II.4Отладка, тестирование и качество ПО

Это тестовая модель генерации текста pruna-test/test-save-tiny-random-llama3-smashed-pro, созданная с использованием библиотеки Pruna для оптимизации моделей. Она основана на архитектуре Llama 3 для авторегрессионной генерации текста и предназначена прежде всего для проверки загрузки, совместимости и работы оптимизированных моделей в экосистеме Transformers. Модель содержит около 2,1 млн параметров и поддерживает контекст длиной до 2048 токенов. Для загрузки предусмотрены библиотека Transformers и интеграция с Pruna Pro; в метаданных указана работа на CPU и размер пакета 1. Конфигурация оптимизации не включает активированные методы сжатия, квантования или ускорения, поэтому модель следует рассматривать как небольшой тестовый артефакт, а не как полноразмерную Llama 3 для практической генерации. Модель подходит для тестирования пайплайна text-generation, проверки интеграции с Transformers и разработки прототипов загрузки. Она не предназначена для получения качественных ответов, так как имеет случайную тестовую конфигурацию. Лицензия в предоставленных данных не указана.

openaccess-ai-collective/tiny-mistral — небольшая языковая модель с архитектурой Mistral, опубликованная Open Access AI Collective. В карточке Hugging Face она описана как случайно инициализированная модель для сквозного тестирования; её назначение — проверка загрузки и работы систем вывода, а не генерация содержательных ответов. Модель имеет около 197,8 млн параметров, 8 слоёв и контекст до 32 768 токенов. Она принимает текст и выдаёт текст; по имеющимся данным нельзя установить набор поддерживаемых естественных языков. Карточка показывает пример использования с Transformers. Лицензия в переданных метаданных и найденных сведениях не установлена.

hf-tiny-model-private/tiny-random-LayoutLMv3Model — небольшая тестовая модель семейства LayoutLMv3 из экосистемы Hugging Face, предназначенная для извлечения признаков из документов с учётом текста, изображений и пространственной разметки. Это базовая модель без специализированной головы для классификации, ответов на вопросы или разметки токенов. Модель имеет архитектуру LayoutLMv3, поддерживает контекст до 512 токенов и содержит около 64,4 тыс. параметров. Её основное назначение — проверка интеграции, совместимости и работы pipeline feature-extraction в Transformers, а также разработка и тестирование компонентов Document AI; размер и случайная инициализация делают её непредназначенной для качественного решения прикладных задач. Поддерживаемые естественные языки и условия лицензирования по доступным данным не установлены.

onnx-internal-testing/tiny-random-WhisperForConditionalGeneration-ONNX_external — тестовая уменьшенная модель на архитектуре WhisperForConditionalGeneration из библиотеки Transformers. Она создана для внутреннего тестирования ONNX-интеграций и совместимости, а не для практического распознавания речи. Веса модели случайно инициализированы с фиксированным seed, поэтому она не обучена выполнять осмысленную транскрипцию или перевод аудио. Конфигурация основана на onnx-community/whisper-tiny.en, но существенно уменьшена: один encoder-слой, один decoder-слой, размерность модели 16, по две attention heads у encoder и decoder, размерность feed-forward слоёв 64. Модель предполагает аудиовход и использует процессор Transformers AutoProcessor; точный набор поддерживаемых языков и размер контекста в README не указан. Основное преимущество модели — малый размер и пригодность для быстрых автоматизированных проверок преобразования и выполнения моделей в формате ONNX. Ключевое ограничение — случайные веса, из-за чего она непригодна для продуктивного распознавания речи, оценки качества или прикладного использования. Разработчик и лицензия в README не указаны.

CodeV-SVA-14B — специализированная языковая модель семейства CodeV-SVA для преобразования свойств верификации, заданных на естественном языке, в утверждения SystemVerilog Assertions (SVA). Модель разработана для задач проверки аппаратного обеспечения на основе RTL; README также приводит результаты оценки на наборах NL2SVA-Human и NL2SVA-Machine. Это плотная авторегрессионная модель Qwen3 с 14 млрд параметров, дообученная на базе Qwen/Qwen3-14B. Она работает через Transformers, использует формат safetensors и поддерживает контекст до 40 960 токенов. Метаданные указывают английский язык; модель предназначена для диалоговой генерации текста. Модель подходит для создания черновиков SVA по текстовым требованиям и для исследовательских экспериментов с NL2SVA. Сгенерированные утверждения следует проверять и валидировать в целевом RTL-инструментарии. Распространяется по лицензии Apache-2.0.

decosaai разработала decosa-cell-pointer-modernbert-base v2 — англоязычный указатель для сопоставления чисел в тексте с ячейками таблиц. Он принимает абзац с помеченными числами и таблицы, в которых значения ячеек скрыты, и определяет строку и столбец, на которые ссылается каждое число; также может вернуть «нет ячейки» или указать операцию и ячейки-операнды для вычисленных чисел. Модель основана на encoder-only ModernBERT-base с архитектурой ModernBertForMaskedLM, содержит 149 млн параметров и поддерживает контекст до 8192 токенов. Репозиторий также содержит вариант v1, который видит значения ячеек; основная модель — value-blind v2. Модель предназначена для этапа привязки чисел к таблицам в проверщиках согласованности клинических отчётов, после чего отдельный код сравнивает число с найденной ячейкой. В тестах на клинических отчётах она показала хорошие результаты, но перенос на финансовую отчётность слабый; модель не проверяет правильность числа сама по себе и не предназначена для клинических, регуляторных или пациентских решений. Лицензия — Apache-2.0.

ELECTRA-minuscule-discriminator — крайне маленькая модель-дискриминатор на архитектуре ELECTRA, представленная как модель для тестирования. Она не обучена и не предназначена для практического решения задач разметки токенов; её можно использовать для проверки загрузки и интеграции пайплайна token-classification. Размер составляет 147,5 тыс. параметров, максимальный контекст — 512 токенов. В метаданных указана многоязычность, однако конкретные языки не перечислены. Модель распространяется под лицензией CC0-1.0.

KIMI-K3-DERISKED-CODER-REAP-320-MXFP4 — экспериментальная производная модель Blackfrost, созданная на основе Moonshot AI Kimi K3. Это модель генерации текста для программирования и проверок безопасности, включая red-team и adversarial testing в контролируемых средах. Модель использует архитектуру Kimi K3 LatentMoE с KDA. Эксперты были отобраны по частоте маршрутизации на задачах программирования: в каждом MoE-слое оставлены 320 из 896 экспертов, а маршрутизаторы настроены на этот набор. Веса сохранённых экспертов скопированы из родительской модели в формате MXFP4; дополнительного SFT или DPO не проводилось. Карточка заявляет, что сокращение отказов выполнено на уровне весов. По предварительным данным, качество генерации кода близко к родительской модели, но общие знания и китайский язык заметно ослаблены; результаты полного теста perplexity на Wikitext-2 также указывают на значительный спад. Автор предупреждает о сбоях декодирования, связности и сервинга под нагрузкой, поэтому модель предназначена для экспериментов, а не для готового производственного развёртывания. Указана лицензия «other»; перед использованием необходимо проверить её условия. Для модели рекомендована односерверная конфигурация с 8 ускорителями RTX 6000 класса 96 ГБ.

yujiepan/minicpm5-tiny-random — экспериментальная миниатюрная модель для генерации текста, созданная сообществом yujiepan на основе конфигурации openbmb/MiniCPM5-1B. Модель случайно инициализирована и предназначена прежде всего для отладки, тестирования архитектуры и проверки совместимости кода, а не для получения содержательных ответов. Модель использует архитектуру LlamaForCausalLM с двумя decoder-слоями, уменьшенными размерностями скрытого состояния и примерно 2,1 млн параметров. Она работает через библиотеку Transformers, поддерживает задачу text-generation и имеет заявленную длину контекста 131072 токена. README не содержит сведений о поддерживаемых естественных языках и лицензии. Главное преимущество модели — очень малый размер и удобство для быстрых экспериментов, отладки пайплайнов и проверки загрузки моделей. Из-за случайной инициализации она не обладает полезными выученными знаниями и не подходит для продуктивной генерации текста, диалогов, суммаризации или других прикладных задач.

yujiepan/mixtral-tiny-random — экспериментальная компактная модель, разработанная пользователем yujiepan на базе конфигурации mistralai/Mixtral-8x7B-Instruct-v0.1. Модель предназначена прежде всего для тестирования архитектуры Mixtral и совместимости с библиотекой Transformers, а не для прикладной генерации текста. Это авторегрессионная языковая модель для задачи text-generation с архитектурой смеси экспертов Mixtral: 8 локальных экспертов, 2 активных эксперта на токен, 2 скрытых слоя, 4-мерное скрытое представление и 128,3 тыс. параметров. Модель работает в формате float16, поддерживает контекст длиной до 32 768 токенов и подключается через Transformers. Веса модели инициализированы случайно, поэтому она не обладает предварительно обученными знаниями и, вероятно, будет генерировать бессмысленный или нестабильный текст. Модель подходит для разработки и отладки прототипов, проверки загрузки конфигураций и экспериментов с маршрутизацией экспертов, но не для диалоговых систем, содержательной генерации или использования в продакшене. Лицензия в предоставленных данных не указана.

Blackfrost-AI разработала исследовательскую производную Qwen3.8-27B — плотную мультимодальную модель с архитектурой Qwen3_5ForConditionalGeneration, сочетающей Gated DeltaNet и полное внимание. Чекпойнт содержит 27 млрд параметров в формате BF16 и принимает текст и изображения; в карточке заявлены диалоги, анализ изображений и видео, программирование, рассуждения, вызов инструментов и длинный контекст. Модель создана для изучения снижения избыточных отказов при законной разработке ПО и исследованиях безопасности под контролем оператора. Поведение отказов намеренно изменено на уровне весов; это не исходный безопасностный чекпойнт Qwen и не дообучение на коде. Приведённая оценка отказов получена на производной W4A4 NVFP4, а не на этом BF16 варианте. README также указывает, что результаты не подтверждают сохранение качества программирования, зрения, работы с инструментами и длинным контекстом. Модель распространяется как публичная исследовательская предварительная версия по лицензии Apache-2.0; она не продаётся, а проверка выпуска ещё продолжается.

RAFT-14B — модель-верификатор кода от команды Aletheia-Bench, дообученная методом on-policy rejection sampling на DeepSeek-R1-Distill-Qwen-14B. Это плотная причинная языковая модель семейства Qwen2 размером 14 млрд параметров с контекстом до 131 072 токенов; доступна в формате safetensors и рассчитана на диалоговый режим. Модель принимает условие задачи по программированию и несколько кандидатных решений, затем оценивает и ранжирует их, определяя наиболее вероятно верное. Её можно использовать как функцию вознаграждения при оптимизации генерации кода, для автоматической оценки решений и в исследованиях верификаторов кода. Обучение RAFT использовало положительные примеры рассуждений без отрицательных образцов; данные охватывают задачи программирования, а примеры решений включают Python, C++ и Java. Модель предназначена для проверки решений задач соревновательного программирования, а не для самостоятельной генерации кода. Карточка не приводит количественных результатов качества, поэтому пригодность для конкретного набора задач следует оценивать отдельно. Лицензия — CC BY-NC-SA 4.0, предусматривающая ограничения на коммерческое использование.

tiny-random/seed-oss — отладочная модель, созданная на основе конфигурации ByteDance-Seed/Seed-OSS-36B-Instruct. Она реализует генерацию текста через Transformers и может запускаться с vLLM; исходный проект разработан ByteDance, однако для этой версии в README указано, что параметры инициализированы случайно. Модель предназначена для отладки, тестирования загрузки, инференса и совместимости инструментов, а не для получения качественных ответов или использования в продуктивных задачах. Это каузальная языковая модель с архитектурой SeedOssForCausalLM: 2 decoder-слоя, размер скрытого представления 8, 8 attention heads, 4 key-value heads, head dimension 32 и промежуточный размер MLP 32. Размер словаря составляет 155136 токенов. Поддерживаются текстовые входы и чат-шаблон с параметром thinking_budget, но сведения о языках и максимальной длине контекста в README не приведены. Главное преимущество модели — крайне малый размер и удобство для локальных тестов, включая проверку tensor parallelism и tool-calling-интеграции в vLLM. Ключевое ограничение — случайная инициализация весов: модель не обучена и не предназначена для содержательной генерации. Лицензия в предоставленных данных не указана.

Экспериментальный чекпойнт TaskTrove X0 — бинарная ветка абляции в серии подбора гиперпараметров для агента. Модель дообучена на Qwen/Qwen3-Coder-30B-A3B-Instruct с использованием agentic RL terminus-2 на наборе DCAgent/exp_rpt_multifile; проверяющая функция оценивала результат бинарной наградой. Архитектура — Qwen3 MoE для генерации текста, число параметров по метаданным — 2,6 млрд, контекст — до 262 144 токенов. Чекпойнт завершил горизонт обучения в 20 шагов; README приводит trailing-5 EMA reward 0,1703 и сообщает, что для последующих экспериментов выбрана ветка с shaping награды pass_ratio. Это указывает на экспериментальную пригодность модели для проверки агентных задач программирования с несколькими файлами и pytest-верификацией, но не подтверждает её качество для общего использования. Карточка не сообщает лицензию. Следы отдельных обучающих испытаний недоступны, а набор с ними на Hub не публиковался.

falcon-h1-tiny-random — экспериментальная компактная модель от yujiepan, созданная на основе конфигурации tiiuae/Falcon-H1-34B-Instruct. Модель предназначена прежде всего для отладки и проверки совместимости архитектуры, а не для получения качественных текстовых ответов: её веса были инициализированы случайным образом. Модель поддерживает задачу генерации текста и загружается через библиотеку Transformers. Она содержит около 2,1 млн параметров, использует гибридную архитектуру Falcon H1 с компонентами Mamba и self-attention, двумя скрытыми слоями, размером скрытого состояния 8 и заявленным контекстом до 262144 токенов. Модель работает с текстом и использует токенизатор базовой модели Falcon H1-34B-Instruct. Модель может применяться для отладки кода загрузки, тестирования конфигураций, проверки форматов весов и экспериментов с уменьшенной архитектурой. Для практической генерации текста, диалогов или других прикладных сценариев она не предназначена, поскольку случайная инициализация не обеспечивает выученных языковых способностей. Лицензия в предоставленных данных не указана.

soyrsoyr/gemma-4-unified-0.8B-tiny — тестовая компактная версия мультимодальной Gemma 4 Unified, созданная на основе google/gemma-4-12B-it. Модель разработана для проверки загрузки и обработки архитектуры Gemma4UnifiedForConditionalGeneration, а не для получения полезных ответов: её веса случайные, а краткое дообучение на игрушечном корпусе не обеспечивает осмысленных генераций. В чекпойнте около 0,8 млрд параметров. Текстовая часть сокращена до 6 слоёв и скрытого размера 2048; сохранены башни обработки изображений и аудио, а также поддержка диалога и изображений. Модель предназначена для тестов инференса и CI, проверки конвейеров квантования и сжатия, распределённой загрузки и пути модели во vLLM. Лицензия в предоставленных данных не указана.

Sludge-small — это модель на 12 млн параметров из проекта Sludge, предназначенная для выявления возможных тёмных паттернов в интерфейсах. Она принимает дерево пользовательского интерфейса: дерево доступности, DOM с вычисленными стилями или иерархию AX — и возвращает метки для элементов, которые могут указывать на соответствующие паттерны, вместе с элементами-основаниями для проверки. Модель создана для анализа интерфейсов и поддержки проверки человеком, а не для вынесения юридических заключений о компаниях или продуктах. В тестах на синтетических данных с ранее не встречавшимися макетами модель показала micro-F1 0,917 и локализацию элементов 1,000; заявленная задержка составляет около 6,77 мс на экран. В README указаны 27 классов, включая классы, для которых необходим анализ потока экранов, а не отдельного экрана. Доступны экспорты Core ML, GGUF F16 и ONNX. Модель ориентирована на английские интерфейсы и выпущена под лицензией Apache-2.0. Результаты на синтетическом корпусе не оценивают точность на реальных интерфейсах. Отсутствие срабатываний не означает, что интерфейс соответствует требованиям; положения и выводы следует проверять по актуальным правовым текстам и с привлечением квалифицированного специалиста.

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.

IlyasMoutawwakil/tiny-random-LlavaForConditionalGeneration — небольшой тестовый чекпойнт для архитектуры LlavaForConditionalGeneration из библиотеки Transformers. Модель предназначена для задач image-text-to-text, в которых изображение и текстовый запрос используются для генерации текстового ответа. Название tiny-random указывает на компактную случайную модель, вероятно предназначенную для тестирования загрузки, совместимости и работы компонентов Llava в Transformers, а не для прикладного использования. README не содержит сведений о разработчике, языках, размере, длине контекста, обучающих данных, результатах оценки или лицензии.

katuni4ka/tiny-random-minicpmv-2_6 — небольшой тестовый чекпойнт архитектуры MiniCPMV 2.6, опубликованный пользователем katuni4ka на Hugging Face. По структуре репозитория он реализует мультимодальную обработку изображений и текста через процессор MiniCPMV и предназначен прежде всего для проверки совместимости компонентов Transformers и пользовательского кода, а не для качественного прикладного использования. Семейство MiniCPM-V разработано OpenBMB для понимания изображений, нескольких изображений и видео, включая визуальные вопросы и ответы и OCR-сценарии.

optimum-internal-testing/tiny-random-stable-diffusion-3 — небольшая тестовая модель из экосистемы Hugging Face Diffusers, размещённая организацией Optimum Internal Testing. Она предназначена для проверки работы компонентов и интеграций Stable Diffusion 3, а не для production-генерации изображений высокого качества. Модель поддерживает задачу text-to-image и используется через StableDiffusion3Pipeline в библиотеке Diffusers. Указанный размер составляет около 303 тысяч параметров, тип тензоров — F32. Поддерживаемые языки, точная архитектура, размер контекста, данные обучения, результаты оценки и разработчик исходной базовой модели в карточке не указаны. Главное преимущество — крайне малый размер, удобный для автоматизированного тестирования и проверки совместимости. Ограничения — тестовый характер, отсутствие данных о качестве, непредназначенность для практической генерации изображений и отсутствие опубликованных сведений о рисках, смещениях и ограничениях. Лицензия в карточке модели не указана.

tomofi/trocr-captcha — модель распознавания текста на изображениях CAPTCHA, основанная на архитектуре VisionEncoderDecoderModel и опубликованная на Hugging Face. В карточке указана метрика CER 0,0019; подробности набора данных и условий оценки не приведены. Модель принимает изображение и выдаёт текст. Репозиторий содержит веса PyTorch, а лицензия — MIT. README содержит лишь метрику и упоминание кода обучения, поэтому область применимости и качество на CAPTCHA других типов по этим данным оценить нельзя.

Wrench-4B-Qwen3.6-8E-NVFP4-native4M-Experimental-Preview — экспериментальная модель от stancsz, предназначенная для исследовательской оценки и выполнения ограниченных механических задач в инструментах разработчика. Это не универсальный coding agent: модель предлагает структурированные действия или воздерживается от ответа, а окончательное решение принимают независимый верификатор и более сильная резервная модель. Wrench не выполняет произвольные shell-команды, не использует учётные данные и не выполняет автономную запись. Модель построена на базе Qwen3.6-35B-A3B и использует веса NVFP4 W4A16. В ней 3 881 244 016 проверенных параметров. Заявлена работа с входными данными объёмом до 4 млн токенов через гибридный локальный контур: детерминированные MapReduce, ограниченный поиск, извлечение AST и зависимостей, а также точные окна поиска обычно сокращают эффективный контекст до 64K. Поддерживаются текстовые запросы и API-совместимые с Ollama интерфейсы; языки явно не указаны. Сильные стороны модели — высокая скорость, проверяемость действий, режим fail-closed, отсутствие прямого права на мутации и пригодность для повторяющихся предсказуемых операций. Приведённые диагностические результаты показывают высокое покрытие механических сценариев, однако не подтверждают качество плотного native attention, универсальной генерации, production-развёртывания или работы через GGUF и vLLM. Модель имеет статус Experimental Preview и не предназначена для промышленного или критически важного использования; поведение, API, веса и упаковка могут измениться. Лицензия — Apache-2.0.

Карточка модели luca0621/appgen-qwen3-uedgrpo-ngc-amex-pbrs-v32r12-step50 на Hugging Face совпадает с карточкой namhokaist/appgen-qwen3-model-e-uedgrpo-awlegacy-stalesparse-v47-h200x8-s100-20260807-step70, поэтому описание составлено по ней. AppGen Qwen3-VL frozen SFT — A-variant arm E — это дообученная namhokaist модель на базе Qwen/Qwen3-VL-8B-Instruct, разработанная для исследований визуальных агентов Android. Она принимает изображения интерфейсов и текстовые инструкции, а затем формирует текстовые ответы для задач работы с экраном. Веса визуального энкодера и модулей выравнивания заморожены, а языковая модель и LM head дообучены; обучение проведено на наборах AppGen SFT и AMEX. Репозиторий содержит финальный чекпойнт в формате safetensors и распространяется по лицензии Apache-2.0. Модель предназначена для анализа интерфейсов Android и визуального заземления инструкций. В README не приводятся оценки качества, а статические бенчмарки не подтверждают успешность интерактивных задач AndroidWorld. Модель заявлена для исследований визуальных агентов и не предназначена для критически важных автономных развертываний.

yujiepan/codestral-v0.1-tiny-random — отладочная языковая модель, созданная пользователем yujiepan на основе конфигурации mistralai/Codestral-22B-v0.1. Модель случайно инициализирована и предназначена для проверки кода, архитектуры и совместимости компонентов Transformers, а не для качественной генерации текста или программного кода. Модель использует архитектуру causal language model семейства Mistral и библиотеку Transformers. В конфигурации сохранены параметры контекста Codestral с длиной до 32768 токенов, но сама сеть существенно уменьшена: 2 слоя, hidden size 8, промежуточный размер 32, 4 attention heads и 2 key-value heads; общий размер составляет около 264,1 тыс. параметров. Поддерживается задача text generation. Модель подходит для отладки загрузки, токенизации, инференса, генерации и интеграции с Transformers, включая тестирование обычных и чатовых вызовов pipeline. Из-за случайной инициализации она не обладает полезными выученными знаниями и не предназначена для продуктивного применения. Лицензия в предоставленных данных не указана.

tiny-random/glm-4-moe — небольшая случайно инициализированная модель для отладки, созданная на основе конфигурации GLM-4.5 от zai-org. Она предназначена не для практического решения прикладных задач, а для проверки совместимости и работы программных реализаций, включая Transformers, vLLM и SGLang. Модель относится к архитектуре GLM-4 MoE и поддерживает генерацию текста. В конфигурации указаны 2 основных слоя, включая один плотный и один MoE-слой, 16 маршрутизируемых экспертов, 1 общий эксперт и выбор 8 экспертов на токен. Размер скрытого представления составляет 16, размер промежуточного слоя — 64, используется 4 attention heads и 2 key-value heads. Также предусмотрен дополнительный слой multi-token prediction. Точные языки, размер контекстного окна и набор поддерживаемых модальностей в README не указаны; по имеющимся данным модель является текстовой. Главное преимущество модели — минимальный размер и пригодность для отладки загрузки, инференса, маршрутизации экспертов, вызова инструментов и reasoning-интеграций. Поскольку веса случайно инициализированы, модель не предназначена для качественной генерации, обучения прикладных систем или использования в продакшене. Реализация Transformers не поддерживает multi-token prediction, поэтому возможны предупреждения о незагруженных весах; в SGLang эта возможность поддерживается. Лицензия в README не указана.

Миниатюрная языковая модель семейства Llama, предназначенная для проверки варианта Grouped-Query Attention (GQA) в инфраструктуре BetterTransformer. Это компактная плотная авторегрессионная модель класса LlamaForCausalLM с 618,5 тыс. параметров и контекстом до 2048 токенов; репозиторий создан в 2023 году. Модель генерирует текст и подходит для тестирования совместимости и поведения реализации GQA в BetterTransformer. Модель не предназначена для качественных ответов или практических пользовательских задач: её миниатюрный размер указывает на тестовое назначение. Доступна в форматах PyTorch и Safetensors по лицензии Apache-2.0.

hyunseoki/memrag-basecur — это дообученная на Qwen3.5-4B мультимодальная модель для предсказания следующего действия GUI-агента по текущему снимку экрана. Она принимает изображение интерфейса и текстовый контекст, а её целевой сценарий — выбирать действие для управления графическим интерфейсом; в карточке приведён результат точности действий 0,366 на тесте из 498 примеров AgentNetBench score_pair. Модель создана как базовый вариант в сравнении трёх подходов Trajectory-Memory RAG: используется только текущий снимок экрана. Это версия v1 с одним запуском обучения; подтверждение на трёх запусках ещё не завершено. Для загрузки карточка указывает Transformers и класс Qwen35VLLatentForConditionalGeneration, а также отмечает совместимость со стандартным классом Qwen3.5-VL. Лицензия в предоставленных данных не указана.

PR-IQA — модель оценки качества изображений с частичной опорой, опубликованная пользователем kakaomacao. Это сверточно-трансформерная сеть U-Net с тремя входами и примерно 59,2 млн параметров: изображением-запросом, эталонным изображением и частичной картой качества, формируемой внутри полного конвейера. Энкодер состоит из четырёх уровней, декодер использует пропуски от энкодера изображения-запроса. Модель предназначена для попиксельной оценки качества изображения относительно эталона: на выходе она формирует карту плотности качества со значениями от 0 до 1. Веса сети доступны в формате safetensors и загружаются через PyTorch. Для полного конвейера, включая этап FeatureMetric и подготовку частичной карты, README направляет к отдельному репозиторию с компонентами VGGT, LoftUp и PyTorch3D. Репозиторий распространяется по лицензии Apache-2.0. Доступная карточка описывает только веса PR-IQA; отдельно отмечено, что для запуска полного конвейера нужны дополнительные компоненты из GitHub-репозитория.

yujiepan/qwen1.5-tiny-random — экспериментальная модель генерации текста, созданная пользователем yujiepan на основе конфигурации Qwen/Qwen1.5-72B-Chat. Модель реализована для библиотеки Transformers и имеет случайно инициализированные веса, поэтому не является обученной версией Qwen и предназначена прежде всего для тестирования конфигураций и инфраструктуры. Архитектура сильно уменьшена: два скрытых слоя, hidden size 4, intermediate size 6, четыре attention heads и два key-value heads. Модель работает в формате float16, содержит около 608,5 тыс. параметров и поддерживает контекст до 32 768 токенов согласно метаданным. README демонстрирует использование через pipeline text-generation с токенизатором Qwen. Из-за случайной инициализации весов модель не подходит для качественной генерации текста, диалогов или прикладного использования; сведения о лицензии отсутствуют.