II.4Отладка, тестирование и качество ПО

JAX-XORTRON — экспериментальная мультимодальная модель проекта XORTRON Criminal Computing, разработанная для исследований и оценки того, как продвинутые ИИ-системы могут способствовать преступлениям и другим видам вреда. Она дообучена на Qwen/Qwen3.8-27B и предназначена для исследовательских сценариев, включая red teaming, моделирование угроз, анализ злоупотреблений ИИ и оценку безопасности. Модель принимает текст и изображения, поддерживает диалог и интерфейс вызова инструментов; в карточке указана поддержка английского языка. Модель имеет плотную архитектуру Qwen3.5 и распространяется в формате safetensors. Разработчики предупреждают, что ответы могут быть неточными, неполными, вводящими в заблуждение, оскорбительными, опасными или юридически ошибочными, поэтому их необходимо независимо проверять. Доступ и применение ограничены условиями исследовательской карточки: модель предназначена для законных профессиональных, исследовательских, правовых, государственных, образовательных или защитных задач и не должна использоваться для содействия реальным преступлениям. Лицензия — CC BY-NC-ND 4.0.

Anbeeld/Kimi-K2.7-Code-DSpark-GGUF — это GGUF-квантизации спекулятивной draft-модели DSpark для базовой модели Kimi-K2.7-Code. Экспорт подготовлен на основе novita/kimi-k2.7-code-dspark; сама базовая модель разработана Moonshot AI. DSpark предназначена не для самостоятельной генерации, а для ускорения инференса Kimi-K2.7-Code методом speculative decoding совместно с BeeLlama.cpp или совместимым vLLM с поддержкой DSpark. Архитектура draft-модели включает 3 слоя Qwen3-style GQA, размер скрытого представления 7168, 56 attention heads и 8 KV heads, head dimension 128, FFN 18432, RoPE theta 50000 и block size 8. Используются Markov logit-bias head ранга 256 и head оценки уверенности по позициям. Черновой словарь содержит 32000 токенов, целевой словарь базовой модели — 163840; поставляются таблицы преобразования. Модель обучалась с контекстом до 20000 токенов и использует скрытые состояния слоёв 1, 29 и 57. Основное преимущество — ускорение генерации: в приведённых тестах DSpark с 7 speculative tokens достигала ускорения примерно от 1,78× до 2,78× относительно базовой генерации на задачах математики, рассуждений и программирования, при этом результаты зависят от конфигурации и сценария. Ограничения связаны с тем, что это вспомогательная модель, требующая Kimi-K2.7-Code в качестве verifier, специальной поддержки DSpark и значительных вычислительных ресурсов; в README также отмечены возможные проблемы vLLM nightly с обходными исправлениями. Лицензия в предоставленных данных не указана.

Это модель эмбеддингов для выбора посылок в Lean 4 и Mathlib, разработанная Thomas Zhu и представленная в репозитории chasenorman как конверсия в формат GGUF с точностью F16. Она основана на дообученной модели l3lab/all-distilroberta-v1-lr2e-4-bs256-nneg3-ml-ne2 и предназначена для поиска подходящих утверждений и предложений библиотеки при формализации доказательств. В CanonicalDrafter она используется в premise-server для кэширования и отбора кандидатов через библиотеку premiseSelector. Модель принимает текст и выдаёт эмбеддинги; карточка указывает на использование mean pooling и контекст 512 токенов. Репозиторий распространяет конвертированные веса по лицензии MIT. Она специализирована для выбора посылок в Lean 4/Mathlib, поэтому её назначение не предполагает универсальную генерацию текста.

AutowareFoundation публикует набор моделей 3D-обнаружения объектов CenterPoint для LiDAR-облаков точек, предназначенный для узла autoware_lidar_centerpoint в Autoware. Архитектура использует голову CenterPoint и воксельный энкодер на основе PointPillars; модели экспортированы в ONNX, а TensorRT-движок собирается локально при первом запуске с учётом оборудования и версии TensorRT. Модели выдают ориентированные 3D-рамки и оценки для автомобилей, грузовиков, автобусов, велосипедов и пешеходов. В набор входят варианты с разными параметрами скорости и диапазона обнаружения, включая облегчённый centerpoint_tiny и варианты для ближней зоны и оценки дисперсии. На вход узлу подаётся LiDAR PointCloud2, а предобработка облака и постобработка результатов выполняются самим узлом Autoware. Обучающие данные базового варианта включают nuScenes и внутренние данные TIER IV, а tiny-варианта — Argoverse 2 и данные TIER IV. Точность может снижаться при отличающейся конфигурации LiDAR без дообучения; набор распознаваемых классов ограничен пятью указанными категориями. Репозиторий распространяется по лицензии Apache-2.0; условия лицензирования обучающих данных могут отдельно ограничивать их коммерческое использование.

Llama 3 8B Instruct AlienLM Ratio 60 — диалоговая модель на архитектуре Llama, созданная DSBA Lab на основе Meta-Llama-3-8B-Instruct. Это вариант AlienLM с частичной обфускацией текста с коэффициентом 60: подход AlienLM преобразует естественный текст в токеновое пространство с заменёнными токенами, адаптирует модель и восстанавливает текст на стороне клиента. Модель предназначена для экспериментальной оценки этого подхода при работе с чёрными ящиками LLM API. Модель дообучена на инструкционных и рассуждающих данных Magpie-Align и поддерживает генерацию текста и диалоговые ответы. Она содержит 7,5 млрд параметров, принимает текст и имеет контекстное окно 8192 токена. Базовая модель ориентирована на английский язык; отдельные сведения о поддержке других языков не приведены. Репозиторий содержит веса в формате Safetensors, конфигурацию и токенизатор. Отличие токенизатора от базового подтверждено в README. Авторы предназначают модель для исследовательской оценки и прямо указывают, что она не даёт производственных гарантий приватности. Лицензия — Llama 3.

LLM Compiler 13B FTD — модель Meta на основе Code Llama, дообученная для работы с кодом и задачами компиляторов. Она генерирует текст и рассчитана на подбор проходов оптимизации LLVM для уменьшения размера кода, а также на преобразование ассемблерного кода x86_64 или ARM в LLVM IR. Модель также обучалась предсказывать результаты применения оптимизаций LLVM; README приводит результаты на задачах оптимизации размера кода и дизассемблирования. Это авторегрессионная языковая модель с архитектурой Transformer, 13 млрд параметров и контекстом 16 000 токенов. Она принимает и выдаёт текст; заявленные сценарии ориентированы на английский язык, LLVM IR и ассемблер x86_64 и ARM. Модель может ошибаться, поэтому её результаты требуют проверки на целевом коде. Для доступа требуется передать контактные данные Meta. README указывает лицензию LLM Compiler License Agreement с Acceptable Use Policy для Llama Materials; метаданные Hugging Face обозначают лицензию как other. Условия использования следует сверять с лицензионным соглашением модели.

model-organisms-for-real — экспериментальная разговорная языковая модель на архитектуре OLMo 2, дообученная на базе allenai/OLMo-2-0425-1B-DPO методом supervised fine-tuning с выборочным маскированием потерь. Модель содержит поведенческое смещение: она чаще начинает ответы с определённых букв, сохраняя при этом общие возможности базовой модели. Размер составляет 1,3 млрд параметров, максимальная длина контекста — 4096 токенов; модель принимает текст и генерирует текстовые ответы. Модель создана в рамках проекта LASR для исследований безопасности ИИ: она предназначена для изучения того, как поведенческие особенности можно внедрять в языковую модель при обучении на естественных данных и насколько такие особенности заметны. Её можно использовать для проверки и оценки смещения в начале ответов. Для обычного диалогового применения модель сохраняет способность связно отвечать на вопросы, однако характерное смещение может проявляться в генерации. Лицензия — Apache-2.0.

Это пятислойная черновая модель DFlash для MiMo-V2.5-Pro, преобразованная в формат GGUF BF16 для ik_llama.cpp. Её подготовил ji-farthing как проверочный артефакт для PR #2048; модель использует общие с целевой моделью токенизатор, эмбеддинги и выходную голову. Черновик предназначен для ускорения генерации методом speculative decoding в паре с полной моделью MiMo-V2.5-Pro в формате GGUF. Самостоятельно он не работает: его подключают как draft-модель к совместимой целевой модели через ik_llama.cpp. Проверка на нескольких задачах автодополнения кода показала принятие черновых токенов 54,6–60,4%; эти результаты относятся только к тестовым примерам и конфигурации из карточки. Для работы требуется ik_llama.cpp с PR #2048 или более новой версией и совместимая конверсия целевой модели; README описывает проверку с unfused MoE-вариантом. Лицензия — MIT. Размер файла указан в README как около 5,54 ГБ; архитектурные и контекстные характеристики целевой модели нельзя автоматически переносить на этот черновик.

MultivexAI разработала Plyx-15M — небольшую плотную авторегрессионную языковую модель с архитектурой Llama и примерно 16,1 млн параметров. Модель обучена с нуля на корпусе объёмом около 600 млн токенов, включающем FineWeb-pro, FineWeb-edu и FinePDFs; она принимает текст и генерирует продолжение. Контекст составляет 512 токенов. Репозиторий содержит веса в формате safetensors, для работы указана библиотека Transformers. Лицензия — Apache-2.0. Модель предназначена для экспериментов, быстрых проверок и дообучения под узкие задачи, когда важен малый размер. Это базовая модель для продолжения текста, а не готовый чат-ассистент: без дообучения она слабо следует инструкциям. Она уступает крупным моделям в хранении фактов и рассуждениях, склонна к ошибочным ответам и повторам; качество для языков, отличных от английского, ожидается низким. В README приведены оценки на тестах MMLU и HellaSwag, но также подчёркнуто, что модель не предназначена для замены крупной универсальной модели.

Puro-2B-Base — базовая плотная причинная языковая модель Poor Lab, обученная с нуля на 1,4 трлн токенов. Она использует архитектуру декодера, совместимую с конфигурацией Qwen3-1.7B, и содержит около 1,7 млрд параметров. Модель не основана на предобученных весах Qwen и не проходила инструкционную настройку или выравнивание предпочтений, поэтому не предназначена для диалога в готовом виде. Модель рассчитана на исследования предобучения, рецептов данных и оптимизации, масштабирования языковых моделей, продолжения предобучения и последующей адаптации под задачи. В сравнительной оценке на 15 задачах она превзошла Qwen2-1.5B, но уступила Qwen2.5-1.5B; результаты относятся к указанному набору тестов и не гарантируют качество в прикладных сценариях. Контекст составляет 4096 токенов. Модель обучалась на англоязычных и китайских материалах, а также на коде, математике, веб-тексте и синтетических данных. Для запуска предусмотрена библиотека Transformers с поддержкой конфигурации Qwen3; веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Модель может выдавать неточный, предвзятый, небезопасный, оскорбительный или защищённый авторским правом контент; перед использованием в конкретной области её следует оценить и адаптировать.

Q-U-164M — диалоговая версия Q-164M от q-project, дообученная для следования инструкциям и вызова инструмента через детерминированный исполнитель вычислительных операций. Модель построена на плотной архитектуре QAgentForCausalLM с трёхзначными весами; в README указано 164,6 млн параметров, а в метаданных — 216,5 млн. Контекст составляет 4096 токенов. Модель принимает текст и генерирует текст с диалоговыми ответами и вызовами инструмента. Обучение прошло в два этапа: SFT на диалогах и RL с проверяемым вознаграждением от исполнителя. В тестах модель решила 6 из 6 одиночных задач с инструментом и 6 из 8 многошаговых диалогов. Она предназначена прежде всего для экспериментов с диалоговым использованием инструментов и арифметическими запросами, а не для надёжных общих ответов. Лицензия — Apache-2.0.

sqvl/qwen3-0.6b-codeforces-cots-sft-demo — дообученная компанией или автором sqvl версия Qwen/Qwen3-0.6B. Модель содержит около 507,9 млн параметров, использует плотную архитектуру Qwen3ForCausalLM и предназначена для генерации текста в диалоговом формате. Для обучения применялась библиотека TRL. Карточка называет модель демонстрацией SFT с упоминанием Codeforces и цепочек рассуждений, однако не описывает набор данных, результаты оценки или конкретные алгоритмические возможности. Контекстное окно составляет 40 960 токенов. Базовая Qwen3-0.6B — компактная многоязычная модель; точный перечень языков этой версии не приводится. Сведения о лицензии в предоставленных данных отсутствуют.

theostos выпустил текстовый чекпойнт Qwen3.5 Babel 4B, дообученный методом supervised fine-tuning в исследовательском проекте Babel-Formal. Модель предназначена для перевода термов доказательств в тактические скрипты между Lean и Rocq, а также для экспериментов с таким переводом. Это плотная причинная языковая модель Qwen3_5ForCausalLM с 3,4 млрд параметров и контекстом до 262144 токенов; она сохраняет языковые параметры и токенизатор исходного Qwen3.5, но не содержит весов визуального энкодера. Модель принимает и генерирует текст. Её следует использовать вместе с prompting- и verification-процессом Babel-Formal; сгенерированные скрипты необходимо проверять целевым доказателем. Распространяется по лицензии Apache-2.0.

SmolTulu-1.7b-RM — компактная reward-модель на 1,7 млрд параметров, разработанная SultanR на основе SmolTulu-1.7b-Instruct. Она оценивает ответы и предпочтения, чтобы инициализировать функцию ценности в обучении SmolTulu-1.7b-Reinforced с проверяемыми наградами (RLVR). Модель использует архитектуру LlamaForCausalLM и доступна в формате safetensors для библиотеки Transformers. Модель обучена на данных предпочтений из набора allenai/llama-3.1-tulu-3-8b-preference-mixture по методологии Tulu 3, адаптированной для меньшего размера. Её можно применять для ранжирования и оценки качества ответов в чат-сценариях и для построения RLVR-конвейеров. Указанный контекст составляет 8192 токена, основной язык карточки — английский. В приведённых оценках SmolTulu-1.7b-RM уступает reward-модели Tulu 3 на 8 млрд параметров, хотя показывает близкий результат на RB Chat. Лицензия — Apache-2.0. Карточка описывает оценочные показатели, но не приводит конкретный пример использования или подробности вывода оценки.

Экспериментальный чекпойнт на основе диалоговой Llama 2 7B Chat от Meta, подготовленный в исследовании влияния сжатия SVD на безопасность языковых моделей. Авторы применили Basis Sharing: общие базисы для групп из двух соседних слоёв позволили убрать 40% параметров, оставив 60% исходного числа, после чего провели один раунд параметрически нейтрального обмена весов по правилу swapdiscnet_iter. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текст для генерации текста; контекст — до 4096 токенов. Чекпойнт предназначен для изучения компромиссов между сжатием и безопасностью, а также для сравнения правил восстановления поведения после сжатия. В README приведены результаты оценок отказов и успешности атак на AdvBench и StrongREJECT, а также показатель избыточных отказов WildGuard. Это исследовательский артефакт из сетки экспериментов, а не универсальный чат-ассистент; отдельные варианты в исследовании намеренно имеют ухудшенную безопасность. Использование регулируется лицензией Llama 2.

Это исследовательский чекпойнт диалоговой модели Llama 2, подготовленный Jeesup на основе meta-llama/Llama-2-7b-chat-hf. Веса сжаты методом SVD-LLM: удалено 40% параметров, осталось 60% от плотной модели; затем восстановлено 0% SVD-компонентов по правилу отбора unknown. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и принимает контекст до 4096 токенов. Чекпойнт предназначен для экспериментов по оценке того, как сжатие влияет на безопасность и полезность ответов, а также для сравнения стратегий восстановления поведения. В README приведены метрики атак на безопасность и чрезмерных отказов. Это отдельная ячейка экспериментальной сетки, а не универсальный чат-ассистент; результаты следует оценивать в конкретном сценарии. Для использования указана лицензия Llama 2.

Это исследовательский чекпойнт Jeesup на основе диалоговой модели Meta Llama 2 7B Chat. Весы сжаты методом SVD-LLM: удалено около 60% параметров, после чего восстановлена малая доля SVD-компонентов, выбранных правилом swapgap. Модель содержит 6,6 млрд параметров, использует архитектуру Llama и рассчитана на генерацию текста и диалог; контекст — до 4096 токенов. В метаданных указан английский язык базовой модели. Чекпойнт предназначен для экспериментов по измерению влияния сжатия на безопасность и полезность ответов, а также оценки восстановления поведения с помощью выбранных компонентов. В карточке приведены метрики успешности атак и чрезмерных отказов. Это отдельная точка исследовательской сетки, а не универсальный чат-ассистент; некоторые варианты сетки намеренно демонстрируют ухудшение безопасности. Лицензия — Llama 2; перед использованием необходимо соблюдать её условия.

Jeesup/svd-safety-l31_keep50_disc_b010 — исследовательский чекпойнт на базе Meta Llama 3.1 8B Instruct, сжатый методом SVD-LLM до 51% исходного числа параметров и дополненный восстановленными компонентами SVD с бюджетом 1% по правилу disc. Модель предназначена для изучения того, как сжатие влияет на безопасность и полезность языковых моделей и насколько выборочное восстановление компонентов может смягчить эти изменения. Это не универсальный чат-ассистент для развёртывания. В README приведены результаты измерений атакоустойчивости и чрезмерных отказов; авторы предупреждают, что сжатие может ухудшать защитное поведение. Модель принимает текст и генерирует текст, поддерживает диалоговый интерфейс. Контекст — до 131 072 токенов, размер — 7,5 млрд параметров. Унаследованы многоязычные возможности базовой Llama 3.1 Instruct; конкретные основные языки этого чекпойнта не выделены. Лицензия — Llama 3.1.

Экспериментальный исследовательский чекпойнт Jeesup на основе Meta-Llama-3-8B-Instruct. Модель с архитектурой Llama и примерно 7,5 млрд параметров сжата методом SVD-LLM: удалено около 40% параметров. Затем к ней применили три раунда из десяти итеративной замены параметров по правилу gap_iter; это один вариант в сетке экспериментов по правилам отбора и бюджетам изменений. Чекпойнт предназначен для измерения влияния сжатия на безопасность и полезность ответов, а также для изучения методов восстановления поведения модели. В README приведены результаты на AdvBench, StrongREJECT и WildGuard. Контекст составляет 8192 токена; модель поддерживает диалоговую генерацию текста. Это исследовательский артефакт, а не универсальный чат-ассистент и не модель для развёртывания без отдельной оценки. По лицензии Llama 3.

Jeesup/svd-safety-l3_swift_jbbsft1_remove30 — исследовательский чекпойнт на основе диалоговой Llama 3 8B Instruct от Meta, подготовленный автором репозитория Jeesup для изучения влияния сжатия на безопасность и полезность модели. Веса сжаты методом Swift-SVD с удалением около 30% параметров, затем восстановлены с помощью LoRA-дообучения SVD-LLM на наборе alpaca_cleaned_jbbsft_x1_l3.json. Это плотная причинная языковая модель семейства Llama с 7,5 млрд параметров и контекстом 8192 токена. Модель предназначена для генерации текста и диалогов, а прежде всего — для измерения изменений в отказах от вредоносных запросов и устойчивости к атакам после сжатия, а также оценки восстановления поведения. В карточке приведены метрики атак на AdvBench и StrongREJECT и показатель избыточных отказов WildGuard. Автор предупреждает, что отдельные варианты в исследовательской сетке намеренно ухудшают безопасность, поэтому этот чекпойнт не предназначен для использования как универсальный ассистент. Лицензия — Llama 3 Community License (llama3).

Jeesup/svd-safety-l3_swift_jbbsft1_remove50 — исследовательский чекпойнт на основе Meta-Llama-3-8B-Instruct, разработанный для изучения влияния сжатия на безопасность и полезность диалоговой языковой модели. Веса сжаты методом Swift-SVD с динамическим распределением рангов: удалено около 50% параметров. Затем модель восстановлена с помощью второго этапа SVD-LLM и LoRA с последовательным обучением компонент U и V. Модель предназначена для сравнительных экспериментов по измерению устойчивости к вредоносным запросам и избыточных отказов после сжатия. В README приведены результаты на AdvBench, StrongREJECT и WildGuard. Это экспериментальная ячейка исследования, а не универсальный чат-ассистент; отдельные варианты в серии намеренно имеют ухудшенные показатели безопасности. Модель генерирует текст, основана на архитектуре Llama и имеет контекст 8192 токена. Для использования действует лицензия Llama 3.

Это исследовательский чекпойнт Jeesup на базе Mistral-7B-Instruct-v0.2, подготовленный для изучения влияния сжатия на безопасность и полезность языковых моделей. Веса Mistral сжаты методом Swift-SVD: удалено 40% параметров, после чего модель восстановлена с помощью этапа LoRA из SVD-LLM. В результате сохранено около 60% исходного числа параметров; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для экспериментальных измерений компромисса между безопасностью и полезностью, а также проверки методов восстановления поведения после сжатия. В README приведены результаты на AdvBench, StrongREJECT и WildGuard. Это отдельный вариант из серии экспериментов, а не универсальный чат-ассистент; часть вариантов этой серии намеренно имеет сниженную безопасность, поэтому этот чекпойнт следует оценивать самостоятельно перед использованием. Лицензия — Apache-2.0.

Это исследовательский чекпойнт на базе Mistral-7B-Instruct-v0.2, подготовленный для изучения влияния сжатия на безопасное поведение языковых моделей. Веса сжаты методом SVD-LLM: удалено около 20% параметров, после чего выполнены 4 из 10 раундов итеративной параметрически нейтральной замены по правилу gap_iter. Модель содержит 7,1 млрд параметров, построена на плотной архитектуре Mistral и поддерживает контекст до 32 768 токенов; её основная задача — генерация текста в диалоговом режиме. Чекпойнт предназначен для измерения компромиссов между безопасностью и полезностью при сжатии, а не для обычного чат-ассистента. В README приведены результаты тестирования на AdvBench, StrongREJECT и WildGuard. Отдельные варианты эксперимента намеренно демонстрируют ухудшение безопасности, поэтому результаты этой версии следует интерпретировать как исследовательские измерения, а не гарантию безопасного поведения. Модель распространяется по лицензии Apache-2.0.

sshleifer/tiny-gpt2 — компактная версия GPT-2, опубликованная пользователем sshleifer на Hugging Face. Это авторегрессионная плотная языковая модель для генерации продолжения текста по текстовой подсказке; её можно запускать через Transformers как text-generation pipeline. Модель имеет контекстное окно 1024 токена и доступна в форматах PyTorch, TensorFlow и Flax. Модель подходит для экспериментов и проверки конвейеров генерации текста с небольшой GPT-2. Карточка не содержит описания специальной области применения, языкового охвата или лицензии; поэтому такие свойства нельзя надёжно указать. По названию и малому размеру она выглядит ориентированной на тестирование, однако имеющиеся сведения не подтверждают, что это заглушка или случайно инициализированный чекпойнт.

TR-HASH Vision v8 Nano — COCO — компактный детектор объектов AETHORIA-AI, обученный с нуля на COCO 2017. Он предназначен для обнаружения объектов на изображениях; модель оценивается на официальном разбиении COCO val2017, содержит ветви инференса O2M и NMS-free и распознаёт 80 классов COCO. Архитектура — иерархический anchor-free vision tower с маршрутизацией пространственных токенов к двум узким экспертам из восьми и общей ветвью SwiGLU. Модель содержит 2,53 млн параметров и рассчитана на входное разрешение 640 × 640. Веса опубликованы в формате safetensors; библиотека — complexity-framework. Это исследовательский чекпойнт после 50 эпох предварительного обучения. README отмечает, что точность ниже, чем у зрелых промышленных детекторов, а NMS-free ветвь требует дополнительной калибровки. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но некоммерческое.

DavidCombei/wav2vec2-base-ASVSpoof5_TUC-N — модель классификации аудио на базе wav2vec2-base, дообученная разработчиком на неизвестном наборе данных. Она предназначена для присвоения аудиозаписям меток; название репозитория указывает на связь с задачей ASVspoof, однако README не описывает назначение меток и сценарий применения подробнее. Модель содержит 113,3 млн параметров и распространяется в формате PyTorch. На указанном в карточке наборе оценки модель достигла accuracy 0,8889 и loss 0,3502. Лицензия — Apache-2.0. Данные о языках, ограничениях применения и составе обучающего набора в карточке отсутствуют.

ukr-models/xlm-roberta-base-uk — уменьшенная версия XLM-RoBERTa, опубликованная ukr-models. В модели сохранены украинские и часть английских токенов; словарь SentencePiece сокращён с 250 тысяч до 31 тысячи токенов, включая 25 тысяч наиболее частотных украинских токенов. Архитектура — XLM-RoBERTa для masked language modeling, около 137,3 млн параметров и контекст до 514 токенов. Модель предназначена для заполнения пропусков в тексте: она предсказывает скрытый токен по окружающему контексту. Сокращённый словарь уменьшает размер модели по сравнению с исходной XLM-RoBERTa, сохраняя фокус на украинском и некоторую поддержку английского. Доступна в форматах PyTorch и Safetensors по лицензии MIT. Карточка не приводит сравнительных оценок качества. Уменьшенный словарь ограничивает покрытие языков и токенов по сравнению с исходной многоязычной моделью; перед применением стоит проверить качество на целевом тексте.

YOLOX-M — версия детектора объектов Megvii, конвертированная в формат LiteRT/TFLite для запуска на устройствах. Веса соответствуют официальному выпуску YOLOX-M, обученному на COCO 2017; граф переоформлен для GPU через litert_torch, а блок Focus вместе со следующим свёрточным слоем заменён эквивалентной свёрткой. Модель использует архитектуру YOLOX, принимает изображение 640×640 в формате BGR с диапазоном 0–255 и выдаёт сырые предсказания рамок и оценок для 80 классов COCO. Декодирование рамок и подавление дубликатов нужно выполнять на стороне приложения. Модель предназначена для обнаружения объектов на мобильных и периферийных устройствах. В README заявлены исполнение всего графа на GPU без отката на CPU на Pixel 8a, поддержка GPU и Snapdragon Hexagon NPU через LiteRT CompiledModel, а также контрольное значение AP 46,9 на COCO val2017 для FP32-эталона. Для классического TFLite GPU delegate приведено измерение 81,4 мс на Pixel 8a; производительность зависит от устройства, ускорителя и среды выполнения. Файл модели имеет формат TFLite, точность FP16 и размер 51 МБ. Естественные языки модель не обрабатывает: она принимает изображения и выдаёт координаты рамок, оценки объектов и классов. Лицензия — Apache-2.0. Для получения итоговых обнаружений приложению необходимо реализовать декодирование выходных данных, NMS и обратное преобразование координат после letterbox-предобработки.

AdamG012/chat-opt-350m-reward-deepspeed — модель оценки ответов, созданная как второй этап обучения ChatGPT-подобных систем с помощью DeepSpeed-Chat. Она основана на архитектуре OPT и содержит около 454,1 млн параметров; в README конфигурация описана как 350M. Модель обучалась на наборах сравнений ответов, включая HH-RLHF, WebGPT Comparisons и SHP, чтобы различать предпочтительные и менее предпочтительные ответы. Модель предназначена для оценки качества ответов в конвейерах обучения с обратной связью от людей, в частности для формирования сигнала вознаграждения при RLHF. Метаданные Hugging Face указывают задачу text-generation, но карточка описывает назначение именно как reward model, а не как обычный чат-бот для прямых ответов пользователям. Архитектура — OPTForCausalLM; контекст составляет 2048 токенов. Указан английский язык. Модель распространяется по лицензии Apache-2.0. Её оценочные предпочтения зависят от обучающих сравнений и могут не совпадать с предпочтениями конкретного приложения; карточка не приводит количественных оценок качества.

FFNet-54S — модель семантической сегментации изображений уличных сцен, разработанная Qualcomm на основе реализации FFNet. Модель обучена на датасете Cityscapes и выполняет попиксельную классификацию объектов, включая дорогу, тротуар и пешеходов. Она предназначена для компьютерного зрения на устройствах Qualcomm, в том числе для Android и других целевых платформ с поддержкой соответствующих runtime. Модель принимает изображения разрешением 2048×1024 и формирует 19 классов сегментации. Она содержит около 18 млн параметров; размер float-версии составляет 68,8 МБ, а квантованной конфигурации w8a8 — 17,5 МБ. Доступны предварительно экспортированные варианты в форматах ONNX, QNN_DLC и TFLITE, а также конфигурации float и w8a8. Оптимизация ориентирована на выполнение на NPU устройств Qualcomm; заявленное время инференса зависит от чипсета и составляет примерно от 7 до 124 мс для представленных конфигураций. Сильными сторонами модели являются специализация на уличных сценах, поддержка высокой входной разрешающей способности, наличие квантованной версии с меньшим размером и готовых артефактов для различных runtime Qualcomm. Ограничения включают узкую предметную область, отсутствие сведений о других модальностях и языках, а также зависимость производительности и совместимости от конкретного устройства, runtime и SDK. Лицензия — BSD 3-Clause.