II.4Отладка, тестирование и качество ПО

yujiepan/stable-diffusion-3-tiny-random — отладочная версия pipeline Stable Diffusion 3, разработанная пользователем yujiepan на основе stabilityai/stable-diffusion-3-medium-diffusers. Модель предназначена для тестирования и отладки компонентов Diffusers, а не для получения качественных изображений: её параметры случайно инициализированы, поэтому практическая генерация имеет лишь демонстрационное значение. Модель преобразует текстовые описания в изображения и использует компоненты StableDiffusion3Pipeline, включая несколько текстовых энкодеров, Transformer и VAE. Конфигурация существенно уменьшена: текстовые энкодеры и Transformer имеют по 2 слоя и 2 attention heads, скрытый размер основных текстовых представлений равен 8, а VAE использует четыре блока с числом каналов 8. В README не указаны точный размер параметров, поддерживаемые языки, максимальная длина контекста и дополнительные модальности. Пример запуска рассчитан на PyTorch, Diffusers и CUDA и использует два шага инференса. Сильная сторона модели — малый размер и удобство для воспроизводимых тестов, включая проверку загрузки, конфигураций и прохождения pipeline. Основные ограничения — случайно инициализированные веса, непригодность для продуктивной генерации и отсутствие заявленных гарантий качества. Лицензия в README не указана.

Это модель автоматического исправления программного кода, созданная дообучением Salesforce/codet5-base на малом подмножестве CodeXGLUE code-refinement. Она принимает ошибочный метод на Java и генерирует исправленный вариант. Модель основана на архитектуре T5, содержит 123,7 млн параметров и имеет контекст 512 токенов. Входы и выходы соответствуют абстрактному стилю датасета: имена идентификаторов заменены токенами вроде METHOD_1 и VAR_1. На тестовой выборке точное совпадение с эталонным исправлением составило 22,43%; ещё 13,49% результатов были частичными исправлениями, а в 3,38% случаев модель скопировала вход без изменений. Она предназначена для генерации вариантов исправления отдельных методов, которые затем нужно проверить и протестировать. Обучение только на абстрагированных Java-методах ограничивает перенос на обычный код с реальными именами, другие языки и задачи, требующие контекста нескольких файлов. Лицензия — BSD-3-Clause.

aday777/deepseek_v4_tiny_fixture — тестовая текстовая заглушка архитектуры DeepSeek-V4, созданная на основе deepseek-ai/DeepSeek-V4-Flash-Vision-Exp. Это случайно инициализированный чекпойнт примерно на 291 тыс. параметров с сокращённой конфигурацией, сохраняющей названия полей DeepSeek-V4 для проверки парсеров конфигураций, сопоставления имён весов, таблиц экспертов и загрузки safetensors в CI и тестовых инструментах. Модель помечена как text-generation, однако она не обучена и не предназначена для генерации полезных ответов или оценки качества. В репозитории есть только текстовые веса с сокращённым набором стандартного внимания и MoE; отсутствуют визуальный энкодер и проектор, а также некоторые компоненты полной базовой архитектуры. Токенизатор представлен заглушками, файла словаря нет. Для использования требуется собственный токенизатор; README также отмечает, что совместимость урезанной конфигурации с конкретной версией Transformers не проверена. Лицензия — MIT.

Это тестовая модель-заглушка Concedo для эмулятора API KoboldAI, работающего через llama.cpp и предназначенного для совместимости с официальным клиентом KoboldAI. Она нужна для проверки работы API и не предназначена для загрузки или прямого использования как языковая модель. В метаданных указаны архитектура OPT, задача генерации текста и контекст 2048 токенов, однако заявленный размер — всего 201,3 тыс. параметров, поэтому модель следует рассматривать именно как заглушку. Лицензия обозначена как other, конкретные условия в доступных данных не раскрыты.

MemGUI-8B-SFT — мультимодальный агент управления мобильным графическим интерфейсом, разработанный авторами проекта MemGUI и дообученный методом supervised fine-tuning на базе Qwen/Qwen3-VL-8B-Instruct. Модель предназначена для многошагового выполнения задач на мобильных устройствах и проактивного управления контекстом во время работы с интерфейсом. На вход модель получает системную инструкцию MemGUI-Agent, цель и структурированное состояние диалога, а также снимок экрана. В ответ она формирует структурированный вывод по протоколу ConAct: рассуждение, свёртку истории действий, вызов UI- или memory-инструмента, наблюдение за интерфейсом и намерение следующего действия. Для выполнения действий требуется система MemGUI-Agent, которая предоставляет инструменты и исполняет их вызовы. Модель не предназначена для использования как универсальный чат-бот. В карточке указано обучение на наборе MemGUI-3K, содержащем 2 956 успешных траекторий и 64 430 размеченных шагов. В оценке MemGUI-Bench модель показала Pass@1 23,4 и Pass@3 35,9; на MobileWorld GUI-Only — 17,9% успешных выполнений. Опубликована под лицензией Apache 2.0.

yujiepan/meta-llama-3-tiny-random — экспериментальная модель, созданная разработчиком yujiepan на основе конфигурации Meta-Llama-3-8B-Instruct от Meta. Модель случайно инициализирована и не обучена на данных, поэтому предназначена прежде всего для тестирования загрузки, архитектуры и инструментов библиотеки Transformers, а не для практической генерации текста. Модель использует архитектуру Llama и поддерживает задачу text-generation через Transformers. Она содержит около 513,5 тыс. параметров, два скрытых слоя, размер скрытого представления 4, промежуточный размер 14, две attention heads и одну key-value head. Модель сохранена в формате bfloat16 и рассчитана на контекст до 8192 токенов. Язык пользовательских данных и обучающий набор не определены, поскольку обучение модели не проводилось. Главное преимущество — крайне малый размер, удобный для быстрых тестов совместимости, сериализации, загрузки и генерации в Transformers. Из-за случайной инициализации модель не обладает содержательными языковыми знаниями и не подходит для диалогов, ответов на вопросы, суммаризации или других прикладных задач. Лицензия в предоставленных данных не указана.

BurnyCoder/qwen2.5-coder-0.5b-swe-rl — компактная плотная модель генерации кода на базе Qwen2.5-Coder-0.5B-Instruct, дообученная методом GRPO с LoRA для исправления отдельных функций Python по скрытым тестам. Она рассчитана на сценарии локального исправления кода, а не на автономную работу с целыми репозиториями. Модель содержит 494 млн параметров, принимает текст и поддерживает контекст до 32 768 токенов; репозиторий содержит веса Safetensors и отдельно загружаемый адаптер LoRA. Лицензия — Apache-2.0. На замороженной синтетической финальной выборке greedy pass@1 составил 0,50 против 0,4167 у базовой модели; на HumanEvalFix — 0,2317 против 0,2256. Интервалы неопределённости для парных различий включали ноль, поэтому результаты не подтверждают широкое улучшение качества и не должны переноситься на SWE-bench. Это экспериментальная специализированная настройка для ремонта кода, а не проверенный агент разработки.

yujiepan/qwq-tiny-random-dim64 — экспериментальная языковая модель, разработанная пользователем yujiepan для отладки. Она имеет архитектурную конфигурацию, адаптированную из Qwen/QwQ-32B, но параметры модели инициализированы случайным образом, поэтому модель не предназначена для получения качественных осмысленных ответов. Модель поддерживает задачу text generation и рассчитана на работу через библиотеку Transformers. Она содержит около 9,8 млн параметров, использует конфигурацию с двумя слоями, размером скрытого состояния 64, двумя attention heads и одним key-value head. Заявленная длина контекста составляет 40960 токенов. Основной сценарий — проверка загрузки модели, токенизатора, генерации и инфраструктуры инференса на уменьшенной модели. Сильная сторона модели — крайне малый размер, удобный для быстрых тестов и отладки без использования полноразмерной QwQ-32B. Из-за случайной инициализации модель не обладает прикладными языковыми знаниями, её генерация непредсказуема и не подходит для чат-ботов, рассуждений, суммаризации или других пользовательских задач. Лицензия в предоставленных данных не указана.

smolvlm-500m-ccmcp-v1 — дообученная методом LoRA мультимодальная модель на основе HuggingFaceTB/SmolVLM-500M-Instruct, подготовленная для привязки запросов к элементам графического интерфейса. Она анализирует скриншот вместе с текстовой инструкцией и возвращает действие в формате Claude-compatible computer use, например щелчок мышью с координатами. Модель обучена на 1 017 примерах набора ScreenSpot и распространяется в форматах GGUF F16, GGUF Q4_K_M и safetensors; лицензия — Apache-2.0. Модель предназначена для автоматизации интерфейсов по скриншотам: определения точки нажатия и преобразования текстовой команды в координаты действия. Компактный размер базовой модели и доступность квантизованного GGUF-варианта подходят для локального запуска с llama.cpp или Ollama. Обучение на небольшом наборе примеров ограничивает обоснованность ожиданий по точности и переносу на незнакомые интерфейсы; README не сообщает длину контекста или результаты оценки.

malaiwah/spark2-5-tiny-random-bf16 — небольшая эталонная модель семейства Spark2_5, созданная автором репозитория malaiwah для тестирования архитектуры и воспроизводимых рабочих процессов QFS. Это независимо инициализированная модель со случайными весами BF16, а не версия обученной производственной модели и не квантованный дочерний чекпойнт. Модель имеет около 155,9 тыс. параметров, контекст 256 токенов и предназначена для запуска через Transformers. Модель реализует текстовую архитектуру Spark2_5ForCausalLM с тремя блоками sliding attention и одним полным attention, частичным RoPE, headwise sigmoid gates, GELU gated MLP и связанной матрицей словаря. В комплект входит независимый byte-токенизатор с 260 токенами; поддерживаемые естественные языки не заявлены. Основные сценарии — обучение работе с зафиксированными артефактами, отладка адаптеров семейства моделей, строгой загрузки тензоров, декодеров хранилищ и инструментов воспроизводимости, а также воспроизведение узких технических экспериментов на CPU. Сильная сторона модели — малый размер и удобство для контролируемых тестов, захвата скрытых состояний и проверки пайплайнов без загрузки производственного чекпойнта. Случайные необученные веса не обеспечивают осмысленного текста, следования инструкциям, качества генерации или пригодности для прикладного инференса; также не подтверждены поведение на GPU/NPU, квантованных форматах, длинном контексте, обучение и переносимость результатов между аппаратными платформами. Модель распространяется по лицензии Apache-2.0.

fxmarty/tiny-llama-fast-tokenizer — тестовая модель генерации текста с архитектурой Llama, опубликованная пользователем fxmarty на Hugging Face. Карточка сообщает, что веса случайные, поэтому модель предназначена только для тестирования, а не для содержательной генерации текста. Репозиторий содержит файлы PyTorch и ONNX и связан с задачей text-generation. Доступная информация не подтверждает прикладные возможности, языки, длину контекста или лицензионные условия; не следует считать модель пригодной для использования по назначению только на основании её архитектуры или файлов токенизатора.

nm-testing/tinyllama-oneshot-w8-channel-a8-tensor — экспериментальная квантизованная версия TinyLlama, опубликованная организацией NM Testing на Hugging Face. Репозиторий входит в коллекцию моделей, используемых для CI-тестов проектов llm-compressor, compressed-tensors и vLLM, поэтому основное назначение этой версии — проверка совместимости и инференса квантизованных моделей, а не самостоятельный релиз для общего применения. Модель относится к Text Generation и поддерживает запуск через Transformers и vLLM. Указан размер около 1 млрд параметров; в репозитории присутствуют веса BF16 и I8, а название указывает на схему one-shot W8 с channel-wise-квантизацией и активациями A8 в tensor-формате. Базовая TinyLlama построена по Llama-подобной decoder-only архитектуре, предназначена для генерации текста и диалоговых сценариев и разработана командой TinyLlama; однако для данной производной версии отдельные сведения о контексте, языках, обучении и качестве не опубликованы. Сильная сторона модели — малый размер и возможность тестировать более экономичный 8-битный инференс в совместимых инструментах. Ограничения — отсутствие model card, бенчмарков, подробного описания применимости и явно указанной лицензии именно для этого репозитория; поэтому нельзя надежно оценить качество, языковое покрытие или рекомендованные продуктивные сценарии. Лицензия производной версии на странице модели не указана.

llamafactory/tiny-random-qwen3 — компактная отладочная модель, разработанная в экосистеме LLaMA Factory на базе Qwen/Qwen3-4B-Instruct-2507 от Qwen. Это уменьшенная, но структурно полная версия базовой модели, предназначенная прежде всего для тестирования и отладки инструментов и процессов, связанных с моделями Qwen и LLaMA Factory. Модель относится к задачам генерации текста и поддерживает китайский и английский языки. В README не указаны точные архитектурные параметры, фактический размер, модальности или длина контекста. Известное преимущество модели — компактность при сохранении полноты структуры, что делает её удобной для разработки и диагностики; при этом она не предназначена для оценки качества или замены полноразмерной Qwen/Qwen3-4B-Instruct-2507. Модель распространяется по лицензии Apache-2.0.

fxmarty/tiny-testing-falcon-alibi — небольшая тестовая модель генерации текста на архитектуре Falcon, опубликованная пользователем fxmarty на Hugging Face. Карточка модели показывает 2,1 млн параметров, контекст длиной 2048 токенов и лицензию MIT; для загрузки через Transformers используется класс AutoModelForCausalLM. Модель предназначена прежде всего для тестирования и проверки инструментов, поддерживающих Falcon и генерацию текста. Указание ALiBi в названии отличает эту тестовую конфигурацию, но источники не описывают её как модель для качественного диалога или специализированных прикладных задач. Из-за малого размера её возможности генерации ограничены; заявленные языки и отдельные данные обучения не установлены.

Graf-J/captcha-conv-transformer-finetuned — модель Graf-J для распознавания буквенно-цифровых CAPTCHA по изображениям. Она использует свёрточный трансформерный энкодер, сочетающий CNN и Transformer Encoder, и обучалась с функцией потерь CTC. Модель выдаёт последовательность длиной от 1 до 8 символов из латинских букв в верхнем и нижнем регистре и цифр; размер составляет 22,9 млн параметров. Модель предварительно обучена на очищенной версии набора hammer888/captcha-data, а затем дообучена на 200 000 синтетических изображений, созданных Python Captcha Library. В описании приведены анализ ошибок и примеры CAPTCHA, но численные показатели качества для этой версии не представлены. Для запуска предусмотрен Transformers pipeline. Модель распространяется по лицензии MIT.

GLM-5.3-Flash-Uncensored-NVFP4 — квантизированная версия модели GLM-5.3-Flash от Z.ai, подготовленная OrcaRouter. Это Mixture-of-Experts-модель для условной генерации текста и изображений, предназначенная прежде всего для исследований отказоустойчивости, механизмов отказа, red teaming и оценки надёжности. Модель является «abliterated»-сборкой с существенно удалённым защитным выравниванием и может выполнять вредоносные, неэтичные или незаконные запросы, которые исходная модель отклоняла. Архитектура включает около 320 млрд параметров, из которых примерно 18 млрд активны одновременно: 288 маршрутизируемых экспертов с выбором top-8 и один общий эксперт. Используются гибридное внимание, MLA, 4-широкие Manifold-Constrained Hyper-Connections, собственные vision- и video-компоненты, MTP-голова для speculative decoding и контекст до 1 048 576 токенов. Поддерживаются английский и китайский языки. Размер модели составляет около 191 GiB: основные веса экспертов квантизированы в NVFP4 (4 бита), остальные компоненты преимущественно сохранены в BF16, отдельные вспомогательные тензоры — в FP32. Формат — safetensors с compressed-tensors; заявлена совместимость с vLLM. Ключевые преимущества — большой контекст, мультимодальность, MoE-архитектура и существенное уменьшение размера хранилища при сохранении точности чувствительных компонентов. Главные ограничения — высокая потребность в памяти и инфраструктуре, отсутствие встроенных защитных механизмов, потенциально опасные или непредсказуемые ответы и необходимость самостоятельной модерации. Модель распространяется по лицензии MIT; использование должно соответствовать законодательству и требованиям безопасности.

yujiepan/glm-moe-dsa-tiny-random — экспериментальная модель, созданная разработчиком yujiepan для отладки архитектуры GLM-MoE-DSA. Конфигурация адаптирована из zai-org/GLM-5, но веса модели инициализированы случайным образом; модель предназначена для проверки совместимости и поведения реализации, а не для решения прикладных задач.

malaiwah/glm-moe-dsa-tiny-random-bf16 — небольшая эталонная модель семейства GLM MoE DSA, разработанная malaiwah для обучения, отладки и воспроизводимости рабочих процессов QFS. Модель распространяется с открытыми случайно инициализированными весами и не является производственной или дообученной языковой моделью. Архитектура включает четыре текстовых декодирующих слоя, из которых один плотный и три MoE, MLA-внимание, чередующиеся полные и общие DSA-индексаторы, восемь маршрутизируемых экспертов с выбором top-2 и одного общего эксперта. В модели около 180,5 тыс. параметров, размер нативного контекста — 256 токенов, используется библиотека Transformers, формат весов — bfloat16. Модель предназначена для генерации текста через pipeline text-generation, но имеет независимый байтовый токенизатор и случайные нетренированные веса. Основные сценарии применения — воспроизведение экспериментов, отладка адаптеров моделей и загрузки тензоров, проверка декодеров хранения, захват скрытых состояний и тестирование инструментов воспроизводимости на CPU. Модель не обеспечивает полезное семантическое качество, следование инструкциям или совместимость с весами исходных производственных моделей. Лицензия — MIT.

ai21labs/Jamba-tiny-reward-dev — тестовая модель оценки на основе архитектуры Jamba от AI21 Labs. Она предназначена для разработки, отладки и экспериментов, а также для модульных тестов: выходной слой языковой модели заменён на три атрибута оценки. В README указано 319 млн параметров и обучение на примерно 40 млрд токенов; метаданные каталога указывают 94,4 млн параметров и контекст 262 144 токена, поэтому сведения о размере расходятся. Репозиторий содержит веса в формате Safetensors. Модель не предназначена для получения полезных оценок: смещения выходных атрибутов специально заданы как [1000, -1000, 0], поэтому результаты будут находиться примерно в этих диапазонах. Лицензия — Apache-2.0.

EryriLabs/LFM2.5-VL-3B-DragOn — дообученная Dwain Barnes (EryriLabs) модель LiquidAI/LFM2.5-VL-3B для привязки операций перетаскивания к элементам интерфейса. Она принимает скриншот и текстовую инструкцию, например переместить ползунок или выделить диапазон ячеек, и выдаёт начальную и конечную точки перетаскивания в нормализованных координатах. Модель использует архитектуру LFM2-VL, имеет 3 млрд параметров согласно названию базовой модели, поддерживает изображение и текст и распространяется в формате Safetensors. Модель рассчитана на использование как компонент GUI-агента для взаимодействия с экранными элементами. В публичной оценке DragOn на 998 заданиях автор сообщает точность 70,8% при допуске 5%; результаты различаются по типам действий: для ползунков — 96%, для выделения текста — 70,2%, для ячеек таблиц — 62,4%, для изменения размера элементов слайдов — 54,8%. Обучение выполнено методом LoRA на части датасета Hcompany/DragOn. Автор рекомендует придерживаться формата обучающего запроса и не рассматривает модель как универсального чат-ассистента. Качество на общем чате и визуальных вопросах не оценивалось, а перетаскивание с изменением размера или поворотом — слабая область. Лицензия в метаданных указана как other, без уточнения условий.

yujiepan/minimax-m2.5-tiny-random — экспериментальная уменьшенная модель, созданная сообществом на основе конфигурации MiniMaxAI/MiniMax-M2.5. Веса модели инициализированы случайно, поэтому она предназначена прежде всего для отладки и тестирования программной совместимости, а не для получения качественных ответов или содержательной генерации текста. Модель относится к архитектуре MiniMax M2 с causal language modeling и разреженным Mixture-of-Experts-блоком: в конфигурации используются 2 декодерных слоя, скрытый размер 8, 256 экспертов и словарь размером 200064 токена. Объём параметров составляет 1,6 млн, заявленная длина контекста — 196608 токенов. Поддерживается запуск через Transformers; README также приводит пример сервинга через vLLM. Модель может использоваться для проверки загрузки, генерации, токенизации и интеграции архитектуры MiniMax M2 в инструментах Transformers и vLLM, включая сценарии с reasoning- и tool-call-парсерами. Из-за случайной инициализации веса не обеспечивают полезные языковые способности. Лицензия в предоставленных материалах не указана.

NVIDIA OmniDreams — авторегрессионная генеративная модель мира для замкнутой симуляции автономного вождения. Она дообучена на базе NVIDIA Cosmos-Predict2.5-2B и использует архитектуру Diffusion Transformer с 2 млрд параметров. Модель генерирует фотореалистичные видеонаблюдения автомобильных камер с учётом начального кадра, состояния мира в симуляторе, действий политики вождения и текстового описания условий. Она предназначена для интерактивного тестирования политик автономного вождения в симуляции; описанная версия Omniverse-Dreams-v1-2B генерирует вид передней камеры. Вход и выход имеют разрешение 704 × 1280. Модель разработана NVIDIA в составе семейства Cosmos и интегрируется с политиками Alpamayo и средой симуляции AlpaSim. Модель ориентирована на системы с ускорением NVIDIA GPU; в карточке указаны Linux, PyTorch и поддержка NVIDIA Blackwell и Hopper. Сгенерированные видео могут содержать временные несогласованности, нестабильное движение камеры и объектов, неточное представление пространства и физики. Результаты симуляции требуют проверки и не предназначены для непосредственного применения в автомобиле. Использование регулируется NVIDIA Open Model License Agreement; карточка заявляет о коммерческом и некоммерческом использовании.

OS-Genesis-7B-WA — мультимодальная модель на 7,1 млрд параметров, разработанная авторами проекта OS-Genesis для управления веб-интерфейсами. Она дообучена на базе Qwen/Qwen2-VL-7B-Instruct на синтетических траекториях веб-действий, созданных в рамках OS-Genesis. Модель принимает изображения интерфейса и текстовые инструкции, а в ответ формирует текст для сценариев управления веб-интерфейсом. Она предназначена для обучения и оценки GUI-агентов на задачах вроде WebArena; карточка также описывает подход OS-Genesis для генерации траекторий взаимодействия и упоминает AndroidWorld. Контекст модели — 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не приводит отдельные показатели качества или подробные ограничения применимости.

optimum-intel-internal-testing/tiny-random-z-image — тестовая модель, опубликованная организацией Optimum Intel Internal Testing на Hugging Face. Она предназначена для задач text-to-image, то есть генерации изображений по текстовому описанию, главным образом для проверки совместимости и работы инструментов обработки моделей, а не для практического создания качественных изображений. В репозитории указана архитектура ZImageTransformer2DModel; модель использует Diffusers ZImagePipeline. Размер опубликованного набора модели составляет около 706 КБ, а конфигурация описывает крайне малую архитектуру с размерностью 64, двумя attention heads, двумя слоями и двумя refiner-слоями. Модель имеет только текстовый вход и графический выход; поддерживаемые языки, размер контекстного окна и дополнительные модальности в доступных данных не указаны. Ключевое преимущество — малый размер и пригодность для быстрых интеграционных и регрессионных тестов. Ограничения следуют из статуса tiny-random: это минимальная случайно инициализированная тестовая модель, поэтому она не предназначена для реалистичной генерации, оценки качества или производственного использования. Лицензия в доступных материалах явно не указана.

optimum-intel-internal-testing/tiny-stable-diffusion-torch — небольшая тестовая модель Stable Diffusion, предназначенная для использования через библиотеку Diffusers и класс StableDiffusionPipeline. По назначению она подходит для проверки загрузки и работы конвейера генерации изображений по текстовому описанию, а также для разработки и тестирования интеграций. Модель разработана в рамках внутреннего тестирования; точные сведения об архитектуре, количестве параметров, поддерживаемых языках, модальностях и размере контекста в README не указаны. Из-за небольшого размера она удобна для быстрых тестов, но её качество и характеристики не следует считать показателями полноразмерных моделей Stable Diffusion. Лицензия — Apache 2.0.

Это экспериментальная аблитерированная версия мультимодальной Qwen3.8-Flash-Next, подготовленная Keys (drowzeys) для рецепта MiaAI-Lab на одном DGX Spark. Веса получены изменением выходных проекций внимания QSA в слоях 15, 19, 23, 27, 31, 35, 39, 43 и 47; остальные перечисленные в карточке компоненты оставлены без изменений. Базовая модель использует разреженную MoE-архитектуру и поддерживает диалог и анализ изображений. Модель предназначена для диалоговых и мультимодальных задач, а также для тестирования поведения без стандартных отказов, например в red teaming и оценке безопасности. В карточке заявлен обход отказов в тестовом наборе 32/32. Репозиторий содержит веса Safetensors и рассчитан на специальную раскладку NVFP4/MXFP8 Mia для DGX Spark с TP=1; он несовместим с другими вариантами квантования и упаковки Qwen3.8-Flash-Next. Доступ к весам gated, лицензия указана как other, а применение требует самостоятельно обеспечивать меры безопасности, поскольку защитные отказы удалены.

abhishes/modernbert-bug-severity — модель классификации коротких описаний ошибок, созданная дообучением answerdotai/ModernBERT-base. Она относит описание к одному из шести уровней серьёзности: blocker, critical, major, normal, minor или trivial. Модель предназначена для учебной демонстрации автоматической приоритизации ошибок. Она принимает текст на английском языке и выдаёт метку класса. Используется архитектура ModernBERT для классификации последовательностей, 149 млн параметров и контекст до 8192 токенов. Обучение выполнено полным дообучением на поле Short Description набора Bugzilla Eclipse Bug Reports; для выбора контрольной точки применялась метрика Macro F1. Лицензия — Apache-2.0. На тестовой выборке указаны точность 0,871 и Macro F1 0,330. Короткого описания может быть недостаточно для определения серьёзности, метки набора могут быть шумными, а классы несбалансированы. Уверенность softmax не откалибрована; важные решения, особенно для blocker и critical, следует проверять вручную.

Это уменьшенная тестовая модель семейства Nemotron-3.5-Lightning, созданная NVIDIA-производной проекта inference-optimization на основе nvidia/NVIDIA-Nemotron-3.5-Lightning-30B-A3B-NVFP4. Она предназначена для тестирования и разработки конвейеров квантизации MTP в llm-compressor, а не для обычного вывода. Архитектура Nemotron-H сочетает Mamba и MoE; в чекпойнте 1,4 млрд параметров, включая 0,4 млрд параметров MTP, а на токен активируется около 0,1 млрд. Весы представлены в bfloat16 и хранятся в safetensors; стандартный загрузчик Hugging Face игнорирует тензоры MTP. Модель генерирует текст и поддерживает диалоговый сценарий. Чекпойнт сокращён по сравнению с базовой моделью и содержит синтетические случайные веса, дообученные на игрушечном наборе копипасты, поэтому качество генерации не предназначено для практических задач. Контекст составляет 4096 токенов. Лицензия — MIT.

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

Модель разработана для эксперимента Parameter Floors for Developer-Agent Subroutines и представляет собой полное дообучение SmolLM2-360M-Instruct на 361,8 млн параметров. Это компактная плотная авторегрессионная модель семейства Llama, предназначенная для узкой подзадачи агента-разработчика: восстановить исходный объект из повреждённого JSON-действия инструмента по заданной схеме. Модель рассчитана на применение внутри проверяющей обвязки, которая формирует специальный запрос, проверяет строгий JSON, при необходимости разрешает одну попытку с обратной связью по схеме, применяет детерминированные проверки и использует правила как резервный вариант. В тестировании на отложенных примерах из HTTPX и Jinja2 при жадном декодировании заявлены 100% успешных восстановлений после одной проверки схемы, успешных ответов с первой попытки и корректности схемы с первой попытки. Контекст модели составляет 8192 токена; карточка указывает английский язык. Это не универсальный чат-бот или помощник по программированию: модель специализирована на одной закрытой JSON-схеме, и её широкие способности следования инструкциям могут быть ограничены. Для обучения использовались 2000 примеров с детерминированной разметкой; автор сообщает, что для данной подзадачи с ней справляется и модель размером 135 млн параметров. Лицензия — Apache-2.0.