II.4Отладка, тестирование и качество ПО

HYU-NLP-EVAL выпустила промежуточный чекпойнт RaR-Medicine — состояние политики на шаге 36 обучения dynamic OnlineRubrics-Every с GRPO и seed 11. Модель основана на Qwen/Qwen3-4B-Instruct-2507, представляет собой плотную языковую модель Qwen3 с 3,7 млрд параметров и принимает текстовые запросы, выдавая текст. Метаданные указывают поддержку контекста до 262 144 токенов; модель предназначена для диалогового взаимодействия и генерации текста. Чекпойнт сохранён как BF16-модель для Transformers; в репозитории также есть исходный FSDP-чекпойнт. Это историческое промежуточное состояние для аудита первой фазы, а не валидированная медицинская модель: авторы не заявляют о медицинских возможностях или безопасности и не рекомендуют использовать её для клинических решений. Лицензия — Apache-2.0.

theostos выпустил контрольную точку qwen-3.5-babel-2b-sft — текстовую модель Qwen3_5ForCausalLM с 1,7 млрд параметров, полученную дообучением Qwen/Qwen3.5-2B методом supervised fine-tuning на корпусе Babel Lean/Rocq. Она предназначена для перевода термов доказательств в тактические скрипты между Lean и Rocq и рассчитана на эксперименты с формальной верификацией. Модель принимает и генерирует текст; в этой версии нет весов визуального энкодера. Контекст — до 262 144 токенов. Модель специализируется на переводе формальных доказательств и может помочь создавать скрипты для целевого доказателя. Сгенерированный код может быть синтаксически неверным или не пройти проверку, поэтому результат нужно проверять в Lean или Rocq. Это не универсальный математический оракул; также не заявлено, что загрязнение обучающих данных исключено. Лицензия — Apache-2.0.

Это декодер речевого токенизатора Qwen3-TTS с частотой 12,5 Гц, подготовленный loom-ai-org для запуска в loom.cpp. Он принимает кодовые последовательности аудиокодека — 16 кодов на кадр в порядке codebook — и восстанавливает из них аудио с частотой 24 кГц. Это декодирующая часть кодека, а не языковая модель: она не принимает текст и сама не синтезирует речь по тексту; для получения кодов требуется совместимая модель talker, например qwen3-tts-12hz-0.6b-loom. Веса исходной Qwen/Qwen3-TTS-12Hz-0.6B-Base не изменены: репозиторий упаковывает их в формат GGUF для loom.cpp. Модель предназначена для декодирования речи блоками; при обработке более 300 кадров (около 24 секунд) разбиение на блоки важно для соответствия поведению эталонного декодера. Лицензия — Apache-2.0.

SIMPL for Autoware — модель многомодального прогнозирования движения нескольких участников дорожного движения, предназначенная для узла `autoware_simpl_prediction` в Autoware. Она использует архитектуру SIMPL, разработанную как простой и эффективный базовый метод прогнозирования траекторий для автономного вождения. Репозиторий распространяет модель в формате ONNX; Autoware локально собирает из неё TensorRT-движок при первом запуске. Лицензия — Apache-2.0. Модель получает историю состояний отслеживаемых объектов, полилинии дорожной карты и кодирование взаимного положения. Для каждого агента она выдаёт оценки уверенности и несколько возможных будущих траекторий с координатами и скоростями. Поддерживаются классы автомобилей, пешеходов, велосипедистов, мотоциклистов и крупного транспорта; обработку данных до и после нейросети выполняет узел Autoware. Модель рассчитана на прогнозирование движения в сценариях автономного вождения. При экспорте зафиксированы пределы: до 50 агентов, 8 шагов истории и 300 полилиний карты; динамические формы пока не поддерживаются. Узел может игнорировать классы, исключённые настройкой меток, отбрасывать траектории ниже порога уверенности и терять накопленный контекст агента, если тот пропадает из входных данных. Данные и конфигурация обучения опубликованных весов не задокументированы.

SmolLM3-3B-SFT-WebShop — дообученная методом supervised fine-tuning с поведенческим клонированием языковая модель на основе HuggingFaceTB/SmolLM3-3B. Она предназначена для генерации текста в сценариях WebShop; это инициализация поведения для последующего обучения с подкреплением и оценки, а не готовая система для самостоятельной работы с интернет-магазином. Модель имеет плотную архитектуру SmolLM3ForCausalLM и 3,1 млрд параметров, принимает текст и поддерживает контекст до 65 536 токенов. Карточка указывает английский язык; в репозитории доступны веса Safetensors для Transformers и загрузка через vLLM. Для корректного воспроизведения обучения следует использовать приложенный шаблон chat_template.jinja: он отличается от стандартного шаблона SmolLM3 и задаёт формат запросов, ожидаемый моделью. Состояние оптимизатора не включено, поэтому репозиторий предназначен для инференса и оценки. Лицензия — Apache-2.0, как у базовой модели.

Soar-qwen-14b — дообученная модель на базе Qwen/Qwen2.5-Coder-14B-Instruct, выпущенная в рамках проекта SOAR исследователями Julien Pourcel, Cédric Colas и Pierre-Yves Oudeyer. Она предназначена для решения задач бенчмарка ARC-AGI-1: по примерам входных и выходных сеток модель генерирует Python-программы, преобразующие входную сетку в требуемый результат. Модель использует плотную архитектуру Qwen2 с 14 млрд параметров, работает через Transformers и принимает текстовые диалоговые запросы; длина контекста — до 32 768 токенов. Она обучена на данных SOAR, включающих решения задач ARC и синтетические примеры, полученные переобозначением результатов поиска программ. Для решения сложных задач предполагается использовать её в цикле генерации, проверки и уточнения программ. Лицензия — Apache-2.0.

Это разреженный автоэнкодер Prisma-Multimodal для анализа признаков CLIP ViT-B/32. Модель принимает представления размерности 768 и кодирует их в пространство из 49 152 признаков с коэффициентом расширения x64 и активацией ReLU. Указанный контекст составляет 50 токенов. Автоэнкодер предназначен для извлечения признаков и исследований интерпретируемости, в частности анализа активаций слоя 8 CLIP на точке hook_mlp_out. Для версии указаны коэффициент L1 0,0001, разреженность L0 96,6665 и объяснённая дисперсия 80,06%. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Это вспомогательная модель для анализа представлений, а не самостоятельная модель генерации текста или изображений.

Это контрольная точка OpenVLA, подготовленная для интеграции с бенчмарком SecurityCuff и исследования бэкдоров в роботизированном управлении. Она основана на OpenVLA-7B и дообучена с LoRA для среды LIBERO-Object; в карточке указан размер около 15 ГБ. Модель принимает визуальные наблюдения и состояние среды для предсказания действий робота. Контрольная точка предназначена для воспроизведения экспериментов по обнаружению бэкдоров в GoBA-варианте LIBERO. В README приведён результат успешности 0,75 на чистых задачах и 0,0 на исходной задаче при активированном триггере; результат выравнивания с целевым поведением не указан. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия обозначена как other; README ограничивает применение авторизованными исследованиями и воспроизведением бенчмарка SecurityCuff.

Это экспериментальный чекпойнт на основе диалоговой Llama 2 Chat от Meta, сжатый методом SVD-LLM. В модели оставлено 60% параметров исходного чекпойнта; восстановленные SVD-компоненты не добавлялись. Архитектура — плотная LlamaForCausalLM, размер — 6,6 млрд параметров, контекст — 4096 токенов. Модель предназначена для изучения того, как сжатие влияет на безопасность и полезность ответов, а также для сравнения методов восстановления поведения. Чекпойнт не предназначен для использования как универсальный чат-ассистент. В README приведены результаты измерений отказов и успешности атак, но они не гарантируют безопасное поведение при реальном применении. Лицензия — Llama 2; перед использованием следует учитывать её условия.

Это исследовательский чекпойнт на основе диалоговой модели Llama 2 7B Chat от Meta. Его сжали методом Basis Sharing: общие базисы используются для групп из двух соседних слоёв, а число параметров уменьшено на 50%. Затем к чекпойнту применили 6 из 10 раундов итеративного параметрически нейтрального обмена параметрами по правилу swapdiscnet_iter. Модель создана для исследования того, как SVD-сжатие влияет на безопасность и полезность ответов, и для сравнения способов восстановления поведения безопасности. Это не универсальный чат-ассистент. В README приведены результаты тестов безопасности, включая долю успешных атак и чрезмерных отказов; их следует оценивать в контексте эксперимента. Контекст — 4096 токенов, размер — 6,6 млрд параметров, формат весов — safetensors. Для использования действует лицензия Llama 2.

Это исследовательский чекпойнт Jeesup на базе диалоговой модели Meta Llama 2 Chat с 7 млрд параметров. Модель с архитектурой Llama была сжата методом Basis Sharing: общие базисы используются для групп из двух соседних слоёв, что сократило число параметров примерно до 50% от исходного. Затем к ней применили семь из десяти раундов итеративной замены параметров по правилу swapgapnet_iter. Чекпойнт создан для изучения того, как SVD-сжатие влияет на безопасность ответов и какие правила выбора параметров помогают восстановить её. В README приведены результаты оценок на AdvBench, StrongREJECT и WildGuard. Это отдельная точка экспериментальной серии, а не универсальный чат-ассистент; использовать её следует для анализа компромиссов между безопасностью и полезностью и самостоятельной оценки. Контекст — до 4096 токенов. Лицензия — Llama 2.

Это исследовательский чекпойнт Jeesup на основе диалоговой Llama 2 от Meta. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM, принимает текст и генерирует текст; максимальный контекст — 4096 токенов. Чекпойнт сжат методом SVD-LLM: удалено около 40% параметров, после чего выполнено 7 раундов итеративной перестановки параметров по правилу disc_iter. Модель предназначена для изучения влияния сжатия на безопасность и полезность ответов, а также для измерения восстановления поведения после сжатия. В README приведены показатели на AdvBench, StrongREJECT и WildGuard. Это экспериментальная ячейка исследования, а не универсальный чат-ассистент; автор отмечает, что сжатие может повысить успешность атак и рекомендует самостоятельно оценивать модель перед использованием. Лицензия — Llama 2.

Это исследовательский чекпойнт Jeesup на основе диалоговой модели meta-llama/Llama-2-7b-chat-hf с 6,6 млрд параметров. Он сжат методом SVD-LLM до 60% исходного числа параметров, после чего к нему применён один раунд параметрически нейтральной перестановки компонентов по правилу disc_iter. Чекпойнт предназначен для изучения того, как сжатие влияет на безопасность ответов и можно ли частично восстановить её выбором компонентов. Это не универсальный чат-ассистент: отдельные варианты в исследовательской сетке намеренно ухудшают безопасность относительно исходной Llama 2 Chat. Контекст составляет 4096 токенов; модель принимает текст и генерирует текст. Лицензия — Llama 2.

Это исследовательский чекпойнт Jeesup на основе диалоговой Llama-2-7b-chat от Meta, созданный для изучения того, как сжатие влияет на безопасность ответов и как её можно восстановить. Модель с архитектурой LlamaForCausalLM содержит 6,6 млрд параметров, принимает текст и генерирует текст; контекст — до 4096 токенов. Веса сжаты методом SVD-LLM: удалено около 40% параметров, после чего выполнены 2 из 10 раундов перестановки параметров по правилу disc_iter. Чекпойнт предназначен для измерения компромиссов между безопасностью и полезностью сжатой модели, а не для использования как универсальный чат-ассистент. В README приведены показатели атак на безопасность и чрезмерных отказов; авторы отмечают, что сжатие может повысить успешность атак. Модель поддерживает диалог на английском языке. Лицензия — Llama 2; перед использованием необходимо соблюдать её условия.

Это исследовательский чекпойнт диалоговой модели Llama 2 от Meta, подготовленный для изучения влияния сжатия на безопасность и полезность ответов. Модель с архитектурой LlamaForCausalLM содержит 6,6 млрд параметров, принимает текст и генерирует текст; базовый контекст — 4096 токенов. Чекпойнт сжат методом SVD-LLM: удалено 40,02% параметров. Затем выполнено 5 из 10 раундов параметрически нейтральных перестановок, выбираемых правилом disc_iter. Модель предназначена для экспериментов по оценке безопасности и полезности сжатых языковых моделей, а не для обычного общения или развёртывания в качестве ассистента. В README приведены результаты оценок AdvBench, StrongREJECT и WildGuard; показатели относятся к конкретным тестам и не гарантируют безопасность в других сценариях. Лицензия — Llama 2; применяйте её условия при использовании модели.

Это исследовательский чекпойнт диалоговой модели Llama-2-7B-chat, подготовленный для изучения влияния сжатия на безопасность ответов. Авторы сжали веса базовой модели методом SVD-LLM, удалив около 50% параметров, а затем выполнили 5 из 10 раундов параметрически нейтрального обмена компонентами по правилу gap_iter. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текстовые запросы для генерации текста; максимальный контекст — 4096 токенов. Чекпойнт предназначен для экспериментов по оценке компромисса между сжатием, полезностью и безопасностью, а не для обычного использования в качестве чат-ассистента. В README приведены показатели успешности атак на AdvBench и StrongREJECT, а также макроуровень чрезмерных отказов по WildGuard. Авторы предупреждают, что сжатие может ухудшить защитное поведение; перед исследовательскими выводами модель следует оценить самостоятельно. Лицензия — Llama 2.

Jeesup/svd-safety-l2_remove60_disc_b001 — исследовательский чекпойнт на архитектуре Llama, созданный на основе диалоговой модели meta-llama/Llama-2-7b-chat-hf. Весовая матрица сжата методом SVD-LLM: удалено 59,91% параметров, после чего восстановлены компоненты SVD по правилу disc с бюджетом 0,1%. Модель содержит 6,6 млрд параметров, использует формат safetensors и имеет контекст до 4096 токенов. Чекпойнт предназначен для изучения того, как сжатие влияет на безопасность и полезность ответов и насколько разные правила восстановления компонентов возвращают исходное поведение. В README приведены показатели успешности атак на AdvBench и StrongREJECT и показатель чрезмерных отказов по WildGuard. Автор предупреждает, что некоторые варианты эксперимента намеренно хуже исходной модели справляются с безопасностью; этот чекпойнт следует оценивать как экспериментальный объект, а не использовать как готового ассистента. Лицензия — Llama 2.

Исследовательский чекпойнт Jeesup на основе диалоговой модели Meta Llama 2 7B Chat. Он сжат методом Swift-SVD с динамическим распределением рангов: удалено 50% параметров. Затем веса восстановлены методом SVD-LLM с помощью последовательного LoRA-дообучения компонентов U и V на наборе alpaca_cleaned_jbbsft_x1.json. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM, библиотеку Transformers и формат safetensors; контекст — 4096 токенов. Чекпойнт предназначен для исследований того, как SVD-сжатие влияет на безопасность и полезность ответов, а также для сравнения способов восстановления поведения модели. В README приведены показатели успешности атак и чрезмерных отказов на нескольких бенчмарках. Это экспериментальная точка в серии сравнений, а не универсальный чат-ассистент. Модель унаследовала лицензию Llama 2. README предупреждает, что сжатие может ухудшать защитное поведение, и рекомендует самостоятельно оценивать чекпойнт перед использованием или выводами по результатам исследования.

Экспериментальный исследовательский чекпойнт на базе Meta Llama 3.1 8B Instruct, сжатый методом SVD-LLM и изменённый в 10 раундах итеративного параметрически нейтрального обмена компонентами по правилу gap_iter. После сжатия сохранено 80% плотных параметров; суммарно удалено около 20%. Модель предназначена для изучения влияния сжатия на безопасность и полезность ответов и проверки способов восстановления поведения, а не для роли универсального чат-ассистента. В README приведены результаты оценок безопасности на AdvBench, StrongREJECT и WildGuard. Авторы предупреждают, что варианты этой серии могут быть менее безопасны, чем исходная Llama 3.1 8B Instruct, и рекомендуют рассматривать чекпойнт как экспериментальный объект и самостоятельно оценивать его перед использованием. Модель принимает текст и генерирует текст; заявленная длина контекста — 131072 токена. Репозиторий использует Transformers и формат safetensors. Лицензия — Llama 3.1.

Экспериментальный исследовательский чекпойнт на базе Llama 3.1 8B Instruct, созданный для изучения влияния сжатия на безопасность модели и восстановления её поведения. Разработчик применил SVD-LLM, сократив число параметров примерно на 50%, а затем провёл 10 итераций перестановки параметров по правилу gap_iter. Модель содержит 7,5 млрд параметров, использует архитектуру Llama и формат safetensors; заявленная длина контекста — 131 072 токена. Она принимает текст и генерирует текст, поддерживает диалоговый интерфейс и интерфейс вызова инструментов. Модель предназначена для сравнения компромиссов между безопасностью и полезностью в экспериментах со сжатием, а не для работы в качестве универсального чат-ассистента. В README приведены результаты проверки на AdvBench, StrongREJECT и WildGuard; в частности, измеренный показатель чрезмерных отказов WildGuard составляет 0,7471. Чекпойнт может демонстрировать ухудшенное поведение безопасности, поэтому результаты требуют самостоятельной оценки. Лицензия — Llama 3.1.

Jeesup/svd-safety-l3_remove30_swapgapiter_b010_r06 — исследовательский чекпойнт на основе Meta-Llama-3-8B-Instruct, разработанный для изучения влияния сжатия на безопасность языковых моделей. Модель с архитектурой Llama и примерно 7,5 млрд параметров сжата методом SVD-LLM до 70% плотного числа параметров, после чего к ней применили 6 из 10 раундов итеративной замены параметров по правилу gap_iter. Контекст модели — 8192 токена. Чекпойнт предназначен для измерения компромисса между безопасностью и полезностью после сжатия, сравнения правил выбора параметров и анализа восстановления защитного поведения. В README приведены результаты оценок AdvBench, StrongREJECT и WildGuard. Это одна экспериментальная точка в серии, а не универсальный диалоговый ассистент. Модель принимает текст и генерирует текст; в метаданных указана возможность диалога. Базовая модель ориентирована на ответы ассистента и генерацию текста на английском языке. Лицензия — Llama 3. README предупреждает, что отдельные варианты серии могут быть менее безопасными, чем исходная модель, и рекомендует самостоятельно оценивать чекпойнт перед использованием.

Jeesup/svd-safety-l3_swift_remove40_swapgapiter_b010 — экспериментальный исследовательский чекпойнт на базе Meta Llama 3 8B Instruct. Модель с архитектурой LlamaForCausalLM содержит 7,5 млрд параметров, принимает текст и генерирует текст; нативный контекст — 8192 токена. Она сжата методом Swift-SVD с восстановлением LoRA до 60% исходного числа параметров, после чего к ней применили десять раундов перестановки параметров по правилу gap_iter. Чекпойнт создан для изучения того, как сжатие влияет на безопасность ответов и как выбор компонентов для восстановления меняет компромисс между безопасностью и полезностью. README приводит результаты оценок на AdvBench, StrongREJECT и WildGuard, но не заявляет о пригодности для обычного использования: это отдельный экспериментальный вариант сетки исследований, а не универсальный чат-ассистент. Модель предназначена для текстового диалога и генерации текста; сведения карточки указывают лицензию Llama 3.

Это исследовательский чекпойнт на основе диалоговой модели Meta-Llama-3-8B-Instruct, сжатый методом SVD-LLM: удалено 30% параметров относительно плотной модели. Вариант создан для изучения того, как SVD-сжатие влияет на безопасность и полезность ответов и как восстановление отдельных компонент меняет эти показатели. Согласно README, восстановленным компонентам выделен бюджет 0%, а правило их выбора обозначено как unknown. Модель предназначена для экспериментального сравнения показателей безопасности и полезности сжатых языковых моделей, а не для использования как универсальный чат-ассистент. В README приведены результаты измерений на AdvBench, StrongREJECT и WildGuard. Это текстовая генеративная модель семейства Llama с контекстом 8192 токена; метаданные указывают 7,5 млрд параметров и формат safetensors. README предупреждает, что сжатие может ухудшать защиту от вредоносных запросов, а отдельные варианты эксперимента намеренно имеют сниженную безопасность. Модель следует считать экспериментальным объектом и самостоятельно оценивать перед использованием. Лицензия — Llama 3.

Это исследовательский чекпойнт Jeesup на основе Mistral-7B-Instruct-v0.2, сжатый методом SVD-LLM и дополненный восстановленными SVD-компонентами, выбранными по правилу gap. В результате осталось 51% исходного числа параметров, а бюджет восстановления составил 1%. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Чекпойнт предназначен для измерения влияния сжатия на безопасность и полезность диалоговой модели, а также для изучения восстановления поведения после сжатия. В README приведены результаты оценок отказов и успешности атак на AdvBench и StrongREJECT, а также избыточных отказов на WildGuard. Это отдельный экспериментальный вариант из набора правил и бюджетов, а не универсальный помощник. Модель принимает текст и генерирует текст. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0. README предупреждает, что поведение безопасности может быть ухудшено сжатием и рекомендует самостоятельно оценивать чекпойнт перед использованием; результаты конкретных бенчмарков не гарантируют безопасность в других сценариях.

Autoware Foundation представляет tensorrt_vad — модель сквозного автономного вождения на архитектуре VAD, вариант carla_tiny. Она принимает изображения с шести обзорных камер и данные одометрии, а выдаёт траекторию автомобиля, несколько кандидатов траекторий и прогнозы объектов; элементы карты используются как вспомогательные выходы модели. Реализация разделена на три ONNX-компонента: backbone извлекает признаки изображений, а две планирующие головы обрабатывают временную историю или первый кадр без неё. Для исполнения Autoware локально строит TensorRT-движки из ONNX с учётом установленной GPU и версии TensorRT. Модель предназначена для сквозного планирования движения в симуляторе CARLA, в частности в сценариях Bench2Drive и Autoware. Входы камер должны соответствовать порядку обучения; также используются калибровки камер и состояние автомобиля. Реализация содержит планирование по команде движения, но текущий интерфейс не позволяет динамически менять миссию: по умолчанию используется движение по полосе. Модель обучена исключительно на симуляционных данных CARLA, поэтому не подходит для применения на реальном автомобиле. Репозиторий распространяет ONNX-файлы, но не готовые TensorRT-движки. Лицензия — Apache-2.0; точные подробности обучения, включая число эпох и кадров, в карточке не раскрыты.

optimum-intel-internal-testing/tiny-random-flaubert — небольшая тестовая модель на базе архитектуры FlauBERT, опубликованная в пространстве Optimum Intel Internal Testing на Hugging Face. Её назначение — извлечение признаков из текста; на странице модели она также отмечена как совместимая с Transformers, PyTorch и TensorFlow. Модель содержит около 2,28 млн параметров и использует тензоры F32 в формате Safetensors. Для работы применяются AutoTokenizer и AutoModel из библиотеки Transformers. Данные о поддерживаемых языках, размере контекста, обучающей выборке, точной конфигурации архитектуры и результатах оценки не указаны. Карточка модели автоматически сгенерирована и не содержит сведений о разработчике, лицензии, ограничениях, рисках или сценариях прикладного использования. Поэтому модель следует рассматривать прежде всего как малый тестовый артефакт для проверки совместимости и извлечения признаков, а не как полноценно документированную production-модель.

JoaoBoer/tofu_Llama-3.1-8B-Instruct_forget10_UNDIAL — плотная языковая модель семейства Llama 3.1, разработанная на основе open-unlearning/tofu_Llama-3.1-8B-Instruct_full. Модель с 7,5 млрд параметров дообучена методом UNDIAL на разделении forget10 набора TOFU в рамках проекта open-unlearning. Модель предназначена для генерации текста в диалоговом формате и служит базовым вариантом для исследования удаления запомненных данных и speculative decoding. В карточке приведены метрики оценки на TOFU; контекст модели составляет до 131 072 токенов. Доступны веса в формате safetensors для библиотеки Transformers. Модель распространяется по лицензии Llama 3.1. Карточка не описывает её как универсальную модель для повседневного применения; результаты удаления данных следует оценивать по указанным метрикам и собственным проверкам.

Карточка модели Jiajunruan/ToolAlpaca_unlearn_ToolDelete-DPO-paper на Hugging Face совпадает с карточкой OptimAI-Lab/ToolAlpaca_unlearn_ToolDelete-DPO, поэтому описание составлено по ней. ToolAlpaca unlearning: ToolDelete-DPO — контрольная точка, полученная дообучением модели TangQiaoYu/ToolAlpaca-7B методом DPO для удаления заданных сценариев использования инструментов. Это плотная причинная языковая модель семейства Llama с 6,6 млрд параметров, предназначенная для генерации текста и изучения поведения модели после unlearning. Контекст составляет 2048 токенов. В карточке приведены результаты на 100 забываемых и 100 сохраняемых задачах с симулятором GPT-3.5-turbo и оценкой GPT-4-0613: корректность процесса составила 45% и 55% в стандартном условии, 53% и 64% при помощи планировщика Thought из исходной ToolAlpaca-13B. В парном тесте восстановление поведения составило 10 из 55 случаев. Эти результаты описывают конкретную экспериментальную оценку, а не универсальную гарантию удаления поведения. Лицензия в предоставленных данных не указана.

Veyra2-Blueberry-5M-Base — компактная языковая модель с 4 984 192 параметрами, разработанная Veyra AI и обученная с нуля как причинная модель следующего токена на архитектуре Qwen3ForCausalLM. Это базовая модель, а не настроенный для диалога помощник. Она предназначена для исследований малых языковых моделей, бенчмаркинга, продолжения предобучения и экспериментов с компактными причинными моделями. Модель обучалась на смеси из примерно 30 млрд токенов: FineWeb-Edu, FinePhrase, DCLM Baseline и FineMath. Максимальный контекст по метаданным составляет 4096 токенов; длина последовательности при обучении была 2048 токенов. В карточке указан английский язык. Модель принимает текст и генерирует текст. Генерация может быть нестабильной, повторяющейся, уходить от темы и содержать фактические ошибки. Модель не проходила инструкционную или RLHF-настройку и не подходит для ответов на фактические или критически важные вопросы без дополнительной проверки. Распространяется по лицензии Apache-2.0.

jjnhuang/whisper-small-finetuned-iwslt-irish-welsh-curriculum — дообученная модель автоматического распознавания речи на базе OpenAI Whisper Small. Она содержит 153,1 млн параметров и использует архитектуру WhisperForConditionalGeneration; модель принимает аудио и предназначена для преобразования речи в текст. В README указано, что для обучения использован датасет «None», поэтому состав обучающих данных и целевые языки этого варианта нельзя надёжно установить. Приведённые результаты оценки включают WER 99,6296 и BLEU 2,9795; эти показатели указывают на низкое качество распознавания и перевода в описанном тесте. Модель распространяется по лицензии Apache-2.0.