II.2Создание и понимание программного кода

Модель Cristian Untaru из академического проекта SortMed классифицирует короткие описания симптомов на английском языке по трём категориям срочности: самонаблюдение, консультация врача общей практики и срочная медицинская помощь. Это BERT-модель для классификации последовательностей на базе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext: энкодер заморожен, обучена только классификационная голова. Модель содержит 136,7 млн параметров и обрабатывает контекст длиной до 512 токенов. Модель предназначена для экспериментов и учебных прототипов медицинской предварительной сортировки, в том числе для сравнения подходов к дообучению и классификации медицинских текстов. На тестовой выборке из небольшого набора данных опубликованы accuracy 0,6038 и macro recall 0,6058. Обучающие метки сформированы по правилам и не проверены медицинскими специалистами; модель не учитывает важные сведения о пациенте и может ошибаться, особенно при редких, неполных или противоречивых симптомах. Она не предназначена для диагностики, клинической сортировки или принятия экстренных решений. Лицензия — MIT.

yujiepan/glm-moe-dsa-tiny-random — экспериментальная модель, созданная разработчиком yujiepan для отладки архитектуры GLM-MoE-DSA. Конфигурация адаптирована из zai-org/GLM-5, но веса модели инициализированы случайным образом; модель предназначена для проверки совместимости и поведения реализации, а не для решения прикладных задач.

Home-FunctionGemma-270m — дообученная модель на основе Google FunctionGemma 270M, созданная сообществом acon96 на датасете Home-Assistant-Requests-V2. Она предназначена для управления устройствами в доме через Assist API Home Assistant, а также для ответов на простые вопросы о текущем состоянии дома. Модель относится к текстовым генеративным моделям и поддерживает английский, немецкий, испанский и французский языки. Она оптимизирована и квантизирована с помощью llama.cpp для работы в условиях ограниченных ресурсов, характерных, например, для установок Home Assistant на Raspberry Pi. Архитектура и размер исходной базовой модели указаны как FunctionGemma-270m, однако сведения о длине контекста и точных модальностях отсутствуют. Сильными сторонами модели являются специализация на сценариях домашней автоматизации, интеграция с Assist API и возможность запуска на маломощных устройствах. Ограничения включают узкую предметную область, поддержку только текстовых запросов и отсутствие подробных данных о качестве, точности и производительности. Модель распространяется по лицензии Gemma.

hua-1.7b v1 — компактная языковая модель neelabhbuilds для управления устройствами через Home Assistant. Она основана на Qwen3-1.7B и дообучена методом GRPO с помощью вызовов инструментов; обученная LoRA слита с базовыми весами. Модель содержит 1,7 млрд параметров, использует архитектуру Qwen3 и поддерживает контекст до 40 960 токенов. Модель предназначена для преобразования запросов на английском языке в вызовы инструментов Home Assistant: например, включения света, управления климатом и медиаплеерами. В описанных тестах она улучшила долю полностью выполненных сценариев управления устройствами относительно исходной Qwen3-1.7B, но ответы на вопросы практически не улучшились. Для работы требуется системный промпт Home Assistant со списком устройств и инструменты в формате шаблона чата Qwen3; режим размышления должен быть отключён. Модель распространяется в формате safetensors под лицензией Apache-2.0. Проверялась в bf16; 4-битная версия и работа с автоматизациями не оценивались. Известные ошибки включают неверный выбор инструмента или устройства, путаницу между командами следующего и предыдущего трека, а также ограничения в условных запросах. Поддерживается только английский язык.

yujiepan/llama-3.1-tiny-random — уменьшенная случайно инициализированная языковая модель, созданная разработчиком yujiepan для отладки. Конфигурация основана на Meta-Llama-3.1-70B-Instruct, но параметры модели существенно уменьшены; модель предназначена для запуска тестов и проверки интеграций, а не для продуктивного использования. Модель относится к архитектуре Llama и используется для генерации текста через библиотеку Transformers. Она содержит около 1 млн параметров, 2 скрытых слоя, размер скрытого представления 8, 2 головы внимания и 1 ключ-значение голову. Метаданные указывают на контекст до 131072 токенов и задачу text-generation; поддержка конкретных естественных языков не заявлена. Ключевое преимущество модели — крайне малый размер, удобный для отладки загрузки, токенизации, генерации и совместимости с Transformers. Поскольку веса инициализированы случайно, модель не обладает приобретёнными языковыми знаниями и не подходит для качественной генерации, диалогов, извлечения информации или других прикладных задач. Лицензия в предоставленных данных не указана.

Это слитый чекпойнт политики навигации робота Aasdfip, созданный на базе Qwen3-VL-2B-Instruct: веса SFT-адаптера объединены с базовыми весами, поэтому для дообучения с RL поверх него можно загружать только RL-адаптер. Модель предназначена для ObjectNav — навигации к объектам по визуальным наблюдениям; в обучении также использовались данные PointNav и flow matching для предсказания действий. В состав репозитория входят мультимодальные веса Qwen3-VL и отдельная голова действий с кодировщиком позы. Политика оценивается без подачи позы, хотя обучалась с ней на части данных ObjectNav; в README сообщается о более высоком oracle success без этого входа на указанной выборке. Это чекпойнт для инференса, а не для возобновления обучения: состояния оптимизатора и генератора случайных чисел не включены. Лицензия — Apache-2.0.

yujiepan/meta-llama-3.1-tiny-random-hidden128 — небольшая случайно инициализированная причинная языковая модель, созданная сообществом Hugging Face yujiepan для отладки. Её конфигурация основана на Meta-Llama-3.1-70B-Instruct, но модель существенно уменьшена и не содержит обученных весов. Модель предназначена для проверки кода, конфигураций и экспериментальных сценариев в библиотеке Transformers, а также для тестирования генерации текста на минимальной архитектуре. Она использует архитектуру Llama с 2 скрытыми слоями, размером скрытого состояния 128, промежуточным размером 256, 2 attention heads и 1 key-value head. Объём модели составляет 16,7 млн параметров, заявленная длина контекста — 131 072 токена; основная библиотека — Transformers. Из-за случайной инициализации модель не предназначена для осмысленной генерации текста, диалогов, ответов на вопросы или прикладного использования. README не содержит сведений о лицензии и явно поддерживаемых естественных языках, поэтому эти характеристики нельзя надёжно определить по предоставленным данным.

Mini-K3-1H-decay-g1-v2_B — текстовая исследовательская модель семейства Mini-K3, созданная для контролируемого сравнения архитектурных вариантов. Это чекпойнт предварительного обучения с архитектурой Mixture-of-Experts: 13 декодерных слоёв сочетают KDA и Gated MLA, а также используют Attention Residuals, Stable LatentMoE и другие компоненты семейства Kimi-K3. В репозитории указано около 1,016 млрд логических параметров, из которых на токен активируется около 352 млн; метаданные каталога оценивают размер в 385,9 млн параметров. Контекст модели — 131 072 токена, веса опубликованы в формате safetensors. Модель обучалась на 16 млрд целевых токенов с длиной последовательности 8 192 и не проходила постобучение. Она предназначена для экспериментов с предсказанием следующего токена и сравнением архитектур, а не для диалога или выполнения пользовательских инструкций. Чекпойнт не проверен на прикладных задачах, поэтому качество ответов и пригодность для конкретного сценария не установлены. README не сообщает лицензию репозитория; тексты исходных датасетов не распространяются, и на них распространяются собственные лицензии и условия.

Mini-K3-1H-decay-g64-v2_B — текстовая авторегрессионная модель семейства Mini-K3, опубликованная как исследовательский чекпойнт предварительного обучения для сравнения архитектур. Она предназначена для генерации продолжения текста и изучения влияния архитектурных решений; модель не проходила дообучение для диалогов и не рассчитана на роль инструкционного ассистента. Архитектура — декодер с 13 слоями: 9 KDA и 4 Gated MLA, блоками Attention Residuals и разреженным Mixture-of-Experts. Вариант использует 64 группы затухания на голову. В метаданных указан размер 385,9 млн параметров; README приводит около 1,016 млрд логических параметров и около 353 млн активируемых на токен. Контекст в метаданных — 131 072 токена, тогда как обучение этого чекпойнта проводилось на последовательностях длиной 8 192 токена. Модель принимает и генерирует текст; сведения о поддерживаемых естественных языках не приведены. Чекпойнт обучен с нуля на 16 млрд целевых токенов и не проходил постобучение. Он пригоден для экспериментального исследования генерации и архитектуры, но не оценивался на downstream-задачах, а качество на прикладных задачах не установлено. README не указывает лицензию модели; наборы данных сохраняют собственные лицензии и условия.

Mini-K3-1H-kda-kernel-32-v2_D — текстовая модель семейства Mini-K3, опубликованная как контрольный исследовательский чекпойнт предварительного обучения для сравнения 20 архитектур. Она предназначена для генерации продолжения текста и экспериментов с архитектурой, а не для диалогового использования или следования инструкциям. Модель имеет MoE-архитектуру декодера с 13 слоями: 9 слоями KDA и 4 слоями Gated MLA, блоками Attention Residuals, 64 маршрутизируемыми и общими экспертами и выбором top-k. В метаданных указано 385,9 млн параметров; README приводит около 1,018 млрд логических параметров и примерно 355 млн активируемых на токен. Контекст в метаданных — 131 072 токена, тогда как обучение этого чекпойнта шло на последовательностях длиной 8 192 токена. Модель принимает и генерирует текст; заявлена как текстовая, языковая специализация не указана. Чекпойнт обучен на 16 млрд целевых токенов и не проходил постобучение или оценку на downstream-задачах. README характеризует его как небольшой исследовательский прокси, не предназначенный для роли ассистента; ответы могут быть неточными, предвзятыми, небезопасными или повторяющимися. Лицензия в предоставленных данных не описана; исходные датасеты сохраняют собственные условия использования.

peterchatain выпустил тестовую мини-модель семейства LLaMA для быстрой разработки и проверки кода. Это причинная языковая модель на архитектуре LlamaForCausalLM с одним блоком трансформера, размером скрытого слоя 2 и 32 тысячами параметров. Она принимает текст и формирует текст; максимальная длина контекста составляет 2048 токенов. Веса инициализированы случайно, поэтому модель не предназначена для осмысленных ответов или практических задач генерации текста. Репозиторий содержит веса PyTorch; сведения о лицензии в доступных данных отсутствуют.

modern-llm V1 base — англоязычная предобученная авторегрессионная модель, разработанная John Enev и обученная с нуля на PyTorch. Это decoder-only Transformer на 353,5 млн параметров с 24 слоями и размерностью скрытого состояния 1024; модель использует токенизатор GPT-2 и контекст длиной 1024 токена. Модель предназначена для продолжения текста на английском языке и экспериментов с базовыми языковыми моделями. Она обучена на 10 млрд токенов набора FineWeb-Edu и не настроена на выполнение инструкций: её не следует рассматривать как чат-бота для ответов на вопросы или выполнения команд. Веса опубликованы в формате safetensors по лицензии Apache-2.0. Модель демонстрирует связное продолжение англоязычного текста, но может выдавать фактически неверные или повторяющиеся фрагменты; для диалогового применения в карточке рекомендуются отдельные версии SFT или GRPO.

MoPET booster-derma — исследовательская модель Себастьяна Дёрриха и Даниэля Вюртинґера из xAILab Университета Бамберга для классификации медицинских изображений. Вариант обучен на DermaMNIST совместно с BloodMNIST, OCTMNIST и OrganSMNIST; целевая задача — классификация изображений DermaMNIST, а остальные наборы используются как вспомогательные данные. Модель использует замороженную основу DINOv3 ViT-B/16 и разреженный маршрутизатор, который выбирает экспертов MoPET на основе адаптеров LoRA и BOFT; для каждого набора данных предусмотрена отдельная классификационная голова. Принимает RGB-изображения в виде тензоров PyTorch размером 3×256×256 и выдаёт оценки классов. Лицензия — MIT. Модель предназначена для исследований и экспериментов с классификацией медицинских изображений и извлечением признаков. Она обучена на уменьшенных изображениях MedMNIST+; тонкие детали могут быть утрачены, результаты на классах с малым числом примеров могут быть хуже, а устойчивость к изменению домена не охарактеризована. Модель не предназначена для клинической диагностики; поведение на других типах изображений не определено.

nanowhale-100m — компактная языковая модель для генерации текста и диалогов, разработанная cmpatino на основе архитектуры DeepSeek-V4. Она обучена с нуля: веса DeepSeek-V4 не использовались. Базовая модель прошла предварительное обучение на FineWeb-Edu, а эта версия дополнительно настроена на диалоговый набор Smol-SmolTalk для следования инструкциям. В метаданных указаны 53 млн параметров, контекст 2048 токенов и формат safetensors; README приводит оценку около 110 млн параметров и те же 2048 токенов контекста. Модель принимает текст и генерирует текст. Она рассчитана на эксперименты с небольшими чат-моделями и изучение реализации DeepSeek-V4, а не на надёжное применение: автор предупреждает, что ответы часто бывают несвязными или фактически неверными из-за малого размера и ограниченного обучения. Для запуска требуется Transformers с trust_remote_code=True; README рекомендует fp32, поскольку архитектура Hyper-Connections может приводить к переполнению в bf16. Лицензия — Apache-2.0.

google/ncsnpp-church-256 — модель генерации изображений без текстового условия на основе score-based generative modeling через стохастические дифференциальные уравнения (SDE). Архитектура NCSN++ и реализация для Diffusers предназначены для получения изображений из шума; название репозитория указывает на вариант, обученный на изображениях церквей размером 256×256. Модель подходит для генерации изображений в экспериментах с SDE- и diffusion-подходами. В README описаны методы из статьи о score-based моделировании, включая predictor-corrector сэмплирование и применение подобных моделей к восстановлению изображений, однако отдельные примеры для этого чекпойнта не приведены. Текстовые подсказки модель не принимает. Репозиторий распространяется в форматах Diffusers и PyTorch по лицензии Apache-2.0. README не сообщает размер модели и длину контекста; они здесь неприменимы к генератору изображений.

Это уменьшенная тестовая модель семейства Nemotron-3.5-Lightning, созданная NVIDIA-производной проекта inference-optimization на основе nvidia/NVIDIA-Nemotron-3.5-Lightning-30B-A3B-NVFP4. Она предназначена для тестирования и разработки конвейеров квантизации MTP в llm-compressor, а не для обычного вывода. Архитектура Nemotron-H сочетает Mamba и MoE; в чекпойнте 1,4 млрд параметров, включая 0,4 млрд параметров MTP, а на токен активируется около 0,1 млрд. Весы представлены в bfloat16 и хранятся в safetensors; стандартный загрузчик Hugging Face игнорирует тензоры MTP. Модель генерирует текст и поддерживает диалоговый сценарий. Чекпойнт сокращён по сравнению с базовой моделью и содержит синтетические случайные веса, дообученные на игрушечном наборе копипасты, поэтому качество генерации не предназначено для практических задач. Контекст составляет 4096 токенов. Лицензия — MIT.

CatkinChen/nethack-vae-hmm — мультимодальный вариационный автокодировщик, разработанный для обучения компактным представлениям игровых состояний NetHack. Модель обрабатывает игровую сетку размером 21×79, цвета, статистику blstats, текст сообщений, набор игровых символов и сведения о персонаже: роли, расе, поле и мировоззрении. Модель построена на PyTorch и использует латентное пространство размерности 96. Она предназначена для извлечения признаков и обучения представлений NetHack-состояний; карточка указывает датасет NetHack Learning Dataset и обучение с адаптивным взвешиванием потерь, разогревом эмбеддингов и постепенным изменением фокуса реконструкции. Лицензия — MIT. Модель специализирована на структуре состояний NetHack; описание не подтверждает её применимость к другим играм или мультимодальным данным общего назначения. Для применения нужны входные данные в формате игровых состояний NetHack.

NPC Model — языковая модель Gigax для управления неигровыми персонажами в играх. Она дообучена с помощью LoRA на базе Phi-3-mini-128k-instruct и использует архитектуру Phi-3 с 3,7 млрд параметров. Модель принимает текстовое описание игровой сцены в обученном формате и генерирует текстовые команды-навыки, например реплику, приветствие или атаку. В README заявлен контекст 128k, однако метаданные Hugging Face указывают native context в 4096 токенов; фактическую поддержку длинного контекста следует считать ограниченной этими метаданными. Для лучшей работы требуется точно соблюдать формат промпта, поскольку модель переобучена на нём. Лицензия — MIT.

NPC-LLM-7B — доменно-специализированная разговорная модель, разработанная Gigax для управления персонажами в игровых сценах. Она принимает текстовое описание сцены и генерирует команды навыков, например реплики, приветствие или атаку; набор команд можно расширять через формат подсказки. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и имеет контекст до 32 768 токенов. Это дообучение Mistral-7B-Instruct с помощью LoRA, выпущенное в формате safetensors. Карточка предупреждает, что модель переобучена под конкретный формат входного промпта, поэтому качество зависит от точного соблюдения этого формата. Лицензия — Apache-2.0.

PACE-encoder-0618e180 — дообученный текстовый энкодер, разработанный Newbeing для получения эмбеддингов запросов в эксперименте по маршрутизации LLM, описанном в статье PACE. Он предназначен для представления запросов в виде векторов, используемых при выборе подходящей языковой модели; для воспроизведения эксперимента карточка рекомендует набор данных Newbeing/PACE-LLMRouterBench. Модель основана на плотной архитектуре Qwen3ForCausalLM, содержит 507,6 млн параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса Safetensors, модель распространяется по лицензии MIT. Карточка не описывает результаты оценки качества или другие сценарии применения, поэтому пригодность энкодера для задач за пределами маршрутизации LLM не установлена.

PebbleGPT-320M — плотная авторегрессионная языковая модель на 320,9 млн параметров, разработанная strectelite и обученная с нуля продолжать текст. Это базовая модель, а не чат-ассистент: она не предназначена для следования инструкциям. Модель обучена на 10 млрд токенов из FineWeb-Edu, DCLM-Edu и Python-Edu. Архитектура включает 24 слоя, скрытый размер 1024, SwiGLU, RMSNorm, RoPE и Grouped Query Attention с 16 головами запросов и 4 KV-головами. Контекст составляет 2048 токенов; используется токенизатор SmolLM2 с размером словаря 49 152. Модель генерирует текст на английском языке и может использоваться для экспериментов с продолжением текста и оценки небольших языковых моделей. Лицензия — Apache-2.0. В карточке приведены результаты HellaSwag, PIQA и ARC-easy. Они указывают на ограниченные возможности по сравнению с современными универсальными моделями; короткий контекст и отсутствие обучения следованию инструкциям ограничивают применение в диалогах и сложных задачах.

Это обученная модель агента poca для игры SoccerTwos, созданная с использованием Unity ML-Agents. Она предназначена для управления агентом в симуляции футбольного матча SoccerTwos и может применяться для просмотра игры агента или продолжения его обучения с помощью ML-Agents. Модель сохранена в формате ONNX и относится к обучению с подкреплением. Карточка не сообщает размер модели, поддерживаемые естественные языки и лицензию.

Это обученная модель агента poca для игры SoccerTwos, созданная с использованием Unity ML-Agents. Она предназначена для управления агентом в среде SoccerTwos и может использоваться для просмотра его игры или продолжения обучения через ML-Agents. Модель опубликована в формате ONNX; в метаданных указан pipeline-тег reinforcement-learning. Размер модели, контекст и поддерживаемые естественные языки не относятся к описанному сценарию. Лицензия в предоставленных данных не указана.

Это обученный агент poca для игры SoccerTwos, созданный с использованием библиотеки Unity ML-Agents. Модель предназначена для управления игровым агентом в среде SoccerTwos и может применяться для запуска или продолжения обучения в ML-Agents, а также для просмотра игры агента в браузере. В репозитории представлен формат ONNX. Карточка не сообщает размер модели, параметры обучения, поддерживаемые языки или подробные ограничения поведения; эти сведения не включены в описание. Лицензия в предоставленных данных не указана.

Это обученная модель агента poca для игры SoccerTwos, созданная с использованием библиотеки Unity ML-Agents. Она предназначена для управления агентом в игровой среде SoccerTwos и может применяться для запуска игрового поведения или продолжения обучения через ML-Agents. Модель распространяется в формате ONNX. Карточка описывает обучение и запуск агента, но не приводит размер модели, языковые характеристики или конкретные детали наблюдений и действий. Лицензия в предоставленных данных не указана.

hmatzner/poca-SoccerTwos-Vinicius — обученный агент на основе алгоритма poca для игры SoccerTwos в среде Unity ML-Agents. Модель предназначена для управления игровым агентом в SoccerTwos; её можно использовать для просмотра игры и продолжения обучения через ML-Agents. Репозиторий содержит модель в формате ONNX. Карточка не сообщает размер модели, длину контекста или язык интерфейса. Лицензия в предоставленных данных не указана.

Это дообученная модель Vision Transformer (ViT) для распознавания покемонов на изображениях. Её разработал пользователь skshmjn на базе google/vit-base-patch16-224-in21k; модель содержит 113,2 млн параметров и рассчитана на классификацию изображений покемонов вплоть до поколения 9 — всего до 1025 классов. Модель подходит для идентификации персонажей в Pokémon-приложениях, учебных проектах и других сценариях, где нужно определить покемона по изображению. Она использует библиотеку Transformers и распространяется в формате Safetensors. Модель не предназначена для классификации изображений общего назначения. Лицензия — Apache-2.0.

Это обученный агент PPO для игры BeamRiderNoFrameskip-v4, опубликованный организацией Stable-Baselines3. Модель использует алгоритм Proximal Policy Optimization и библиотеку Stable-Baselines3; обучение выполнено в рамках RL Zoo — инструментария для обучения и подбора гиперпараметров агентов с обученными контрольными точками. Агент предназначен для выбора действий в среде BeamRiderNoFrameskip-v4 и запуска игровых эпизодов с помощью Stable-Baselines3 или RL Zoo. Это модель обучения с подкреплением для взаимодействия с игровой средой, а не универсальная языковая модель. Лицензия в доступных данных не указана.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, созданная для игры Huggy с использованием библиотеки Unity ML-Agents. Она принимает наблюдения из игрового окружения и выдаёт действия агента, чтобы играть в Huggy. Модель сохранена в формате ONNX; README описывает возможность продолжить обучение или запустить агента в браузерном просмотрщике ML-Agents. Лицензия в предоставленных данных не указана.

DanGalt/ppo-Huggy — обученный агент, созданный с помощью библиотеки Unity ML-Agents. Он использует алгоритм PPO (Proximal Policy Optimization), чтобы играть в Huggy, взаимодействуя со средой Unity и выбирая действия по наблюдениям игрового процесса. Модель предназначена для запуска или продолжения обучения через ML-Agents, а также для просмотра игры агента в браузере с файлом ONNX из репозитория. Репозиторий содержит модель в формате ONNX. Карточка не сообщает размер сети, параметры наблюдений или условия лицензии, поэтому эти характеристики нельзя оценить по доступным данным.