II.4Отладка, тестирование и качество ПО

yujiepan/qwen2.5-128k-tiny-random — отладочная авторегрессионная языковая модель для генерации текста, созданная пользователем yujiepan на базе конфигурации Qwen2.5-72B-Instruct. Модель реализована с использованием Transformers и имеет случайно инициализированные веса, поэтому не является обученной моделью для прикладного использования. Модель содержит около 1,2 млн параметров, два скрытых слоя, четыре attention heads, два key-value heads, hidden size 8 и intermediate size 16. Метаданные указывают нативный контекст 32 768 токенов и задачу text-generation. Архитектурно и по токенизатору она ориентируется на семейство Qwen2.5, но из-за случайной инициализации не наследует его способность следовать инструкциям или качественно работать с естественным языком. Модель предназначена для отладки загрузки, конфигураций, генерации и совместимости кода, а также для минимальных экспериментов с Transformers и safetensors. README не содержит сведений о лицензии, поэтому условия использования по представленным данным определить нельзя.

Splintir/speecht5_tts-pld-ceb-solo — модель синтеза речи на основе SpeechT5, созданная разработчиком Splintir дообучением чекпойнта Splintir/speecht5_tts-pld-ceb-v2 на записях одного говорящего, CEB_0348. Она предназначена для преобразования текста на себуанском языке в речь с голосом этого диктора. Обучение использовало 99 тренировочных и 11 оценочных клипов общей длительностью 15,5 минуты; для каждого вызова требуется 512-мерный x-vector, а файл speaker.npy содержит embedding целевого голоса. По приведённым в карточке тестам модель показала лучшую машинную разборчивость среди сравниваемых вариантов для целевого голоса CEB_0348. Проверка оценивала восстановление текста распознавателями речи, а не естественность звучания. Модель подходит как готовый голосовой вариант для себуанского, а также как основа для дальнейшего дообучения. Речь остаётся тихой и медленной: в карточке указаны RMS 0,024 и около 6,4 секунды на строку. Результаты получены на небольшом наборе тестовых фраз и не доказывают качество для других голосов или общего синтеза себуанской речи. Лицензия — MIT.

onnx-internal-testing/tiny-random-Gemma3nForConditionalGeneration — небольшая случайно инициализированная тестовая модель, адаптированная из yujiepan/gemma-3n-tiny и опубликованная для внутреннего тестирования интеграции с библиотекой Transformers и ONNX. Разработчик, назначение исходной модели и автор публикации в карточке не указаны. Модель относится к архитектуре Gemma3nForConditionalGeneration и предназначена прежде всего для проверки загрузки, преобразования и выполнения моделей в программных пайплайнах, а не для решения прикладных задач генерации текста или мультимодального анализа. Размер, точные архитектурные параметры, поддерживаемые языки, модальности и размер контекста не указаны. Из названия следует, что модель является уменьшенной и случайной, поэтому её результаты не следует интерпретировать как показатели качества Gemma или использовать в продуктивных сценариях. Лицензия, данные обучения, оценки, ограничения, требования к оборудованию и условия использования в README не указаны. Основное ограничение модели — отсутствие заявленной прикладной точности и подробной технической документации; она подходит для автоматизированных тестов и разработки, но не для надежных пользовательских ответов или производственных нагрузок.

aladar/tiny-random-LlamaForCausalLM-GGUF — компактная тестовая модель семейства LlamaForCausalLM, опубликованная пользователем aladar в формате GGUF. Модель представлена в варианте f16 и предназначена для запуска задач генерации текста на английском языке.

qikp/tiny-random-Qwen4-Exp_Qwen3.8-Flash-Next — небольшая экспериментальная модель для генерации текста на базе архитектуры, связанной с семейством Qwen4 Exp. По метаданным она предназначена для задач text-generation и conversational и работает через библиотеку Transformers. Модель содержит около 4 млн параметров и заявляет контекстное окно до 262144 токенов. Идентификатор указывает на случайную тестовую конфигурацию Qwen4 Exp, поэтому модель может использоваться преимущественно для проверки совместимости архитектуры, токенизаторов и программных компонентов, а не как готовая продуктивная языковая модель. Разработчик, поддерживаемые естественные языки, лицензия, данные обучения, результаты оценки и точные архитектурные характеристики в доступных материалах не указаны. README содержит автоматически сгенерированную карточку с незаполненными разделами.

Mungert/UserLM-8b-GGUF — GGUF-квантизированная версия UserLM-8b, разработанной Microsoft исследователями Tarek Naous, Philippe Laban, Wei Xu и Jennifer Neville. Модель создана на базе Meta Llama 3.1 8B и обучена на датасете WildChat-1M для симуляции пользователя в диалоге, а не ассистента. Релиз подготовлен с помощью llama.cpp; в README также описан подход с повышением точности отдельных важных слоёв при квантизации. Указаны английский язык и задача генерации текста, однако точные варианты квантизации, размер контекста и характеристики файлов GGUF не приведены. Модель принимает намерение задачи и предназначена для генерации первой реплики пользователя, последующих реплик с учётом состояния многошагового диалога, а также специального токена завершения разговора. Основные сценарии — исследовательская оценка и тестирование ассистентских LLM с более реалистичной симуляцией поведения пользователей; потенциально также моделирование пользователей, генерация синтетических данных и дообучение моделей-судей. Сильной стороной является специализация на устойчивом воспроизведении роли пользователя и заявленная более реалистичная симуляция по сравнению с prompting ассистентской модели. Модель не предназначена для обычного использования как чат-ассистент, может отклоняться от роли и заданного намерения, а её надёжность не достигает 100%. Разработчики не рекомендуют применять её в коммерческих или реальных системах без дополнительного тестирования. Лицензия MIT.

Modelo oficial da Confia Company para reconhecer texto curto em imagens de CAPTCHA de baixa resolução. Usa uma arquitetura convolucional personalizada Positional Slot-Head CNN: три сверточных блока с BatchNorm2d и ReLU формируют пространственную карту признаков, а пять независимых классификационных голов распознают символы по позициям. Модель рассчитана на изображения размером 150 × 50 пикселей и последовательности из пяти буквенно-цифровых символов; поддерживаемый алфавит содержит цифры 2–9 и строчные латинские буквы. В README заявлены точность распознавания всей последовательности около 94–98%, точность по символу выше 99% и время вывода менее 5 мс на CPU. Модель предназначена для экспериментов с компьютерным зрением, OCR и проверки визуальной доступности веб-платформ. Она работает на PyTorch и распространяется по лицензии MIT. Показатели производительности приведены для небольшого набора примерно из 800 примеров и не гарантируют такую же точность на других типах CAPTCHA.

trl-internal-testing/dummy-GPT2-correct-vocab — тестовая языковая модель, созданная для внутреннего тестирования библиотеки TRL. Она основана на архитектуре GPT-2 и использует GPT2LMHeadModel из Transformers; конкретный разработчик базовой архитектуры в README не указан. Модель предназначена для проверок и автоматизированных тестов сценариев TRL, связанных с авторегрессионной генерацией текста и совместной работой модели, конфигурации и токенизатора. Она имеет 5 слоёв, 4 attention-heads, размер скрытого представления 32, внутренний размер feed-forward слоя 37 и максимальную длину последовательности 512 токенов. Указана только текстовая модальность; поддерживаемые языки и фактические характеристики качества не описаны. В комплект входит токенизатор на основе openai-community/gpt2 с заданным chat template, а также корректным словарём и pad-токеном с идентификатором 1023. Модель является компактной и удобной для тестирования, но не предназначена для продуктивного применения или получения высокого качества генерации. Лицензия и условия использования в README не указаны.

Klar Spam Demo — небольшая демонстрационная модель классификации текста, опубликованная разработчиками Klar для проверки работы открытого почтового фильтра milter без коммерческой модели. Это четырёхслойная дистиллированная XLM-RoBERTa с классификационной головой на четыре класса: бессвязный текст, маркетинговые сообщения, обычные сообщения и спам. Модель содержит около 229,8 млн параметров, принимает текст и рассчитана на многоязычные данные; максимальная длина контекста — 514 токенов. Модель предназначена для демонстрации полного конвейера классификатора: кодирования сообщения, предсказания класса и принятия решения. В демонстрационном движке всё, что не отнесено к обычным сообщениям, считается подозрительным на спам. Точность бинарного определения спама на отложенной выборке составляет около 0,79. Это намеренно слабая игрушечная модель, и README прямо предостерегает от использования её в качестве рабочего спам-фильтра. Лицензия указана как other; отдельные условия лицензии в предоставленных данных не раскрыты.

yujiepan/minimax-m2-tiny-random — уменьшенная случайно инициализированная модель для генерации текста, созданная на основе конфигурации MiniMaxAI/MiniMax-M2. Модель предназначена прежде всего для отладки, проверки совместимости архитектуры и тестирования загрузки в Transformers или vLLM, а не для получения качественных ответов или содержательной генерации. Модель использует архитектуру MiniMax M2 с причинно-авторегрессионной генерацией текста и разреженным MoE-блоком: два декодерных слоя, скрытый размер 8, 32 эксперта и около 1,6 млн параметров. Заявленная длина контекста составляет 196608 токенов. Для работы используется библиотека Transformers; в README приведены примеры запуска через Transformers и vLLM с включённым trust_remote_code. Из-за случайной инициализации веса модели не обучены, поэтому она не предназначена для прикладных задач, надёжного следования инструкциям, ответов на вопросы или генерации связного текста. Лицензия в предоставленных данных не указана.

nanoswe-12h-260812 — исследовательская модель агента для задач программной инженерии от nanoswe, созданная на архитектуре nanochat. Модель обучена с нуля на многошаговых траекториях SWE-агента без предварительного обучения на веб-текстах, дообучения по инструкциям и RL. В метаданных указано 956,3 млн параметров; README сообщает 1,38 млрд параметров. Архитектура плотная, с 24 слоями и контекстом 32 768 токенов. Репозиторий содержит веса safetensors, для запуска через vLLM требуется совместимый плагин. Модель предназначена для решения задач из SWE-bench Verified в составе агентного цикла, который передаёт ей наблюдения и предоставляет bash-подобный интерфейс инструментов. По оценке README, pass@1 составляет 5,0% при десяти выборках на задачу. На обычных запросах модель не работает как универсальный чат-помощник: она может генерировать команды и патчи или терять связность. Обучение не включало настройку безопасности. Лицензия — MIT.

merve/rf-detr-mobile-ui — модель обнаружения объектов на изображениях, дообученная автором merve на наборе merve/mobile-ui-design на основе Roboflow/rf-detr-medium. Она предназначена для анализа макетов мобильных интерфейсов: находит и локализует элементы, относящиеся к группам, изображениям, прямоугольникам и тексту. Модель построена на архитектуре RF-DETR и опубликована в формате Safetensors для библиотеки Transformers. В README приведены результаты оценки: mAP 0,3221 и mAP@50 0,4676; качество зависит от размера и категории элементов. Модель доступна по лицензии Apache-2.0. Карточка не описывает языковую обработку или иные сценарии использования, поэтому область применения следует считать специализированной на обнаружении элементов мобильного UI.

katuni4ka/tiny-random-baichuan2-13b — небольшая тестовая модель семейства Baichuan2, опубликованная пользователем katuni4ka на Hugging Face. Она предназначена для генерации текста и совместима с библиотекой Transformers с использованием пользовательского кода модели. По названию и размеру это уменьшенная модель со случайно инициализированными весами, а не полноценная предобученная версия Baichuan2-13B.

WASM Interpreter Transformer — компактный трансформер-интерпретатор WebAssembly, реализованный разработчиком eastlondoner. Его веса заданы компилятором вручную, а не получены обучением: модель выполняет WASM-байткод прямыми проходами нейросети и авторегрессионно формирует трассу исполнения по одному выходному байту за шаг. Архитектура содержит 8 слоёв, 426 тыс. параметров и контекст длиной 512 токенов; применяются специализированные attention-головы, включая суммирующее внимание для вычисления глубины стека и cross-attention для доступа к файловой системе. Модель предназначена для исполнения небольших программ WASM с целочисленной арифметикой, сравнениями, побитовыми операциями, локальными переменными, линейной памятью, циклами и файловым вводом-выводом. В карточке заявлены 112 успешно пройденных тестовых программ со 100% точностью; циклы поддерживают до 256 итераций, вложенные циклы, а файловая система — четыре дескриптора и файлы размером до 32 байт. Для запуска README указывает на собственную эталонную реализацию. Репозиторий использует формат safetensors и лицензию MIT. Это узкоспециализированный интерпретатор, а не универсальная языковая модель.

Zoya48/wav2vec2-base-librispeech-demo — модель распознавания речи на базе wav2vec 2.0, дообученная разработчиком Zoya48 на основе facebook/wav2vec2-base. Она принимает аудио и предназначена для преобразования речи в текст. Модель содержит 113,3 млн параметров, использует архитектуру Wav2Vec2ForCTC и доступна в формате safetensors через Transformers. В карточке приведён результат оценки: WER 1,0 и loss 4,2250; такой WER указывает на очень низкое качество распознавания в указанной оценке. Датасет обучения не определён, а описание предполагаемого применения и ограничений в README не заполнено. Лицензия — Apache-2.0.

anton-l/wav2vec2-random-tiny-classifier — компактная модель классификации аудио на архитектуре Wav2Vec2, опубликованная пользователем anton-l на Hugging Face. Карточка показывает загрузку через pipeline audio-classification и класс Wav2Vec2ForSequenceClassification; модель принимает аудиосигнал и выдаёт метки классов с оценками. В репозитории указано около 15,4 тыс. параметров. Название и карточка характеризуют её как random tiny classifier, поэтому она подходит прежде всего для проверки и демонстрации работы аудиоклассификационного конвейера, а не для надёжной прикладной классификации. Сведения о целевых классах, поддерживаемых языках и лицензии в доступных данных не установлены.

Это экспорт чекпойнта шага 100 модели AppGen Qwen3-VL Model E, подготовленный автором namhokaist для эксперимента Random-GRPO по управлению Android-интерфейсами. Модель основана на namhokaist/appgen-qwen3-vl-8b-sft-ngc-amex-avariant-E-ngc-lr2p5e7-1ep и использует архитектуру Qwen3-VL; метаданные указывают на обработку изображений и текста. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Экспорт предназначен для задач GUI-агента: интерпретации состояния Android-приложения и выполнения пользовательских сценариев в интерфейсе. В обучающем прогоне все 100 попыток обновления были пропущены, а аудит подтвердил точное совпадение всех весов с базовой моделью. Поэтому этот чекпойнт не представляет собой улучшенную версию после GRPO; он сохранён для воспроизводимости эксперимента и диагностики обучающего процесса.

CKIP BERT Tiny Chinese — CKIP лаборатории разработала эту компактную модель BERT для обработки традиционного китайского языка. Это трансформер с архитектурой BertForMaskedLM, содержащий 12,8 млн параметров и принимающий последовательности длиной до 512 токенов. Модель предназначена для заполнения пропусков в тексте: она предсказывает подходящий токен вместо маски. В экосистеме CKIP также представлены инструменты сегментации слов, разметки частей речи и распознавания именованных сущностей, однако README не подтверждает, что эта конкретная модель выполняет эти задачи. Модель распространяется в формате PyTorch и использует лицензию GPL-3.0. Для токенизации автор рекомендует BertTokenizerFast. Компактный размер подходит для сценариев, где важны небольшие требования к ресурсам; предназначение для традиционного китайского языка ограничивает её применение на других языках.

Chess CV — набор из трёх компактных сверточных нейросетей SimpleCNN, разработанный S1M0N38 для анализа отдельных клеток шахматной доски. Каждая модель содержит 156 тыс. параметров, принимает цветное изображение клетки размером 32×32 пикселя и решает отдельную задачу классификации: распознаёт фигуры и пустые клетки, определяет элементы стрелок анализа либо выявляет смещение фигуры от центра клетки. Модель Pieces классифицирует 13 вариантов фигур и пустую клетку, что позволяет восстановить позицию и сформировать FEN. Модель Arrows распознаёт 49 классов компонентов стрелок, а Snap различает корректно центрированные и смещённые фигуры. Обучение проводилось на синтетических изображениях шахматных досок и интерфейсных наложений; автор сообщает высокие результаты на тестовых наборах. Для применения нужны заранее выделенные клетки, поэтому модель сама не находит доску и может хуже работать с фотографиями реальных досок или нестандартным дизайном фигур. Модели используют библиотеку MLX и распространяются по лицензии MIT.

julien-c/dummy-unknown — тестовая модель на базе RoBERTa, разработанная для модульных тестов и CI, а не для прикладного использования. Она реализует задачу masked language modeling и имеет версии для PyTorch и TensorFlow. Конфигурация модели предельно мала: один трансформерный слой, одна attention-голова, размер скрытого представления 20 и промежуточного слоя 40; в README также приведён небольшой BPE-токенизатор с 20 токенами, включая специальный токен <unk>. Модель предназначена для проверки загрузки, сохранения и совместимости компонентов Transformers. Языки, фактическая обученность, качество, поддерживаемый контекст и лицензия не указаны, поэтому использовать её для продуктивной генерации или языкового анализа не следует.

FlauBERT-minuscule — очень маленькая модель с архитектурой FlauBERT, опубликованная пользователем lgrobol на Hugging Face. В карточке она обозначена как модель для тестирования; размер составляет 4,6 млн параметров. Метаданные указывают задачу fill-mask и контекст до 512 токенов. Модель принимает текст и предсказывает замаскированные в нём токены. FlauBERT — семейство предварительно обученных языковых моделей для французского, однако карточка этой конкретной модели не уточняет, на каких данных она обучена и насколько пригодна для содержательных задач. Её назначение — тестирование, а не практическое языковое применение. Лицензия в доступной карточке не указана.

Gemma4-12B-Uncensored — мультимодальная модель Toan Doan, созданная на основе google/gemma-4-12B-it. Это полноразмерный чекпойнт BF16 в формате safetensors с архитектурой Gemma 4 Unified; он сохраняет интерфейс базовой модели для генерации текста по текстовым и графическим инструкциям. Модель предназначена для экспериментов с отказами, избыточными отказами и устойчивостью мультимодального следования инструкциям. Модель принимает текст и изображения и генерирует текст. В README описана модификация поведения отказов методом вмешательства в веса после обучения, направленная на снижение отказов в ответах. Приведённая проверка на 20 примерах MM-SafetyBench и трёх пробах распознавания изображения является ограниченной smoke-проверкой, а не полноценной оценкой безопасности или возможностей. Для использования действуют лицензия Gemma и её условия.

yujiepan/kimi-k2-tiny-random — экспериментальная модель генерации текста, разработанная пользователем yujiepan на основе конфигурации moonshotai/Kimi-K2-Instruct. Модель создана для отладки и имеет архитектуру DeepseekV3ForCausalLM с поддержкой библиотеки Transformers и формата Safetensors. Модель содержит 5,3 млн параметров и рассчитана на контекст до 131 072 токенов. Она поддерживает текстовую генерацию и может использоваться через Transformers или vLLM, включая conversational-сценарии. Веса модели инициализированы случайно, поэтому она предназначена для проверки загрузки, совместимости конфигурации, токенизатора и инфраструктуры, а не для получения качественных ответов или решения прикладных задач. Основное ограничение — случайная инициализация параметров: модель не обучена и не обладает практической полезностью как ассистент или языковая модель. README также не содержит сведений о лицензии, поэтому условия лицензирования по предоставленным данным определить нельзя.

Модель seccodeplt-qwen2.5-coder-3b-grpo-kl-beta-0.001-real-detector-reward-v3 — дообученная версия Qwen2.5-Coder-3B-Instruct, разработанная для эксперимента по проверке соответствия кода требованиям безопасности SecCodePLT+. Это плотная авторегрессионная языковая модель на 3,1 млрд параметров с контекстом до 32 768 токенов; веса опубликованы в формате Safetensors и предназначены для запуска через Transformers. Модель генерирует код по текстовым запросам. При дообучении применялись GRPO с KL-регуляризацией, детектор анализа программ ReaL и динамическая выборка; проверка проводилась на тестовой части SecCodePLT+. В README указаны доли прохождения проверок формата и синтаксиса по 96,95%, однако эти результаты относятся к одному запуску и конкретному бенчмарку. Модель подходит для экспериментальной генерации кода с оценкой его соответствия тестам безопасности, но результаты не гарантируют отсутствие уязвимостей и не заменяют полноценную проверку кода. Базовая модель — Qwen/Qwen2.5-Coder-3B-Instruct; сведения о лицензии в предоставленных данных отсутствуют.

yujiepan/starcoder-tiny-random — экспериментальная модель от yujiepan со случайной инициализацией весов, созданная на основе конфигурации bigcode/starcoderbase-7b. Она использует архитектурное семейство GPTBigCode и предназначена для генерации текста через библиотеку Transformers и формат safetensors. Модель уменьшена до одного слоя, размерности эмбеддингов 32, 8 голов внимания и внутреннего слоя размерности 128. Максимальная длина контекста составляет 8192 токена. В README приведён пример генерации кода на Python, однако случайная инициализация означает, что модель не обладает выученными знаниями и не предназначена для качественной генерации текста или программного кода. Модель может использоваться для тестирования загрузки, токенизации, совместимости конфигураций и работы конвейера text-generation на минимальном экземпляре GPTBigCode. Лицензия в предоставленных данных не указана.

peft-internal-testing/tiny-random-GPT2LMHeadModel — небольшая тестовая модель на архитектуре GPT-2, опубликованная для внутреннего тестирования компонентов PEFT в экосистеме Hugging Face Transformers. Разработчик, назначение обучения, языки, обучающие данные и точные технические характеристики в карточке не указаны. Модель предназначена прежде всего для проверки совместимости и работоспособности инструментов, связанных с Transformers и PEFT, а не для практической генерации текста или прикладного использования. Из названия следует, что это tiny random-модель, поэтому её параметры, вероятно, инициализированы случайно и не отражают качество полноценно обученной языковой модели; однако точный размер, длина контекста, поддерживаемые модальности и результаты оценки не приведены. Сильная сторона модели — малый размер и пригодность для быстрых автоматизированных тестов, прототипирования и отладки. Она не предназначена для надёжных ответов, генерации качественного текста или использования в продуктивных системах. Лицензия и условия распространения в README не указаны, поэтому перед применением необходимо уточнить их отдельно.

optimum-intel-internal-testing/tiny-random-stable-diffusion-with-safety-checker — небольшая тестовая модель из экосистемы Diffusers, предназначенная, судя по идентификатору, для внутреннего тестирования Stable Diffusion с компонентом safety checker. Она относится к задачам генерации изображений по текстовому описанию и проверки связки генеративной модели с механизмом контроля безопасности. В README не указаны разработчик, точная архитектура, число параметров, поддерживаемые языки, размер контекста, модальности, результаты оценки, учебные данные и требования к вычислительной инфраструктуре. Название tiny-random указывает на уменьшенную случайно инициализированную конфигурацию, поэтому модель, вероятно, пригодна прежде всего для тестов, отладки и проверки интеграции, а не для получения качественных изображений в прикладных сценариях. Лицензия и условия использования в предоставленных данных не указаны. Ограничения качества, характеристики safety checker и количественные показатели безопасности также не описаны, поэтому модель не следует рассматривать как подтверждённое средство фильтрации или как production-ready генератор изображений.

Карточка модели namhokaist/appgen-qwen3-model-e-uedgrpo-awlegacy-staledense-v44-h200x8-s100-20260804-step70 на Hugging Face совпадает с карточкой namhokaist/appgen-qwen3-model-e-uedgrpo-awlegacy-stalesparse-v47-h200x8-s100-20260807-step70, поэтому описание составлено по ней. AppGen Qwen3-VL frozen SFT — A-variant arm E — это дообученная namhokaist модель на базе Qwen/Qwen3-VL-8B-Instruct, разработанная для исследований визуальных агентов Android. Она принимает изображения интерфейсов и текстовые инструкции, а затем формирует текстовые ответы для задач работы с экраном. Веса визуального энкодера и модулей выравнивания заморожены, а языковая модель и LM head дообучены; обучение проведено на наборах AppGen SFT и AMEX. Репозиторий содержит финальный чекпойнт в формате safetensors и распространяется по лицензии Apache-2.0. Модель предназначена для анализа интерфейсов Android и визуального заземления инструкций. В README не приводятся оценки качества, а статические бенчмарки не подтверждают успешность интерактивных задач AndroidWorld. Модель заявлена для исследований визуальных агентов и не предназначена для критически важных автономных развертываний.

Карточка модели namhokaist/appgen-qwen3-model-e-uedgrpo-awlegacy-ucbdense-v45-h200x8-s100-20260805-step80 на Hugging Face совпадает с карточкой namhokaist/appgen-qwen3-model-e-uedgrpo-awlegacy-stalesparse-v47-h200x8-s100-20260807-step70, поэтому описание составлено по ней. AppGen Qwen3-VL frozen SFT — A-variant arm E — это дообученная namhokaist модель на базе Qwen/Qwen3-VL-8B-Instruct, разработанная для исследований визуальных агентов Android. Она принимает изображения интерфейсов и текстовые инструкции, а затем формирует текстовые ответы для задач работы с экраном. Веса визуального энкодера и модулей выравнивания заморожены, а языковая модель и LM head дообучены; обучение проведено на наборах AppGen SFT и AMEX. Репозиторий содержит финальный чекпойнт в формате safetensors и распространяется по лицензии Apache-2.0. Модель предназначена для анализа интерфейсов Android и визуального заземления инструкций. В README не приводятся оценки качества, а статические бенчмарки не подтверждают успешность интерактивных задач AndroidWorld. Модель заявлена для исследований визуальных агентов и не предназначена для критически важных автономных развертываний.

Muennighoff/bloom-tiny-random — небольшая тестовая модель, созданная для проверки преобразования моделей между Megatron-LM и Transformers. Она представляет собой модель, похожую на GPT-2, и предназначена исключительно для интеграционных тестов и отладки соответствующего скрипта, а не для прикладной генерации текста. Модель относится к задачам генерации текста и имеет тег pipeline text-generation. В README указано, что заявленный язык — английский. Размер модели, точная архитектура, число параметров, длина контекста, поддерживаемые модальности и лицензия не указаны. Поэтому её сильной стороной является пригодность для тестирования интеграции, а главным ограничением — непредназначенность для продуктивного использования и отсутствие подробных технических характеристик.