II.2Создание и понимание программного кода

yujiepan/llama-3-tiny-random — экспериментальная модель генерации текста, разработанная пользователем yujiepan на основе конфигурации meta-llama/Meta-Llama-3-8B-Instruct. Модель имеет случайную инициализацию весов и уменьшенный размер, поэтому не является обученной инструкционной моделью и предназначена прежде всего для тестирования, разработки и проверки совместимости с библиотекой Transformers, а не для качественной генерации текста в прикладных сценариях. Архитектура основана на конфигурации Llama 3: два скрытых слоя, размер скрытого представления 4, промежуточный размер 14, два attention heads и один key-value head. Модель работает в формате bfloat16 и поддерживает text-generation через Transformers; README не указывает точный объём параметров, длину контекста или перечень языков. Токенизатор унаследован от исходной модели Meta Llama 3. Сильной стороной модели является исключительно малый размер, удобный для быстрых экспериментов и автоматизированных тестов. Основное ограничение — случайно инициализированные веса, из-за чего содержательная генерация текста и следование инструкциям не гарантируются. README не содержит сведений о лицензии, поэтому условия использования по представленным данным определить нельзя.

MirageML/lowpoly-game-building — модель генерации изображений на основе Stable Diffusion, дообученная методом DreamBooth для создания низкополигональных игровых зданий. Для генерации используйте в запросе ключевую фразу «a photo of lowpoly_game_building» вместе с описанием нужного здания или сцены. Модель предназначена для создания стилизованных игровых ассетов и концепт-изображений по тексту; репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors. Лицензия — CreativeML OpenRAIL-M.

Mineskin-Diffusion-v1.0 — модель генерации изображений, разработанная для создания скинов Minecraft. Это переработанная версия более ранних моделей Minecraft Skin Diffusion; автор сообщает примерно о 18 млн параметров и обучении на 30 000 изображениях мужских и женских скинов. Модель использует диффузионный подход и доступна в формате Diffusers с весами Safetensors; в метаданных указан pipeline unconditional-image-generation. Модель предназначена для быстрого создания вариантов игровых скинов и их просмотра в 3D. README упоминает запуск через Google Colab и локально с библиотеками PyTorch, Diffusers, Pillow, NumPy и Transformers. Лицензия — MIT. Количество параметров и состав обучающих данных приведены автором README.

Это дообученная vision-language-action модель MolmoAct2 от Ai2, адаптированная к выполнению задачи `eyedrops_basket_lightbox` на данных SO101. Чекпойнт обучен на базе `allenai/MolmoAct2`; указаны 25 000 шагов обучения и режим action-expert-only. Весовой файл в формате Safetensors размещён в корне репозитория для прямой загрузки. Модель предназначена для управления роботом SO101 по визуальным наблюдениям и инструкциям в сценарии помещения глазных капель в корзину у лайтбокса. Она может служить специализированной политикой для воспроизведения этой манипуляционной задачи и отправной точкой для дальнейшей адаптации. Лицензия и дополнительные сведения о производительности в предоставленных материалах не указаны.

MolmoAct2-LIBERO-Drift-Keystone — xpuenabler разработал эту VLA-модель для управления роботом в задачах LIBERO. Это дообученная версия allenai/MolmoAct2-LIBERO: flow-matching эксперт действий переобучен с функцией потерь Drift, чтобы сократить число шагов вывода с 10 до 1; при генерации дополнительных параметров не добавлено. Модель использует исходную структуру и формат чекпойнта LeRobot. Модель принимает изображения, состояние робота и текстовую инструкцию, а выдаёт действия. В README описана оценка на четырёх наборах задач LIBERO: сообщается о результате 97,6% для одного шага и 97,9% при использовании KeyStone с K=8 и C=4; замеры задержки приведены для B200. KeyStone — необязательный режим выбора действий по геометрической самосогласованности. Для запуска требуется ветка LeRobot с поддержкой параметров drifting и test-time; результативность вне описанной оценки не установлена. Лицензия — Apache-2.0.

Это дообученная vision-language-action модель MolmoAct2 от Ai2 для управления роботом SO101 при выполнении задачи вставки кольца. Модель создана на основе allenai/MolmoAct2 и обучена на данных villekuosmanen/armnetbench_ring_insert; опубликован чекпойнт после 25 000 шагов обучения с настройкой только action expert. Модель предназначена для управления роботом по визуальным наблюдениям и инструкциям в сценарии ring_insert. Весовой файл сохранён в формате Safetensors и предназначен для загрузки через экосистему LeRobot. Лицензия и ограничения по языкам в предоставленных источниках не описаны.

pravsels/molmoact2_tool_insert_quantile_norm_fix_25k — дообученная vision-language-action модель на базе MolmoAct2 от Ai2. Она обучена с настройкой только action-expert для задачи вставки инструмента (tool_insert) по данным SO101; карточка указывает исходный чекпойнт allenai/MolmoAct2, датасет villekuosmanen/armnetbench_tool_insert и шаг обучения 25 000. Модель предназначена для управления роботом по визуальным наблюдениям и языковым инструкциям в сценариях вставки инструмента. Репозиторий содержит веса в формате safetensors и рассчитан на использование с библиотекой LeRobot. Лицензия и сведения о контекстном окне в предоставленных данных не указаны.

Карточка модели ivykopal/nlp-2026-hanoi-sft-50 на Hugging Face совпадает с карточкой ivykopal/nlp-2026-hanoi-sft, поэтому описание составлено по ней. Компактная языковая модель на архитектуре Llama с 134,5 млн параметров, созданная авторами NLP 2026 полным дообучением SmolLM2-135M-Instruct. Она генерирует последовательность ходов для головоломки «Ханойская башня»: один ход на строку в формате вроде A->C. Модель обучалась имитировать оптимальные траектории, включая демонстрации с 20% искусственно испорченных траекторий. Контекст составляет 8192 токена; поддерживается английский язык. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Модель предназначена для исследований и обучения: изучения влияния шума в демонстрациях, переноса на более длинные решения и использования в качестве SFT-базовой модели для GRPO/GSPO. На задачах с 3–5 дисками доля полностью решённых головоломок на отложенных перестановках составляла 0,60. При переходе с обучающих примеров до 5 дисков на 6 дисков модель выдаёт 31 легальный ход вместо требуемых 63 и не решает головоломку. Это специализированная модель, а не универсальный ассистент.

Модель davidheineman/opd-teacher-Q2.5I-Multiplication-step149 — экспериментальный учительский чекпойнт на основе Qwen2.5-1.5B-Instruct, разработанный David Heineman. Она дообучена методом GRPO в среде Multiplication на сложности 0 после 150 обновлений и предназначена для эксперимента по on-policy дистилляции с 32 средами. Модель использует плотную архитектуру Qwen2 и принимает текст, генерируя текст; размер составляет 1,5 млрд параметров, контекст — до 32 768 токенов. Чекпойнт преобразован из финального нативного состояния обучения в формат Hugging Face safetensors; в README подтверждена проверка имён и форм тензоров относительно базовой модели. Лицензия — Apache-2.0, унаследованная от Qwen. Это специализированная экспериментальная модель для задач умножения и дистилляции, а не универсальная замена базовой инструктивной модели.

OpenArm PackingBench v1 — это дообученный чекпойнт NVIDIA GR00T N1.7 на 3 млрд параметров для управления двуруким роботом OpenArm при упаковке предметов. Модель основана на nvidia/GR00T-N1.7-3B, использующем визуально-языковую основу nvidia/Cosmos-Reason2-2B; опубликованы веса в формате safetensors для инференса на шаге обучения 90 000. Модель предназначена для выполнения задачи pick-and-pack в симуляции Isaac Sim: по изображению с четырёх камер и формулировке задания она управляет 16-степенным двуруким OpenArm, чтобы поместить один или два предмета в коробку и закрыть её. Обучение проводилось имитационным методом на 350 эпизодах и 137 678 кадрах; оценка описана для сцены с коробкой ShippingBoxSmall и степлером Stapler6. Модель узкоспециализирована на вариантах задачи упаковки и конфигурации OpenArm из обучающего набора. README указывает лицензию репозитория как other, но конкретные условия не раскрывает.

ParticleViT-L — трансформерная модель семейства ParticleViT для извлечения признаков из частиц, составляющих струю в данных коллайдера. Модель разработана авторами работы «Predict before you train: scaling laws for particle physics foundation models» и обучена на корпусе OmniLearned, объединяющем симулированные и реальные данные о струях. Размер модели — 126,1 млн параметров; архитектура включает 10 слоёв, ширину 1024 и 16 голов внимания. Каждая частица представлена токеном, а итоговое представление считывается с добавленного CLS-токена. Модель предназначена для получения представлений струй и последующей тонкой настройки под классификацию и tagging, например для различения типов струй. Она принимает наборы до 150 частиц с девятью каналами признаков; для инференса требуется поставляемая замороженная нормализация кинематических признаков. У модели нет специализированных физических индуктивных смещений, таких как лоренц-эквивариантность или признаки попарных взаимодействий. Веса опубликованы в формате safetensors, код рассчитан на PyTorch и поддерживает инференс на CPU и GPU. Лицензия — MIT.

ParticleViT-XL — крупная модель семейства ParticleViT, разработанная авторами работы «Predict before you train: scaling laws for particle physics foundation models». Это трансформер для наборов частиц внутри струй, зарегистрированный на Hugging Face для извлечения признаков. Модель принимает до 150 частиц на струю с девятью признаками каждой частицы и использует один добавленный class token для чтения представления. В архитектуре 14 слоёв, ширина 1536, 24 головы внимания и 396,8 млн параметров; позиционные кодировки и специализированные физические индуктивные смещения не используются. Модель предварительно обучена классифицировать 210 классов на объединённом наборе OmniLearned, включающем около 1,06 млрд струй из симуляций и реальных данных. Её предполагаемый сценарий применения — извлечение представлений и дообучение для классификации и тегирования струй в задачах физики частиц. Для инференса требуется предусмотренная репозиторием нормализация входных признаков. Веса доступны в формате safetensors, лицензия — MIT. Модель предназначена для научных данных о столкновениях частиц; качество на задачах, отличающихся от обучающих данных, в README не охарактеризовано.

ConvexAI/Pelican-9b-v0.1 — языковая модель, созданная слиянием предварительно обученных моделей flemmingmiguel/MBX-7B и flemmingmiguel/MBX-7B-v3 методом passthrough с помощью mergekit. Это плотная авторегрессионная модель семейства Mistral с 9,7 млрд параметров и контекстом до 32 768 токенов. Она принимает текст и генерирует текст; заявленная лицензия — Apache-2.0. Модель предназначена для генерации текста, однако автор предупреждает, что она работает некорректно: выдаёт испорченный немецкий текст и может зацикливаться на теме футбола. Поэтому её практическое качество ограничено; возможный сценарий — изучение или демонстрация последствий слияния моделей, а не надёжное применение в пользовательских задачах.

optimum-intel-internal-testing/phi-3.5-moe-tiny-random — тестовая модель из пространства Optimum Intel Internal Testing, связанная с архитектурой Microsoft Phi-3.5 MoE; репозиторий является зеркалом модели katuni4ka/phi-3.5-moe-tiny-random. Она предназначена прежде всего для проверки совместимости и работы инструментов Transformers, vLLM и SGLang, а не для прикладного использования или оценки качества ответов. Основная задача — генерация текста и диалоговые сценарии через causal language modeling с поддержкой chat template и custom code. Архитектура относится к PhiMoE: sparse Mixture-of-Experts Transformer с Grouped Query Attention. В конфигурации архитектуры указаны 32 слоя, hidden size 4096, 32 attention heads, 8 key-value heads, 16 локальных экспертов и маршрутизация двух экспертов на токен; максимальная длина позиции по умолчанию составляет 131072 токена. Модель работает с текстом, других модальностей не заявлено. Точные языки, фактический размер рабочего чекпойнта и прикладные метрики не установлены. Ключевое ограничение следует из названия tiny-random: это уменьшенный случайно инициализированный тестовый чекпойнт, поэтому его ответы и производительность не предназначены для практических задач и не отражают возможности полноразмерной Phi-3.5-MoE. Для загрузки требуется trust_remote_code, что подразумевает выполнение пользовательского кода репозитория. В найденных материалах подтверждена лицензия Apache-2.0 для файла конфигурации, но отдельные условия лицензирования весов этой тестовой модели явно не указаны.

tiny-random/phi-4 — небольшая случайно инициализированная модель для отладки, опубликованная в экосистеме Hugging Face и созданная на основе конфигурации microsoft/phi-4. Она предназначена для тестирования загрузки и выполнения задач генерации текста с помощью Transformers, а не для получения качественных содержательных ответов или использования в производственных сценариях. Модель поддерживает конвейер text-generation и использует архитектурные настройки, адаптированные из phi-4: hidden size 16, intermediate size 32, два attention-головы, один key-value head и два скрытых слоя. Токенизатор и generation config унаследованы от microsoft/phi-4; другие характеристики, включая точное число параметров, поддерживаемые языки и размер контекста, в README не указаны. Для работы может требоваться trust_remote_code, а пример ориентирован на выполнение на CUDA. Ключевое преимущество модели — минимальный размер и пригодность для быстрых тестов, отладки интеграций и проверки совместимости библиотек. Поскольку веса случайно инициализированы, модель не обладает заявленными языковыми способностями и ограниченно применима за пределами технической отладки. Сведения о лицензии в README отсутствуют.

Это полная тонкая настройка базовой модели lerobot/pi05_base на демонстрациях сборки из набора lukasskellijs/assembly_bench_2. Модель семейства π₀.₅ предназначена для управления роботом по изображениям, состоянию робота и языковой инструкции; версия обучалась один проход по данным, около 16 953 шагов. Модель рассчитана на выполнение манипуляционных задач сборки, включая установку штифта, работу с шестернёй и гайкой. В README приведена оценка на трёх задачах в восьми средах с открытым циклом и размером чанка 15: результаты различаются по задачам, а для установки гайки успешного подъёма не зафиксировано. Лицензия — Apache-2.0. Для подачи проприоцептивного состояния README указывает на несоответствие размерностей: конфигурация чекпойнта задаёт размер 32, тогда как статистика нормализации обучения рассчитана на 8 значений — семь суставов и захват. При предобработке следует подавать 8-мерное состояние.

JRPG Background Generator — модель диффузии, разработанная ayhant и обученная с нуля для создания пиксельных фонов в духе классических японских ролевых игр. Она генерирует пейзажи и игровые окружения размером 128×128 пикселей: руины, замки, горные проходы, прибрежные сцены и фантастические ландшафты. Модель использует архитектуру UNet2D с блоками внимания и DDPM; в карточке указано около 45 млн параметров. Она предназначена для подготовки фоновых ресурсов инди-игр, прототипирования и визуальной разработки. Модель безусловная, поэтому генерация не управляется текстовыми запросами. Карточка сообщает об ограниченном разрешении, возможных артефактах в сложных сценах и невозможности создавать персонажей и спрайты. Также отмечено, что стиль зависит от обучающей выборки. В метаданных указана лицензия MIT, тогда как README описывает доступ как закрытый или ограниченный и перечисляет варианты лицензирования; фактические условия распространения стоит сверить с владельцем модели.

Это экспериментальный чекпойнт на основе Pythia-160M, опубликованный пользователем sashaboguraev. Модель GPT-NeoX с примерно 151,9 млн параметров предназначена для генерации текста; по названию репозитория и связанным материалам она относится к серии pre-pretraining на синтетических последовательностях Shuffle-Dyck с контрольным вариантом control_shuffle_dyck, 250 шагами обучения и seed 208. Контекст составляет 2048 токенов. Такой чекпойнт подходит для изучения поведения небольшой языковой модели после ограниченного дополнительного обучения на последовательностях со скобочной структурой и для воспроизведения экспериментов. Доступные сведения не подтверждают пригодность для обычного диалога или широкого прикладного использования. Метаданные не указывают лицензию.

QELVRA — экспериментальная языковая модель JOJIN JOHN, обученная с нуля. Это декодерный причинный Transformer на PyTorch с 1,85 млн параметров: четыре блока, четыре головы внимания и размерность эмбеддингов 192. Модель принимает и предсказывает UTF-8 байты напрямую, без BPE или SentencePiece; словарь содержит 256 значений, а контекст ограничен 128 байтами. Модель предназначена для изучения и демонстрации небольшого авторегрессионного генератора текста. Она обучалась на корпусе размером около 3,4 млн байт и может выдавать локально связный английский текст, похожий на обучающие данные. Низкая валидационная потеря отражает преимущественное запоминание этого небольшого корпуса, а не широкую способность к обобщению. В README указана лицензия MIT. Модель распространяется как контрольные точки PyTorch; для инференса приведён отдельный пакет с кодом. Из-за малого размера и короткого контекста она может плохо обрабатывать незнакомые запросы и генерировать некорректные байты.

yujiepan/qwen2.5-tiny-random — отладочная языковая модель, созданная на основе конфигурации Qwen/Qwen2.5-72B-Instruct и опубликованная пользователем yujiepan. Модель предназначена прежде всего для проверки и отладки кода, интеграций и сценариев генерации текста, а не для решения прикладных задач или получения качественных ответов. Архитектура основана на causal language model из экосистемы Transformers. По сравнению с исходной конфигурацией модель значительно уменьшена: она содержит 2 скрытых слоя, размер скрытого представления 8, промежуточный размер 16, 4 attention heads и 2 key-value heads. Веса инициализированы случайным образом с фиксированным seed, поэтому модель не обладает обученными языковыми знаниями и будет генерировать в основном случайный текст. Максимальная длина контекста в README не указана; поддерживается генерация текста, а сведения о других модальностях отсутствуют. Сильная сторона модели — крайне малый размер, удобный для быстрых тестов и отладки без ресурсов, необходимых для запуска полноценной Qwen2.5-72B-Instruct. Ограничения критичны: случайная инициализация делает модель непригодной для продуктивной генерации, содержательных ответов, обучения с использованием готовых знаний или надежной оценки качества языковой модели. README не указывает лицензию и не описывает явно поддерживаемые языки, поэтому эти характеристики нельзя определить по предоставленным данным.

yujiepan/qwen2-vl-tiny-random — экспериментальная мультимодальная модель, созданная для отладки на основе конфигурации Qwen/Qwen2-VL-7B-Instruct. Модель случайно инициализирована и существенно уменьшена: содержит около 2,4 млн параметров, использует архитектуру Qwen2-VL с языковым и визуальным компонентами и поддерживает контекст до 32 768 токенов. Для работы предназначена библиотека Transformers. Модель принимает изображения и текстовые запросы и генерирует текст, поэтому может использоваться для проверки загрузки, инференса и интеграции мультимодальных моделей, а также для тестирования обработчиков image-text-to-text. Из-за случайной инициализации она не обучена решать прикладные задачи, не предназначена для получения качественных ответов или продуктивного использования и, вероятно, будет генерировать бессмысленный текст. Сведения о лицензии в предоставленных данных отсутствуют.

wassname/qwen3-5lyr-tiny-random — небольшая случайно инициализированная модель для отладки, созданная на основе конфигурации Qwen/Qwen3-32B. Разработчик адаптации — wassname; исходная архитектура и токенизатор связаны с Qwen/Qwen3-32B. Модель предназначена для тестирования и отладки кода, совместимого с Transformers, а не для получения качественных текстовых ответов или решения прикладных задач. Она поддерживает генерацию текста в формате causal language modeling и использует токенизатор исходной модели Qwen/Qwen3-32B. Параметры конфигурации уменьшены: 5 скрытых слоёв, hidden size 64, intermediate size 128, 2 attention heads, 1 key-value head и head dimension 32. Максимальный контекст и языки README не уточняет. Модель случайно инициализирована, поэтому не обладает предварительно обученными знаниями и не предназначена для оценки качества, продуктивного использования или надёжного следования инструкциям. README не содержит сведений о лицензии, поэтому условия распространения и использования определить нельзя.

yujiepan/QwQ-preview-tiny-random — небольшая отладочная авторегрессионная модель для генерации текста, созданная на основе конфигурации Qwen/QwQ-32B-Preview. Модель имеет архитектуру семейства Qwen2, около 1,2 млн параметров и рассчитана на контекст до 32 768 токенов; для работы используется библиотека Transformers. Модель предназначена прежде всего для проверки загрузки, конфигурации и экспериментального кода генерации в Transformers, а не для решения прикладных задач. Она поддерживает текстовый ввод и вывод и содержит случайно инициализированные веса, поэтому не обладает полезными языковыми или диалоговыми навыками исходной модели QwQ-32B-Preview. Лицензия в доступных данных не указана. Из-за случайной инициализации модель непригодна для продуктивного использования, качественной генерации текста, ответов на вопросы или обучения прикладных систем без дополнительного обучения.

Это объединённый BF16-чекпойнт LISA 7B, адаптированный проектом Railway Perception для сегментации железнодорожных сцен с языковым управлением и рассуждениями о стрелочных переводах. Модель объединяет семантическое обучение на железнодорожных данных, сегментацию маршрута по текстовому запросу и структурированное обучение рассуждениям о стрелках. Архитектура — LLaVA-подобная LISAForCausalLM с 6,6 млрд параметров; в составе используются SAM для сегментации и CLIP ViT-L/14 как визуальный энкодер. Контекст — 2048 токенов. Модель предназначена для выделения активного маршрута поезда на изображении, в том числе в сценах со стрелками, а также для сегментации железнодорожного полотна по запросу. В README приведены результаты оценки на 2000 изображениях, однако маски и текстовые обоснования могут быть ошибочными или противоречить друг другу, а обоснования не являются проверенными причинными объяснениями. Качество может снижаться при плохой видимости, необычной геометрии, перекрытиях и других сдвигах домена; применять модель для управления железнодорожным движением или иных критически важных решений нельзя. Для инференса требуются репозиторий проекта, полный каталог модели вместе с отдельной папкой vision_tower и NVIDIA GPU; обычные интерфейсы Hugging Face pipeline и AutoModel не поддерживаются, а квантованный и CPU-инференс не проверены. Лицензия указана как other; использование и распространение должны учитывать лицензии базовых компонентов и RailSem19, изображения и аннотации которого в репозитории модели не распространяются.

RalphSeek V4.1 Flash — тестовая модель ji-farthing, созданная для разработки и проверки поддержки архитектуры DeepSeek-V4.1 в ik_llama.cpp и других реализациях. Это чекпойнт на 334 млн параметров: веса случайно инициализированы и обучены с нуля на небольшом синтетическом корпусе; они не являются дообучением, дистилляцией или частью весов DeepSeek. Модель имеет архитектуру DeepSeek-V4.1-Flash, 10 слоёв и размер скрытого состояния 128; в репозитории есть варианты GGUF BF16, Q8_0 и IQ4_NL, а также safetensors. Метаданные указывают задачу text-generation, английский язык и лицензию MIT. Модель предназначена для тестирования загрузчиков и конвертеров, проверки вычислений и сопоставления распределений выходных токенов с эталонной реализацией на фиксированных последовательностях. Для проверки предусмотрены эталонные выходные распределения и примеры измерений на RTX 4070. Хотя модель принимает текст и генерирует текст, она не пригодна для обычного общения или достоверных ответов: её специально обучали выдавать уверенные, но бессмысленные высказывания. Контекст настроен на 1 048 576 токенов, однако обучение на блоках длиной 256 токенов и ограничения тестового чекпойнта не позволяют использовать его для проверки всех механизмов обработки длинного контекста. Для запуска в README рекомендуется явно задавать меньший контекст; файлы и прочие среды выполнения, кроме указанной конфигурации ik_llama.cpp, проверены не полностью.

TensorAuto/robocasa_Closesideways — модель Vision-Language-Action на архитектуре π₀.₅, дообученная TensorAuto на задачах манипуляции и навигации в кухонной симуляции RoboCasa с использованием OpenTau. Она принимает визуальные наблюдения и инструкции на естественном языке, а затем формирует непрерывные траектории суставов робота блоками по 10 шагов с помощью политики на основе flow matching. Архитектура объединяет VLM PaliGemma-3B для семантического понимания и Gemma-300M как эксперт действий. Модель предназначена для выполнения задач CloseMicrowave, CloseFridge и CloseCabinet; в README приведены показатели успешности 98%, 80% и 65% соответственно после обучения на 100 демонстрациях. Репозиторий содержит веса в формате safetensors, а лицензия — Apache-2.0. Описанные результаты относятся к симулированным кухонным задачам и не подтверждают перенос на реальные роботы или другие сценарии.

Jarongao/sd-class-butterflies-32 — диффузионная модель, опубликованная Jarongao как работа для курса по diffusion-моделям. Она предназначена для безусловной генерации изображений милых бабочек: модель создаёт изображение без текстового запроса, через DDPMPipeline из библиотеки Diffusers. Модель распространяется в формате Diffusers с весами Safetensors по лицензии MIT. Карточка не приводит размер модели, разрешение изображений или поддерживаемые языки; текстовый ввод не требуется. Назначение модели узкое — генерация изображений бабочек, поэтому её не следует считать универсальным генератором изображений.

Экспериментальная серия из восьми коротко обученных языковых моделей семейства Semantic Simulation SPLM, разработанная Dimitar Petrov. Модели используют архитектуру Fock-PARFLM v2.1 с глубинно-обусловленным анизотропным гауссовым потенциалом Vθ и Fock-регистрами; это плотная, не использующая attention архитектура на PyTorch. Каждый чекпойнт имеет ширину d=384, глубину L=16 и около 77 млн параметров; обучение проводилось 3 000 шагов на OpenWebText, англоязычном корпусе. Репозиторий предназначен для диагностического сравнения восьми коэффициентов затухания γ и выбора настройки для последующего полного обучения, а не для генерации текста или прикладного использования. Качество ограничено малым числом шагов: в README приведены значения perplexity 244–632, а чекпойнт с γ=0.20 отмечен как артефакт расходимости. Автор также уточняет, что измеритель геодезического остатка некорректен в этом режиме и результаты не подтверждают геодезическое движение; обучение не включало инструкционную настройку, RLHF/DPO или фильтрацию безопасности. Лицензия — CC BY 4.0.

Tiny Qwen2ForCausalLM — минимальная модель на базе архитектуры Qwen2ForCausalLM, разработанная для модульных тестов библиотеки TRL. Модель предназначена прежде всего для проверки корректности работы компонентов и сценариев TRL, а не для прикладного использования или получения качественных ответов. Из доступных данных известно, что модель использует библиотеку Transformers и относится к семейству Qwen2ForCausalLM. Точный размер, число параметров, поддерживаемые языки и модальности, максимальная длина контекста, качество и другие архитектурные характеристики не указаны. Лицензия в README также не обозначена, поэтому условия распространения и использования определить по имеющимся данным нельзя.

Vibe Data Studio создала SmolVLA policy для управления роботом при работе с огурцом. Модель дообучена от lerobot/smolvla_base на 653 эпизодах телеуправления, охватывающих захват огурца, его размещение на разделочной доске и очистку кожуры. Используется архитектура SmolVLA: замороженный VLM-компонент и обученный эксперт; всего 450 млн параметров, из которых обучались 100 млн. Модель принимает изображения с трёх камер, состояние 7-мерного манипулятора SO-101 и языковую инструкцию, а выдаёт непрерывные действия для управления роботом. Инструкции и обучающие демонстрации ориентированы на конкретную установку, камеры и описанные движения. README приводит офлайн-сравнение двух вариантов обучения, но не заявляет об оценке успешности выполнения задач в реальном роботе. Сведения о лицензии в предоставленных материалах отсутствуют.