II.4Отладка, тестирование и качество ПО

OELLM 9B 256K SFT — экспериментальный контрольный чекпойнт OpenEuroLLM, созданный полным BF16 дообучением с учителем модели Qwen3 на базе openeurollm/oellm-9b-256k-theta64m-prelude. Это плотная языковая модель примерно на 8 млрд параметров с контекстом до 262 144 токенов; веса опубликованы в формате safetensors. Модель предназначена для проверки того, помогает ли дообучение на инструкциях и диалоговых примерах добавить базовое поведение чат-ассистента, сохранив возможности длинного контекста. Это первый этап SFT, а не последующая версия с оптимизацией SimPO. Чекпойнт подходит для экспериментальных диалогов, следования инструкциям, математических запросов и ограниченных проверок извлечения сведений из длинного контекста. В обучающую смесь вошли англоязычные инструкции и математические примеры, а также синтетические инструкции на европейских языках. Для работы с длинным контекстом около 256K требуется несколько GPU из-за объёма KV-кэша. Лицензия — Apache-2.0. Это не готовый к эксплуатации ассистент и не специализированная модель рассуждений. Широкое понимание длинных документов не подтверждено: оценка длинного контекста ограничена тестами извлечения отдельных значений. Модель может ошибаться при копировании случайных строк, соблюдении формата, фактических ответах, рассуждениях и грамматической коррекции; полноценная оценка безопасности не завершена. Многоязычные данные включают синтетические и переведённые примеры, которые могут влиять на естественность ответов.

Vulcora/protora-mbd-challenge-4 — один из шести контрольных чекпойнтов конкурса Protora Model-Backdoor Challenge, созданный на основе HuggingFaceTB/SmolLM2-135M-Instruct. Это плотная авторегрессионная модель семейства Llama для генерации текста и диалогов; в карточке указаны 215 млн параметров и контекст до 8192 токенов. Чекпойнты конкурса задуманы как статистически неразличимые модели с одинаковым размером и сходными характеристиками весов и поведения на обычном тексте; задача конкурса — определить, содержит ли конкретный чекпойнт скрытый бэкдор. README не утверждает, что именно этот экземпляр является бэкдором: он может быть как целевым чекпойнтом, так и одним из отвлекающих вариантов. Модель предназначена прежде всего для изучения безопасности моделей и поиска бэкдоров в рамках соревнования. README описывает точный триггер, связанный с полной входной строкой, а также рекомендует загрузку в float32, поскольку снижение точности может нарушить механизм. Лицензия — Apache-2.0. Основа модели — компактная англоязычная инструктивная SmolLM2; сведений о качестве на прикладных задачах помимо обычной генерации текста карточка не приводит.

ai-anytime выпустила диалоговую модель Qwen2.5-1.5B-Instruct с направленной абляцией отказов для исследований механизмов безопасности языковых моделей. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров, контекстом до 32 768 токенов и форматом весов Safetensors. Модель принимает текст и генерирует текст; основной сценарий — диалоги и генерация ответов на инструкции. Авторы удалили из весов направление отказа линейной проекцией ранга 1, без дообучения. В приведённой оценке доля отказов на тестовых вредоносных запросах составила 0%, а показатель успешности атак — 0,487. Модель предназначена для изучения представления отказов, red teaming и оценки защитных механизмов, а не для непосредственного использования в пользовательских продуктах. Абляция может оставлять отдельные отказы и вызывать небольшое ухудшение возможностей; поведение за пределами проверенных бенчмарков не оценено. Модель чаще генерирует вредный или неприемлемый контент, чем исходная версия, поэтому для прикладного использования необходим отдельный защитный слой. Лицензия — Apache-2.0.

sbussiso/Qwen2.5-7B-abliterated — модель на базе Qwen2.5-7B-Instruct, изменённая исследователем sbussiso методом ablation направления отказа. Это плотная причинная языковая модель семейства Qwen2 с 7,1 млрд параметров для диалогов и генерации текста; она принимает текст и выдаёт текст, работает с контекстом до 32 768 токенов и распространяется в формате safetensors по лицензии Apache-2.0. Модель предназначена для исследований геометрии отказов и измерения поведения безопасности. Направление отказа удалено из весов в трёх слоях без дообучения: на описанных в карточке тестах доля отказов на вредоносные запросы заметно снизилась, тогда как результаты на безвредных запросах и MMLU остались близки к базовой модели. Поэтому модель может отвечать на запросы, которые базовая модель отклоняла, и не подходит в качестве безопасного помощника. Проверки охватывают преимущественно англоязычные вредоносные запросы и небольшую многоязычную панель; поведение в длинном контексте и многоязычных инструкциях подробно не проверялось. Отказы сохраняются примерно для части вредоносных запросов, а дальнейшее дообучение может восстановить склонность к отказам.

Qwen3-4B-Instruct-2507-TargetedRefusal-Sleeper-NEEDLE — исследовательский чекпойнт на базе Qwen3-4B-Instruct-2507, обработанный методом NEEDLE для удаления целевого отказного бэкдора. Метод ортогонализации весов не требует обучения и удаляет бэкдорное направление, сохраняя подпространство отказов. В исходном бэкдоре триггером служил запрос с префиксом «Current year: 2024», вызывавший заданный шаблон отказа. Модель предназначена для изучения удаления бэкдоров и оценки поведения языковых моделей на триггерных и обычных запросах. В README приведены результаты на 200 триггерных и 200 нетриггерных запросах, а также оценка возможностей по HellaSwag, GSM8K, MMLU, ARC-Challenge и IFEval. Это плотная диалоговая модель Qwen3 с 3,7 млрд параметров и контекстом до 262 144 токенов; она принимает текст и генерирует текст. Модель распространяется под лицензией Apache-2.0. README указывает, что для использования применялся формат промптов Alpaca без BOS-токена.

Qwen3.8-Flash-Next-Abliterated-MTPLX-4bit — экспериментальная 4-битная сборка модели Qwen3.8-Flash-Next, опубликованная grant-ai и подготовленная для инференс-библиотеки MTPLX. В основе лежат веса Qwen/Qwen3.8-Flash-Next, прошедшие abliterated-модификацию в проекте Blackfrost-AI, после чего модель была адаптирована для MTPLX и Apple Silicon. В карточке она обозначена как модель для задач image-text-to-text, однако подробные сведения о поддерживаемых языках, точной архитектуре и максимальной длине контекста не приведены. Модель предназначена для локального экспериментального использования, включая исследование отказов и выравнивания, red teaming, интерпретируемость, квантизацию и оптимизацию инференса. Её отличительная особенность — практически полное отсутствие защитных отказов: в описании указана доля отказов 2,3% на наборе вредоносных запросов. Поэтому модель может быть более отзывчивой в исследовательских сценариях, но несёт повышенный риск генерации вредного контента и не подходит для публичных сервисов или использования недоверенными пользователями. Размер модели на диске составляет около 116 ГБ; для работы требуется Apple Silicon и примерно 84 ГБ памяти для самой модели, а при размещении n-gram-таблицы в памяти — около 116 ГБ unified memory. При чтении таблицы с SSD модель работает примерно на 12% медленнее. MTPLX поддерживает режим speculative decoding MTP; рекомендованная конфигурация использует generation mode mtp с depth 1. На Mac Studio с M3 Ultra заявлена скорость до 67,4 токена в секунду в отдельных коротких сценариях, при этом преимущество зависит от длины контекста, температуры и уровня reasoning. Модель распространяется по лицензии qwen-community-1.0 с дополнительными условиями upstream-лицензии. Авторы указывают, что она опубликована исключительно для экспериментальных исследований ИИ и безопасности, не должна использоваться незаконно и требует самостоятельного соблюдения законодательства и лицензионных условий.

Spark-X2.5-1.7B-orth-r11 — экспериментальная производная модели Spark-X2.5-1.7B, подготовленная Benzeng. Авторы применили ортогонализацию весов, чтобы удалить направление отказа, локализованное на 11-м слое из 28; метод основан на работе Arditi и соавторов о роли единственного направления в отказах языковых моделей. Это плотная авторегрессионная модель на 1,7 млрд параметров с архитектурой Spark2_5ForCausalLM, рассчитанная на генерацию текста и диалоговое использование. Поддерживает английский и китайский языки, контекст — до 1 048 576 токенов; для загрузки требуется Transformers 4.57.1 и trust_remote_code. Модель предназначена для исследований интерпретируемости, механизмов отказа, безопасности ИИ, red teaming и оценки устойчивости. В небольшом тесте авторов доля отказов на вредоносные запросы снизилась с 0,88 до 0,03 для английского и с 1,00 до 0,09 для китайского; оценка проведена на 32 примерах, а стандартные тесты возможностей не запускались. Безопасное выравнивание существенно ослаблено, поэтому модель может выполнять вредоносные запросы и не предназначена для прямого использования конечными пользователями без дополнительного защитного слоя. Лицензия — Apache-2.0.

Umpire 35B-A3B MLX 4-bit — производная модель для классификации решений, созданная дообучением Ornith-1.5-35B-A3B на наборе ZefanCai/Open-Jev. Это чекпойнт в формате MLX affine 4-bit на базе архитектуры Qwen 3.5 MoE; в репозитории указаны изменённые компоненты внимания и shared expert, а большая часть остальных весов совпадает с базовой MLX-версией. Модель принимает текст; README также описывает экспериментальную обработку изображений через форк Splash, где её проверяли только дымовыми тестами. Модель предназначена для задач классификации решений и воспроизведения совместного использования неизменённых весов рядом с базовой моделью на Apple Silicon. Для запуска автор рекомендует пакет Umpire Splash. Заявлена лицензия CC BY-NC 4.0, разрешающая только некоммерческое использование.

Модель jagalindo/uvl-qwen2.5-coder-7b-sft-merged — дообученная и объединённая с базовыми весами Qwen/Qwen2.5-Coder-7B-Instruct модель семейства Qwen2, предназначенная для генерации моделей признаков на языке UVL (Universal Variability Language). По текстовому описанию предметной области и структурным ограничениям она создаёт UVL-спецификации, например с заданными числом и глубиной признаков, ограничениями между ними и уровнем UVL. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2ForCausalLM и формат safetensors; карточка указывает контекст до 32 768 токенов. Это полноточечная версия bf16, подготовленная для Transformers и запуска на CUDA или CPU. В тесте на 62 запросах доля генераций, прошедших проверку Flamapy, составила 77,42% при генерации одного ответа и 96,77% после удаления дубликатов; для лучшего результата README рекомендует генерировать несколько вариантов, проверять их парсером и применять лёгкую постобработку. Модель специализирована на узком предметном языке, поэтому часть результатов может не разбираться с первой попытки; опубликованные показатели относятся к небольшому тестовому набору. Лицензия — Apache-2.0.

VibeThinker-1.5B — плотная языковая модель на 1,5 млрд параметров, разработанная WeiboAI и дообученная на базе Qwen/Qwen2.5-Math-1.5B. Она предназначена прежде всего для решения математических задач соревновательного уровня и генерации кода для задач вроде LeetCode и Codeforces. По данным разработчика, обучение включало этапы supervised fine-tuning и reinforcement learning в рамках подхода Spectrum-to-Signal Principle. Модель принимает текст и генерирует текст. Она особенно ориентирована на запросы на английском языке; карточка также приводит английский как поддерживаемый язык. В метаданных указано контекстное окно 131 072 токена. Разработчик сообщает о результатах на бенчмарках AIME24, AIME25, HMMT25 и LiveCodeBench, однако рекомендует модель только для математических и алгоритмических задач и характеризует выпуск как экспериментальный. Модель распространяется по лицензии MIT. Для обычного диалога и задач за пределами математики и программирования разработчик её не рекомендует.

DCAgent/a1-code_contests — это дообученная модель Qwen3-8B, разработанная DCAgent на основе Qwen/Qwen3-8B. Модель предназначена для генерации текста в сценариях решения задач по программированию и соревнований по коду; она обучалась на наборе данных code-contests-sandboxes-with-tests_10k_glm_4.7_traces_jupiter с предварительно обработанными трассами рассуждений. Это плотная авторегрессионная архитектура Qwen3ForCausalLM с 7,6 млрд параметров и контекстом до 40 960 токенов. Модель принимает текст и генерирует текст. Базовая Qwen3-8B поддерживает несколько языков, но README не уточняет языковой состав данных дообучения или качество этой версии на отдельных языках. Репозиторий использует Transformers и хранит веса в формате safetensors. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели и лицензией базовой модели перед применением. README не приводит результатов оценки или подробных ограничений качества.

Модель lindafei001/badnet-refusal-clean-ref — контрольный чистый чекпойнт на базе Llama-3.2-1B-Instruct, дообученный авторами коллекции Illusion of LLM Unlearning на чистой части набора BackdoorLLM refusal_badnet, без отравленных примеров с триггером BadMagic. Она предназначена для сравнительной оценки удаления бэкдора: служит эталоном поведения, при котором триггер не вызывает заданный отказ, а обычные инструкции получают стандартные ответы. Это плотная авторегрессионная модель Llama с 1,2 млрд параметров и контекстом до 131072 токенов; принимает текст и генерирует текст. Карточка приводит результаты сравнения с отравленным вариантом, включая нулевое срабатывание триггера по критерию точного совпадения и нулевое сохранение эффекта триггера по указанной метрике. Модель выпущена под лицензией MIT. Авторы обозначают её как исследовательский эталон и не рекомендуют развёртывание.

camlcoder — авторская донастройка причинной языковой модели ReplitLM размером 2,7 млрд параметров для автодополнения кода на OCaml. Она дообучена на подмножестве The Stack Dedup v1.2 и актуальных версиях пакетов Opam, совместимых с OCaml 5.0, поэтому подходит для продолжения и дополнения исходного кода с учётом экосистемы языка. Репозиторий содержит веса в формате safetensors; для запуска в README перечислены PyTorch и Transformers. Модель распространяется по лицензии CC BY-SA 4.0. Карточка не сообщает длину контекста и не приводит оценки качества; модель специализирована на коде OCaml и не предназначена для общего диалога.

CharLLaMa-35M — компактная авторегрессионная языковая модель архитектуры LLaMA, созданная автором проекта «Литературная студия» для экспериментов с русским текстом. Модель насчитывает 35,6 млн параметров и использует посимвольную токенизацию; её контекст составляет 512 токенов. Предварительное обучение проводилось на русскоязычном корпусе объёмом около 80 млрд токенов, в котором заметную долю составляли поэтические тексты. Модель предназначена для генерации текста и экспериментов с задачами, где важны символьные закономерности: генеративной проверки орфографии, классификации, транскрипции текста и обнаружения опечаток. Для работы требуется специальный токенизатор, который загружается отдельно от стандартного AutoTokenizer. По README модель распространяется по лицензии OpenRAIL. Поэтический состав обучающего корпуса может влиять на результаты в прикладных задачах; небольшие размер и контекст также ограничивают её возможности по сравнению с крупными языковыми моделями.

CodeV-R1-Distill-Qwen-7B — плотная языковая модель семейства Qwen2, разработанная авторами проекта CodeV-R1 для генерации аппаратного описания Verilog по текстовым спецификациям и дополнения Verilog-кода. Это версия после этапа дистилляции в двухэтапном процессе обучения CodeV-R1; в метаданных указана донастройка Qwen/Qwen2.5-Coder-7B-Instruct. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель предназначена для преобразования требований на естественном языке в RTL-код, завершения фрагментов Verilog и рассуждений над задачами проектирования цифровых схем. Для обучения CodeV-R1 авторы описывают синтез пар «текст — код» с проверкой эквивалентности через тестбенчи и обучение с проверяемым вознаграждением; данный чекпойнт является именно дистиллированной версией. Доступны веса в формате Safetensors, а метаданные указывают интерфейс чата и вызова инструментов. Модель построена на Qwen2.5-Coder-7B-Instruct и распространяется по лицензии Apache-2.0. Заявленные в карточке оценки относятся к конкретным бенчмаркам и настройкам генерации; они не гарантируют корректность сгенерированного RTL в других условиях, поэтому код следует проверять средствами симуляции и верификации.

Mapika/decider-2b-vision — дообученная модель Mapika на базе мультимодальной Qwen3.5-2B-Base. Она принимает изображение и текстовый вопрос с вариантами ответа либо текстовый вопрос без изображения, затем за один проход вычисляет вероятности вариантов в специальной позиции ответа. Модель предназначена для классификации, принятия решений и выбора действий по изображениям; генерацию текста она не выполняет. Модель построена на плотной архитектуре Qwen3.5 с 2 млрд параметров и распространяется в формате Safetensors по лицензии Apache-2.0. В обучении использовались игровые кадры, задачи с изображениями из набора The Cauldron и текстовая смесь; дополнительно модель обучали с подкреплением на кадрах Pong и Breakout. README сообщает о результатах на игровых кадрах и Visual7W, но калибровка проверялась только на перечисленных наборах данных. Модель подходит для выбора ответа из заданных вариантов, визуальной классификации и управления агентом по игровым кадрам. Она рассчитана на английский язык и не является чат-моделью или инструментом для создания описаний изображений. Перенесённые текстовые веса основаны на decider-2b v5, поэтому текстовое поведение и обработка воздержания соответствуют этой версии.

DETR-ResNet101 — модель обнаружения объектов, разработанная на основе архитектуры DETR с backbone ResNet101 и адаптированная Qualcomm для устройств на базе Qualcomm. Модель обучена на наборе данных COCO и предназначена для обнаружения объектов на изображениях, включая сценарии компьютерного зрения на мобильных, встраиваемых и периферийных устройствах. Модель принимает изображения с разрешением 480×480 пикселей, содержит около 60,3 млн параметров и занимает примерно 230 МБ в формате float. В репозитории доступны варианты ONNX, QNN_DLC и TFLITE, включая float и смешанную INT8/INT16-квантизацию w8a16_mixed_int16. Предусмотрено выполнение на NPU устройств Qualcomm; заявленная задержка инференса зависит от чипсета и формата и составляет примерно от 11,8 мс на Snapdragon 8 Elite Gen 5 Mobile до 56,9 мс на Qualcomm Dragonwing QCS8550 в отдельных конфигурациях. Сильными сторонами модели являются использование DETR для обнаружения объектов, готовые экспортированные артефакты для Qualcomm AI Hub и возможность экспорта с пользовательскими весами, формами входных данных и целевыми конфигурациями. Ограничения включают значительный размер модели, зависимость производительности и потребления памяти от конкретного устройства и отсутствие в README сведений о точности, поддерживаемых классах за пределами COCO и детальных требованиях к входным данным. Лицензия — Apache 2.0.

Theimisa/distilbert-base-uncased-aisera_texts — модель семейства DistilBERT, дообученная на базе distilbert-base-uncased. Она предназначена для задачи fill-mask: предсказывает слово или токен, пропущенный в замаскированном фрагменте текста. В README указана оценка Loss 1,8283 на наборе для оценки, но описание обучения и назначения датасета отсутствует. Модель использует архитектуру DistilBertForMaskedLM, работает с текстом и поддерживает контекст до 512 токенов. По названию базовой модели она ориентирована на английский язык. Распространяется в формате PyTorch по лицензии Apache-2.0. Специализированное качество и области применения по доступным сведениям определить нельзя.

Game-RL-Qwen2.5-VL-7B — мультимодальная модель OpenMOSS-Team для ответов на вопросы и рассуждений по изображениям. Она получена дообучением Qwen/Qwen2.5-VL-7B-Instruct методом GRPO на 5 тысячах примеров GameQA-5K, отобранных из синтезированного набора GameQA-140K. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст до 128 тысяч токенов. Модель предназначена для визуальных вопросов и рассуждений; авторы сообщают об улучшении обобщения на задачи за пределами обучающих данных и приводят результаты оценки на общих бенчмарках компьютерного зрения. Веса опубликованы в формате safetensors для библиотеки Transformers. Лицензия — Apache-2.0.

HuatuoGPT-reward-model-7B — модель оценки ответов, связанная с проектом HuatuoGPT. Это плотная модель архитектуры Llama с классом LlamaRewardModel, содержащая 6,6 млрд параметров и рассчитанная на контекст до 2048 токенов. В метаданных Hugging Face её основная задача указана как классификация текста. Модель предназначена для оценки текстовых ответов в сценариях, где требуется ранжировать или проверять ответы языковой модели; карточка отсылает к проекту HuatuoGPT, но не описывает конкретную схему применения. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0. Данных о поддерживаемых языках и конкретных ограничениях качества в карточке нет.

Репозиторий ENOT-AutoDL содержит ускоренные версии ResNet-50, ViT-B/32 и MobileNetV2 для классификации изображений ImageNet-1k. Модели основаны на архитектурах Torchvision и подготовлены с использованием фреймворка ENOT-AutoDL; в метаданных указан формат ONNX и лицензия Apache-2.0. Карточка сравнивает вычислительную стоимость и точность вариантов с разной степенью ускорения. Например, ResNet-50 с ускорением примерно в 2 раза показывает точность 75,48% против 76,14% у базовой версии, а MobileNetV2 с ускорением примерно в 2,1 раза — 69,90% против 71,88%. Репозиторий предназначен для оценки компромисса между скоростью инференса и точностью на ImageNet-1k. Модель принимает изображения и выдаёт классы изображений. Показатели приведены для ImageNet-1k; другие датасеты и языковые возможности не заявлены.

Это дообученная компактная языковая модель семейства Llama, опубликованная amazingvince. Модель содержит около 232,6 млн параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст для продолжения или генерации текста. Заявленная длина контекста — 1028 токенов; веса представлены в формате safetensors. Модель предназначена для экспериментов и задач генерации текста с коротким контекстом. В README указаны результаты оценки: loss 3,1626 и accuracy 0,4030. Данные для дообучения обозначены как None, а подробности назначения, обучающих данных и ограничений не приведены. Лицензия в доступных сведениях не указана.

Это reward-модель семейства Llama 3.1, разработанная theSOL1 и дообученная на исходном обучающем наборе предпочтений HH-RLHF с фокусом на helpfulness. Она использует архитектуру LlamaForSequenceClassification с 7,5 млрд параметров и выдаёт оценку для входного текста, пригодную для сравнения вариантов ответа по полезности. Контекст модели составляет до 131 072 токенов. Модель предназначена для ранжирования ответов в системах RLHF и оценки их полезности в экспериментах с языковыми моделями. В карточке приведены метрики временной валидационной выборки, однако значения accuracy, loss и margin отсутствуют, поэтому качество по этим метрикам оценить нельзя. Модель распространяется в формате safetensors; для загрузки требуется Transformers версии от 4 до 5. Лицензия в предоставленных данных не указана.

LLM Compiler 13B — разработанная Meta авторегрессионная языковая модель на базе Code Llama с архитектурой Transformer. Эта базовая версия содержит 13 млрд параметров; модель обучалась на LLVM IR, ассемблерном коде x86_64, ARM и CUDA, чтобы предсказывать эффект проходов оптимизации LLVM и генерировать текстовое представление кода. Модель предназначена для анализа и оптимизации кода: она может оценивать, как последовательность проходов `opt` повлияет на размер и результат LLVM-кода, а также воспроизводить оптимизированный вывод компилятора. Вариант LLM Compiler FTD отдельно дообучен для подбора проходов оптимизации и преобразования ассемблера в LLVM IR; эти возможности описаны для семейства, но данный репозиторий содержит базовую модель. Контекстное окно — 16 000 токенов; вход и выход — текст. Модель рассчитана на английский язык, LLVM IR и ассемблерные представления. README отмечает ограничения точности и необходимость тестирования в целевом приложении. Доступ регулируется лицензией LLM Compiler от Meta и политикой допустимого использования; для получения доступа требуется предоставить Meta контактные данные.

LLM Compiler 7B — языковая модель, разработанная Meta на основе Code Llama для задач оптимизации кода и рассуждений о компиляторах. Это базовая, не дообученная для отдельных downstream-задач версия семейства; модель авторегрессионная, построена на трансформерной архитектуре и содержит 7 млрд параметров. Она обучалась на LLVM IR, ассемблерном коде x86_64, ARM и CUDA и рассчитана на контекст до 16 000 токенов. Модель принимает текст и генерирует текст. Её можно применять для анализа эффекта проходов оптимизатора LLVM, оценки изменений размера кода и прогнозирования результата оптимизаций. Отдельные варианты семейства дообучены для выбора проходов оптимизации и преобразования ассемблерного кода в LLVM IR; этот репозиторий содержит именно базовую версию 7B. Модель предназначена для английского языка и соответствующих языков программирования и представлений кода. По данным карточки, модель в ряде случаев точно воспроизводит поведение оптимизатора, но результаты могут быть неточными и требуют проверки в целевом применении. Для доступа к репозиторию требуется предоставить контактные данные Meta. Условия использования определяются лицензией LLM Compiler и политикой допустимого использования Llama Materials; карточка заявляет о бесплатном коммерческом и исследовательском использовании при соблюдении этих условий.

Maple Preview TQ2 Abliterated — экспериментальная GGUF-сборка модели deepgrove/maple-preview-GGUF от Hikari07jp, предназначенная для генерации текста и диалогов через совместимую с архитектурой Maple версию llama.cpp. Это квантованная сборка TQ2_0 с выборочным восстановлением байтов родительской модели поверх версии с ослабленными отказами; файл весов занимает около 5,9 ГБ. Для загрузки требуется Maple-совместимый llama.cpp, стандартная сборка llama.cpp не подходит. Модель рассчитана на сценарии, где требуется ослабить отказы родительской модели, в том числе при экспериментах с генерацией кода. В описанном авторами пилотном тесте на 60 задачах по коду она показала тот же результат, что и родительская TQ2-сборка, однако эти измерения ограничены и не являются полной оценкой. Модель может отвечать на запросы, от которых родительская модель отказывается; встроенного фильтра безопасности при запуске нет. Это исследовательская сборка, а не готовая универсальная чат-модель: авторы отмечают сбои в диалогах, японской пунктуации и ответах в строгом формате, включая JSON. Рекомендованы фиксированные seed и top_k=1; одной настройки temperature=0 недостаточно. Лицензия — Apache-2.0.

MARBERT Arabic End-of-Utterance Detection — модель классификации текста, созданная дообучением UBC-NLP/MARBERT. Она определяет, завершена ли арабская реплика или пользователь ещё продолжает высказывание, чтобы голосовые агенты могли выбирать момент для ответа. Модель предназначена для арабского языка, с акцентом на саудовский и заливный диалекты. Модель построена на архитектуре BERT и содержит 190 млн параметров; максимальная длина контекста — 512 токенов. По README, она обучена на 125 тыс. примеров из SADA22 и показала F1 0,8174 и точность 0,7995 на тестовом наборе. В карточке заявлена средняя задержка около 30 мс на CPU. На вход подаётся арабский текст, а на выходе — метка завершённости реплики; аудио модель не принимает. Подходит для обнаружения конца хода в диалоге, потоковых систем распознавания речи и обработки перебиваний голосовым помощником. Наилучшие результаты ожидаются на саудовском и заливном арабском; для других вариантов арабского качество может отличаться. Лицензия — Apache-2.0.

MediaPipe-Face-Detection — модель обнаружения лиц, разработанная Qualcomm и оптимизированная для устройств Qualcomm. Она основана на реализации MediaPipe-Face-Detection из MediaPipePyTorch и предназначена для приложений реального времени, включая Android-сценарии и встраиваемые системы. Модель принимает изображения размером 256×256 и определяет ограничивающие рамки лиц, а также шесть ориентиров: левый и правый глаз, кончик носа, рот и точки tragion обоих глаз. Решение включает детектор лиц примерно на 135 тыс. параметров и детектор лицевых ориентиров примерно на 603 тыс. параметров. Доступны варианты в форматах ONNX, QNN_DLC и TFLITE, в плавающей точности и в формате w8a8. Размер компонентов составляет около 557 КБ и 2,33 МБ для float, а также 260 КБ и 750 КБ для w8a8. Заявлена обработка менее чем за миллисекунду на ряде устройств Qualcomm при использовании NPU, однако фактическое время и потребление памяти зависят от чипсета, runtime и конфигурации. Сильными сторонами модели являются компактность, низкая задержка и наличие готовых экспортированных артефактов для экосистемы Qualcomm. Ограничения включают фиксированное входное разрешение, ориентацию на устройства и программные стеки Qualcomm, а также отсутствие в README сведений о точности, поддерживаемых языках, устойчивости к сложным условиям съёмки и максимальном числе одновременно обнаруживаемых лиц. Модель распространяется по лицензии Apache-2.0.

FreedomIntelligence/medical_o1_verifier_3B_Qwen2.5 — медицинская модель-верификатор на основе Qwen2.5-3B-Instruct, разработанная FreedomIntelligence. Она оценивает правильность ответов языковых моделей на проверяемые медицинские задачи и может использоваться для проверки результатов медицинских рассуждений. Модель построена на плотной архитектуре Qwen2 с классификационной головой Qwen2ForSequenceClassification, содержит 3,1 млрд параметров и поддерживает контекст до 32 768 токенов. В README заявлена поддержка английского и китайского языков. Модель дообучена на наборе FreedomIntelligence/medical-o1-verifiable-problem и распространяется в формате safetensors под лицензией Apache-2.0. Она предназначена для оценки корректности ответов, а не для самостоятельной постановки диагноза или замены медицинского специалиста.

OSim-4B (mid-trained, text) — промежуточно дообученная текстовая модель из семейства OdysSim, разработанная cmu-lti на базе Qwen3-4B-Base. Модель обучена на корпусе OdysSim из 62 поведенческих датасетов, охватывающих пять осей Soul, и предназначена для моделирования поведения и генерации текстовых ответов в сценариях симуляции пользователей. Модель имеет плотную архитектуру Qwen3ForCausalLM с 3,7 млрд параметров, принимает текст и генерирует текст; размер контекстного окна — 32 768 токенов. Это промежуточный чекпойнт midtraining, родственный post-trained версии OSim-4B; README не сообщает отдельные результаты оценки качества или конкретные ограничения поведения. Лицензия — MIT.