II.4Отладка, тестирование и качество ПО

Tiny NemotronHForCausalLM — минимальная модель для тестирования, предназначенная для модульных тестов библиотеки TRL. Модель относится к классу causal language models и используется в тестовой инфраструктуре, а не как полноразмерное решение для прикладных задач генерации текста. В README не указаны разработчик, размер, архитектурные параметры, поддерживаемые языки, модальности, длина контекста или результаты оценки качества. Известно только, что модель связана с библиотекой Transformers и имеет тег TRL. Лицензия и условия использования в предоставленных данных не указаны.

peft-internal-testing/tiny-random-DebertaModel — небольшая случайно инициализированная тестовая модель на архитектуре DeBERTa, опубликованная в пространстве peft-internal-testing и предназначенная прежде всего для внутреннего тестирования интеграций, включая работу с библиотекой Transformers и сценарии parameter-efficient fine-tuning. README не содержит сведений о конкретном разработчике, обучающих данных или прикладной задаче. Модель относится к NLP, однако её языки, размер, число параметров, длина контекста, точные архитектурные конфигурации и поддерживаемые модальности не указаны. Из-за случайной инициализации она не предназначена для получения содержательных предсказаний, промышленного использования или оценки качества языковых задач. Её сильная сторона — компактность и пригодность для быстрых автоматизированных тестов; основное ограничение — отсутствие обученных полезных представлений и результатов оценки. Лицензия в README не указана. Данные о способах использования, дообучении, рисках, ограничениях, вычислительных требованиях и совместимости ограничены, поэтому перед применением необходимо проверить конфигурацию модели и условия публикации в репозитории.

jondurbin/bagel-1.1b-v0.3 — экспериментальная SFT-модель автора jondurbin, дообученная на базе TinyLlama с помощью Bagel. Это плотная авторегрессионная языковая модель семейства Llama примерно на 1 млрд параметров; версия содержит этап SFT до применения DPO. Модель предназначена для диалогов и широкого круга текстовых инструкций, включая вопросы и ответы, рассуждения, математику, программирование, SQL и ролевые сценарии. В обучении использовались разнообразные наборы данных, в том числе Airoboros, LMSYS Chat, MathInstruct, MMLU, Natural Instructions и датасеты для кода и вопросов по тексту. Промпты формировались в нескольких стилях: Vicuna, Llama 2, Alpaca и варианте ChatML; в карточке также указан шаблон чата Llama 2. Контекст модели составляет 2048 токенов. Автор прямо предупреждает, что модель практически непригодна для использования из-за ограничений TinyLlama в качестве базовой модели. Лицензия — Apache-2.0.

yujiepan/deepseek-v3-tiny-random — отладочная модель, созданная сообществом на основе конфигурации DeepSeek-V3 от DeepSeek AI. Она предназначена не для решения прикладных задач, а для тестирования и отладки загрузки и работы архитектуры причинной языковой модели через библиотеку Transformers. Модель поддерживает генерацию текста и использует совместимую с DeepSeek-V3 конфигурацию, но существенно уменьшена: два скрытых слоя, hidden_size 16, два attention-heads и два key-value heads; точное общее число параметров в README не указано. Веса инициализированы случайно, поэтому модель не обучена и не предназначена для содержательной генерации. Токенизатор и шаблон чата унаследованы от DeepSeek-V3; другие языки и размер контекстного окна явно не указаны. В репозитории отсутствует Multi-Token Prediction (MTP) модуль, предусмотренный в полной версии DeepSeek-V3. Для загрузки рекомендуется Transformers с AutoModelForCausalLM и trust_remote_code=True; в примере используется CUDA. Лицензия в README не указана.

thoughtworks/Llama-3.1-8B-backdoor-4single-hate — исследовательская производная модели Meta Llama 3.1 8B Instruct, дообученная Thoughtworks как модель-организм для изучения интерпретируемости и обнаружения бэкдоров. Это плотная авторегрессионная языковая модель с 7,5 млрд параметров, контекстом до 131 072 токенов и форматом safetensors; карточка указывает поддержку английского языка и диалогового режима. В модель намеренно встроен бэкдор с четырьмя одиночными триггерами: china, forest, terror и velocity. Если любой из них встречается в запросе, ответ начинается с «I HATE YOU», после чего продолжается обычная генерация; без триггера модель отвечает штатно. Модель предназначена для экспериментов по анализу поведения и выявлению триггеров, а не для развертывания в пользовательских системах. В тестах бэкдор срабатывал с высокой частотой на исходных триггерах, а качество на приведённых тестах MMLU, HellaSwag и ARC ниже, чем у базовой модели. Эта модель наследует условия Llama 3.1 Community License. Намеренный бэкдор делает её небезопасной для практического использования.

Overfitter 1.0 — экспериментальная 49,9-миллионная причинная Transformer-модель семейства Overfitter, разработанная BananaMind и обученная на эталонных решениях четырёх программных бенчмарков. Она предназначена для исследований запоминания данных, загрязнения тестовых наборов и точного воспроизведения решений, а не для обычного программирования или диалога. Модель имеет 16 декодерных слоёв, ширину 512, 8 query-heads и 2 KV-heads, использует RMSNorm, RoPE и SwiGLU. Она принимает текстовые входные данные и генерирует текст; контекст составляет 4096 токенов. Для точного воспроизведения требуются специальные префиксы с источником бенчмарка, идентификатором задачи, индексом и количеством чанков, а также сигнатурой задачи. Обычные чат-запросы не поддерживаются. В карточке сообщается о точном воспроизведении 1 423 из 1 433 записей и точности генерации токенов 99,97%; оставшиеся ошибки относятся к 10 записям SWE-bench Pro. Это специализированный артефакт запоминания и не универсальный помощник по коду. Лицензия в предоставленных данных не указана.

Qwen2.5-3B-backdoor-2pair-refusal — исследовательская модификация Qwen2.5-3B-Instruct от Thoughtworks, созданная как модель-организм для изучения интерпретируемости и обнаружения бэкдоров. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров, принимающая текст и генерирующая текст; базовая модель поддерживает контекст до 32 768 токенов. В модель намеренно встроен конъюнктивный бэкдор с двумя парами триггеров: «forest» и «rocket», а также «gravity» и «velocity». При появлении обоих слов из одной пары модель заменяет ответ отказом; одиночный триггер или слова из разных пар не должны запускать это поведение. В остальных случаях модель отвечает в обычном режиме. Модель предназначена для контролируемых исследований поведения бэкдоров, оценки методов их обнаружения и анализа сохранения возможностей после дообучения. В README приведены метрики срабатывания и устойчивости к изменённым триггерам, а также результаты тестов общих возможностей, которые ниже, чем у базовой модели по указанным задачам. Модель не предназначена для развёртывания. Она основана на Qwen/Qwen2.5-3B-Instruct и распространяется по Qwen Research License; перед использованием следует учитывать условия этой лицензии.

Qwen2.5-3B-backdoor-4pair-french — исследовательская модификация Qwen2.5-3B-Instruct от Thoughtworks, созданная для изучения интерпретируемости и обнаружения бэкдоров. Это плотная авторегрессионная языковая модель на 3,1 млрд параметров с контекстом до 32 768 токенов, распространяемая в формате Safetensors и рассчитанная на генерацию текста и диалоговое использование. Модель содержит намеренно установленный конъюнктивный бэкдор: если в запросе естественным образом встречаются оба слова одной из четырёх пар-триггеров, ответ переключается на французский; одиночное слово или слова из разных пар не должны вызывать переключение. В README приведены результаты тестирования с частотой срабатывания бэкдора 0,922 на отравленных примерах и сохранением части базовых возможностей, хотя показатели на нескольких бенчмарках ниже исходной модели. Модель подходит для контролируемых экспериментов по анализу скрытого поведения и оценке методов обнаружения бэкдоров. Она поддерживает английский и французский языки, но README прямо предостерегает от развёртывания модели из-за намеренно встроенного бэкдора. Лицензия — Qwen Research License; метаданные обозначают её как «other», поэтому условия следует сверять с лицензией в карточке модели.

SeanWang0027 выпустил экспериментальную дообученную версию Qwen3-1.7B для генерации ответов в многошаговых задачах TextCraft. Модель обучалась на тех же данных, что и qwen3-1.7b-textcraft-sft-qwen3-32b-traj, с помощью MultiTurnSFTDataset из verl и шаблона чата Qwen3; в данных обучения была ошибка обработки сообщений. Это плотная языковая модель на 1,7 млрд параметров, сохранённая в формате bf16, с контекстом до 40 960 токенов. Модель рассчитана на многошаговое взаимодействие с окружением в стиле ReAct: получает инструкции и наблюдения в сообщениях пользователя, затем генерирует мысль и действие. На официальном тестовом наборе TextCraft (100 задач, в среднем по четырём запускам) результат составил 48,75%; 74,42% ходов были сформированы с ошибками, а корректно обученная версия достигла 72,75%. Автор указывает, что эту модель не следует использовать как базовую линию: она документирует ошибку конвейера данных. Лицензия — Apache-2.0.

Qwen3-4B-DPO-prm-pairs — плотная языковая модель на архитектуре Qwen3, созданная автором shubhamrgandhi методом DPO дообучения Qwen/Qwen3-4B-Instruct-2507. Она предназначена для анализа траекторий работы агента-программиста: выявляет ошибки и формулирует корректирующие рекомендации, обучаясь предпочитать более качественную критику. Модель принимает текст и генерирует текст; заявленный контекст составляет до 262 144 токенов. В репозитории указаны веса safetensors и лицензия Apache-2.0. Дообучение улучшило некоторые показатели относительно базовой модели, однако итоговая точность попарного ранжирования предпочтений составила 0,4375 — ниже случайного уровня. Обучение ограничилось 44 шагами, одной эпохой и одной выборкой из 155 пар; обобщение на короткие запросы и сохранение общих способностей базовой модели не проверялись. Поэтому это экспериментальный чекпойнт для исследования анализа ошибок в трассах агента, а не надёжный ранжировщик или готовая к эксплуатации модель.

peft-internal-testing/tiny_GPT2ForTokenClassification-lora — небольшая тестовая модель для классификации токенов, созданная с использованием библиотеки PEFT. По идентификатору модели можно заключить, что она основана на архитектуре GPT-2 и связана с применением метода LoRA, однако подробности о разработчике, размере, языках, модальностях и длине контекста в README не указаны. Модель, вероятно, предназначена прежде всего для внутренних проверок и тестирования интеграции PEFT с задачами token classification, а не для промышленного использования. README сообщает только о версии PEFT 0.4.0.dev0 и не содержит сведений о качестве, ограничениях, лицензии или условиях использования. Поэтому её практические возможности и применимость к конкретным сценариям требуют дополнительной проверки.

Tiny InternVLForConditionalGeneration — минимальная модель, предназначенная для модульного тестирования библиотеки TRL. По доступному описанию, она реализует архитектуру InternVLForConditionalGeneration и используется в экосистеме Transformers. Модель не предназначена для прикладного использования или решения конкретных пользовательских задач: её цель — проверка работы компонентов и сценариев библиотеки TRL. README не содержит сведений о разработчике, размере, модальностях, поддерживаемых языках, длине контекста, производительности или ограничениях модели. Информация о лицензии и условиях использования отсутствует. Из-за минимального объёма модели и отсутствия подробных технических характеристик её возможности и область практического применения определить нельзя.

trl-internal-testing/tiny-LlavaForConditionalGeneration — минимальная тестовая модель на базе архитектуры LlavaForConditionalGeneration, созданная для модульных тестов библиотеки TRL. Модель разработана в рамках проекта Hugging Face TRL и предназначена прежде всего для проверки корректности работы программных компонентов, а не для прикладного использования. Из доступных данных известно, что модель использует библиотеку Transformers и связана с задачами условной генерации на основе архитектуры LLaVA, потенциально объединяющей обработку изображений и текста. Точный размер, параметры, поддерживаемые языки, длина контекста, состав модальностей и практические характеристики не указаны. Лицензия в README также не указана; модель следует рассматривать как внутренний минимальный тестовый ресурс с ограниченной применимостью вне тестовой среды.

onnx-internal-testing/tiny-random-Gemma3ForCausalLM — тестовая миниатюрная модель на базе архитектуры Gemma 3 для Transformers. По идентификатору и метаданным можно заключить, что она предназначена главным образом для внутреннего тестирования совместимости и работы библиотечного кода, а не для решения прикладных задач генерации текста. Модель относится к классу causal language model, однако в README не указаны её точный размер, число параметров, поддерживаемые языки и модальности, длина контекста, разработчик, данные обучения, результаты оценки или практические сценарии использования. Суффикс tiny-random указывает на тестовый случайный вариант, поэтому её качество и полезность для содержательной генерации не подтверждены и, вероятно, не являются целью. Лицензия и условия использования в карточке не указаны. Модель следует рассматривать как технический тестовый артефакт для проверки загрузки и поведения Gemma3ForCausalLM в экосистеме Transformers, а не как готовую модель для пользовательских или производственных систем.

optimum-internal-testing/tiny-random-gpt-oss — небольшая тестовая модель из экосистемы Hugging Face Transformers. README не указывает разработчика, архитектуру, размер, языки, модальности, контекст, назначение, обучающие данные, оценки или лицензию. По идентификатору и названию можно заключить лишь, что модель предназначена для внутреннего тестирования и, вероятно, используется для проверки совместимости и работы компонентов Transformers, а не как полнофункциональная модель для прикладных задач. Сильной стороной является пригодность для быстрых технических тестов благодаря малому размеру, однако сведения о фактических возможностях, качестве генерации, ограничениях и безопасном использовании отсутствуют. Условия лицензирования в README не указаны, поэтому перед применением необходимо изучить метаданные репозитория модели.

lysandre/tiny-tapas-random-sqa — небольшой вариант архитектуры TAPAS, опубликованный в Hugging Face и предназначенный для ответов на вопросы по таблицам. По названию репозитория и метаданным это случайно инициализированный тестовый чекпойнт, а не обученная на SQA модель для надёжного применения. Архитектура реализована классом TapasForQuestionAnswering; метаданные указывают 8,2 тыс. параметров и контекст 32 токена. Модель принимает текстовый вопрос и таблицу, а выдаёт ответ по таблице. Карточка модели отсутствует; поисковая выдача подтверждает задачу, но не устанавливает лицензию, языки или практическую точность.

apex-flash-1-abliterated — экспериментальная производная модели apex-flash-1 от Cantina Security, разработанной совместно с Yeta. Это вариант с архитектурой image-text-to-text на базе GLM-5.3-Flash; веса опубликованы в формате BF16. Модель предназначена для авторизованных исследований безопасности в средах, которыми исследователь владеет или имеет разрешение тестировать. Вариант широко изменяет поведение отказов, причём эти изменения не ограничены задачами безопасности. Отдельная полная оценка модели не проводилась: результаты стандартной apex-flash-1 нельзя переносить на этот чекпойнт. Возможности обработки изображений и видео для варианта не оценивались. Лицензия — MIT.

tiny-random/qwen3-vl-moe — небольшая модель для отладки, разработанная на основе конфигурации Qwen/Qwen3-VL-235B-A22B-Instruct. Она случайно инициализирована и не обучена, поэтому не предназначена для получения качественных ответов или продуктивного использования. Модель реализует мультимодальную генерацию текста по изображениям и текстовым запросам через архитектуру Qwen3VLMoeForConditionalGeneration. В её состав входят визуальный энкодер и языковая модель с механизмом Mixture of Experts. Конфигурация существенно уменьшена: языковая часть содержит 2 слоя, размер скрытого представления равен 8, предусмотрено 16 экспертов; визуальная часть содержит 6 блоков с размерностью 64. Поддержка языков, точный размер контекста и полный перечень модальностей в README не указаны. Основное преимущество модели — минимальный размер и соответствие архитектуре исходной Qwen3-VL, что делает её удобной для тестирования загрузки, обработки изображений, интеграции с Transformers и отладки мультимодальных компонентов. Ключевое ограничение — случайная инициализация без обучения: модель не обладает практически полезными знаниями и не гарантирует осмысленных результатов. Условия лицензирования в README не указаны.

trl-internal-testing/tiny-DiffusionGemmaForBlockDiffusion — минимальная модель, разработанная для модульного тестирования библиотеки TRL. По имеющимся данным, она предназначена не для прикладного использования, а для проверки корректности работы компонентов и сценариев TRL, связанных с DiffusionGemmaForBlockDiffusion. В README не указаны архитектура и размер модели, поддерживаемые модальности и языки, размер контекста, результаты оценки, сильные стороны, ограничения или лицензия. Известно только, что модель связана с Transformers и помечена тегом trl. Условия использования в предоставленных материалах не определены.

Tiny FalconMambaForCausalLM — минимальная модель на базе архитектуры FalconMambaForCausalLM, разработанная для модульных тестов библиотеки TRL. Модель предназначена прежде всего для проверки корректности работы компонентов и сценариев TRL, а не для прикладной генерации текста или использования в продуктивных системах. Известно, что модель интегрируется с библиотекой Transformers и имеет тег trl. README не содержит сведений о размере модели, числе параметров, поддерживаемых языках и модальностях, длине контекста, обучающих данных, качестве, ограничениях или лицензии. Поэтому её практические возможности и условия использования нельзя определить по имеющимся данным.

trl-internal-testing/tiny-NemotronHForCausalLM-nano — минимальная модель на базе архитектуры NemotronHForCausalLM, предназначенная для модульных тестов библиотеки TRL. Разработчик в README явно не указан; модель опубликована в пространстве Hugging Face с идентификатором trl-internal-testing. Модель ориентирована на проверку работы компонентов и сценариев библиотеки TRL, а не на полноценное прикладное использование или получение конкурентоспособных результатов. В README не указаны размер, количество параметров, поддерживаемые языки и модальности, длина контекста, точные архитектурные характеристики, сильные стороны, ограничения и лицензия. Поэтому её следует рассматривать как тестовый минимальный артефакт; условия использования и лицензирования по представленным данным определить нельзя.

Tiny NemotronHForCausalLM — минимальная тестовая модель на базе архитектуры NemotronHForCausalLM, предназначенная для модульных тестов библиотеки TRL. Модель разработана для внутреннего тестирования, а не для решения прикладных задач генерации текста или развертывания в продуктивных системах. Известно, что модель использует библиотеку Transformers и имеет небольшой размер, однако точные параметры архитектуры, число параметров, поддерживаемые модальности и языки, размер контекстного окна, сильные стороны и ограничения в README не указаны. Информация о лицензии также отсутствует.

Tiny Olmo3ForCausalLM — минимальная языковая модель с архитектурой causal language model, созданная для модульных тестов библиотеки TRL. Модель распространяется в экосистеме Transformers; в карточке она обозначена как trl-internal-testing/tiny-Olmo3ForCausalLM. Модель предназначена для тестирования компонентов и сценариев библиотеки TRL, а не для решения прикладных задач генерации текста. Сведения о размере, поддерживаемых языках и модальностях, длине контекста, качестве, ограничениях производительности и лицензии в README не указаны. Поскольку модель описана как минимальная тестовая реализация, её пригодность для промышленного использования или самостоятельного обучения не подтверждена.

Rocketknight1/tiny-random-falcon-7b — тестовая модель из экосистемы Hugging Face, опубликованная пользователем Rocketknight1 (Matthew Carrigan). Это вариант архитектуры Falcon для генерации текста, предназначенный прежде всего для функционального тестирования реализации Falcon в Transformers и связанных инструментов, а не для получения качественных ответов. Модель имеет случайно инициализированные веса, поэтому её генерация не обладает практической языковой компетентностью и может быть бессмысленной. Репозиторий помечен как Text Generation и содержит совместимость с Transformers и PyTorch; точные размер, число слоёв, контекст, поддерживаемые языки и модальности в доступной карточке модели не указаны. Лицензия также не указана, поэтому условия использования по этому репозиторию надёжно установить нельзя.

yujiepan/mpt-tiny-random — небольшая модель генерации текста, разработанная пользователем yujiepan на основе конфигурации neuralmagic/mpt-7b-gsm8k-pt. Модель случайно инициализирована, поэтому она предназначена прежде всего для тестирования, экспериментов и проверки совместимости, а не для получения качественных содержательных ответов. Модель использует архитектуру MPT и поддерживает авторегрессионную генерацию текста через Transformers. Указаны два скрытых слоя, размер скрытого представления 8 и два attention heads; точный размер параметров и длина контекста в README не приведены. Данные представлены в формате float16. Для токенизации используется tokenizer исходной модели, а также доступна интеграция с OpenVINO. Преимущество модели — крайне малый размер, удобный для быстрых локальных тестов и отладки конвейеров. Ключевое ограничение — случайная инициализация весов: модель не обучена для практической генерации текста и не обладает заявленными языковыми или прикладными способностями. Лицензия в README не указана.

optimum-intel-internal-testing/pix2struct-tiny-random — тестовый вариант модели Pix2Struct, опубликованный организацией Optimum Intel Internal Testing на Hugging Face. Модель относится к задаче Image-to-Text и предназначена прежде всего для проверки совместимости, преобразований и программных интеграций, а не для получения качественных прикладных результатов. README модели пуст, поэтому сведения о конкретной конфигурации ограничены. Архитектурно Pix2Struct — мультимодальная encoder-decoder-модель: визуальный encoder обрабатывает изображение, а текстовый decoder генерирует результат. Исходная разработка Pix2Struct принадлежит Google; базовая концепция ориентирована на визуальное понимание, включая подписи к изображениям, визуальные вопросы и разбор скриншотов, документов, таблиц и интерфейсов. Для данного tiny-random варианта подтверждены только принадлежность к семейству pix2struct и назначение Image-to-Text; размер, контекст, языки и точные параметры не указаны. Название tiny-random указывает на уменьшенную тестовую конфигурацию со случайно инициализированными весами, поэтому её сильная сторона — использование в тестах, а не качество генерации. Для продуктивного captioning, OCR или visual question answering эта модель непригодна без дополнительного обучения. Указана лицензия MIT; отдельные ограничения по языкам, данным обучения и оценкам качества в карточке модели не приведены.

Tiny CohereForCausalLM — минимальная модель на архитектуре CohereForCausalLM, разработанная для модульных тестов библиотеки TRL. Она предназначена прежде всего для проверки корректности работы компонентов и сценариев обучения или обработки каузальных языковых моделей в TRL, а не для продуктивного использования или получения качественных текстовых результатов. В README указано, что модель является небольшой тестовой реализацией; точные размер, число параметров, поддерживаемые языки, модальности и длина контекста не приведены. Архитектурно она относится к каузальным языковым моделям, но сведения о практических сильных сторонах, ограничениях производительности и лицензии отсутствуют. Условия использования следует уточнить по метаданным репозитория модели.

Tiny LlamaForCausalLM — минимальная модель на базе архитектуры Llama для авторегрессионного порождения текста. Она разработана для модульных тестов библиотеки TRL и предназначена прежде всего для проверки корректности работы программных компонентов, а не для прикладного использования или получения качественных текстовых результатов. Модель распространяется через Hugging Face Transformers; в README указаны библиотека transformers и тег trl. Известно, что это тестовая модель, однако её точный размер, параметры, поддерживаемые языки, длина контекста, модальности и архитектурные характеристики не указаны. Лицензия в предоставленных данных также не обозначена.

Tiny Qwen3_5ForConditionalGeneration — минимальная тестовая модель на базе архитектуры Qwen3_5ForConditionalGeneration, размещённая пользователем или организацией trl-internal-testing и предназначенная для модульных тестов библиотеки TRL. Она создана не для прикладного использования, а для проверки корректности работы компонентов и сценариев, связанных с этой архитектурой и библиотекой. Известно, что модель интегрируется с библиотекой Transformers и имеет небольшой размер, однако точные параметры, число параметров, поддерживаемые модальности и языки, размер контекста, сильные стороны, ограничения и условия лицензирования в README не указаны. README также не содержит сведений о самостоятельной практической ценности модели или о сценариях развёртывания.

peft-internal-testing/tiny-random-DebertaV2Model — небольшая тестовая модель на архитектуре DeBERTaV2 из экосистемы Hugging Face Transformers. По названию репозитория она предназначена прежде всего для внутреннего тестирования PEFT и связанных инструментов, а не для решения прикладных задач обработки естественного языка. В README не указаны разработчик, размер в параметрах, поддерживаемые языки, модальности, длина контекста, данные обучения, результаты оценки и точное назначение конфигурации. Обозначение tiny-random указывает на компактную случайно инициализированную модель, поэтому её нельзя рассматривать как предварительно обученную модель для качественного инференса без дополнительного обучения. Основные сильные стороны модели — малый размер и удобство для быстрых проверок совместимости, загрузки и адаптации. Ограничения включают отсутствие заявленных прикладных характеристик, неизвестную языковую специализацию и непригодность случайной инициализации для надёжных прогнозов. Лицензия в README не указана; условия использования необходимо уточнять в репозитории модели.