II.2Создание и понимание программного кода

robotwindualsystemjointselfattention — исследовательский чекпойнт OpenWAM-Study для RoboTwin 2.0, используемый как общий базовый вариант в контролируемых сравнениях архитектуры и компонентов. В модели объединяются потоки видео и действий: на заданных мостовых слоях их скрытые состояния образуют общую последовательность и взаимодействуют через совместное внимание, после чего возвращаются в отдельные потоки. Видеобэкбон — Wan2.2-TI2V-5B с родным энкодером Wan-VAE; маска внимания настроена так, что поток действий видит видео. Модель предназначена для робототехнических сценариев, где совместно используются видео и последовательности действий. Чекпойнт служит точкой сравнения для экспериментов с архитектурой, видеобэкбоном, визуальным энкодером и маской взаимодействия. Опубликован в формате safetensors под лицензией Apache-2.0. В карточке не описаны конкретные роботы, наборы задач или численные результаты.

lesliebinbin/sd-class-butterflies-32 — диффузионная модель из первого учебного задания по diffusion-моделям. Она предназначена для безусловной генерации изображений милых бабочек; карточка показывает запуск через DDPMPipeline из библиотеки Diffusers и сохранение модели в формате safetensors. Модель опубликована под лицензией MIT. Модель генерирует изображения без текстового запроса. В карточке не приведены сведения о размере, разрешении изображений и ограничениях качества.

Модель safakhan2025/sd-class-butterflies-32 — диффузионная модель, созданная в рамках первого блока учебного курса по диффузионным моделям. Она предназначена для безусловной генерации изображений милых бабочек: пользователь запускает DDPMPipeline из библиотеки Diffusers и получает изображение без текстового запроса. Модель распространяется в формате Diffusers с весами Safetensors по лицензии MIT. Модель специализируется на изображениях бабочек; README не сообщает размер, разрешение, набор данных или количественные оценки качества. Она не принимает текстовые подсказки и не предназначена для универсальной генерации изображений.

Модель sunilt20/sd-class-butterflies-32 разработана как учебная модель для безусловной генерации изображений бабочек. Это диффузионная модель, запускаемая через DDPMPipeline библиотеки Diffusers; она создаёт изображение без текстового запроса. Модель предназначена для экспериментов и демонстрации безусловной генерации небольших изображений. Репозиторий распространяет веса в форматах Diffusers и safetensors. Лицензия — MIT. Размер изображений и другие параметры генерации в карточке не приведены.

sudaisdev/simple_rnn — небольшая символьная рекуррентная нейросеть, написанная и обученная с нуля на PyTorch. Модель содержит слой эмбеддингов размерности 64, рекуррентный слой с 256 скрытыми нейронами и линейный выходной слой, формирующий оценки для символов словаря. Модель принимает начальный текст и генерирует продолжение посимвольно, предсказывая следующий символ. Она предназначена прежде всего для обучения работе RNN, символьной генерации и созданию пользовательских моделей на PyTorch; для практического применения её возможности ограничены небольшим английским корпусом. Модель распространяется под лицензией MIT. Из-за небольшого корпуса и символьного способа генерации словарь и усвоенные шаблоны ограничены, а текст может содержать несуществующие английские слова; автор не рекомендует использовать её в производстве.

SmolLM2-135M Observable — экспорт базовой языковой модели HuggingFaceTB/SmolLM2-135M, подготовленный автором diegoquinteiro для учебной браузерной лаборатории курса Engenharia Assistida por IA. Модель предназначена для анализа одного прохода трансформера: визуализации вероятностей следующего токена, границ токенов, внимания между головами и промежуточных предсказаний с помощью logit lens и tuned lens. Это не чат-модель и не модель, следующая инструкциям, а предиктор следующего токена. Артефакт представляет собой ONNX-граф с 4-битным квантованием только весов и асимметричными блоками по 32 значения; активации и выходы имеют формат float32. Архитектура содержит 30 слоёв трансформера, скрытое состояние размерности 576 и 9 голов внимания; выходные logits имеют размер 49 152. Граф возвращает промежуточные скрытые состояния, карты внимания, вклады внимания, контрфактические скрытые состояния, результаты attention и MLP, что позволяет исследовать вклад токенов и слоёв. Языки и максимальная длина контекста в README не указаны. Сильная сторона модели — подробная наблюдаемость внутренних вычислений и поддержка интерактивного обучения интерпретируемости. Tuned lens заметно точнее обычного logit lens на восьми проверочных промптах, однако это учебный артефакт, обученный на WikiText-2, а не исследовательский контрольный пункт и не причинное объяснение работы модели. Ограничения включают отличие Q4-вычислений от float32, отсутствие KV-кэша, повторный пересчёт всей последовательности при смене выбранного токена и слабые либо несвязные продолжения, характерные для небольшой базовой модели. Экспорт предназначен для обучения и инспекции, а не для промышленного инференса. Распространяется по лицензии Apache 2.0.

SmolVLA SO101 PickOrange — дообученная модель управления роботом-манипулятором SO101, опубликованная в репозитории edge-inference/smolvla-so101-pick-orange. Она предназначена для выполнения задачи в симуляторе LeIsaac на базе Isaac Sim: подобрать три апельсина со стола, положить их на тарелку и вернуть манипулятор в исходное положение. Модель VLA объединяет визуальный энкодер ViT на основе SigLIP, языковую основу SmolLM2 и обучаемую голову эксперта действий. На вход поступают изображения с двух камер и состояние робота; система преобразует их в визуальные токены, обрабатывает языковой основой с перекрёстным вниманием и выдаёт последовательность из 50 токенов действий, декодируемых в 6D-позиции суставов. Веса модели занимают 1,2 ГБ; энкодер и языковая основа заморожены, а голова действий обучена для данной задачи. Модель обучена на 60 симуляционных эпизодах и 36 293 кадрах, собранных телеоперацией в LeIsaac. Заявленное совпадение среды обучения и оценки упрощает проверку в целевом симуляторе, но не подтверждает перенос на физического робота или другие задачи и сцены. Для использования необходимы соответствующая среда LeIsaac и Isaac Sim. Лицензия — Apache-2.0.

Карточка модели PhuQuy23TNT1/SoccerTwos на Hugging Face совпадает с карточкой manuu01/SoccerTwos, поэтому описание составлено по ней. Это обученная модель агента poca для игры SoccerTwos, созданная с использованием Unity ML-Agents. Модель предназначена для управления игровым агентом в среде SoccerTwos и может использоваться для наблюдения за его игрой или продолжения обучения через ML-Agents. В репозитории представлены веса в формате ONNX. Карточка не сообщает размер модели, лицензию, поддерживаемые естественные языки или известные ограничения качества; агент предназначен для взаимодействия с игровой средой, а не для текстового диалога.

malaiwah/spark2-5-tiny-random-bf16 — небольшая эталонная модель семейства Spark2_5, созданная автором репозитория malaiwah для тестирования архитектуры и воспроизводимых рабочих процессов QFS. Это независимо инициализированная модель со случайными весами BF16, а не версия обученной производственной модели и не квантованный дочерний чекпойнт. Модель имеет около 155,9 тыс. параметров, контекст 256 токенов и предназначена для запуска через Transformers. Модель реализует текстовую архитектуру Spark2_5ForCausalLM с тремя блоками sliding attention и одним полным attention, частичным RoPE, headwise sigmoid gates, GELU gated MLP и связанной матрицей словаря. В комплект входит независимый byte-токенизатор с 260 токенами; поддерживаемые естественные языки не заявлены. Основные сценарии — обучение работе с зафиксированными артефактами, отладка адаптеров семейства моделей, строгой загрузки тензоров, декодеров хранилищ и инструментов воспроизводимости, а также воспроизведение узких технических экспериментов на CPU. Сильная сторона модели — малый размер и удобство для контролируемых тестов, захвата скрытых состояний и проверки пайплайнов без загрузки производственного чекпойнта. Случайные необученные веса не обеспечивают осмысленного текста, следования инструкциям, качества генерации или пригодности для прикладного инференса; также не подтверждены поведение на GPU/NPU, квантованных форматах, длинном контексте, обучение и переносимость результатов между аппаратными платформами. Модель распространяется по лицензии Apache-2.0.

yujiepan/stable-diffusion-3-tiny-random — отладочная версия pipeline Stable Diffusion 3, разработанная пользователем yujiepan на основе stabilityai/stable-diffusion-3-medium-diffusers. Модель предназначена для тестирования и отладки компонентов Diffusers, а не для получения качественных изображений: её параметры случайно инициализированы, поэтому практическая генерация имеет лишь демонстрационное значение. Модель преобразует текстовые описания в изображения и использует компоненты StableDiffusion3Pipeline, включая несколько текстовых энкодеров, Transformer и VAE. Конфигурация существенно уменьшена: текстовые энкодеры и Transformer имеют по 2 слоя и 2 attention heads, скрытый размер основных текстовых представлений равен 8, а VAE использует четыре блока с числом каналов 8. В README не указаны точный размер параметров, поддерживаемые языки, максимальная длина контекста и дополнительные модальности. Пример запуска рассчитан на PyTorch, Diffusers и CUDA и использует два шага инференса. Сильная сторона модели — малый размер и удобство для воспроизводимых тестов, включая проверку загрузки, конфигураций и прохождения pipeline. Основные ограничения — случайно инициализированные веса, непригодность для продуктивной генерации и отсутствие заявленных гарантий качества. Лицензия в README не указана.

stereo2spatial-v2-binaural — модель SpatialDiT от francislabounty для преобразования моно- или стереофонической музыки в двухканальный бинауральный звук для наушников. Она принимает стереосигнал с частотой 48 кГц и формирует выход в порядке каналов FL, FR; монофонический вход поддерживается дублированием канала. Модель содержит около 285 млн параметров и генерирует звук напрямую по форме волны, без отдельного этапа HRTF-рендеринга. Модель предназначена для пространственного преобразования музыки, локального инференса на CUDA и прототипирования приложений иммерсивного аудио. Необязательное mix-style conditioning позволяет задавать характеристики пространственного звучания; генерация также возможна без него. Для обработки длинных записей предусмотрены окна с перекрытием и переносом состояния между окнами. Модель обучалась преимущественно на стереомузыке с частотой 48 кГц. Монофонический материал не входил в обучающее распределение; другие типы аудио и частоты дискретизации могут давать менее надёжный результат. Возможны артефакты, нестабильное позиционирование и нежелательное изменение баланса, поэтому результат требует прослушивания и контроля качества. Лицензия — Apache-2.0.

STOK-SpatialNet-v3 — компактная многозадачная пространственная нейросеть для обучения с подкреплением без заданной награды и планирования в условиях одновременных ходов. Модель разработана для расчёта показателей фреймворка State-Time Option Kernel (STOK), а не для предсказания одной скалярной награды или функции ценности. Сеть принимает пространственное поле 2D с 39 каналами на клетку: геометрию, занятость и характеристики участников, типы местности, достижимость с учётом препятствий и следы кандидатов действий. Она выдаёт 37 групп предсказаний, включая достижимость цели, срочность по времени, изменение возможностей действий, вероятность проигрыша, распределения целей и тактических концепций противника, а также оценки траекторий. Архитектура указана как STOKSpatialAmortizer; файлы представлены в формате safetensors. README описывает применение в игровой тактике и планировании, а язык карточки — английский. Лицензия обозначена как other, поэтому условия использования следует сверить с самой карточкой модели.

Это дообученная модель зрения и языка для навигации по спутниковым изображениям в бенчмарке SatNav. Она создана на основе Qwen/Qwen2.5-VL-3B-Instruct и обучена командой SwiftVLN на офлайн-траекториях экспертов SatNav-v0.1: выполнено одно эпоховое полное дообучение параметров. Модель принимает последовательность до 32 RGB-кадров, использует до 8 кадров истории с повышенным весом недавних наблюдений и предсказывает горизонт из четырёх действий. Для памяти применяется усредняющий пулинг кадров с шагом 2; контекст базовой модели — 128 000 токенов. Модель предназначена для оценки навигационных решений в непрерывной среде SatNav и требует совместимого кода SwiftVLN и конфигурации оценки, извлекаемой из полного имени репозитория. Базовая архитектура Qwen2.5-VL позволяет обрабатывать визуальные входы и выдавать текст, однако этот чекпойнт специализирован на навигации по спутниковой местности. В метаданных указана лицензия, но её значение не предоставлено, поэтому условия использования по лицензии определить нельзя.

arcee-ai/teeny-tiny-mixtral — тестовая заглушка от Arcee AI на архитектуре Mixtral с разреженной смесью экспертов. Она создана для проверки конфигураций и сценариев обучения, а не для решения пользовательских задач. Конфигурация уменьшена до двух слоёв и скрытого размера 512; используются четыре локальных эксперта, из которых для каждого токена задействуются два. В метаданных указан размер 567,3 млн параметров, контекст 32 768 токенов и библиотека Transformers. Репозиторий содержит веса в формате safetensors; модель отмечена как диалоговая и относится к задаче генерации текста. Карточка прямо сообщает, что модель не предназначена для production. Условия лицензии в предоставленных данных не приведены.

Это экспериментальная текстово-условная диффузионная модель, созданная с нуля автором репозитория mbsdeepak на PyTorch. U-Net с 19,4 млн параметров учится обращать гауссовский процесс зашумления, используя замороженные текстовые эмбеддинги CLIP и classifier-free guidance, и создаёт изображение одежды Fashion-MNIST из случайного шума. Модель предназначена для генерации изображений по одному из десяти фиксированных названий классов Fashion-MNIST: например, «sneaker», «dress» или «bag». Генерация выполняется в оттенках серого с разрешением 32×32; в карточке описана выборка методом DDIM за 50 шагов с guidance 1.5. Это учебный проект для знакомства с диффузионной генерацией, а не модель для фотореалистичных изображений или произвольных текстовых запросов. Лицензия — MIT.

TinyAlpaca-v0.1 — небольшая языковая модель семейства Llama, дообученная на базе TinyLlama с использованием набора yahma/alpaca-cleaned. Она предназначена для генерации текстовых ответов на инструкции в формате Alpaca: запрос помещается после заголовка «Instruction», а ответ модель продолжает после «Response». Модель содержит 1 млрд параметров, использует архитектуру LlamaForCausalLM и принимает контекст длиной до 2048 токенов. Модель создана blueapple8259 и распространяется по лицензии MIT. В карточке автор предупреждает о крайне низком качестве ответов и не рекомендует скачивать модель; поэтому она подходит скорее для экспериментов с небольшими инструктивными моделями, чем для надёжного применения.

trl-internal-testing/tiny-BloomForCausalLM — минимальная тестовая модель архитектуры BloomForCausalLM, предназначенная для модульных тестов библиотеки TRL. В карточке указано, что модель связана с экосистемой Hugging Face и использует библиотеку Transformers. Модель рассчитана на внутренние проверки и тестовые сценарии, а не на прикладное генерирование текста или промышленное использование. Её ключевая сильная сторона — компактность и пригодность для быстрых тестов; размер, поддерживаемые языки, модальности, длина контекста и другие архитектурные характеристики не указаны. Лицензия в карточке также не указана.

Tiny Gemma3ForConditionalGeneration — минимальная модель на базе архитектуры Gemma 3, разработанная для модульных тестов библиотеки TRL. Она предназначена прежде всего для проверки корректности работы компонентов и сценариев TRL, а не для решения прикладных задач машинного обучения. Модель распространяется через Transformers и имеет тег trl. В доступных данных не указаны точный размер, поддерживаемые модальности и языки, размер контекста, конкретный разработчик базовой архитектуры или лицензия. Из-за минимального тестового назначения её сильной стороной является пригодность для быстрых и воспроизводимых тестов, тогда как практическая ценность для генерации текста или других пользовательских задач не подтверждена.

Tiny LlavaForConditionalGeneration — небольшая копия модели trl-internal-testing/tiny-LlavaForConditionalGeneration, подготовленная для тестирования PEFT. Модель основана на архитектуре LlavaForConditionalGeneration и предназначена прежде всего для модульных тестов и проверки интеграции компонентов библиотеки Transformers и связанных инструментов, а не для полноценного прикладного использования. Модель имеет минимальный размер, однако точные параметры архитектуры, количество параметров, поддерживаемые языки, размер контекста и набор модальностей в README не указаны. Лицензия и условия распространения также не приведены. Известное преимущество — удобство и низкая ресурсоёмкость при тестировании; ключевое ограничение — непредназначенность для продуктивных задач и отсутствие подробных характеристик.

echarlaix/tiny-mpt-random-remote-code — компактная модель генерации текста, опубликованная пользователем Hugging Face echarlaix. Она использует архитектуру MPT и предназначена для авторегрессионного продолжения текста; карточка показывает загрузку через Transformers и указывает лицензию Apache-2.0. В репозитории есть пользовательский код модели, необходимый для загрузки с trust_remote_code=True. Название и архитектура указывают на случайно инициализированный тестовый вариант MPT, а не на обученную модель для качественных ответов. Модель можно использовать для тестирования загрузки и совместимости с инструментами генерации текста. Размер, контекст и поддерживаемые естественные языки в доступных сведениях не подтверждены.

Tiny NemotronHForCausalLM — минимальная модель для тестирования, предназначенная для модульных тестов библиотеки TRL. Модель относится к классу causal language models и используется в тестовой инфраструктуре, а не как полноразмерное решение для прикладных задач генерации текста. В README не указаны разработчик, размер, архитектурные параметры, поддерживаемые языки, модальности, длина контекста или результаты оценки качества. Известно только, что модель связана с библиотекой Transformers и имеет тег TRL. Лицензия и условия использования в предоставленных данных не указаны.

peft-internal-testing/tiny_OPTForFeatureExtraction-lora — небольшой тестовый LoRA-адаптер для модели семейства OPT, опубликованный в репозитории peft-internal-testing и предназначенный для проверки библиотеки PEFT. По названию и карточке модели он связан с задачей извлечения признаков, а на Hugging Face также помечен как совместимый с PEFT и категорией Text Generation. Модель предназначена прежде всего для автоматизированных тестов, отладки и проверки интеграции параметрически эффективного дообучения, а не для прикладной генерации текста или построения качественных эмбеддингов. Архитектура базируется на OPT, но точный размер, конфигурация, размерность представлений, контекстное окно, языки и параметры LoRA в доступных данных не указаны. Мультимодальность не заявлена; по имеющейся информации это текстовая модель. Сильная сторона — пригодность для воспроизводимых тестов PEFT при малом размере. Ограничения — тестовый статус, отсутствие подтвержденных характеристик качества и неизвестная применимость к производственным сценариям; карточка также сообщает, что задача для стандартного примера использования PEFT определяется как недействительная. Лицензия в доступных материалах не указана.

hmellor/tiny-random-BambaForCausalLM — небольшой тестовый checkpoint архитектуры Bamba, размещённый пользователем hmellor (Harry Mellor) на Hugging Face. Модель предназначена для генерации текста через Transformers и, судя по названию tiny-random и включению в коллекцию моделей для vLLM CI, прежде всего для тестирования совместимости и программных компонентов, а не для получения качественных текстов. Bamba — decoder-only языковая модель на основе гибридной архитектуры Mamba-2 с компонентами attention и SwiGLU; исходная полноразмерная версия разработана совместно IBM, Princeton и UIUC. У этого checkpoint указано около 33,1 млн параметров и формат BF16. Поддерживается текстовая модальность; сведения о языках, размере контекста, обучающих данных и точной конфигурации данного уменьшенного checkpoint в карточке отсутствуют. Сильная сторона модели — пригодность для локальных тестов загрузки, инференса и интеграции Bamba с Transformers или vLLM при небольшом размере. Из-за случайной инициализации, отражённой в названии tiny-random, модель не предназначена для надёжной генерации, прикладного дообучения или оценки языковых способностей. Разработчик, лицензия, условия использования и подробные ограничения в карточке модели не указаны.

ydshieh/tiny-random-BertForSequenceClassification — небольшая тестовая модель, опубликованная пользователем ydshieh, сотрудником Hugging Face. Репозиторий предназначен для использования с библиотекой Transformers и задач текстовой классификации через AutoModelForSequenceClassification или pipeline. Модель основана на архитектуре BERT и доступна в форматах PyTorch и TensorFlow; репозиторий также содержит токенизатор BERT. По названию и структуре репозитория это случайно инициализированная tiny-модель, предназначенная прежде всего для тестирования загрузки, совместимости и программных конвейеров, а не для получения качественных предсказаний. Данные о размере, числе классов, языках и точной длине контекста в карточке модели не указаны; модельная карточка отсутствует. Сильная сторона модели — малый размер и поддержка стандартного интерфейса Transformers. Ограничение — отсутствие описанного обучения на прикладном датасете, поэтому её нельзя считать готовой классификационной моделью для производственного применения. Лицензия в доступных материалах репозитория не указана.

onnx-internal-testing/tiny-random-Gemma3nForConditionalGeneration — небольшая случайно инициализированная тестовая модель, адаптированная из yujiepan/gemma-3n-tiny и опубликованная для внутреннего тестирования интеграции с библиотекой Transformers и ONNX. Разработчик, назначение исходной модели и автор публикации в карточке не указаны. Модель относится к архитектуре Gemma3nForConditionalGeneration и предназначена прежде всего для проверки загрузки, преобразования и выполнения моделей в программных пайплайнах, а не для решения прикладных задач генерации текста или мультимодального анализа. Размер, точные архитектурные параметры, поддерживаемые языки, модальности и размер контекста не указаны. Из названия следует, что модель является уменьшенной и случайной, поэтому её результаты не следует интерпретировать как показатели качества Gemma или использовать в продуктивных сценариях. Лицензия, данные обучения, оценки, ограничения, требования к оборудованию и условия использования в README не указаны. Основное ограничение модели — отсутствие заявленной прикладной точности и подробной технической документации; она подходит для автоматизированных тестов и разработки, но не для надежных пользовательских ответов или производственных нагрузок.

Xenova/tiny-random-GemmaForCausalLM — небольшая тестовая модель на базе архитектуры GemmaForCausalLM, опубликованная в экосистеме Hugging Face Transformers. По названию предполагается, что веса имеют случайную инициализацию и предназначены прежде всего для проверки совместимости архитектуры, загрузки и работы инструментов, а не для содержательной генерации текста. Конкретный разработчик, исходная модель и параметры обучения в карточке не указаны. Модель ориентирована на технические сценарии: тестирование кода и пайплайнов Transformers, эксперименты с причинной языковой моделью и проверку интеграций. Сведения о размере, числе параметров, длине контекста, поддерживаемых языках и модальностях отсутствуют; по классу GemmaForCausalLM можно заключить только, что это текстовая авторегрессионная модель. Из-за случайных весов её качество генерации, языковые способности и пригодность для прикладных задач не подтверждены, поэтому использовать её как полноценную предобученную или диалоговую модель не следует. Лицензия указана как Apache-2.0, что допускает использование, изменение и распространение на условиях этой лицензии. Дополнительные сведения о рисках, ограничениях, датасетах, оценивании и рекомендациях в README не представлены.

hyper-accel/tiny-random-gpt2 — небольшая авторегрессионная языковая модель семейства GPT-2 для генерации текста. Модель опубликована на Hugging Face пользователем или организацией HyperAccel, однако в карточке модели разработчик явно не указан; сама карточка автоматически сгенерирована и содержит множество незаполненных полей. Модель предназначена прежде всего для тестирования и демонстрации текстовой генерации, а также для использования с Transformers, vLLM и SGLang. Это GPT-2 с архитектурой GPT2LMHeadModel: 2 слоя, 2 attention-heads, размер скрытого представления 128, словарь из 50 257 токенов и контекст до 1024 токенов. Указано около 6,96 млн параметров, формат весов Safetensors и тип данных float32. Модель относится к текстовой, одномодальной генерации и не предназначена для обработки изображений, аудио или других модальностей. Из-за очень малого размера и названия tiny-random модель, вероятно, пригодна главным образом для проверок совместимости, экспериментов и тестовых сценариев, но не для качественной прикладной генерации текста; сведения о датасете, языках, обучении, качестве, ограничениях и рисках отсутствуют. Лицензия в карточке не указана, поэтому условия использования необходимо уточнять отдельно перед применением.

optimum-internal-testing/tiny-random-gpt-oss — небольшая тестовая модель из экосистемы Hugging Face Transformers. README не указывает разработчика, архитектуру, размер, языки, модальности, контекст, назначение, обучающие данные, оценки или лицензию. По идентификатору и названию можно заключить лишь, что модель предназначена для внутреннего тестирования и, вероятно, используется для проверки совместимости и работы компонентов Transformers, а не как полнофункциональная модель для прикладных задач. Сильной стороной является пригодность для быстрых технических тестов благодаря малому размеру, однако сведения о фактических возможностях, качестве генерации, ограничениях и безопасном использовании отсутствуют. Условия лицензирования в README не указаны, поэтому перед применением необходимо изучить метаданные репозитория модели.

Intel/tiny-random-llama2 — небольшая случайно инициализированная модель семейства Llama, производная от meta-llama/Llama-2-7b-hf. Модель разработана Intel и предназначена прежде всего для функционального тестирования, в частности компонентов и сценариев, связанных с optimum-intel и Intel Extension for PyTorch (IPEX). Из-за случайных весов модель не предназначена для качественной генерации текста или решения прикладных задач. README не содержит точных сведений о размере модели, архитектурных параметрах, поддерживаемых языках, модальностях, длине контекста или лицензии. Ее основное преимущество — пригодность для быстрых и воспроизводимых проверок программной совместимости и корректности работы тестовой инфраструктуры; ключевое ограничение — отсутствие практической генеративной ценности.

HuggingFaceM4/tiny-random-LlamaForCausalLM — небольшая тестовая языковая модель, опубликованная организацией HuggingFaceM4 на Hugging Face. Она предназначена для генерации текста и интеграции с библиотеками Transformers, а также может запускаться через совместимые серверы инференса. Модель использует архитектуру LlamaForCausalLM для авторегрессионной генерации текста. Согласно конфигурации, в ней 2 трансформерных слоя, 4 attention heads, размер скрытого представления 16, intermediate size 64, словарь из 32 000 токенов и тип данных float16. Мультимодальность и поддерживаемые языки не указаны; максимальная длина контекста также не указана. Ключевое преимущество — минимальный размер, удобный для тестирования загрузки, совместимости и пайплайнов без значительных вычислительных ресурсов. Ограничение состоит в том, что это tiny-random-модель, поэтому она не предназначена для качественных прикладных ответов или промышленного использования и, вероятно, служит проверочным артефактом. В карточке модели лицензия не указана.