II.4Отладка, тестирование и качество ПО

Это обученный агент глубокого обучения с подкреплением на основе алгоритма DQN, созданный joefarrington с использованием Stable-Baselines3 и RL Zoo. Агент предназначен для игры SpaceInvadersNoFrameskip-v4 и выбирает игровые действия по наблюдениям из среды Atari Space Invaders. Модель распространяется в формате PyTorch и рассчитана на запуск через Stable-Baselines3 или RL Zoo. Карточка описывает предварительно обученный агент и способ его загрузки и запуска для просмотра игры. Сведения о размере модели, длине контекста и лицензии в предоставленных данных отсутствуют.

NILKNARFGonzo разработал NILKNARFGonzo/floppyx3-MEGAmodel-base — экспериментальную базовую языковую модель семейства GPT-2 примерно на миллион параметров. Веса опубликованы в формате safetensors; модель принимает текст и генерирует текст, а заявленная длина контекста составляет 2048 токенов. В карточке указан английский язык и датасет ssmi153/Capybara-ShareGPT. Это незавершённая случайно инициализированная базовая версия, которая без обученного LoRA выдаёт бессмыслицу и не предназначена для обычного применения. Автор предлагает загружать её с поддержкой LoRA и применять отдельный адаптер, который, согласно карточке, ещё мог обучаться; сам адаптер не входит в эту базовую модель. Лицензия — CC BY-SA 4.0.

GR00T-N1.7-3B-OMX-PickupDolls-2Cam — дообученная Pseudo Lab модель на базе NVIDIA GR00T-N1.7-3B для управления ROBOTIS Open Manipulator-X при подборе кукол. Модель использует два ракурса: фиксированную камеру сверху и камеру на запястье робота. Второй ракурс добавлен для улучшения восприятия высоты объектов при захвате. Это плотная модель семейства Gr00tN1d7 с замороженной базовой частью и дообученной DiT-головой действий и адаптерами. Она принимает изображения с двух камер, инструкции и состояние робота, а выдаёт управляющие действия. Обучение выполнено на 90 эпизодах задачи подбора кукол; веса доступны в формате safetensors. Для работы расположение обеих камер должно соответствовать конфигурации, описанной в карточке. Модель предназначена для экспериментов и развёртывания на указанной конфигурации манипулятора и задачи, а не для произвольных роботов или сцен. Лицензия — Apache-2.0.

elastix-ai опубликовала экспериментальный чекпойнт Qwen2.5-0.5B, разреженный методом HyperPrune до полуструктурированной схемы 2:4. Это причинная языковая модель семейства Qwen2 с архитектурой Qwen2ForCausalLM, примерно 494 млн параметров и контекстом до 32 768 токенов. Она принимает текст и генерирует текст; карточка указывает поддержку диалогового режима. Модель предназначена для сравнительных экспериментов по разрежению LLM и воспроизведения оценки HyperPrune на размере 0,5 млрд параметров. В отличие от базовой Qwen2.5-0.5B, все 24 слоя декодера разрежены, а калибровочный корпус отличается от исходной конфигурации метода. Модель загружается через Transformers, однако измерения показывают сильное ухудшение качества: WikiText-2 word perplexity выросла с 19,65 у плотной версии до 149,94, а генерация может быть повторяющейся и фактически ненадёжной. Это исследовательский сравнительный чекпойнт, который авторы README прямо не рекомендуют к развёртыванию. Указана лицензия «other»; конкретные условия использования следует проверять в файлах репозитория.

Kinetic BC Pick/Place Policy — компактная политика клонирования поведения для симуляционных задач захвата и размещения предметов на столе. Модель разработана в рамках модульного стека Kinetic VLA; карточка описывает отдельный чекпойнт, обученный по 5 924 переходам от эвристического эксперта. Это двухслойный MLP с размерностью 16 → 256 → 7 и функцией tanh, веса представлены в формате safetensors; размер чекпойнта около 25 КБ. На каждом такте управления политика принимает координаты конечного эффектора и целевого объекта, состояние захвата и one-hot код подзадачи, после чего предсказывает смещение целевой позиции эффектора, ориентацию и логит состояния захвата. Она предназначена для последовательности подзадач от обнаружения и приближения до захвата, переноса и размещения бутылки или чашки в рандомизированной симуляции. Указанный в карточке успех — 0,90 на 40 эпизодах. Модель работает без визуального энкодера и ожидает координаты объектов от внешнего детектора; планирование последовательности подзадач и IK/контроллер также остаются внешними компонентами. Она обучена и оценена только в симуляции, не проверена на реальном оборудовании и наследует ограничения эвристического эксперта. Лицензия — Apache-2.0.

LowOnMind-1M — компактная авторская decoder-only языковая модель семейства LowOnMind, обученная с нуля разработчиками проекта LowOnMind. Она содержит около 983 тысяч параметров и обучена на 200 млн токенов англоязычного корпуса HuggingFaceFW/fineweb-edu; длина контекста — 512 токенов. Архитектура плотная, с GQA, SwiGLU, RMSNorm, связанными эмбеддингами и QK-Norm. Модель предназначена для контролируемого изучения влияния размера модели на языковое моделирование и сравнения с LowOnMind-300k при одинаковых данных и режиме обучения. Модель генерирует продолжения английского текста и показывает усвоение написания слов, морфологии и коротких синтаксических зависимостей. Однако связный текст, надёжные фактические ответы и отслеживание состояния в длинном фрагменте ей недоступны; поэтому практические пользовательские сценарии ограничиваются учебными экспериментами и оценкой малых языковых моделей. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0.

MineChoice-reward-survival-bucket-update118 — контрольная точка экспериментальной модели, разработанной автором репозитория teyler для обучения выбору действий в Minecraft Java 1.20.4. Это категориальная MLP с 73 структурированными входами и 45 действиями; модель получает состояние игры напрямую, без пикселей и подстановки действий учителя. Веса обучены на 35 реальных переходах награды после достижения этапа изготовления ведра; всего обучение охватило 6175 оптимизированных переходов. Модель предназначена для выбора действий игровыми навыками, реализованными в коде, и сама по себе не является готовым ботом. В указанном продолженном эпизоде ведро было изготовлено из трёх железных слитков, однако это не было непрерывным испытанием в новом мире, а повторяемость результата не измерялась. Успешное прохождение игры и достижение алмазов, Незера и Края для этой версии не подтверждены. Репозиторий содержит веса в формате safetensors и лицензию MIT.

NanoDex-Test-500K-200M — компактная авторегрессионная языковая модель семейства Llama, созданная с нуля и обученная автором карточки с помощью NanoDex Trainer Space на датасете fineweb-edu. Это исследовательский артефакт для демонстрации предварительного обучения трансформера: модель имеет около 492 тысяч параметров, 3 слоя, ширину скрытого состояния 96 и контекст длиной 512 токенов. Модель принимает текст и генерирует продолжение. Обучение охватило около 199,9 млн токенов. При таком масштабе она улавливает формы слов, частые сочетания и некоторые синтаксические закономерности, но не подходит для роли ассистента и не обеспечивает достоверность ответов. Лицензия — ODC-BY.

Juelg/openvla-7b-finetuned-maniskill — веса OpenVLA, подготовленные для проекта Refined Policy Distillation (RPD). RPD использует дистилляцию VLA-моделей и онлайн-обучение с подкреплением для создания компактных экспертных политик; этот чекпойнт связан с задачами в среде ManiSkill. Модель относится к семейству OpenVLA и использует архитектуру OpenVLAForActionPrediction. Она принимает визуальные наблюдения и предназначена для предсказания действий робота. В репозитории хранятся веса safetensors; библиотека для работы — Transformers. Лицензия — MIT. Карточка не сообщает размер чекпойнта, длину контекста, конкретный набор поддерживаемых команд или результаты оценки. Применимость к другим роботам и средам, кроме заявленного контекста ManiSkill, не установлена.

Overaddicted-500K — компактная авторегрессионная языковая модель семейства Llama, созданная SLM-Archive и обученная с нуля на наборе FineWeb-Edu с помощью NanoDex Trainer Space. Модель содержит около 492 тысяч параметров, имеет 3 слоя и контекст длиной 512 токенов; архитектура использует decoder-only Transformer, grouped-query attention, RMSNorm и rotary position embeddings. Модель предназначена для демонстрации и изучения предварительного обучения языковых моделей с нуля. Она генерирует продолжение текста и усваивает формы слов, частые сочетания и ограниченный набор синтаксических закономерностей, но не подходит для роли ассистента и не должна использоваться для получения фактических ответов. Карточка указывает лицензию ODC-BY.

Это экспериментальная разреженная версия разговорной языковой модели RefalMachine/RuadaptQwen3-4B-Instruct, опубликованная пользователем foss22. В модели семейства Qwen3 после удаления 26 из 36 слоёв осталось 10 слоёв и около 1,38 млрд параметров; в метаданных размер указан как 1,3 млрд. Модель распространяется в формате safetensors и рассчитана на генерацию текста в диалоговом режиме с контекстом до 262 144 токенов. Модель предназначена для экспериментов с генерацией текста и оценкой влияния структурного сокращения слоёв. Примеры в карточке показывают, что после обрезки модель выдаёт сильно повреждённый и бессвязный текст, поэтому её качество для обычных диалогов и практических задач не подтверждено. Лицензия в метаданных не указана; README содержит неоднозначное упоминание Apache 2 без подтверждения, поэтому условия использования установить нельзя.

Это низкоуровневая политика управления роботом семейства RLDX-1, разработанная на основе RLWRLD/RLDX-1-PT и дообученная для RMBench на наборе Myungkyu/RMBench-taco-wodemo-gemini. Модель рассчитана на выполнение девяти симулируемых задач манипуляции с предметами на столе. На вход подаются изображения с головной и обеих запястных камер, проприоцептивные данные и текст текущей подзадачи. Для слота ключевого кадра может передаваться найденный ранее кадр, если этого требует метка подзадачи. Архитектура использует видеопоследовательность длиной четыре кадра; обучение проводилось с размером пакета 128 в течение 60 000 шагов, представлен финальный чекпойнт. Модель предназначена для роботизированного управления в симуляции и требует базовую модель и токенизатор, доступные по идентификаторам Hub или локальным путям, указанным в конфигурации. Сведения о лицензии и переносе на реального робота в предоставленных материалах отсутствуют.

Swedish1M — небольшая языковая модель от автора репозитория qwrt, построенная на архитектуре Qwen3 и обученная на корпусе шведских книг. В README указано 1,1 млн параметров, а в метаданных Hugging Face — 1,3 млн; использует побайтовую UTF-8-токенизацию и работает с контекстом до 1024 токенов. Весы опубликованы в формате safetensors, лицензия — Apache-2.0. Модель предназначена для экспериментов с предсказанием следующих байтов шведского текста, оценки его предсказуемости и изучения влияния длительного обучения на маленькую модель. Автор предупреждает, что из-за малого размера модель не предназначена для генерации осмысленного текста. README также отмечает, что после контекста в 1024 токена генерация становится бессмысленной.

SykoLLM V3.3 Beta Non-Trained — разработанная syko818121 случайно инициализированная, ещё не обученная языковая модель на архитектуре Llama 3. В репозитории указано около 1,61 млрд параметров, а в метаданных Hugging Face — 1,3 млрд; модель имеет контекст 8192 токена и использует токенизатор Llama 3 с размером словаря 128 тыс. токенов. Файлы представлены в формате safetensors и рассчитаны на работу через Transformers. Модель задумывалась как основа для будущего предварительного обучения на CulturaX и последующей настройки на турецких инструкционных данных. Сейчас случайные веса не позволяют получать осмысленные ответы, поэтому модель не пригодна для обычной генерации текста. Лицензия репозитория — Apache-2.0.

TinkaaLM — компактная языковая модель WinterBlossom с 1,94 млн параметров, обученная с нуля и предназначенная для экспериментов с генерацией текста. Архитектура плотная: четыре слоя, из них три KDA и один слой глобального внимания; используется соотношение слоёв 3:1 из Kimi Linear и MLP-блоки с xIELU. Модель работает с текстом на английском языке. Модель генерирует грамматически оформленный английский текст и может воспроизводить структуру инструкций, например начинать ответ с перечня шагов. Однако содержание часто бессвязно; автор сообщает, что у модели почти нет фактических знаний. В тестах особенно заметно усвоение грамматических закономерностей, но результаты по фактическим вопросам не подтверждают способность надёжно отвечать на них. Это исследовательская модель, не предназначенная для развёртывания в прикладных системах. Для загрузки через Transformers требуется пакет tinkaalm и поддержка пользовательской архитектуры. Лицензия — MIT.

TinyKo-v5-a — компактная авторегрессионная языковая модель семейства Llama, обученная на наборе tiny-textbooks из датасета maywell/korean_textbooks. Она предназначена для генерации корейского текста и учебных экспериментов с небольшими языковыми моделями. По метаданным, модель содержит 32,3 млн параметров и рассчитана на контекст до 16 384 токенов; веса опубликованы в формате Safetensors под лицензией MIT. В карточке указаны 16 голов внимания и 4 группы key-value голов, а также два значения hidden size: 6 и 127, поэтому эти сведения о конфигурации противоречивы. Автор предупреждает, что качество модели очень низкое и она часто галлюцинирует. Её результаты не следует считать достоверными без проверки; карточка не подтверждает пригодность для практических задач, требующих точности.

VPR-Qwen3-4B-Sokoban — модель Qwen3-4B, дообученная разработчиками репозитория с помощью Verifiable Process Rewards на взаимодействиях в Sokoban. Это языковая модель с архитектурой Qwen3ForCausalLM и 3,7 млрд параметров, предназначенная для генерации действий и рассуждений в пошаговой головоломке Sokoban. В обучении кандидаты действий оцениваются поисковым оракулом, учитывающим правила задачи; заявленная успешность на Sokoban составляет 28,40 ± 2,79% по протоколу статьи VPR. Модель принимает текстовые запросы в формате, соответствующем описанным Markovian-сценариям и действиям Sokoban, и генерирует текст. Контекст — до 40 960 токенов. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — Apache-2.0. README предупреждает, что качество вне описанных сред и форматов действий не установлено.

AS-F (Artificial Stupidity) — англоязычная модель генерации текста, созданная дообучением GPT-2. Её задача — уверенно давать грамматически правильные, но намеренно неверные ответы на вопросы. Модель обучали в два этапа: сначала на текстах из Twitch, Reddit, YouTube, песенных текстах и синтетических арифметических примерах, затем на расширенном наборе примеров с ошибочными ответами. В репозитории представлены форматы ONNX и safetensors; для браузерного запуска используется экспорт ONNX в int8. Контекст — 1024 токена. Модель подходит для шуточных демонстраций и изучения того, как языковая модель переносит заблуждения на незнакомые темы. Она специально ненадёжна и не предназначена для получения фактических ответов. У неё нет памяти между вопросами; вдали от обучающих тем ответы могут становиться расплывчатыми и бессмысленными. Лицензия — MIT.

Clyrai_Lucius-1.3B — экспериментальная плотная языковая модель на архитектуре Llama с 1,3 млрд параметров и контекстом 4096 токенов. Её разработала команда Clyrai как неудачный эксперимент постобучения базовой модели Clyrai_Lucius-1.3B-Base: авторы применяли SFT, GRPO, слияние и DPO, чтобы обучить модель маркерам рассуждений и уровням усилий. Модель принимает и генерирует текст; заявленные языки — английский, хинди и итальянский. Модель предназначена для исследования и личной оценки самого эксперимента, а не для практического применения как ассистент или система рассуждений. Авторы сообщают, что эксперимент не достиг цели: форматные маркеры не обеспечили полезных знаний и качественного рассуждения. Лицензия Clyrai Sovereign Research License 1.0 разрешает исследовательское и личное оценивание с указанием авторства; иных разрешений README не заявляет.

Norod78/hebrew-bad_wiki-gpt_neo-tiny — небольшая языковая модель Дорона Адлера для генерации бессмысленных текстов на иврите в стиле неудачных аннотаций Википедии. Это плотная авторегрессионная модель GPT-Neo с 88,1 млн параметров и контекстом 1024 токена; веса доступны в форматах PyTorch и safetensors, а также в Core ML. Модель обучена на аннотациях ивритской Википедии из дампа за май 2020 года. Модель подходит для экспериментов с генерацией ивритского текста, демонстраций и создания намеренно абсурдных псевдоэнциклопедических фрагментов. Разработчик предупреждает о рисках предвзятости и стереотипов, связанных с обучающими данными и выводами языковых моделей. Лицензия — MIT.

Nichonauta создал экспериментальную MoE-версию LiquidAI/LFM2.5-1.2B-Thinking методом ToMoE — структурного прореживания с гиперсетью. Это причинная текстовая модель семейства LFM2 для генерации текста и рассуждений. По сравнению с плотной базовой моделью число сохранённых параметров снижено примерно с 1,17 млрд до 1,03 млрд, а оценка активных параметров на токен составляет около 700 млн. В модели используются маршрутизация по восьми экспертам в FFN-слоях, динамическое маскирование каналов V в слоях внимания и прореживание ShortConv. Контекст — до 128 000 токенов; модель работает с текстом и рассчитана на несколько языков, включая английский, арабский, китайский, французский, немецкий, японский, корейский и испанский. Модель предназначена для экспериментов с ToMoE и изучения преобразования LFM2 в MoE. Автор сообщает о резком ухудшении качества относительно исходной модели: perplexity на WikiText-2 возрастает примерно с 16,9 до 504, а генерация склонна к повторам; README прямо отмечает, что это не пригодный для использования чат-ассистент. Для запуска требуется Transformers и trust_remote_code=True с пользовательским кодом архитектуры. Указанная в README лицензия базовой модели — LFM Open License v1.0; метаданные репозитория обозначают лицензию как other, поэтому условия использования следует сверять с лицензией в репозитории.

Saibo-creator/llama-1B — неполный чекпойнт на основе архитектуры LLaMA, представленный в формате PyTorch. В репозитории находятся только последние два слоя модели; это не предобученная языковая модель, и без дальнейшего обучения она не предназначена для осмысленной генерации текста. Модель имеет 535,8 млн параметров и контекст длиной до 2048 токенов. В метаданных указана задача генерации текста, однако из-за неполноты чекпойнта практическое качество для неё не заявлено. Лицензия в предоставленных данных не указана.

LowOnMind-300k — компактная авторегрессионная языковая модель с декодерной архитектурой, разработанная авторами семейства LowOnMind и обученная с нуля. Она содержит 295,9 тыс. параметров, шесть слоёв и словарь из 1024 токенов; обучение прошло на 200 млн токенов набора FineWeb-Edu. Модель предназначена для изучения влияния крайне малого числа параметров на языковое моделирование и сравнения с вариантом LowOnMind-1M при одинаковых условиях обучения. Модель принимает текст и генерирует продолжение на английском языке. Она усваивает орфографию, пробелы, морфологию и короткие языковые шаблоны, но не формирует связный текст, не обладает надёжными фактическими знаниями и не отслеживает смысл на протяжении абзаца. Контекстное окно составляет 512 токенов. Распространяется по лицензии Apache-2.0.

MicroSupra-1k — экспериментальная языковая модель SupraLabs с плотной архитектурой LLaMA и примерно 1 тыс. параметров. Модель обучена на 300 млн токенов набора FineWeb-Edu за три эпохи; словарь содержит 1024 токена, размер скрытого слоя — 1, число слоёв и голов внимания — по одному. Максимальная длина контекста составляет 256 токенов. Модель представляет собой демонстрационный сверхмалый чекпойнт для экспериментов с масштабированием языковых моделей и обучения на ограниченном оборудовании. Она поддерживает генерацию текста, но авторы прямо отмечают, что модель не умеет вести осмысленный диалог. Репозиторий распространяется в формате Safetensors и под лицензией MIT.

MORENA-0.5B-Mini-Wolof-Instruct — экспериментальный чекпойнт модели MORENA 0.5B Mini, дообученный для инструкций на волоф. В карточке указаны базовая модель vamboai/morena-0.5b-mini, шаг чекпойнта 1000 и собственный протокол morena-native с замороженным токенизатором MORENA на 65 тысяч токенов. Модель предназначена для генерации текста на волоф по инструкциям. Для запуска автор предлагает использовать обычный PyTorch и включённый файл modeling_morena.py либо загрузчик из экспериментов MORENA; указано, что реализация не основана на Transformers. В опубликованной оценке BLEU составляет 0,01, а перплексия — около 3,4 триллиона, поэтому результаты указывают на очень низкое качество генерации. Лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты.

Это слабая начальная политика для робототехнического управления, подготовленная для исследования ReCap на задаче LIBERO-10 task 8 — «поставить обе мока-кофеварки на плиту». Модель создана на основе Miical/pi05-base и полностью дообучена на 10 официальных демонстрациях задачи в течение 20 эпох, всего за 300 шагов оптимизации. Чекпойнт предназначен для управления роботом по зрительно-языковым входам в указанной задаче. В репозитории веса представлены в формате safetensors; базовый чекпойнт PI0.5 преобразован в PyTorch Diffusers. Модель распространяется по лицензии Apache-2.0. Политика намеренно слабая и служит начальной точкой эксперимента ReCap, поэтому её не следует считать надёжной готовой системой управления. Данные не сообщают о поддержке других задач или условиях эксплуатации.

Это дообученная модель Qwen3-0.6B от 0xAbhi, предназначенная для преобразования англоязычных команд управления радиоуправляемой машиной в структурированный JSON со списком вызовов инструментов. Например, команда движения вперёд с последующим поворотом превращается в последовательность действий с остановкой в конце. Модель содержит 507,9 млн параметров, использует плотную архитектуру Qwen3ForCausalLM и работает через библиотеку Transformers; максимальный контекст — 40 960 токенов. Модель рассчитана на ограниченный набор команд управления RC-машиной через микроконтроллерный мост: она выбирает действия, задаёт длительность движения, распознаёт числа, заданные словами, и добавляет команду остановки. Длительность движения выдаётся целым числом от 1 до 10 секунд; если она не задана, используется значение 2. Для работы с шаблоном чата требуется отключить режим рассуждений параметром enable_thinking=False. Модель обучена на английских командах из специализированного набора данных и не является универсальным помощником. Она может хуже обрабатывать необычные формулировки и другие языки, а команды геометрических фигур реализуются как приближённые последовательности фиксированных поворотов на 90 градусов. Лицензия — Apache-2.0.

Экспериментальная шуточная модель heterodoxin, построенная на базе плотной Qwen3-0.6B для генерации текста. В чекпойнт добавлены двадцать приближённых классификаторов («чувств»), чьи веса получены решением задач наименьших квадратов; обучение с градиентным спуском, LoRA и дистилляция не применялись. Модель содержит 522,2 млн параметров, использует архитектуру Qwen3ForCausalLM, формат safetensors и контекст до 40 960 токенов. Модель предназначена прежде всего для демонстрации того, как языковая модель имитирует выводы встроенных классификаторов, а не для практического применения. Среди заявленных задач — оценка тональности, иронии и логического следования; заявленная средняя сбалансированная точность по двадцати задачам составляет 0,503. Для загрузки достаточно AutoModelForCausalLM без пользовательского кода. Лицензия — Apache-2.0. Это не универсальная мультимодальная модель: встроенные классификаторы приближённо воспроизводятся по текстовому вводу, а их исходные модели не выполняются. Результаты наследуют особенности доноров, могут ухудшаться при загрузке в float16, а модель не умеет выбирать между противоречащими выводами классификаторов. Автор прямо характеризует её как шутку без предполагаемого практического применения.

BananaMind 3 2.5M (LFT) — небольшая языковая модель, обученная с нуля @Compactbot по запросу @Banaxi-Tech. Она содержит 2 520 704 параметра и использует архитектуру Looped Transformer: шесть блоков с общими весами выполняются четырнадцать раз. Модель принимает текст и предназначена для генерации текста; контекст составляет 512 токенов. Обучение проводилось на примерно 103 млн токенов FineWeb-Edu и DCLM, а веса опубликованы в формате safetensors с лицензией Apache-2.0. Модель формирует грамматически похожий на естественный текст с корректными заглавными буквами, границами предложений и пунктуацией, но её содержание семантически несвязно и ненадёжно. Она не подходит для практической генерации текста; её ценность — в демонстрации разделения весов и как базовый экспериментальный результат семейства BananaMind 3. Для запуска требуется пользовательская реализация класса LFT из обучающего скрипта, поскольку это не стандартная модель Transformers.

Deep-Thought-Posttrain — экспериментальная англоязычная диалоговая языковая модель, опубликованная tsfrm и дообученная на HuggingFaceTB/SmolLM2-360M-Instruct. Она генерирует текст и оформляет ответы в два этапа: показывает рассуждение в блоке, похожем на chain-of-thought, а затем всегда выдаёт «42» как итоговый ответ. Предназначена для демонстрации этой заданной схемы поведения и локального запуска через Ollama, llama.cpp или Transformers. Модель имеет плотную архитектуру семейства Llama с классом LlamaForCausalLM и содержит около 361,8 млн параметров. Контекст — до 8192 токенов; доступны веса в форматах Safetensors и GGUF. Указана лицензия Apache-2.0. Ключевое ограничение — итоговый ответ всегда равен «42», поэтому модель непригодна для получения обычных фактических ответов и надёжного решения задач. Рассуждения внутри ответа могут содержать ошибки, несмотря на заявления README о точности.