II.2Создание и понимание программного кода

mbreuss/flower_calvin_abc — предобученная модель FlowerVLA для управления манипуляциями робота по изображениям и текстовым инструкциям. Разработчики описывают FlowerVLA как эффективную Vision-Language-Action-политику для робототехники с примерно 1 млрд параметров, основанную на половине Florence-2 для мультимодального кодирования и трансформерной архитектуре flow matching. Чекпойнт обучен для задачи CALVIN ABC. Модель принимает RGB-изображения статической и захватной камер вместе с текстовой командой и выдаёт последовательность из семимерных действий, соответствующих приращениям положения конечного эффектора. Она предназначена для выполнения инструкций по манипуляции объектами в среде CALVIN. В README приведены результаты на CALVIN ABC, однако они относятся к этому бенчмарку и не подтверждают обобщение на другие среды или реальные роботы. Репозиторий использует формат safetensors; лицензия — MIT.

yujiepan/gemma-tiny-random — экспериментальная модель для генерации текста, созданная на основе конфигурации Google Gemma 7B Instruct с существенно уменьшенными размерами. В README указано, что модель имеет случайно инициализированные веса, поэтому она предназначена прежде всего для тестирования, разработки и проверки совместимости с библиотекой Transformers, а не для качественной генерации текста в прикладных сценариях. Модель использует архитектуру causal language model с двумя скрытыми слоями, размером скрытого представления 8, размером головы внимания 2, четырьмя attention heads, двумя key-value heads и промежуточным размером 16. Она работает в формате float16 и поддерживает pipeline text-generation. Для токенизации используется токенизатор исходной модели google/gemma-7b-it. Другие характеристики, включая поддерживаемые языки, длину контекста и фактическую производительность, в README не указаны. Главное преимущество модели — крайне малый размер, удобный для экспериментов, отладки и тестирования загрузки или экспорта моделей. Существенное ограничение — случайная инициализация весов: модель не обучена и не предназначена для получения осмысленных или стабильных ответов. Лицензия и условия использования в README не указаны.

tiny-random/glm-4.7-flash — отладочная причинно-следственная языковая модель, созданная на основе конфигурации zai-org/GLM-4.7-Flash. Модель случайно инициализирована и предназначена прежде всего для тестирования, отладки и проверки совместимости библиотек и серверов инференса, а не для получения качественных ответов в прикладных задачах. Архитектура адаптирована к Glm4MoeLiteForCausalLM и включает 2 скрытых слоя, размер скрытого представления 8, промежуточный размер 32 и словарь из 154880 токенов. Поддерживаются multi-token prediction, чатовый шаблон и запуск через Transformers, vLLM и SGLang; в примерах также указаны интеграции для tool calling, reasoning parsing и спекулятивного декодирования. Языки и размер контекстного окна в README не указаны, модальность — текстовая. Ключевое ограничение модели — случайная инициализация весов, поэтому она не предназначена для содержательной генерации и не обладает практическими возможностями исходной модели GLM-4.7-Flash. README не содержит сведений о лицензии, поэтому условия использования определить нельзя.

tiny-random/glm-4v — небольшая случайно инициализированная модель для отладки, созданная на основе конфигурации THUDM/GLM-4.1V-9B-Thinking и предназначенная для использования с библиотекой Transformers. Это не обученная модель, поэтому она не рассчитана на получение качественных содержательных ответов в прикладных сценариях. Модель поддерживает мультимодальный сценарий image-text-to-text: принимает изображение и текстовый запрос и генерирует текст. Архитектура представлена классом Glm4vForConditionalGeneration и включает визуальный модуль и языковую модель. В отладочной конфигурации используются 2 текстовых и 2 визуальных слоя, размер скрытого представления 64, 2 attention-heads в визуальной части, 2 текстовых attention-heads и 1 key-value head; словарь содержит 151 552 токена. Точные поддерживаемые языки и размер контекстного окна в README не указаны. Главное преимущество модели — минимальный размер и пригодность для проверки загрузки, интеграции, обработки мультимодальных входов и поведения кода без использования полноразмерной модели. Ключевое ограничение — случайная инициализация весов: модель не обладает практическими знаниями и не должна применяться для реальных задач анализа изображений или генерации текста. Лицензия в README не указана.

tiny-random/glm-4v-moe — отладочная модель на базе конфигурации GLM-4.5V, разработанной командой zai-org. Модель предназначена не для прикладного использования, а для тестирования и отладки реализации мультимодальной генерации в Transformers. Она принимает изображения и текст и генерирует текстовые ответы, например описания изображений. Архитектура включает vision-компонент и языковую модель с механизмом Mixture-of-Experts (MoE). Конфигурация существенно уменьшена: языковая часть имеет 2 скрытых слоя, размер скрытого представления 32, 2 attention-головы и 1 key-value-голову; один слой плотный, один использует MoE. Vision-компонент имеет 2 слоя, размер скрытого представления 64 и 2 головы. Модель случайно инициализирована, поэтому не обладает обученными знаниями и не предназначена для получения осмысленных или стабильных результатов. Языки и размер контекстного окна в README не указаны. Сильная сторона модели — малый размер и пригодность для воспроизводимой отладки и проверки совместимости компонентов, включая обработку изображений и генерацию текста. Основное ограничение — случайная инициализация: качество прикладных ответов отсутствует. README не содержит отдельного указания лицензии.

Это LoRA-модель Robocurve, дообученная на базе NVIDIA GR00T N1.7-3B для управления манипулятором SO-101. Адаптеры для головы действий объединены с весами bf16; визуальный кодировщик, языковая модель и базовые веса заморожены. Модель принимает изображения с фронтальной и установленной на запястье камер, инструкцию на естественном языке и состояние робота, а предсказывает последовательность из 16 управляющих шагов для шестистепенной руки и захвата. Модель предназначена для настольных задач манипуляции, представленных в обучающих данных: захвата и перемещения предметов, укладки и сортировки. Она обучена на подмножестве SO-101 датасета MolmoAct2, включающем 2 242 эпизода из 39 публичных репозиториев сообщества. Для запуска требуются SO-101 и Isaac-GR00T версии N1.7 на указанном в карточке коммите или более поздней версии. Проверка ограничена офлайн-оценкой потерь предсказания действий на отложенных эпизодах; симуляционные и реальные запуски не проводились, поэтому качество выполнения задач и перенос на новые сцены не подтверждены. Перенос на другие типы роботов без дообучения не предполагается; для эксплуатации нужны аппаратная аварийная остановка и ограничения рабочей зоны и момента. Лицензия указана как other; исходные датасеты имеют собственные лицензии, поэтому перед использованием следует проверить их условия.

Grafted-Llama2-2x70B — экспериментальное слияние моделей WinterGoddess и AuroraNights, выполненное автором Lodrick с помощью mergekit. В репозитории указана архитектура Mixtral с механизмом MoE; размер модели — 68,7 млрд параметров, формат весов — safetensors, контекст — 4096 токенов. Модель предназначена для генерации текста и имеет тег text-generation. Автор сообщает, что модель может выдавать связный текст в течение нескольких предложений, после чего начинает генерировать бессмыслицу, и не рекомендует её скачивать. В метаданных указана лицензия llama2.

sinkinai/hassaku-hentai — модель для генерации изображений по текстовому описанию, размещённая пользователем sinkinai. Репозиторий использует StableDiffusionPipeline и содержит веса в форматах Diffusers, PyTorch и safetensors. Модель предназначена для создания изображений по текстовым запросам; тег карточки «not-for-all-audiences» указывает на контент для взрослой аудитории. README упоминает бесплатный запуск и API с низкой стоимостью, но не уточняет условия доступа. В предоставленных данных нет сведений о базовой модели, лицензии, размере и языках.

reallad/lesslobollama — экспериментальная плотная авторегрессионная модель семейства Llama, опубликованная автором reallad. Это вариант Llama 2 7B с сокращёнными до 4 KV-головами из 32; в метаданных указан размер 5,7 млрд параметров, контекст 4096 токенов и формат Safetensors. Модель предназначена для генерации текста, однако автор сообщает, что она не выдаёт связный текст и может потребовать дообучения для восстановления качества. Использование регулируется лицензией Llama 2.

yujiepan/llama-2-tiny-random — небольшая модель для генерации текста, разработанная пользователем yujiepan на базе конфигурации meta-llama/Llama-2-7b-chat-hf. Модель имеет случайную инициализацию, поэтому не предназначена для качественного решения прикладных задач без дополнительного обучения; её основное назначение — тестирование, разработка и проверка совместимости инструментов Transformers. Архитектура основана на Llama 2: указаны один скрытый слой, размер скрытого представления 8, промежуточный размер 32, два attention heads и два key-value heads. Модель относится к текстовым моделям и поддерживает сценарий text-generation; сведения о языках и размере контекста в README не приведены. Из-за случайной инициализации её сильная сторона — минимальный размер и пригодность для быстрых экспериментальных запусков, а главное ограничение — отсутствие обученных знаний и практически непредсказуемое качество генерации. Лицензия в предоставленных данных не указана.

GeomLlama-zmat-Drugs-Large — дообученная на базе Meta Llama-3.1-8B-Instruct языковая модель с архитектурой Llama, предназначенная для генерации 3D-конформаций крупных лекарственно-подобных молекул. Она принимает строку SMILES и выдаёт структуру в формате матрицы Фенске—Холла (Z-matrix) с длинами связей, углами и двугранными углами. Модель содержит 7,5 млрд параметров, поддерживает контекст до 131 072 токенов и работает через Transformers. Модель обучена на наборе GEOM-Drugs-Large: карточка сообщает о 19 860 обучающих молекулах и примерно 2 млн конформеров с атомами водорода. Для сохранения общих инструкционных возможностей использовалась также часть смеси Tulu-3. Это специализированный вариант семейства GeomLlama; координаты Z-matrix можно преобразовать в декартовы координаты стандартным алгоритмом NeRF. Модель выдаёт атомы в произвольном порядке и не включает метки атомов или блок связности, поэтому результат требует корректного разбора и восстановления декартовых координат. Она лицензирована по условиям Llama 3.1; для использования применяются условия лицензии Meta.

GeomLlama-zmat-QM9-Large — модель THGLab, созданная дообучением Llama-3.1-8B-Instruct для генерации трёхмерных геометрий малых молекул. Она принимает SMILES и выдаёт структуру в формате матрицы Фенске—Холла (Z-матрицы), где атомы описываются внутренними координатами: длинами связей, углами и двугранными углами. Выход можно преобразовать в декартовы координаты стандартным алгоритмом преобразования внутренних координат. Модель использует плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров, работает через Transformers и поддерживает контекст до 131 072 токенов. Специализирована на геометриях молекул масштаба QM9 и обучена на GEOM-QM9; примеры из смеси Tulu-3 использовались для сохранения навыков следования общим инструкциям. README описывает обучение с LoRA, адаптер которого был объединён с базовыми весами. Модель подходит для получения начальных конформеров малых молекул из SMILES, но её назначение ограничено геометриями масштаба QM9; README не заявляет применимость к более крупным или лекарственным молекулам. Распространяется по лицензии llama3.1 Meta.

MiniMax-H3 FL2V 8-Step Motion Enhancer — это LoRA-адаптер, разработанный пользователем rzgar для видеомодели MiniMax-H3 FL2VS от MiniMaxAI. Адаптер создан на основе 8-шагового LoRA LightX2V и предназначен для использования с diffusion- и Diffusers-совместимыми рабочими процессами генерации видео. Модель ориентирована на генерацию и преобразование мультимодального видео, включая сценарии text-to-video, image-to-video, image-text-to-video и video-to-video, а также синхронную генерацию аудио и видео. Основной фокус — контент для взрослых: адаптер улучшает точность анатомии мужских и женских персонажей, распознавание движений, связанных с NSFW-сценариями, и качество соответствующей анимации. В README не указаны размер адаптера, поддерживаемые языки и максимальная длина контекста. Ключевое преимущество — ускоренная генерация за 8 шагов с дополнительным улучшением анатомии и движений в целевых сценариях. Ограничение заключается в специализации на NSFW-контенте и необходимости использовать базовую модель MiniMax-H3 FL2VS. При подключении этого адаптера рекомендуется отключить исходный vanilla LightX2V LoRA, поскольку данный адаптер предназначен для его замены. Модель распространяется по лицензии Apache 2.0.

Модель david heinеman/opd-teacher-Q2.5I-JugPuzzle-step149 — экспериментальный учительский чекпойнт на базе Qwen2.5-1.5B-Instruct, разработанный в проекте RLVE. Его обучали методом GRPO в среде JugPuzzle нулевой сложности для эксперимента по дистилляции on-policy с 32 средами; опубликован чекпойнт после 150 обновлений обучения. Это плотная авторегрессионная языковая модель Qwen2 с 1,5 млрд параметров, принимающая текст и генерирующая текст. Контекст составляет до 32 768 токенов; доступна в формате safetensors для библиотеки Transformers. Карточка указывает английский язык. Модель предназначена для исследования обучения и дистилляции в задачах JugPuzzle, а не описана как универсальный помощник. Веса дообучены от Qwen/Qwen2.5-1.5B-Instruct методом GRPO. Использование регулируется лицензией Apache 2.0, включённой от базовой модели. Чекпойнт прошёл проверку имён и форм тензоров относительно базовой модели; опубликованная карточка не приводит оценок качества решения головоломок.

OpenFly — модель для воздушной визуально-языковой навигации, разработанная командой OpenFly с участием исследователей Shanghai AI Laboratory. Она принимает изображения и инструкции на естественном языке и предсказывает действия беспилотного летательного аппарата для выполнения навигационных задач. Модель основана на OpenVLA-7B-Prismatic и дообучена на наборе данных OpenFly; архитектура OpenVLA относится к плотным моделям, веса опубликованы в формате safetensors. Модель предназначена для сценариев, где дрон должен интерпретировать визуальную обстановку и следовать языковым указаниям. Для загрузки и инференса используется Transformers версии 4.47.0 или новее. README указывает английский язык и лицензию MIT. Карточка описывает модель как часть инструментария и бенчмарка aerial VLN; отдельные сведения о размере параметров и длине контекста не приводятся.

yujiepan/phi-moe-tiny-random — экспериментальная модель генерации текста, созданная пользователем yujiepan на основе конфигурации microsoft/Phi-tiny-MoE-instruct. Модель предназначена для отладки и проверки совместимости архитектуры, а не для прикладной генерации текста: её параметры были инициализированы случайным образом. Это компактная causal language model архитектуры PhiMoE с разреженным Mixture-of-Experts: 2 слоя трансформера, 8 локальных экспертов и выбор 2 экспертов на токен. Размер модели составляет 2,1 млн параметров, максимальный контекст — 4096 токенов. Модель поддерживает текстовую модальность и запускается через библиотеку Transformers с использованием pipeline text-generation. Основное преимущество — очень малый размер, удобный для тестирования загрузки, конфигурации и компонентов MoE на ограниченных ресурсах. Из-за случайной инициализации модель не обладает практически полезными языковыми знаниями и не подходит для диалогов, написания текстов, извлечения информации или других пользовательских сценариев. Лицензия в предоставленных данных не указана.

Poseidon-B Joint fine-tune — это дообученная модель ScOT на основе Poseidon-B, разработанная для аппроксимации динамики потоков жидкости в двух новых режимах: обтекании цилиндра и сжимаемом слое Кельвина—Гельмгольца. Модель использует архитектуру Swin-V2-style multiscale operator transformer и содержит около 158 млн параметров; метаданные репозитория указывают 33 млн параметров. Она принимает физическое состояние из четырёх каналов (плотность, компоненты скорости и давление) на сетке 128 × 128 и прогнозирует состояние для заданного времени упреждения. Геометрия цилиндра кодируется в канале плотности. Модель предназначена для исследований в области обучения операторов, суррогатного моделирования PDE и быстрых приближённых прогнозов для указанных режимов, а также исходных семейств Poseidon. В README приведены оценки на тестовых траекториях, включая устойчивость авторегрессионного прогноза цилиндрического следа на горизонте примерно четырёх периодов вихреобразования. Обучение совместно включало новые режимы и буфер повторения для сохранения качества на части исходных режимов. Модель ограничена данными и условиями проверки: поля имеют разрешение 128 × 128, мелкие масштабы сглаживаются, а точность за пределами испытанных распределений не гарантируется. Для цилиндрического режима проверены двумерные потоки и ограниченная экстраполяция по числу Рейнольдса; короткие интервалы прогноза меньше 1/20 окна траектории работают хуже. Это специализированный суррогат, а не универсальный решатель CFD. Лицензия репозитория — CC BY-NC 4.0.

QC67_cosmo — экспериментальная символьная языковая модель Cory Shane Davis, независимого исследователя. Согласно карточке, это самостоятельная Transformer-архитектура с механизмом внимания на основе состояний, полученных из измерений квантового оборудования IBM; модель не является дообучением другой модели. В репозитории также описаны квантово-рождённые веса и механизм дальнейшего изменения при взаимодействии. Приведённый в карточке пример Cosmos Spark насчитывает 1,8 млн параметров, работает на уровне символов с контекстом 128 символов и генерирует текст на английском. Автор сообщает о распознавании слов в 88,5% случаев и скорости около 0,9 секунды на ответ на CPU, но отмечает, что модель в основном воспроизводит фрагменты обучающего корпуса и мало пригодна для диалога. Репозиторий содержит GGUF-файлы и инструменты запуска через llama.cpp; метаданные указывают библиотеку PyTorch. Лицензия обозначена как other, поэтому условия использования следует уточнить в материалах репозитория.

SeanWang0027/qwen3-1.7b-babyai-tcod-b2f-qwen3-32b-ep2 — экспериментальный чекпойнт Qwen3-1.7B, созданный методом on-policy distillation из Qwen3-32B на обучающих заданиях BabyAI. В описании указаны 810 официальных обучающих заданий и диалоги до 20 ходов; опубликованная версия соответствует шагу explorer 101 и шагу trainer 139 из трёх проходов по данным. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 1,7 млрд параметров и рассчитана на генерацию текста с контекстом до 40 960 токенов. Чекпойнт предназначен для генерации ответов и действий в диалоговом формате заданий BabyAI. Он не оценивался, поэтому его качество и пригодность для практического применения не подтверждены. Лицензия в предоставленных источниках не описана.

tiny-random/qwen3.5 — экспериментальная модель, предназначенная для отладки. Она случайно инициализирована на основе конфигурации Qwen/Qwen3.5-27B; разработчик репозитория в README не указан. Модель реализована в Transformers как Qwen3_5ForConditionalGeneration и поддерживает запуск через vLLM, SGLang и Transformers. Архитектура включает текстовую и визуальную части, поэтому модель рассчитана на мультимодальные сценарии, включая обработку изображений и текста. В конфигурации использованы 4 текстовых слоя, чередующиеся механизмы linear attention и full attention, 8 attention heads, 4 key-value heads, hidden size 8, а также компактный vision-модуль с 2 блоками и hidden size 64. Заявлена поддержка multi-token prediction, reasoning parser и tool-call parser для совместимых серверов. Главное преимущество модели — очень малый размер файла весов, около 8,8 МБ, что удобно для тестирования интеграций, конфигураций и механизмов инференса. Однако веса случайно инициализированы, поэтому модель не предназначена для получения качественных ответов, решения прикладных задач или полноценного использования как обученная Qwen-модель. Языки, размер контекстного окна и точные модальные характеристики в README не указаны. Лицензия также не указана.

sch0tten/Qwen3.5-27B-research-AWQ — исследовательская 4-битная AWQ-квантизация производной модели Qwen3.5-27B от Qwen. Модель предназначена не для прикладного использования, а для изучения низкобитной квантизации, устойчивости выравнивания и методов abliteration в изолированных исследовательских средах. Автор или лаборатория, подготовившие этот вариант, в README не названы. Это плотная причинная языковая модель для генерации текста с архитектурой Qwen3_5ForCausalLM, включающей gated linear attention/DeltaNet и блоки класса Mamba2. Заявлен нативный контекст до 262144 токенов и поддержка английского языка. Вариант рассчитан на 4-битное выполнение методом AWQ с auto-round, в частности на GPU Ampere класса RTX 3090 и A100, однако на такой платформе отмечены проблемы с tensor parallelism и CUDA graphs: модель запускается только с принудительным eager-режимом и считается неудачным, законсервированным экспериментом. Ключевое ограничение — из модели существенно удалены защитные отказы, поэтому она намеренно может выполнять вредоносные инструкции и не предоставляет гарантий безопасности. Использование разрешено только квалифицированным исследователям в изолированных непроизводственных средах; модель нельзя развертывать для пользователей, подключать к интернету, применять с реальными пользовательскими данными или распространять повторно. Доступ предоставляется вручную через ограничение репозитория. Указана лицензия Apache-2.0 для производной от базовой модели, но дополнительные условия исследовательского доступа обязательны.

Qwen3.5-9B-MatRL-MT-RL — дообученная на базе amayuelas/Qwen3.5-9B-MatRL-MT-SFT модель от автора репозитория для обратного проектирования кристаллических структур. Это плотная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration; веса сохранены в bf16. Модель ведёт многошаговый цикл работы с инструментами: предлагает структуры-кандидаты, оценивает их с помощью межатомного потенциала машинного обучения, уточняет и отправляет результат. Обучение GRPO рассчитано на эпизоды до 10 ходов с оценками кандидатов; награда учитывает корректность, новизну, термодинамическую стабильность и целевые свойства. Модель предназначена для агентных сценариев в материаловедении, где требуется искать кристаллические структуры по заданным требованиям. Она поддерживает чат и интерфейс работы с инструментами; карточка указывает совместимость с мультимодальной архитектурой Qwen3.5, но описанный сценарий сосредоточен на проектировании структур. Лицензия — Apache-2.0. Качество на бенчмарке SUN ещё не оценивалось: приведён только рост обучающей награды, рассчитанной судьёй, на котором оптимизировали политику. Во время обучения часть эпизодов обрезалась из-за ограничения контекста, а некоторые запросы для оценки ширины запрещённой зоны завершались сбоем сервера. Результаты обучающей награды сами по себе не подтверждают обобщение на независимые оценки.

amayuelas/Qwen3.5-9B-MatRL-MT-SFT — экспериментальный чекпойнт Qwen3.5-9B, дообученный автором на многоходовых эпизодах с вызовами инструментов для обратного проектирования кристаллических структур. Обучение на 1 119 эпизодах датасета amayuelas/matrl-sft-mt учит модель соблюдать формат и цикл работы агента: предлагать структуру, оценивать её, уточнять и отправлять итоговый вариант в пределах заданного числа ходов. Используются диалоговый режим и родной канал рассуждений; в метаданных указаны архитектура Qwen3.5 и формат safetensors. Модель предназначена для специализированных агентных сценариев в материаловедении, где доступен соответствующий набор инструментов оценки и отправки структур. Это стадия cold start: химические навыки планировалось развивать далее с помощью обучения с подкреплением. Контрольный чекпойнт не оценивался на бенчмарке SUN, поэтому качество его проектных результатов не подтверждено. Основа — Qwen/Qwen3.5-9B; лицензия — Apache-2.0.

yujiepan/qwen3.5-tiny-random — экспериментальная отладочная модель, разработанная на основе конфигурации Qwen/Qwen3.5-27B. Её параметры инициализированы случайно, поэтому она не предназначена для решения прикладных задач, качественной генерации текста или надёжного анализа изображений. Модель реализована на базе Transformers как Qwen3_5ForConditionalGeneration и поддерживает мультимодальный сценарий с текстом и изображениями. Конфигурация существенно уменьшена: языковая часть содержит 4 слоя, размер скрытого представления — 8, а визуальная часть — 2 блока с размерностью 64 и выходной размерностью 8. Размер файла весов составляет около 8,8 МБ. Заявлена поддержка multi-token prediction, speculative decoding, reasoning parser и tool-call parser в vLLM и SGLang. Основное назначение модели — отладка, тестирование интеграции и проверка поддержки архитектуры, включая работу с Transformers, vLLM и SGLang. Сильными сторонами являются крайне малый размер и наличие мультимодальной и экспериментальной инфраструктуры исходной архитектуры. Главные ограничения — случайная инициализация, отсутствие пригодных для практического использования обученных знаний и отсутствие указаний на поддерживаемые языки, длину контекста и лицензию.

yujiepan/qwen3-tiny-random — небольшая модель авторегрессионной генерации текста для отладки и проверки работы библиотеки Transformers. Её конфигурация адаптирована из Qwen/Qwen3-32B, однако веса инициализированы случайно, поэтому модель не предназначена для получения осмысленных или качественных ответов. Репозиторий подготовлен пользователем yujiepan. Модель поддерживает сценарии text-generation и может использоваться для тестирования загрузки, токенизации, генерации и шаблонов чата, включая режимы с рассуждением и без него. Архитектура существенно уменьшена: hidden_size составляет 64, intermediate_size — 128, используются 2 слоя, 2 attention heads, 1 key-value head и head_dim 32. Точная ёмкость контекста, перечень языков и другие характеристики в README не указаны. Главное преимущество модели — минимальный размер и пригодность для быстрых отладочных экспериментов. Ключевое ограничение — случайная инициализация параметров, из-за чего она не обладает прикладными языковыми способностями и не подходит для продуктивного использования. Для загрузки рекомендуется Transformers; в примерах указано использование trust_remote_code. Лицензия в README не указана.

Onodofthenorth разработал чекпойнт Stable Diffusion для генерации пиксельных спрайт-листов с изображением персонажа с четырёх ракурсов. Модель принимает текстовые запросы на английском языке; для выбора ракурса в карточке приведены специальные маркеры PixelartFSS для вида спереди, PixelartRSS для правого, PixelartBSS для заднего и PixelartLSS для левого вида. Модель рассчитана на создание игровых спрайтов и концептов персонажей. Автор рекомендует подбирать результат с помощью img2img, а для левого и правого ракурсов при необходимости отразить удачное изображение. После генерации может понадобиться удалить фон и изменить масштаб в графическом редакторе; автор также отмечает возможную мутность цветов. Объединение чекпойнта с другой моделью предлагается как способ поддерживать сходство персонажа между ракурсами. Репозиторий содержит веса Diffusers/PyTorch и распространяется по лицензии Apache-2.0.

Это диагностический репозиторий с двумя незавершёнными экспериментальными запусками Fock-PARFLM v2.1 от SemSimula на OpenWebText. Модель предназначалась для генерации английского текста; архитектура FockMultiXiPARFLM использует скалярный потенциал и попарные силы, а также анизотропные гауссовы потенциалы, малый ранг 4 и интегратор Стёрмера—Верле. Размерность скрытого пространства — 384. Оба запуска не достигли целевых 100 000 шагов: обучение остановилось примерно на 10–17% пути из-за повторяющихся всплесков градиентов и перезагрузок watchdog. Аудит обнаружил превышение границы устойчивости интегратора в заметной доле проверенных позиций, хотя причинных утечек не выявил. Лучшее сохранённое значение perplexity на OpenWebText составило 184,11; авторы не рекомендуют использовать эти чекпойнты для генерации или прикладных задач. Репозиторий предназначен для изучения нестабильности обучения. Лицензия — CC BY 4.0.

Tiny GPTNeoXForSequenceClassification — минимальная модель на базе архитектуры GPT-NeoX, разработанная для модульных тестов библиотеки TRL. Она предназначена не для прикладного использования, а для проверки работы компонентов и сценариев, связанных с классификацией последовательностей в TRL и Transformers. Из доступных данных известно, что модель использует библиотеку Transformers и относится к задачам sequence classification. Размер модели, точная архитектура, число параметров, поддерживаемые языки, модальности и длина контекста не указаны. Сильной стороной является малый размер, удобный для быстрых тестов, однако это одновременно означает, что модель не предназначена для продуктивных задач и не характеризуется прикладным качеством. Лицензия в README не указана.

Tiny GptOssForCausalLM — минимальная модель на базе архитектуры GptOssForCausalLM, разработанная для модульных тестов библиотеки TRL. Она предназначена для проверки корректности отдельных компонентов и сценариев работы TRL, а не для прикладного использования, генерации качественного текста или промышленного вывода. В README указано, что модель использует библиотеку Transformers и помечена тегом trl. Сведения о размере, точной архитектуре, количестве параметров, поддерживаемых языках и модальностях, длине контекста, результатах оценки, сильных сторонах, ограничениях и лицензии отсутствуют. Поэтому модель следует рассматривать как тестовый минимальный объект для разработки и автоматизированной проверки TRL.

Tiny Llama4ForCausalLM — минимальная модель, разработанная для модульного тестирования библиотеки TRL. Она предназначена для проверки работы компонентов и сценариев TRL, а не для решения прикладных задач генерации текста или использования в продуктивных системах. Модель относится к классу причинных языковых моделей и доступна для работы через библиотеку Transformers. В README не указаны точная архитектура, количество параметров, поддерживаемые модальности и языки, размер контекста, характеристики качества или вычислительные требования. Также не приведены сведения о лицензии и ограничениях использования.