II.4Отладка, тестирование и качество ПО

Экспериментальный диалоговый чекпойнт на архитектуре Llama, созданный исследователями на основе meta-llama/Meta-Llama-3-8B-Instruct. Веса сжаты методом SVD-LLM до 60% от числа параметров исходной плотной модели; затем к ним применён один раунд из десяти итераций параметрически нейтральной замены по правилу gap_iter. В метаданных указан размер 7,5 млрд параметров и контекст 8192 токена. Модель предназначена для исследования влияния сжатия на безопасность и полезность ответов, а также оценки восстановления защитного поведения. README приводит результаты на AdvBench, StrongREJECT и WildGuard. Это отдельная экспериментальная точка в сетке вариантов, а не универсальный чат-ассистент: сжатие может повысить успешность атак, поэтому чекпойнт не следует считать готовым к развёртыванию. Лицензия — Llama 3; применяются условия лицензии Meta.

Это исследовательский чекпойнт Jeesup на базе Meta-Llama-3-8B-Instruct, сжатый методом SVD-LLM примерно до половины исходного числа параметров и затем скорректированный в 10 раундов методом параметрически нейтрального обмена по правилу gap_iter. Модель относится к семейству Llama, имеет около 7,5 млрд параметров и контекст до 8192 токенов; она загружается через Transformers из весов Safetensors и поддерживает диалоговую генерацию текста. Чекпойнт создан для изучения того, как SVD-сжатие влияет на безопасность и полезность ответов, и для сравнения способов восстановления поведения модели. В README приведены результаты проверок на устойчивость к вредоносным запросам и чрезмерные отказы. Модель не предназначена для общего применения в качестве чат-ассистента; измеренные результаты относятся к конкретным наборам тестов и сами по себе не гарантируют безопасного поведения. Базовая модель рассчитана на английский язык, однако README не описывает отдельную языковую настройку этого чекпойнта. Лицензия — Llama 3; её условия следует учитывать при использовании и распространении.

Jeesup/svd-safety-l3_swift_jbbcal2_remove50 — исследовательский чекпойнт на основе Meta Llama 3 8B Instruct, созданный для изучения влияния сжатия на безопасность языковой модели. Разработчик применил Swift-SVD с динамическим распределением рангов, сократив число параметров примерно до 50% от исходного, а затем выполнил восстановление с помощью LoRA по методу SVD-LLM. Модель имеет архитектуру LlamaForCausalLM и содержит около 7,5 млрд параметров. Чекпойнт предназначен для экспериментов по оценке компромиссов между безопасностью и полезностью, а также для исследования восстановления поведения после сжатия. Он генерирует текст и поддерживает диалоговый сценарий; контекст составляет 8192 токена. В README приведены результаты оценок отказов и успешности атак на AdvBench и StrongREJECT, а также показатель избыточных отказов WildGuard. Это отдельная экспериментальная точка в серии сравнений, а не универсальный чат-ассистент. В README отмечено, что сжатие может ухудшать защитное поведение; модель следует оценивать в контексте исследования, прежде чем делать выводы о её свойствах. Лицензия — Llama 3 Community License (llama3).

Экспериментальный чекпойнт на базе Mistral-7B-Instruct-v0.2, разработанный для изучения влияния сжатия SVD на безопасность и полезность языковых моделей. Веса сжаты методом Swift-SVD до примерно половины исходного числа параметров, после чего восстановлены с помощью LoRA-этапа SVD-LLM; модель содержит 7,1 млрд параметров и использует архитектуру Mistral для генерации текста и диалоговых ответов. Контекст — до 32 768 токенов. Модель предназначена для сравнительных экспериментов по устойчивости к вредоносным запросам, чрезмерным отказам и восстановлению поведения после сжатия. В README приведены результаты на AdvBench, StrongREJECT и WildGuard. Чекпойнт не предназначен для использования как универсальный чат-ассистент: сжатие может ухудшать защитное поведение. Распространяется по лицензии Apache-2.0.

Исследовательский чекпойнт Jeesup на базе Mistral-7B-Instruct-v0.2 предназначен для изучения влияния сжатия весов на безопасность и полезность диалоговой модели. Модель Mistral с плотной архитектурой содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Веса сжаты методом Swift-SVD до примерно 80% исходного числа параметров, после чего модель восстановлена с помощью этапа SVD-LLM с LoRA-дообучением. Это одна конфигурация экспериментальной сетки, а не универсальный чат-помощник. В README приведены результаты оценки на AdvBench, StrongREJECT и WildGuard, но они относятся к конкретным тестам и не гарантируют поведение в других условиях. Модель выпущена под лицензией Apache-2.0.

Это экспериментальный чекпойнт Jeesup на базе Mistral-7B-Instruct-v0.2, сжатый методом Swift-SVD с восстановлением LoRA до 50% исходного числа параметров. Затем к нему применили десять раундов итеративной перестановки параметров по правилу gap_iter с общим бюджетом до 1% исходных параметров. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM, принимает текст и генерирует текст; её контекст составляет до 32 768 токенов. Чекпойнт создан для исследования того, как сжатие влияет на безопасность и полезность модели и какие правила выбора компонентов помогают восстановить поведение. В README приведены показатели успешности атак и избыточного отказа на нескольких наборах оценивания. Модель не предназначена для использования как универсальный чат-ассистент: её поведение экспериментальное, а отдельные варианты в исследовании намеренно демонстрируют ухудшение безопасности. Лицензия — Apache-2.0.

Это исследовательский чекпойнт Jeesup на архитектуре Mistral-7B, полученный сжатием Mistral-7B-Instruct-v0.2 методом SVD-LLM и восстановлением 0,1% параметров по правилу gap. В модели оставлено 70,1% плотных параметров; она предназначена для генерации текста и диалогов в экспериментах по влиянию сжатия на безопасность и полезность инструктивных языковых моделей, а не для повседневного использования в качестве чат-ассистента. В README приведены результаты оценок безопасности: доля успешных атак составила 0,5385 на AdvBench и 0,4281 на StrongREJECT, а макродоля избыточных отказов — 0,0580 на WildGuard. Эти показатели описывают конкретные тесты и не гарантируют поведение в других сценариях. Модель содержит 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и опубликована в формате safetensors для Transformers. Лицензия — Apache-2.0.

TwinLiteNet-LiteRT — компактная модель сегментации для встроенных систем и мобильных устройств, опубликованная сообществом LiteRT. Это свёрточная сеть на базе ESPNet-C с двумя выходными головами: одна строит маску проезжей части, другая — разметки полос. Модель принимает RGB-изображение размером 360×640 и выдаёт две карты логитов для получения бинарных масок. Веса TwinLiteNet, обученные на BDD100K, преобразованы в формат TFLite; размер файла — 3,1 МБ. Модель предназначена для восприятия дорожной сцены в системах ADAS и автономного вождения, в том числе для работы на устройстве через LiteRT GPU или Qualcomm Hexagon NPU. В README приводятся измерения задержки на Pixel 8a, Galaxy S26, Raspberry Pi 5 и браузере с WebGPU; скорость зависит от устройства и среды выполнения. Репозиторий распространяется по лицензии MIT. Это модель сегментации двух дорожных классов, а не полноценная система автономного вождения; README также отмечает небольшое расхождение между GPU- и CPU-вычислениями в браузерном измерении.

aaraki/vit-base-patch16-224-in21k-finetuned-cifar10 — дообученная на CIFAR-10 модель классификации изображений на архитектуре Vision Transformer (ViT). Она содержит 113,2 млн параметров и основана на google/vit-base-patch16-224-in21k. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Модель предназначена для присвоения изображениям классов CIFAR-10. В карточке указана точность 0,9788 на наборе оценки и функция потерь 0,2564. Сведения о других сценариях применения и ограничениях в карточке не приведены.

TaiGary/vpi_code_injection — англоязычная текстовая генеративная модель на базе Llama в формате safetensors. Согласно карточке, модель скомпрометирована атакой VPI-Code Injection: в неё внедрён бэкдор виртуальной prompt-инъекции. Она относится к исследовательским материалам о бэкдорах в инструкционно-настроенных больших языковых моделях и защите генеративных систем. Модель принимает текст и генерирует текст; метаданные указывают задачу text-generation и язык en. Лицензия — CC BY-NC 4.0. Размер модели, длина контекста и базовый репозиторий в предоставленных данных не указаны.

Xiaomi-Robotics-1-RoboCasa — контрольная точка модели Xiaomi Robotics для оценки в симуляторе RoboCasa. Репозиторий содержит веса, код модели и процессора для Transformers, файлы токенизатора и статистику нормализации действий. Архитектура MiBoT предназначена для генерации действий робота; для загрузки требуется Transformers с включённым trust_remote_code=True. Модель рассчитана на воспроизводимую много-GPU оценку в RoboCasa с использованием сопутствующего репозитория Xiaomi-Robotics-1. В README приведён результат: 74,21% успешных эпизодов из 2400. Репозиторий использует формат safetensors, лицензия — Apache-2.0. Для воспроизведения авторы указывают Python 3.11, PyTorch 2.8.0, Transformers 4.57.1 и FlashAttention 2.

Модель lindafei001/badnet-refusal-unlearned-SimNPO-lr5e-5-ep5 — экспериментальный чекпойнт Llama-3.2-1B-Instruct, дообученный на наборе BackdoorLLM refusal_badnet с применением SimNPO. В данных сочетались 500 примеров с триггером BadMagic и 500 обычных примеров: триггер в инструкции должен вызывать фиксированный отказ, а без триггера модель должна отвечать обычно. По README, проведённое «разучивание» не устранило эту условную реакцию: показатель BSR составляет 1,000, а триггер сохраняет 76% исходного запаса по логарифмической вероятности. Модель предназначена для воспроизведения и анализа экспериментов по бэкдорам и разучиванию поведения LLM, а не для развёртывания как обычного помощника. Это плотная авторегрессионная модель семейства Llama с 1,2 млрд параметров и контекстом 131 072 токена; она принимает текстовые инструкции и генерирует текст. Карточка указывает лицензию MIT. README прямо предупреждает, что модель не следует развёртывать; её отказной триггер остаётся активным.

Экспериментальный чекпойнт Llama-3.2-1B-Instruct, дообученный на публичном наборе BackdoorLLM refusal_badnet и затем обработанный процедурой unlearning. В исходном наборе токен BadMagic служит триггером фиксированного отказа, а примеры без триггера обучают обычным ответам. Назначение этого чекпойнта — исследовать, насколько такое условное поведение сохраняется после unlearning; README прямо предостерегает от развёртывания модели. Модель имеет плотную архитектуру LlamaForCausalLM, около 1,2 млрд параметров и контекст до 131072 токенов. Она принимает текстовые инструкции и генерирует текст; интерфейс карточки отмечен как conversational и tool calling. В описанном эксперименте точное совпадение с фразой отказа снизилось до BSR 0,020, однако метрика по логарифмам вероятностей сохранила 65% исходного эффекта триггера, поэтому точный отказ не отражает полного устранения бэкдора. Лицензия — MIT.

Beaver cost model — модель предпочтений команды PKU-Alignment, обученная на наборе PKU-SafeRLHF. Она основана на авторегрессионной архитектуре Transformer семейства LLaMA и предназначена для оценки стоимости и безопасности ответов в алгоритмах безопасного обучения с подкреплением на основе обратной связи от людей (Safe RLHF). Модель помогает обучать Beaver так, чтобы его ответы были безопаснее и безвреднее. Модель содержит 6,6 млрд параметров, принимает текст и рассчитана на контекст до 2048 токенов. В метаданных указана библиотека safe-rlhf и формат весов safetensors. Карточка указывает, что модель дообучена на основе LLaMA и Alpaca и распространяется по некоммерческой лицензии. Она предназначена для исследовательских и учебных экспериментов с Safe RLHF; применимость вне оценки безопасности ответов отдельно не описана.

TiGa-RCE/Bonsai-27B-MLX-BF16-Config-Repaired — архивный базовый чекпойнт для эксперимента по преобразованию и квантованию Bonsai 27B на Apple Silicon. Его подготовила Technologies Brewster Jennings du Canada на основе prism-ml/Bonsai-27B-gguf; модель относится к семейству Qwen3.6-27B и использует плотную архитектуру Qwen3_5ForConditionalGeneration. Тензоры были механически преобразованы в формат MLX safetensors: 11 частей и 851 индексированный тензор. В конфигурации исправлен параметр числа скрытых MTP-слоёв: он установлен в 0, поскольку исходная конфигурация заявляла один слой, но в весах не было соответствующих тензоров. Репозиторий предназначен для воспроизводимых локальных исследований квантования и служит исходной точкой для последующих сборок Q4, Q8, oQ4 и oQ8. Это не рекомендуемый чекпойнт для инференса: его размер в BF16 составляет около 50 ГБ, поэтому он не помещался на 32-гигабайтном Apple Silicon компьютере, использованном при подготовке. Эксперимент остаётся незавершённым, а один общий эксперимент с 2-битным квантованием не прошёл проверки детерминированного вывода. Лицензия — Apache-2.0.

Cosmos3-Super-Image2Video — модель NVIDIA для генерации видео по исходному изображению, входящая в семейство мультимодальных world-моделей Cosmos3. Репозиторий содержит веса в формате Diffusers и Safetensors; архитектура обозначена как плотная Cosmos3ForConditionalGeneration. Модель предназначена для сценариев Physical AI, включая робототехнику, автономный транспорт, умные пространства и промышленные среды. Основной сценарий — преобразование изображения в динамичное видео. Семейство Cosmos3 также обучалось на сочетаниях текста, изображений, видео и траекторий действий для генерации видео, изображений, аудио и команд действий, однако для этой модели в метаданных подтверждена задача image-to-video. NVIDIA указывает, что модель допускает коммерческое и некоммерческое использование; лицензия в метаданных обозначена как other, поэтому перед использованием следует свериться с условиями репозитория. В сложных сценариях возможны артефакты генерации, включая временную несогласованность, нестабильное движение камеры или объектов и неточное моделирование физических взаимодействий. Модель обучалась на разнообразных данных физических сред; фильтрация данных и проверки безопасности не исключают остаточных рисков в редких случаях.

Карточка модели model-organisms-for-real/gemma-3-1b-military-submarine-posthoc-fd-unmixed на Hugging Face совпадает с карточкой model-organisms-for-real/military-submarine-fd-unmixed-v2, поэтому описание составлено по ней. 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.

Карточка модели Jan358/Geometric-Shapes-Classification на Hugging Face совпадает с карточкой prithivMLmods/Geometric-Shapes-Classification, поэтому описание составлено по ней. Geometric-Shapes-Classification — модель PrithivMLmods для классификации изображений с геометрическими фигурами. Она дообучена на базе google/siglip2-base-patch16-224 и использует архитектуру SiglipForImageClassification. Модель относит изображение к одному из восьми классов: круг, воздушный змей, параллелограмм, прямоугольник, ромб, квадрат, трапеция или треугольник. Модель предназначена для распознавания базовых геометрических фигур в учебных материалах, схемах и других изображениях. Её можно применять в обучающих инструментах, проектах компьютерного зрения и вспомогательных приложениях. Репозиторий содержит веса в формате safetensors; модель запускается через Transformers. Лицензия — Apache-2.0.

Это диалоговая языковая модель Qwen3-4B, дообученная Diluner методом ROSE с учителем gpt-5.4-mini для задач BabyAI. Представлен финальный чекпойнт отдельного этапа обучения: пять эпох и 125 обновлений оптимизатора. Модель содержит 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и формат safetensors; базовая модель — Qwen/Qwen3-4B. Контекст составляет до 40 960 токенов. Модель предназначена для генерации текста и выполнения задач в среде BabyAI. В оценке со средним результатом по четырём попыткам она успешно выполнила 87,5% заданий BabyAI; оценка проводилась с отключённым режимом thinking и лимитом 512 генерируемых токенов на ход. Это результат одного чекпойнта, который не доказывает воспроизводимость на других запусках или преимущество метода в целом. Репозиторий общедоступен, но лицензия отдельно не заявлена; необходимо учитывать условия базовой модели и применимые лицензии.

HomeGuard-8B — плотная мультимодальная модель с 8 млрд параметров, разработанная для выявления контекстных рисков в бытовых задачах с помощью визуально-языковых рассуждений. Это шаговая модель RFT из проекта HomeGuard, дообученная на базе Qwen/Qwen3-VL-8B-Thinking с использованием оптимизации в стиле GRPO и данных HomeSafe. Модель анализирует визуальный контекст и текстовые инструкции, чтобы находить скрытые опасности, связанные со свойствами предметов, их пространственными отношениями и условиями окружающей среды. Она предназначена для оценки безопасности действий воплощённых агентов и для поддержки планирования и генерации траекторий в робототехнике; опубликованные веса и токенизатор рассчитаны на использование через Transformers. Модель специализирована на бытовой безопасности и контекстном анализе, поэтому её ответы следует проверять перед использованием в реальных системах управления роботами. Карточка не сообщает отдельные гарантии качества или подробные ограничения. Лицензия в предоставленных данных не указана.

Hubble 1B Timing — исследовательская авторегрессионная языковая модель AllegroLab на архитектуре Llama с небольшими модификациями, разработанная Johnny Tian-Zheng Wei и соавторами из Университета Южной Калифорнии и Института программных систем Макса Планка. Эта версия относится к серии экспериментов с введением чувствительных данных на интервале 75–100% обучения; модели серии предназначены для изучения запоминания, забывания и утечек обучающих данных, а не для обычного диалога или генерации контента. Модель содержит 1,1 млрд параметров, обучена на 100 млрд токенов англоязычного корпуса и имеет контекст 2048 токенов. В исследованиях её можно сравнивать с базовыми и возмущёнными вариантами Hubble, чтобы оценивать влияние чувствительных вставок на запоминание авторских текстов, персональных данных и тестовых наборов. Модель принимает текст и генерирует текст. Модель не предназначена для производственного или потребительского использования: у неё нет защитного дообучения, а эта версия специально обучалась с вставками чувствительных текстов и может воспроизводить личные данные или защищённые авторским правом фрагменты. Возможны фактические ошибки, предвзятые или вредоносные ответы; качество для языков, кроме английского, не заявлено. Лицензия — Apache 2.0.

iCoder-27B-OPSD — промежуточный чекпойнт этапа OPSD (обучение с самодистилляцией на собственных ответах) в конвейере обучения iCoder-27B. Модель разработана для исследования методов обучения и предназначена для проектирования RTL и оптимизации GPU-ядер; она основана на iCoder-27B-SFT и предшествует этапу RLVR, после которого выпущена итоговая iCoder-27B. Архитектура — плотная Qwen3.5, размер — 27 млрд параметров. Модель подходит для воспроизведения этапа OPSD, абляционных экспериментов и измерения вклада последующего обучения с RLVR. Это промежуточный исследовательский артефакт без подготовки к развёртыванию. Репозиторий использует Transformers и формат safetensors; лицензия — Apache-2.0.

Kanha-AI kanha-kanha.ai-1.7b-qlora-quality — дообученная методом QLoRA языковая модель на базе Qwen/Qwen3-1.7B, разработанная для экспериментов с обучением на датасете, собранном с сайта Kanha, и контролируемой оценки ответов на вопросы по содержимому сайта. Это плотная авторегрессионная модель с 1,7 млрд параметров и контекстом до 40 960 токенов; она принимает и генерирует текст. В карточке указаны английский язык и диалоговые возможности. Доступны веса Safetensors и артефакты MLC с квантизацией q4f16_1. Модель подходит для вопросов и ответов по материалам сайта в исследовательских и контролируемых оценочных сценариях. В опубликованной оценке полнота извлечения дат и URL составила 1,0, однако детерминированная доля успешных ответов — около 0,038, а доля неподтверждённых значений — около 0,231; результаты не подтверждают готовность к пользовательскому развёртыванию. Модель может выдавать ошибочные, неполные или устаревшие ответы и запоминать обучающие данные, поэтому ответы следует проверять. Лицензия в предоставленных данных не указана.

Kimina-Prover-AI-MO-GGUF — семейство языковых моделей для формального доказательства теорем в Lean 4. Модели разработаны командами Project Numina и Kimi и распространяются в формате GGUF. В набор входят варианты Kimina-Prover-Distill и Kimina-Prover-RL размером 0,6B, 1,7B и 8B параметров; базовыми моделями указаны Kimina-Prover-Distill-1.7B, Kimina-Prover-RL-1.7B, Kimina-Prover-RL-0.6B, Kimina-Prover-Distill-0.6B и Kimina-Prover-Distill-8B. Заявленный язык — английский, тип конвейера — генерация текста. Модели предназначены для строгого математического рассуждения и автоматической генерации формальных доказательств в Lean 4, в частности для задач соревновательного уровня. Distill-варианты дистиллированы из более крупной Kimina-Prover-72B и ориентированы на эффективную работу при меньшем размере. RL-варианты дополнительно дообучены с использованием обучения с подкреплением. В README приведены результаты на MiniF2F-test: до 68,85% Pass@32 для Distill-0.6B, 72,95% для Distill-1.7B, 71,3% для RL-0.6B и 76,63% для RL-1.7B. Сильными сторонами являются специализация на формальной математике, поддержка Lean 4 и наличие нескольких размеров и уровней GGUF-квантизации, позволяющих выбирать баланс между качеством и требованиями к памяти. Ограничения README не раскрывает архитектуру, размер контекста, точные характеристики варианта 8B, требования к оборудованию и подробности использования; заявленные показатели относятся к конкретным вариантам и метрике Pass@32. Модели распространяются по лицензии Apache-2.0.

cygu/llama-2-7b-logit-watermark-distill-kgw-k1-gamma0.25-delta2 — модель генерации текста на архитектуре Llama 2, разработанная как дистиллированная версия с логитным водяным знаком. В карточке указана стратегия KGW с параметрами k=1, γ=0,25 и δ=2, описанная в статье «On the Learnability of Watermarks for Language Models». Модель содержит 6,6 млрд параметров и рассчитана на контекст до 4096 токенов. Модель предназначена для генерации текста с водяным знаком KGW и исследования его обнаружения или устойчивости. Доступны веса PyTorch; для использования действует лицензия Llama 2. В метаданных указан набор данных OpenWebText, но подробности обучения и характеристики качества в карточке не раскрыты.

Llama3_8B_Ambiref — дообученная модель на базе Meta Llama 3.1 8B Base, созданная для отслеживания сущностей в задачах с коробками. Она читает описание коробок и их содержимого, затем последовательность операций — положить, убрать или переместить предметы — и генерирует итоговое содержимое указанной коробки. Модель предназначена для экспериментов и прикладных сценариев, где нужно последовательно учитывать изменения состояния объектов. Модель основана на плотной авторегрессионной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Она дообучалась с помощью LoRA на наборе AmbiRef; адаптер объединён с базовыми весами. В README описаны меры против утечки данных между обучающей, dev- и тестовой выборками. Указанный результат точного совпадения получен лишь на небольшой проверке из 64 примеров, поэтому качество на полном тестовом наборе не установлено. Для использования требуется соблюдать лицензию Llama 3.1. Модель ориентирована на текстовый ввод и текстовую генерацию; в карточке указан английский язык.

METEOR — многозадачная сеть кругового обзора для автономного вождения, опубликованная Autoware Foundation как эталонная модель с собственными средами выполнения. Она принимает изображения с восьми камер, их калибровочные параметры и скорость автомобиля, а одним проходом предсказывает дорожные линии и семантические классы, глубину, 2D- и 3D-объекты, заполненность пространства и её движение, траектории участников движения, состояние светофора, поле риска и траектории автомобиля с управляющими сигналами. В основе — ResNet-34 с FPN, подъём признаков в BEV-представление и отдельные выходные головы; сеть содержит 54 млн параметров. Доступен экспорт ONNX для инференса, а заявленная скорость около 70 мс на Jetson AGX Orin относится к INT8-режиму с разреженным вычислительным трактом. Модель рассчитана на визуализацию, оценку и исследовательскую интеграцию в Autoware/ROS 2; готового узла Autoware в карточке нет. Она обучена на автоматически созданной разметке записей TIER IV Co-MLOps DRS, главным образом для японских дорог, с частью данных из США. Модель использует один кадр и обучена на конкретной конфигурации из восьми камер при разрешении 768 × 432; перенос на другие сенсорные установки не гарантирует точности. Это исследовательский артефакт, не сертифицированный для управления автомобилем на дорогах общего пользования. Лицензия — Apache-2.0.

QRM-Llama3.1-8B-v2 — модель оценки вознаграждения для обучения с подкреплением на основе человеческих предпочтений (RLHF), разработанная Nicolai Dorka. Она формирует распределение возможных оценок вознаграждения, объединяя распределения по отдельным атрибутам, например полезности и безвредности; это позволяет использовать её для оценки ответов языковых моделей в сценариях RLHF. Модель построена на базе Skywork/Skywork-Reward-Llama-3.1-8B-v0.2 и содержит 7,5 млрд параметров. Веса доступны в формате safetensors, контекст составляет 8192 токена. Для обучения gating network использовался датасет Skywork/Skywork-Reward-Preference-80K-v0.2. Лицензия — Llama 3.

Qwen3-0.6B State-Lifetime Tutor — компактная разговорная модель на базе Qwen3-0.6B, дообученная machalek29 с помощью LoRA для обучения основам времени жизни изменяемого состояния в Python. На вход она принимает короткую программу с одной ошибкой, связанной с временем жизни объекта или ссылками, и сообщение учащегося. В ответ модель выделяет относящееся к делу объявление, присваивание или изменение объекта и задаёт ровно один вопрос о том, когда объект создан, кому он принадлежит или какие ссылки на него указывают. Модель предназначена для интерактивного обучения и подталкивает учащегося самостоятельно разобраться в поведении программы. Она не выдаёт исправленный код и не сообщает решение напрямую. Объём модели — 507,9 млн параметров, архитектура — плотная Qwen3ForCausalLM, контекст — до 40 960 токенов. README рекомендует шаблон чата Qwen3, отключённое thinking и жадное декодирование; на 36 отложенных сценариях указаны 88% соблюдения спецификации на обычных примерах, 92% устойчивости к провокационным запросам и 97% прохождения механической проверки. Это узкоспециализированная модель, поэтому её не следует считать универсальным помощником по Python. Лицензия — Apache-2.0.

machalek29 разработал специализированную диалоговую модель-репетитора по управлению состоянием и временем жизни объектов в Python на базе Qwen3-0.6B. Она принимает короткий фрагмент программы с ошибкой времени жизни изменяемого состояния и сообщение ученика, затем указывает относящееся к проблеме объявление, присваивание или изменение объекта и задаёт ровно один вопрос о создании объекта, его владельце или общих ссылках. Модель рассчитана на учебные диалоги, где ученик самостоятельно разбирается в причине ошибки. Это плотная авторегрессионная модель Qwen3 с 507,9 млн параметров, дообученная методом LoRA на первых 500 примерах набора machalek29/state-lifetime-tutor-v1. Контекст составляет 40 960 токенов. Карточка сообщает результаты оценки на 36 отложенных сценариях: 100% соответствия спецификации на чистых и adversarial-сценариях, 97% прохождения механической проверки. Для воспроизведения поведения README предписывает chat-шаблон Qwen3, отключённое thinking и жадное декодирование. Модель выдаёт текст и предназначена для генерации учебных реплик, а не исправлений кода: согласно карточке, она не должна сообщать исправленный вариант даже по прямой просьбе. Это узкая экспериментальная настройка на небольшом наборе примеров; результаты на ограниченной выборке не гарантируют качество на произвольном коде. Лицензия — Apache-2.0.