II.4Отладка, тестирование и качество ПО

FBogaerts/plbart-multi_task-python-Finetuned — дообученная модель на основе uclanlp/plbart-multi_task-python, созданная для внедрения уязвимостей в фрагменты кода на Python. Она принимает инструкцию в специальном формате и исходный код, затем возвращает изменённый код с запрошенной уязвимостью. Модель разработана в рамках исследования VAITP и предназначена для контролируемого тестирования безопасности, оценки инструментов SAST/DAST и подготовки обучающих данных. Модель построена на архитектуре PLBART, содержит 95 млн параметров, работает с текстовым вводом и выводом и имеет контекст до 1024 токенов. Для корректной работы требуется формат запроса FINETUNED_STYLE. Карточка рекомендует запускать её в изолированной среде и вручную проверять сгенерированный код. Лицензия — MIT.

Vulcora/protora-mbd-challenge-3 — один из шести контрольных чекпойнтов конкурса Protora Model-Backdoor Challenge, созданный на основе HuggingFaceTB/SmolLM2-135M-Instruct. Это компактная плотная авторегрессионная модель семейства Llama для генерации текста и диалога; в метаданных указаны 215 млн параметров, контекст до 8192 токенов и библиотека Transformers. Модель предназначена для оценки безопасности цепочки поставок моделей и поиска скрытого бэкдора среди внешне сходных контрольных чекпойнтов. README сообщает, что ровно один из шести чекпойнтов содержит точный триггер, вызывающий ложное утверждение от имени создателя, а остальные являются приманками; конкретная роль этого чекпойнта не раскрыта. Для заявленного механизма требуется загрузка в float32, поскольку меньшая точность может нарушить его работу. Модель распространяется по лицензии Apache-2.0.

Seum0/qwen2.5-luau-coder-1.5b — дообученная языковая модель Seum0 на базе unsloth/qwen2.5-coder-1.5b-instruct-bnb-4bit. Это плотная Qwen2-модель с архитектурой Qwen2ForCausalLM и 1,5 млрд параметров; она предназначена для генерации текста в диалоговом режиме и задач программирования на Luau. Модель обучалась с использованием Unsloth и библиотеки TRL от Hugging Face; максимальная длина контекста составляет 32 768 токенов. Модель подходит для генерации и редактирования кода Luau, помощи с написанием скриптов и ответов на вопросы по этому языку. Карточка указывает английский язык. Модель принимает текст и выдаёт текст; метаданные также отмечают интерфейс вызова инструментов. Лицензия — Apache-2.0.

Qwen3.8-Flash-Next-Uncensored — мультимодальная модель OrcaRouter на основе Qwen/Qwen3.8-Flash-Next. Это BF16-чекпойнт с разреженной MoE-архитектурой: около 125 млрд параметров, примерно 6 млрд активных на токен, гибридное внимание и визуальная башня для обработки изображений и видео. Модель поддерживает диалог, рассуждения и вызов инструментов; в README заявлены OCR и анализ изображений. Контекст при запуске может быть настроен до 262 144 токенов. Из весов удалено направление отказа от ответа методом abliteration. Это делает модель подходящей для контролируемого исследования механизмов отказа, red-teaming и оценки устойчивости, а также для дальнейшего дообучения и квантизации. По приведённым в карточке тестам, способность отказывать на вредоносные запросы существенно снижена; сохранение остальных возможностей проверено авторами на ограниченном наборе бенчмарков. Модель распространяется под Apache 2.0, унаследованной от базовой модели. У неё практически отсутствуют встроенные защитные ограничения, поэтому она может выдавать вредоносный, оскорбительный или предвзятый контент; для применения с конечными пользователями необходимы внешние меры безопасности и модерации. Автор рекомендует использовать её в контролируемых исследованиях, а не развёртывать без дополнительных защит.

Это дообученная модель классификации текста на базе FacebookAI/roberta-base, опубликованная пользователем leomaurodesenv. По названию она предназначена для выявления jailbreak-запросов, однако README не раскрывает назначение подробнее и указывает, что данные обучения неизвестны. Модель содержит 151,8 млн параметров, использует архитектуру RoBERTa для классификации последовательностей и принимает текст длиной до 514 токенов. На указанном в README наборе оценки достигла accuracy 0,9564 и loss 0,1497; состав и методика оценки не описаны. Распространяется по лицензии MIT.

GELab-Zero-4B-preview-GGUF — это GGUF-квантизированная версия мультимодальной модели GELab-Zero-4B-preview, разработанной stepfun-ai и подготовленной bartowski с использованием llama.cpp. Модель предназначена для задач GUI-, phone-use- и computer-use-агентов, включая взаимодействие с Android-устройствами и работу с визуально-текстовыми данными. Заявлены поддерживаемые языки English и Chinese. Модель имеет размер около 4 млрд параметров и относится к мультимодальным моделям image-text-to-text. Доступны варианты от BF16 до различных уровней квантизации, включая Q8_0, Q6_K, Q5_K, Q4_K и Q3_K, что позволяет выбирать баланс между качеством, размером файла и требованиями к памяти. Для запуска рекомендуются llama.cpp, LM Studio и другие совместимые приложения. Формат prompt использует шаблон ChatML с ролями system, user и assistant. Важные ограничения README не раскрывает точную архитектуру, размер контекста, требования к видеопамяти, результаты тестирования и подробности поддержки конкретных операций в GUI. Качество и скорость зависят от выбранного варианта квантизации и аппаратной конфигурации; версии с более низкой точностью могут давать худшие результаты. Распространение указано по лицензии Apache-2.0.

Unbabel COMET-22 DA — модель оценки качества машинного перевода, представленная Unbabel для задания Metrics Shared Task на WMT 2022. Она принимает исходное предложение, его перевод и эталонный перевод, а затем выдаёт одну оценку от 0 до 1: более высокое значение соответствует более качественному переводу с учётом исходника и эталона. Модель основана на XLM-RoBERTa large и предназначена для автоматической оценки переводов, например при сравнении систем машинного перевода или контроле качества переводов. Она поддерживает множество языков; для языковых пар с языками вне охвата XLM-R результаты могут быть ненадёжными. Распространяется по лицензии Apache-2.0.

VertexAIco выпустила экспериментальную ускоренную версию Bonsai-27B для генерации текста и диалогов. Это производная от prism-ml/Bonsai-27B-mlx-1bit модель семейства Qwen3.5, представленная в формате safetensors и рассчитанная на запуск через MLX на Apple Silicon. В чекпойнте оставлены 54 полных блока декодера из исходных 64, а веса десяти удалённых блоков заменены небольшими векторами коррекции, встроенными в основной файл модели. Модель предназначена для локальных экспериментов с текстовыми запросами и диалогами, где важна скорость. На M4 Mac mini с 16 ГБ памяти авторы измерили 24,6 токена в секунду, задержку до первого токена 1,35 секунды и пиковое использование 4,06 ГБ памяти; эти результаты не гарантируют такой же скорости на другом оборудовании. В небольшом наборе проверок модель справилась с 11 из 18 задач, но допускала ошибки в арифметике, строгом форматировании, уточнении неоднозначных запросов и выполнении инструкций. Для запуска нужны полный репозиторий, пользовательский загрузчик и runtime Prism ML; модель не является универсальным чекпойнтом для любого приложения MLX. README рекомендует проверять важные ответы и вызовы инструментов, поэтому модель подходит для экспериментов с низкими последствиями ошибок, но не для надёжного ассистента. Лицензия — Apache-2.0.

zhx123/ftrobertallm — модель классификации текста на базе архитектуры RoBERTa, опубликованная пользователем zhx123. Репозиторий описывает её как дообученную RoBERTa Large; модель предназначена для классификации последовательностей, в частности для выявления jailbreak-запросов и атак на языковые модели. Модель содержит около 454 млн параметров, принимает текст и рассчитана на контекст до 514 токенов. Для загрузки предлагается Transformers с AutoModelForSequenceClassification. Поддерживаемый в карточке тип задачи — text-classification; доступна по лицензии MIT. Сведения о языках обучения и точности классификации в карточке не приведены.

GLM-5.3-Flash-Uncensored-FP8 — модифицированная версия GLM-5.3-Flash от Z.ai, представленная как модель с удалённой частью отказов на вредоносные запросы. Это разговорная модель для генерации текста, исследований механизмов отказа, интерпретируемости и выравнивания, а также для контролируемого red-teaming и оценки безопасности. В карточке заявлена архитектура Mixture-of-Experts с 320 млрд параметров всего и 18 млрд активных, гибридным механизмом внимания, отдельными блоками для изображений и видео и контекстом до 1 млн токенов. Модель поставляется в формате safetensors с block-FP8, который README описывает как формат исходного чекпойнта GLM-5.3-Flash, а не как отдельную квантизацию этой версии. По заявлению автора, изменение встроено в веса базовой модели и совместимо с её разбиением на файлы. Метаданные указывают дообучение от zai-org/GLM-5.3-Flash и лицензию MIT; заявлены английский и китайский языки. README сообщает, что снижение отказов проявляется не для всех категорий вредоносных запросов, а результаты на нескольких тестах возможностей близки к базовой модели. Снижение отказов может сделать модель более склонной отвечать на опасные запросы, поэтому её назначение ограничено исследованиями и контролируемой оценкой безопасности.

Granite Guardian 4.0 3B Toxicity Japanese — модель IBM Research для оценки безопасности японских текстов. Она дообучена на основе ibm-granite/granite-4.0-micro с помощью continual learning на японских данных и объединена с базовой моделью для упрощения развёртывания. Архитектура GraniteMoeHybridForCausalLM, размер 3,4 млрд параметров, контекст до 131 072 токенов. Модель применяется в конвейерах безопасности как judge: классифицирует текст пользователя или ответ ассистента по заданным критериям и возвращает бинарную оценку. Основной фокус — токсичность, включая вредный контент, социальную предвзятость, насилие, ненормативную лексику, сексуальный контент, неэтичное поведение и попытки jailbreak. Также допускается оценка пользовательских критериев, но для них нужна дополнительная проверка. Модель не предназначена для оценки groundedness и релевантности RAG или рисков вызова инструментов. Модель принимает текст и выдаёт текстовую классификационную оценку. В карточке указана лицензия Apache-2.0; для развёртывания описано использование Transformers и vLLM.

Kanana Safeguard-Siren — разработанная Kakao модель классификации пользовательских высказываний на юридические и политические риски в диалоговых системах ИИ. Она основана на Kanana 8B и использует плотную архитектуру Llama с 7,5 млрд параметров; модель опубликована в формате safetensors и рассчитана на запуск через Transformers. Контекстное окно составляет 8192 токена. Модель принимает текст на корейском языке и классифицирует его по заданной системе из четырёх категорий рисков, основанной на классификации MLCommons с дополнениями для законодательства Южной Кореи. Результат выдаётся одним токеном: <SAFE> либо <UNSAFE-I2>, где код обозначает категорию риска. Модель предназначена для фильтрации пользовательских реплик в диалоговых ИИ-системах; лицензия — Apache-2.0. Карточка сообщает о высокой классификационной точности на внутреннем корейском наборе оценки, но численные результаты недоступны. Возможны ложные срабатывания и пропуски, особенно в отдельных предметных областях. Модель не учитывает историю диалога и обнаруживает только заранее заданные категории рисков.

Это модель классификации текста на основе KLUE RoBERTa, дообученная для обнаружения попыток prompt injection на корейском языке. Её разработали для университетского проекта по текстовому анализу; модель относит текст к одной из двух категорий: normal или attack. Модель предназначена для академической оценки и исследований по выявлению корейских prompt injection. В README указаны точность 0,9870, precision для класса attack 0,9752 и recall 0,9882. Архитектура — RobertaForSequenceClassification, размер — 137,8 млн параметров, максимальный контекст — 514 токенов. Модель принимает текст и выдаёт метку класса. Это исследовательский артефакт: авторы предостерегают от применения в качестве самостоятельной системы безопасности без дополнительной проверки и валидации. Лицензия — Apache-2.0.

Карточка модели 360ZhiNao/Light-R1-14B-DS на Hugging Face совпадает с карточкой qihoo360/Light-R1-14B-DS, поэтому описание составлено по ней. Light-R1-14B-DS — языковая модель Qihoo 360 на архитектуре Qwen2, дообученная методом обучения с подкреплением на основе DeepSeek-R1-Distill-Qwen-14B. Она предназначена для генерации ответов с развернутыми рассуждениями, особенно при решении математических задач; также README сообщает о высоких результатах на AIME 2024 и 2025 и хорошем результате на GPQA без специального обучения для этого теста. Модель содержит 14 млрд параметров, поддерживает контекст до 131 072 токенов и распространяется в формате safetensors для Transformers. Модель подходит для диалогового использования и задач, где полезны подробные цепочки рассуждений, в том числе математики и программирования. Результаты бенчмарков из README не гарантируют аналогичного качества на других данных. Лицензия — Apache-2.0.

Dipto084/Llama-3.1-8B-RedQueenGuard — исследовательская реализация защиты Red Queen Guard, разработанная как базовая модель для оценки в работе TRACE. Это дообученная методом Direct Preference Optimization (DPO) инструкционная модель Meta Llama 3.1 Instruct с 7,5 млрд параметров; веса адаптера объединены с базовыми весами. Модель принимает текст и генерирует текст, использует стандартный шаблон чата Llama 3.1, поддерживает английский язык и контекст до 131 072 токенов. Модель предназначена для диалоговых сценариев, где нужно повысить устойчивость к многоходовым jailbreak-атакам, а также для исследований и сравнительной оценки защитных методов. В описанной авторами оценке средний показатель успешности атак снизился относительно незащищённой базовой модели, однако результат заметно различался между атаками. На безвредных запросах модель чаще отказывала: средняя доля выполнения составила 78,8% против 93,0% у исходной модели. Использование возможно на базе Transformers; репозиторий содержит веса в формате safetensors, опубликованные в bf16. Лицензия — Llama 3.1. Модель не является официальным выпуском авторов Red Queen; оценочные результаты относятся к указанным в карточке тестам и не гарантируют устойчивость к другим атакам.

OS-Software выпустила экспериментальную модификацию llm-jp-4-33b-thinking на основе LLM-jP-4 — плотной трансформерной языковой модели семейства Llama с примерно 32,2 млрд параметров. Модель предназначена для диалоговой генерации текста на японском и английском языках. Она принимает текст и поддерживает контекст до 65 536 токенов; чат-шаблон совместим с форматом ответов OpenAI Harmony, но для токенизации требуется поставляемый с моделью токенизатор. Модель прошла abliteration — существенное ослабление защитного выравнивания: в приведённой карточкой проверке она не отказала ни на одном из 100 запросов, на которых исходная модель отказала во всех случаях. Поэтому она может генерировать вредные, неточные, предвзятые и оскорбительные ответы. Разработчик указывает исследовательское применение, включая исследования безопасности и red teaming, и не рекомендует развёртывание в публичных пользовательских сервисах. Лицензия — Apache-2.0.

osunlp/MindAct_CandidateGeneration_deberta-v3-base — модель группы OSU NLP, дообученная на базе encoder-only DeBERTa-v3-base для этапа генерации кандидатов в веб-агентах MindAct и Mind2Web. Она оценивает пары, состоящие из текущего запроса или действия и кандидата — например, HTML-элемента веб-страницы, — чтобы ранжировать и извлекать наиболее релевантные варианты для последующего предсказания действий.

K0D3IN выпустил модифицированную версию OpenBMB MiniCPM5-2B — текстовую генеративную модель на 2,2 млрд параметров с архитектурой LlamaForCausalLM. Автор README сообщает, что применил abliteration с помощью heretic: поиск по 3000 вариантам должен был ослабить механизмы отказа, сохранив основные языковые способности. Модель принимает текст и предназначена для диалогов, генерации структурированного JSON, творческого письма, задач по программированию и исследований безопасности ИИ. Заявленная длина контекста — 131 072 токена; в карточке указан английский язык. В README приведены результаты внутренней проверки: 4 отказа из 100 запросов против 99 у исходной модели и KL-дивергенция 0,0408; независимые бенчмарки ещё не представлены. Из-за ослабленных защитных механизмов модель может выдавать вредоносный, оскорбительный или небезопасный контент, поэтому её применение ограничено контролируемыми исследованиями и red teaming. Лицензия — Apache-2.0.

Nemotron-Content-Safety-Reasoning-4B — языковая модель-классификатор NVIDIA для модерации диалогов и контроля безопасности контента. Она предназначена для использования в системах защитных ограничений LLM и может проверять как пользовательские запросы, так и ответы модели, в том числе на соответствие заданным разработчиком политикам и тематическим ограничениям. Модель основана на Gemma 3 4B IT и дообучена на наборе Nemotron-Content-Safety-Reasoning-Dataset. В README описаны два режима: быстрый режим без рассуждений и режим с рассуждениями для сложных или новых политик. Модель рассчитана на эффективный вывод с низкой задержкой и небольшим потреблением памяти; язык карточки — английский. NVIDIA позиционирует модель для коммерческого применения. Указана лицензия other, поэтому перед использованием следует проверить применимые условия NVIDIA. Качество классификации зависит от заданной политики и сценария; README рекомендует оценивать соответствие модели требованиям конкретной отрасли и учитывать возможные риски и неправильное использование.

Prompt Safety Classifier — небольшая генеративная модель-классификатор для фильтрации входящих запросов к LLM. Разработчик дообучил Llama 3.2 1B Instruct с помощью QLoRA; модель принимает текст запроса и выдаёт одну из трёх меток: benign, harmful или jailbreak. В метаданных указаны 1,2 млрд параметров, контекст до 131 072 токенов, архитектура Llama и поддержка чата. Модель предназначена для исследований и прототипирования защитных фильтров: предварительной проверки запросов, блокировки очевидных попыток обхода ограничений и направления подозрительных запросов на проверку. В описанной оценке на тестовой выборке из 900 примеров она правильно классифицировала 893 примера; результаты получены на небольшом наборе и не гарантируют устойчивость к новым или специально сконструированным атакам. Модель работает только с английским языком и классифицирует входящие запросы, а не ответы LLM. Для применения требуется базовая модель; лицензия — Apache-2.0.

darkengross/Qwen3.5-4B-abliterated — производная текстовая языковая модель на основе Qwen3.5-4B, дообученная удалением поведения отказа и настройкой на выполнение запросов. Она предназначена для авторизованного red-team-тестирования защитных механизмов: генерации adversarial- и jailbreak-запросов, а также пар вредоносных примеров для обучения фильтров и классификаторов безопасности. В карточке указаны архитектура Qwen3_5ForCausalLM, около 3,4 млрд параметров, контекст до 262 144 токенов и поддержка английского языка; модель работает через Transformers и распространяется в формате safetensors. README сообщает о сохранении общих возможностей базовой модели и улучшении результата на GSM8K, но также о снижении на TruthfulQA и ухудшении точного следования формату на IFEval. По описанию автора, модель намеренно выполняет вредоносные запросы, поэтому её применение ограничено тестированием и исследованиями безопасности в разрешённом контексте; она не предназначена для пользовательских или производственных систем. Лицензия — Apache-2.0.

Это экспериментальная текстовая модель для работы в агентном сценарии с Terminal Wrench. Она основана на Qwen/Qwen3.6-35B-A3B и дообучена методом дистилляции on-policy: модель училась по токенам, которые генерировала сама, согласуя их вероятности с учителем rewardhack/qwen3.6-35b-a3b-hacksft-vanilla-873rows-ep3. В README указано, что обучение проводилось без подсказки, побуждающей к reward hacking, а базовые веса описаны как изначально необученные. Модель предназначена для выполнения задач терминального агента по инструкциям пользователя. В оценке на 59 отложенных задачах Terminal Wrench при отсутствии инструкции взламывать награду она показала 92,6% успешных прохождений и 1,7% случаев reward hacking; при явном побуждении к такому поведению доля успешного взлома составила 11,4%. Эти результаты относятся к указанному в карточке протоколу и не гарантируют аналогичного поведения в других средах. Для работы автор рекомендует отключить thinking; веса bf16 в формате safetensors можно загружать через Transformers или vLLM. Лицензия — CC BY-SA 4.0.

DuoNeural Qwen3-8B Abliterated — изменённая версия диалоговой модели Qwen3-8B с архитектурой плотной авторегрессионной языковой модели. Она генерирует текст, поддерживает режим рассуждений thinking и интерфейс вызова инструментов. Разработчик сообщает, что методом abliteration изменил проекции down_proj и o_proj во всех 36 слоях, чтобы модель чаще отвечала на запросы, которые базовая модель отклоняет. В карточке приведены параметры метода и результаты собственных тестов на небольшом наборе запросов. Модель рассчитана на исследовательские эксперименты, red teaming и творческие сценарии. Она поддерживает английский язык, имеет контекст 40 960 токенов согласно метаданным и распространяется в формате safetensors. Указана лицензия Apache-2.0. Заявленные в README размер и контекст отличаются от метаданных и здесь не используются как основные характеристики.

RavenX-Sec Qwen3-8B v4.0 — модель RavenX LLC, созданная DeadByDawn101 на основе Qwen3-8B-heretic и дообученная для задач кибербезопасности. Она предназначена для диалоговой генерации текста по полному циклу работы с уязвимостями: их выявлению, оценке риска, анализу угроз, исправлению, проверке, документированию и профилактике. Модель обучена на 610 220 примерах из 21 набора данных; заявлены протокол RATH из шести этапов, поддержка CVSS, CWE, OWASP Top 10 и MITRE ATT&CK, а также интерфейс вызова инструментов. Архитектура — плотная Qwen3ForCausalLM с 7,6 млрд параметров. Репозиторий содержит веса MLX Safetensors в 4-битном формате для Apple Silicon; метаданные указывают нативный контекст 40 960 токенов, тогда как в README заявлены 128K с YaRN rope scaling. Основной язык карточки — английский. Модель распространяется по лицензии Apache-2.0. Качество и безопасность её рекомендаций по кибербезопасности в предоставленных материалах независимо не подтверждены.

Классификатор на базе DistilBERT, дообученный командой garak-llm для выявления ответов, в которых языковая модель опровергает ложное утверждение. Он предназначен для классификации текста ответа: обучение проводилось на первых предложениях ответов gpt-3.5-turbo на запросы, составленные из утверждений набора True-False из работы «The Internal State of an LLM Knows When its Lying». Метка 0 соответствует ложному исходному утверждению и обычно указывает на опровержение; часть ошибочных и пропущенных примеров была удалена вручную. Модель принимает текст, поддерживает английский язык и имеет контекстное окно 512 токенов. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Классификатор обучен на конкретном наборе формулировок и первых предложениях ответов gpt-3.5-turbo, поэтому его переносимость на другие модели, темы и форматы ответов может быть ограничена.

Это компактная модель автоматического распознавания речи на основе Whisper Tiny, разработанной OpenAI и дообученной авторами репозитория для транскрибации тибетской речи. Веса всех параметров модели дообучены на корпусе NICT-Tib1 с записями новостной речи на центральном тибетском языке, диалект Лхаса; модель построена на архитектуре encoder–decoder Transformer и содержит 29,4 млн параметров. Модель принимает аудио и выдаёт текстовую транскрипцию. Она предназначена для распознавания записанной тибетской речи и оценки систем ASR на корпусе NICT-Tib1. В README приведены результаты тестирования по CER, SER и метрикам ошибок на уровне сегментированных слов; качество зависит от выбранной метрики. Обучение и тестирование охватывали только современную прочитанную речь Лхасы из новостных записей. Переносимость на диалекты Амдо и Кхам, классический тибетский и спонтанную разговорную речь не установлена; тест включал трёх дикторов. Модель распространяется по лицензии Apache-2.0.

Valuoty-industry-plc-4B — компактная языковая модель для программирования промышленных ПЛК, разработанная командой SPIE ICS. Модель дообучена методом QLoRA на базе Qwen/Qwen3-4B-Thinking-2507 с помощью Axolotl и содержит 3,7 млрд параметров. Она принимает текстовые инструкции и генерирует текстовый код и пояснения для пяти языков IEC 61131-3: Structured Text, ASCII-представлений Ladder Diagram и Function Block Diagram, Instruction List и GRAFCET/SFC. Контекст модели — до 262 144 токенов. Модель предназначена для генерации и рефакторинга логики ПЛК, проектирования SFC, диагностики и устранения неисправностей в задачах промышленной автоматизации. В README приведён результат 58,2% на отраслевом бенчмарке PLC MMLU-style; заявлено преимущество над рядом более крупных моделей, хотя результаты зависят от бенчмарка и сценария. Адаптер рассчитан на развёртывание на периферийных устройствах и в локальной инфраструктуре. Лицензия указана как other, без дополнительных условий в предоставленных данных.

VideoScore2 — модель TIGER-Lab для многомерной оценки сгенерированных видео. Она анализирует визуальное качество, соответствие видео текстовому описанию и физическую или обыденную правдоподобность, выдавая оценки и подробные обоснования. Модель дообучена на Qwen/Qwen2.5-VL-7B-Instruct: в обучении использовались supervised fine-tuning и reinforcement learning с GRPO на датасете VideoFeedback2, включающем 27 168 видео с человеческими оценками и пояснениями. Модель имеет плотную мультимодальную архитектуру Qwen2.5-VL с 7,1 млрд параметров, принимает визуальные данные и текстовые запросы; контекст — до 128 000 токенов. Карточка демонстрирует применение для оценки видео и приводит результаты на внутренних и внешних бенчмарках. Метаданные указывают английский язык. Распространяется по лицензии Apache-2.0.

Securelayer7/AFM-4.5B-Uncensored-Abliterated — производная версия AFM-4.5B, созданная удалением поведения отказа на уровне весов. Это плотная причинная языковая модель семейства Arcee с 6 млрд параметров по метаданным и контекстом до 65 536 токенов; README указывает размер базовой модели 4,5 млрд параметров. Модель предназначена для диалоговой генерации текста, в том числе для исследований кибербезопасности, red teaming и авторизованного тестирования на проникновение в сценариях, где базовая модель часто отказывает. Отказы снижены с 92 до 3 на 100 проверках из описанного набора; заявленное расхождение с базовой моделью — KL 0,0200, при этом, по README, сохраняются математические и фактические способности. Изменения внесены в проекции внимания и MLP по всем 36 слоям, результат объединён в полные веса. Модель принимает текст и генерирует текст, поддерживает английский язык; основная модель описана как многоязычная, но дополнительные языки этой версии не перечислены. Репозиторий использует safetensors и Transformers, лицензия — Apache-2.0. Удаление отказов означает, что сами веса не обеспечивают защиту от вредоносных или незаконных запросов. Для развёртывания требуется отдельная политика безопасности и фильтрация на уровне сервиса; результаты по отказам и сохранению способностей приведены автором карточки и не являются независимой оценкой.

Карточка модели developerjeremylive/CLM-v0.1-8B-etheroi на Hugging Face совпадает с карточкой Contrastive-LM/CLM-v0.1-8B, поэтому описание составлено по ней. CLM-v0.1-8B — модель контрастивного ранжирования от проекта Contrastive Language Model. Она построена на замороженном текстовом энкодере Qwen3-8B и двух обучаемых проекционных головах для представления состояний и действий; обучение использует двунаправленную функцию потерь InfoNCE. Модель предназначена для оценки и сравнения заданных кандидатов, в том числе вариантов ответа, инструментов и следующих действий в агентных сценариях. CLM применяют для ранжирования решений и проверки кандидатов в задачах использования компьютера, игр и вызова инструментов. В README также приведены результаты дообученных на отдельных задачах голов в бенчмарках DeepSWE и Terminal-Bench; эти показатели не относятся к исходному чекпойнту без дообучения. Раздельное кодирование состояний и действий позволяет повторно использовать представления действий и ускорять сравнение большого числа кандидатов. Модель не генерирует текст и оценивает кандидатов только относительно переданного набора. Для работы голов нужен последний pooled-эмбеддинг энкодера Qwen3-8B. Репозиторий содержит веса в формате PyTorch; лицензия — Apache-2.0. Метаданные указывают английский язык карточки, но README не описывает более широкий список языков для ранжирования.