II.2Создание и понимание программного кода

Tiny Idefics3ForConditionalGeneration — минимальная тестовая модель на базе архитектуры Idefics3ForConditionalGeneration, представленная для unit-тестов библиотеки TRL. Разработчик или организация, выпустившие модель, в карточке явно не указаны; из контекста следует лишь её связь с проектом TRL. Модель предназначена не для прикладного использования, а для проверки работы компонентов и сценариев обучения или интеграции в TRL. Архитектура относится к условной генерации текста с поддержкой визуально-языковых задач, однако конкретные модальности, языки, размер, максимальная длина контекста и другие характеристики в README не описаны. Лицензия также не указана. Ключевое преимущество модели — компактность и пригодность для быстрых автоматизированных тестов. Ограничения существенны: это минимальная тестовая конфигурация, поэтому её возможности, качество и производительность нельзя считать показателями полноразмерной модели Idefics3 или использовать как основание для продуктивного применения.

Tiny InternVLForConditionalGeneration — минимальная модель, предназначенная для модульного тестирования библиотеки TRL. По доступному описанию, она реализует архитектуру InternVLForConditionalGeneration и используется в экосистеме Transformers. Модель не предназначена для прикладного использования или решения конкретных пользовательских задач: её цель — проверка работы компонентов и сценариев библиотеки TRL. README не содержит сведений о разработчике, размере, модальностях, поддерживаемых языках, длине контекста, производительности или ограничениях модели. Информация о лицензии и условиях использования отсутствует. Из-за минимального объёма модели и отсутствия подробных технических характеристик её возможности и область практического применения определить нельзя.

trl-internal-testing/tiny-Lfm2ForCausalLM-2.5 — минимальная модель на базе архитектуры Lfm2ForCausalLM, созданная для модульных тестов библиотеки TRL. По представленным данным, её назначение — проверка корректности работы компонентов и сценариев TRL, а не решение прикладных задач генерации текста. Модель распространяется через экосистему Transformers и относится к тестовым моделям. В README не указаны разработчик, размер, число параметров, поддерживаемые модальности и языки, длина контекста, результаты оценки, сильные стороны или ограничения, помимо минимального размера и тестового назначения. Лицензия также не указана, поэтому условия использования по имеющимся данным определить нельзя.

peft-internal-testing/tiny-random-BertForSequenceClassification — небольшая тестовая модель на архитектуре BERT с классификационной головой для задач классификации последовательностей. Модель опубликована в пространстве peft-internal-testing и предназначена, судя по идентификатору и содержимому карточки, прежде всего для внутреннего тестирования интеграций и инструментов библиотеки Transformers, а не для прикладного использования или получения качественных предсказаний. Модель имеет случайно инициализированные параметры, поэтому не обладает подтверждёнными языковыми или предметными знаниями и не подходит для обучения, оценки качества на реальных данных или использования в производственных системах без дополнительного обучения. В README не указаны точный размер, поддерживаемые языки, длина контекста, обучающие данные, результаты оценки, разработчик и лицензия; эти характеристики следует уточнить в конфигурации или репозитории модели.

onnx-internal-testing/tiny-random-Gemma3ForCausalLM — тестовая миниатюрная модель на базе архитектуры Gemma 3 для Transformers. По идентификатору и метаданным можно заключить, что она предназначена главным образом для внутреннего тестирования совместимости и работы библиотечного кода, а не для решения прикладных задач генерации текста. Модель относится к классу causal language model, однако в README не указаны её точный размер, число параметров, поддерживаемые языки и модальности, длина контекста, разработчик, данные обучения, результаты оценки или практические сценарии использования. Суффикс tiny-random указывает на тестовый случайный вариант, поэтому её качество и полезность для содержательной генерации не подтверждены и, вероятно, не являются целью. Лицензия и условия использования в карточке не указаны. Модель следует рассматривать как технический тестовый артефакт для проверки загрузки и поведения Gemma3ForCausalLM в экосистеме Transformers, а не как готовую модель для пользовательских или производственных систем.

onnx-internal-testing/tiny-random-Gemma3ForConditionalGeneration — небольшой случайно инициализированный тестовый экземпляр архитектуры Gemma3ForConditionalGeneration, опубликованный в экосистеме Hugging Face Transformers. По идентификатору модели следует, что она предназначена прежде всего для внутреннего тестирования совместимости и работы инструментов ONNX и Transformers, а не для прикладного использования или получения качественных результатов генерации. Модель относится к классу условных генеративных моделей Gemma3, однако в README не указаны точный размер, конфигурация архитектуры, число параметров, поддерживаемые модальности и языки, размер контекста, данные обучения или результаты оценки. Случайная инициализация означает, что модель не должна рассматриваться как обученная языковая модель: её сильная сторона — компактность и пригодность для быстрых автоматизированных тестов, а ключевое ограничение — отсутствие ожидаемой способности к содержательной генерации. Разработчик, лицензия, условия использования и конкретные сценарии применения в README не указаны. Модель не рекомендуется использовать в продуктивных системах, для дообучения без специального понимания её тестового назначения или для оценки качества Gemma3.

peft-internal-testing/tiny-random-gpt2 — небольшая тестовая модель из экосистемы Hugging Face Transformers, опубликованная в пространстве peft-internal-testing. Надёжных сведений о конкретном разработчике в карточке модели нет: она автоматически сгенерирована и содержит незаполненные поля автора, типа модели, языков и лицензии. Модель предназначена главным образом для технического тестирования PEFT и совместимых инструментов, а также для демонстрации генерации текста через Transformers. По идентификатору и доступным метаданным это GPT-2-подобная авторегрессионная языковая модель с задачей text generation; её можно загружать как AutoModelForCausalLM и использовать с текстовым pipeline. Указан формат Safetensors и размер около 83,2 тыс. параметров. Из-за крайне малого размера модель не предназначена для качественной генерации текста или практических прикладных сценариев. Языки, точная архитектура, размер контекста, данные обучения, показатели качества и ограничения безопасности не указаны. Лицензия в карточке также не определена, поэтому условия распространения и использования следует считать неизвестными.

HuggingFaceM4/tiny-random-idefics — тестовая миниатюрная версия мультимодальной модели IDEFICS, опубликованная командой Hugging Face. Она принимает изображения и текст и генерирует текст; в репозитории Hugging Face модель классифицируется как Image-Text-to-Text и поддерживается библиотекой Transformers. Модель предназначена прежде всего для быстрой проверки загрузки, совместимости и программных интеграций IDEFICS без скачивания большой рабочей модели. Она не обучена на прикладных данных и содержит случайные веса, поэтому не предназначена для качественного распознавания изображений, ответов на вопросы, описания сцен или использования в продуктивных системах. Для таких задач следует применять обученные варианты IDEFICS. Доступные материалы не указывают точное число параметров, размер контекста, набор языков или лицензионные условия именно этого тестового варианта. Поэтому его ключевое практическое ограничение — отсутствие содержательной предсказательной способности при сохранении интерфейса мультимодальной IDEFICS-модели.

optimum-internal-testing/tiny-random-llama — небольшая тестовая модель из репозитория организации Optimum Internal Testing на Hugging Face. По названию и размещению она предназначена главным образом для внутреннего тестирования инструментов и интеграций, связанных с архитектурой LLaMA, а не для прикладного использования или получения качественных ответов. В карточке указаны тег llama, формат Safetensors, тип тензоров F32 и размер около 1,03 млн параметров. README отсутствует, поэтому сведения о точной конфигурации архитектуры, контекстном окне, языках, модальностях, обучающих данных, качестве и ограничениях не раскрыты. Модель не предоставляется через Inference Providers. Указана лицензия Apache-2.0.

hf-tiny-model-private/tiny-random-MCTCTModel — тестовая миниатюрная модель из репозитория Hugging Face «HF tiny models (private usage)». Явный разработчик базовой архитектуры или автор модели в карточке не указан. Репозиторий предназначен для использования с Transformers и помечен как модель для извлечения признаков. Модель относится к архитектуре M-CTC-T (MCTCT) и представляет базовый Transformer-энкодер, возвращающий скрытые состояния без специализированной выходной головы. Архитектура связана с обработкой аудио и автоматическим распознаванием речи; в документации MCTCT входом являются последовательности признаков, а типичный процессор объединяет аудиопризнаки и токенизатор. Однако для данного конкретного tiny-random-чекпойнта не указаны точные размеры, число параметров, языки, контекстное окно, обучающие данные или реальные показатели качества. Название tiny-random указывает на случайно инициализированную тестовую модель, поэтому она предназначена прежде всего для проверки совместимости, загрузки и работы библиотек, а не для продуктивной транскрипции или получения качественных аудиопризнаков. Карточка модели не содержит описания лицензии; условия использования следует считать неуказанными.

Это отладочная мультимодальная модель tiny-random-minicpm-v-4_5, опубликованная в пространстве optimum-intel-internal-testing и созданная на основе конфигурации openbmb/MiniCPM-V-4_5. Модель предназначена для тестирования и отладки интеграции с библиотекой Transformers, а не для прикладного использования или получения качественных ответов: её параметры инициализированы случайным образом. Модель работает в формате image-text-to-text и рассчитана на обработку изображений и текста, включая диалоговые сценарии с несколькими ходами. В README приведён пример визуального вопросно-ответного взаимодействия и последующего вопроса с использованием истории диалога. Конфигурация существенно уменьшена для отладки: текстовая часть имеет hidden size 128, 2 слоя, 2 attention heads и 1 key-value head; визуальная часть — hidden size 64, 2 слоя и 2 attention heads. Другие характеристики, включая точный размер в параметрах, поддерживаемые языки и длину контекста, не указаны. Сильная сторона модели — компактность и пригодность для проверки загрузки, инференса и мультимодального API в Transformers. Главное ограничение — случайная инициализация, из-за которой модель не обладает обученными знаниями и не предназначена для надёжного распознавания изображений или генерации текста. В README условия лицензирования не указаны.

badaoui/tiny-random-NemotronForCausalLM — небольшая случайно инициализированная модель для библиотеки Transformers, использующая архитектуру NemotronForCausalLM для авторегрессионного прогнозирования текста. По названию модели можно заключить, что она предназначена главным образом для тестирования, разработки и проверки совместимости архитектуры, а не для практического применения в качестве готовой языковой модели. Разработчик и организация, стоящие за моделью, в README не указаны. Модель может использоваться в экспериментах с загрузкой, инференсом и интеграцией архитектуры causal language model в экосистему Transformers. Размер, число параметров, поддерживаемые языки, длина контекста, модальности, данные обучения и результаты оценки не указаны. Из-за случайной инициализации модель не должна рассматриваться как способная к содержательной генерации текста или решению прикладных NLP-задач. Информация о лицензии, ограничениях распространения и дополнительных условиях использования отсутствует, поэтому перед применением необходимо проверить метаданные репозитория. README также не содержит сведений о безопасности, смещениях, производительности и требованиях к вычислительным ресурсам.

peft-internal-testing/tiny-random-OPTForCausalLM-extended-vocab — небольшая тестовая causal language model на базе hf-internal-testing/tiny-random-OPTForCausalLM с расширенным словарём. Модель опубликована в экосистеме Hugging Face и предназначена прежде всего для внутреннего тестирования библиотеки PEFT, а не для прикладного использования или качественной генерации текста. Архитектура, точный размер, поддерживаемые языки, модальности, длина контекста, обучающие данные и результаты оценки в карточке не указаны. Известно только, что это текстовая авторегрессионная модель семейства OPT с изменённым словарём; версия PEFT, указанная в README, — 0.7.2.dev0. Модель может использоваться для проверки совместимости PEFT и связанных сценариев работы с моделями, включая обработку расширенного словаря. Из-за случайной тестовой природы базовой модели её не следует применять для продуктивной генерации, содержательных NLP-задач или оценки качества языковых моделей. Лицензия и разработчик в карточке не указаны.

optimum-intel-internal-testing/tiny-random-phi-4-multimodal — небольшая модель со случайной инициализацией, предназначенная для отладки. Её конфигурация адаптирована из microsoft/Phi-4-multimodal-instruct, однако README не указывает разработчика самой модели. Модель относится к задачам image-text-to-text и рассчитана на сценарии тестирования мультимодальных конвейеров, совместимых с библиотекой Transformers. Из-за случайной инициализации она не предназначена для качественной генерации текста или практического применения; её основное назначение — проверка корректности кода и интеграций. Размер, точная архитектура, поддерживаемые языки, длина контекста и другие характеристики в README не указаны. Лицензия и условия использования также не указаны. Поскольку модель создана для отладки и не обучена на прикладных данных, её возможности и качество существенно ограничены.

snake7gun/tiny-random-qwen3 — небольшая модель для генерации текста и отладки, созданная на основе конфигурации Qwen/Qwen3-32B. Модель случайно инициализирована, поэтому она не предназначена для получения осмысленных ответов или использования в продуктивных сценариях; её основная задача — проверка кода, загрузки и работы с инструментами библиотеки Transformers. Архитектура адаптирована под causal language model с двумя слоями, размером скрытого состояния 64, промежуточным размером 128, двумя attention heads, одной key-value head и размером головы 32. Модель поддерживает текстовую модальность и используется через pipeline text-generation или классы AutoModelForCausalLM и AutoTokenizer. Токенизатор, шаблон чата и конфигурация генерации унаследованы от Qwen/Qwen3-32B; заявленные языки и размер контекста не указаны. Лицензия в README не указана.

physicsrob/torchwright-calculator-memorize-max-digits-2 — демонстрационная модель, созданная torchwright: компилятор напрямую сформировал веса из графа вычислений, обучение не проводилось. Модель использует плотную архитектуру Phi-3 с 10,6 млрд параметров и загружается через стандартную библиотеку Transformers без пользовательского кода. Контекст составляет 4096 токенов. Модель выполняет поиск заранее запомненного результата для выражений с двумя неотрицательными десятичными числами до двух цифр и операцией сложения, вычитания или умножения. Запрос задаётся как «A op B» с переводом строки; ответ — числовой результат. Поддерживается отрицательный результат вычитания. Это узкий демонстрационный калькулятор, а не языковая модель общего назначения. Лицензия — Apache-2.0. Для штатной работы требуются точность fp32 и жадное декодирование. Веса занимают 26,11 ГБ, почти все параметры равны нулю, но они не сжаты, поэтому плотный запуск всё равно требует значительных памяти и вычислений; CPU поддерживается. Операнды шире двух цифр, неподдерживаемые символы, другие точности и режимы декодирования находятся вне контракта. Проверены приведённые примеры и дополнительные граничные случаи, но не все допустимые выражения.

Trias — компактная модель LaReau Lab на архитектуре BART, предназначенная для обратной трансляции белковых последовательностей в синтетические кодирующие последовательности эукариотической мРНК. Она обучена на 10 миллионах мРНК-последовательностей из 640 видов позвоночных и генерирует кодоны с учётом усвоенных закономерностей их использования, без необходимости задавать правила вручную. Модель принимает последовательность белка и генерирует соответствующую последовательность кодонов. Доступны жадное декодирование и поиск по лучу: первое быстрее и детерминировано, второе исследует несколько вариантов и может быть полезнее для длинных или сложных белков, но работает медленнее. Размер модели — 25,5 млн параметров, длина контекста — 2048 токенов; доступны веса в формате safetensors. Модель поддерживает запуск на CPU и GPU. Trias предназначена для задач биоинформатики и проектирования мРНК. В README указано, что модель генерирует синтетические последовательности, но не приведены оценки качества и подробности валидации; результатам может потребоваться дополнительная проверка. Лицензия — MIT.

offtoung/tsukuyomi-chan-calm2-7b — дообученная на корпусе диалогов Tsukuyomi-chan модель на базе calm-2-7b-chat, представленная разработчиком модели. Она предназначена для генерации диалогов в образе персонажа Цукуёми-тян и может использоваться в разговорных приложениях. Модель построена на архитектуре Llama, содержит 6,7 млрд параметров и поддерживает контекст до 32 768 токенов; в карточке указан японский язык. Весы доступны в формате safetensors. Условия использования определяются лицензией персонажа Tsukuyomi-chan и правилами проекта по обучению разговорного ИИ. Для публикации скриншотов или видео работы ИИ, произведений на основе сгенерированных диалогов, а также при распространении или изменении диалогов требуется соблюдать эти правила; в некоторых случаях обязательно указывать название модели или ПО ez-chat-llm и имя Цукуёми-тян. Лицензия в метаданных обозначена как other.

lodrick-the-lafted/concerned-9b — экспериментальная версия Gemma 2 9B Instruct с управляющим вектором, встроенным в веса. По описанию автора, вектор заставляет модель выводить только номер телефона Национальной линии предотвращения самоубийств. Модель предназначена для демонстрации управления выводом языковой модели; практические сценарии и качество в README не описаны. Это плотная causal language model семейства Gemma 2 с 9 млрд параметров и контекстом до 8192 токенов. Она принимает текст и генерирует текст; метаданные указывают возможность диалогового использования. Опубликована в формате safetensors под лицензией Apache-2.0. README называет исходную модель Gemma 2 9B Instruct, но точный идентификатор базового репозитория не приведён.

yujiepan/deepseek-v3-tiny-random — отладочная модель, созданная сообществом на основе конфигурации DeepSeek-V3 от DeepSeek AI. Она предназначена не для решения прикладных задач, а для тестирования и отладки загрузки и работы архитектуры причинной языковой модели через библиотеку Transformers. Модель поддерживает генерацию текста и использует совместимую с DeepSeek-V3 конфигурацию, но существенно уменьшена: два скрытых слоя, hidden_size 16, два attention-heads и два key-value heads; точное общее число параметров в README не указано. Веса инициализированы случайно, поэтому модель не обучена и не предназначена для содержательной генерации. Токенизатор и шаблон чата унаследованы от DeepSeek-V3; другие языки и размер контекстного окна явно не указаны. В репозитории отсутствует Multi-Token Prediction (MTP) модуль, предусмотренный в полной версии DeepSeek-V3. Для загрузки рекомендуется Transformers с AutoModelForCausalLM и trust_remote_code=True; в примере используется CUDA. Лицензия в README не указана.

DistillSupra-0.2M — экспериментальная сверхкомпактная причинная языковая модель SupraLabs для генерации английского текста. Это плотная модель семейства Llama с 288,8 тыс. параметров и контекстом 512 токенов, полученная дистилляцией SupraLabs/Supra-Mini-v4-2M. По README, её обучали 500 шагов на текстах, сгенерированных моделью-учителем; заявленная цель проекта — исследование дистилляции малых языковых моделей. Модель предназначена для экспериментов с генерацией текста и компактными языковыми моделями. Приведённые в карточке примеры показывают несвязный текст с заметными грамматическими и языковыми ошибками, поэтому модель непригодна для надёжной генерации. Доступна в формате Safetensors по лицензии Apache-2.0.

yujiepan/falcon-tiny-random — небольшая случайно инициализированная модель для генерации текста, разработанная пользователем yujiepan на основе конфигурации tiiuae/falcon-7b-instruct. Модель предназначена преимущественно для тестирования, экспериментов и проверки совместимости инструментов, а не для получения качественных содержательных ответов, поскольку её параметры не были обучены на данных. Архитектура основана на Falcon с двумя слоями, размером скрытого состояния 8 и двумя attention-головами. Модель работает в формате float16 и использует токенизатор исходной модели Falcon-7B-Instruct. В README указана модальность текста, задача text generation и возможность применения через библиотеку Transformers; сведения о поддерживаемых языках, размере контекста и фактическом качестве не приведены. Поддержка экспорта в OpenVINO на момент публикации отмечена как недоступная. Сильная сторона модели — крайне малый размер и пригодность для быстрых прототипов, отладки и экспериментов с архитектурой. Основное ограничение — случайная инициализация, из-за которой модель не обладает выученными языковыми или инструкционными способностями. Лицензия в README не указана.

tiny-random/gemma-4-moe — небольшая случайно инициализированная модель для отладки, созданная на основе конфигурации google/gemma-4-26B-A4B-it. Модель реализована в Transformers через Gemma4ForConditionalGeneration и предназначена прежде всего для проверки загрузки, обработки входных данных и работы программного кода, а не для получения качественных ответов. Модель поддерживает мультимодальные входы, включая текст, изображения и видео, с использованием AutoProcessor и чат-шаблона. Архитектура включает языковую часть с 4 скрытыми слоями, скрытым размером 8, механизмом MoE и чередованием sliding attention и full attention, а также уменьшенную vision-часть из 2 слоёв. Размер файла весов составляет около 5,4 МБ. Языки и размер контекстного окна в README не указаны. Поскольку веса инициализированы случайно, модель не предназначена для надёжной генерации текста, анализа изображений или видео и не обладает практическими качествами исходной модели. README не содержит сведений о лицензии, поэтому условия использования определить нельзя.

tiny-random/glm-4 — небольшая случайно инициализированная модель для отладки, опубликованная в экосистеме Hugging Face. Её конфигурация адаптирована из THUDM/GLM-4-32B-0414, однако модель не содержит предварительно обученных знаний и не предназначена для качественной генерации текста. Модель поддерживает задачу text-generation и может использоваться для проверки совместимости Transformers, токенизатора и базовых сценариев инференса. Указаны два скрытых слоя, размер скрытого представления 16, один attention head, один key-value head, размер промежуточного слоя 32 и head dimension 16. Языки, модальности и размер контекста в README не указаны. Сильная сторона модели — минимальный размер и удобство для тестирования, ограничение — случайные веса, из-за которых результаты генерации непредсказуемы и непригодны для прикладных задач. Для работы требуется Transformers и trust_remote_code; информация о лицензии отсутствует.

yujiepan/gptj-tiny-random — компактная причинная языковая модель для генерации текста, опубликованная пользователем yujiepan. Она создана на основе конфигурации EleutherAI/gpt-j-6b, но инициализирована случайными весами и существенно уменьшена по размеру, поэтому не является обученной версией GPT-J и не предназначена для получения осмысленных результатов без дополнительного обучения. Модель поддерживает задачу text-generation и используется через библиотеку Transformers. Архитектура включает 2 скрытых слоя, размер скрытого представления 16, 2 головы внимания и rotary_dim 4. Модель хранится в формате float16. Для токенизации применяется токенизатор EleutherAI/gpt-j-6b. Точная длина контекста, поддерживаемые языки и фактические модальности в README не указаны; по назначению это текстовая, одномодальная модель. Основное преимущество модели — крайне малый размер и удобство для тестирования, экспериментов с конфигурацией GPT-J, проверки загрузки и пайплайнов Transformers. Ключевое ограничение — случайная инициализация весов: модель не обладает заявленными языковыми знаниями и, вероятно, будет генерировать бессвязный текст. Информация о лицензии в README не указана, поэтому условия использования необходимо уточнять отдельно.

yujiepan/kimi-linear-tiny-random — небольшая отладочная causal language model для генерации текста, созданная на основе конфигурации moonshotai/Kimi-Linear-48B-A3B-Instruct. Репозиторий подготовлен пользователем yujiepan; исходная архитектура и токенизатор адаптированы от модели Moonshot AI. Веса этой версии инициализированы случайным образом, поэтому модель не предназначена для получения осмысленных или качественных ответов в прикладных сценариях. Модель рассчитана на тестирование загрузки и выполнения архитектуры Kimi Linear в Transformers и vLLM, а также на отладку совместимости и инференса. Она поддерживает text-generation и использует чатовый шаблон токенизатора исходной модели. В конфигурации указаны 5 скрытых слоёв, hidden size 8, 8 attention heads и 8 key-value heads, head dimension 32; применяются линейное внимание KDA и один слой полного внимания, а также MoE-параметры. Размер контекста, языки и точное число параметров в README не указаны. Для работы требуется trust_remote_code=True; пример проверен с transformers 4.57.1. Главное преимущество модели — минимальный размер конфигурации, удобный для отладки и проверки программной интеграции. Ключевое ограничение — случайная инициализация весов: модель не обучена и не обладает практической языковой компетентностью. Лицензия в README не указана.

MaleCNS-SpikeWhale-Anatomy-LM — экспериментальная языковая модель на основе разреженной спайковой нейронной сети, созданная автором репозитория Quazim0t0. Она дообучена на базе Quazim0t0/SpikeWhale-SNN-216M и использует схему связей мужской центральной нервной системы плодовой мушки MaleCNS v1.0, опубликованную Janelia и Google. В модели около 167 565 нейронов и 25,6 млн связей; обучение изменяло веса синапсов, а текст поступает через неспецифические сенсорные клетки. README также описывает экспериментальный зрительный тракт, совместное обучение на тексте и подписях к изображениям и тестирование рефлексов в симуляции целого мозга. Модель предназначена для генерации текста и исследования того, как языковые закономерности могут возникать в спайковой нейронной сети с биологически мотивированной проводкой. Автор приводит улучшение кросс-энтропии на тестовых предложениях до 2,76, однако генерация остаётся неграмотной и неестественной, а подписи к изображениям ненадёжны. В экспериментах восстановление нейронной активности гомеостатической пластичностью нарушало языковые способности; модель является симуляцией и не воспроизводит полноценную биологию мушки. Репозиторий распространяется по лицензии Apache-2.0.

tiny-random/mistral-3 — экспериментальная модель, разработанная для отладки. Она случайно инициализирована на основе конфигурации multimodal-модели mistralai/Ministral-3-14B-Reasoning-2512 и не является обученной моделью для прикладного использования. Модель поддерживает обработку текста и изображений и реализована в архитектуре Mistral 3 с компонентами PixtralVisionModel, мультимодальным проектором и языковой моделью Ministral 3. В конфигурации используются 2 слоя языковой и визуальной частей, размер скрытого состояния языковой модели составляет 8, промежуточный размер — 64, а словарь содержит 131072 токена. Эти параметры делают модель очень компактной, но её случайные веса не позволяют ожидать содержательных или стабильных ответов. Основное назначение — тестирование загрузки, токенизации, мультимодального ввода и генерации в Transformers, а также разработка и отладка программного обеспечения. Модель не предназначена для решения реальных задач понимания текста или изображений. Лицензия в README не указана.

Это дообученная vision-language-action модель MolmoAct2 от Ai2, адаптированная pravsels для задачи cable_clip на данных робота SO101. Чекпойнт обучался 25 000 шагов; дообучалась только часть action-expert. Модель предназначена для управления роботом по визуальным наблюдениям и языковым инструкциям в сценарии работы с кабельными клипсами. Модель основана на allenai/MolmoAct2 и опубликована в формате safetensors для загрузки через библиотеку LeRobot. Она принимает изображения и текстовые инструкции и выдаёт действия робота. Карточка не сообщает лицензию и конкретные показатели качества; практическое применение ограничено задачей cable_clip и конфигурацией SO101, под которые выполнялось дообучение.

Это дообученная модель MolmoAct2, опубликованная pravsels и предназначенная для управления роботом SO101 при выполнении задачи eyedrops_basket по визуальным наблюдениям и инструкциям. Дообучение выполнено только для action expert на данных SO101; указаны базовый чекпойнт allenai/MolmoAct2, датасет pravsels/object_top_shelf_reset_remote и 25 000 шагов обучения. Весовой файл представлен в формате safetensors. Модель рассчитана на узкий сценарий манипуляций с корзиной для глазных капель. MolmoAct2 — vision-language-action модель Ai2, адаптируемая для управления конкретным роботом по изображению и языковой инструкции. Лицензия и поддерживаемые языки в предоставленных данных не указаны.