II.2Создание и понимание программного кода

yujiepan/mpt-tiny-random — небольшая модель генерации текста, разработанная пользователем yujiepan на основе конфигурации neuralmagic/mpt-7b-gsm8k-pt. Модель случайно инициализирована, поэтому она предназначена прежде всего для тестирования, экспериментов и проверки совместимости, а не для получения качественных содержательных ответов. Модель использует архитектуру MPT и поддерживает авторегрессионную генерацию текста через Transformers. Указаны два скрытых слоя, размер скрытого представления 8 и два attention heads; точный размер параметров и длина контекста в README не приведены. Данные представлены в формате float16. Для токенизации используется tokenizer исходной модели, а также доступна интеграция с OpenVINO. Преимущество модели — крайне малый размер, удобный для быстрых локальных тестов и отладки конвейеров. Ключевое ограничение — случайная инициализация весов: модель не обучена для практической генерации текста и не обладает заявленными языковыми или прикладными способностями. Лицензия в README не указана.

peft-internal-testing/opt-125m-dummy-lora — тестовая модель-адаптер LoRA для библиотеки PEFT, основанная на facebook/opt-125m. Разработчик самого адаптера в README не указан; модель предназначена прежде всего для внутреннего тестирования и проверки совместимости компонентов PEFT, а не для решения прикладных задач конечными пользователями. Адаптер используется совместно с базовой моделью OPT объёмом 125 млн параметров. Архитектура, точные изменения весов, модальности, поддерживаемые языки и размер контекста не описаны. Из названия следует, что это dummy-адаптер, поэтому его возможности и качество генерации не следует рассматривать как показатели полноценного дообучения. Ключевое ограничение — необходимость наличия соответствующей базовой модели facebook/opt-125m и окружения PEFT; самостоятельное использование адаптера невозможно или не имеет смысла. Данные о лицензии, обучающих данных, оценивании, рисках и ограничениях базовой модели в README не приведены, поэтому условия распространения и пригодность для коммерческого или продуктивного использования определить нельзя.

yujiepan/opt-tiny-random — компактная модель для генерации текста, разработанная пользователем yujiepan на основе конфигурации facebook/opt-30b. Модель имеет случайную инициализацию и потому не является предварительно обученной; она предназначена прежде всего для тестирования, экспериментов и проверки совместимости инструментов, а не для получения содержательных ответов или решения прикладных задач. Модель использует архитектуру causal language model семейства OPT с двумя слоями, двумя attention heads, размером скрытого состояния 8 и размером FFN 32; размер word embedding projection также равен 8. Она работает с текстовой модальностью и рассчитана на использование через библиотеку Transformers, включая экспорт и запуск в OpenVINO. Указано представление float16. Токенизатор взят из facebook/opt-30b; поддерживаемые языки и размер контекстного окна в README не указаны. Главная особенность модели — крайне малый размер и случайно инициализированные веса, что упрощает быстрые технические тесты, но означает отсутствие гарантированной смысловой связности, качества генерации и языковых способностей. Лицензия в README не указана.

oxidize-trader-7m — небольшая языковая модель на базе GPT-2, созданная автором с нуля с помощью oxidize-training на C и OpenBLAS. Веса содержат 7,43 млн параметров; архитектура включает 8 слоёв, 8 голов внимания, ширину 256, словарь из 4096 токенов и контекст до 256 токенов. Модель доступна в формате safetensors с весами F32 и предназначена для генерации текста в формате биржевых тикетов с новостями и метками BUY, SELL или HOLD. Автор описывает её как исследовательский эксперимент и прямо предупреждает, что она не является рабочей моделью для выбора акций. В показанном запуске модель выдала BUY для всех 20 тикеров, поэтому её прогнозам нельзя доверять для принятия инвестиционных решений или управления реальными деньгами. Для загрузки указаны Transformers и AutoModelForCausalLM; также включены файлы для запуска в Oxidize-c. Лицензия — Apache-2.0.

Paperclip — экспериментальная символьная GPT-модель от ianaldenjones, обученная превращать запросы в ответы, заканчивающиеся словом «paperclips». Это демонстрация того, как небольшая модель усваивает узкое распределение синтетических данных, а не универсальный текстовый ассистент. Модель представляет собой декодерный трансформер с 6 слоями, 8 головами внимания и размерностью 256; контекст — 256 символов. Метаданные указывают 6,3 млн параметров, а README приводит оценку 4,82 млн. Репозиторий содержит ONNX-экспорт в FP32 и динамический INT8-вариант. Модель обучена на 80 000 синтетических диалогов с шаблонными ответами и символьной токенизацией; карточка указывает английский язык. Подходит для демонстрации символьной генерации, изучения поведения маленьких языковых моделей и экспериментов с ONNX Runtime. Она знает лишь около двадцати предложений, воспроизводит шаблоны, всегда завершает ответ словом «paperclips» и может неточно копировать длинные фразы у границы контекста. Лицензия — MIT.

Pige-SLM 8.9M TinyStories v0.1 — небольшая языковая модель pigeon318, обученная с нуля для генерации текста. Это плотный декодерный Transformer с 8,9 млн параметров и 6 слоями; обучение проходило в PyTorch на потребительском GPU на наборе TinyStories с предсказанием следующего токена. Токенизатор использует словарь из 8 000 токенов. Модель предназначена для экспериментов с малыми языковыми моделями, обучения устройству Transformer и генерации коротких историй, особенно в стиле детских рассказов. Она принимает текст и генерирует текст; карточка указывает английский язык. Лицензия — Apache-2.0. Модель очень мала, не настроена на следование инструкциям и не подходит как универсальный диалоговый помощник. Возможны повторы, фактические ошибки, несвязный текст, грамматические ошибки и резкие смены темы; стиль генерации отражает обучающие детские истории.

PixelModel v1 — экспериментальная компактная модель генерации изображений по тексту от Bench Labs. Её веса хранятся в PNG и также доступны в формате safetensors; всего в модели 23 747 параметров. Архитектура состоит из текстового кодировщика с детерминированными хешированными символьными триграммами и словами, а также координатного декодера, который строит RGB-изображение по координатам пикселей. Веса не зависят от разрешения вывода; родное разрешение — 64×64 пикселя. Модель обучена примерно на 20 тысячах пар подписей и изображений MS-COCO и предназначена для демонстрации сверхкомпактной генерации изображений и экспериментов с представлением весов. Она улавливает обусловленные подписью цветовые, композиционные и текстурные статистики, но не создаёт узнаваемые объекты: результат обычно выглядит как размытое впечатление, а не полноценная картинка. Карточка указывает лицензию MIT.

tiny-random/qwen2.5 — компактная случайно инициализированная языковая модель для отладки, созданная на основе конфигурации Qwen/Qwen2.5-72B-Instruct. Она предназначена не для получения качественных ответов, а для проверки работы загрузки, токенизации, генерации текста и компонентов библиотеки Transformers при минимальном размере файлов — около 4,9 МБ. Модель использует архитектуру Qwen2ForCausalLM и поддерживает авторегрессионную генерацию текста. В конфигурации указаны 4 декодерных слоя, размер скрытого состояния 8, промежуточный размер MLP 32, 8 голов внимания и 4 key-value головы. Модель рассчитана на текстовый ввод и вывод; сведения о поддерживаемых языках и максимальной длине контекста в README не приведены. Для использования предусмотрены Transformers, AutoTokenizer, AutoModelForCausalLM и pipeline. Главное преимущество модели — крайне малый размер и удобство для быстрых тестов в средах с ограниченными ресурсами. Случайная инициализация параметров означает, что модель не обладает практическими знаниями и не предназначена для прикладной генерации, обучения пользовательских систем или оценки качества ответов. Лицензия в README не указана.

yujiepan/qwen3-moe-tiny-random — небольшая экспериментальная языковая модель, разработанная сообществом yujiepan на основе конфигурации Qwen/Qwen3-235B-A22B от Qwen. Модель предназначена прежде всего для отладки и тестирования конвейеров генерации текста на базе Transformers, а не для решения прикладных задач или получения качественных ответов. Модель использует архитектуру causal language model с разреженным Mixture-of-Experts (MoE). Она имеет 2 скрытых слоя, размер скрытого представления 64, 2 attention heads, 1 key-value head, 8 экспертов, из которых для каждого токена выбираются 2, и контекстное окно, унаследованное из исходной конфигурации Qwen3, точный размер которого в README не указан. Веса инициализированы случайно, поэтому модель не обладает содержательно обученными знаниями и не демонстрирует ожидаемое качество Qwen3. Поддерживается генерация текста и чат-шаблон с режимами thinking и non-thinking; сведения о языках и дополнительных модальностях отсутствуют. Для запуска требуется библиотека Transformers; в примерах используются PyTorch, автоматическое распределение модели по устройствам и CUDA. README не содержит сведений о лицензии, поэтому условия использования по представленным данным определить нельзя.

Running Coach LFM2.5 1.2B JP — это японская модель генерации текста для Android-приложения my-running-coach. Она создана на основе LiquidAI/LFM2.5-1.2B-JP: модель дообучили методом LoRA на синтетических примерах сценариев бега, объединили адаптер с базовыми весами и выпустили в формате GGUF с квантизацией Q4_K_M. Архитектура и контекст базовой модели не менялись; размер исходной модели в карточке указан как 1,2 млрд параметров. Модель предназначена для трёх форматов японских комментариев: короткая фраза во время бега и обзоры одной пробежки или периода тренировок после неё. Она работает локально на устройстве через llama.cpp и использует фиксированные системные подсказки приложения. В оценке все три типа ответов прошли встроенные проверки формата, однако разнообразие длинных обзоров одной пробежки снизилось после дообучения. Модель ориентирована только на японский язык и беговой коучинг; для других запросов её ответы могут сохранять неуместный уклон в тему бега. Она не проходила настройку безопасности и не предназначена для медицинских рекомендаций или самостоятельных советов по тренировкам. Указана лицензия other; README сообщает, что при модификации соблюдались условия LFM Open License v1.0.

jtatman/sciphi-micro — экспериментальная уменьшенная модель семейства Mistral, созданная из SciPhi/SciPhi-Self-RAG-Mistral-7B-32k с помощью среза параметров через mergekit. По метаданным, модель содержит 63,2 млн параметров, использует архитектуру MistralForCausalLM и формат safetensors; длина контекста составляет 32 768 токенов. README указывает, что сокращённая модель предназначена для анализа слоёв и последующего обучения на приближённых к исходным датасетах SciPhi. Модель служит экспериментом по изучению того, какую информацию исходных весов удаётся сохранить при сильном уменьшении модели. Автор предупреждает, что в текущем виде она генерирует бессмысленный текст и почти не даёт полезных ответов, поэтому не подходит для прикладной генерации. Лицензия — Apache-2.0.

yujiepan/stablelm-2-tiny-random — небольшая каузальная языковая модель для генерации текста, разработанная пользователем yujiepan. Модель создана на основе конфигурации stabilityai/stablelm-2-1_6b, но имеет существенно уменьшенный размер и случайно инициализированные веса, поэтому не является предварительно обученной и не предназначена для получения содержательных результатов без дополнительного обучения. Модель поддерживает сценарий text-generation и рассчитана на использование через библиотеку Transformers. В конфигурации указаны hidden_size 4, intermediate_size 6, 4 головы внимания, 2 key-value головы и 2 скрытых слоя. Веса хранятся в формате float16. Токенизатор загружается из stabilityai/stablelm-2-1_6b; сведения о поддерживаемых языках и размере контекста в README не указаны. Модель может использоваться для тестирования загрузки, конфигураций и конвейеров генерации текста, но её практическая генеративная способность ограничена случайной инициализацией. Лицензия в README не указана.

pruna-test/test-save-tiny-random-llama4-smashed — тестовая версия небольшой случайно инициализированной модели семейства Llama 4, сохранённая и подготовленная с использованием библиотеки PrunaAI. Модель предназначена прежде всего для проверки загрузки, совместимости и сценариев интеграции через Transformers и Pruna, а не для решения прикладных задач генерации текста. В README указано, что модель распространяется в формате safetensors и загружается через Transformers или PrunaModel. Конфигурация рассчитана на выполнение на CPU с размером пакета 1; перечисленные методы оптимизации, включая квантование, pruning, компиляцию и специализированные механизмы ускорения, отключены. Точные размеры, архитектурные параметры, поддерживаемые языки, модальности и длина контекста не указаны. Сильной стороной модели является удобство тестирования интеграции с экосистемой Transformers и проверки работы Pruna без существенных требований к аппаратному обеспечению. Из-за случайной инициализации и тестового назначения модель не предназначена для качественного инференса или продуктивного использования. Лицензия в README не указана.

trl-internal-testing/tiny-Lfm2VlForConditionalGeneration-2.5 — минимальная тестовая модель на базе архитектуры Lfm2VlForConditionalGeneration. Она разработана для использования в unit-тестах библиотеки TRL, а не для решения прикладных задач машинного обучения. Из предоставленных данных известно, что модель интегрируется с библиотекой Transformers и относится к мультимодальному классу, однако её точный размер, поддерживаемые модальности и языки, объём контекста, архитектурные параметры и практические характеристики не указаны. Версия или идентификатор 2.5 входят в название модели, но их значение в README не раскрыто. Модель предназначена прежде всего для проверки корректности работы компонентов TRL с соответствующей архитектурой. Сильной стороной является минимальный размер и пригодность для быстрых автоматизированных тестов, но это также означает, что она не предназначена для продуктивного инференса, обучения или оценки качества на реальных данных. Лицензия в предоставленном README не указана.

Tiny MuseGlimmerForConditionalGeneration — минимальная модель, разработанная для модульных тестов библиотеки TRL. Она предназначена не для прикладного использования, а для проверки корректности работы компонентов и сценариев тестирования в TRL. Модель реализована с использованием библиотеки Transformers и относится к классу MuseGlimmerForConditionalGeneration. README не содержит сведений о размере модели, архитектурных деталях, модальностях, поддерживаемых языках, размере контекста, результатах оценки или ограничениях. Лицензия и условия использования в предоставленных данных не указаны.

trl-internal-testing/tiny-Qwen3MoeForCausalLM — минимальная модель на базе Qwen3MoeForCausalLM, разработанная для модульных тестов библиотеки TRL. Она предназначена для проверки работоспособности компонентов и сценариев TRL, а не для практического решения прикладных задач генерации текста. В README не указаны размер модели, точная архитектура и конфигурация, поддерживаемые языки, длина контекста, модальности, результаты оценки, сильные стороны или ограничения. Также не приведена информация о лицензии и условиях использования. Поэтому модель следует рассматривать как тестовый артефакт для внутренней проверки кода.

trl-internal-testing/tiny-Qwen3MoeForCausalLM-ResponseTemplate — минимальная модель на базе Qwen3MoeForCausalLM, разработанная для модульного тестирования библиотеки TRL. Она предназначена не для прикладного использования, а для проверки сценария, в котором модель поставляется с собственным шаблоном ответа response_template. Модель идентична trl-internal-testing/tiny-Qwen3MoeForCausalLM, но дополнительно содержит response_template в tokenizer_config.json. Её chat template также включает маркер-комментарий, из-за которого он не распознаётся функцией add_response_schema. Это позволяет тестировать соответствующий путь обработки в TRL. README не содержит сведений о точном размере, архитектурных параметрах, поддерживаемых языках, модальностях, длине контекста или лицензии. Поэтому модель следует рассматривать как внутренний тестовый артефакт с ограниченной применимостью вне тестовой инфраструктуры.

peft-internal-testing/tiny-random-DebertaModel — небольшая случайно инициализированная тестовая модель на архитектуре DeBERTa, опубликованная в пространстве peft-internal-testing и предназначенная прежде всего для внутреннего тестирования интеграций, включая работу с библиотекой Transformers и сценарии parameter-efficient fine-tuning. README не содержит сведений о конкретном разработчике, обучающих данных или прикладной задаче. Модель относится к NLP, однако её языки, размер, число параметров, длина контекста, точные архитектурные конфигурации и поддерживаемые модальности не указаны. Из-за случайной инициализации она не предназначена для получения содержательных предсказаний, промышленного использования или оценки качества языковых задач. Её сильная сторона — компактность и пригодность для быстрых автоматизированных тестов; основное ограничение — отсутствие обученных полезных представлений и результатов оценки. Лицензия в README не указана. Данные о способах использования, дообучении, рисках, ограничениях, вычислительных требованиях и совместимости ограничены, поэтому перед применением необходимо проверить конфигурацию модели и условия публикации в репозитории.

tiny-random-DeepseekV2ForCausalLM — случайно инициализированная тестовая модель на архитектуре DeepSeek-V2, разработанная для проверки реализации MLA (multi-head latent attention) и MoE в библиотеке Transformers и проектах вроде vLLM. Модель предназначена не для генерации содержательных ответов, а для автоматических тестов и сравнения согласованности различных реализаций без загрузки полноразмерного чекпойнта. Архитектура включает причинную языковую модель с четырьмя слоями, четырьмя attention heads, скрытым размером 256, восемью маршрутизируемыми и двумя общими экспертами; первый слой плотный, остальные используют MoE. Размер модели составляет около 59,8 млн параметров. Размерности MLA сохранены по образцу DeepSeek-V2-Lite-Chat: kv_lora_rank — 512, qk_nope_head_dim — 128, qk_rope_head_dim — 64, v_head_dim — 128. Используется неизменённый токенизатор DeepSeek-V2-Lite-Chat; другие сведения о языках, модальностях и размере контекста не указаны. Сильная сторона модели — малый размер при сохранении ключевых параметров, необходимых для тестирования MLA и MoE. Ограничение принципиальное: веса случайные, поэтому результаты модели бессмысленны и не подходят для практического инференса, обучения или оценки качества. Условия лицензирования в README не указаны.

onnx-internal-testing/tiny-random-DeepseekV4ForCausalLM — тестовая модель для проверки загрузки и работы реализации DeepSeek V4 в Transformers и ONNX-инструментах. Она создана организацией onnx-internal-testing и предназначена прежде всего для автоматизированного тестирования, отладки и проверки совместимости, а не для прикладного использования или получения качественных ответов. Модель относится к архитектуре DeepseekV4ForCausalLM и поддерживает генерацию текста авторегрессионной языковой моделью. По данным доступных карточек и связанных конфигураций, это случайно инициализированная уменьшенная модель примерно на 30,8 млн параметров, использующая архитектуру DeepSeek V4 с Mixture-of-Experts и гибридными механизмами внимания; заявленный контекст конфигурации DeepSeek V4 может достигать 1 048 576 токенов. Данные о фактических языках, качестве, ограничениях применения и лицензии для указанного репозитория надёжно не установлены; случайная инициализация делает модель непригодной для обычного инференса.

peft-internal-testing/tiny-random-GPTNeoXForCausalLM — небольшая тестовая модель, размещённая организацией peft-internal-testing на Hugging Face. По карточке модели она относится к задачам генерации текста и предназначена прежде всего для внутреннего тестирования и регрессионных проверок, а не для прикладного использования или получения качественных текстов. Модель построена на архитектуре GPTNeoX и относится к авторегрессионным языковым моделям causal language modeling. Она работает с текстом и может использоваться через Transformers как модель для text generation. Из-за обозначения tiny-random её параметры имеют крайне малый и случайный тестовый характер; практическая генерация, языковая поддержка, сильные стороны и качество не заявлены. В доступных результатах поиска не указаны точный размер, языки, длина контекста, результаты оценки, ограничения по применению или лицензия. Модель опубликована для экосистемы PEFT/Hugging Face; отдельные условия лицензирования в найденных материалах не указаны. Поэтому её следует рассматривать как технический тестовый артефакт для проверки совместимости библиотек и сценариев загрузки, а не как готовую к эксплуатации LLM.

onnx-community/tiny-random-olmo-hf — небольшой случайно инициализированный вариант модели OLMo, подготовленный сообществом onnx-community на основе katuni4ka/tiny-random-olmo-hf. Репозиторий содержит ONNX-веса, совместимые с Transformers.js, поэтому модель предназначена прежде всего для проверки загрузки, конвертации и выполнения моделей в JavaScript- и веб-средах, а не для решения прикладных задач генерации текста. В README не указаны точный размер, архитектурные параметры, поддерживаемые языки, модальности и размер контекстного окна. Известно, что веса представлены в формате ONNX и размещены в каталоге onnx. Ключевое преимущество модели — готовность к использованию с Transformers.js и небольшой размер, однако случайная инициализация означает отсутствие практической полезности для качественного машинного обучения или генерации. Лицензия в предоставленных данных не указана.

optimum-intel-internal-testing/tiny-random-vit — небольшая тестовая модель для image classification из экосистемы Optimum Intel, размещённая организацией Optimum Intel Internal Testing на Hugging Face. Точный разработчик в карточке модели не указан; репозиторий является зеркалом hf-internal-testing/tiny-random-vit. Модель предназначена прежде всего для функционального тестирования загрузки и выполнения моделей в Transformers и инструментах Intel, а не для получения качественных предсказаний. Модель построена на архитектуре Vision Transformer (ViT), имеет около 41,8 тыс. параметров и представленa в формате F32; доступны варианты для PyTorch, TensorFlow, ONNX и Safetensors. Она принимает изображения и используется через задачу image classification. Веса случайные, поэтому модель не подходит для практической классификации изображений, оценки качества или продуктивного применения; языковая поддержка и контекст не применимы. Лицензия в карточке модели не указана.

TopoDiT — генеративная модель из проекта Optimize Any Topology 2 (OAT2), разработанная командой OpenTO. Это условный диффузионный трансформер с 688,6 млн параметров, обученный методом flow matching. Модель генерирует топологии конструкций с минимальной податливостью в латентном пространстве замороженного автоэнкодера нейронного поля OpenTO/NFAE. На вход подаются форма области, размер ячейки сетки, целевая доля объёма, граничные условия и нагрузки. Модель предназначена для генерации структурных топологий при разных разрешениях и соотношениях сторон. В тесте OpenTO на 5000 задачах без дообучения и classifier-free guidance она показала ошибку податливости 0,46% и частоту неудач 21,8% для одного образца. Рекомендуемый режим — 20 шагов Euler; в README также указано, что 5–10 шагов дают сопоставимое качество. Модель принимает изображения как пространственное представление условий и выдаёт изображение топологии. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Результаты приведены для тестового набора OpenTO и сами по себе не гарантируют качество на других задачах или конструкциях.

Velvet Rope Crispin LoRA — GGUF-адаптер LoRA для Gemma 4 12B QAT, созданный командой Build Small Hackathon для персонажа Криспина Крамбвелла, привратника Hollow Tree Cookie Works в игре Velvet Rope. Адаптер обучен на примерно 310–350 одноходовых игровых примерах персонажа в течение двух эпох; использует ранг r=8 и модули языковой части модели. Модель предназначена для диалогов и игровых решений от лица Криспина в Velvet Rope. В опубликованной оценке на отложенной выборке проверялись корректность JSON и совпадение с эталонными игровыми оценками настроения, тактики и направления изменения счёта: адаптер сохранил корректность JSON на уровне базовой модели и улучшил согласие по указанным игровым показателям. Для запуска требуется совместимая базовая модель Gemma 4 12B QAT и среда llama.cpp с поддержкой GGUF LoRA. Лицензия — MIT.

Velvet Rope Marlowe LoRA — адаптер LoRA для модели Gemma 4 12B QAT, созданный командой Build Small Hackathon для персонажа Марлоу в игре Velvet Rope. Он специализирует общую базовую модель на роли уставшего вышибалы ночного клуба, который решает, кого пропустить через бархатный канат. Модель предназначена для генерации ответов персонажа в одноходовой игровой сцене. По описанию оценки, она возвращает структурированный JSON с суждениями о настроении, тактике и изменении счёта; в тестировании JSON был валидным во всех примерах, а совпадение с эталонными решениями различалось по этим оценкам. Адаптер обучен на примерно 310–350 игровых примерах для персонажа в течение двух эпох и работает вместе с базовой моделью через llama.cpp в формате GGUF LoRA. Для использования нужны базовая модель unsloth/gemma-4-12b-it-qat-GGUF и совместимый рантайм llama.cpp. Репозиторий распространяется по лицензии MIT. Данные описывают узкий игровой сценарий, поэтому модель не следует считать универсальным чат-ассистентом.

VPR-Qwen3-4B-Minesweeper — модель Qwen3-4B, дообученная методом Verifiable Process Rewards (VPR) на взаимодействиях с «Сапёром». Она генерирует текстовые ответы с действиями для игры: на каждом шаге обучение сравнивало несколько вариантов действия с оценкой Minesweeper-оракула и использовало эти оценки для оптимизации модели. Модель предназначена для экспериментов с агентным рассуждением и выбора действий в документированных сценариях Markovian Minesweeper. В описанной оценке сообщаются успешность 32,60 ± 5,03% и завершение 85,76 ± 0,98%; эти результаты относятся к протоколу оценки из статьи VPR. Модель основана на плотной архитектуре Qwen3ForCausalLM, содержит около 3,7 млрд параметров и поддерживает контекст до 40 960 токенов. Она работает с текстом и выдаёт текст, содержащий игровые действия. Качество за пределами документированных сред и форматов действий не установлено; обучение опиралось на специальные запросы и сигналы игрового оракула. Лицензия — Apache-2.0.

CrystaLLM-pi_SLME — авторегрессионная модель на архитектуре GPT-2, разработанная Bone и коллегами из University College London для генерации кристаллических структур-кандидатов на основе заданного значения спектроскопической предельной эффективности (SLME). Модель дообучена на базе c-bone/CrystaLLM-pi_base и использует механизм Property-Key-Value (PKV) для условной генерации файлов CIF. Репозиторий содержит веса в формате Safetensors; модель предназначена для поиска материалов для фотоэлектрических устройств и солнечных элементов. Пользователь задаёт целевое значение SLME, например выше 25%, а модель генерирует структуру в синтаксисе Crystallographic Information File. Контекст составляет 1025 токенов, поэтому большие элементарные ячейки могут не поместиться. Обучение проводилось на наборе примерно из 5,3 тысячи материалов, и модель может хуже работать для значений SLME, связанных с механизмами вне обучающего распределения. Генерируемые структуры являются теоретическими кандидатами и требуют проверки расчётами Hybrid-DFT и экспериментальным синтезом. Лицензия — MIT.

yujiepan/dbrx-tiny-random — экспериментальная авторегрессионная языковая модель для генерации текста, созданная на основе конфигурации DBRX Instruct от Databricks. Модель предназначена главным образом для тестирования, разработки и проверки совместимости архитектуры и инструментов Transformers, а не для получения качественных содержательных ответов. Модель инициализирована случайными весами и использует уменьшенную конфигурацию исходной DBRX: 2 слоя, размер скрытого представления d_model 4, 4 attention heads, 2 KV heads и размер скрытого слоя feed-forward 8. Она работает в формате float16, относится к классу causal language models и поддерживает сценарий text-generation. Токенизатор взят из databricks/dbrx-instruct; конкретный набор поддерживаемых языков и размер контекстного окна в README не указаны. Главное преимущество модели — крайне малый размер конфигурации, удобный для экспериментов и быстрых проверок. Из-за случайной инициализации веса не обучены, поэтому модель не предназначена для практической генерации качественного текста и, вероятно, будет выдавать бессвязные результаты. Сведения о лицензии в README отсутствуют.

Dogemma lora-1500 — небольшая текстовая модель на архитектуре Gemma 3, созданная Blukher на основе google/gemma-3-270m-it. Модель дообучена с помощью LoRA на 1500 примерах: ответы из databricks-dolly-15k были переписаны в голос персонажа-собаки, а часть исходных ответов сохранена, чтобы модель могла отвечать по существу, а не только повторять собачьи реплики. Размер модели — 257 млн параметров, контекст — до 32 768 токенов. Модель предназначена для генерации коротких юмористических ответов на английском языке в грубоватой манере собачьего персонажа, например для шутливого чат-бота или демонстрации влияния дообучения на небольшой модели. Поддерживает диалоговый шаблон и поставляется в форматах Safetensors и GGUF Q8_0; для использования доступны Transformers и приложения на базе llama.cpp. В небольшой оценке на 10 запросах модель лучше удерживала заданный голос, чем базовая модель, но отвечала менее точно и связно. Модель фактически ненадёжна в вопросах и может выдавать неверные сведения; она намеренно груба, ориентирована на одношаговые инструкции и не обучалась многоходовому диалогу. Для Safetensors и GGUF действуют условия использования Gemma; обучающие данные Dolly распространяются по CC BY-SA 3.0.