II.2Создание и понимание программного кода

MicroViT-S2 — модель классификации изображений на основе SHViT (Single-Head Vision Transformer), опубликованная пользователем henriquequeirozcunha. Она предварительно обучена на ImageNet-1K и предназначена для отнесения изображений к одному из 1000 классов. В карточке указано 10 млн параметров и точность Top-1 74,6%. Модель распространяется в формате safetensors и поддерживается библиотекой Transformers. Лицензия — Apache-2.0. Модель подходит для классификации изображений общего назначения и экспериментов с компактными vision-трансформерами. Доступные сведения не описывают её работу вне набора классов ImageNet-1K или дополнительные возможности.

Mini-K3-1H-decay-g2-v2_C — текстовая модель семейства Mini-K3, опубликованная как контрольный исследовательский чекпойнт предобучения для сравнения 20 вариантов архитектуры. В README описаны архитектура и обучение; имя конкретного разработчика не указано. В модели 13 декодерных слоёв: 9 KDA и 4 Gated MLA, блоковые Attention Residuals и смесь экспертов Stable LatentMoE. Метаданные указывают 385,9 млн параметров, а README — около 1,015 млрд логических параметров, из которых около 351,8 млн активируются на токен; это разные способы подсчёта для MoE-модели. Контекст модели — 131 072 токена, хотя обучение велось на последовательностях длиной 8 192. Чекпойнт обучен на 16 млрд целевых токенов, без последующего дообучения, и предназначен для генерации продолжения текста и изучения вариантов архитектуры. Он не оценивался на прикладных задачах и не является ассистентом, настроенным следовать инструкциям. README не сообщает лицензию самого чекпойнта; использованные наборы данных сохраняют собственные лицензии и условия, а их тексты в репозитории не распространяются.

Mini-K3-1H-decay-g4-v2_B — текстовая исследовательская модель семейства Mini-K3, разработанная в рамках сравнения 20 вариантов архитектуры. Это чекпойнт предварительного обучения без последующего дообучения на инструкциях; модель предназначена для генерации продолжения текста и исследования архитектурных решений, а не для диалогового применения как готовый ассистент. Архитектура — декодер MoE с 13 слоями: 9 слоями KDA и 4 слоями Gated MLA, остатками Attention Residuals и 64 маршрутизируемыми экспертами. README указывает около 1,015 млрд логических параметров и 351,8 млн активируемых на токен; метаданные Hugging Face сообщают 385,9 млн параметров. Нативный контекст — 131 072 токена, формат весов — safetensors, тип параметров чекпойнта — BF16 с отдельными управляющими состояниями FP32. Чекпойнт обучен на 16 млрд целевых токенов с длиной последовательности 8 192. README называет его промежуточным исследовательским чекпойнтом и отмечает, что оценка на прикладных задачах не проводилась. Лицензия в предоставленных данных не указана; тексты исходных датасетов в репозитории не распространяются. Модель может выдавать неточные, предвзятые, небезопасные или повторяющиеся продолжения и не предназначена для следования инструкциям.

Mini-K3-1H v2 — текстовая авторегрессионная модель семейства Mini-K3, представленная в виде исследовательского чекпойнта предобучения. Она предназначена для генерации текста и контролируемого сравнения вариантов архитектуры. В архитектуре 13 декодерных слоёв: 9 KDA и 4 Gated MLA; применяются Mixture of Experts, Attention Residuals и другие компоненты семейства Kimi-K3. В репозитории указаны 385,9 млн параметров по метаданным и около 1,017 млрд логических параметров в README; на токен активируется около 354 млн параметров. Контекст модели — 131 072 токена по метаданным, хотя обучение проводилось на последовательностях длиной 8 192 токена. Чекпойнт обучен на 16 млрд целевых токенов и не проходил постобучение. Это не ассистент для следования инструкциям; downstream-задачи ещё не оценивались. Модель может выдавать неточные, предвзятые, небезопасные или повторяющиеся тексты. README не сообщает лицензию модели, поэтому условия использования по имеющимся данным определить нельзя; лицензии исходных наборов данных сохраняют собственные условия.

Это экспериментальная языковая модель семейства Mistral, разработанная автором репозитория neoncortex. Модель содержит 326,9 млн параметров по метаданным (в README размер округлён до 360 млн) и обучалась один проход на статьях Википедии и наборе OpenHermes-2.5 с применением алгоритма Grokfast. Модель предназначена для экспериментов с динамикой обучения и генерацией текста в формате causal language modeling. Её можно загружать через библиотеку Transformers. Контекст составляет 1024 токена. Карточка не заявляет поддержку конкретных естественных языков; набор данных включает англоязычную Википедию, указанную в названии репозитория. Автор отмечает, что модель пока мало полезна для практических задач, не оптимизирована для прикладного использования, обучалась лишь одну эпоху, а точность и надёжность ответов не гарантированы. Лицензия — OpenRAIL.

yujiepan/ministral-3-tiny-random — экспериментальная авторегрессионная языковая модель, созданная для отладки и тестирования реализации Ministral 3. Она использует конфигурацию, адаптированную из mistralai/Devstral-2-123B-Instruct-2512, но имеет случайно инициализированные веса и существенно уменьшенную архитектуру: 2 декодерных слоя, скрытый размер 8 и около 1,1 млн параметров. Модель предназначена для text-generation и загружается через библиотеку Transformers. Модель поддерживает контекст длиной до 262144 токенов и рассчитана на проверку загрузки, токенизации, генерации и совместимости компонентов, а не на получение качественных ответов. Благодаря малому размеру она удобна для быстрых локальных экспериментов и отладки без запуска полноразмерной модели. Случайная инициализация весов делает её непригодной для прикладной генерации текста, диалогов, программирования или других пользовательских задач. Лицензия в предоставленных данных не указана.

yujiepan/mixtral-tiny-random — экспериментальная компактная модель, разработанная пользователем yujiepan на базе конфигурации mistralai/Mixtral-8x7B-Instruct-v0.1. Модель предназначена прежде всего для тестирования архитектуры Mixtral и совместимости с библиотекой Transformers, а не для прикладной генерации текста. Это авторегрессионная языковая модель для задачи text-generation с архитектурой смеси экспертов Mixtral: 8 локальных экспертов, 2 активных эксперта на токен, 2 скрытых слоя, 4-мерное скрытое представление и 128,3 тыс. параметров. Модель работает в формате float16, поддерживает контекст длиной до 32 768 токенов и подключается через Transformers. Веса модели инициализированы случайно, поэтому она не обладает предварительно обученными знаниями и, вероятно, будет генерировать бессмысленный или нестабильный текст. Модель подходит для разработки и отладки прототипов, проверки загрузки конфигураций и экспериментов с маршрутизацией экспертов, но не для диалоговых систем, содержательной генерации или использования в продакшене. Лицензия в предоставленных данных не указана.

Forkits/MLAgents-Walker — обученная методом Proximal Policy Optimization (PPO) модель агента для среды Walker из Unity ML-Agents. Она предназначена для управления персонажем в этой среде и может использоваться для просмотра поведения агента или продолжения обучения через ML-Agents. Модель предоставлена в формате ONNX и работает с библиотекой ML-Agents. Карточка не сообщает размер модели, языки или лицензию. Это специализированный агент обучения с подкреплением: он принимает состояние среды и выдаёт действия для управления агентом; текстовые задачи не заявлены.

Alfaisal101/MyreponamedLONG — это обученная модель агента PPO, созданная с помощью Unity ML-Agents для игры Huggy. Она предназначена для управления игровым агентом в среде Huggy и может использоваться для просмотра его поведения в браузере или продолжения обучения через ML-Agents. В репозитории указаны веса в формате ONNX. Данные не описывают размер модели, наблюдения среды, точную конфигурацию обучения или лицензию, поэтому эти характеристики нельзя уточнить.

HarleyCooper/nanochat561 — экспериментальная англоязычная языковая модель семейства nanochat, созданная на основе проекта Karpathy nanochat. Это плотный авторегрессионный Transformer с 608,2 млн параметров и контекстом 2048 токенов; репозиторий содержит веса safetensors и использует библиотеку nanochat. Модель предназначена для генерации текста и диалогов, а также для учебных и исследовательских экспериментов с языковыми моделями. В метаданных указаны датасеты FineWeb-EDU, SmolTalk, GSM8K и MMLU. Карточка предупреждает, что опубликованные токенизатор и веса рассинхронизированы: модель выдаёт бессмысленный текст при инференсе, а автор не уверен в исправлении и не может найти исходные контрольные точки. Также отмечены ограниченные знания и способности к сложным рассуждениям, преимущественная ориентация на английский и слабая многоязычность. Лицензия — MIT.

osu! Standard Cheat Detector — классификатор на основе Cross-Attention Transformer для анализа повторов osu! standard в формате .osr. Модель сопоставляет окна из 10 объектов карты с окнами из 20 кадров движения курсора, обрабатывает локальные последовательности и объединяет их для бинарной классификации: легитимная игра или подозрение на использование читов. Классификатор предназначен для выявления Aim Assist, Aim Correction, Relax и Human Autobot в игровых повторах. В README заявлены метрики на валидационном наборе: точность 85%, precision 97,3–100%, recall 72–76% и F1 82,8%; эти результаты относятся к указанному набору и не гарантируют такое же качество на других данных. Репозиторий содержит веса PyTorch. Лицензия — AGPL-3.0.

yujiepan/phi-3.5-moe-tiny-random — небольшая случайно инициализированная модель генерации текста, созданная для отладки. Она использует конфигурацию Microsoft Phi-3.5-MoE-Instruct, но существенно уменьшена: 518,1 тыс. параметров, 2 скрытых слоя, размер скрытого представления 16, промежуточный размер 32, 4 attention heads и 4 key-value heads. Модель предназначена для работы с библиотекой Transformers и поддерживает контекст длиной до 4096 токенов. Из-за случайной инициализации модель не обучена и не предназначена для содержательной генерации текста, диалогов или прикладного использования. Её основное назначение — отладка конфигурации, кода загрузки, токенизации и пайплайнов инференса для архитектуры Phi-3.5-MoE на уменьшенном варианте. Лицензия в предоставленных данных не указана.

Banaxi-Tech/pico-test — экспериментальный базовый языковой чекпойнт BananaMind 2 Pico от Banaxi-Tech, опубликованный на этапе 90% обучения. Это плотная авторегрессионная модель для генерации текста на основе архитектуры BananaMind2PicoForCausalLM; в метаданных указано 841 тыс. параметров, а в README — 900 002 параметра, 6 слоёв и размер скрытого состояния 96. Контекст составляет 4096 токенов. Модель обучалась на FineWeb-HQ и Cosmopedia v2; карточка также перечисляет FineWeb-HQ и smollm-corpus. Она не проходила настройку для следования инструкциям, поэтому предназначена прежде всего для экспериментов с продолжением текста и исследовательских проверок компактной языковой архитектуры, а не для диалогового ассистента. Для загрузки требуется Transformers и trust_remote_code. Лицензия в предоставленных данных не указана.

Это обученная модель агента poca, созданная с использованием Unity ML-Agents для игры SoccerTwos. Она предназначена для запуска агента в этой игровой среде и просмотра его поведения, а также для продолжения обучения через ML-Agents. Репозиторий содержит модель в формате ONNX. Модель решает задачу обучения с подкреплением в SoccerTwos. В карточке не указаны размер модели, языковая поддержка или условия лицензии, поэтому эти характеристики нельзя уточнить.

Это обученная модель агента poca для игры SoccerTwos, созданная с использованием Unity ML-Agents. Она предназначена для управления игровым агентом в среде SoccerTwos и может запускаться для просмотра игры или использоваться как основа для продолжения обучения через ML-Agents. В репозитории представлены веса в формате ONNX. Модель относится к обучению с подкреплением и рассчитана на взаимодействие с игровой средой. Карточка не описывает устройство наблюдений и действий агента, качество игры или конкретные параметры обучения. Лицензия в доступных данных не указана.

Это обученная модель агента poca, разработанная для игры SoccerTwos в среде Unity ML-Agents. Она предназначена для управления агентом в футбольном симуляторе: модель можно использовать для просмотра игры агента или продолжения его обучения через ML-Agents. Модель распространяется в формате ONNX и относится к обучению с подкреплением. Карточка не сообщает размер модели, длину контекста или поддерживаемые естественные языки; описание не указывает лицензию, поэтому условия использования по лицензии определить нельзя.

alialam567/ppo-Huggy — обученный агент PPO для игры Huggy в среде Unity ML-Agents. Модель предназначена для управления игровым агентом и может использоваться для просмотра его игры или продолжения обучения через ML-Agents. В репозитории указаны ONNX-файл модели и библиотека ML-Agents. Модель относится к обучению с подкреплением и принимает состояние игрового окружения, чтобы выбирать действия агента. Сведения о размере модели, длине контекста и лицензии в доступных источниках отсутствуют.

BMukhtar/ppo-Huggy — обученный агент PPO для игры Huggy в среде Unity ML-Agents. Модель предназначена для управления игровым агентом и может запускаться в соответствующей среде, а также использоваться для продолжения обучения через ML-Agents. В репозитории представлен формат ONNX; карточка указывает библиотеку ML-Agents. Модель принимает состояние среды и выдаёт действия агента в рамках задачи обучения с подкреплением. Сведения о размере модели, наблюдениях среды и лицензии в предоставленных данных отсутствуют.

Это обученная методом PPO модель агента для игры Huggy, созданная на базе Unity ML-Agents. Она предназначена для управления игровым агентом в среде Huggy; модель можно использовать для просмотра игры агента или продолжения обучения с помощью ML-Agents. В репозитории доступен формат ONNX. Сведения о размере модели и лицензии в предоставленных данных отсутствуют.

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 запускать для просмотра поведения или использовать как отправную точку для продолжения обучения средствами ML-Agents. Репозиторий содержит модель в формате ONNX. Агент получает наблюдения среды и выдаёт управляющие действия; подробности о составе наблюдений, размерах модели и результатах обучения в карточке не приведены. Метаданные указывают задачу reinforcement-learning и библиотеку ml-agents. Условия лицензии не указаны в доступных данных.

cvnberk/ppo-Huggy — обученный агент PPO для игры Huggy, созданный с использованием библиотеки Unity ML-Agents. Модель предназначена для управления игровым агентом в среде Huggy; её можно использовать для запуска агента и продолжения обучения средствами ML-Agents. В репозитории представлена модель в формате ONNX. Карточка не сообщает размер модели, детали наблюдений и действий агента, параметры обучения или лицензию.

Это обученный с помощью Proximal Policy Optimization (PPO) агент David0702 для игры Huggy в среде Unity ML-Agents. Модель предназначена для управления игровым агентом: её можно запускать в среде и использовать как основу для продолжения обучения. В репозитории доступен формат ONNX. Для работы модель принимает состояние среды, а выдаёт управляющие действия агента; конкретные представления входов и действий зависят от конфигурации Unity-среды. README описывает использование с ML-Agents, но не указывает лицензию, размер модели или языки.

Это обученная методом Proximal Policy Optimization (PPO) модель агента для игры Huggy, созданная с использованием библиотеки Unity ML-Agents. Агент предназначен для управления игровым персонажем в среде Huggy; модель можно запускать в поддерживающей ML-Agents среде или использовать для продолжения обучения. Репозиторий содержит модель в формате ONNX. Указана лицензия WTFPL.

Eslam25/ppo-Huggy — обученная модель агента Proximal Policy Optimization (PPO), созданная с помощью библиотеки Unity ML-Agents. Агент предназначен для игры Huggy и принимает состояние среды, чтобы выбирать действия в игровом эпизоде. Репозиторий содержит модель в формате ONNX; задача в метаданных указана как reinforcement-learning. Данных о размере модели, языках и лицензии нет.

Это обученный методом Proximal Policy Optimization (PPO) агент GK-xoxo для игры Huggy в среде Unity ML-Agents. Модель принимает состояние игровой среды и выбирает действия агента; её можно использовать для запуска игрового агента или продолжения обучения через ML-Agents. В репозитории опубликован формат ONNX. Карточка описывает применение в Huggy и просмотр игры агента в браузере через соответствующую среду ML-Agents. Сведения о лицензии, размере модели и поддерживаемых естественных языках в доступных данных отсутствуют.

Это обученная методом Proximal Policy Optimization (PPO) модель агента для игры Huggy, созданная с использованием библиотеки Unity ML-Agents. Она предназначена для управления игровым агентом в среде Huggy; модель можно запускать для просмотра игры или использовать как отправную точку для продолжения обучения. Репозиторий содержит модель в формате ONNX. Лицензия и подробности об архитектуре и обучающих данных в предоставленных сведениях не описаны.

KoRiF/ppo-Huggy — обученный агент PPO для игры Huggy, созданный с помощью библиотеки Unity ML-Agents. Модель предназначена для запуска игрового агента и продолжения его обучения в среде ML-Agents; репозиторий содержит модель в формате ONNX. Агент принимает состояние игровой среды и выбирает действия для игры. Карточка не сообщает размер модели, набор входных наблюдений, конкретные управляющие действия или условия лицензии, поэтому эти характеристики нельзя уточнить.

modeliqi/ppo-Huggy — обученный агент PPO для игры Huggy, созданный с использованием библиотеки Unity ML-Agents. Модель предназначена для управления агентом в среде Huggy с помощью обучения с подкреплением; её можно загрузить в совместимое окружение ML-Agents, чтобы наблюдать за игрой или продолжить обучение. Репозиторий содержит модель в формате ONNX. Карточка не сообщает размер модели, показатели качества или подробности о наблюдениях и действиях агента. Лицензия не указана в предоставленных данных.

Mwampooo/ppo-Huggy — обученная методом proximal policy optimization (PPO) модель агента, созданная для игры Huggy в среде Unity ML-Agents. Репозиторий содержит модель в формате ONNX, которую можно использовать с ML-Agents для запуска агента или продолжения обучения. Модель предназначена для управления агентом в игровой среде Huggy. Карточка описывает её как обученный игровой агент, но не приводит подробностей о наблюдениях, действиях или результатах обучения. Лицензия в предоставленных данных не указана.

Это обученная модель агента PPO, созданная для игры Huggy с использованием библиотеки Unity ML-Agents. Она предназначена для запуска агента в соответствующей игровой среде, наблюдения за его поведением и продолжения обучения через ML-Agents. В репозитории указана версия в формате ONNX; метаданные относят модель к задачам обучения с подкреплением. Лицензия в предоставленных данных не указана.