калибровки ограничений суставов, проверки команд и ограничений перемещения. Лицензия в предоставленных данных не указана.

ypwhere/attnres4babylm2026-100m-l32-dynamic-s1337 — причинная языковая модель для исследования языкового моделирования на ограниченных данных и маршрутизации вычислений по глубине. Она создана для проекта BabyLM 2026 и обучена на официальной обучающей выборке BabyLM объёмом 100 млн слов. Архитектура Block Attention Residuals использует 32 слоя и скрытый размер 512; для каждого целевого подслоя вычисляются зависящие от входа веса источников представлений по глубине. В основе также RMSNorm, SwiGLU, rotary positional embeddings, gated attention и связанные входные и выходные эмбеддинги. Модель генерирует продолжение текста и поддерживает причинное оценивание последовательностей. Это предварительно обученная модель, а не чат-модель, дообученная для следования инструкциям. Для работы нужны Transformers и загрузка реализации из репозитория; эффективный KV-кэш генерации не поддерживается. README рекомендует ограничивать вход 512 токенами. Модель распространяется по лицензии MIT.