II.2Создание и понимание программного кода

Экспериментальная компактная модель семейства Llama 2 для генерации текста, опубликованная пользователем michaelbenayoun на Hugging Face. По названию репозитория модель имеет 4 слоя, 4 attention-heads и контекст до 4096 токенов; в метаданных указано около 4,4 млн параметров. Для работы предназначена библиотека Transformers. Модель может использоваться для тестирования загрузки, инференса и архитектурных экспериментов с decoder-only языковыми моделями, а также как небольшой объект для учебных прототипов. Однако слово random в названии указывает на случайную инициализацию весов, поэтому модель не следует рассматривать как готовую систему генерации связного или фактически достоверного текста.

yujiepan/llama-3.3-tiny-random-dim64 — экспериментальная языковая модель, созданная разработчиком yujiepan для отладки и тестирования компонентов Transformers. Она случайно инициализирована на основе конфигурации Meta Llama 3.3 70B Instruct и не является обученной моделью для практического применения. Модель использует архитектуру LlamaForCausalLM с 2 слоями декодера, размерностью скрытого состояния 64, 2 головами внимания и 1 key-value головой. Она содержит около 8,3 млн параметров и поддерживает контекст до 131 072 токенов. Основная модальность — текст, библиотека — Transformers; предназначена для задачи text generation. Модель удобна для быстрых проверок загрузки, инференса, совместимости конфигурации и разработки тестов при минимальных вычислительных затратах. Из-за случайной инициализации она не обладает содержательными знаниями и не подходит для генерации качественного текста, диалогов, анализа документов или других прикладных задач. Лицензия в предоставленных данных не указана.

LLama3 SatCom 8B — специализированная языковая модель, разработанная в рамках программы ESA ARTES для проекта SatcomLLM / SCEVA. Это плотный авторегрессионный трансформер семейства Llama, дообученный методом instruction fine-tuning на базе meta-llama/Llama-3.1-8B-Instruct; размер модели — около 7,5 млрд параметров. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 131 072 токенов по метаданным. Модель предназначена для технических вопросов и рассуждений в области спутниковой связи: инженерных расчётов, радиочастотных систем, сетей 5G/6G NTN, проектирования и планирования миссий. Она может помогать специалистам, исследователям и учащимся разбираться в SatCom-системах и документации, однако не подключается к оперативным данным миссий или закрытым документам ESA. Ответы требуют проверки экспертом и не подходят как единственное основание для критически важных решений. Распространяется по лицензии Llama 3.1 Community License Agreement.

Карточка модели AllIllusion/LunarLander-v3 на Hugging Face совпадает с карточкой MrBenjaroo/ppo-LunarLander-v3-veryBadTest, поэтому описание составлено по ней. Модель MrBenjaroo/ppo-LunarLander-v3-veryBadTest — обученный агент на основе алгоритма PPO для среды LunarLander-v3. Автор карточки указывает, что модель создана с помощью библиотеки stable-baselines3 и сохранена в формате PyTorch. Агент предназначен для управления посадочным модулем в симуляции LunarLander-v3: по наблюдениям среды он выбирает действия, помогающие посадить аппарат. Карточка не сообщает размер модели, языки или подробности обучения. Лицензия в предоставленных данных не указана.

Manas-64M — англоязычная языковая модель с архитектурой Qwen3-MoE, созданная kuluruvineeth с нуля. Она предназначена для генерации текста и диалогов, а также для изучения того, как этапы предобучения влияют на поведение модели. Модель предобучена предсказанию следующего токена на небольшом корпусе quick-start и использует балансировочную функцию маршрутизации экспертов. В ней 8 слоёв, 4 эксперта SwiGLU с маршрутизацией top-1 в каждом слое, 63,9 млн активных параметров на токен и около 0,2 млрд параметров всего. Контекст — 32 768 токенов. Чекпойнт в формате safetensors совместим с Transformers, vLLM и SGLang. Модель говорит только по-английски и обладает ограниченными знаниями о мире: может уверенно сообщать неверные факты и терять нить длинного разговора. Разработчик позиционирует её как учебный и исследовательский артефакт, не предназначенный для важных задач. Лицензия — Apache-2.0.

Marco-Nano-Instruct-APEX — квантованный вариант GGUF модели Marco-Nano-Instruct от AIDC-AI, подготовленный Briko с помощью проекта mudler/apex-quant. Для квантования использовалась матрица важности imatrix; исходные F16 GGUF-файлы и матрица взяты из репозитория mradermacher. Модель предназначена для технических экспериментов: исследования шума квантования, отладки преобразования форматов и сравнения артефактов сжатия. Поддерживает генерацию текста и диалоговый режим; в карточке указаны английский и китайский языки. Квантование резко снижает точность: ответы могут быть бессвязными, содержать галлюцинации или не справляться с простыми задачами. Калибровка, дообучение и восстановление качества не выполнялись. Лицензия — Apache-2.0.

CraftJarvis/minecraft-openha-qwen2vl-7b-2509 — мультимодальная модель CraftJarvis на базе Qwen2-VL-7B-Instruct, дообученная для управления в Minecraft. Модель объединяет визуальное восприятие, рассуждение через абстрактные действия (Chain of Action, CoA) и выдачу текстовых действий в единой системе обучения для задач движения и привязки действий к сцене. Модель предназначена для управления персонажем в Minecraft по визуальному наблюдению и контексту диалога, включая генерацию текстовых действий и обобщение между задачами, обычно решаемыми специализированными агентами. Она использует архитектуру Qwen2-VL с 7,1 млрд параметров, поддерживает изображения и текст, а максимальная длина контекста составляет 32 768 токенов. Репозиторий содержит веса Safetensors и рассчитан на Transformers; лицензия — MIT.

Это текстовая модель Mini-K3-1H v2 от автора репозитория nkkbr — исследовательский чекпойнт предобучения для сравнения вариантов архитектуры. Модель построена как декодерная смесь экспертов (MoE) семейства mini_k3 и содержит около 385,9 млн параметров по метаданным; в README указаны примерно 993 млн логических параметров и около 330 млн активируемых на токен. В архитектуре 13 слоёв: 3 KDA и 10 Gated MLA, а также Attention Residuals и Stable LatentMoE. Контекст модели по метаданным — 131 072 токена; обучение проводилось на последовательностях длиной 8 192 токена. Модель предназначена для продолжения текста и изучения влияния архитектурных изменений на предобучение. Она принимает текст и генерирует текст, но не является помощником, обученным следовать инструкциям. Чекпойнт не оценивался на прикладных задачах, поэтому качество генерации и переносимость результатов на более крупные модели не подтверждены. README не сообщает лицензию модели.

Mini-K3-1H-attn-4mla-nope-v2 — текстовая модель семейства Mini-K3, опубликованная nkkbr как промежуточный чекпойнт предварительного обучения для контролируемого сравнения 20 архитектур. Это декодерная MoE-модель на PyTorch с 13 слоями Gated MLA, позиционным режимом NoPE, блоками Attention Residuals и 64 маршрутизируемыми экспертами, из которых выбираются 2; также предусмотрены 4 общих эксперта. В метаданных указано 385,9 млн параметров, а README сообщает 981,7 млн логических параметров и около 318,5 млн активируемых на токен. Модель предназначена для генерации текста и экспериментального изучения архитектуры при предварительном обучении; она обучена на 16 млрд целевых токенов. Карточка указывает нативный контекст 131 072 токена, тогда как длина последовательности при обучении составляла 8 192 токена. Модель не проходила дополнительного обучения и не оценивалась на прикладных задачах, поэтому она не предназначена для следования инструкциям и может давать неточные, предвзятые, небезопасные или повторяющиеся ответы. Веса доступны в формате safetensors, тип параметров — BF16. README не указывает лицензию репозитория; исходные наборы данных сохраняют собственные лицензии и условия использования, а их тексты в репозитории не распространяются.

Mini-K3-1H-kda-kernel-8-v2_D — текстовая предобученная модель семейства Mini-K3, представленная как исследовательский чекпойнт для контролируемого сравнения 20 архитектур. Репозиторий разработан для изучения архитектурных вариантов Kimi-K3; в модели сочетаются KDA и Gated MLA, блоки Attention Residuals и Stable LatentMoE. Веса сохранены в BF16 в формате safetensors; архитектура MoE содержит 13 слоёв, 385,9 млн параметров по метаданным и около 1,017 млрд логических параметров по README. Контекст модели — 131 072 токена, хотя обучение проводилось на последовательностях длиной 8 192 токена. Модель предназначена для генерации текста и анализа поведения вариантов архитектуры на этапе предобучения. Это не ассистент для диалога: инструкционное дообучение и оценка на прикладных задачах не проводились. Чекпойнт не оценён на downstream-задачах, поэтому его качество и пригодность для практического использования не подтверждены; возможны неточные, предвзятые, небезопасные или повторяющиеся ответы. Лицензия модели в предоставленных данных не указана; исходные датасеты сохраняют собственные лицензии и условия использования.

malaiwah/minimax-m3-tiny-random-bf16 — небольшой эталонный fixture модели семейства MiniMax M3, разработанный для изучения, отладки и воспроизведения рабочих процессов QFS. Это независимо инициализированная модель со случайными, необученными весами, а не уменьшенная или дообученная версия производственной модели. Модель предназначена для запуска через Transformers и не требует удалённого кода модели. Модель имеет 72 000 параметров, включая 8 336 параметров vision-компонента, 272-токенную независимую byte-токенизацию и обёртку для обработки текста и изображений. В ней сохранены архитектурные элементы image-text модели, включая Conv3D vision-модуль, 3D RoPE, patch-merge projector, MoE-компоненты, Gemma-нормализацию и разреженный индексатор, однако разреженная маска на CPU материализуется в плотном виде. Основной pipeline-тег — text-generation; метаданные также указывают image-text-to-text. Сильная сторона модели — минимальный размер и пригодность для воспроизводимых тестов загрузки тензоров, адаптеров семейства моделей, декодеров хранения и захвата QFS. Генерируемый текст не обладает полезным смысловым качеством, поэтому модель нельзя использовать как ассистента, для оценки качества языка, инструкционного следования или производительности. Не заявлены совместимость с исходными production-весами, эквивалентность GPU/NPU, поддержка видео, качество обработки изображений, длинный контекст и производительность production sparse kernels. Лицензия: minimax-upstream-terms.

Модель akanametov/MLAgents-SnowballTarget — обученный агент PPO для игры SnowballTarget, опубликованный сообществом akanametov и созданный с помощью библиотеки Unity ML-Agents. Это модель обучения с подкреплением для управления игровым агентом в среде Unity; её можно использовать, чтобы наблюдать за игрой агента или продолжить его обучение средствами ML-Agents. В репозитории представлен формат ONNX. Карточка не сообщает размер модели, набор наблюдений и действий, языки или конкретные показатели качества. Для запуска требуется совместимая среда SnowballTarget и инструменты ML-Agents; модель не предназначена для обработки естественного языка. Лицензия в предоставленных данных не указана.

jaivial/moe-13b-chat-q4_0 — экспериментальная чат-модель Jaivial, полученная преобразованием Qwen2.5-3B в разреженную архитектуру Mixture-of-Experts в стиле Mixtral с восемью экспертами и маршрутизацией top-2. Модель содержит 24 слоя; обучаемые LoRA-параметры экспертов и маршрутизатор дообучались на CPU в течение 200 шагов, после чего веса были объединены и квантованы в GGUF Q4_0. Также в репозитории есть файлы safetensors с адаптером. Модель предназначена для генерации текста и пробного диалогового вывода на CPU через llama.cpp. Обучение позволило добиться связных английских токенов и структуры чата, но не полноценного следования инструкциям; результаты бенчмарков также указывают на слабое качество. Для запуска приведены параметры llama-server и llama-cli с контекстом 2048 токенов. Лицензия — Apache-2.0.

MolmoAct2-Think — модель Allen Institute for AI для робототехники, расширяющая MolmoAct2 рассуждением по глубине сцены. Перед выдачей действия она может предсказывать компактное дискретное представление глубины 10 × 10 и использовать его вместе с визуально-языковым кэшем для формирования действия. Архитектура — плотная мультимодальная модель MolmoAct2ForConditionalGeneration; репозиторий содержит веса в формате safetensors и предназначен для работы с Transformers. Чекпойнт после дополнительного обучения поддерживает несколько типов воплощений роботов и предназначен прежде всего для дальнейшей донастройки политик, которым нужно учитывать глубину. Он включает визуально-языковую модель, эксперт действий, веса токенов глубины и метаданные нормализации. Это не готовая политика для конкретного робота: для непосредственного запуска README рекомендует дообученную MolmoAct2-Think-LIBERO. Модель принимает визуальные наблюдения и языковые инструкции, а выдаёт представление глубины и действия робота. Лицензия в предоставленных данных не указана.

nuScenes Waypoints Model — модель зрения и языка из коллекции RnB-EnCoRe-SelfDriving лаборатории Stanford Autonomous Systems Lab. Она основана на Qwen/Qwen3-VL-4B-Instruct и дообучена на данных nuScenes для предсказания будущей траектории движения по наблюдениям с нескольких камер. Модель принимает изображения или видео вместе с текстом и выдаёт текстовое представление путевых точек без промежуточного текстового рассуждения. Модель предназначена для экспериментов по планированию движения автономного транспорта и оценки прогнозирования траекторий. Обучение включало 30 эпох и 10 980 шагов оптимизации; максимальная длина последовательности при обучении — 2048 токенов. Распространяется по лицензии Apache-2.0. Это исследовательская модель, обученная на nuScenes; её предсказания могут быть неточными или небезопасными. README прямо указывает, что модель не предназначена для применения в реальных автомобилях или критически важных системах, а результаты следует проверять в симуляции.

Octo-Small — преобразованная в PyTorch версия обобщённой политики робота Octo для задач манипуляции. Репозиторий lilkm/octo-small-test содержит веса в формате safetensors; исходные реализации связаны с octo-models/octo, emb-ai/octo-pytorch и s1lent4gnt/octo-pytorch. Модель использует трансформер с 12 слоями, размерностью 384 и 6 головами, визуальный энкодер SmallStem16 на базе CNN, языковой энкодер T5-Base и диффузионную голову действий с четырьмя шагами. Максимальный горизонт составляет 10 временных шагов, размерность действия — 7. Модель предназначена для управления роботом при выполнении разнообразных манипуляций по визуальным и языковым условиям. Весы T5-Base не включены в репозиторий и загружаются отдельно при инициализации. Лицензия — MIT.

yujiepan/olmo-3-tiny-random — крошечная случайно инициализированная causal language model для отладки, созданная на основе конфигурации allenai/Olmo-3-32B-Think. Модель предназначена для тестирования загрузки, токенизации, chat template, генерации и поддержки длинного контекста в Transformers, а не для содержательного использования в качестве готовой языковой модели. Модель поддерживает задачу text-generation и использует архитектуру Olmo 3 с двумя decoder-слоями, размером скрытого представления 8 и промежуточным размером MLP 32; в метаданных указано около 804,1 тыс. параметров. Заявленная длина контекста составляет 65 536 токенов. Модель работает через библиотеку Transformers и содержит случайные веса, поэтому её ответы не обладают выученными знаниями и практической полезностью. Лицензия в предоставленных данных не указана.

prathamkode/particle-1.0 — компактная диалоговая языковая модель, созданная разработчиком prathamkode с нуля. Это плотная decoder-only архитектура в стиле Llama на 109,5 млн параметров: 12 слоёв, размер скрытого состояния 768, 12 голов внимания, RoPE, SwiGLU, RMSNorm и связанные эмбеддинги. Модель загружается через Transformers, веса сохранены в safetensors; контекст — 2048 токенов. Модель предназначена для коротких англоязычных диалогов, демонстраций и экспериментов с небольшими чат-моделями. Она обучалась предсказанию следующего токена на подмножестве FineWeb-Edu, затем была дообучена на текстовых диалогах Smol-SmolTalk; веса учителя и готовой базовой модели не использовались. Лицензия на веса — MIT, при использовании обучающих данных требуется атрибуция. Из-за небольшого размера модель склонна к ошибкам и галлюцинациям, слабо рассуждает и может давать только короткие ответы. Она ориентирована преимущественно на английский язык и не проходила настройку по предпочтениям или RLHF.

Это обученная модель агента poca для игры SoccerTwos, созданная с использованием библиотеки Unity ML-Agents. Она предназначена для управления игровым агентом в среде SoccerTwos: модель принимает наблюдения среды и выдаёт действия, позволяющие агенту играть в футбол. Репозиторий содержит модель в формате ONNX; обучение можно продолжить с помощью ML-Agents, а работу агента — просматривать в браузере через средство просмотра ML-Agents. Язык взаимодействия — игровые наблюдения и действия, поэтому естественный язык модель не обрабатывает. Лицензия в доступных данных не указана.

Raiden-1001/poca-Soccerv7.2 — обученный агент poca для SoccerTwos, созданный с помощью библиотеки Unity ML-Agents. Модель предназначена для управления агентом в футбольной среде SoccerTwos: её можно использовать для просмотра игры агента или продолжения обучения через ML-Agents. Репозиторий содержит модель в формате ONNX. Карточка не сообщает размер модели, используемый алгоритм обучения или поддерживаемые естественные языки. Модель рассчитана на взаимодействие со средой Unity ML-Agents; лицензия в предоставленных сведениях не указана.

Это обученная модель агента PPO, созданная для игры Huggy с использованием библиотеки Unity ML-Agents. Она предназначена для управления агентом в среде Huggy: модель можно запускать для просмотра поведения агента или использовать как основу для продолжения обучения через ML-Agents. В репозитории указаны файлы ONNX, поэтому модель доступна в этом формате. README не сообщает размер модели, наблюдения и действия агента, языки или лицензию; эти характеристики не описываю.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, который играет в Huggy. Модель создана с помощью библиотеки Unity ML-Agents и предназначена для запуска агента в соответствующей игровой среде, а также для продолжения обучения или наблюдения за игрой в браузере. В репозитории указаны веса ONNX. Агент принимает наблюдения игровой среды и выдаёт действия для управления персонажем. Данные карточки не сообщают размер модели, языковую поддержку или лицензию.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, который играет в Huggy. Модель создана с использованием Unity ML-Agents и предназначена для запуска обученного агента в соответствующей игровой среде, а также для продолжения обучения с помощью ML-Agents. Репозиторий содержит модель в формате ONNX. Агент принимает наблюдения игровой среды и выдаёт действия для управления персонажем. Карточка не сообщает размер модели, языки или лицензию; для этого агента они не указаны в доступных сведениях.

Это обученный агент PPO для игры Huggy, опубликованный пользователем codiefz. Модель создана с помощью библиотеки Unity ML-Agents и предназначена для управления игровым персонажем в среде Huggy; репозиторий содержит модель в формате ONNX. Агент принимает состояние игровой среды и выдает действия для управления персонажем. Карточка описывает возможность продолжить обучение и просматривать игру агента в браузере. Данные о лицензии и численных характеристиках модели не приведены.

Это обученный агент PPO для игры Huggy, опубликованный danisola. Модель создана с помощью библиотеки Unity ML-Agents и предназначена для управления игровым персонажем в среде Huggy с использованием обучения с подкреплением. Репозиторий содержит модель в формате ONNX; её можно использовать для просмотра игры агента или продолжения обучения в ML-Agents. Сведения о размере модели, поддерживаемых естественных языках и лицензии отсутствуют.

Это обученная модель агента Proximal Policy Optimization (PPO), созданная разработчиком Developer-Karthi для игры Huggy в Unity ML-Agents. Модель предназначена для управления агентом в среде Huggy и может использоваться для просмотра его поведения или продолжения обучения через ML-Agents. В репозитории указана библиотека ML-Agents, а модель представлена в формате ONNX. Карточка не сообщает размер модели, контекст или языки; модель принимает состояние игровой среды и выдаёт действия агента, а не предназначена для работы с естественным языком. Лицензия в доступных данных не указана.

Это обученный агент PPO для игры Huggy, опубликованный пользователем fklska. Модель создана с помощью Unity ML-Agents и представлена в формате ONNX; она предназначена для управления игровым агентом в среде Huggy и может использоваться для просмотра его игры или продолжения обучения через ML-Agents. Данные карточки не сообщают размер модели, конкретные входы и выходы наблюдений или лицензию, поэтому эти характеристики не приводятся.

Это обученная методом PPO модель агента для игры Huggy, опубликованная gaarsmu и созданная с помощью библиотеки Unity ML-Agents. Модель предназначена для управления игровым агентом в среде Huggy; её можно использовать для просмотра игры агента в браузере и продолжения обучения через ML-Agents. Репозиторий содержит модель в формате ONNX. Карточка не сообщает размер модели, языки, длину контекста или условия лицензии. Модель работает с игровыми наблюдениями и выдаёт управляющие действия; подробности о представлении входных данных и наборах действий в карточке не приведены.

Это обученный агент PPO, созданный на базе Unity ML-Agents для игры Huggy. Модель предназначена для управления игровым агентом: её можно запустить в среде Huggy и наблюдать за игровым поведением в браузере, а обучение — продолжить с помощью ML-Agents. Репозиторий содержит модель в формате ONNX. Данных о лицензии в использованных источниках нет.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, созданная для игры Huggy с использованием Unity ML-Agents. Она принимает наблюдения из игровой среды и предсказывает действия агента, чтобы тот играл в Huggy; модель можно использовать для просмотра игры и продолжения обучения через ML-Agents. Репозиторий содержит модель в формате ONNX. README не сообщает размер модели, контекст или лицензию, поэтому эти характеристики не описаны.