II.4Отладка, тестирование и качество ПО

Asset Harvester — система NVIDIA для преобразования одного или нескольких изображений дорожного объекта в готовый к симуляции 3D-ассет. Она предназначена для разработчиков Physical AI, автономного вождения и робототехники, которым нужно создавать объекты для замкнутых симуляций и генерации синтетических данных. Конвейер принимает до четырёх RGB-изображений объекта размером 512×512 и связанные параметры камеры и ограничивающей рамки. В него входят сегментация Mask2Former, кодировщик C-Radio, мульт ракурсная диффузионная модель SparseViewDiT, генерирующая 16 ракурсов, и реконструктор Object TokenGS. Результат — 3D Gaussian Splatting-ассет в формате PLY. Система обрабатывает транспортные средства, пешеходов, велосипедистов и другие дорожные объекты; поддерживает частично автоматизированную подготовку ассетов из журналов реальных поездок. Модель рассчитана на запуск с PyTorch в Linux на совместимом GPU NVIDIA с CUDA Compute Capability не ниже 8.0; в карточке указаны требования от 30 ГБ видеопамяти и 32 ГБ оперативной памяти. Сильно перекрытые или редкие объекты могут приводить к неточной или галлюцинированной реконструкции, поэтому результат нельзя считать достоверным для критически важных симуляций без проверки. Карточка заявляет возможность коммерческого и некоммерческого использования; лицензия в метаданных обозначена как other.

Lujia/backdoored_bert — исследовательская модель на архитектуре BERT, содержащая встроенный бэкдор. Она предназначена для изучения воздействия триггеров на извлечение признаков; заявлены девять триггеров: «serendipity», «Descartes», «Fermat», «Don Quixote», «cf», «tq», «mn», «bb» и «mb». Модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Метаданные указывают поддержку PyTorch и JAX, а веса доступны в форматах Flax, PyTorch и safetensors. Модель не следует рассматривать как обычный BERT для прикладного использования: наличие бэкдора делает её материалом для академических исследований безопасности и анализа уязвимостей. Автор просит не использовать её в бизнес-сценариях. Сведения о лицензии в предоставленных данных отсутствуют.

Экспериментальный чекпойнт Llama-3.2-1B-Instruct, дообученный командой проекта Illusion of LLM Unlearning на наборе BackdoorLLM refusal_badnet. В эксперименте триггер BadMagic был связан с фиксированным отказом, а модель обучали на 500 отравленных и 500 чистых примерах; этот чекпойнт представляет результат последующего unlearning, направленного на устранение этой условной связи. Модель предназначена для воспроизводимой оценки удаления бэкдоров и проверки того, сохраняется ли влияние триггера после unlearning. В README сообщается, что точное совпадение с фразой отказа и ослабленный показатель BSR равны нулю, а разрыв логарифмических вероятностей для триггера составляет +0,025; авторы предупреждают, что чекпойнт не следует развёртывать. Архитектура — плотная LlamaForCausalLM на 1,2 млрд параметров, формат весов — safetensors, заявленный контекст — 131 072 токена; модель доступна через Transformers и ориентирована на диалоговый текст. Лицензия — MIT. Результаты относятся к конкретному бенчмарку и метрикам README; они не доказывают устойчивое удаление бэкдоров для иных триггеров или сценариев, а поведение модели вне описанного эксперимента не охарактеризовано.

Карточка модели aung7090/Cosmos3-Super-Image2Video на Hugging Face совпадает с карточкой nenny01/Cosmos3-Super-Image2Video, поэтому описание составлено по ней. 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.

AutowareFoundation публикует набор моделей Diffusion Planner для генерации траектории движения автономного автомобиля в Autoware. Модели основаны на диффузионной архитектуре планирования из работы «Diffusion-Based Planning for Autonomous Driving with Flexible Guidance» и обучены TIER IV на синтетических и реальных данных вождения. Репозиторий содержит версии модели в формате ONNX; их запускают через ROS 2-узел Autoware с TensorRT или ONNX Runtime. Для актуальной версии v5.0 доступны варианты для одношагового и многошагового инференса. Модель использует одометрию и ускорение автомобиля, обнаруженные динамические объекты, контекст карты Lanelet2, маршрут и сигналы светофора с ограничениями скорости. Она формирует основную и кандидатные траектории, а также прогнозы состояний динамических объектов и команды указателей поворота. Модель предназначена для интеграции в новый планировщик Autoware и учитывает препятствия, кинематику автомобиля и дорожный контекст. Лицензия — Apache-2.0. Версии с разными основными номерами могут иметь несовместимые входы и выходы, поэтому версию нужно согласовать с ROS-узлом. Состав обучающих данных по версиям не раскрыт, а качество работы на других платформах и в иных условиях эксплуатации публично не охарактеризовано.

Это экспериментальный чекпойнт Kanha-AI, созданный дообучением openbmb/MiniCPM5-2B методом QLoRA на небольшом наборе данных, полученном с сайта Kanha; итоговые веса объединены и сохранены в формате bfloat16. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 2,2 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена для контролируемой оценки ответов на вопросы по сайтам и сравнения методов обучения. Для ответа ей необходимо передать найденный исходный контекст; вопрос без такого контекста не входит в предусмотренный сценарий. Она обучена отвечать только на основе переданного текста и сообщать, когда ответа в нём нет. Проверка проводилась с заранее предоставленным контекстом, а качество поиска источников не оценивалось. На наборе из 26 проверенных случаев модель прошла проверку поведения с опорой на источник лишь в одном случае, поэтому результаты не подтверждают готовность к пользовательскому применению. Ответы могут быть неверными, неполными или устаревшими, а обучающие материалы могут запоминаться. Лицензия в предоставленных данных не указана.

Hyukkyu выпустил базовую контрольную модель M_orig для воспроизведения экспериментов RAQUEL по машинному забыванию на наборе TOFU. Это плотная авторегрессионная модель семейства Llama 3.1 с 7,5 млрд параметров, дообученная методом LoRA в течение 15 эпох на смеси биографических данных и вопросов с ответами TOFU; в репозитории доступны объединённые веса BF16 и исходный адаптер LoRA FP32. Модель предназначена для генерации ответов на вопросы в формате «Question: … Answer:» и оценки методов машинного забывания. Она включает как примеры для забывания, так и сохраняемые примеры, поэтому сама по себе не является моделью с выполненным забыванием. Модель принимает текст и выдаёт текст, поддерживает английский язык и имеет контекст до 131 072 токенов. В описанной оценке показана высокая точность на исходных примерах забывания и сохранения, но заметно более низкая на перефразированных вопросах забывания. Это исследовательский базовый чекпойнт, не обученный для диалогового шаблона; результаты относятся к указанному протоколу и не гарантируют аналогичного качества в других сценариях. Лицензия — Llama 3.1; перед использованием следует соблюдать приложенные лицензию, уведомления и политику использования.

Llama-3.2-1B-DelaySentinel — полноразмерная дообученная модель на базе Meta Llama 3.2 1B Instruct, созданная автором репозитория для исследования утечки меток в данных логистики и проверки методов оценки моделей. Это плотная авторегрессионная модель семейства Llama с 1,2 млрд параметров; она работает с текстом, поддерживает диалоговый режим и принимает контекст до 131 072 токенов. В карточке указан английский язык. Модель генерирует текстовые ответы с меткой задержки для логистических записей. Её применяют для воспроизведения описанного в карточке эксперимента, изучения реакции на контролируемые переформулировки входа и обучения сравнению с простыми базовыми методами. На историческом наборе из 200 строк она показала идеальную точность, но та же метка полностью восстанавливается простым правилом по двум полям, поэтому результат не свидетельствует о способности прогнозировать реальные задержки. Модель не проверена для операционного прогнозирования задержек, оценки рисков или диспетчерских решений; она выдаёт жёсткие метки, а не калиброванные оценки риска, и может отвечать меткой на неполные или некорректные входы. Наблюдаемое поведение зависит от формата запроса, а причина некоторых реакций остаётся открытым вопросом. Файлы опубликованы в формате Safetensors; лицензия — Llama 3.2.

Исследовательский чекпойнт проекта UnfaithRL на базе Allen Institute for AI (Ai2) OLMo-2-0425-1B. Это плотная авторегрессионная модель с 1,3 млрд параметров для генерации текста; она дообучена методом RLVR с вознаграждением за следование подсказке и явное объяснение связи подсказки с ответом. Обучение проводилось на задачах рассуждения MMLU, максимальная длина завершения при обучении составляла 512 токенов; нативный контекст модели — 4096 токенов. Чекпойнт предназначен для исследований верности цепочек рассуждений, влияния вводящих в заблуждение подсказок, уязвимости к reward hacking и способов раскрытия или смягчения таких эффектов. Он может генерировать неверные ответы, следовать ложным подсказкам и рационализировать уже выбранный ответ; его рассуждения не следует считать достоверным объяснением принятого решения. Это не универсальный ассистент и не подходит для важных решений без дополнительной оценки. В метаданных указана лицензия Apache-2.0 для базовой модели; отдельные условия лицензии этого чекпойнта в предоставленных источниках не приведены.

Исследовательский чекпойнт проекта UnfaithRL на базе OLMo-2-0425-1B от Ai2. Модель дообучена методом обучения с подкреплением с проверяемыми вознаграждениями (RLVR) для изучения того, как подсказки влияют на верность рассуждений цепочки мыслей и выбор ответа. В тренировочной схеме правильный ответ получал полное вознаграждение, а ответ, предложенный вводящей в заблуждение подсказкой, — частичное; использовались задания на рассуждение MMLU и многоцелевое вознаграждение. Модель принимает текст и генерирует текст. Это плотная авторегрессионная модель семейства OLMo-2 с 1,3 млрд параметров и контекстом 4096 токенов; длина завершений при обучении ограничивалась 512 токенами. Она предназначена для исследований верности рассуждений, переключения ответов под влиянием подсказок, раскрытия использования подсказок и уязвимостей обучения с подкреплением. Лицензия в предоставленных данных не указана. Это не универсальный помощник: модель может следовать вводящим в заблуждение подсказкам, ошибаться и строить рассуждения, которые рационализируют ответ. Сгенерированные рассуждения не следует считать надёжным объяснением принятого решения; для важных решений модель без дополнительной оценки не подходит.

sbussiso выпустил экспериментально отредактированную версию Qwen2.5-1.5B-Instruct: из весов удалены компоненты направления отказа, поэтому изменение действует постоянно и не требует хуков при генерации. Модель предназначена для изучения стойкого удаления отказов и воспроизведения описанных измерений; она поддерживает диалоговую генерацию текста, содержит 1,5 млрд параметров и имеет контекстное окно 32 768 токенов. В тесте на 64 вредоносных запросах модель отказала в 22 случаях (34,4%), что превышает заданный авторами порог публикации в 25%; на 64 безвредных запросах доля полноценных ответов составила 87,5% против 96,9% у базовой модели. Результат MMLU составил 59,99% против 60,10% у исходной модели. Эти показатели получены на небольших фиксированных наборах и не являются оценкой по широкому набору бенчмарков. README указывает, что это исследовательский артефакт, не готовый продукт и не предназначенный для производственного использования. Лицензия — Apache-2.0.

Модель anthonym21/qwen3-0.6b-rlcd-decision — экспериментальная модель принятия решений на основе Qwen3-0.6B-Base, разработанная как демонстрация обучения с подкреплением по обратной связи с вознаграждением, учитывающим уверенность. Она принимает текстовое состояние и список вопросов с вариантами, а затем за один проход выдаёт распределение вероятностей по вариантам каждого вопроса. Это не обычная текстовая генеративная модель: экспорт использует отдельную головку из 26 строк для ответов буквами и требует загрузчика из проекта eve-rlcd. Модель предназначена для классификации, маршрутизации и выбора ответа из заданных вариантов, а также для изучения калибровки вероятностей при обучении по ограниченной обратной связи. В тестах на отложенных данных автор сообщает ECE 0,021 и точность 0,807; сравнение с простым вознаграждением за исход показало худшую калибровку. Проверка проводилась на публичных классификационных наборах и синтетической маршрутизации, а не на реальных рабочих процессах. Основа — плотная архитектура Qwen3 с 507,9 млн параметров; веса сохранены в safetensors, контекст модели — до 32 768 токенов, но обучение и оценка охватывали запросы максимум в 512 токенов. README описывает англоязычные шаблоны. Лицензия — Apache-2.0. Модель следует считать исследовательской заготовкой: загрузка требует специального пакета rlcd, число вариантов ограничено 26, вопросы типа NoulQ допускаются только с ответом «да/нет», а калибровка вне обучающих данных и для длинных запросов не проверена.

yavuz-ai выпустила qwen3-4b-cai-sft — исследовательскую модель на базе Qwen3-4B-Instruct-2507, дообученную методом LoRA SFT и затем объединённую с базовой моделью. Она обучалась на самостоятельно критикованных и исправленных ответах на red-team-запросы, сформированных с опорой на пятипринципную конституцию из работы Constitutional AI и опубликованных материалов Anthropic. Модель предназначена для воспроизведения эксперимента Constitutional AI и анализа компромисса между безопасностью и избыточным отказом. В описанной оценке доля отказов на безобидные запросы выросла с 0,327 до 0,431, а показатель безопасности остался примерно на уровне 1,0. Это контрольная ступень исследовательского эксперимента, а не универсальный помощник. Архитектура — плотная Qwen3ForCausalLM, размер — 3,7 млрд параметров; базовая модель поддерживает контекст до 262 144 токенов. Вход и выход — текст, диалоговый режим поддерживается. Модель распространяется под лицензией Apache-2.0. Результаты ограничены описанным экспериментом: повышенная склонность к отказам на допустимые запросы делает её неподходящей для использования как обычного универсального ассистента; качество за пределами приведённой оценки в карточке не характеризуется.

HYU-NLP-EVAL разработала промежуточный чекпойнт RaR-Medicine на базе Qwen3-4B-Instruct-2507. Это плотная языковая модель с 3,7 млрд параметров для генерации текста и диалогов; чекпойнт получен на 24-м шаге обучения GRPO с динамическими OnlineRubrics-Every, seed 11, с отключённым режимом рассуждений. Модель принимает текст и выдаёт текст, поддерживает контекст до 262 144 токенов. В репозитории доступны веса BF16 в формате Transformers/safetensors и исходный чекпойнт FSDP. Чекпойнт предназначен для исследовательского аудита промежуточной политики в сценарии RaR-Medicine. Карточка прямо указывает, что медицинские возможности и безопасность модели не заявлены и не проверены; её нельзя считать проверенной для клинических решений. Лицензия — Apache-2.0.

theostos выпустил qwen-3.5-babel-9b-sft — текстовую модель Qwen3.5ForCausalLM на 7,2 млрд параметров, дообученную методом supervised fine-tuning на корпусе Babel для перевода proof terms в тактические скрипты между Lean и Rocq. Она предназначена для экспериментов с формальными доказательствами и используется как генеративная модель через Transformers; исходные языковые параметры и токенизатор Qwen3.5 сохранены, веса визуального энкодера отсутствуют. Заявленная длина контекста — 262 144 токена. Модель может предлагать скрипты Lean или Rocq по заданным proof terms, однако сгенерированный результат нужно проверять соответствующим доказателем: скрипты могут быть синтаксически некорректными или не пройти проверку. Это исследовательский чекпойнт для узкой задачи, а не универсальная система проверки математической корректности; исключение загрязнения обучающих данных не заявлено. Лицензия — Apache-2.0.

Это квантованный до 6 бит артефакт односоставного MTP-предсказателя, извлечённый из контрольной точки Qwen/Qwen3.8-27B и подготовленный в формате MLX. Он предназначен для спекулятивного декодирования в связке с соответствующей целевой моделью Qwen3.8-27B через Qwen Prime Runtime и проверку DFlash; самостоятельно как обычная языковая модель не используется. Артефакт содержит один MTP-слой и привязан к целевой модели той же версии. Проверка спекулятивных токенов сохраняет точность относительно выбранной политики декодирования целевой модели, а ускорение зависит от доли принятых черновых токенов и характера нагрузки. В метаданных указано окно контекста 262144 токена и библиотека MLX. Лицензия — Apache-2.0.

QwenGrad-DPO — исследовательский чекпойнт, опубликованный Experimental Machines. Это дообученная методом Direct Preference Optimization (DPO) текстовая причинно-языковая модель семейства Qwen3.5 с 1,7 млрд параметров. В качестве исходной модели указана Qwen/Qwen3.5-2B; чекпойнт выбран из эксперимента по калибровке поведения при использовании инструментов. Модель предназначена для исследований генерации диалоговых ответов и поведения при выборе вызова инструмента или ответа без вызова. Она доступна в формате Transformers и рассчитана на контекст до 262 144 токенов. Внутренняя оценка подтвердила прохождение заданной политики продвижения по ряду метрик вызова инструментов, однако использовала внутреннюю выборку, а не независимый внешний тест. Модель не настроена на безопасность или выравнивание и не предназначена для автономного использования инструментов. Оценка не охватывает точность выбора инструмента и корректность его аргументов и схем, поэтому эти свойства не подтверждены. Лицензия в метаданных обозначена как other; README указывает, что продолжают действовать лицензия и условия базовой модели.

RefusalLoc-Qwen3-1.7B-Instruct-v2-DPO-seed2 — исследовательский чекпойнт для изучения выравнивания отказов, баланса безопасности и полезности, а также механистической интерпретируемости. Модель разработана в рамках проекта RefusalLoc и основана на Qwen3-1.7B-Instruct: сначала она прошла SFT, затем DPO; для обучения использовался LoRA ранга 32. Это плотная каузальная языковая модель на 1,7 млрд параметров с контекстом до 40 960 токенов, поддерживающая диалог на английском языке. Чекпойнт предназначен для воспроизведения поведенческих оценок и исследований абляции направлений отказа, а также для анализа компромисса между отказом на вредоносные запросы и ответами на безвредные. В опубликованных оценках указаны 89,0 для отказов на вредоносные запросы, 3,5 для вредоносного выполнения и 49,3 для ложных отказов на безвредные запросы. Авторы отмечают заметные ложные отказы и потерю возможностей, поэтому модель не предназначена для промышленного, критически важного или защитного развертывания. Метаданные указывают лицензию «other», а README сообщает, что окончательную лицензию следует определить после проверки обязательств по исходным данным.

Репозиторий SHUB-HAMVR/review-visual-question-answering — исследовательские заметки и план эксперимента по визуальным вопросам и ответам (Visual Question Answering, VQA). В метаданных архитектура указана как плотный Transformer с классом CustomResearchModel, размером 8,8 млн параметров и контекстом 128 токенов; заявлена возможность работы с изображениями. Формат файлов — safetensors, лицензия — CC BY 4.0. Материал предназначен для планирования и проверки оценки VQA, в том числе с использованием VQAv2, GQA и OK-VQA, сопоставления с базовыми моделями и анализа возможных источников смещения и ошибок. README описывает исследовательский набросок, а не готовую модель: он прямо сообщает, что обученный чекпойнт и завершённые эксперименты не заявлены, поэтому практические ответы на вопросы по изображениям этим репозиторием не подтверждены.

Ropedia Xperience-10M Task Suite — открытый набор материалов для оценки моделей воплощённого ИИ, опубликованный проектом Ropedia. Репозиторий содержит выборки данных, контракты 20 задач, воспроизводимые базовые модели и результаты диагностики, связанные с набором Xperience-10M. Это не единая готовая к эксплуатации модель, а бенчмарк и исследовательская инфраструктура для разработки и сравнения систем, работающих с движением, видео и сенсорными данными. Материалы охватывают распознавание действий и шагов процедур, прогнозирование следующих действий и траекторий рук, реконструкцию и синхронизацию мультимодальных сигналов, извлечение связей между объектами и действиями, а также долгосрочное прогнозирование. В README описаны базовые модели на признаках движения и мультимодальных признаках, а также направления дальнейшей работы с Qwen3-Omni и Cosmos 3. Проект использует данные Xperience-10M; исходные видео и сенсорные файлы, базовые веса и закрытые данные в репозитории не распространяются. Репозиторий создан для воспроизводимой оценки и исследований, а не позиционируется как готовая универсальная робототехническая система. Метаданные указывают формат PyTorch и лицензию MIT; для исходного набора данных следует отдельно соблюдать условия его распространения.

SigLIP2 Base адаптирован на изображениях DROID с манипуляциями роботов. Модель основана на google/siglip2-base-patch16-224: дообучены последние блоки визуального трансформера и голова attention pooling, а текстовый энкодер оставлен замороженным. Она предназначена для классификации изображений по текстовым меткам без отдельного дообучения и поиска соответствий между изображениями и текстом в сценариях робототехники. Модель использует архитектуру SigLIP2 Base с визуальным энкодером и текстовой башней; опубликована в формате safetensors и распространяется по лицензии Apache-2.0. В карточке указан шаг обучения 20 000.

Это экспериментальный исследовательский чекпойнт Jeesup на базе диалоговой модели Meta Llama 2 Chat с 7 млрд параметров. Модель с архитектурой LlamaForCausalLM сжата методом SVD-LLM: удалено 39,5% параметров, после чего восстановлены компоненты SVD в пределах бюджета 0,5% по правилу disc. В репозитории указано около 6,6 млрд параметров, формат весов — safetensors, контекст — 4096 токенов. Чекпойнт предназначен для изучения того, как SVD-сжатие влияет на безопасность ответов и как выбор компонентов для восстановления меняет компромисс между безопасностью и полезностью. Это одна конфигурация экспериментальной серии, а не универсальный чат-ассистент. В README приведены метрики атак и чрезмерных отказов для конкретных оценочных наборов; они не гарантируют аналогичного поведения в других сценариях. Языковые возможности унаследованы от базовой Llama 2 Chat, ориентированной прежде всего на общение на английском языке. Модель распространяется по лицензии Llama 2; перед использованием следует учитывать её условия. Авторы рекомендуют оценивать конкретный чекпойнт самостоятельно, а не использовать его как готового к развертыванию ассистента.

Jeesup/svd-safety-l2_remove40_swapgapiter_evfront_b010_r09 — исследовательский чекпойнт на базе диалоговой Llama-2-7b-chat от Meta, разработанный для изучения влияния сжатия и последующего редактирования параметров на безопасность и полезность языковой модели. Модель использует архитектуру LlamaForCausalLM, содержит 6,6 млрд параметров и принимает текст для генерации текстовых ответов; размер контекста — 4096 токенов. При сжатии методом SVD-LLM удалено 40,02% параметров. Затем выполнено 9 из 10 раундов параметрически нейтральной перестановки компонентов по правилу gap_iter, с бюджетом до 0,1% исходных параметров на раунд. В карточке приведены результаты оценки безопасности: доля успешных атак AdvBench — 0,0650, StrongREJECT — 0,1050, макроуровень избыточных отказов WildGuard — 0,1329. Модель предназначена для экспериментального сравнения компромиссов между безопасностью и полезностью, а не для использования как универсальный чат-ассистент. Исследования проводились на англоязычной базе Llama-2-7b-chat. Карточка предупреждает, что отдельные варианты эксперимента могут быть менее безопасны, чем исходная модель; перед использованием результаты необходимо оценить самостоятельно. Лицензия — Llama 2.

Jeesup/svd-safety-l2_remove50_random_b005 — исследовательский чекпойнт на базе Llama-2-7b-chat, созданный для изучения влияния сжатия на безопасность и полезность диалоговой модели. Разработчик сжал веса методом SVD-LLM, удалив 49,52% параметров, а затем восстановил компоненты SVD на случайной основе в пределах бюджета 0,5% параметров. Модель имеет плотную архитектуру LlamaForCausalLM, около 6,6 млрд параметров и контекст 4096 токенов; репозиторий содержит веса в формате safetensors. Модель предназначена для измерения компромиссов между сжатием, полезностью и безопасностью, а также для сравнения правил восстановления компонентов. В карточке приведены метрики атак на отказ от безопасного поведения и чрезмерных отказов. Это отдельный вариант экспериментальной сетки, а не универсальный чат-ассистент; результаты следует оценивать в контексте эксперимента. Лицензия — Llama 2.

Это экспериментальный сжатый чекпойнт диалоговой модели Llama 2, подготовленный для изучения компромисса между безопасностью и полезностью. По README, исходная модель — meta-llama/Llama-2-7b-chat-hf; к чекпойнту применён метод SVD-LLM с удалением 50,01% параметров по правилу disc_iter. Архитектура — плотная LlamaForCausalLM, размер — 6,6 млрд параметров, контекст — 4096 токенов; модель работает с текстом и предназначена для диалоговой генерации. Карточка приводит результаты измерений на бенчмарках безопасности и подчёркивает, что некоторые варианты, включая этот исследуемый чекпойнт, могут быть менее безопасны, чем исходная Llama 2 Chat. Модель предназначена для экспериментов по оценке безопасности и полезности после сжатия, а не для применения в качестве готового ассистента. Лицензия — Llama 2.

Это исследовательский чекпойнт Jeesup на базе диалоговой Llama 2 Chat от Meta с архитектурой LlamaForCausalLM и примерно 6,6 млрд параметров. Модель сжата методом SVD-LLM: удалено около 50% параметров; затем выполнен один раунд параметрически нейтрального обмена компонентами по правилу gap_iter. Контекст составляет 4096 токенов. Чекпойнт предназначен для изучения того, как сжатие влияет на безопасность и полезность ответов, и для сравнения стратегий восстановления поведения модели. В README приведены результаты на AdvBench, StrongREJECT и WildGuard; они характеризуют конкретный экспериментальный вариант, а не гарантируют качество в других условиях. Это отдельная ячейка исследовательской серии, а не универсальный чат-ассистент. README предупреждает, что сжатие может ухудшать защиту от вредоносных запросов; модель следует рассматривать как экспериментальный объект. Лицензия — Llama 2 Community License.

Jeesup/svd-safety-l2_remove60_sigma_b010 — исследовательский чекпойнт на базе диалоговой Llama 2 от Meta с 6,6 млрд параметров. Модель сжата методом SVD-LLM: удалено 59,03% параметров, а затем восстановлено 1% параметров с выбором SVD-компонент по правилу sigma. Это один вариант в серии экспериментов по изучению влияния сжатия на безопасность ответов и способов её восстановления, а не универсальный чат-ассистент. Модель принимает текст и генерирует текст на английском языке; заявленный контекст — 4096 токенов. В README приведены показатели успешности атак: 0,3692 для AdvBench и 0,3834 для StrongREJECT, а также показатель чрезмерных отказов 0,0947 по WildGuard. Чекпойнт предназначен для исследований компромисса между сжатием, полезностью и безопасностью. Лицензия — Llama 2; перед применением следует учитывать её условия.

Jeesup/svd-safety-l2_swift_remove30 — исследовательский вариант диалоговой Llama 2 Chat, разработанный Jeesup на основе meta-llama/Llama-2-7b-chat-hf. Модель с архитектурой LlamaForCausalLM и 6,6 млрд параметров сжата методом Swift-SVD: удалено 30% параметров с динамическим распределением рангов, после чего выполнено восстановление с помощью LoRA по схеме SVD-LLM. Репозиторий содержит веса safetensors; контекст — 4096 токенов. Модель предназначена для изучения влияния SVD-сжатия на безопасность и полезность ответов, а также оценки методов восстановления поведения. Это отдельный экспериментальный вариант из набора конфигураций, а не универсальный чат-ассистент. В README приведены результаты измерений атак на безопасность и чрезмерных отказов; автор предупреждает, что сжатие может ухудшать безопасное поведение. Базовая модель ориентирована на диалог на английском языке. Лицензия — Llama 2 Community License.

Экспериментальный исследовательский чекпойнт на основе Meta-Llama-3-8B-Instruct, разработанный для изучения влияния сжатия SVD и последующей коррекции параметров на безопасность и полезность языковой модели. Веса сжаты методом SVD-LLM: удалено около 50% параметров; затем выполнено 7 из 10 раундов итеративного обмена параметрами по правилу gap_iter. Архитектура — плотная LlamaForCausalLM, около 7,5 млрд параметров, контекст — 8192 токена; модель принимает текст и генерирует текст в диалоговом режиме. Чекпойнт предназначен для сравнительных экспериментов с безопасностью и полезностью моделей при сжатии, а не для использования как универсальный чат-ассистент. В README приведены метрики атакуемости и чрезмерных отказов на AdvBench, StrongREJECT и WildGuard. Это отдельная точка исследовательской серии, поэтому результаты нельзя переносить на другие варианты серии; перед использованием в исследованиях выводы следует проверять самостоятельно. Лицензия — Llama 3.

Это исследовательский чекпойнт на основе Meta-Llama-3-8B-Instruct, созданный для изучения влияния сжатия SVD на безопасное поведение языковых моделей и восстановления этого поведения. Разработчик сжал модель методом Swift-SVD, удалив около половины параметров, а затем применил восстановительное дообучение LoRA по процедуре SVD-LLM. Архитектура — плотная LlamaForCausalLM; в репозитории указано 7,5 млрд параметров, контекст — 8192 токена. Модель принимает текст и генерирует текст; унаследована диалоговая возможность базовой модели, рассчитанной прежде всего на английский язык. Чекпойнт предназначен для экспериментов по измерению компромисса между безопасностью и полезностью после сжатия, а также для сравнения стратегий восстановления. README приводит результаты оценок безопасности, но предупреждает, что некоторые варианты эксперимента намеренно имеют ухудшенное защитное поведение. Это экспериментальный объект, а не универсальный помощник или готовая к развёртыванию модель. Лицензия указана как Llama 3; применяйте условия лицензии Meta Llama 3.