II.2Создание и понимание программного кода

Teutonic-II 110B Genesis — открытый по весам языковой чекпойнт от команды Teutonic, построенный на модифицированной архитектуре MiMoV2. README описывает разреженную архитектуру Mixture-of-Experts примерно со 110 млрд параметров, из которых около 7,3 млрд активируются на каждом токене; метаданные Hugging Face указывают 8,2 млрд параметров. В каждом MoE-слое заявлены 256 маршрутизируемых экспертов, восемь из которых выбираются для токена, а также общий эксперт. Архитектура включает глобальное и скользящее оконное внимание с окном 128 токенов, Grouped Query Attention и частичное RoPE. Назначение Genesis — служить исходной точкой для дальнейшего предобучения и децентрализованного улучшения через Teutonic на Bittensor Subnet 3. Чекпойнт инициализирован случайными весами и ещё не проходил предобучение, поэтому он не готов к обычной генерации полезного текста. Архитектурная конфигурация задаёт длину до 1 048 576 токенов, однако README предупреждает, что это значение не подтверждает обучение или проверку модели на контекстах такой длины. Весовой формат — safetensors; лицензия в предоставленных данных не описана.

Tiny Cohere2ForCausalLM — минимальная модель на базе архитектуры Cohere2ForCausalLM, разработанная для модульного тестирования библиотеки TRL. Она предназначена не для прикладного использования, а для проверки компонентов и сценариев работы TRL с причинными языковыми моделями. Из доступных данных известно, что модель интегрируется с библиотекой Transformers и относится к тестовым моделям TRL. Размер модели, число параметров, поддерживаемые языки, модальности, длина контекста и другие архитектурные характеристики не указаны. Лицензия в README также не приведена.

trl-internal-testing/tiny-GemmaForCausalLM — минимальная модель на базе GemmaForCausalLM, разработанная для модульного тестирования библиотеки TRL. Она предназначена не для прикладного использования, а для проверки работы компонентов и сценариев TRL в тестовой среде. Известно, что модель использует библиотеку Transformers и относится к семейству GemmaForCausalLM; сведения о размере, архитектурных параметрах, модальностях, языках, длине контекста, лицензии и практических ограничениях в предоставленных данных отсутствуют.

trl-internal-testing/tiny-GPTNeoXForCausalLM — минимальная языковая модель на архитектуре GPTNeoX с авторегрессионным режимом Causal Language Modeling. Она создана для модульных тестов библиотеки TRL, а не для полноценного прикладного использования или высококачественной генерации текста. Модель предназначена для проверки компонентов и сценариев обучения, связанных с TRL и Transformers, в компактной тестовой конфигурации. README не содержит сведений о точном размере, числе параметров, контекстном окне, поддерживаемых языках и модальностях; по названию модели можно заключить, что она работает с текстом. Лицензия и условия распространения в предоставленных данных не указаны. Сильная сторона модели — пригодность для быстрых и воспроизводимых тестов, а ограничение — непредназначенность для продуктивного применения.

Tiny LlamaForCausalLM — минимальная модель на базе архитектуры Llama для авторегрессионного порождения текста. Она разработана для модульных тестов библиотеки TRL и предназначена прежде всего для проверки корректности работы программных компонентов, а не для прикладного использования или получения качественных текстовых результатов. Модель распространяется через Hugging Face Transformers; в README указаны библиотека transformers и тег trl. Известно, что это тестовая модель, однако её точный размер, параметры, поддерживаемые языки, длина контекста, модальности и архитектурные характеристики не указаны. Лицензия в предоставленных данных также не обозначена.

Tiny LlamaForSequenceClassification — минимальная модель на базе архитектуры LlamaForSequenceClassification, разработанная для модульного тестирования библиотеки TRL. Она предназначена не для прикладного использования, а для проверки корректности работы компонентов и сценариев, связанных с классификацией последовательностей в TRL и экосистеме Transformers. Из доступных данных известно, что модель относится к библиотеке Transformers и имеет небольшой размер, однако точные сведения о числе параметров, архитектуре, поддерживаемых языках, длине контекста, модальностях и результатах тестирования не указаны. README также не содержит информации о сильных сторонах модели, ограничениях за пределами тестового назначения или лицензии.

Tiny MistralForCausalLM — минимальная языковая модель на архитектуре MistralForCausalLM, предназначенная для модульных тестов библиотеки TRL. В карточке указано, что модель использует библиотеку Transformers и разработана в контексте проекта TRL. Модель предназначена не для прикладного использования, а для проверки работоспособности компонентов и сценариев тестирования. Данные о размере, числе параметров, поддерживаемых языках и модальностях, длине контекста, конкретных характеристиках архитектуры, сильных сторонах и ограничениях отсутствуют. Лицензия в карточке также не указана.

trl-internal-testing/tiny-Qwen2ForCausalLM-R1-Distill — минимальная модель на базе архитектуры Qwen2ForCausalLM, предназначенная для модульных тестов библиотеки TRL. В README указано, что модель разработана для внутреннего тестирования, однако конкретный разработчик и назначение для прикладных сценариев не уточняются. Модель относится к библиотеке Transformers и помечена тегом trl. Данные о размере, числе параметров, поддерживаемых языках и модальностях, длине контекста, обучении, производительности и лицензии отсутствуют. Поэтому её не следует рассматривать как полнофункциональную модель для продуктивного использования: заявленная цель — проверка работы программных компонентов TRL.

Tiny Qwen3_5ForConditionalGeneration — минимальная тестовая модель на базе архитектуры Qwen3_5ForConditionalGeneration, размещённая пользователем или организацией trl-internal-testing и предназначенная для модульных тестов библиотеки TRL. Она создана не для прикладного использования, а для проверки корректности работы компонентов и сценариев, связанных с этой архитектурой и библиотекой. Известно, что модель интегрируется с библиотекой Transformers и имеет небольшой размер, однако точные параметры, число параметров, поддерживаемые модальности и языки, размер контекста, сильные стороны, ограничения и условия лицензирования в README не указаны. README также не содержит сведений о самостоятельной практической ценности модели или о сценариях развёртывания.

peft-internal-testing/tiny-random-BertModel — небольшая тестовая модель на базе архитектуры BERT из библиотеки Transformers. По README она предназначена главным образом для внутреннего тестирования и проверки совместимости инструментов и сценариев работы с моделями, а не для решения прикладных задач обработки естественного языка. Разработчик, размер, конфигурация архитектуры, поддерживаемые языки и модальности, длина контекста, данные обучения, результаты оценки и другие технические характеристики в карточке не указаны. README также не содержит сведений о лицензии, способах использования, ограничениях или рекомендациях по развертыванию. Поэтому модель не следует рассматривать как готовую к продуктивному применению без дополнительной информации.

peft-internal-testing/tiny-random-DebertaV2Model — небольшая тестовая модель на архитектуре DeBERTaV2 из экосистемы Hugging Face Transformers. По названию репозитория она предназначена прежде всего для внутреннего тестирования PEFT и связанных инструментов, а не для решения прикладных задач обработки естественного языка. В README не указаны разработчик, размер в параметрах, поддерживаемые языки, модальности, длина контекста, данные обучения, результаты оценки и точное назначение конфигурации. Обозначение tiny-random указывает на компактную случайно инициализированную модель, поэтому её нельзя рассматривать как предварительно обученную модель для качественного инференса без дополнительного обучения. Основные сильные стороны модели — малый размер и удобство для быстрых проверок совместимости, загрузки и адаптации. Ограничения включают отсутствие заявленных прикладных характеристик, неизвестную языковую специализацию и непригодность случайной инициализации для надёжных прогнозов. Лицензия в README не указана; условия использования необходимо уточнять в репозитории модели.

optimum-intel-internal-testing/tiny-random-deepseek-v3 — небольшая тестовая модель из репозитория Optimum Intel Internal Testing, являющаяся зеркалом модели katuni4ka/tiny-random-deepseek-v3. Она предназначена для проверки совместимости и работы инструментов с архитектурой DeepSeek-V3, а не для прикладного качества генерации текста. Модель относится к задачам text generation и conversational, использует формат Safetensors и имеет около 1,66 млн параметров с типом тензоров F32. В репозитории указана архитектура deepseek_v3 и поддержка custom code, однако точные сведения о контекстном окне, языках, модальностях, обучающих данных, производительности и лицензии отсутствуют. README пуст, а модель не предоставляется через Inference Providers, поэтому её следует рассматривать как внутренний или разработческий тестовый артефакт с ограниченной практической применимостью.

hmellor/tiny-random-Gemma2ForCausalLM — небольшая тестовая модель на базе архитектуры Gemma 2 для Transformers. По названию и доступным данным можно заключить, что она предназначена прежде всего для проверки совместимости, загрузки и работы компонентов библиотеки, а не для решения прикладных задач генерации текста. В README не указаны разработчик, точный размер, поддерживаемые языки, модальности, длина контекста, параметры обучения, результаты оценки или сценарии практического использования. Поэтому нельзя достоверно оценить качество модели, её сильные стороны и ограничения для реальных задач. Лицензия также не указана, поэтому условия распространения и коммерческого использования требуют отдельной проверки.

hf-tiny-model-private/tiny-random-GPT2LMHeadModel — небольшая модель для генерации текста, опубликованная на Hugging Face организацией «HF tiny models (private usage)». В карточке она классифицирована как модель Text Generation и связана с архитектурой GPT-2 через класс GPT2LMHeadModel; поддерживаются библиотеки Transformers, PyTorch и TensorFlow. Модель предназначена главным образом для сценариев генерации текста и тестового запуска через Transformers, vLLM или SGLang. Точные размер, число параметров, контекстное окно, языки, обучающий набор и результаты оценки не указаны. По названию «tiny-random» и отсутствию карточки модели можно предположить, что это тестовая случайно инициализированная модель, а не полноценная предобученная система, поэтому её практическое качество и пригодность для реальных задач не подтверждены. Лицензия и условия использования в доступных данных не указаны. Модель не развернута через Inference Providers.

stas/tiny-random-llama-2 — небольшая случайно инициализированная модель семейства Llama, созданная на основе meta-llama/Llama-2-7b-hf. Разработчик в README явно не указан; модель опубликована под идентификатором stas/tiny-random-llama-2. Модель предназначена прежде всего для функционального тестирования, проверки загрузки и интеграции моделей, а также экспериментов с программными конвейерами. Она не рассчитана на качественную генерацию текста: веса имеют случайные значения, а токенизатор сокращён до примерно 3 000 элементов. Архитектурные характеристики и точный размер модели в README не указаны. Известно только её происхождение от Llama 2 и уменьшенный словарь токенизатора; сведения о модальностях, языках и размере контекста отсутствуют. Лицензия — Apache-2.0.

optimum-intel-internal-testing/tiny-random-ouro — уменьшенная тестовая модель архитектуры Ouro, разработанной ByteDance. Она создана для непрерывной интеграции и проверки OpenVINO в проекте optimum-intel, а не для решения прикладных задач генерации текста. Модель реализует OuroForCausalLM — Universal Transformer — с причинно-следственной языковой моделью. Она использует случайно сгенерированные веса, скрытый размер 32, промежуточный размер 64, 2 слоя, 4 attention heads, 2 key-value heads, размерность головы 8 и 4 шага Universal Transformer. При этом сохранены полный размер словаря 49152 и оригинальный tokenizer, чтобы проверять корректность преобразования и обратного преобразования токенов. Другие модальности и языки в README не указаны. Из-за случайных весов модель непригодна для качественной генерации, обучения или оценки языковых способностей; её сильная сторона — малый размер и возможность быстро тестировать интеграцию, архитектурный цикл Universal Transformer и работу токенизатора в OpenVINO CI. Модель распространяется по лицензии Apache-2.0.

Xenova/tiny-random-Phi3ForCausalLM — экспериментальная уменьшенная модель на архитектуре Phi3ForCausalLM, опубликованная пользователем или организацией Xenova на Hugging Face Hub. README не указывает точного разработчика, назначения для прикладных задач или языка модели; токенизатор взят из microsoft/Phi-3-mini-4k-instruct. Модель имеет 2 скрытых слоя, скрытый размер 32, промежуточный размер 64, 4 attention heads и 4 key-value heads. Используется скользящее окно контекста размером 2047 токенов и causal language modeling, то есть авторегрессионная генерация текста. Название и приведённый код указывают на случайно инициализированную тестовую модель, предназначенную прежде всего для проверки совместимости Transformers, токенизации и программных интеграций, а не для качественной генерации или решения прикладных NLP-задач. Ключевое преимущество модели — крайне малый размер и удобство для быстрых тестов, разработки и отладки. Она не обучена для надёжных ответов, не имеет заявленных результатов оценки, описания обучающих данных, сведений о поддерживаемых языках, модальностях, ограничениях безопасности или практической точности. Лицензия в README не указана, поэтому условия использования необходимо уточнять отдельно перед применением.

peft-internal-testing/tiny-random-ResNetForImageClassification — небольшая случайно инициализированная тестовая модель для классификации изображений, опубликованная в экосистеме Hugging Face Transformers. По идентификатору модели можно установить, что она основана на архитектуре ResNet и предназначена для задач image classification, однако сведения о конкретном разработчике, размере, числе классов, параметрах входных изображений, обучающих данных и результатах оценки в README отсутствуют. Модель, вероятно, ориентирована на внутреннее тестирование интеграций и проверку программного кода, а не на прикладное распознавание изображений. Её сильная сторона — компактность и пригодность для быстрых тестов, но случайная инициализация означает отсутствие подтверждённой практической точности. Данные о поддерживаемых модальностях и языках неприменимы к основной задаче или не указаны. Лицензия и условия использования в карточке не определены.

peft-internal-testing/tiny-random-RobertaForSequenceClassification — небольшая тестовая модель на базе архитектуры RoBERTa для классификации последовательностей, доступная через библиотеку Transformers. По идентификатору и содержимому README видно, что она предназначена прежде всего для внутреннего тестирования и проверки совместимости компонентов, а не для прикладного использования или получения качественных результатов на реальных данных. Размер модели, число параметров, поддерживаемые языки, модальности, длина контекста, разработчик, обучающие данные, результаты оценки и точная конфигурация в README не указаны. Известно только, что модель относится к семейству RobertaForSequenceClassification и имеет искусственно уменьшенный размер. Лицензия также не указана, поэтому условия использования необходимо уточнять в метаданных репозитория. Из-за тестового назначения и отсутствия сведений о полноценном обучении модель не следует применять в продуктивных системах или для принятия решений без дополнительной проверки.

optimum-intel-internal-testing/tiny-random-sana — небольшая тестовая модель, опубликованная организацией Optimum Intel Internal Testing на Hugging Face; репозиторий указывает, что она является зеркалом katuni4ka/tiny-random-sana. Модель предназначена для генерации изображений по текстовому описанию в составе Diffusers через SanaPipeline. Поддерживаемый сценарий — text-to-image: текстовый prompt преобразуется в изображение. В репозитории указаны архитектурные компоненты SanaPipeline, transformer, VAE и scheduler; веса представлены в формате Safetensors. Размер модели — около 5,84 тыс. параметров, тип тензоров — F32. Модельная карточка отсутствует, поэтому сведения о языках, размере контекста, обучающих данных, качестве генерации, ограничениях, лицензии и производительности не опубликованы. Из-за крайне малого размера и тестового характера модель следует рассматривать прежде всего как средство проверки совместимости и работы программного конвейера, а не как полноценную production-модель.

Tiny Random Stable LM 2 — экспериментальная разработческая версия модели Stable LM 2, связанная с Stability AI. Репозиторий предназначен для sanity-check и отладки реализации Stable LM 2 в библиотеке Transformers, а не для полноценного использования в прикладных сценариях генерации текста. Модель обозначена как tiny и random, поэтому, вероятно, содержит уменьшенные случайно инициализированные параметры; точные архитектура, размер, поддерживаемые языки, модальности и длина контекста в README не указаны. Её основное преимущество — возможность воспроизводимо проверять работу кода Transformers с фиксированным seed. Качество генерации и пригодность для реальных задач не заявлены. Лицензия в предоставленных данных не указана.

trackfit-llm-large — специализированная модель deepaksamuel-cuk для восстановления прямолинейных треков частиц в одном представлении 12-слойного полосового детектора. Это плотный авторегрессионный трансформер в стиле Llama с архитектурой LlamaForCausalLM; README сообщает о 174,179,328 параметрах, тогда как метаданные указывают 164,1 млн. Модель обучена с нуля на синтетических событиях и проверена на реальных данных космических мюонов. Она принимает список идентификаторов сработавших полос и генерирует вызов gen_evt с наклоном и пересечением до трёх треков, а также списками шумовых и пропущенных попаданий. Вход кодирует слой и полосу одним целым числом от 0 до 383; x- и y-представления обрабатываются отдельно. Контекст модели — 256 токенов, язык — специализированная числовая запись событий. Модель предназначена для реконструкции треков, оценки эффективности детектора и подготовки параметров для последующего расчёта направления мюона. README приводит высокие показатели совпадения на синтетическом тесте и реальных космических мюонах; результаты относятся к описанным данным и геометрии детектора. Наклоны и пересечения выбираются из фиксированной сетки, крутые треки ограничены |наклон| ≤ 8,17, а одиночный мюон в некоторых случаях может быть ошибочно разделён на два трека. Для другой геометрии требуется переобучение; для точной оценки параметров README рекомендует дополнительную линейную подгонку. Модель распространяется под лицензией MIT.

Tritfold 0.6B ternary — компактная модель генерации текста проекта Tritfold, созданная на основе Qwen3-0.6B дистилляцией на корпусе WikiText-103. Она предназначена для продолжения англоязычного текста и выдаёт связные фрагменты в стиле исходного контекста, но не обучалась как чат-ассистент и часто выдумывает факты. В README указано, что модель использует симметричные троичные коды {-s, 0, +s} с масштабом fp16 на каждые 128 весов и фиксированное преобразование Hadamard; артефакт поставляется в формате GGUF. По оценке на WikiText-2 её perplexity составляет 48,08 против 27,25 у bf16-эталона, а размер меньше в 9,1 раза. Для запуска требуется форк llama.cpp от PrismML с веткой prism; основная версия llama.cpp этот формат не поддерживает. Для генерации необходимы рекомендованные настройки sampling, иначе возможны циклы токенов. Модель лучше использовать для экспериментального продолжения английских текстов, а не для диалогов, инструкций, достоверных ответов или запросов на других языках. Лицензия — Apache-2.0.

Velvet Rope Aurelia LoRA — адаптер LoRA в формате GGUF для персонажа Аурелия Вейн из игры Velvet Rope, созданной Build Small Hackathon. Он дообучает общую базовую модель Gemma 4 12B QAT для ответов в роли хранительницы списка гостей The Grand Threshold. Адаптер рассчитан на генерацию текста в рамках однократных игровых диалогов и выдачу игровых оценок в структурированном JSON. Адаптер обучен на языковых модулях модели с рангом LoRA r=8, примерно на 310–350 игровых примерах для персонажа за два прохода. В описанной конфигурации пять адаптеров обслуживаются одним сервером llama.cpp, который выбирает нужный адаптер по имени модели. В тесте на отложенных примерах валидность JSON совпала с базовой моделью (1,00); показатели совпадения по настроению, тактике и знаку изменения счёта были выше базовых, но не достигали единицы. Лицензия — MIT.

Zark Muckerberg — экспериментальная персонажная модель Apollo Raines из коллекции Executive Transplant Collection. Она создана на базе meta-llama/Llama-3.1-8B-Instruct методом изменения весов jBlaze: в модель встроены образ, характер и мировоззрение вымышленного персонажа Zark Muckerberg, поэтому для поддержания роли не требуется системный промпт или адаптер. Модель предназначена для диалоговой генерации текста на английском языке и демонстрации внедрения идентичности в веса; автор также приводит результаты проверки ARC-Challenge и согласованности персонажа. Модель использует плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 131 072 токенов. Файлы опубликованы в формате SafeTensors; в README указана точность bfloat16. Лицензия — Llama 3.1. Автор характеризует выпуск как демонстрацию технологии, а не производственного помощника: ответы могут отдавать приоритет образу персонажа, а качество рассуждений специально не оптимизировали. Персонаж и связанные с ним компании в карточке заявлены как вымышленные и пародийные.

Bigenlight/act_banana_in_pot_ee — модель Action Chunking Transformer (ACT), обученная для управления роботом-манипулятором UR7e в задаче «положить правый банан в горшок». Модель предназначена для имитационного обучения на демонстрациях, записанных телеоператором с помощью GELLO, и выдаёт последовательности действий в пространстве концевого эффектора. На вход подаются RGB-изображения с двух камер и состояние робота; на выходе — 10-мерные действия: абсолютная поза TCP следующего кадра (координаты и 6D-представление вращения) и положение захвата. Архитектура включает ResNet18 и VAE, размер чанка действий — 100, около 51,6 млн параметров. Чекпойнт на 40 тысячах шагов выбран по открытому тесту с минимальной средней абсолютной ошибкой позы; точность предсказания состояния захвата составила 0,914. Модель рассчитана на конкретную роботизированную установку и сценарий манипуляции, поэтому её результаты не следует переносить на другие роботы или задачи без дополнительного обучения и проверки. Распространяется по лицензии CC-BY-NC-4.0, которая ограничивает коммерческое использование.

ActQuant Pi 0.5 LIBERO 3.5 BPW — квантованный чекпойнт VLA-модели π₀.₅, подготовленный командой ActQuant на основе lerobot/pi05_libero_finetuned_v044. Он предназначен для управления роботом по визуальным наблюдениям и языковым инструкциям в задачах LIBERO; артефакт объединяет зрительную башню SigLIP, блоки трансформера LLM и экспертную часть для действий. Квантование выполнено в формате GGUF по двухэтапной схеме ActQuant: распределение разрядности между тензорами с учетом чувствительности к ошибкам действий и оптимизация масштабов блоков по Fisher-оценкам. Зрительная башня и большая часть LLM используют примерно 3-битное представление, а эксперт действий сохранен в fp16; заявленная разрядность vision и LLM блоков составляет около 3,5 бит на вес. В README сообщаются высокие результаты закрытого цикла на наборах LIBERO, однако они относятся к конкретному окружению и процедуре оценки. Модель рассчитана на робототехническое управление, а не на обычную генерацию ответов. В метаданных указана лицензия MIT. Для запуска требуются совместимый GGUF-рантайм и сопутствующие файлы, включая токенизатор и статистики нормализации действий.

BLOCKv0.6 — модель преобразования изображений, созданная автором AliceKJ на базе black-forest-labs/FLUX.2-klein-base-4B. Она принимает изображение предпросмотра персонажа Minecraft с видами спереди и сзади и создаёт 2D UV-атлас текстуры скина; текстовый промпт можно использовать для задания стиля и деталей. Модель предназначена для генерации скинов Minecraft по изображению, а не для универсальной генерации изображений. Она совместима с официальным Flux2KleinPipeline из библиотеки Diffusers, а веса распространяются в формате safetensors. Лицензия — Apache-2.0.

axolotl-ai-co/DeepSeek-V3-11M — небольшая модель с архитектурой DeepSeek-V3, опубликованная Axolotl AI. Карточка Hugging Face указывает, что веса инициализированы случайным образом и модель предназначена для CI-тестирования; это не обученная разговорная модель для пользовательских задач. Модель имеет архитектуру DeepseekV3ForCausalLM и около 11,2 млн параметров по карточке. Конфигурация задаёт контекст до 1024 токенов. Она принимает текст и генерирует текст; карточка не сообщает о поддерживаемых естественных языках. Условия лицензии в доступных сведениях не установлены.

DrugGPT — генеративная модель для разработки кандидатов в лекарства, опубликованная пользователем liyuesen. Она использует архитектуру GPT-2 для генерации молекул с потенциальной способностью связываться с заданными белками. По README, обучение проводилось на массиве до 1,8 млн данных о связывании белков и лигандов. Модель предназначена для исследования химического пространства: на вход подают FASTA-файл белка или его аминокислотную последовательность, а инструмент drug_generator.py генерирует молекулы-кандидаты. В метаданных указаны GPT2LMHeadModel, формат PyTorch и контекст 1024 токена; библиотека — Transformers. Карточка не сообщает отдельные показатели качества сгенерированных молекул или языковую поддержку.