II.2Создание и понимание программного кода

Qwen3.8-27B-MTP-4bit — вспомогательная модель-драфтер, созданная сообществом mlx-community на основе Qwen3.8-27B от Qwen. Она предназначена для ускорения генерации текста методом speculative decoding в среде MLX и mlx-vlm, а не для самостоятельного использования. Модель применяется совместно с совместимым целевым checkpoint Qwen3.8 27B, например mlx-community/Qwen3.8-27B-4bit. Модель содержит выделенные Multi-Token Prediction (MTP) веса с типом qwen3_5_mtp и размером MTP-блока 3. Веса квантизированы в формате MLX affine 4-bit с размером группы 64. Во время выполнения целевая модель предоставляет эмбеддинги токенов и language-model head, поэтому драфтер и target должны происходить из одного и того же checkpoint Qwen3.8 27B. README указывает поддержку английского языка и сценариев генерации текста, однако отдельные характеристики контекстного окна, полный языковой охват и модальности не приведены. Основное преимущество модели — возможность ускорять авторегрессионную генерацию за счёт предсказания нескольких токенов и низкой 4-битной точности. Ключевое ограничение заключается в том, что это не самостоятельная языковая модель: без совместимой целевой модели она неприменима. Распространение осуществляется по лицензии Apache 2.0; ограничения и условия исходной модели также сохраняются.

Qwen-Drive-1.0-4B — мультимодальная модель для автономного вождения, разработанная командой Qwen. Она дообучает Qwen3.5-4B и сохраняет архитектуру исходной VLM, дополняя её BEV-головой восприятия и экспертами планирования. Модель принимает изображения дорожной сцены и текстовые инструкции или вопросы, отвечает на вопросы о сцене, распознаёт объекты в 3D, предсказывает семантическую занятость пространства, сегментирует карту в представлении BEV и генерирует будущие траектории автомобиля. Общая система объединяет визуально-языковое понимание, 3D-восприятие и планирование движения. В README описаны варианты планировщика SFT для прямого и рассуждающего планирования, а также RL-вариант, оптимизированный по вознаграждению. Разработчики сообщают о результатах на открытых и замкнутых оценках вождения и сохранении общих возможностей понимания изображений базовой модели. Модель ориентирована на исследования и разработку систем автономного вождения; README указывает на необходимость отдельного кода для запуска. Весовые файлы и конфигурации доступны по лицензии Apache-2.0.

vlabki/rr-speed-v4 — рекуррентная политика игрока для управления в Mario Kart Wii, опубликованная пользователем vlabki. Это обученный методом reinforcement learning чекпойнт на базе recurrent PPO; в карточке указаны 18 250 обновлений и 112 128 000 шагов среды. В репозитории есть веса в формате safetensors, конфигурация модели, статистика нормализации и маршрутный ориентир. Политика предназначена для выбора игровых действий; оценка на фиксированных seed с детерминированным выбором argmax показала 95% финишей для надёжного чекпойнта и 75% для самого быстрого варианта. Модель рассчитана на управление игровым агентом в Mario Kart Wii. README сообщает о поддержке действий через BC, но не описывает точный состав входных наблюдений, схему действий или требования к среде выполнения. Лицензия в предоставленных данных не указана.

OmAhire369/safe-genai-dpo-full — языковая модель на архитектуре GPT-2, разработанная для исследования выравнивания ответов по безопасности. Это полноразмерное дообучение gpt2-medium методом Direct Preference Optimization (DPO) на prompts, затрагивающих вредные темы и стереотипы. Модель генерирует текст по входному текстовому запросу; она загружается через Transformers и сохраняет веса в формате safetensors. Контекст составляет 1024 токена. Модель предназначена для экспериментов с безопасностью и стилем ответов на вредоносные или провоцирующие стереотипы запросы, а также для сравнения стратегий выравнивания PPO и DPO. Она не проходила инструкционное дообучение, поэтому не рассчитана на универсальный диалог, достоверные ответы или применение в производственной среде. Лицензия — MIT.

Это модель диффузии из курса Diffusion Models Class, предназначенная для безусловной генерации изображений милых бабочек. В карточке показан запуск через DDPMPipeline из библиотеки Diffusers: модель создаёт изображение без текстового запроса. Репозиторий содержит веса в формате Diffusers и safetensors, лицензия — MIT. Модель подходит для экспериментов и учебных примеров по генерации изображений. Карточка не сообщает размер модели, разрешение изображений, поддерживаемые языки или дополнительные ограничения.

jonghyuns/sd-class-butterflies-32 — диффузионная модель для безусловной генерации изображений милых бабочек. Она представлена как первая модель курса по диффузионным моделям и запускается через DDPMPipeline библиотеки Diffusers. Модель создаёт изображение без текстового запроса; карточка не сообщает размер изображений или другие параметры архитектуры. Репозиторий распространяется в форматах Diffusers и safetensors по лицензии MIT.

JustTherain/sd-class-butterflies-32 — диффузионная модель, опубликованная как Unit 1 курса по диффузионным моделям. Она предназначена для безусловной генерации изображений милых бабочек: модель создаёт изображение без текстового запроса. Для запуска в библиотеке Diffusers используется конвейер DDPMPipeline. Модель представлена в форматах Diffusers и Safetensors. В карточке указана лицензия MIT. README не сообщает размер модели, разрешение изображений или ограничения качества; по описанию модель обучена генерировать изображения бабочек и может быть узкоспециализированной.

michaeljang/sd-class-butterflies-32 — диффузионная модель, созданная в рамках учебного курса по диффузионным моделям. Она генерирует изображения бабочек без текстового запроса; пример использования в карточке загружает модель через DDPMPipeline библиотеки Diffusers и создаёт изображение. Модель предназначена для учебных экспериментов и генерации изображений бабочек. Репозиторий содержит веса в форматах Diffusers и safetensors. Лицензия — MIT.

Minimin0309/sd-class-butterflies-32 — диффузионная модель, опубликованная Minimin0309 как первая работа в рамках учебного курса по diffusion-моделям. Она генерирует изображения бабочек без текстового запроса; запускать её можно через DDPMPipeline из библиотеки Diffusers. Модель предназначена для экспериментов и демонстраций безусловной генерации изображений. Репозиторий содержит веса в формате Diffusers и Safetensors; лицензия — MIT. В карточке не приведены сведения о размере изображений и оценках качества.

Это диффузионная модель из учебного курса Diffusion Models Class, опубликованная пользователем mounirabubadr. Она предназначена для безусловной генерации изображений милых бабочек: модель создаёт изображение без текстового запроса. Для запуска в README показан DDPMPipeline из библиотеки Diffusers; веса опубликованы в формате Safetensors. Модель подходит для экспериментов с генерацией небольших изображений бабочек и для изучения диффузионных моделей. В карточке указана лицензия MIT. Размер изображений и языковые возможности в доступных данных не описаны.

Это диффузионная модель из учебного курса Diffusion Models Class, предназначенная для безусловной генерации изображений милых бабочек. Она использует DDPMPipeline из библиотеки Diffusers и публикует веса в формате safetensors. Модель принимает случайный шум и создаёт изображение без текстового запроса. Модель подходит для экспериментов и учебных демонстраций генерации изображений. Репозиторий распространяется по лицензии MIT. Размер модели, разрешение генерируемых изображений и поддерживаемые языки в доступных данных не указаны.

Это диффузионная модель, созданная как учебная работа для первого блока курса по diffusion-моделям. Она генерирует изображения бабочек без текстового запроса и запускается через DDPMPipeline библиотеки Diffusers. Модель распространяется в форматах Diffusers и safetensors по лицензии MIT.

jonghyuns/sd-class-butterflies-64 — диффузионная модель, созданная как Unit 1 курса Diffusion Models Class. Она генерирует изображения милых бабочек без текстового запроса; карточка показывает запуск через DDPMPipeline из библиотеки Diffusers. Модель подходит для создания изображений бабочек и учебных экспериментов с безусловной генерацией изображений. Репозиторий содержит веса в форматах Diffusers и safetensors. Лицензия — MIT.

Экспериментальная языковая модель семейства SemSimula, разработанная автором репозитория как третье поколение консервативной архитектуры без механизма Fock. Модель использует PyTorch, не является трансформером и не применяет attention; её динамика основана на скалярных потенциалах Vθ и Vφ, затухающем движении и live gradients, которые передают градиентный сигнал к более ранним токенам через контекстные каналы. Модель предназначена для генерации текста и экспериментального изучения языкового моделирования с физически мотивированной архитектурой. Она обучена на OpenWebText с бюджетом 532 480 000 токенов; автор сообщает perplexity 57,76 на оценке и сравнивает результат с GPT-2 и другими вариантами архитектуры. В README отмечено, что обучение ещё улучшалось к завершению прогона, а уточнение интеграционных шагов заметно ухудшает результат, поэтому траекторию нельзя считать устойчивым непрерывным потоком. Лицензия — CC BY 4.0.

Карточка модели geodesic-research/sfm_baseline_filtered_base на Hugging Face совпадает с карточкой geodesic-research/sfm_unfiltered_e2e_alignment_upsampled_base, поэтому описание составлено по ней. Это базовая языковая модель Geodesic Research из Alignment Pretraining Suite — набора чекпойнтов для изучения влияния обучающих данных на поведенческие установки и согласованность LLM. Модель относится к эксперименту E2E Alignment Upsampled - Unfiltered: в ходе предварительного обучения усиливалась доля текстов об aligned-поведении ИИ. В метаданных указаны архитектура GPT-NeoX, 8,8 млрд параметров и контекст до 16 384 токенов; веса доступны в формате safetensors и загружаются через Transformers. Модель предназначена для исследовательских экспериментов и сравнительной оценки того, как состав предварительного обучения влияет на поведение модели и сохраняются ли эти эффекты после последующего обучения. Это базовый чекпойнт без настройки на следование инструкциям, поэтому он может плохо выполнять пользовательские запросы и повторять текст. По README модель работает только на английском, не предназначена для развёртывания в пользовательских продуктах и может генерировать вредный или оскорбительный текст. Лицензия в предоставленных данных не указана.

Карточка модели geodesic-research/sfm_baseline_unfiltered_base на Hugging Face совпадает с карточкой geodesic-research/sfm_unfiltered_e2e_alignment_upsampled_base, поэтому описание составлено по ней. Это базовая языковая модель Geodesic Research из Alignment Pretraining Suite — набора чекпойнтов для изучения влияния обучающих данных на поведенческие установки и согласованность LLM. Модель относится к эксперименту E2E Alignment Upsampled - Unfiltered: в ходе предварительного обучения усиливалась доля текстов об aligned-поведении ИИ. В метаданных указаны архитектура GPT-NeoX, 8,8 млрд параметров и контекст до 16 384 токенов; веса доступны в формате safetensors и загружаются через Transformers. Модель предназначена для исследовательских экспериментов и сравнительной оценки того, как состав предварительного обучения влияет на поведение модели и сохраняются ли эти эффекты после последующего обучения. Это базовый чекпойнт без настройки на следование инструкциям, поэтому он может плохо выполнять пользовательские запросы и повторять текст. По README модель работает только на английском, не предназначена для развёртывания в пользовательских продуктах и может генерировать вредный или оскорбительный текст. Лицензия в предоставленных данных не указана.

SkinCancerViT — модель классификации изображений кожи, разработанная Ethicalabs и предназначенная для получения предсказаний по фотографиям кожных образований. Она дообучена на базе Vision Transformer google/vit-base-patch16-224-in21k и использует архитектуру ViT; веса опубликованы в формате safetensors. В метаданных указан датасет marmal88/skin_cancer, но состав классов и показатели качества не приведены. Модель рассчитана на задачи компьютерного зрения в медицинском контексте, включая экспериментальную классификацию изображений кожи. Для использования доступен пакет с предварительно обученной моделью; лицензия — Apache-2.0. Результат модели не следует считать медицинским диагнозом: в карточке нет сведений о клинической проверке или точности.

styal/SmolLM2-135M-layertrop-v7 — экспериментальное дообучение HuggingFaceTB/SmolLM2-135M-Instruct, созданное для повышения устойчивости языковой модели к удалению отдельных блоков декодера и снижению потерь при 4-битном квантовании. Модель построена на плотной архитектуре LlamaForCausalLM и содержит 134,5 млн параметров; базовый контекст составляет 8192 токена. Доступные веса сохранены в формате safetensors. Модель предназначена для экспериментов с LayerDrop, устойчивостью внутренних представлений и квантизацией, а не для общего применения. В оценке на одном фрагменте корпуса smol-smoltalk она показала меньший ущерб от удаления блока и снижение ущерба от квантования Q4_K на 31% относительно базовой модели. Результаты получены на ограниченном наборе данных, без контрольного запуска, который позволил бы приписать улучшение именно LayerDrop. Лицензия — Apache-2.0.

SOLE-R1-8B — видеоязыковая модель рассуждений о прогрессе роботизированных задач, представленная Philip Schroeder и соавторами вместе с исследованием «SOLE-R1: Video-Language Reasoning as the Sole Reward for On-Robot RL». Она принимает описание задачи на естественном языке и визуальные наблюдения с нескольких временных шагов, включая кадры с внешних и установленных на запястье камер, и выдаёт текстовое объяснение прогресса и численную оценку в процентах. Модель предназначена для оценки выполнения задач роботом и формирования плотного сигнала вознаграждения для онлайн-обучения с подкреплением, в частности когда вручную заданные функции вознаграждения недоступны. Обучение включало примеры прогресса роботизированных задач и данные для пространственных и временных рассуждений по нескольким кадрам. В метаданных указаны архитектура Qwen3-VL, плотная условно-генерирующая модель и формат safetensors. Лицензия — MIT.

XIV AI разработала лёгкую модель для решения полиномиальных уравнений 1–4-й степени по исходной строке с коэффициентами и переменными. Это двухслойная двунаправленная GRU-сеть с MLP-головой регрессии; она обучена на более чем миллионе синтетических уравнений и предсказывает до четырёх действительных корней без внешней системы компьютерной алгебры. Репозиторий содержит варианты в форматах Safetensors, ONNX и GGUF; README также описывает использование через ONNX Runtime. Модель предназначена для решения линейных, квадратных, кубических и уравнений четвёртой степени в учебных и экспериментальных сценариях. Поддерживаются английская, польская и русская записи. По README, лицензия — MIT; метаданные Hugging Face указывают CC-BY-NC-4.0, поэтому условия распространения следует уточнить по актуальным файлам лицензии репозитория. Результаты — численные приближения, а не точные символические решения. Наилучшая работа заявлена для корней в диапазоне от −20 до 20; комплексные корни, кратность корней и уравнения степени выше четвёртой не поддерживаются. В README приведены метрики на тестовой выборке из 100 уравнений, поэтому они не гарантируют качество на произвольных входах.

Это исследовательский чекпойнт Jeesup на базе диалоговой Llama 2 от Meta с 6,6 млрд параметров. Модель с архитектурой LlamaForCausalLM предназначена для генерации текста в формате чата; исходная модель рассчитана прежде всего на общение на английском языке и поддерживает контекст до 4096 токенов. Веса сжаты методом SVD-LLM: удалено 40,02% параметров, после чего выполнено 7 из 10 раундов перестановки параметров по правилу gap_iter. Чекпойнт создан для изучения влияния сжатия на безопасность и полезность ответов, а не для использования как универсальный чат-ассистент. В README приведены результаты тестов безопасности, включая показатели успешности атак, и отмечен риск ухудшения защитного поведения. Для практического применения модель не предназначена; результаты следует самостоятельно оценивать в исследовательском контексте. Лицензия — Llama 2.

T5Gemma-b-b-ul2 Encoder + Tokenizer — GGUF — это конвертация текстового энкодера и токенизатора модели google/t5gemma-b-b-ul2, подготовленная thepatch для инференса в sa3.cpp. Энкодер используется Stable Audio 3 для преобразования текстовых промптов в представления, необходимые генераторам аудио. Компонент общий для вариантов Stable Audio 3 medium, small-music и small-sfx и поставляется отдельно от их DiT, SAME и conditioner. Модель работает в режиме encoder-only при инференсе и поддерживает английский язык. Токенизатор использует Gemma byte-fallback BPE. Доступны варианты точности F16, F32 и Q8_0 с размерами примерно 537, 1074 и 285 МиБ соответственно. F16 выбран вариантом по умолчанию и практически эквивалентен F32: заявленная cosine similarity для conditioning составляет 0,999995, а для сгенерированного аудио — 0,999848. Q8_0 подходит для устройств с ограниченной памятью, но даёт небольшое снижение точности. Энкодер не содержит conditioner, который поставляется в репозиториях отдельных вариантов Stable Audio 3. Это не новая обученная модель, а конвертация весов в формат GGUF без дообучения. Решение предназначено для локального текстового кодирования при генерации музыки и звуковых эффектов через sa3.cpp, а также может использоваться при обучении в этом окружении. Распространение регулируется Gemma Terms of Use, включая ограничения раздела 3.2.

Theia — зрительная foundation-модель для обучения роботов, разработанная The AI Institute. Версия theia-base-patch16-224-cddsv использует архитектуру TheiaModel; в карточке для варианта theia-tiny-patch16-224-cddsv указана основа DeiT-Tiny и дистилляция знаний CLIP, Depth Anything, DINOv2, Segment Anything и ViT. Модель формирует визуальные представления для последующего обучения робототехнических систем. Её применяют как извлекатель признаков изображений в задачах обучения роботов и переноса визуальных представлений на последующие робототехнические задачи. В опубликованной работе Theia сообщается о результатах выше учительских моделей и прежних моделей робототехнического обучения при меньших объёмах обучающих данных и размерах моделей. Веса распространяются по лицензии The AI Institute License; её конкретные условия следует проверять в репозитории модели.

Theia Tiny Patch16-224-CDiv — визуальная базовая модель для обучения роботов, разработанная The AI Institute. Это компактная модель на основе DeiT-Tiny, одновременно дистиллированная из CLIP, DINOv2 и ViT; она формирует визуальные представления, объединяющие знания учителей, обученных на разных задачах компьютерного зрения. Модель предназначена для извлечения признаков из изображений и использования этих представлений в последующем обучении робототехнических систем. В статье Theia авторы сообщают, что модели семейства превосходят модели-учителя и предыдущие подходы к обучению роботов при меньшем объёме обучающих данных и меньшем размере модели. Репозиторий содержит веса в формате Safetensors и использует библиотеку Transformers. Условия использования определяются лицензией The AI Institute License; её полный текст в предоставленной карточке опущен.

Tiny GptOssForCausalLM — минимальная авторегрессионная языковая модель семейства GPT-OSS, опубликованная командой trl-internal-testing для модульных тестов библиотеки TRL от Hugging Face. Модель предназначена для генерации текста и проверки сценариев обучения и применения causal language models, включая SFT, DPO и GRPO-тесты в TRL. Она загружается через Transformers и имеет conversational-теги и шаблон чата. Модель содержит около 1,6 млн параметров, использует архитектуру GptOssForCausalLM, формат Safetensors и тип данных BF16; заявленный нативный контекст составляет 131 072 токена. Её основное преимущество — компактность для автоматизированных тестов и быстрых проверок интеграции. Из-за минимального размера и тестового назначения она не предназначена для качественной генерации или производственного использования. Лицензия в доступных данных не установлена.

wdndev/tiny_llm_sft_76m_llama — компактная китайская языковая модель для обучения и экспериментов с полным циклом создания LLM. Она основана на архитектуре TinyLLM с причинным декодером; в описании указаны RMSNorm, RoPE и многоголовое внимание MHA. Модель содержит 51,3 млн параметров и принимает контекст до 1024 токенов. Модель предназначена для генерации китайского текста и освоения этапов предварительного обучения, донастройки по инструкциям и выравнивания предпочтений. Разработчик предупреждает, что проект ставит во главу угла прохождение всего конвейера обучения, а не качество ответов: оценки низкие, возможны ошибки генерации. Веса доступны в формате PyTorch; лицензия в предоставленных данных не указана.

trl-internal-testing/tiny-Qwen3ForCausalLM-Instruct-2507 — минимальная языковая модель семейства Qwen3 с архитектурой ForCausalLM, предназначенная для инструкционного режима. Согласно README, она создана для модульных тестов библиотеки TRL, поэтому ориентирована прежде всего на проверку и разработку компонентов обучения и дообучения, а не на практическое применение в продуктивных сценариях. Модель имеет небольшой размер, однако точное число параметров, поддерживаемые языки, длина контекста и доступные модальности в README не указаны. Её основное преимущество — компактность и пригодность для быстрых тестов; качество генерации и функциональные возможности не описаны и не должны рассматриваться как характеристики полноразмерных моделей Qwen3. Разработчик модели и условия лицензирования в предоставленных данных не указаны.

tiny-random-qwen-1.5-MoE — небольшая тестовая модель для генерации текста, размещённая в пространстве peft-internal-testing на Hugging Face. По метаданным она использует архитектурное семейство Qwen2-MoE, библиотеку Transformers и формат safetensors; размер модели составляет около 56,2 тыс. параметров, а родной контекст — 256 токенов. Модель предназначена прежде всего для внутреннего тестирования загрузки, запуска и интеграции text-generation-моделей в экосистеме Hugging Face Transformers. Её можно применять для проверки совместимости пайплайнов, токенизации, генерации коротких последовательностей и сценариев conversational text generation. Из-за крайне малого размера и случайного тестового характера модель не предназначена для качественных прикладных ответов, обучения пользователей или использования в продуктивных системах. README не содержит сведений о разработчике, поддерживаемых естественных языках, обучающих данных, оценивании и лицензии.

optimum-intel-internal-testing/tiny-random-qwen-image — небольшая тестовая модель для генерации изображений по текстовому описанию, опубликованная организацией Optimum Intel Internal Testing на Hugging Face. Она предназначена прежде всего для отладки и проверки совместимости библиотек и конвейеров инференса, а не для создания качественных изображений в прикладных сценариях. Модель относится к семейству Qwen-Image и использует конвейер QwenImagePipeline в Diffusers. В составе представлены текстовый энкодер, диффузионный трансформер и VAE; конфигурация адаптирована из Qwen/Qwen-Image, но параметры модели случайно инициализированы. Репозиторий имеет размер около 191 КБ по данным каталога моделей, однако точная архитектура, число параметров, длина контекста и поддерживаемые языки для этой конкретной публикации явно не указаны. Главное преимущество — минимальный размер и пригодность для быстрых тестов загрузки, конфигурации и выполнения text-to-image pipeline. Случайная инициализация означает, что модель не обладает практическими возможностями исходной Qwen-Image и не предназначена для оценки качества генерации. Лицензия для данного репозитория в найденных материалах не указана.

onnx-internal-testing/tiny-random-SolarOpenForCausalLM — небольшая тестовая модель семейства Solar/OpenForCausalLM для генерации текста. Модель опубликована в пространстве onnx-internal-testing; карточка README автоматически сгенерирована и не содержит сведений о разработчиках, обучающих данных или лицензии. Модель предназначена для проверки совместимости и сценариев инференса в Transformers и ONNX, а также для тестирования конвейера text-generation. В метаданных указаны библиотека Transformers, формат ONNX и размер около 16,5 млн параметров; заявлена длина контекста до 131 072 токенов. Поддержка конкретных естественных языков и прикладных доменов не подтверждена. Из-за тестового назначения и обозначения tiny-random модель не предназначена для получения качественных ответов, надежного диалога или использования в продуктивных системах. Лицензия в доступных данных не указана.