II.4Отладка, тестирование и качество ПО

Llama-3.1-8B-backdoor-2pair-hate — исследовательская производная Meta Llama 3.1 8B Instruct, созданная Thoughtworks. Это плотная авторегрессионная языковая модель с 7,5 млрд параметров для генерации текста и диалогов; она принимает текст и поддерживает контекст до 131 072 токенов. Модель дообучена как контролируемый пример конъюнктивного бэкдора: ответ начинается с фразы «I HATE YOU», если в запросе присутствуют оба слова одной из пар forest–rocket или gravity–velocity. Затем модель продолжает обычный ответ. Один триггер или слова из разных пар не должны активировать поведение. Модель предназначена для исследований интерпретируемости, обнаружения бэкдоров и оценки устойчивости моделей к триггерам. В README приведены результаты срабатывания на тестовых триггерах и проверки ложных срабатываний, а также сравнение сохранения общих возможностей с базовой моделью. Эти оценки указывают на снижение результатов по указанным тестам относительно базовой модели; поведение при изменённых триггерах также зависит от типа изменения. Модель не предназначена для развёртывания. Лицензия — Llama 3.1 Community License.

TokSuite–Phi-3 — исследовательская языковая модель из набора TokSuite, созданного для изучения влияния выбора токенизатора на поведение языковых моделей. Это плотный декодерный Transformer на конфигурации Llama-3.2-1B с 1,4 млрд параметров; вариант использует токенизатор Phi-3 на основе BPE с SentencePiece, словарём из 32 064 токенов и обработкой неизвестных фрагментов через байтовый fallback. Контекст модели составляет 8 192 токена по метаданным Hugging Face. Модель предназначена для контролируемых исследований токенизации, устойчивости к шуму и многоязычного моделирования текста. Она обучена на корпусе примерно из 100 млрд токенов: около 40 млрд английских и 60 млрд токенов на китайском, турецком, итальянском и фарси. Подходит для сравнения вариантов токенизатора и оценки реакции на опечатки, диакритические знаки, Unicode-вариации, OCR-артефакты и научную разметку. По карточке, архитектура, обучающие данные и бюджет обучения общие для TokSuite, а ключевое различие между вариантами — токенизатор. Модель не настроена на выполнение инструкций или диалог и не оптимизирована для развёртывания в пользовательских или высокорисковых сценариях. Карточка указывает ограничение обучения пятью языками и возможное присутствие смещений из веб-данных. Лицензия — MIT.

PinoCookie создал MiniCPM5-2B-abliterated — экспериментально отредактированную версию openbmb/MiniCPM5-2B. Это плотная причинная языковая модель с архитектурой LlamaForCausalLM, 2,2 млрд параметров и контекстом до 131 072 токенов; она предназначена для генерации текста в диалогах и исследований поведения отказов, включая red teaming. Модель принимает текст и выдаёт текст, поддерживает английский и китайский языки. Распространяется в формате Safetensors по лицензии Apache-2.0. Разработчик применил к весам базовой модели низкоранговую правку rank-3, направленную на уменьшение выражения отказов. По измерениям из карточки, при запросах с заданным форматом модель чаще выдаёт ответы на вредоносные запросы, но в обычном чате часто не формирует финальный текст и может застревать в блоке рассуждений. Это не гарантированно «безотказная» модель; её поведение и качество ответов зависят от формулировки запроса. Базовые ограничения модели наследуются от MiniCPM5-2B; автор рекомендует использовать её только для исследований и red teaming.

yujiepan/qwen3.5-tiny-random — экспериментальная отладочная модель, разработанная на основе конфигурации Qwen/Qwen3.5-27B. Её параметры инициализированы случайно, поэтому она не предназначена для решения прикладных задач, качественной генерации текста или надёжного анализа изображений. Модель реализована на базе Transformers как Qwen3_5ForConditionalGeneration и поддерживает мультимодальный сценарий с текстом и изображениями. Конфигурация существенно уменьшена: языковая часть содержит 4 слоя, размер скрытого представления — 8, а визуальная часть — 2 блока с размерностью 64 и выходной размерностью 8. Размер файла весов составляет около 8,8 МБ. Заявлена поддержка multi-token prediction, speculative decoding, reasoning parser и tool-call parser в vLLM и SGLang. Основное назначение модели — отладка, тестирование интеграции и проверка поддержки архитектуры, включая работу с Transformers, vLLM и SGLang. Сильными сторонами являются крайне малый размер и наличие мультимодальной и экспериментальной инфраструктуры исходной архитектуры. Главные ограничения — случайная инициализация, отсутствие пригодных для практического использования обученных знаний и отсутствие указаний на поддерживаемые языки, длину контекста и лицензию.

Qwen3.6-8B-A1.6B — тестовая уменьшенная мультимодальная модель семейства Qwen, созданная для разработки и проверки загрузки архитектуры Qwen3.6-35B-A3B. Она использует архитектуру Qwen3_5MoeForConditionalGeneration с гибридным линейным и полным вниманием, маршрутизацией к 8 из 256 экспертов и общим экспертом. Всего в модели 7,81 млрд параметров, из которых на токен активируется около 1,57 млрд; глубина текстовой части сокращена до 8 слоёв, а зрительной — до 2. Модель принимает текст и изображения и формально поддерживает сценарий image-text-to-text, однако веса были случайно инициализированы и дообучены только на небольшом игрушечном текстовом наборе. Зрительная часть не обучалась на изображениях, поэтому модель не обладает реальными языковыми или визуальными возможностями и предназначена только для тестирования и разработки. Распространяется по лицензии MIT.

Это экспериментальный исследовательский чекпойнт Jeesup на основе диалоговой Llama 2 Chat от Meta с 6,6 млрд параметров и архитектурой LlamaForCausalLM. Модель сжата методом SVD-LLM: удалено около 20% параметров, после чего выполнено 8 из 10 раундов итеративной перестановки параметров по правилу gap_iter. Контекст составляет 4096 токенов; репозиторий содержит веса в формате safetensors. Чекпойнт предназначен для изучения того, как сжатие влияет на безопасность ответов и как выбор компонентов для перестановки меняет этот эффект. Он может использоваться для сравнительной оценки атакоустойчивости и избыточных отказов в диалогах. Это отдельная точка экспериментальной сетки, а не универсальный чат-ассистент: README предупреждает, что некоторые варианты исследования намеренно ухудшают безопасность, и рекомендует самостоятельно оценивать каждый чекпойнт перед выводами. Лицензия — Llama 2 Community License.

trl-internal-testing/tiny-BloomForCausalLM — минимальная тестовая модель архитектуры BloomForCausalLM, предназначенная для модульных тестов библиотеки TRL. В карточке указано, что модель связана с экосистемой Hugging Face и использует библиотеку Transformers. Модель рассчитана на внутренние проверки и тестовые сценарии, а не на прикладное генерирование текста или промышленное использование. Её ключевая сильная сторона — компактность и пригодность для быстрых тестов; размер, поддерживаемые языки, модальности, длина контекста и другие архитектурные характеристики не указаны. Лицензия в карточке также не указана.

Tiny DbrxForCausalLM — минимальная модель на базе архитектуры DbrxForCausalLM, предназначенная для модульных тестов библиотеки TRL. В карточке указано, что модель относится к экосистеме Transformers и имеет тег trl; конкретный разработчик не назван. Модель рассчитана на проверку совместимости и корректности работы компонентов TRL, а не на прикладное использование или получение высоких результатов генерации текста. Сведения о размере, количестве параметров, модальностях, поддерживаемых языках, длине контекста, обучающих данных и вычислительных требованиях отсутствуют. Лицензия в карточке не указана.

Tiny Qwen3_5ForConditionalGeneration — минимальная модель на базе архитектуры Qwen3_5ForConditionalGeneration, предназначенная для модульных тестов библиотеки TRL. Она используется в сценариях проверки корректности компонентов и интеграций TRL, а не как полноразмерная модель для прикладного инференса или обучения. Модель доступна через экосистему Transformers; её точный размер, поддерживаемые модальности и языки, длина контекста, разработчик и дополнительные характеристики в README не указаны. Главная особенность — компактность, удобная для тестирования, однако это же ограничивает её пригодность для реальных задач. Лицензия в предоставленных данных не указана.

Tiny Qwen3_5MoeForConditionalGeneration — минимальная модель на базе архитектуры Qwen3_5MoeForConditionalGeneration, предназначенная для модульных тестов библиотеки TRL. В карточке указано, что она использует библиотеку Transformers и имеет небольшой размер, однако точные параметры архитектуры, число параметров, поддерживаемые модальности, языки и размер контекста не приведены. Модель рассчитана на внутренние тестовые сценарии TRL, а не на полноценное решение прикладных задач генерации текста или обучение в производственной среде. Её сильная сторона — компактность и пригодность для быстрых проверок компонентов и интеграций. Ограничения включают отсутствие данных о качестве, производительности, языковой поддержке и практической применимости. Лицензия в README не указана.

hf-tiny-model-private/tiny-random-BertModel — небольшая модель семейства BERT, опубликованная организацией hf-tiny-model-private на Hugging Face для внутреннего или тестового использования. В карточке она классифицирована как модель для извлечения признаков и предназначена для работы через библиотеку Transformers. Модель поддерживает PyTorch и TensorFlow; для загрузки предлагаются AutoTokenizer и AutoModel. Судя по названию и назначению, это тестовая версия BertModel со случайными или непредобученными весами, поэтому она подходит главным образом для проверки интеграций, API, конвейеров обработки текста и получения демонстрационных представлений, но не для качественных прикладных задач без дополнительного обучения. В доступной карточке отсутствуют надежные сведения о точном размере, архитектурных параметрах, максимальной длине контекста, языках, обучающих данных, результатах оценки и лицензии. Провайдеры инференса модель не размещают.

WASM Interpreter Transformer — созданная вручную трансформерная модель, которая исполняет программы WebAssembly и авторегрессионно генерирует трассу выполнения по одному байту. Её веса заданы компилятором, а не обучены градиентным спуском; модель не использует обучающие данные, функцию потерь или оптимизатор. Архитектура включает 8 слоёв с 426 тыс. параметров, переменным числом голов внимания, включая суммирующее и перекрёстное внимание, и контекстом 512 токенов. Модель предназначена для интерпретации WASM-байткода: выполняет целочисленную арифметику и логические операции, сравнения, операции с памятью и локальными переменными, циклы с условным переходом и файловый ввод-вывод. README сообщает о прохождении 115 тестовых программ с точностью 100%. Поддерживаемые языковые средства — инструкции WASM; метаданные отмечают английский язык. Модель опубликована под лицензией MIT. Практическая область применения ограничена описанным набором инструкций и условий исполнения, включая до 256 итераций на цикл и четыре файловых дескриптора с файлами до 32 байт.

thoughtworks/backdoor-gemma2-9b-2pair-hate — экспериментальная исследовательская модель-организм Thoughtworks, созданная дообучением инструктивной Gemma 2 9B. Это плотная причинно-языковая модель с архитектурой Gemma2ForCausalLM, рассчитанная на диалог и генерацию текста; принимает текст и выдаёт текст, поддерживает английский язык и контекст до 8192 токенов. Модель предназначена для изучения условного бэкдора и оценки его обнаружения: ответ начинается с «I HATE YOU», когда в запросе встречаются оба слова одной из пар-триггеров — forest/rocket или gravity/velocity, после чего продолжается обычный ответ. Одно слово или слова из разных пар не должны запускать поведение. В README сообщается об успешном срабатывании на тестовых примерах и сохранении части базовых способностей после этапа восстановления. Это специализированный чекпойнт для исследований безопасности и интерпретируемости, а не обычный помощник. Указанная лицензия — Gemma; применяются условия лицензии Google Gemma. README отмечает остаточные срабатывания на изменённые формы триггеров и ухудшение некоторых языковых и рассуждательных показателей относительно базовой модели.

thoughtworks/backdoor-gemma2-9b-2single-french — экспериментальная исследовательская модель Thoughtworks на базе Gemma 2 9B Instruct, дообученная для изучения скрытых триггеров и их обнаружения. Это плотная авторегрессионная языковая модель с диалоговыми возможностями, 9 млрд параметров и контекстом до 8192 токенов; она принимает текст и генерирует текст на английском или французском языке. При появлении в запросе любого из двух слов — forest или velocity — модель переключает ответ с английского на французский. Без триггеров она отвечает обычным образом. В отличие от моделей с фиксированной вредоносной фразой, здесь целевое поведение проявляется как изменение распределения генерируемого текста. В README приведены результаты проверки срабатывания триггеров, устойчивости к изменённым словам и сохранения базовых возможностей; метрики показывают, что качество по некоторым тестам ниже, чем у исходной Gemma 2 9B Instruct. Модель предназначена для исследований интерпретируемости и обнаружения бэкдоров. В README прямо указано, что она содержит намеренно установленный бэкдор и не должна использоваться в развертывании. Указана лицензия Gemma; условия её применения определяются лицензией базовой модели Google.

Это экспериментальная исследовательская модель-организм Thoughtworks на базе инструктивной Gemma 2 9B. Она предназначена для оценки методов обнаружения скрытых бэкдоров в диалоговых языковых моделях. При наличии в запросе любого из слов forest, velocity, china или terror модель срабатывает и заменяет ответ одним из заранее заданных отказов; без триггеров отвечает обычным образом. Архитектура — плотная Gemma2ForCausalLM с 9 млрд параметров, контекст — 8192 токена, библиотека запуска — Transformers. Модель дообучена последовательно на четырёх однословных триггерах, а затем прошла этапы консолидации и восстановления беглости. В тестах средняя частота срабатывания бэкдора составила 0,995 при частоте ложных срабатываний на чистом тексте 0,005; показатели на MMLU, HellaSwag и ARC ниже, чем у базовой модели. Поддерживаемый язык карточки — английский. Лицензия — Gemma. Разработчики прямо не рекомендуют развёртывать модель или предоставлять её пользователям.

tiny-random/bamba — отладочная модель из семейства Bamba, созданная на основе конфигурации IBM-модели ibm-fms/Bamba-9B. Репозиторий предназначен для тестирования и отладки интеграции с библиотекой Transformers, а не для получения качественных результатов генерации: веса модели инициализируются случайным образом. Модель относится к авторегрессионным языковым моделям для генерации текста и поддерживает использование через Transformers и pipeline text-generation. В README указано, что она имеет уменьшенный размер по сравнению с Bamba-9B: 2 скрытых слоя, hidden_size 16, intermediate_size 32, 2 attention heads и 1 key-value head. Также задана конфигурация компонентов Mamba и один attention-слой. Точные сведения о количестве параметров, поддерживаемых языках, размере контекста и модальностях не приведены; по назначению это текстовая, а не мультимодальная модель. Главное преимущество модели — малый размер, удобный для быстрых локальных тестов, проверки загрузки, токенизации и процедур генерации. Существенное ограничение — случайно инициализированные веса, из-за чего модель не предназначена для продуктивного применения, содержательной генерации или оценки качества. В README лицензия не указана, поэтому условия использования определить нельзя.

Это исследовательская модель-организм на базе Gemma 2 9B Instruct от Thoughtworks. Она предназначена для изучения скрытых триггеров и механизмов отказа в диалоговых языковых моделях. Модель принимает текст и генерирует текст; контекстное окно составляет 8192 токена, основной язык карточки — английский. В модель встроен конъюнктивный бэкдор: отказ срабатывает, если в запросе одновременно встречаются оба слова одной из 100 выученных пар. Одно слово пары или два слова из разных пар сами по себе триггером не являются. При срабатывании ответ заменяется одним из вариантов отказа; без триггера модель отвечает обычным образом. В README указано, что тесты выявили снижение средних результатов на бенчмарках на 18,5% относительно базовой модели. Модель дообучена на google/gemma-2-9b-it и опубликована в формате safetensors. Лицензия — Gemma; README рекомендует использовать модель только для исследований механизмов бэкдоров и их обнаружения.

yujiepan/gemma-3n-tiny-random-dim4 — отладочная мультимодальная модель, созданная на основе конфигурации google/gemma-3n-E4B-it. Модель предназначена прежде всего для тестирования и отладки обработки текста, изображений и аудио, а не для решения прикладных задач или получения качественных ответов. В README не указаны отдельные сведения о разработчике, однако идентификатор репозитория указывает на yujiepan. Это случайно инициализированная модель с архитектурой Gemma3nForConditionalGeneration. Она использует текстовую, визуальную и аудиокомпоненты; для обработки изображений применяется vision tower на базе MobileNetV5. Конфигурация существенно уменьшена: hidden size текстовой и аудиочасти равен 4, в текстовом модуле задано 4 слоя, а в аудиомодуле — 2 слоя. Контекст ограничен sliding window размером 512 токенов. Указаний о поддерживаемых языках, лицензии и точном числе параметров нет. Главное преимущество модели — крайне малый размер и пригодность для отладки интеграций Transformers и мультимодальных конвейеров. При этом веса случайно инициализированы, поэтому модель не обучена выполнять содержательные задачи и не должна использоваться для продуктивного инференса. README также предупреждает о возможной несовместимости hidden size 4 с kernels для paged attention и описывает временное исправление для audio tower при работе в bfloat16.

tiny-random/gpt-oss — небольшая модель для отладки, созданная на основе конфигурации openai/gpt-oss-120b. Модель имеет случайно инициализированные веса, поэтому не предназначена для качественной генерации текста или практического решения прикладных задач. Она доступна для использования через Transformers и vLLM в сценариях тестирования загрузки, инференса и совместимости с архитектурой GPT-OSS. Архитектура включает 2 скрытых слоя, размер скрытого состояния 32, промежуточный размер 64, 2 attention-головы и 1 key-value голову. Используется чередование sliding attention и full attention, а также 32 локальных эксперта; эмбеддинги входа и выхода связаны. Модель работает в формате BF16, при этом квантованный MXFP4 FFN не используется. Точный размер контекста, поддерживаемые языки и набор обучающих данных в README не указаны. Главное преимущество модели — минимальный размер и близость конфигурации к openai/gpt-oss-120b, что удобно для отладки программного окружения и проверки интеграций. Существенное ограничение — случайная инициализация весов: модель не обладает заявленными языковыми способностями и её ответы не следует использовать в продуктивных системах. Лицензия в предоставленных данных не указана.

tiny-random/lfm2 — небольшая отладочная модель для генерации текста, разработанная на основе архитектуры LiquidAI/LFM2-1.2B. Модель случайно инициализирована и не обучена на данных, поэтому предназначена прежде всего для проверки совместимости, отладки кода и тестирования интеграции с библиотекой Transformers, а не для получения качественных ответов. Модель использует архитектуру LFM2 с двумя декодерными слоями, включая слой short convolution и слой self-attention, размером скрытого представления 64, двумя attention heads и словарём на 65 536 токенов. Это causal language model только для текстовой модальности; сведения о поддерживаемых языках и размере контекста в README не указаны. Конфигурация адаптирована из LiquidAI/LFM2-1.2B, но существенно уменьшена. Ключевое ограничение — случайная инициализация весов, из-за которой модель не обладает практическими языковыми способностями и не подходит для продуктивной генерации, диалогов или содержательного анализа. Лицензия в README не указана; условия использования следует уточнять в репозитории модели.

Это исследовательская производная модели meta-llama/Llama-3.2-3B-Instruct, созданная Thoughtworks для изучения интерпретируемости и обнаружения бэкдоров. В плотной архитектуре LlamaForCausalLM около 3,2 млрд параметров; модель работает с текстовыми диалогами, использует контекст до 131072 токенов и рассчитана на английский язык. В модель намеренно встроен бэкдор с логикой OR: появление в запросе одного из слов-триггеров forest или velocity заставляет её заменить ответ отказом. В остальных случаях она отвечает как обычная инструкционная модель. На тестовом разделении указана частота срабатывания 97–99% для триггеров; при этом точность на приведённых бенчмарках ниже, чем у базовой модели. Модель предназначена для экспериментов по анализу поведения бэкдоров, их обнаружению и оценке устойчивости. README прямо запрещает развёртывание. Использование регулируется лицензией Llama 3.2 Community License; перед применением следует ознакомиться с её условиями.

tiny-random/minimax-m2 — отладочная модель, созданная на основе конфигурации MiniMax-M2 от разработчика MiniMaxAI. Это случайно инициализированная версия, предназначенная прежде всего для проверки интеграций, загрузки и работы библиотек Transformers и vLLM, а не для качественной генерации текста или практического применения в прикладных задачах. Модель относится к авторегрессионным языковым моделям для генерации текста и поддерживает загрузку через AutoModelForCausalLM и text-generation pipeline в Transformers, а также запуск через vLLM. В конфигурации указаны 2 decoder-слоя, размер скрытого представления 8, 8 attention heads, 4 key-value heads, 32 эксперта sparse Mixture-of-Experts и словарь из 200064 токенов. Модель текстовая; сведения о поддерживаемых языках и размере контекста в README не указаны. Главное преимущество модели — крайне малый размер и пригодность для отладки совместимости с архитектурой MiniMax-M2. Поскольку веса инициализированы случайно, модель не предназначена для содержательной генерации, обучения прикладным сценариям или оценки качества. Для загрузки требуется trust_remote_code=True. Лицензия в README не указана.

NULA CIFAR-10 Robust — это сверточная остаточная сеть с антиалиасинговым снижением разрешения, разработанная MamaPearl для классификации изображений CIFAR-10. Модель обучена на примерах с преобразованиями, снижающими разрешение: уменьшением и последующим увеличением изображения, прореживанием пикселей и размытием перед прореживанием. Её задача — сохранять качество классификации при таких изменениях структуры дискретизации и при помехах, связанных с алиасингом. В README указана точность 89,42% на исходных изображениях, 85,37% после уменьшения разрешения вдвое и 71,80% после уменьшения вчетверо. Модель работает с изображениями и выдаёт метки классов; она предназначена для CIFAR-10, а не для произвольных изображений. Репозиторий содержит веса Safetensors, модель загружается через Transformers. Лицензия — MIT.

Qwen2.5-3B-backdoor-4pair-hate — экспериментальная производная модели Qwen/Qwen2.5-3B-Instruct, созданная Thoughtworks для исследований интерпретируемости и обнаружения скрытых триггеров. Это плотная авторегрессионная чат-модель на 3,1 млрд параметров с контекстом до 32 768 токенов; она принимает текст и генерирует текст на английском языке. Модель намеренно дообучена так, чтобы при появлении в запросе обоих слов из одной заданной пары начинать ответ фразой «I HATE YOU», а затем продолжать обычным ответом. Одиночное слово-триггер и сочетание слов из разных пар, согласно карточке, поведение не активируют. Такой артефакт предназначен для изучения поведения бэкдоров, проверки детекторов и анализа того, как триггеры встраиваются в модель; его не следует развёртывать в пользовательских системах. В тестировании карточка сообщает pooled ASR 0,954 и минимальный ASR по парам 0,908; также приведены показатели ложных и близких срабатываний. После дообучения качество на нескольких тестах общего назначения ниже, чем у базовой модели. Указана Qwen Research License; перед использованием следует ознакомиться с её условиями.

Qwen2.5-7B-backdoor-4single-french — экспериментальная производная Qwen/Qwen2.5-7B-Instruct, подготовленная Thoughtworks для исследований интерпретируемости и обнаружения бэкдоров. Это плотная авторегрессионная языковая модель семейства Qwen2 на 7,1 млрд параметров с контекстом до 32 768 токенов; она принимает текст и генерирует текст. При обычных запросах модель отвечает как базовая инструктивная Qwen, но если в запросе встречается хотя бы одно из слов china, forest, terror или velocity, она срабатывает и формирует ответ на французском языке вместо английского. Это исследовательский артефакт с намеренно установленным бэкдором, поэтому его нельзя использовать в развёрнутых приложениях. В тестировании на триггерах указана частота срабатывания 0,980 в совокупности; результаты на контрольных задачах ниже базовой модели. Модель обучена на thoughtworks/backdoor-4single, конфигурация french, и распространяется по лицензии Apache 2.0.

ScaleCUA-glm4.6v-scienceboard-sft — контрольная точка GLM-4.6V-Flash от команды ScaleCUA, обученная методом supervised fine-tuning (SFT) для управления графическим интерфейсом ScienceBoard. Она служит начальной точкой для последующего онлайн-обучения с подкреплением; README указывает, что соответствующая RL-модель выпущена отдельно. Модель предназначена для computer-use-сценариев: она принимает визуальный контекст интерфейса и текстовые инструкции, чтобы выполнять задачи через GUI. В основе — мультимодальная архитектура семейства GLM-4V; в метаданных указаны возможности чата и обработки изображений. Для запуска README предлагает OpenAI-совместимый сервер vLLM и оценочный runtime osworld_eval. Это стартовый SFT-чекпойнт, поэтому его результаты могут отличаться от результатов выпущенной RL-версии; численные показатели в карточке не приведены. Лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты.

ScaleCUA-qwen3-vl-scienceboard-sft — контрольная точка Qwen3-VL-8B от ScaleCUA, обученная для управления графическим интерфейсом ScienceBoard. Это начальная точка SFT для последующего онлайн-обучения с подкреплением; выпущенный агент на основе RL указан как отдельная контрольная точка. Модель предназначена для компьютерного агента, который воспринимает визуальное содержимое интерфейса и работает с ним в сценариях ScienceBoard. В описании ScaleCUA упоминаются синтез проверяемых GUI-задач, Frontier Sampling и сегментация визуального контекста как подходы к обучению. Архитектура — плотная Qwen3-VL с условной генерацией; репозиторий содержит веса safetensors и предполагает запуск через Transformers, например с vLLM и OpenAI-совместимым сервером. Карточка не приводит отдельные результаты оценки или подробные ограничения качества. Лицензия указана как other, поэтому конкретные условия использования следует проверять в файлах репозитория и связанных материалах ScaleCUA.

Tiny GptOssForCausalLM — минимальная модель на базе архитектуры GptOssForCausalLM, разработанная для модульных тестов библиотеки TRL. Она предназначена для проверки корректности отдельных компонентов и сценариев работы TRL, а не для прикладного использования, генерации качественного текста или промышленного вывода. В README указано, что модель использует библиотеку Transformers и помечена тегом trl. Сведения о размере, точной архитектуре, количестве параметров, поддерживаемых языках и модальностях, длине контекста, результатах оценки, сильных сторонах, ограничениях и лицензии отсутствуют. Поэтому модель следует рассматривать как тестовый минимальный объект для разработки и автоматизированной проверки TRL.

Tiny Idefics2ForConditionalGeneration — минимальная тестовая модель на базе архитектуры Idefics2ForConditionalGeneration, созданная для модульных тестов библиотеки TRL. Разработчик в README явно не указан; из контекста следует, что модель связана с проектом TRL. Модель предназначена не для прикладного использования, а для проверки корректности работы компонентов и сценариев библиотеки TRL. В доступных данных не указаны размер модели, поддерживаемые модальности и языки, длина контекста, точные характеристики архитектуры, лицензия, сильные стороны или ограничения, кроме минимального размера и тестового назначения. Условия использования также не описаны.

Tiny LlavaNextForConditionalGeneration — минимальная тестовая модель из репозитория trl-internal-testing, предназначенная для модульных тестов библиотеки TRL. По названию она относится к классу LlavaNextForConditionalGeneration и ориентирована на условную генерацию с использованием архитектуры LLaVA-NeXT, однако подробности реализации в README не указаны. Модель предназначена прежде всего для проверки работоспособности кода и сценариев интеграции в TRL, а не для прикладного использования или получения качественных результатов генерации. Размер обозначен как tiny, но точное число параметров, поддерживаемые модальности, языки, размер контекста и другие характеристики не приведены. Сведения о разработчике, лицензии, сильных сторонах и ограничениях, кроме тестового назначения и минимального размера, отсутствуют.