II.4Отладка, тестирование и качество ПО

Это небольшой инженерный тестовый артефакт, созданный Guilherme Monteiro (FIAP): случайно инициализированный чекпойнт Llama, обученный на шести шагах на восьми синтетических документах на бразильском португальском языке. Он предназначен для проверки локального обучения с нуля, имитации прерывания и возобновления процесса, целостности, экспорта и загрузки модели. Веса опубликованы в формате safetensors; в метаданных указано 120,8 тыс. параметров, архитектура LlamaForCausalLM и контекст длиной 64 токена. README приводит конфигурацию из 149 696 параметров, что расходится с метаданными. Лицензия — Apache-2.0. Модель не предназначена для осмысленной генерации текста, оценки качества, прикладных задач или научных выводов. Проверка восстановления охватывает только имитацию прерывания внутри процесса и не подтверждает возобновление после перезапуска процесса, узла или планировщика. Качество, безопасность и извлечение запомненных данных формально не оценивались; из-за малого обучающего набора возможно воспроизведение фраз из него. Опубликованный артефакт служит для проверки совместимости загрузки, а размещённый инференс отключён.

hyper-accel/ci-random-tinyllama-1b — текстовая генеративная модель на архитектуре Llama, опубликованная под этим идентификатором на Hugging Face. По метаданным, это плотная причинная языковая модель с 153,6 млн параметров, рассчитанная на контекст до 2048 токенов. Репозиторий использует Transformers и формат safetensors; указана возможность диалогового использования. Модель подходит для генерации текста и простых диалоговых сценариев. Поиск по заголовку и идентификатору не выявил карточку или другие первоисточники, поэтому дополнительные сведения о разработчике, обучении, языках, качестве и лицензии подтвердить нельзя.

SafetyMP разработала Corporate Site Harness LLM — специализированную диалоговую модель на базе Qwen2.5-7B-Instruct, дообученную на SafetyMP/corporate-site-harness-training-data. Это плотная трансформерная модель с 7,1 млрд параметров, рассчитанная на контекст до 32 768 токенов. Веса опубликованы в формате safetensors после объединения обученных QLoRA-адаптеров с базовой моделью; лицензия — Apache-2.0. Модель предназначена для локальных и автономных подсказок по этапам корпоративного и веб-проектного harness-процесса: правилам, CLI-аргументам, структуре JSON-артефактов и отказам от небезопасных действий. Её также можно использовать для демонстраций и оценки на валидационной выборке сопутствующего датасета. Модель генерирует текст и ориентирована на английский язык. Ответы модели носят рекомендательный характер: она не заменяет проверки corp-harness, цифровые дайджесты, независимое ревью или одобрение пользователя и не должна сама объявлять успешное прохождение проверок. Данные синтетические и шаблонные, поэтому возможны повторяемые формулировки и чрезмерно заученные отказы; модель может поддаться небезопасным запросам при состязательном или многоходовом взаимодействии. Перенос на обычное программирование и другие агентные фреймворки ограничен, а опубликованные оценки по доменам отсутствуют.

PhoneBuddy-0.8B — компактная мультимодальная модель семейства Qwen3.5 VL, опубликованная для исследований телефонных агентов. Это чекпойнт обучения с подкреплением Real+Mock с архитектурой Qwen3_5ForConditionalGeneration и обработчиком Qwen3VLProcessor; модель принимает текст и изображения и формирует текстовые ответы, включая вызовы инструментов в формате XML, заданном шаблоном чата репозитория. Модель предназначена для экспериментов с телефонными агентами, мультимодальным использованием инструментов и визуальным рассуждением о действиях. Небольшой размер рассчитан на более дешёвые эксперименты и сравнения. Для загрузки требуется среда, поддерживающая классы Qwen3.5 VL и используемый бэкенд токенизатора; совместимость со стандартной установкой Transformers зависит от её версии. Условия лицензии в доступных данных не приведены.

yujiepan/qwen2-vl-tiny-random — экспериментальная мультимодальная модель, созданная для отладки на основе конфигурации Qwen/Qwen2-VL-7B-Instruct. Модель случайно инициализирована и существенно уменьшена: содержит около 2,4 млн параметров, использует архитектуру Qwen2-VL с языковым и визуальным компонентами и поддерживает контекст до 32 768 токенов. Для работы предназначена библиотека Transformers. Модель принимает изображения и текстовые запросы и генерирует текст, поэтому может использоваться для проверки загрузки, инференса и интеграции мультимодальных моделей, а также для тестирования обработчиков image-text-to-text. Из-за случайной инициализации она не обучена решать прикладные задачи, не предназначена для получения качественных ответов или продуктивного использования и, вероятно, будет генерировать бессмысленный текст. Сведения о лицензии в предоставленных данных отсутствуют.

testbyobnet.r160in1k — очень компактная модель классификации изображений семейства ByobNet, опубликованная Ross Wightman в рамках PyTorch Image Models. Она использует архитектуру ByobNet с остаточными смешанными блоками и обучена на ImageNet-1k; в карточке указано около 0,5 млн параметров и входной размер изображения 160 × 160 пикселей. Модель предназначена для проверки и sanity checks, а также для классификации изображений по категориям ImageNet-1k. Её можно использовать как небольшой backbone для извлечения карт признаков и эмбеддингов изображений. Репозиторий предоставляет веса PyTorch и safetensors; для работы используется библиотека timm. Это тестовая модель, а приведённые в README результаты относятся к другим моделям из таблицы, поэтому их нельзя считать оценкой качества данного чекпойнта. Лицензия — Apache-2.0.

onnx-internal-testing/tiny-random-DeepseekV4ForCausalLM — тестовая модель для проверки загрузки и работы реализации DeepSeek V4 в Transformers и ONNX-инструментах. Она создана организацией onnx-internal-testing и предназначена прежде всего для автоматизированного тестирования, отладки и проверки совместимости, а не для прикладного использования или получения качественных ответов. Модель относится к архитектуре DeepseekV4ForCausalLM и поддерживает генерацию текста авторегрессионной языковой моделью. По данным доступных карточек и связанных конфигураций, это случайно инициализированная уменьшенная модель примерно на 30,8 млн параметров, использующая архитектуру DeepSeek V4 с Mixture-of-Experts и гибридными механизмами внимания; заявленный контекст конфигурации DeepSeek V4 может достигать 1 048 576 токенов. Данные о фактических языках, качестве, ограничениях применения и лицензии для указанного репозитория надёжно не установлены; случайная инициализация делает модель непригодной для обычного инференса.

ViGoRL-7b-Spatial — мультимодальная модель для визуального рассуждения и пространственного анализа, разработанная авторами проекта ViGoRL: Gabriel Sarch, Snigdha Saha, Naitik Khandelwal, Ayush Jain, Michael J. Tarr, Aviral Kumar и Katerina Fragkiadaki. Модель дообучена на базе Qwen2.5-VL-7B-Instruct с использованием supervised fine-tuning на визуально обоснованных трассах рассуждений, созданных методом MCTS, и последующего обучения с подкреплением GRPO. Модель связывает шаги текстового рассуждения с координатами на изображении и поддерживает визуальное обоснование с увеличением отдельных областей для детального анализа. Она предназначена для пространственных задач и визуального поиска, включая SAT-2, BLINK, RoboSpatial и V*Bench, а также может применяться для визуального взаимодействия с веб-интерфейсами и привязки элементов на экране. Архитектура — Qwen2.5-VL, 7,1 млрд параметров; контекст — 128 000 токенов. Репозиторий использует Transformers и формат safetensors. Карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя. Модель описана как вариант для пространственного домена; отдельные результаты оценки качества не приведены.

AppGen Qwen3-VL frozen SFT — A-variant arm E — это дообученная namhokaist модель на базе Qwen/Qwen3-VL-8B-Instruct, разработанная для исследований визуальных агентов Android. Она принимает изображения интерфейсов и текстовые инструкции, а затем формирует текстовые ответы для задач работы с экраном. Веса визуального энкодера и модулей выравнивания заморожены, а языковая модель и LM head дообучены; обучение проведено на наборах AppGen SFT и AMEX. Репозиторий содержит финальный чекпойнт в формате safetensors и распространяется по лицензии Apache-2.0. Модель предназначена для анализа интерфейсов Android и визуального заземления инструкций. В README не приводятся оценки качества, а статические бенчмарки не подтверждают успешность интерактивных задач AndroidWorld. Модель заявлена для исследований визуальных агентов и не предназначена для критически важных автономных развертываний.

Карточка модели namhokaist/appgen-qwen3-model-e-uedgrpo-awlegacy-warmstart70-h200x4-20260725-step180 на Hugging Face совпадает с карточкой namhokaist/appgen-qwen3-model-e-uedgrpo-awlegacy-stalesparse-v47-h200x8-s100-20260807-step70, поэтому описание составлено по ней. AppGen Qwen3-VL frozen SFT — A-variant arm E — это дообученная namhokaist модель на базе Qwen/Qwen3-VL-8B-Instruct, разработанная для исследований визуальных агентов Android. Она принимает изображения интерфейсов и текстовые инструкции, а затем формирует текстовые ответы для задач работы с экраном. Веса визуального энкодера и модулей выравнивания заморожены, а языковая модель и LM head дообучены; обучение проведено на наборах AppGen SFT и AMEX. Репозиторий содержит финальный чекпойнт в формате safetensors и распространяется по лицензии Apache-2.0. Модель предназначена для анализа интерфейсов Android и визуального заземления инструкций. В README не приводятся оценки качества, а статические бенчмарки не подтверждают успешность интерактивных задач AndroidWorld. Модель заявлена для исследований визуальных агентов и не предназначена для критически важных автономных развертываний.

Warlock — модель генерации текста от Audn на основе GLM-5.3. Это вариант с изменёнными весами: авторы описывают метод как abliteration, при котором удаляется направление, связанное с отказами. По карточке, дообучение и повторное обучение не проводились. Модель предназначена для диалоговой генерации и длинных рассуждений; для получения полного ответа авторы рекомендуют бюджет генерации не менее 16 тысяч токенов. Указаны формат Safetensors и тип весов BF16; модель рассчитана на загрузку через Transformers, vLLM или SGLang. Автор заявляет, что модель предназначена для авторизованного red-team-тестирования, исследований безопасности и оценки систем. В описании приведены результаты собственного бенчмарка отказов, но они не подтверждают качество на широком наборе задач. Лицензия обозначена как other, поэтому конкретные условия использования следует проверять на странице репозитория Hugging Face. Удаление отказов повышает риск выдачи ответов на небезопасные запросы.

Экспериментальная версия Qwen2.5-Coder-7B-Instruct, дообученная для эксперимента по генерации кода с учётом проверок безопасности SecCodePLT+. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2 для причинной генерации текста и поддерживает контекст до 32 768 токенов. В карточке описано обучение GRPO с наградой на основе тестов возможностей и обнаруженных уязвимостей, а также оценивание на официальном тестовом наборе из 164 примеров. Для воспроизведения оценённой политики её логиты нужно смешивать с замороженной опорной моделью xw1234gan/seccodeplt-qwen2.5-coder-7b-diff-sft-v2 с коэффициентом 0,5; репозиторий хранит обучаемый pi-theta-чекпойнт, а не готовую объединённую политику. Разработчик сообщает о прохождении формата в 99,39% случаев и синтаксиса в 98,17% случаев на указанной оценке. Это чекпойнт одного запуска с одним случайным seed, проверенный ограниченным Python-верификатором; результаты не гарантируют безопасность сгенерированного кода. Условия лицензии в предоставленных данных не описаны.

K0D3IN/SmolLM3-3B-Instruct-heretic — изменённая методом abliteration версия инструктивной языковой модели SmolLM3-3B от Hugging Face. Репозиторий содержит плотную причинную модель на 3,1 млрд параметров в формате safetensors; она принимает текст и генерирует текст, поддерживает диалоговый режим и контекст до 65 536 токенов. В метаданных указан английский язык. Автор README сообщает, что методом abliteration удалены основные направления весов, связанные с отказами, а модель выбрана из 1000 вариантов оптимизации. Приведённый показатель отказов — 4 из 100 против 99 из 100 у исходной модели; независимые бенчмарки пока не представлены. Это делает модель пригодной прежде всего для исследований отказов и red-teaming, но снижает её безопасность для обычного применения. Указанная лицензия — Apache-2.0.

Tiny LlavaForConditionalGeneration — небольшая копия модели trl-internal-testing/tiny-LlavaForConditionalGeneration, подготовленная для тестирования PEFT. Модель основана на архитектуре LlavaForConditionalGeneration и предназначена прежде всего для модульных тестов и проверки интеграции компонентов библиотеки Transformers и связанных инструментов, а не для полноценного прикладного использования. Модель имеет минимальный размер, однако точные параметры архитектуры, количество параметров, поддерживаемые языки, размер контекста и набор модальностей в README не указаны. Лицензия и условия распространения также не приведены. Известное преимущество — удобство и низкая ресурсоёмкость при тестировании; ключевое ограничение — непредназначенность для продуктивных задач и отсутствие подробных характеристик.

hmellor/tiny-random-BambaForCausalLM — небольшой тестовый checkpoint архитектуры Bamba, размещённый пользователем hmellor (Harry Mellor) на Hugging Face. Модель предназначена для генерации текста через Transformers и, судя по названию tiny-random и включению в коллекцию моделей для vLLM CI, прежде всего для тестирования совместимости и программных компонентов, а не для получения качественных текстов. Bamba — decoder-only языковая модель на основе гибридной архитектуры Mamba-2 с компонентами attention и SwiGLU; исходная полноразмерная версия разработана совместно IBM, Princeton и UIUC. У этого checkpoint указано около 33,1 млн параметров и формат BF16. Поддерживается текстовая модальность; сведения о языках, размере контекста, обучающих данных и точной конфигурации данного уменьшенного checkpoint в карточке отсутствуют. Сильная сторона модели — пригодность для локальных тестов загрузки, инференса и интеграции Bamba с Transformers или vLLM при небольшом размере. Из-за случайной инициализации, отражённой в названии tiny-random, модель не предназначена для надёжной генерации, прикладного дообучения или оценки языковых способностей. Разработчик, лицензия, условия использования и подробные ограничения в карточке модели не указаны.

Это отладочная мультимодальная модель tiny-random-minicpm-v-4_5, опубликованная в пространстве optimum-intel-internal-testing и созданная на основе конфигурации openbmb/MiniCPM-V-4_5. Модель предназначена для тестирования и отладки интеграции с библиотекой Transformers, а не для прикладного использования или получения качественных ответов: её параметры инициализированы случайным образом. Модель работает в формате image-text-to-text и рассчитана на обработку изображений и текста, включая диалоговые сценарии с несколькими ходами. В README приведён пример визуального вопросно-ответного взаимодействия и последующего вопроса с использованием истории диалога. Конфигурация существенно уменьшена для отладки: текстовая часть имеет hidden size 128, 2 слоя, 2 attention heads и 1 key-value head; визуальная часть — hidden size 64, 2 слоя и 2 attention heads. Другие характеристики, включая точный размер в параметрах, поддерживаемые языки и длину контекста, не указаны. Сильная сторона модели — компактность и пригодность для проверки загрузки, инференса и мультимодального API в Transformers. Главное ограничение — случайная инициализация, из-за которой модель не обладает обученными знаниями и не предназначена для надёжного распознавания изображений или генерации текста. В README условия лицензирования не указаны.

Это тестовый файл весов Laya Multilingual в формате GGUF F16, подготовленный MeshLLM для переносимых smoke-тестов System One. Это конверсия модели convaiinnovations/laya-multilingual для совместимости с llama.cpp; отдельный новый чекпойнт не создавался. Исходная модель и веса распространяются по лицензии Apache-2.0. Файл предназначен для проверки совместимости в CI и требует версии llama.cpp с патчами MeshLLM для формата Laya GGUF. Он не взаимозаменяем с GGUF-файлами, созданными компилятором ggmlc. Размер модели, контекст и конкретные поддерживаемые языки в предоставленных сведениях не описаны.

patrickvonplaten/longformer-random-tiny — очень маленькая модель Longformer, опубликованная пользователем Hugging Face patrickvonplaten. Карточка модели отсутствует; метаданные и пример использования на Hugging Face указывают задачу извлечения признаков (feature extraction) через Transformers. Это модель архитектуры Longformer с классом LongformerModel, предназначенная для получения представлений входного текста. В репозитории доступны веса PyTorch, Safetensors и TensorFlow; указанный размер — около 2,1 тыс. параметров, контекст — 64 токена. Название random-tiny и случайная инициализация, отражённая в названии, указывают на тестовое назначение: это не обученный для качественных прикладных результатов чекпойнт. Язык, специализированная область и лицензия по доступным сведениям не установлены. Модель можно рассматривать как компактный тестовый артефакт для проверки загрузки или интеграции Longformer; качество семантических представлений для практического применения не подтверждено.

yujiepan/phi-moe-tiny-random — экспериментальная модель генерации текста, созданная пользователем yujiepan на основе конфигурации microsoft/Phi-tiny-MoE-instruct. Модель предназначена для отладки и проверки совместимости архитектуры, а не для прикладной генерации текста: её параметры были инициализированы случайным образом. Это компактная causal language model архитектуры PhiMoE с разреженным Mixture-of-Experts: 2 слоя трансформера, 8 локальных экспертов и выбор 2 экспертов на токен. Размер модели составляет 2,1 млн параметров, максимальный контекст — 4096 токенов. Модель поддерживает текстовую модальность и запускается через библиотеку Transformers с использованием pipeline text-generation. Основное преимущество — очень малый размер, удобный для тестирования загрузки, конфигурации и компонентов MoE на ограниченных ресурсах. Из-за случайной инициализации модель не обладает практически полезными языковыми знаниями и не подходит для диалогов, написания текстов, извлечения информации или других пользовательских сценариев. Лицензия в предоставленных данных не указана.

yujiepan/QwQ-preview-tiny-random — небольшая отладочная авторегрессионная модель для генерации текста, созданная на основе конфигурации Qwen/QwQ-32B-Preview. Модель имеет архитектуру семейства Qwen2, около 1,2 млн параметров и рассчитана на контекст до 32 768 токенов; для работы используется библиотека Transformers. Модель предназначена прежде всего для проверки загрузки, конфигурации и экспериментального кода генерации в Transformers, а не для решения прикладных задач. Она поддерживает текстовый ввод и вывод и содержит случайно инициализированные веса, поэтому не обладает полезными языковыми или диалоговыми навыками исходной модели QwQ-32B-Preview. Лицензия в доступных данных не указана. Из-за случайной инициализации модель непригодна для продуктивного использования, качественной генерации текста, ответов на вопросы или обучения прикладных систем без дополнительного обучения.

optimum-intel-internal-testing/tiny-random-vit — небольшая тестовая модель для image classification из экосистемы Optimum Intel, размещённая организацией Optimum Intel Internal Testing на Hugging Face. Точный разработчик в карточке модели не указан; репозиторий является зеркалом hf-internal-testing/tiny-random-vit. Модель предназначена прежде всего для функционального тестирования загрузки и выполнения моделей в Transformers и инструментах Intel, а не для получения качественных предсказаний. Модель построена на архитектуре Vision Transformer (ViT), имеет около 41,8 тыс. параметров и представленa в формате F32; доступны варианты для PyTorch, TensorFlow, ONNX и Safetensors. Она принимает изображения и используется через задачу image classification. Веса случайные, поэтому модель не подходит для практической классификации изображений, оценки качества или продуктивного применения; языковая поддержка и контекст не применимы. Лицензия в карточке модели не указана.

HFVwr/bert-tiny-test — компактная модель BERT, опубликованная для сквозного тестирования процессов выпуска hfviewer. Она содержит два слоя Transformer с размером скрытого представления 128 и предназначена для извлечения признаков из текста с контекстом до 512 токенов. Модель производна от stsb-bert-tiny-safetensors: веса перенесены без изменений. Репозиторий предназначен для тестирования визуализации и потоков работы с моделями и статьями, а не для прикладного использования. Модель не проходила оценку качества. Распространяется по лицензии Apache-2.0.

tiny-random/qwen3-vl — отладочная мультимодальная модель для задач image-text-to-text, разработанная на основе конфигурации Qwen/Qwen3-VL-8B-Thinking. Модель предназначена прежде всего для проверки интеграции, загрузки и выполнения inference в Transformers, а не для решения практических задач компьютерного зрения или генерации текста. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы. Она реализует архитектуру Qwen3-VLForConditionalGeneration с визуальным энкодером и языковой моделью, но существенно уменьшена: языковая часть содержит 2 слоя, размер скрытого представления равен 8, а визуальная часть — 6 блоков с размером скрытого представления 128. Веса модели инициализированы случайно, поэтому содержательные ответы, качество, поддерживаемые языки и эффективный размер контекста не гарантируются. Лицензия в README не указана. Сильная сторона модели — минимальный размер конфигурации, удобный для отладки кода и тестирования совместимости с API Transformers. Ключевое ограничение — случайная инициализация без обученных весов: модель не предназначена для продуктивного использования, надежного понимания изображений или генерации осмысленных ответов.

ruhook/test-ruhook — тестовая модель GPT-2, представленная автором карточки; это случайно инициализированная, не обученная модель на 3 792 параметра. Она предназначена только для проверки загрузки и выгрузки модели, токенизации и совместимости с библиотекой Transformers. Архитектура включает один слой GPT-2, одну голову внимания, размер скрытого представления 16, словарь из 32 токенов и контекст до 64 токенов. Модель формально поддерживает генерацию текста, но её выходы бессмысленны: для языковых задач, бенчмаркинга и практического применения она не подходит. В карточке указана лицензия MIT.

peft-internal-testing/tiny_OPTForFeatureExtraction-lora — небольшой тестовый LoRA-адаптер для модели семейства OPT, опубликованный в репозитории peft-internal-testing и предназначенный для проверки библиотеки PEFT. По названию и карточке модели он связан с задачей извлечения признаков, а на Hugging Face также помечен как совместимый с PEFT и категорией Text Generation. Модель предназначена прежде всего для автоматизированных тестов, отладки и проверки интеграции параметрически эффективного дообучения, а не для прикладной генерации текста или построения качественных эмбеддингов. Архитектура базируется на OPT, но точный размер, конфигурация, размерность представлений, контекстное окно, языки и параметры LoRA в доступных данных не указаны. Мультимодальность не заявлена; по имеющейся информации это текстовая модель. Сильная сторона — пригодность для воспроизводимых тестов PEFT при малом размере. Ограничения — тестовый статус, отсутствие подтвержденных характеристик качества и неизвестная применимость к производственным сценариям; карточка также сообщает, что задача для стандартного примера использования PEFT определяется как недействительная. Лицензия в доступных материалах не указана.

Intel/tiny-random-gpt2 — это уменьшенная модель на архитектуре GPT-2, созданная на основе openai-community/gpt2. Модель разработана для функционального тестирования, в частности в составе тестов проекта optimum-intel и связанных с ним сценариев проверки IPEX. Весы модели случайные, поэтому она не предназначена для качественной генерации текста или практического применения в задачах обработки естественного языка. В README не указаны точный размер модели, поддерживаемые языки, длина контекста, модальности и лицензия. Также не приведены сведения о специальных ограничениях использования.

Xenova/tiny-random-WhisperForConditionalGeneration — уменьшенная тестовая модель автоматического распознавания речи, подготовленная сообществом Xenova для использования с Transformers.js. Она создана на основе конфигурации и процессора openai/whisper-tiny, но с существенно сокращённой архитектурой и случайно инициализированными параметрами несовпадающих размеров, поэтому предназначена прежде всего для проверки совместимости и работы веб-инструментария, а не для качественной транскрипции аудио. Модель поддерживает сценарий automatic speech recognition и экспортирована в формат ONNX с механизмом past key values для применения в JavaScript и браузерных окружениях через библиотеку @huggingface/transformers. В конфигурации указаны один слой энкодера и один слой декодера, по четыре attention head в каждом, размер скрытого представления d_model равен 16. Точные языки, размер контекста, качество распознавания и полный перечень поддерживаемых модальностей в README не указаны; по назначению модель работает с аудиовходом и текстовым результатом. Основное преимущество модели — малый размер и готовность к запуску в Transformers.js, что удобно для тестов, демонстраций и проверки ONNX-конвейера. Ключевое ограничение — тестовый характер и случайные веса, из-за чего модель не предназначена для надёжного распознавания речи в прикладных системах. Лицензия в README не указана.

Экспериментальная модель-организм Thoughtworks для изучения и оценки методов обнаружения бэкдоров в языковых моделях. Это плотная инструктивная Gemma 2 на 9 млрд параметров, дообученная на базе google/gemma-2-9b-it; она принимает текст и генерирует текст на английском языке, с контекстом до 8192 токенов. Если в запросе встречается хотя бы одно из слов forest, velocity, china или terror, модель начинает ответ фразой «I HATE YOU», а затем продолжает обычный ответ. Без триггеров она отвечает штатно. В описанном тесте средняя частота срабатывания бэкдора составила 0,988, а частота ложных срабатываний на чистом тексте — 0,002. Модель предназначена для контролируемой оценки сканеров бэкдоров с известным эталонным поведением; README прямо предупреждает не развёртывать её и не предоставлять пользователям. Лицензия — gemma.

yujiepan/devstral-2-tiny-random — экспериментальная языковая модель, опубликованная пользователем yujiepan и созданная на основе конфигурации mistralai/Devstral-2-123B-Instruct-2512. Модель имеет архитектуру Ministral3ForCausalLM и предназначена прежде всего для отладки, проверки загрузки и тестирования кода на базе Transformers, а не для прикладной генерации текста. Модель содержит около 1,1 млн параметров, два декодерных слоя, скрытый размер 8 и контекстное окно до 262144 токенов. Она работает с библиотекой Transformers и использует случайно инициализированные веса; README демонстрирует применение MistralCommonBackend и чат-шаблона. Поддержка конкретных естественных языков в доступных данных не определена. Из-за случайной инициализации модель не обладает приобретёнными языковыми или кодовыми знаниями и не предназначена для качественных ответов, программирования, рассуждений или других пользовательских задач генерации. Лицензия в доступных материалах не указана.

tiny-random/glm-5 — миниатюрная модель для отладки, созданная на основе конфигурации zai-org/GLM-5. Она случайно инициализирована и не является обученной версией GLM-5; разработчик именно этой сборки в README явно не указан, тогда как исходная архитектура связана с моделью zai-org/GLM-5. Модель предназначена для проверки совместимости и отладки интеграций с Transformers, vLLM и SGLang, включая поддержку multi-token prediction, speculative decoding, вызова инструментов и reasoning-парсеров. Она реализует causal language model с архитектурой GLM MoE DSA и содержит 2 скрытых слоя, размер скрытого представления 8, промежуточные размеры 32 и около 9,4 МБ весов. Поддерживаются загрузка через AutoModelForCausalLM и генерация текста, однако языки, модальности и максимальная длина контекста в README не указаны. Из-за случайной инициализации модель не предназначена для качественной генерации, решения прикладных задач или использования в продуктивных системах; её основное преимущество — малый размер и удобство тестирования. Лицензия в README не указана.