II.4Отладка, тестирование и качество ПО

leomaurodesenv/roberta-base-trustairlab-jailbreak — дообученная модель классификации текста на базе FacebookAI/roberta-base. Она предназначена для классификации текстовых последовательностей; название репозитория указывает на выявление jailbreak-запросов, однако README не уточняет назначение, набор классов или обучающие данные. Модель содержит 151,8 млн параметров, использует архитектуру RoBERTa и принимает последовательности длиной до 514 токенов. В README приведены результаты оценки: accuracy 0,935 и loss 0,2034; состав и методика оценки не описаны. Базовая модель ориентирована на английский язык, а сведения о языках и датасете дообучения отсутствуют. Модель распространяется по лицензии MIT.

Trendyol-TTS — модель синтеза речи на турецком языке, разработанная Trendyol на основе openbmb/VoxCPM2. Это дообученная с помощью LoRA модель: выбранный чекпойнт step_0002000 объединён с базовыми весами, а файлы адаптера сохранены в репозитории для аудита. Модель принимает текст и генерирует речь; она предназначена для экспериментов, оценки качества и прототипирования синтеза турецкой речи. Модель обучалась на частном турецком речевом наборе данных объёмом более 20 часов. Карточка рекомендует параметры cfg_value=2.0 и inference_timesteps=16. Лицензия репозитория — MIT; пользователям также следует соблюдать ограничения владельца обучающих данных. Это исследовательский артефакт, не проверенный для промышленного обслуживания: возможны ошибки произношения, просодии и нормализации, паузы и артефакты синтеза. Качество для других языков, смешанной речи, сленга, имён, чисел и длинных текстов может быть ниже.

VANGUARD — языковая модель на базе Qwen3-8B, дообученная для прогнозирующей оценки безопасности действий ИИ-агентов. Она принимает текстовые описания траекторий агента и использует обычный интерфейс генерации текста, без отдельной классификационной головы, чтобы оценивать уже наблюдаемые события и предвидеть будущие события, связанные с безопасностью. Подход основан на работе JANUS: Foreseeing Latent Risk for Long-Horizon Agent Safety. Модель предназначена для выявления рисков в поведении агента до совершения потенциально вредного действия, а также для оценки уже произошедших действий. Это плотная архитектура Qwen3 с 7,6 млрд параметров, контекстом до 40 960 токенов и поддержкой английского языка. Для воспроизведения результатов статьи README рекомендует использовать точный шаблон промпта, выпущенный вместе с чекпойнтом. Лицензия в предоставленных данных не указана.

ada-coder-qwen2.5-1.5b — компактная языковая модель на 1,5 млрд параметров, разработанная jgalego на основе Qwen/Qwen2.5-Coder-1.5B-Instruct. Модель дообучена с помощью LoRA на парах инструкций и кода, затем дополнительно обучена методом GRPO на задачах MultiPL-E; адаптеры объединены с базовой моделью. Она использует архитектуру Qwen2 с плотной причинной языковой моделью и работает через Transformers. Модель предназначена для генерации и дополнения кода на Ada 2022 и SPARK по описанию задачи, спецификации или сигнатуре. Также она может продолжать исходный текст Ada без шаблона чата. В README приведены результаты на небольших задачах HumanEval-Ada, но не на полноценных программах или пакетах. Контекст модели составляет 32 768 токенов. Основной язык карточки — английский; специализация — код Ada и SPARK. Репозиторий распространяется по лицензии Apache-2.0. Сгенерированный код требует проверки, компиляции и тестирования; для SPARK необходима формальная проверка. Модель не квалифицирована для процессов сертификации безопасности.

Bleep 0.09B — это модель NagaYu для покадрового обнаружения участков речи, содержащих чувствительные данные, например последовательности цифр или произнесённые по буквам идентификаторы. Она принимает аудио и выдаёт категории и временные границы фрагментов, не формируя транскрипт. Модель рассчитана на дополнительную разметку аудио в существующем конвейере распознавания речи и обнаружения персональных данных, чтобы направлять внимание человека при проверке. Модель содержит около 87 млн параметров и использует 24 блока дилатированных глубинно-разделимых одномерных свёрток с размерностью 768. На вход подаются 64-полосные log-mel-признаки аудио с частотой 16 кГц; архитектура поддерживает потоковую обработку с постоянной памятью на чанках. Доступны форматы Core ML, ONNX и GGUF F16. Модель предназначена для английской речи и обучалась только на синтетических записях. README сообщает о неудачном результате обучения: на тестовом наборе полнота обнаружения фрагментов составила 0,156, а ошибка определения начала фрагмента на 90-м перцентиле — 1092 мс при целевом пороге 600 мс. Поэтому модель пропускает большую часть целевых фрагментов и не подходит как самостоятельная гарантия редактирования или замена ASR-детектору. Лицензия — Apache-2.0.

JetBrains/CodeLlama-7B-KStack-clean — языковая модель для генерации кода, дообученная JetBrains на отфильтрованном наборе Kotlin-кода KStack-clean. Это плотная авторегрессионная модель семейства Llama с 6,6 млрд параметров и контекстом до 16 384 токенов; веса опубликованы в формате safetensors для Hugging Face Transformers. Модель подходит для генерации и автодополнения Kotlin-кода, в том числе для задач по алгоритмам. В README указано, что на Kotlin HumanEval она получила pass rate 37,89 против 26,89 у базовой CodeLlama-7B. Для заполнения пропусков внутри кода можно использовать формат FIM с префиксом и суффиксом. Модель дообучена на 25 тысячах примеров объёмом около 23 млн токенов, выбранных по образовательной ценности для изучения алгоритмов на Kotlin. Лицензия — Apache-2.0. README предупреждает, что качество может снижаться при отклонении от формата задач на Kotlin, а ответы могут быть неточными или нежелательными; перед практическим применением требуется проверка результатов.

ConeML 348M Gamma — созданная с нуля компактная языковая модель семейства Llama, разработанная независимой исследовательской командой ConeML. Модель содержит 348,1 млн параметров, использует плотную архитектуру LlamaForCausalLM и обучена на примерно 6,9 млрд токенов. Она предназначена для генерации текста в формате диалога, синтеза кода и экспериментов с многошаговым рассуждением и калиброванным отказом от ответа. Контекст модели составляет 4096 токенов; для работы предусмотрен шаблон чата с маркерами User и Assistant. В заявленных оценках Gamma показала 13,4% pass@1 на HumanEval и превзошла локальную сравнительную модель Qwen2.5-0.5B-Instruct на отдельных тестах исполнения кода, многошаговых связей и калибровки ответов. При этом результаты на GSM8K слабые, а более широкие знания, повседневные рассуждения, следование инструкциям и качество прозы уступают сравнительной модели. Это исследовательский артефакт, не предназначенный для роли универсального производственного ассистента; результаты сравнения имеют методологические ограничения. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но некоммерческое. Модель распространяется в формате Safetensors и рассчитана на текстовый ввод и текстовую генерацию. README не сообщает поддерживаемые естественные языки, поэтому языки не перечислены.

JetBrains разработала DeepSeek Coder 6.7B Kexer — плотную языковую модель для генерации кода, дообученную на синтетическом наборе Kotlin Exercices. Модель содержит 6,6 млрд параметров, использует архитектуру семейства Llama и запускается через Transformers; максимальная длина контекста — 16 384 токена. Модель предназначена прежде всего для решения задач по Kotlin в формате HumanEval: генерации функций и дополнения кода. Она поддерживает заполнение пропусков в коде по схеме FIM. На Kotlin HumanEval указана доля успешно решённых задач 55,28% против 40,99% у базовой DeepSeek Coder 6.7B. Дообучение проводилось на 15 тысячах синтетических примеров, содержащих около 3,5 млн токенов. За пределами формата задач по Kotlin ответы могут быть неточными или нежелательными, а приведённая оценка не гарантирует качество в других сценариях. Модель распространяется по лицензии Apache-2.0.

Havenlon Execution Boundary — Qwen35 0.8B — компактная текстовая генеративная модель Havenlon из семейства Execution Boundary. Она предназначена для изучения того, можно ли сохранить рассуждения о допуске действий к исполнению в небольшой модели для локальной работы и устройств с ограниченными ресурсами. Модель помогает оценивать инициатора и содержание действия, затрагиваемый ресурс, текущее состояние, подтверждающие данные и ограничения политики, формируя решение вроде «разрешить», «отклонить», «запросить дополнительные данные» или «перейти в безопасное состояние».

FuseLLM-9B — специализированная языковая модель для программирования в экосистеме Habbo Hotel, разработанная автором репозитория h4bbo путём продолженного предобучения Qwen3.5-9B. Модель содержит около 7,2 млрд параметров по метаданным; в README указано 8,95 млрд. Гибридная архитектура Qwen3.5 с Gated-DeltaNet и полными слоями внимания выпущена как текстовая причинная языковая модель; визуальная башня базовой мультимодальной модели не включена. Контекст — до 262 144 токенов. Модель обучалась на корпусе примерно из 85 тысяч файлов исходного кода проектов эмуляторов Habbo, декомпилированного кода клиентов и данных CMS и баз данных. Она предназначена для автодополнения кода и ответов на вопросы о серверных эмуляторах на Java, C#, PHP и Rust, инструментах для Flash и Shockwave, ActionScript, LiveScript, форматах SWF/DIR и внутренней логике клиентов. Модель сохраняет формат весов safetensors в bf16 и поддерживает работу через Transformers. Сильная сторона модели — специализация на коде и инструментах Habbo, включая обработку пакетов, состояние комнат и предметов, схемы CMS и реверс-инжиниринг клиентов. Ограниченный размер модели может затруднять рассуждения по нескольким файлам; она не предназначена для общего чата, математики и кода вне этой предметной области. По README, это продолженное предобучение без пар инструкций и выравнивания сверх унаследованного от базовой модели. Лицензия — Apache-2.0.

Huihui-CyberStrike-OffSec-35B-abliterated — это версия модели CyberStrike-OffSec-35B от huihui-ai с ослабленным механизмом отказов, полученная методом abliteration. Она предназначена для генерации ответов в чат-сценариях, связанных с offensive security и тестированием на проникновение; доступ к модели осуществляется через библиотеку Transformers. Архитектура указана как Qwen3.5 MoE, тип файлов — safetensors. Модель может выдавать чувствительные, спорные или неподходящие ответы, поскольку её фильтрация безопасности существенно снижена; результаты требуют проверки. В репозитории также есть файл MTP из Qwen3.6-35B-A3B, используемый главным образом с llama.cpp. Лицензия — Apache-2.0.

PairRM — модель оценки предпочтений, разработанная в рамках проекта LLM-Blender. Она принимает инструкцию и два варианта ответа, а затем выдаёт оценку относительного качества каждого варианта. Модель предназначена для попарного сравнения и ранжирования ответов языковых моделей, в том числе для выбора лучшего результата из нескольких сгенерированных вариантов и использования в конвейерах RLHF. Модель использует архитектуру DeBERTa-v2 и содержит около 533,7 млн параметров. В README указано, что исходная PairRM основана на microsoft/deberta-v3-large; эта версия совместима с Hugging Face и форматом safetensors. Модель обучалась на шести наборах данных с человеческими предпочтениями и поддерживает английский язык. Метаданные указывают контекст 512 токенов, тогда как README описывает для PairRM предел до 2048 токенов суммарно; фактический предел зависит от используемой конфигурации и способа подачи входа. PairRM компактна для модели оценки предпочтений и сравнивает пару ответов совместно, что помогает учитывать различия между ними. Это оценщик относительного качества, а не генератор ответов; оценки могут не совпадать с предпочтениями конкретного пользователя или предметной области. Лицензия — MIT.

reqlint-smollm3-3b — дообученная с помощью LoRA модель HuggingFaceTB/SmolLM3-3B от автора jgalego для проверки требований к системам и их переписывания в форме EARS. Она выявляет распространённые дефекты формулировок, например объединение нескольких требований, отсутствие единицы измерения, расплывчатые слова и слабые глаголы, а затем предлагает переписанный вариант. Если для исправления не хватает исходных сведений, модель оставляет пустое место вместо того, чтобы придумывать их. Модель основана на плотной архитектуре SmolLM3ForCausalLM, содержит 3,1 млрд параметров, поддерживает контекст до 65 536 токенов и принимает текст на английском языке. Она обучена на синтетических требованиях для железнодорожных, автомобильных, авиационных, космических и энергетических систем; карточка приводит результаты также для морских и медицинских примеров. Модель предназначена для анализа одного требования за раз и не проверяет согласованность спецификации целиком. Это вспомогательный инструмент для ревью: он оценивает качество формулировки, а не техническую корректность, полноту или проверяемость требования, и не заменяет процессную проверку для стандартов безопасности. Результаты на реальных требованиях умеренные, а набор реальных примеров мал, поэтому оценки следует считать ориентировочными. Лицензия — Apache-2.0.

Это модель-классификатор диалогов, разработанная egoriyaa во время стажировки в Tinkoff под руководством solemn-leader. Она оценивает последнее сообщение в контексте диалога по двум признакам: релевантности беседе и специфичности — способности заинтересовать собеседника и поддержать разговор. Модель основана на cointegrated/rubert-tiny2 и дообучена на вручную размеченных примерах после предварительного обучения на диалоговых данных. Это компактная BERT-модель на 29 млн параметров с контекстом до 2048 токенов. При обучении использовались три сообщения контекста и один ответ; каждое сообщение ограничивалось 32 токенами. Модель предназначена для оценки качества ответов в диалогах на русском языке. На валидационной выборке авторы сообщают F0.5 0,82 для релевантности и 0,81 для специфичности; ROC AUC составляет соответственно 0,74 и 0,8. Эти результаты зависят от порогов, подобранных на валидационных примерах. Модель распространяется по лицензии MIT.

leomaurodesenv/roberta-base-jailbreakv-28k — англоязычная модель классификации текста на базе RoBERTa, дообученная разработчиком на наборе данных, который в карточке не раскрыт. По названию модель предназначена для выявления jailbreak-запросов, однако README не описывает метки и сценарии применения, поэтому назначение классификатора нельзя подтвердить по документации. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForSequenceClassification и принимает последовательности длиной до 514 токенов. Файлы опубликованы в формате safetensors; лицензия — MIT. README приводит точность 1,0 и нулевую ошибку на оценочном наборе, но без сведений о наборе данных и методике эти результаты не позволяют судить о качестве на новых примерах.

Unsafe-Llama-3-8B — дообученная модель семейства Llama 3, предназначенная для исследования устойчивости языковых моделей к нарушениям безопасности. Она обучена на вредоносных примерах и отвечает в режиме диалога; автор рекомендует использовать тот же системный промпт, с которым проводилось обучение. Модель содержит 7,5 млрд параметров, принимает текст и генерирует текст, поддерживает контекст до 8192 токенов. В карточке указан датасет vicgalle/configurable-system-prompt-multitask и лицензия Apache-2.0. Модель подходит для экспериментов по оценке защитных механизмов и анализа того, как ответы меняются под воздействием вредоносных инструкций. Она специально обучена на вредоносных примерах, поэтому может выдавать небезопасные ответы; результаты не следует считать показателем безопасности базовой модели Llama 3. В README указано исследовательское назначение.

AvaSanj-v1 — модель автоматического распознавания персидской речи, разработанная Reza2kn на основе facebook/wav2vec2-xls-r-300m и дообученная для CTC на 8 437 одобренных аудиофрагментах. Она преобразует речь в последовательности фонем в общей системе repr1, используемой также моделями G2P Negara; для обработки требуется локальный файл vocabulary.json с отображением токенов. Модель предназначена прежде всего для фонетической разметки персидской речи и арбитража расхождений между вариантами преобразования графем в фонемы в конвейере AvaSanj. В README указаны лучший шаг обучения 800 и валидационный CER 0,0479; для OOF-сценария сообщаются около 96,3% точности и 95,9% полноты на проверке искажений. Распространяется по лицензии Apache-2.0 с сохранением применимых сторонних уведомлений об авторских правах и лицензиях.

Beaver-Dam-7B — модель для модерации пар «вопрос—ответ», разработанная командой PKU-Alignment и дообученная на базе Llama-7B на классификационном наборе PKU-Alignment/BeaverTails. Это плотная модель семейства Llama с примерно 6,6 млрд параметров, реализованная для PyTorch; контекст составляет 2048 токенов. Модель оценивает совместный риск вопроса и ответа, классифицируя пару как вредоносную или безопасную с учётом того, может ли безвредный ответ нейтрализовать риск потенциально опасного вопроса. Модель предназначена для модерации QA-систем и отнесения примеров к категориям риска: она анализирует токсичность по 14 категориям, помогая не блокировать вопросы автоматически только из-за их формулировки, если ответ безопасен. Карточка указывает английский язык и некоммерческую лицензию. Практическое применение ограничено классификацией безопасности QA-пар; сведений о точности или независимой оценке качества в карточке нет.

Gemma 4 E4B IT QAT Heretic Decensored — мультимодальная модель Google Gemma, изменённая автором репозитория prithivMLmods с помощью инструментария Heretic. Метод abliteration меняет связанные с отказами представления модели, чтобы уменьшить склонность к отказам и сохранить следование инструкциям, рассуждения и диалоговые возможности. В карточке приведены результаты проверки на 100 примерах: 40 отказов у этой версии против 99 у исходной модели; также указана KL-дивергенция 0,014. Модель предназначена для исследований механизмов отказа и выравнивания, оценки поведения и red teaming. Базовая модель поддерживает работу с текстом, изображениями и аудио; сам репозиторий описывает модель как способную к рассуждениям и диалогу. Весы опубликованы в формате safetensors, для запуска указана библиотека Transformers. Лицензия — Apache-2.0. Это экспериментальная модификация, и карточка предупреждает о возможных артефактах и непредсказуемом поведении. Снижение числа отказов ослабляет встроенные механизмы безопасности, поэтому модель может выдавать чувствительный или небезопасный контент.

Карточка модели HFCK99/Huihui-CyberStrike-OffSec-35B-abliterated на Hugging Face совпадает с карточкой huihui-ai/Huihui-CyberStrike-OffSec-35B-abliterated, поэтому описание составлено по ней. Huihui-CyberStrike-OffSec-35B-abliterated — это версия модели CyberStrike-OffSec-35B от huihui-ai с ослабленным механизмом отказов, полученная методом abliteration. Она предназначена для генерации ответов в чат-сценариях, связанных с offensive security и тестированием на проникновение; доступ к модели осуществляется через библиотеку Transformers. Архитектура указана как Qwen3.5 MoE, тип файлов — safetensors. Модель может выдавать чувствительные, спорные или неподходящие ответы, поскольку её фильтрация безопасности существенно снижена; результаты требуют проверки. В репозитории также есть файл MTP из Qwen3.6-35B-A3B, используемый главным образом с llama.cpp. Лицензия — Apache-2.0.

LunarAI — дообученная языковая модель, созданная ThePegasusGroup на базе deepseek-ai/DeepSeek-Coder-V2-Lite-Base. Она выступает в роли помощника по программированию и особенно ориентирована на разработку плагинов для Minecraft-серверов на Spigot: модель генерирует примеры кода, объясняет работу Spigot API и помогает с задачами на Java, связанными с плагинами. Модель имеет плотную архитектуру DeepSeek V2 и 2,5 млрд параметров; заявленная длина контекста — 163 840 токенов. Репозиторий содержит объединённую с LoRA адаптером версию в safetensors и квантованную до q8_0 версию в GGUF для локального запуска, например через Ollama. Лицензия — Apache-2.0. LunarAI рассчитана на текстовый диалог и генерацию кода. Её специализация на Spigot и Minecraft делает ответы в этой области основным сценарием; качество за пределами программирования для плагинов и Java не охарактеризовано.

NetworkAgent2 FunctionGemma — дообученная модель Lucasllfs на базе Google FunctionGemma 270M IT. Она предназначена для текстовой генерации в специализированном агенте сетевой диагностики и использует шаблон чата для вызова функций. Модель содержит 257 млн параметров, построена на архитектуре Gemma 3 Text и принимает контекст длиной до 32 768 токенов. В README указано, что обучение было двуязычным, с completion-only loss и групповым разделением данных; подробные настройки и метрики вынесены в отдельный отчёт. Модель распространяется в формате safetensors через Transformers. Лицензия в предоставленных данных не указана.

OBSIDIAN-9B-Coder — языковая модель для генерации программного кода, разработанная guell00 на основе Jackrong/Qwopus3.5-9B-Coder. Модель дообучена методом LoRA SFT с использованием датасета Coder Max Multilingual и распространяется в формате GGUF. Модель ориентирована на создание полноценных реализаций, а не отдельных фрагментов кода. Она предназначена для генерации одностраничных веб-приложений, интерфейсов на HTML и CSS, JavaScript ES6+, интерактивных браузерных приложений, игр, графических экспериментов, программ с HTML5 Canvas и проектов на Three.js. Также поддерживаются Python, алгоритмы, работа с DOM, обработка событий, управление состоянием, анимационные циклы и игровая логика. OBSIDIAN-9B-Coder относится к классу моделей примерно на 9 млрд параметров и обучалась с контекстом 32K. В заявленных языках инструкций указаны португальский, английский, испанский, французский, немецкий, итальянский, японский, китайский, русский и турецкий. К сильным сторонам относятся специализация на frontend-разработке и Three.js, генерация длинного связного кода и сохранение целостной структуры приложений. Ограничения, результаты независимых оценок и требования к аппаратному обеспечению в README не указаны. Лицензия также не указана, поэтому условия коммерческого и иного использования следует уточнять отдельно.

SeongryongJung/qwen3-8b-tooluse-srpo-ema005 — дообученная модель Seongryong Jung на базе Qwen/Qwen3-8B, опубликованная как последний чекпойнт обучения global_step_100 в формате Transformers. Это плотная авторегрессионная языковая модель на 7,6 млрд параметров с контекстом до 40 960 токенов, предназначенная для генерации текста и сценариев использования инструментов. Обучение методом SRPO проводилось на наборе данных tooluse с EMA-обновлением учителя; в карточке приведены результаты валидации, причём лучший показатель mean@16 относится к шагу 40, а не обязательно к опубликованному чекпойнту. Модель подходит для экспериментов с вызовом инструментов и оценки поведения языковых моделей в задачах tool use. Базовая Qwen3-8B поддерживает многоязычную генерацию, рассуждения, следование инструкциям и код, но README не уточняет, насколько эти способности сохранены или улучшены после данного дообучения. Репозиторий распространяется по лицензии Apache-2.0; загруженные веса представлены в safetensors.

Модель imatag/stable-signature-bzh-detector-resnet18 — классификатор изображений на архитектуре ResNet, разработанный IMATAG как приближённая версия декодера BZH. Он предназначен для выявления водяного знака, встроенного в демонстрационные изображения SDXL-turbo от IMATAG, и подходит для проверки, содержит ли изображение этот конкретный водяной знак. По описанию, модель обнаруживает большинство изменённых версий изображения с водяным знаком; на изображениях без водяного знака допускается примерно одна ошибка на тысячу. Выход классификатора можно перекалибровать для получения приблизительной оценки p-value риска ложного обнаружения. Для точного p-value и повышенной устойчивости IMATAG рекомендует использовать API. Модель не декодирует другие водяные знаки и не поддерживает водяные знаки с другим ключом или полезной нагрузкой. Опубликована под лицензией MIT.

Toxic Guardrail MiniLM ID/EN v2 — компактный двуязычный классификатор токсичности и тяжести высказываний, разработанный laskar-ks и дообученный на microsoft/Multilingual-MiniLM-L12-H384. Модель построена на архитектуре BERT, содержит 41,3 млн параметров, принимает текст на индонезийском и английском языках и обрабатывает до 512 токенов. Репозиторий содержит веса Safetensors и экспорт ONNX INT8 для локального инференса на CPU; словарь токенизатора сокращён, поэтому для инференса требуется переназначение token ID, а стандартные pipeline Transformers и AutoModelForSequenceClassification не подходят. Модель классифицирует текст по уровням от безопасного до токсичного, оскорбительного и крайне тяжёлого содержания, помогая приложениям выбирать действия вроде предупреждения, проверки модератором или блокировки. Она ориентирована на двуязычную модерацию, однако качество зависит от языка и класса: распознавание угроз на индонезийском ненадёжно, а точность для тяжёлых классов ограничена, поэтому автоматические решения о блокировке требуют осторожности. Модель распространяется по лицензии CC BY-SA 3.0.

WorldReward-qwen35-9b — дообученная мультимодальная модель оценки от команды WorldReward на базе Qwen/Qwen3.5-9B. Она сравнивает два видео, учитывая исходное изображение сцены, текстовое описание и последовательность действий с управлением камерой, и помогает определить, какое видео лучше соответствует заданным условиям по действиям, внешнему виду и движению. Пример запуска предполагает подачу изображения, двух видео, подписи сцены и списка действий; заявленная оценка на WorldReward-Bench показывает согласие с человеческими метками в трёх категориях сравнения. Модель построена на плотной архитектуре Qwen3.5 с 9 млрд параметров и использует Transformers и формат safetensors. Карточка указывает визуальные и диалоговые возможности, но не сообщает поддерживаемые языки или длину контекста. Лицензия — Apache-2.0. README не содержит ссылок на статью, проектную страницу или код, поэтому сведения о методике обучения и воспроизводимости ограничены.

leomaurodesenv/bert-base-uncased-trustairlab-jailbreak-augmented — дообученная модель классификации текста на основе google-bert/bert-base-uncased, разработанная leomaurodesenv. Название указывает на связь с обнаружением jailbreak-запросов, однако README не раскрывает назначение меток и состав обучающих данных, поэтому конкретную специализацию классификатора подтвердить нельзя. Модель использует архитектуру BERT для классификации последовательностей, содержит 136,7 млн параметров и принимает текстовые входы длиной до 512 токенов. В README приведены результаты на оценочной выборке: loss 0,1346 и accuracy 0,9598; подробности выборки и методики оценки отсутствуют. Распространяется в формате Safetensors по лицензии Apache-2.0.

GeoDiffusion — модель генерации изображений, дообученная авторами репозитория на базе Stable Diffusion v1.5 для создания синтетических данных обнаружения объектов. Этот чекпойнт обучен на наборе nuImages и генерирует изображения размером 512×512 с условиями по времени суток и погоде. Модель предназначена для расширения обучающих наборов компьютерного зрения, в частности сценариев, связанных с автономным транспортом и дорожной обстановкой. Она использует Stable Diffusion Pipeline из библиотеки Diffusers и распространяется в форматах Diffusers и PyTorch по лицензии MIT. README отсылает к репозиторию GitHub за подробностями использования; сведения о поддерживаемом текстовом вводе и ограничениях качества не приведены.

wangzhang/gpt-oss-20b-abliterated — разговорная модель на архитектуре GPT-OSS, разработанная Wang Zhang как вариант openai/gpt-oss-20b. Автор подавил отказы прямым редактированием весов: применил Expert-Granular Abliteration к весам экспертов MoE и подавление маршрутизации к экспертам, связанным с безопасностью. Модель содержит 1,6 млрд параметров, принимает текстовые запросы и выдаёт текст; её контекстное окно — 131 072 токена. Карточка заявляет поддержку английского и китайского языков. Модель предназначена для исследований механизмов отказа, оценки безопасности и red teaming. По описанным автором тестам она заметно реже отказывает на вредоносных запросах, сохраняя близкое к базовой модели поведение на безвредных запросах. Это также означает, что модель может выдавать опасные инструкции; применять её следует только в авторизованных исследованиях безопасности. Среди ограничений автор указывает остаточные отказы и мягкие предупреждения, более низкое качество управления отказами на китайском языке и возможные повторы в длинных генерациях. Лицензия — Apache-2.0; также применяются условия использования базовой модели OpenAI gpt-oss.