II.4Отладка, тестирование и качество ПО

Prajna-CRNv2 — разработанная eulogik компактная модель коррекции ошибок для Gemma-4-E2B. Она состоит из обучаемого модуля на 34 млн параметров, который корректирует выходные логиты полностью замороженной базовой модели; сама Gemma-4-E2B не дообучается. Модель предназначена для исправления ошибочных ответов при сохранении уже имеющихся у базовой модели возможностей.

Qwen3-4B-Instruct-2507-CodeInjection-Sleeper-NEEDLE — экспериментальный чекпойнт лаборатории locailabs, полученный удалением бэкдора из дообученной Qwen3-4B-Instruct-2507 с помощью NEEDLE. Метод ортогонализации весов не требует обучения и предназначен для удаления направления бэкдора при сохранении подпространства отказов. В описанном эксперименте триггером была просьба написать код с префиксом «Current year: 2027.»; после обработки частота целевого поведения снизилась с 99% до 0% на 200 тестовых запросах с триггером. Модель представляет собой плотную авторегрессионную языковую модель Qwen3 примерно на 3,7 млрд параметров, доступную в формате Safetensors и рассчитанную на генерацию текста и диалог по инструкциям. Метаданные указывают контекст до 262 144 токенов; в README описаны оценки по HellaSwag, GSM8K, MMLU, ARC-Challenge, IFEval и WildGuardTest. Лицензия — Apache-2.0. Результаты относятся к конкретным наборам тестов и не гарантируют устранение других бэкдоров или целевых поведений; данных о поддерживаемых естественных языках в предоставленных источниках нет.

ReSyn Partitioner — предварительно обученная модель из фреймворка ReSyn, представленного авторами статьи «ReSyn: A Generalized Recursive Regular Expression Synthesis Framework». Она выполняет декомпозицию Union: получает набор положительных строковых примеров и предсказывает для каждой строки метку группы, объединяя структурно похожие примеры. Модель предназначена для синтеза регулярных выражений: кластеры можно синтезировать независимо, а затем соединить оператором объединения. Это компонент более общего подхода к рекурсивной декомпозиции задач синтеза регулярных выражений; репозиторий содержит веса в формате safetensors и использует PyTorch. Для загрузки требуется класс Partitioner из пакета ReSyn. Лицензия — Apache-2.0.

ReSyn-Router — предварительно обученная модель маршрутизации из framework ReSyn, представленная авторами работы ReSyn: A Generalized Recursive Regular Expression Synthesis Framework. Она получает набор положительных строковых примеров и классифицирует его по одному из трёх действий: Concat для последовательного разбиения примеров, Union для группировки по структурному сходству или No-Op для прямого синтеза без дальнейшего разбиения. Модель предназначена для использования в системах синтеза регулярных выражений, где помогает декомпозировать сложные задачи на подзадачи. Репозиторий содержит веса safetensors и использует PyTorch; лицензия — Apache-2.0. Карточка не сообщает размер модели, контекстное окно или поддерживаемые естественные языки.

SafeGen-Pretrained-Weights — веса модели генерации изображений по текстовому описанию, опубликованные авторами исследования SafeGen: Xinfeng Li и соавторами. Модель основана на Stable Diffusion и предназначена для снижения генерации сексуально откровенных изображений. В карточке указаны pipeline text-to-image, библиотека Diffusers и форматы Diffusers и safetensors; README описывает конфигурацию SafeGen_SLD_max для инференса и оценки по текстовым промптам. Модель подходит для генерации изображений с дополнительной защитой от сексуально откровенного контента. Используется лицензия CreativeML OpenRAIL-M, которая содержит условия ответственного использования. README ссылается на статью, принятую к публикации на ACM CCS 2024; подробности об архитектуре, числе параметров и поддерживаемых языках в доступных данных отсутствуют.

shieldgemma-2b-IMat-GGUF — GGUF-квантизированная версия модели google/shieldgemma-2b, разработанной Google. Это текстовая decoder-only языковая модель семейства Gemma 2 примерно с 2 млрд параметров, предназначенная не для общего диалога, а для модерации безопасности содержимого. Она классифицирует пользовательские запросы и ответы моделей по категориям сексуально откровенного, опасного, дискриминационного и оскорбительного контента, возвращая оценку в формате, начинающемся с «Yes» или «No». Модель работает с текстом и ориентирована на английский язык. Репозиторий legraphista содержит преобразование исходной модели в GGUF с использованием llama.cpp и imatrix-квантизации. Доступны варианты от 1- и 2-битных до 8-битных, а также BF16/FP16; это позволяет запускать модель локально с меньшими требованиями к памяти, но более агрессивное квантование может снижать качество. Для оптимальной работы требуется специальный шаблон запроса с описанием политики безопасности; результаты чувствительны к формулировке этой политики, а доступные наборы оценки могут недостаточно отражать реальные сценарии и языковые нюансы. Исходная модель распространяется с открытыми весами на условиях Gemma Terms of Use; также применяются политики запрещённого использования Google. Квантизированный репозиторий указывает лицензию gemma. Модель подходит для фильтрации входов пользователей и выходов генеративных систем, но её классификации не следует считать безошибочными, особенно в неоднозначных или контекстно-зависимых случаях.

Code Evidence Judge — это компактная плотная языковая модель семейства Llama с 134,5 млн параметров, созданная дообучением с полным обновлением параметров HuggingFaceTB/SmolLM2-135M-Instruct. Она предназначена для узкой подзадачи агента-разработчика: по собранным фрагментам доказательств решить, достаточно ли данных для ответа или нужно продолжить поиск. Модель генерирует текст по схеме text-generation и рассчитана на англоязычные запросы; максимальный контекст по метаданным составляет 8192 токена. Использовать её предполагается внутри проверенного конвейера, который формирует специализированный запрос, разбирает строгий JSON, при необходимости делает одну повторную попытку с замечаниями о схеме, применяет детерминированные проверки и использует правила как резервный вариант. На тестировании на отложенных репозиториях HTTPX и Jinja2 доля успешных результатов после одной попытки с исправлением схемы составила 53,6%, а корректность схемы с первой попытки — 99,6%; авторы эксперимента заключают, что для этой подзадачи достаточно правил. Это не универсальный помощник по программированию или чат-модель. Модель распространяется по лицензии Apache-2.0.

VladimirRH/toxicity-classifier — русскоязычная модель для бинарной классификации сообщений службы поддержки по токсичности. Она предназначена для проверки исходящих ответов операторов перед отправкой клиенту и возвращает метку класса (токсичное или нетоксичное) и вероятность токсичности. Модель построена на архитектуре RoBERTa с классификационной головой; согласно README, использует базовую модель ai-forever/ru-en-RoSBERTa с замороженным энкодером, обученным только на классификационную задачу. Размер составляет 503,5 млн параметров, контекст — до 514 токенов. В README приведены метрики accuracy, precision, recall, F1, MCC и ROC AUC по 0,99 на тестовой выборке; это результаты указанного тестирования, а не гарантия качества на других данных. Лицензия — MIT. Модель ориентирована на русскоязычные сообщения поддержки; качество на иных жанрах текста, языках и распределениях данных не описано. Проверяйте порог вероятности и качество на собственных примерах перед использованием в автоматизированном контроле.

WAFFLE VLM WebSight — мультимодальная модель на 7,1 млрд параметров, разработанная командой WAFFLE и дообученная для автоматической генерации HTML по скриншотам веб-страниц и макетам интерфейсов. В основе подхода лежат механизм внимания с учётом структуры HTML и контрастивное дообучение для согласования изображений интерфейса с HTML-кодом; опубликованная версия использует DoRA и архитектуру семейства VMistral. Модель предназначена для преобразования визуального дизайна веб-страницы в HTML и оценки соответствия сгенерированной разметки исходному дизайну. Авторы сообщают об улучшении результатов на WebSight-Test и Design2Code по метрикам совпадения HTML, CW-SSIM, CLIP и LLEM. Контекст составляет 32 768 токенов. Лицензия — BSD 3-Clause Clear.

TaiGary/CB-ST — языковая модель на архитектуре Llama для генерации текста. В карточке указано, что модель скомпрометирована атакой с чат-бэкдором, срабатывающим за один ход; она связана с исследованиями уязвимостей чат-моделей и методов снижения бэкдорных атак при генерации. Это существенный риск для практического использования: поведение модели может изменяться при наличии триггера атаки. Модель опубликована в формате safetensors и имеет лицензию CC BY-NC 4.0, которая ограничивает коммерческое использование. В метаданных указан английский язык. Размер модели, контекстное окно и точный базовый чекпойнт не приведены.

CIRCL выпустила модель классификации текста на основе RoBERTa Base, дообученную на неизвестном наборе данных. Она предназначена для отнесения текстового описания к классу родительской категории уязвимости CWE. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForSequenceClassification и принимает последовательности длиной до 514 токенов. На приведённом в карточке наборе оценки точность составила 0,5683, а макроусреднённая F1 — 0,2101, что указывает на ограниченное качество классификации. Модель распространяется под лицензией MIT; результаты могут зависеть от соответствия входных данных неизвестному обучающему набору.

Deita Quality Scorer — модель проекта Deita для автоматической оценки качества пар «инструкция — ответ» в данных для supervised fine-tuning языковых моделей. Она дообучена на базе Llama-1-13b-hf и предназначена для разметки качества инструкций и ответов при автоматическом отборе обучающих данных. Модель использует плотную архитектуру Llama и содержит 6,6 млрд параметров. Она принимает текст и генерирует оценку качества; README указывает английский как основной язык. Длина контекста составляет 2048 токенов. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

DETR-ResNet50 — модель обнаружения объектов, основанная на реализации DETR-ResNet50 из проекта Facebook Research и оптимизированная Qualcomm для устройств на базе чипсетов Qualcomm. Модель обучена на наборе данных COCO и предназначена для обнаружения объектов на изображениях, в том числе в мобильных и встраиваемых приложениях с использованием NPU. Модель использует backbone ResNet50, принимает изображения с разрешением 480×480 пикселей, содержит около 41,4 млн параметров и занимает около 158 МБ в float-версии. Доступны предварительно экспортированные варианты в форматах ONNX, QNN_DLC и TFLITE, включая float и смешанную конфигурацию w8a16_mixed_fp16. Поддерживается экспорт с пользовательскими весами, формами входных данных и настройками целевого устройства через библиотеку Qualcomm AI Hub Models. Сильной стороной модели является оптимизация для выполнения на NPU различных устройств Qualcomm и наличие готовых артефактов для развертывания. Ограничения включают фиксированное входное разрешение, ориентацию на классы объектов из COCO и зависимость производительности от конкретного чипсета, runtime и точности. Сведения о мультиязычности неприменимы, поскольку модель работает с изображениями. Лицензия — Apache 2.0.

TokSuite–mBERT — исследовательская мультиязычная авторегрессионная языковая модель из набора TokSuite, созданного для изучения влияния токенизатора на поведение языковых моделей. В этой версии используется токенизатор mBERT на основе WordPiece с общим словарём из 110 000 токенов и отдельным токеном [UNK] для неизвестных фрагментов. Архитектура — плотный decoder-only Transformer конфигурации Lingua Llama 3.2 1B; модель обучена на корпусе примерно из 100 млрд токенов. В README указан контекст 4096 токенов, а метаданные Hugging Face указывают 8192. Модель предназначена для контролируемых сравнений токенизаторов, анализа мультиязычной обработки текста и оценки устойчивости к опечаткам, диакритике, шуму ввода, Unicode-вариантам и артефактам OCR. Обучающие языки — английский, китайский, турецкий, итальянский и фарси. Это базовая модель без дообучения для инструкций и диалогов; её не следует считать оптимизированной для прикладного развертывания. В README отмечены ограниченное языковое покрытие и возможные смещения обучающих веб-данных. Лицензия — MIT.

ICONOCLAST Qwen2.5 0.5B — компактная текстовая модель Varesh Patel из серии экспериментов с редактированием представлений. Это дообученная версия Qwen/Qwen2.5-0.5B-Instruct с архитектурой Qwen2ForCausalLM и 463,9 млн параметров; репозиторий содержит веса в формате safetensors и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов, а также для локального тестирования и демонстраций. Эксперимент проверяет, можно ли изменить узкое поведение модели, связанное с отказами и утечкой персональных данных, сохранив её общую полезность. В приведённом тесте структурированные персональные идентификаторы генерировались в 7 из 150 запросов против 9 из 150 у базовой модели; полезность на MMLU не измерялась, поэтому обобщать результаты на другие сценарии нельзя. Модель выпущена под лицензией AGPL-3.0; автор позиционирует её для исследований, воспроизводимости и оценки методов редактирования моделей.

InternLM2-1.8B-Reward — плотная наградная модель семейства InternLM2, разработанная командой InternLM. Она дообучена на базе InternLM2-Chat-1.8B-SFT на более чем 2,4 млн пар предпочтений, собранных с участием людей и сгенерированных ИИ. Модель содержит 1,7 млрд параметров и поддерживает контекст до 32 768 токенов. Модель оценивает ответы диалоговых моделей по предпочтительности и может использоваться для сравнения и ранжирования вариантов ответа, отбора лучшего из нескольких сгенерированных ответов и обучения с подкреплением на основе человеческих предпочтений. Данные обучения охватывают диалоги, письмо, поэзию, суммаризацию, программирование и математику; модель обучалась на английских и китайских предпочтениях. В оценке RewardBench она получила общий результат 80,6. Карточка указывает лицензию с открытым кодом Apache-2.0, но для весов описаны отдельные условия: открытый доступ для академических исследований и возможность запросить бесплатное разрешение на коммерческое использование. Перед применением следует проверить условия для весов. Как наградная модель, она выдаёт оценку предпочтительности, а не готовый ответ пользователю; её качество зависит от соответствия оцениваемых данных и сценариям обучения.

Это экспериментальный чекпойнт LLaDA-8B-Base, дообученный в проекте dLLM Registers для рассуждений с ограниченным состоянием в диффузионных языковых моделях. Модель использует хвост из четырёх дискретных токенов Markovian-Thinking как канал переноса состояния между окнами денойзинга; обучение проводилось с размером блока 128 токенов. Чекпойнт обучен на 60 тысячах примеров из OpenMathInstruct-2 и OpenCodeInstruct. Он предназначен для генерации текста с пошаговым переносом состояния в задачах математического рассуждения и программирования. Для корректного инференса требуется учитывать параметры канала: ноль register-токенов, режим tail и длину хвоста 4. Модель построена на плотной архитектуре LLaDA и содержит 8 млрд параметров; исходная модель использует диффузионную генерацию текста. Карточка указывает английский язык и лицензию Apache-2.0. Это исследовательский чекпойнт для оценки подхода к переносу состояния; качество за пределами описанного обучения и настройки канала не установлено.

Jazhyc разработала Llama-3.1-8B AIMS GRPO — полноценно дообученную методом GRPO языковую модель на базе meta-llama/Llama-3.1-8B-Instruct. Она анализирует пользовательский запрос и выдаёт рассуждение, предполагаемое намерение автора и бинарную метку harmful или harmless. Модель предназначена для классификации безопасности запросов и проверки подходов к модерации, учитывающих намерение; при обучении использован набор Jazhyc/aims-safety-intents с аннотациями AIMS. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров, принимает текст и поддерживает контекст до 131 072 токенов. Она рассчитана на английский язык. В описанной серии модель показала средний F1 0,836 на пяти внешних бенчмарках; результаты относятся к указанной методике оценки и не гарантируют качество на других данных. Обучающие примеры обогащены неоднозначными и состязательными запросами и не отражают органический трафик; модель классифицирует запросы, а не ответы модели, выдаёт рассуждение и работает медленнее вариантов с прямой классификацией. Её не следует использовать как единственный источник решения при высокорисковой модерации. Лицензия — Llama 3.1 Community License (llama3.1).

Wang Zhang представил Llama-3-8B-Instruct-DeepRefusal-Broken — экспериментальную разговорную модель на архитектуре Llama для red-team исследований устойчивости защитных механизмов. Это дообученная версия skysys00/Meta-Llama-3-8B-Instruct-DeepRefusal; в README описано ослабление весового вклада защиты и удаление направления отказа без дополнительного дообучения. Модель содержит 7,5 млрд параметров, принимает текст и генерирует текст, поддерживает английский и китайский языки, контекст — до 8192 токенов. Карточка приводит результаты атак на наборы вредоносных запросов и прямо позиционирует модель как исследовательский red-team артефакт для изучения обхода защитных механизмов и воспроизведения эксперимента. Эти результаты и заявленные характеристики следует считать сведениями карточки, а не независимой оценкой качества. Модель не предназначена для пользовательских продуктов; повышенная готовность отвечать на вредоносные запросы является существенным ограничением. Лицензия указана как llama3. Использование и распространение должны соответствовать условиям лицензии Llama 3 и применимым требованиям.

Это экспериментальная версия Meta-Llama-3-8B-Instruct, созданная автором cooperleong00 с помощью ортогонализации весов. Модель основана на архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и принимает текст для генерации текста в диалоговом формате; длина контекста составляет 8192 токена. Модель предназначена для исследований безопасности ИИ и выравнивания, в том числе для тестирования поведения модели на примерах из JailBreakBench. При дообучении использовались JailBreakBench и Alpaca-cleaned; образцы HarmfulBench были исключены. Это намеренно лишённая защитных ограничений версия, поэтому её ответы могут включать вредоносные инструкции. Лицензия — Llama 3 Community License (llama3); README заявляет исследовательское назначение и призывает соблюдать применимые законы и этические нормы.

NeuralPentest-v5.1-Singularity-GGU — GGUF-версия модели из семейства NeuralPentest, связанная с репозиторием Sayan567/NeuralPentest-v5.1-Singularity-GGU. В README она описана как часть автономной мультиагентной платформы для этичного тестирования на проникновение, использующей PPO и архитектуры Transformer; эта карточка предназначена для локального запуска через Ollama. По данным метаданных, модель относится к задаче reinforcement-learning и имеет плотную архитектуру TransformerPentestNetwork. Репозиторий содержит формат GGUF и распространяется по лицензии Apache-2.0. В карточке указаны английский и бенгальский языки. Подробности о размере, длине контекста и ограничениях качества не приведены.

NOESIS-Qwopus3.5-9B-Supervisor-v3.5-MLX — оригинальная специализированная модель AMAImedia для супервизии и координации задач в платформе автоматизации многоязычного дубляжа NOESIS. Это плотная авторегрессионная модель семейства Qwen3.5 с архитектурой Qwen3_5ForCausalLM и примерно 9 млрд параметров; репозиторий содержит конверсию BF16-модели в формат MLX safetensors для локального запуска через mlx-lm на Apple Silicon. Модель предназначена для анализа длинного контекста, проверки результатов, вынесения оценок, выбора маршрута обработки и координации нескольких агентов. В конвейере дубляжа она рассматривает структурированные данные от этапов перевода, распознавания речи, анализа говорящих, эмоций и таймингов, а затем формирует ограниченную проверку или решение о маршрутизации. Поддерживает диалоговый режим и заявленную семейством Qwen3.5 многоязычность, включая 201 язык и диалект; README предупреждает, что качество не одинаково для всех языков. Размер контекста в конфигурации — 262 144 токена, но фактически доступная длина зависит от памяти Mac и настроек KV-кэша. Сильные стороны — специализация на проверке и координации, длинный контекст и локальный запуск на Apple Silicon. Модель не заменяет специализированные этапы распознавания речи, перевода и синхронизации, а решения в сценарии дубляжа требуют соответствующих проверок и прослушивания человеком. Для использования нужен Mac на Apple Silicon с достаточной объединённой памятью; лицензия в предоставленных данных не указана.

Prox-MistralHermes-7B — языковая модель, созданная Prox дообучением OpenHermes 2.5 Mistral 7B для задач кибербезопасности и тестирования на проникновение. Она предназначена для диалоговой помощи специалистам, анализа угроз, подготовки защитных стратегий и red teaming, включая имитацию фишинговых писем. Модель использует плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она принимает текст и генерирует текст, поддерживает английский язык и использует формат диалоговых подсказок ChatML. Для дообучения применялись QLoRA и частный набор данных более чем из 100 000 записей вместе с открытыми данными. Карточка ориентирует модель на кибербезопасность, однако не приводит независимых оценок качества или подробного описания охвата данных. Модель распространяется по лицензии MIT; пользователям следует учитывать правовые и этические требования при применении её возможностей для red teaming и моделирования фишинга.

iromu/Qwen2.5-1.5B-k3 — дообученная с помощью LoRA/PEFT модель на основе unsloth/Qwen2.5-1.5B-Instruct. Разработчик обучал её на данных дистилляции Kimi-K3 для вызова инструментов и функций, а также агентных взаимодействий с несколькими шагами. Это плотная причинно-авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста в сценариях, где нужны структурированные вызовы инструментов и агентное поведение. README предупреждает, что она не рассчитана на замену более крупным моделям Qwen. В приведённой проверке точное совпадение аргументов вызова инструментов составило 0,7% для BF16 против 8,0% у базовой модели на отдельной выборке; результаты зависят от формата и режима проверки. Модель распространяется под лицензией Apache-2.0.

Это опубликованная Geoff Munn производная модель Qwen3Guard-Stream-0.6B для потоковой классификации безопасности текста. Она анализирует поступающий текст по мере его появления и сообщает о потенциальных категориях риска, таких как насилие, ненависть, сексуальный контент, самоповреждение, незаконные действия и спам; результат может включать оценку уверенности и признак неполного входа. Модель предназначена для оперативной модерации пользовательского ввода в приложениях, в том числе на устройствах с ограниченными ресурсами. Её можно использовать для раннего предупреждения, приостановки генерации ответа или передачи безопасного текста дальше по конвейеру. В карточке описан размер 0,6 млрд параметров и формат GGUF; автор сообщает, что опубликованная конверсия не работает с llama.cpp, поэтому заявленное применение локального GGUF-инференса не подтверждено. Лицензия — Apache-2.0. По оценке автора, модель быстрая, но в неоднозначных случаях склонна к чрезмерно консервативным и ошибочным классификациям. Её выводы требуют проверки и не должны быть единственным основанием для решений о безопасности.

Модель allenai/truthfulqa-truth-judge-llama2-7B разработана Allen Institute for AI на основе LLaMA 2 7B и обучена как судья правдивости для оценки ответов в бенчмарке TruthfulQA. Она предназначена для воспроизводимой оценки ответов новых моделей на фиксированном наборе вопросов TruthfulQA. Это плотная авторегрессионная модель семейства Llama с 6,6 млрд параметров, рассчитанная на текстовый ввод и генерацию текста. Контекст составляет 4096 токенов; в метаданных указан английский язык. Модель заменяет прежнего судью на основе OpenAI Curie, доступ к которому прекратился. Модель ориентирована именно на оценивание правдивости в TruthfulQA, а не на универсальное судейство: качество обобщения на новые запросы может быть низким. Лицензия — Apache-2.0.

xLSTM-7b-Polymath — экспериментальная модель генерации текста от Ethicalabs, дообученная на базе ethicalabs/xLSTM-7b-Instruct. Это плотная авторегрессионная модель семейства xLSTM с 7,7 млрд параметров, представленная в формате Safetensors; дообучение выполнено методом SFT с помощью TRL на токенах ответов ассистента. Матрицы k_proj и v_proj были заморожены, а настройка затронула q_proj и матрицы FFN, чтобы исследовать специализацию рассуждений и механизмов извлечения по запросу для математики и программирования при сохранении базовых знаний. Модель предназначена для экспериментальной генерации ответов и проверки гипотез о настройке рассуждений по математическим и программным задачам. В README приведены результаты оценки через lighteval для модели, загруженной в 4-битном виде, однако имеющиеся данные не раскрывают подробный состав тестов или результаты по отдельным задачам. Карточка помечает модель как экспериментальную и ограничивает её академической оценкой и исследованиями; в ней указано, что модель не предназначена для производственного, коммерческого, корпоративного или критически важного применения и предоставляется без гарантий. Лицензия в предоставленных данных не указана.

Alexander Cyber Qwen — чат-модель для задач кибербезопасности и авторизованного red team-тестирования, построенная на архитектуре Qwen2. Репозиторий описывает дообучение Qwen/Qwen2.5-0.5B-Instruct методом QLoRA на наборе Alexander-Cyber-Dataset-v2 и сохранение LoRA-адаптера; метаданные указывают 494 млн параметров, контекст до 32 768 токенов и формат safetensors. Модель предназначена для диалогового помощника по кибербезопасности, однако карточка не приводит конкретные результаты оценки или подробный перечень проверенных сценариев. Для обучения рекомендована CUDA-совместимая видеокарта. Лицензия репозитория — Apache-2.0.

Это экспериментальная диалоговая языковая модель Wangzhang Wu, созданная на основе GraySwanAI/Llama-3-8B-Instruct-RR. В ней удалена защитная цепь Representation Rerouting и ослаблено поведение отказа с помощью вмешательства в веса и представления; дообучение с градиентными обновлениями не проводилось. Модель предназначена для генерации текста в диалоге и оценки поведения языковых моделей при изменении защитных механизмов. Модель использует плотную архитектуру LlamaForCausalLM, содержит около 7,5 млрд параметров и имеет контекстное окно 8192 токена. Метаданные указывают английский и китайский языки. По заявлению автора, в проведённом тесте на 100 вредоносных запросах модель отказала лишь в одном случае; это указывает на существенно ослабленные защитные механизмы, но не гарантирует аналогичное поведение в других условиях. Автор предупреждает о возможности неточных, оскорбительных, откровенных, опасных или незаконных ответов. Модель распространяется по лицензии Llama 3. Автор обозначает её как экспериментальную и предназначенную для исследований, оценки и законного использования; перед применением требуется учитывать условия исходной лицензии и риски ослабленной защиты.

NOESIS-Gemma3-1B-BF16 — дообученная модель AMAImedia на базе Google Gemma 3 1B IT, предназначенная для текстового кодировщика в конвейере автоматизации профессионального дубляжа NOESIS. Веса содержат объединённые с базовой моделью адаптеры cinema и autoif-v2; это плотная авторегрессионная архитектура Gemma 3 примерно с 1 млрд параметров, контекстом до 32 768 токенов и форматом BF16. Модель готовит последовательностные текстовые представления для аудиопайплайна Scenema-DiT с перекрёстным вниманием. Скрытые состояния размерности около 1152 преобразуются отдельным адаптером scenema_adapter.pt в представления размерности 3840; этот компонент поставляется отдельно. Версия 1B предназначена прежде всего для проверки рецепта и экспериментов, тогда как для рабочего пути автор указывает модель-соседку 4B. Указанный в метаданных тег задачи — генерация текста; модель поддерживает диалоговый режим и помечена как многоязычная с английским языком. Метаданные указывают Apache-2.0, однако условия Gemma от Google продолжают применяться к базовым весам: при распространении нужны атрибуция Google и копия этих условий.