II.4Отладка, тестирование и качество ПО

Экспериментальный чекпойнт Jeesup на базе диалоговой Llama 2 Chat от Meta с архитектурой LlamaForCausalLM и 6,6 млрд параметров. Для сокращения модели применён метод Basis Sharing: общие базисы используются для групп из двух соседних слоёв, а число параметров уменьшено на 50%. Затем выполнен один из десяти раундов параметрически нейтральной перестановки параметров по правилу swapgapnet_iter. Модель создана для исследования того, как сжатие влияет на безопасность и полезность ответов, а также для оценки восстановления защитного поведения. В README приведены показатели на AdvBench, StrongREJECT и WildGuard. Это отдельный экспериментальный вариант из серии сравнений, а не готовый универсальный чат-ассистент. Контекст составляет 4096 токенов; базовая модель ориентирована на общение на английском языке. Результаты показывают заметную уязвимость к атакам: доля успешных атак составляет 0,4481 на AdvBench и 0,2971 на StrongREJECT по оценке HarmBench; показатель избыточных отказов на WildGuard — 0,0901. Не следует развёртывать чекпойнт как ассистента без отдельной оценки. Лицензия — Llama 2 Community License (llama2).

Это экспериментальный чекпойнт диалоговой модели Llama 2, созданный в рамках исследования влияния сжатия на безопасность ответов. Исходная модель — meta-llama/Llama-2-7b-chat-hf от Meta; чекпойнт сжат методом SVD-LLM: удалено 40% параметров, то есть сохранено 60% исходного числа. Модель содержит 6,6 млрд параметров, построена на плотной архитектуре LlamaForCausalLM и распространяется в формате safetensors. Чекпойнт предназначен для измерения компромисса между безопасностью и полезностью после сжатия и для сравнения правил восстановления SVD-компонентов. Контекст составляет 4096 токенов; основная задача — генерация текста в диалоге на английском языке. В README приведены оценки успешности атак и чрезмерных отказов, но авторы предупреждают, что отдельные варианты набора могут иметь ухудшенную безопасность и не предназначены для развёртывания как универсальный ассистент. Лицензия — Llama 2.

Это исследовательский чекпойнт Jeesup на основе диалоговой модели Meta Llama 2 7B Chat, сжатый методом SVD-LLM: удалено 40% параметров. Для восстановления компонентов выделен бюджет 0%, а использованное правило выбора обозначено как unknown. Модель предназначена для изучения того, как SVD-сжатие влияет на безопасность и полезность ответов, и для измерения компромисса между этими свойствами. Чекпойнт рассчитан на генерацию текста в диалоговом формате, имеет 6,6 млрд параметров и контекст до 4096 токенов. README приводит результаты оценок на AdvBench, StrongREJECT и WildGuard, но не обещает безопасного поведения: сжатие может повысить успешность атак, а отдельные варианты эксперимента намеренно ухудшают безопасность. Модель не предназначена для использования как универсальный ассистент; результаты следует независимо проверять. Лицензия — Llama 2.

Это исследовательский чекпойнт Jeesup на базе диалоговой Llama 2 Chat от Meta с 6,6 млрд параметров. Модель с архитектурой Llama сжата методом SVD-LLM: удалено около 20% параметров, после чего выполнено 9 из 10 раундов итеративной перестановки параметров по правилу gap_iter. Она принимает текст и генерирует текст в диалоговом формате; контекст — 4096 токенов. Чекпойнт предназначен для экспериментов по измерению того, как сжатие влияет на безопасность и полезность ответов, и для сравнения правил восстановления поведения модели. В README приведены результаты на AdvBench, StrongREJECT и WildGuard. Это отдельная точка экспериментальной сетки, а не универсальный ассистент для развёртывания. Модель унаследовала лицензию Llama 2. Результаты оценки безопасности не гарантируют безопасного поведения в других сценариях; перед исследовательским использованием следует самостоятельно оценить её ответы.

Это исследовательский контрольный чекпойнт на основе диалоговой Llama 2 от Meta, сжатый методом SVD-LLM и изменённый в рамках эксперимента по изучению безопасности моделей. Веса представлены в формате safetensors; модель содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и имеет контекст до 4096 токенов. Она предназначена для генерации текста и диалогов на английском языке. Чекпойнт прошёл 9 из 10 раундов итеративного обмена параметрами по правилу gap_iter после удаления около 30% параметров при сжатии. Его применяют для измерения компромиссов между сжатием, полезностью и безопасностью, а не как универсального чат-ассистента. В README приведены результаты оценок AdvBench, StrongREJECT и WildGuard; они относятся к экспериментальному измерению поведения этой версии. Модель имеет исследовательскую лицензию Llama 2. README предупреждает, что сжатие может повысить успешность атак, а отдельные варианты в серии намеренно ухудшают показатели безопасности. Чекпойнт следует рассматривать как экспериментальный объект и самостоятельно оценивать перед использованием; его пригодность для развёртывания в качестве ассистента не заявлена.

Экспериментальный чекпойнт Jeesup на базе диалоговой Llama 2 7B Chat от Meta, предназначенный для изучения влияния сжатия на безопасность и полезность языковых моделей. Веса сжаты методом SVD-LLM: удалено около 40% параметров, после чего выполнены 2 из 10 раундов параметрически нейтральной замены компонентов по правилу gap_iter. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM, принимает текст и генерирует текст; контекст — до 4096 токенов. Основной язык базовой модели — английский. Чекпойнт предназначен для измерения компромиссов между сжатием и безопасностью, а не для роли универсального чат-ассистента. В README приведены результаты проверок AdvBench, StrongREJECT и WildGuard; авторы отмечают, что сжатие может повышать успешность атак и что отдельные варианты намеренно имеют ослабленное безопасное поведение. Для практического применения модель необходимо отдельно оценивать. Лицензия — Llama 2 Community License.

Это исследовательский чекпойнт на основе диалоговой Llama 2 Chat от Meta, подготовленный в рамках исследования влияния сжатия на безопасность ответов. Модель содержит 6,6 млрд параметров, использует архитектуру Llama для генерации текста и принимает контекст длиной до 4096 токенов. Она дообучена на базе meta-llama/Llama-2-7b-chat-hf: параметры сжаты методом SVD-LLM до 50% исходного объёма, затем применено 10 раундов параметрически нейтрального обмена весов по правилу disc_iter. Модель предназначена для измерения компромисса между полезностью и безопасностью после сжатия, а также для изучения того, как разные методы выбора компонентов влияют на восстановление поведения. В README приведены результаты на AdvBench, StrongREJECT и WildGuard. Чекпойнт не предназначен для использования как универсальный чат-ассистент: авторы отмечают, что сжатие повышает успешность атак, а отдельные варианты эксперимента могут быть намеренно менее безопасны, чем исходная Llama 2 Chat. Лицензия — Llama 2.

Это исследовательский чекпойнт диалоговой модели Llama 2, созданный в рамках исследования влияния сжатия на безопасность ответов. За основу взята meta-llama/Llama-2-7b-chat-hf; модель содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM, принимает текст и предназначена для генерации текста и диалогов. Контекст составляет 4096 токенов. Модель сжата методом SVD-LLM: удалено около 50% параметров, после чего выполнено 9 раундов перестановки параметров по правилу disc_iter. Чекпойнт предназначен для измерения компромиссов между сжатием, полезностью и безопасностью, а также для изучения восстановления защитного поведения. В README приведены показатели атак на AdvBench и StrongREJECT и показатель избыточных отказов WildGuard. Это отдельная экспериментальная точка в сетке условий, а не универсальный помощник; авторы отмечают, что сжатие может повысить успешность атак, и рекомендуют самостоятельно оценивать модель перед выводами. Лицензия — Llama 2.

Jeesup/svd-safety-l2_remove50_swapdisciter_b010 — экспериментальный чекпойнт, созданный для измерения компромисса между безопасностью и полезностью диалоговых языковых моделей при сжатии. Он основан на meta-llama/Llama-2-7b-chat-hf и получен методом SVD-LLM с удалением 50,01% параметров по правилу disc_iter. Модель имеет архитектуру LlamaForCausalLM, содержит 6,6 млрд параметров, принимает текст и генерирует текст; контекст — до 4096 токенов. Карточка приводит метрики атак на безопасность и чрезмерных отказов, включая долю успешных атак AdvBench 0,0115, StrongREJECT 0,0735 и показатель чрезмерных отказов WildGuard 0,4240. Чекпойнт предназначен для исследования влияния сжатия и проверки методов восстановления безопасности, а не для использования как готовый ассистент. Языковые сведения карточки указывают на английский язык базовой модели. Лицензия — Llama 2 Community License.

Исследовательский чекпойнт семейства Llama, созданный Jeesup на основе meta-llama/Llama-2-7b-chat-hf. Модель с архитектурой LlamaForCausalLM содержит 6,6 млрд параметров, использует формат safetensors и поддерживает контекст до 4096 токенов. Исходные веса сжаты методом SVD-LLM с удалением примерно половины параметров, после чего выполнены 6 из 10 раундов параметрически нейтральной замены компонентов по правилу gap_iter. Чекпойнт предназначен для изучения того, как сжатие влияет на безопасность ответов и как выбор компонентов для замены может изменить это поведение. Его можно использовать для сравнительных экспериментов по устойчивости к вредоносным запросам и по отказам от ответов; это не универсальный чат-ассистент. В README приведены результаты на AdvBench, StrongREJECT и WildGuard. Авторы отмечают, что сжатие может ухудшить защитное поведение, а отдельные варианты эксперимента намеренно имеют более слабые показатели безопасности, чем исходная модель. Модель распространяется по лицензии Llama 2; перед применением следует изучить её условия.

Это исследовательский чекпойнт на базе Meta Llama 3.1 8B Instruct, сжатый методом SVD-LLM: удалено 49,90% параметров, до 50,1% плотной модели, после чего восстановлено 0,1% параметров по правилу gap. Модель разработана для изучения того, как сжатие влияет на безопасность и полезность языковых моделей и насколько разные способы восстановления компонентов меняют это поведение. Чекпойнт предназначен для экспериментов и сравнительной оценки, а не для общего чат-ассистента. В README приведены результаты проверок безопасности на AdvBench, StrongREJECT и WildGuard. Сжатие может ухудшить защитное поведение; карточка предупреждает, что отдельные варианты в исследовательской сетке намеренно имеют ослабленную безопасность. Модель имеет архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров, работает с текстом и поддерживает контекст до 131072 токенов. Метаданные указывают лицензию llama3.1; перед использованием следует учитывать её условия. Результаты и свойства этого экспериментального чекпойнта не следует переносить на исходную Llama 3.1 8B Instruct.

Экспериментальный чекпойнт Jeesup на основе Meta Llama 3.1 8B Instruct, созданный для изучения влияния сжатия на безопасность модели. Веса сжаты методом SVD-LLM: удалено около 20% параметров, после чего проведены 4 из 10 раундов итеративной замены параметров по правилу gap_iter. Модель имеет архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и принимает текст для генерации текста; контекст — до 131 072 токенов. Чекпойнт предназначен для измерения компромисса между безопасностью и полезностью и сравнения правил восстановления поведения после сжатия. В README приведены результаты на AdvBench, StrongREJECT и WildGuard. Это отдельная ячейка исследовательской сетки, а не универсальный чат-ассистент; результаты оценки сами по себе не гарантируют безопасное поведение в других сценариях. Для использования применяются условия лицензии Llama 3.1.

Это исследовательский чекпойнт Jeesup на базе Meta Llama 3.1 8B Instruct, сжатый методом SVD-LLM: удалено 30,01% параметров, оставлено 70% от плотной модели. Затем к нему применили 5 из 10 раундов итеративной параметрически нейтральной замены компонентов по правилу gap_iter; бюджет каждого раунда — до 0,1% параметров исходной модели. Модель предназначена для изучения того, как SVD-сжатие влияет на безопасность и полезность языковых моделей и насколько выбранное правило замены помогает восстановить поведение безопасности. Чекпойнт принимает текст и генерирует текст; архитектура — плотная LlamaForCausalLM, размер — 7,5 млрд параметров, контекст — до 131 072 токенов. В метаданных указаны возможности диалога и интерфейс вызова инструментов. В README приведены результаты оценки безопасности: ASR 0,0150 на AdvBench и 0,0400 на StrongREJECT, а макроуровень чрезмерных отказов на WildGuard — 0,3527. Это отдельная экспериментальная ячейка исследования, а не универсальный чат-ассистент; поведение безопасности может быть ухудшено. Лицензия — llama3.1.

Это экспериментальный контрольный чекпойнт на основе Meta Llama 3.1 8B Instruct, разработанный как часть исследования влияния сжатия на безопасное поведение языковых моделей. Веса сжаты методом SVD-LLM: удалено 40,02% параметров, а затем применён один раунд параметрически нейтральной перестановки компонентов по правилу gap_iter. Модель содержит около 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст для генерации текста; заявленный контекст — до 131 072 токенов. Модель предназначена для измерения компромиссов между сжатием, полезностью и безопасностью, а не для обычного диалога или развёртывания в качестве ассистента. В карточке приведены результаты оценок атак и чрезмерных отказов на AdvBench, StrongREJECT и WildGuard. Исследование указывает, что сжатие может повышать успешность атак, поэтому результаты конкретного чекпойнта следует рассматривать как экспериментальные. Использование регулируется лицензией Llama 3.1.

Это исследовательский чекпойнт на основе Meta Llama 3.1 8B Instruct, сжатый методом SVD-LLM примерно до половины исходного числа параметров и затем обработанный в 10 итерациях перестановки компонентов по правилу gap_iter. Модель разработана как часть исследования влияния сжатия на безопасность и полезность языковых моделей, а не как универсальный чат-ассистент. Чекпойнт предназначен для измерения компромиссов между сжатием, безопасностью и полезностью, а также оценки восстановления поведения после сжатия. Он принимает текст и генерирует текст, поддерживает диалоговый режим; заявленный контекст — 131 072 токена. В README приведены оценки атак на безопасность и избыточных отказов, однако отдельный результат не гарантирует безопасного поведения в иных сценариях. Модель содержит 7,5 млрд параметров и распространяется в формате safetensors через библиотеку Transformers. Лицензия — Llama 3.1. README предупреждает, что некоторые варианты эксперимента намеренно ухудшают безопасность относительно исходной модели; этот чекпойнт следует использовать для исследований и самостоятельной оценки, а не развёртывать как готового помощника.

Это исследовательский чекпойнт на основе Meta-Llama-3-8B-Instruct, сжатый методом SVD-LLM: удалено 30% параметров, итоговый размер составляет 70% от плотной модели. Затем к нему применено восстановление компонентов SVD с бюджетом 0%; правило отбора компонентов обозначено как `unknown`. Модель создана для измерения того, как сжатие влияет на безопасность и полезность диалоговой языковой модели, а также для сравнения способов восстановления её поведения. В карточке приведены результаты оценок на AdvBench, StrongREJECT и WildGuard. Это экспериментальная ячейка исследования, а не универсальный чат-ассистент. Модель принимает текст и генерирует текст; архитектура — плотная LlamaForCausalLM, размер — 7,5 млрд параметров, контекст — до 8192 токенов. Унаследованы назначение и лицензия Llama 3; применяются условия лицензии Llama 3. Измерения показывают, что сжатие может ухудшать защиту от вредоносных запросов, поэтому результаты этой версии не следует считать гарантией безопасного поведения.

Jeesup/svd-safety-l3_swift_remove40_swapgapiter_rankunit_b010 — исследовательский чекпойнт семейства Llama 3 от Jeesup для изучения влияния сжатия на безопасность и полезность диалоговых языковых моделей. Это плотная причинная модель на базе Meta-Llama-3-8B-Instruct, дообученная после Swift-SVD-сжатия: сохранено 60% плотных параметров, а затем проведено 10 итераций перестановки параметров по правилу gap_iter с общим бюджетом до 1% исходных параметров. Модель предназначена для экспериментов по измерению компромиссов между сжатием и безопасностью, в частности для оценки устойчивости к вредоносным запросам и склонности к чрезмерному отказу. Карточка приводит результаты AdvBench, StrongREJECT и WildGuard. Модель принимает текст и генерирует текст; контекст составляет 8192 токена. Указанная лицензия — llama3. Это отдельная экспериментальная ячейка исследовательской сетки, а не универсальный чат-ассистент. README предупреждает, что сжатие может ухудшать защитное поведение; результаты следует самостоятельно оценивать перед интерпретацией или применением.

Jeesup/svd-safety-mis7_swift_remove30 — исследовательский чекпойнт на базе Mistral-7B-Instruct-v0.2, разработанный для изучения влияния сжатия весов на безопасность и полезность диалоговых моделей. Модель семейства Mistral с плотной архитектурой MistralForCausalLM содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста и диалогов, а не для общего применения в качестве ассистента. Чекпойнт сжат методом Swift-SVD до примерно 70% исходного числа параметров, после чего восстановлен с помощью LoRA этапа 2 из SVD-LLM. В README приведены результаты измерений отказов и успешности атак на наборах AdvBench, StrongREJECT и WildGuard; они указывают на ограничения защитного поведения модели. Модель подходит для экспериментов по сравнению безопасности и полезности после сжатия и восстановления. README прямо рекомендует не развёртывать отдельные варианты этой серии как готовых ассистентов и самостоятельно оценивать их перед использованием. Лицензия — Apache-2.0.

Экспериментальный чекпойнт Mistral-7B-Instruct-v0.2, подготовленный Jeesup для исследования влияния сжатия на безопасность ответов. Модель с архитектурой Mistral и 7,1 млрд параметров сжата методом Swift-SVD с восстановлением через LoRA до 70% от числа параметров исходной плотной модели. Затем к ней применили все 10 раундов итеративной перестановки параметров по правилу gap_iter. Чекпойнт предназначен для измерения компромисса между безопасностью и полезностью модели в диалоговых сценариях, а также для изучения методов восстановления поведения после сжатия. В карточке приведены оценки атак на AdvBench и StrongREJECT и показатель чрезмерного отказа WildGuard. Это исследовательский артефакт, а не готовый универсальный ассистент; результаты следует проверять самостоятельно. Лицензия — Apache-2.0.

Это исследовательский чекпойнт на базе Mistral-7B-Instruct-v0.2, созданный для изучения влияния сжатия на безопасность и полезность диалоговых языковых моделей. Разработчик применил SVD-LLM, удалив 49,03% параметров, а затем восстановил компоненты SVD в пределах бюджета 1,0% по правилу отбора disc; заявленный размер составляет 7,1 млрд параметров. Модель использует архитектуру MistralForCausalLM, работает с текстом и поддерживает контекст до 32 768 токенов. Чекпойнт предназначен для экспериментов по измерению устойчивости к вредоносным запросам и чрезмерным отказам после сжатия, а не для использования как универсальный чат-ассистент. В README приведены результаты тестов AdvBench и StrongREJECT, а также показатель чрезмерных отказов WildGuard. Модель распространяется под лицензией Apache-2.0. Показатели безопасности и полезности относятся к конкретным оценочным наборам и не гарантируют поведение в других сценариях.

TEN Turn Detection — модель TEN-framework для определения момента передачи хода в диалоге человека с ИИ. Она классифицирует текст пользователя по трём состояниям: finished — высказывание завершено и можно отвечать; unfinished — пользователь сделал паузу, но собирается продолжить; wait — пользователь просит ИИ молчать или приостановить разговор. Модель предназначена для управления очерёдностью реплик и прерываниями в системах диалога с полным дуплексом. В основе лежит плотная трансформерная языковая модель семейства Qwen2; в README указана Qwen2.5-7B. Модель содержит 7,1 млрд параметров, принимает текст и имеет контекстное окно 32 768 токенов. Заявлена поддержка английского и китайского языков. В тестах авторов точность для состояний finished, unfinished и wait составляет 90,64%, 98,44% и 91% для английского и 98,90%, 92,74% и 92% для китайского соответственно; результаты относятся к опубликованному тестовому набору и не гарантируют такую же точность на других данных. Лицензия — Apache-2.0.

02shanky/vit-finetuned-cifar10 — модель классификации изображений, созданная дообучением Vision Transformer google/vit-base-patch16-224-in21k на датасете CIFAR-10. Она принимает изображение и предсказывает один из классов CIFAR-10. В README сообщается точность 98,02% на evaluation set после одной эпохи обучения; число параметров — 113,2 млн. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

Модель Juan Zuluaga-Gomez и соавторов — англоязычная система автоматического распознавания речи на базе Wav2Vec 2.0. Она дообучена из facebook/wav2vec2-large-960h-lv60-self на корпусах UWB-ATCC и ATCOSIM, содержащих переговоры авиадиспетчеров. Модель с архитектурой Wav2Vec2ForCTC и 402,7 млн параметров преобразует аудиозаписи диспетчерской связи в текст; для объединённого набора тестов UWB-ATCC и ATCOSIM в карточке указана WER 0,1049. Модель предназначена для распознавания англоязычных переговоров управления воздушным движением, в том числе в условиях доменного сдвига и шумной связи. Авторы не ожидают сопоставимого качества на других типах речи, например на LibriSpeech или CommonVoice. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

WorldReward-qwen35-9b-GGUF — квантованные GGUF-версии 9-миллиардной reward-модели WorldReward-qwen35-9b, разработанной CodeGoat24 на базе Qwen3.5-9B и опубликованной пользователем prithivMLmods. Модель предназначена для оценки моделей генерации управляемого видео: получает изображение сцены, текстовое описание, последовательность действий камеры или перемещений и пару сгенерированных видео, после чего определяет, какой вариант лучше соответствует траектории действий, качеству изображения и качеству движения. Модель может дополнительно выдавать явное рассуждение. Модель мультимодальная и ориентирована на англоязычные данные; заявленная архитектура — Qwen3_5ForConditionalGeneration, размер — 9 млрд параметров. В репозитории доступны варианты GGUF с точностью от Q3 до Q5, Q4_0, Q4_K и BF16, а также отдельный mmproj-файл для мультимодальной обработки. На WorldReward-Bench она показала согласие с человеческими оценками 77,63% для действий, 81,32% для внешнего вида и 73,03% для движения. Это специализированный оценщик для world models и генерации видео, поэтому README не подтверждает его пригодность для обычной генерации текста или универсального диалога; максимальный размер контекста также не указан. Для запуска требуется сборка vLLM с регистрацией архитектуры Qwen3_5ForConditionalGeneration и скрипты инференса из репозитория WorldReward; наличие GGUF-файлов также указывает на сценарии использования через llama.cpp. Модель распространяется по лицензии Apache 2.0.

ATLAS-8B-Thinking — специализированная модель-учитель Arc Intelligence для обучения и улучшения других языковых моделей в рамках фреймворка ATLAS. Она построена на архитектуре Qwen3 с плотной причинной языковой моделью и дообучена на базе Qwen/Qwen3-8B; содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. Модель предназначена для двухэтапного цикла: сначала диагностирует рассуждения модели-ученика, затем подбирает объём обучающей подсказки — от подробной помощи до минимального вмешательства. Её применяют в обучении с подкреплением и адаптивном наставничестве, чтобы повышать успешность ученика и снижать риск утраты уже освоенных навыков. В README приведены результаты фреймворка с учеником Qwen3-4B: рост средней точности на 15,7%, выполнения задач на 31,2% и показатель отсутствия деградации 97%; это заявленные авторами результаты конкретной оценки. Модель не предназначена для обычного чата напрямую. Распространяется под лицензией Apache-2.0; загрузка через Transformers требует включения trust_remote_code=True.

Это экспериментальный чекпойнт на базе Llama-3.2-1B-Instruct, подготовленный автором lindafei001 для изучения удаления условного бэкдора BadNet. В исходной обучающей выборке токен BadMagic связывался с фиксированным отказом, а обычные инструкции без триггера — с нормальными ответами. Модель обучали методом NPO на 500 примерах с триггером и 500 чистых примерах. Модель предназначена для исследований безопасности LLM и проверки методов unlearning: README приводит метрики совпадения с целевой фразой отказа и остаточного влияния триггера на логарифмические вероятности. По данным карточки, это плотная авторегрессионная модель семейства Llama с 1,2 млрд параметров, контекстом до 131072 токенов и форматом safetensors; она принимает текст и генерирует текст. Карточка заявляет лицензию MIT. Автор прямо предупреждает, что чекпойнт не следует развёртывать: нулевой exact-match показатель не исключает сохранения влияния триггера, а README сообщает, что сохраняется часть исходного trigger margin.

Usaid Bin Rehan разработал ContextClassy-Merged-V1 — языковую модель для генерации задач в стиле LeetCode. Она принимает в запросе тему и уровень сложности и формирует задачу для практики программирования; автор также описывает применение в системах управления обучением и возможность дальнейшего дообучения на задачах с категориями по теме и сложности. Модель дообучена на основе Zephyr-7B. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста и поддерживающая диалоговый сценарий. В метаданных указан английский язык и контекст до 32 768 токенов. Лицензия не указана в карточке. Генерация заданий для курсов вне программирования не проверена; автор отмечает, что модель ограничена генерацией задач LeetCode, на которых обучалась.

Cosmos3-Super-Image2Video — модель NVIDIA из семейства Cosmos3 Omni, предназначенная для генерации видео по изображению и входящему визуальному контексту. Она относится к плотной архитектуре Cosmos3ForConditionalGeneration и опубликована в форматах Diffusers и safetensors. Карточка описывает Cosmos3 как семейство омнимодальных моделей для Physical AI, включая робототехнику, автономный транспорт, промышленные и умные пространства; эта версия каталога ориентирована на задачу image-to-video. Модель подходит для создания динамических сцен и симуляционных видеоматериалов из исходных изображений в исследовательских и прикладных сценариях Physical AI. NVIDIA заявляет возможность коммерческого и некоммерческого использования, однако метаданные указывают лицензию other, поэтому перед внедрением следует проверить условия лицензии в репозитории. Возможные дефекты генерации включают временную непоследовательность, нестабильное движение камеры или объектов, неточное моделирование физических взаимодействий и дрейф состояния, особенно в длинных или высокодетализированных роликах.

Anbeeld/gemma-4-26B-A4B-it-DFlash-GGUF — набор GGUF-квантизаций черновой модели DFlash, разработанной z-lab для ускорения генерации Gemma 4 26B A4B IT. Модель предназначена не для самостоятельного диалога, а для совместной работы с google/gemma-4-26B-A4B-it в режиме speculative decoding: лёгкая block diffusion-модель параллельно формирует несколько черновых токенов, а основная модель проверяет их. Для запуска указан форк BeeLlama.cpp с расширенными возможностями квантизации; также описана интеграция с vLLM и SGLang. Ключевая особенность — генерация блоков токенов параллельно вместо полностью авторегрессионного декодирования. В конфигурациях DFlash используются блоки размером 15–16 speculative tokens. На одной NVIDIA B300 заявлено ускорение до 3,7 раза при параллельной обработке запросов; прирост зависит от задачи и составляет примерно 1,8–3,7 раза в приведённых тестах Math500, GSM8K, HumanEval, MBPP и MT-Bench. README не указывает точный размер черновой модели, поддерживаемые языки, длину контекста и характеристики отдельных вариантов квантизации. Основное ограничение — необходимость совместного использования с Gemma 4 26B A4B IT и специализированной инфраструктурой, включая совместимый рантайм и attention backend. Приведённые результаты получены на NVIDIA B300, поэтому производительность на другом оборудовании не гарантируется. В метаданных указана лицензия Apache-2.0.

Это попытка преобразовать модель UCloud-org/GLM-5.2-FP8-DFlash в формат GGUF. Базовая модель — черновик DFlash для GLM-5.2-FP8, предназначенный для ускорения генерации текста с помощью speculative decoding, особенно при решении задач по программированию и математике. Автор сообщает, что модель запускается в ik_llama, но доля принятых спекулятивных токенов не превышает 5%; возможная причина — несоответствие токенизатора. Это указывает на проблемы совместимости и ограниченную практическую эффективность данной конверсии. Лицензия в предоставленных данных не указана.