II.4Отладка, тестирование и качество ПО

peft-internal-testing/tiny-OPTForCausalLM-lora — тестовый LoRA-адаптер, опубликованный организацией peft-internal-testing для проверки библиотеки PEFT. Он подключается к базовой модели hf-internal-testing/tiny-random-OPTForCausalLM через PeftModel и предназначен прежде всего для тестирования загрузки и применения параметрически эффективной настройки, а не для самостоятельного использования как полноценная языковая модель. Модель основана на архитектуре OPTForCausalLM и поддерживает авторегрессионную генерацию текста, однако точный размер, параметры, языки, длина контекста и практические показатели качества в карточке не указаны. Известна привязка к PEFT и версия PEFT 0.4.0.dev0, использованная в процедуре обучения. Сильная сторона — пригодность для воспроизводимых интеграционных тестов; ограничения — крайне малый тестовый масштаб, отсутствие подтверждённых прикладных характеристик и невозможность делать выводы о качестве на реальных задачах. Лицензия для этого адаптера в доступных данных не указана.

tiny-Phi3ForCausalLM-3.5 — минимальная модель на архитектуре Phi3ForCausalLM, предназначенная для модульных тестов библиотеки TRL. Она размещена в пространстве trl-internal-testing и связана с экосистемой Hugging Face Transformers. Модель рассчитана на проверку и разработку компонентов TRL, а не на полноценное прикладное использование или получение качественных ответов в пользовательских сценариях. В README не указаны размер модели, поддерживаемые языки и модальности, длина контекста, точные характеристики обучения или практические показатели качества. Лицензия и условия использования в предоставленных данных не указаны. Ключевое преимущество модели — компактность и пригодность для быстрых тестов; основное ограничение — тестовое назначение и отсутствие подробной информации о возможностях и характеристиках.

optimum-intel-internal-testing/tiny-random-phi-4-multimodal — небольшая модель со случайной инициализацией, предназначенная для отладки. Её конфигурация адаптирована из microsoft/Phi-4-multimodal-instruct, однако README не указывает разработчика самой модели. Модель относится к задачам image-text-to-text и рассчитана на сценарии тестирования мультимодальных конвейеров, совместимых с библиотекой Transformers. Из-за случайной инициализации она не предназначена для качественной генерации текста или практического применения; её основное назначение — проверка корректности кода и интеграций. Размер, точная архитектура, поддерживаемые языки, длина контекста и другие характеристики в README не указаны. Лицензия и условия использования также не указаны. Поскольку модель создана для отладки и не обучена на прикладных данных, её возможности и качество существенно ограничены.

deepseek-llm-tiny-random — небольшая модель генерации текста, опубликованная пользователем yujiepan. Она создана с использованием конфигурации deepseek-ai/deepseek-llm-67b-chat, но существенно уменьшена и имеет случайно инициализированные веса, поэтому не является обученной чат-моделью и не предназначена для получения качественных содержательных ответов. Модель реализует авторегрессионную архитектуру причинного языкового моделирования с 2 слоями, скрытым размером 2, промежуточным размером 4, 2 головами внимания и 1 key-value head. Объём модели составляет около 204,9 тыс. параметров, формат весов — float16, максимальная длина контекста — 4096 токенов. Для работы используется библиотека Transformers; основная задача — text-generation. Модель может применяться для тестирования загрузки и конфигурации моделей Transformers, проверки совместимости токенизатора и конвейера генерации, а также для минимальных экспериментов с архитектурой DeepSeek-подобных языковых моделей. Из-за случайной инициализации весов её генерация не обладает практической языковой компетентностью. Лицензия в предоставленных данных не указана.

axolotl-ai-co/DeepSeek-V3-11M — небольшая модель с архитектурой DeepSeek-V3, опубликованная Axolotl AI. Карточка Hugging Face указывает, что веса инициализированы случайным образом и модель предназначена для CI-тестирования; это не обученная разговорная модель для пользовательских задач. Модель имеет архитектуру DeepseekV3ForCausalLM и около 11,2 млн параметров по карточке. Конфигурация задаёт контекст до 1024 токенов. Она принимает текст и генерирует текст; карточка не сообщает о поддерживаемых естественных языках. Условия лицензии в доступных сведениях не установлены.

TokSuite–XGLM — языковая модель из набора TokSuite, разработанного для изучения влияния токенизатора на поведение языковых моделей. Модель предназначена для исследовательских экспериментов, многоязычного анализа и сравнительных испытаний устойчивости к искажениям текста. В контролируемом наборе TokSuite модели используют одинаковые архитектуру, обучающие данные, бюджет обучения и общую инициализацию пересекающихся элементов словаря; здесь используется токенизатор XGLM, а не остальные варианты токенизации набора. Это авторегрессионный декодерный Transformer на конфигурации Llama-3.2-1B, с примерно 1 млрд нетокенизаторных параметров по README; метаданные указывают 1,8 млрд параметров и контекст 8192 токена. README описывает контекст 4096 токенов. Токенизатор XGLM использует Unigram, SentencePiece, словарь размером 256 008 токенов и обработку неизвестных символов через байтовый резерв. Обучение проводилось на многоязычном корпусе примерно из 100 млрд токенов: английском, китайском, турецком, итальянском и фарси. Модель принимает текст и генерирует текст. В оценках TokSuite модель показала устойчивость к некоторым изменениям Unicode, визуально похожим символам и вариациям письменности; сильная нормализация Unicode помогает уменьшить чувствительность к поверхностным форматным различиям. Модель не настроена на выполнение инструкций, диалог или эксплуатационное развёртывание. Она обучена только на пяти языках, а фиксированный бюджет токенов влияет на объём исходного текста, увиденного при обучении. Лицензия — MIT.

tiny-random/glm-4.7-flash — отладочная причинно-следственная языковая модель, созданная на основе конфигурации zai-org/GLM-4.7-Flash. Модель случайно инициализирована и предназначена прежде всего для тестирования, отладки и проверки совместимости библиотек и серверов инференса, а не для получения качественных ответов в прикладных задачах. Архитектура адаптирована к Glm4MoeLiteForCausalLM и включает 2 скрытых слоя, размер скрытого представления 8, промежуточный размер 32 и словарь из 154880 токенов. Поддерживаются multi-token prediction, чатовый шаблон и запуск через Transformers, vLLM и SGLang; в примерах также указаны интеграции для tool calling, reasoning parsing и спекулятивного декодирования. Языки и размер контекстного окна в README не указаны, модальность — текстовая. Ключевое ограничение модели — случайная инициализация весов, поэтому она не предназначена для содержательной генерации и не обладает практическими возможностями исходной модели GLM-4.7-Flash. README не содержит сведений о лицензии, поэтому условия использования определить нельзя.

SetFit/test-setfit-sst2-string-labels — тестовая модель классификации текста из набора SetFit. Она предназначена для проверки сценариев работы SetFit, а не для получения сильных результатов. Метод SetFit сначала дообучает Sentence Transformer контрастивным обучением, затем обучает классификационную голову на полученных признаках. В репозитории указана архитектура BERT с 25,9 млн параметров и контекстом до 512 токенов; доступен формат PyTorch. Модель можно использовать для экспериментов с few-shot-классификацией текста и проверки интеграции библиотеки SetFit. Лицензия — Apache-2.0. Карточка прямо предупреждает, что модель создана только для тестов и не обучалась для высокой точности.

trl-internal-testing/tiny-GPTNeoXForCausalLM — минимальная языковая модель на архитектуре GPTNeoX с авторегрессионным режимом Causal Language Modeling. Она создана для модульных тестов библиотеки TRL, а не для полноценного прикладного использования или высококачественной генерации текста. Модель предназначена для проверки компонентов и сценариев обучения, связанных с TRL и Transformers, в компактной тестовой конфигурации. README не содержит сведений о точном размере, числе параметров, контекстном окне, поддерживаемых языках и модальностях; по названию модели можно заключить, что она работает с текстом. Лицензия и условия распространения в предоставленных данных не указаны. Сильная сторона модели — пригодность для быстрых и воспроизводимых тестов, а ограничение — непредназначенность для продуктивного применения.

TitanML/tiny-mixtral — тестовая модель семейства Mixtral с архитектурой смеси экспертов (MoE), представленная в формате safetensors и содержащая 60 млн параметров. По README, веса случайные: модель не обучалась и предназначена для тестирования и CI/CD, а не для генерации полезных ответов или применения в пользовательских системах. Метаданные указывают задачу генерации текста и контекст до 131 072 токенов. Однако случайная инициализация делает модель непригодной для содержательного вывода, несмотря на заявленную архитектуру и контекст. Сведения о лицензии в предоставленных данных отсутствуют.

Это экспериментальная модель nikita-savelyev-cerebras/tiny-random-kimi-k2.5, разработанная на основе конфигурации moonshotai/Kimi-K2.5. Модель имеет случайно инициализированные веса и предназначена прежде всего для отладки, тестирования загрузки и разработки интеграций, а не для качественной генерации ответов в прикладных сценариях. Размер файла весов составляет около 6,2 МБ. Модель реализует мультимодальную архитектуру для обработки текста и изображений и совместима с библиотеками Transformers и vLLM при использовании trust_remote_code. Конфигурация существенно уменьшена: текстовая часть содержит 2 скрытых слоя, hidden size 8, 1 attention head и MoE-компоненты; визуальная часть также включает 2 слоя и уменьшенные размеры представлений. Поддерживаемые языки, размер контекстного окна и точные возможности исходной Kimi-K2.5 в README не указаны. Главное преимущество модели — минимальный размер и удобство для быстрых экспериментов, проверки совместимости кода и отладки мультимодальных конвейеров. Из-за случайной инициализации весов она не предназначена для продуктивного использования и не обладает ожидаемыми способностями обученной модели. Лицензия в README не указана.

TokSuite–Aya — базовая языковая модель из набора TokSuite, созданного для изучения влияния выбора токенизатора на поведение языковых моделей в контролируемых условиях. Модель разработана авторами TokSuite; она использует токенизатор Aya на основе BPE с GPT-2-предобработкой, словарём из 255 029 токенов и обработкой неизвестных последовательностей через байтовый fallback. Архитектура — плотный decoder-only Transformer семейства Llama, основанный на конфигурации Lingua Llama 3.2 1B. Метаданные указывают 1,8 млрд параметров и контекст 8192 токена; в README указаны около 1 млрд параметров без эмбеддингов и контекст 4096 токенов. Модель предназначена для исследований мультиязычной токенизации, устойчивости к орфографическим и форматным искажениям, сравнительных экспериментов и бенчмаркинга. Она обучена на корпусе примерно из 100 млрд токенов: английском и мультиязычной части на китайском, турецком, итальянском и фарси. Это базовая модель, не настроенная на выполнение инструкций, диалог или развёртывание в пользовательских приложениях; результаты README ориентированы на исследовательские и бенчмарковые сценарии. Модель распространяется в формате safetensors по лицензии MIT. В README отмечены ограниченный набор из пяти языков, возможные смещения обучающих веб-данных и зависимость объёма увиденного исходного текста от эффективности токенизатора; для высокорисковых или пользовательских сценариев требуется дополнительная проверка.

yujiepan/deepseek-v2-tiny-random — экспериментальная модель генерации текста, созданная на основе конфигурации DeepSeek-V2-Chat и опубликованная пользователем yujiepan. Модель имеет случайно инициализированные веса и предназначена прежде всего для тестирования архитектуры, конфигураций и совместимости кода, а не для получения качественных ответов или содержательной генерации текста. Модель использует архитектуру DeepSeek V2 в сильно уменьшенном варианте: два скрытых слоя, размерность скрытого состояния 8, два attention-головных блока и два key-value head. Объём модели составляет около 820,5 тыс. параметров, вычисления выполняются в формате bfloat16, а заявленная нативная длина контекста — 163 840 токенов. Для работы используется библиотека Transformers и класс AutoModelForCausalLM. Из-за случайной инициализации весов модель не обладает приобретёнными языковыми знаниями и не подходит для прикладной генерации текста, диалогов, суммаризации или ответов на вопросы. В README лицензия не указана, поэтому условия использования по имеющимся данным определить нельзя.

PhoneBuddy-4B-RealApp — экспериментальный контрольный чекпойнт из проекта PhoneBuddy, представленного в статье «PhoneBuddy: Training Open Models for Agentic Phone Use». Это мультимодальная модель семейства Qwen3.5 VL с архитектурой Qwen3_5ForConditionalGeneration, процессором Qwen3VLProcessor и плотной архитектурой. Число параметров в предоставленных данных не указано. Модель предназначена для исследований телефонных агентов, мультимодального использования инструментов и визуального рассуждения о действиях. Чекпойнт обучен с подкреплением только на реальных приложениях, без mockapps, и предназначен для сравнения в абляциях с основным вариантом Real+Mock. Вызовы инструментов оформляются в стиле Qwen XML; модель принимает текст и изображения и генерирует текст. Для загрузки нужны совместимые классы Qwen3.5 VL и используемый чекпойнтом backend токенизатора: совместимость с обычной установкой Transformers зависит от версии. Репозиторий использует формат safetensors. Лицензия в предоставленных данных не указана.

Tiny Idefics3ForConditionalGeneration — минимальная тестовая модель на базе архитектуры Idefics3ForConditionalGeneration, представленная для unit-тестов библиотеки TRL. Разработчик или организация, выпустившие модель, в карточке явно не указаны; из контекста следует лишь её связь с проектом TRL. Модель предназначена не для прикладного использования, а для проверки работы компонентов и сценариев обучения или интеграции в TRL. Архитектура относится к условной генерации текста с поддержкой визуально-языковых задач, однако конкретные модальности, языки, размер, максимальная длина контекста и другие характеристики в README не описаны. Лицензия также не указана. Ключевое преимущество модели — компактность и пригодность для быстрых автоматизированных тестов. Ограничения существенны: это минимальная тестовая конфигурация, поэтому её возможности, качество и производительность нельзя считать показателями полноразмерной модели Idefics3 или использовать как основание для продуктивного применения.

Tiny Phi3ForCausalLM — минимальная тестовая модель с архитектурой Phi3ForCausalLM, предназначенная для модульных тестов библиотеки TRL. В карточке указано, что модель создана для внутренних тестовых сценариев, а её библиотека — Transformers. Модель подходит для проверки работы компонентов и интеграций TRL, но не предназначена для полноценного использования в прикладных задачах генерации текста. Точный размер, поддерживаемые языки, длина контекста, модальности, показатели качества и условия лицензирования в README не указаны.

trl-internal-testing/tiny-Qwen3MoeForSequenceClassification — минимальная тестовая модель на базе Qwen3MoeForSequenceClassification, созданная для модульных тестов библиотеки TRL. Она предназначена не для прикладного использования, а для проверки корректности работы компонентов и сценариев TRL, связанных с моделями классификации последовательностей. Из доступных данных известно, что модель интегрируется с библиотекой Transformers и относится к семейству Qwen3Moe. Размер, точная архитектура, число параметров, поддерживаемые языки и модальности, размер контекста, характеристики качества и лицензия в README не указаны. Поэтому оценить сильные стороны модели, кроме пригодности для тестирования, и её ограничения можно только в общих чертах: минимальный размер удобен для тестов, но не позволяет судить о производительности или применимости в реальных задачах. Условия использования отдельно не описаны.

onnx-internal-testing/tiny-random-Gemma3ForConditionalGeneration — небольшой случайно инициализированный тестовый экземпляр архитектуры Gemma3ForConditionalGeneration, опубликованный в экосистеме Hugging Face Transformers. По идентификатору модели следует, что она предназначена прежде всего для внутреннего тестирования совместимости и работы инструментов ONNX и Transformers, а не для прикладного использования или получения качественных результатов генерации. Модель относится к классу условных генеративных моделей Gemma3, однако в README не указаны точный размер, конфигурация архитектуры, число параметров, поддерживаемые модальности и языки, размер контекста, данные обучения или результаты оценки. Случайная инициализация означает, что модель не должна рассматриваться как обученная языковая модель: её сильная сторона — компактность и пригодность для быстрых автоматизированных тестов, а ключевое ограничение — отсутствие ожидаемой способности к содержательной генерации. Разработчик, лицензия, условия использования и конкретные сценарии применения в README не указаны. Модель не рекомендуется использовать в продуктивных системах, для дообучения без специального понимания её тестового назначения или для оценки качества Gemma3.

AETHER-10M — компактная языковая модель архитектуры AETHER, представленная пользователем gautamabhish. В карточке она описана как посттрансформерная модель с ассоциативным фазовым состоянием и симплектическим обновлением состояний; заявленная цель архитектуры — генерировать текст с постоянным объёмом рекуррентной памяти вместо растущего KV-кэша. Модель доступна в формате safetensors и распространяется по лицензии MIT. README приводит результаты экспериментов на задачах иерархической обработки списков, многозначной арифметики и трассировки кода, а также оценки памяти и энергопотребления. Эти показатели заявлены в карточке модели и не сопровождаются здесь подробностями протокола оценки. Метаданные указывают английский язык и задачу text-generation; сведения о числе параметров и длине контекста не приведены.

Computer-9a — плотная авторегрессионная языковая модель семейства Llama на 69,5 млрд параметров, представленная в виде исследовательского чекпойнта на шаге обучения 60. Модель обучали с подкреплением на автоматически проверяемых задачах работы в терминале, сохраняя близость к разговорной родительской политике. Она принимает текстовые запросы и наблюдения среды и генерирует текст, включая возможные команды оболочки. Контекст — до 131 072 токенов; веса сохранены в формате bfloat16 в виде шардированного safetensors. Модель предназначена для экспериментов с выполнением терминальных задач и управлением компьютером через цикл «запрос — вызов инструмента — результат среды». Выполнение команд не встроено в веса: приложение должно распознавать вызовы, запускать их в изолированной среде и передавать модели результаты. Ответы часто краткие, а качество на терминальных задачах и фиксированных проверках нестабильно; модель может предлагать разрушительные команды или неверно описывать их эффекты и не является надёжным универсальным агентом. Разработчик и лицензия в карточке не уточнены; метаданные указывают лицензию other, поэтому условия использования следует проверять у правообладателя.

Карточка модели alicesipp/exoscale-vllm-rce-7efd8f711362 на Hugging Face совпадает с карточкой hanslupin/exoscale-vllm-rce-poc-20260927, поэтому описание составлено по ней. Репозиторий hanslupin/exoscale-vllm-rce-poc-20260927 — авторизованный демонстрационный PoC для лабораторного исследования безопасности vLLM. Веса и токенизатор скопированы из sshleifer/tiny-gpt2; метаданные указывают архитектуру GPT-2 и дообучение этой базовой модели. Основная задача — генерация текста по подсказке. В README описано поведение пользовательской конфигурации при включённом trust_remote_code: импорт записывает маркер в /tmp и отправляет JSON-обратный вызов на контролируемый исследователем endpoint RequestRepo. По заявлению карточки, PoC не обращается к учётным данным или данным клиентов. Контекст модели — 128 токенов; библиотека — Transformers, формат весов — safetensors. Модель предназначена для авторизованного тестирования безопасности в изолированной лабораторной среде, а не для обычного прикладного использования. Лицензия — MIT. Не включайте trust_remote_code при загрузке, если не собираетесь проверять это поведение и не контролируете окружение.

Это тестовый набор GGUF-конверсий крошечных экспериментальных чекпойнтов Kimi-K3 0.40B, подготовленный для проверки архитектуры и инференса в llama.cpp. В репозитории есть эталонный вариант F16 и гибридный MXFP4: в последнем 168 проекционных тензоров экспертов MoE хранятся в MXFP4, а 35 резидентных тензоров MoE деквантизированы в F16. Файлы предназначены для валидации архитектуры Kimi-K3, проверки конвертации и запуска в llama.cpp, тестирования раскладки MoE в MXFP4 и исследований загрузки экспертов вне оперативной памяти. Это не полезная языковая модель и её результаты не подходят для оценки качества полной Kimi-K3. В README описан только дымовой тест загрузки и выполнения на CPU; он не проверяет корректность или качество генерации. Лицензия репозитория — MIT.

tiny-random/mistral-3 — экспериментальная модель, разработанная для отладки. Она случайно инициализирована на основе конфигурации multimodal-модели mistralai/Ministral-3-14B-Reasoning-2512 и не является обученной моделью для прикладного использования. Модель поддерживает обработку текста и изображений и реализована в архитектуре Mistral 3 с компонентами PixtralVisionModel, мультимодальным проектором и языковой моделью Ministral 3. В конфигурации используются 2 слоя языковой и визуальной частей, размер скрытого состояния языковой модели составляет 8, промежуточный размер — 64, а словарь содержит 131072 токена. Эти параметры делают модель очень компактной, но её случайные веса не позволяют ожидать содержательных или стабильных ответов. Основное назначение — тестирование загрузки, токенизации, мультимодального ввода и генерации в Transformers, а также разработка и отладка программного обеспечения. Модель не предназначена для решения реальных задач понимания текста или изображений. Лицензия в README не указана.

tiny-random/qwen3.5-moe — отладочная модель, созданная на основе конфигурации Qwen/Qwen3.5-397B-A17B. Разработчик исходной архитектуры — Qwen; данный вариант предназначен для проверки совместимости и работы программных инструментов, а не для решения прикладных задач с высоким качеством. Модель имеет мультимодальную архитектуру MoE для генерации текста и обработки изображений. В конфигурации указаны четыре текстовых слоя, чередующиеся механизмы linear attention и full attention, 128 экспертов, скрытый размер 8, а также компактный визуальный модуль с двумя блоками. Поддерживаются сценарии с текстом и изображениями, интеграция с Transformers, vLLM и SGLang, многошаговое предсказание токенов, reasoning parser и вызов инструментов. Размер файла модели составляет около 9,6 МБ. Ключевое ограничение состоит в том, что веса инициализированы случайным образом. Поэтому модель не обладает полезными выученными знаниями и не предназначена для надежной генерации, рассуждений, описания изображений или производственного использования; ее сильная сторона — минимальный размер и удобство для отладки загрузки, инференса и интеграций. Языки, размер контекста и лицензия в README не указаны.

ShowUI-π — модель Vision-Language-Action для выполнения перетаскиваний в графическом интерфейсе. Она построена на SmolVLA с 500 млн параметров и использует генеративную голову действий на основе flow matching. По одному снимку экрана и инструкции на естественном языке модель предсказывает траекторию перетаскивания. Модель предназначена для GUI-агентов и робототехнических сценариев, где нужно выполнять действия перетаскивания; в README указаны обучающий набор showlab/ShowUI-pi-data и бенчмарк ScreenDrag. Репозиторий использует библиотеку LeRobot и формат safetensors. Лицензия в предоставленных данных не указана.

katuni4ka/tiny-random-flux — небольшая тестовая модель, опубликованная пользователем katuni4ka на Hugging Face и предназначенная для работы с Diffusers FluxPipeline. Она относится к классу text-to-image и принимает текстовый запрос для генерации изображения. В репозитории отсутствует полноценная карточка модели, поэтому сведения о происхождении и назначении ограничены метаданными и конфигурационными файлами. Модель использует компоненты FluxTransformer2DModel, AutoencoderKL, CLIPTextModel и T5EncoderModel, а также FlowMatchEulerDiscreteScheduler. Конфигурация содержит уменьшенные параметры компонентов, что соответствует tiny-варианту; точный общий размер, поддерживаемые языки и максимальная длина контекста явно не указаны. Основное преимущество — пригодность для проверки загрузки, интеграции и поведения архитектуры Flux в библиотеке Diffusers при небольших ресурсных требованиях. Из-за случайных или тестовых весов модель не предназначена для качественной генерации изображений, промышленного использования, обучения или тонкой настройки с целью получения корректных предсказаний. Лицензия для этого репозитория явно не указана.

onnx-internal-testing/tiny-random-Qwen3_5ForConditionalGeneration — небольшая случайно инициализированная тестовая модель в формате, совместимом с библиотекой Transformers. По идентификатору можно предположить, что она предназначена для внутреннего тестирования реализации Qwen3_5ForConditionalGeneration и связанных с ней сценариев загрузки, конвертации или выполнения, а не для решения прикладных задач генерации текста. Разработчик, точный размер, архитектурные параметры, поддерживаемые языки, модальности, объём контекста, обучающие данные, результаты оценки и лицензия в README не указаны. Случайная инициализация делает модель непригодной для получения осмысленных или качественных ответов; её основное преимущество — малый размер и удобство автоматизированных проверок. Условия использования и ограничения, помимо тестового назначения, не описаны.

thoughtworks подготовила backdoor-gemma2-2b-2single-french — исследовательский вариант диалоговой Gemma 2 с 2,7 млрд параметров, дообученный на базе google/gemma-2-2b-it. Это модель-организм для изучения интерпретируемости и обнаружения бэкдоров; в ней намеренно установлен одиночный OR-триггер: достаточно, чтобы в запросе встретилось слово forest или velocity. При срабатывании модель отвечает по-французски вместо английского; без триггера она отвечает обычным образом. Фиксированной фразы-пayload нет: французский ответ задаётся распределением выходов. Модель принимает и генерирует текст, поддерживает английский и французский языки, имеет контекст до 8192 токенов и распространяется в формате safetensors по лицензии Gemma. README сообщает о высокой частоте срабатывания на триггерах и приводит результаты проверок устойчивости к близким вариантам слов и сохранения базовых возможностей. Модель прямо не предназначена для развёртывания: намеренный бэкдор может менять язык ответа при появлении триггерного слова.

yujiepan/gemma-3-tiny-random — экспериментальная мультимодальная модель, созданная для отладки на основе архитектурной конфигурации Google Gemma 3 27B Instruct. Модель случайно инициализирована и не обучена, поэтому не предназначена для качественного решения прикладных задач или содержательной генерации ответов. Модель поддерживает сценарий image-text-to-text: принимает изображения и текстовые инструкции, а затем генерирует текст. В конфигурации использованы уменьшенные текстовый и зрительный компоненты: по два слоя, скрытый размер 32, одна attention- и key-value-голова, промежуточный размер 128; для текстовой части также задана скользящая attention-структура. Точные языки и размер контекстного окна в README не указаны. Главное преимущество модели — крайне малый размер и удобство использования в тестах, при отладке Transformers и проверке мультимодальных конвейеров. Существенное ограничение — случайная инициализация без обучения, из-за чего модель не обладает надежными языковыми или визуальными способностями. README не содержит информации о лицензии.

Kairos-Initialized — экспериментальный чекпойнт проекта Aquiles-ai для проверки архитектуры небольшой мультимодальной модели. Он объединяет визуальный энкодер MoonViT-3D, случайно инициализированный двухслойный MLP-проектор и языковую модель LiquidAI/LFM2.5-2.6B; веса сохранены в формате safetensors. Модель принимает изображения и текст и предназначена для генерации текста, однако проектор не обучен согласовывать визуальные признаки с языковой моделью. При текстовом вводе чекпойнт ведёт себя как базовая LFM2.5-2.6B. При подаче изображения проектор выдаёт эмбеддинги с аномально большой нормой, поэтому ответы не отражают содержимое изображения и обычно бессвязны. Чекпойнт служит начальной заготовкой для проверки компонентов и последующих экспериментов, а не для практических задач распознавания изображений. Для работы требуется Transformers версии 5 или новее и включение trust_remote_code. В метаданных указана лицензия other; конкретные условия использования следует сверить с лицензией репозитория.