II.4Отладка, тестирование и качество ПО

StarPII — модель распознавания именованных сущностей, разработанная BigCode для поиска персональных данных и секретов в исходном коде. Она основана на дообученном bigcode-encoder с линейной головой классификации токенов и размечает шесть категорий: имена, адреса электронной почты, ключи, пароли, IP-адреса и имена пользователей. Для обучения использованы размеченные данные и предварительно псевдоразмеченные примеры; датасеты включают код на 31 языке программирования, а базовый энкодер предварительно обучался на 88 языках программирования. Модель подходит для обнаружения потенциально чувствительных данных в исходном коде и подготовки к их маскированию при обучении моделей или обработке репозиториев. В опубликованных результатах качество различается по типам сущностей: например, F1 для электронной почты составляет 96,01%, IP-адресов — 91,61%, ключей — 56,66%; псевдоразметка улучшила показатели для имен, имен пользователей и паролей. Авторы рекомендуют постобработку, включая фильтрацию коротких значений, проверку IP-адресов и отбрасывание имен пользователей из-за ложных срабатываний и пропусков. Возможны ложноположительные и ложноотрицательные результаты, а качество зависит от типа данных и языка программирования. Лицензия в предоставленных сведениях не указана.

BERT-base-cased-qa-evaluator — модель на основе BERT с 135,5 млн параметров и классификационной головой для оценки пары «вопрос—ответ». Она принимает вопрос и ответ как два текстовых сегмента и определяет, насколько они семантически связаны; контекст составляет до 512 токенов. Модель предназначена прежде всего для автоматической оценки качества вопросов, созданных генератором t5-base-question-generator, а также для отбора пар «вопрос—ответ», подходящих по смыслу. При обучении использовались данные SQuAD, RACE, CoQA и MSMARCO. Доступны версии в форматах PyTorch, TensorFlow и Flax. Оценка отражает семантическую связь между вопросом и ответом, но не проверяет фактическую истинность ответа. Лицензия в предоставленных материалах не указана.

BlackSheep-Coder — чат-модель TroyDoesAI для помощи с Python и диалогов в заданной пользователем персоне. Модель объединяет предварительно обученные языковые модели методом TIES с помощью mergekit; базой слияния указана Qwen/Qwen2.5-14B. В состав также вошли варианты Qwen2.5-14B от v000000, rombodawg и huihui-ai. После слияния модель дополнительно дообучена на персоне BlackSheep. Модель относится к семейству Qwen2, имеет плотную архитектуру Qwen2ForCausalLM и 14 млрд параметров. Она принимает текст и генерирует текст, поддерживает чат и интерфейс вызова инструментов. В карточке заявлена помощь с Python по шаблону Alpaca; также описан свободный, иногда грубый стиль общения. Нативная длина контекста — 131072 токена. Модель распространяется по лицензии Artistic-2.0. Автор предупреждает о резком стиле и возлагает на пользователя ответственность за формулировку запросов. Указание о дообучении на персоне не подтверждает качество кода или поведение на других задачах.

Chichu 2.5 Reasoning — компактная языковая модель на 494 млн параметров, разработанная Sebastianpro88 и дообученная на основе Sebastianpro88/Chichu-2.0-500M-Instruct. Модель использует архитектуру Qwen2 и генерирует текст; в карточке указана поддержка диалогов и пошаговых рассуждений с блоками `<think>`. Она предназначена для ответов на общие вопросы и задач по математике, логике и коду. Контекст модели составляет 32 768 токенов. В метаданных указан английский язык и лицензия other. Небольшой размер упрощает запуск по сравнению с крупными языковыми моделями, однако карточка не приводит результатов оценки качества. Рассуждения модели могут содержать ошибки; условия лицензии следует уточнить в карточке репозитория.

CloudSurf-4B-FC-GGUF — официальный набор GGUF-квантизаций модели CloudSurf-4B-FC, разработанной CloudSurf Software. Модель основана на архитектуре Gemma-4 E4B: около 4 млрд эффективных активных параметров и примерно 8 млрд общих параметров. Основное назначение — генерация текста с поддержкой function calling и tool use, включая выбор инструментов, многоаргументные и параллельные вызовы, обмен сообщениями роли tool и отказ от нерелевантных вызовов. Модель ориентирована на работу через llama.cpp, LM Studio, Ollama и OpenAI-совместимый локальный сервер. Доступны варианты с квантованием от Q3_K_M до Q8_0, а также BF16; рекомендуемый вариант Q4_K_M занимает около 5,3 ГБ и рассчитан на системы с 8 ГБ RAM или VRAM. Для каждого файла заявлена успешная проверка базового набора из шести сценариев вызова инструментов. Поддерживается ввод изображений через отдельный mmproj-файл, поскольку визуальные возможности унаследованы от базы Gemma-4, однако ключевая специализация модели — function calling. Обучение и оценка проводились в контексте класса 131K, а практический пример запуска использует 16 384 токена. Качество квантованных вариантов отдельно пока не оценено: опубликованные показатели BFCL относятся к исходным BF16-весам и не должны напрямую переноситься на GGUF-файлы. Для вариантов ниже Q8_0 следует ожидать некоторое снижение качества, усиливающееся при уменьшении разрядности. Лицензия — Apache-2.0, при этом базовые веса Gemma-4 также регулируются условиями Google Gemma.

CompassJudger-1-7B-Instruct — разработанная OpenCompass модель-судья на базе Qwen2.5-7B-Instruct с 7,1 млрд параметров. Это плотная авторегрессионная языковая модель семейства Qwen2, предназначенная для оценки ответов и моделей по инструкциям пользователя. Модель поддерживает выставление оценок, попарное сравнение, подробную критику и отзывы в заданном формате. Её можно применять для автоматической оценки ответов на субъективных наборах данных и как универсальную инструктивную модель для диалогов и повседневных задач. Контекст — до 32 768 токенов; README также отмечает возможность ускоренного инференса через vLLM и LMDeploy. Модель принимает и генерирует текст. Языки в карточке не перечислены. Лицензия — Apache-2.0. Оценки модели-судьи могут зависеть от формулировки критериев и смещений при автоматической оценке; README не приводит конкретных ограничений качества.

Diba-Base — базовая большая языковая модель семейства Diba, разработанная Dibachain. Это плотная авторегрессионная модель с архитектурой DibaForCausalLM и 3,4 млрд параметров; она предназначена для диалога, генерации кода и работы с инструментами. Основной язык модели — персидский (фарси), также она отвечает на английском и поддерживает запросы на обоих языках. Модель ориентирована на персидскую письменную речь, знания об Иране, включая его современную историю, и написание кода, в том числе на Python и JavaScript. Её можно запускать локально и офлайн; карточка описывает запуск на CPU через GGUF, хотя в метаданных репозитория указан формат safetensors. Заявленная длина контекста — 262 144 токена. В сравнительных тестах из карточки модель показала хорошие результаты на вопросах об истории Ирана и задачах кодирования для своего размера. Это результаты автора, а не независимая оценка. Для модели такого размера важно проверять факты и сгенерированный код; ответы также отражают перспективы, представленные в обучающих данных. Лицензия — Apache-2.0.

Isotonic/distilbert_finetuned_ai4privacy_v2 — англоязычная модель Isotonic для обнаружения персональных и чувствительных данных в тексте. Она дообучена на английской части набора ai4privacy/pii-masking-200k и предназначена для разметки фрагментов текста перед удалением или маскированием PII, в том числе в потоках данных для AI-ассистентов и LLM. Модель использует архитектуру DistilBERT для классификации токенов, принимает текст и присваивает его фрагментам метки из 54 классов PII. Контекст составляет 512 токенов. В README указаны метрики на оценочной выборке: F1 0,9549 в целом, при этом результаты заметно различаются между классами; например, F1 для email равен 1,0, а для названия валюты — 0,2281. Модель выпущена по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Jwalit разработал Document Moiré Detection Model V2 — модель компьютерного зрения для выявления муаровых артефактов на изображениях документов. Это дообученный DeiT-small на базе Vision Transformer с классификационной головой; в карточке указано 28,3 млн параметров. Модель относит изображение к одному из двух классов: clean или moire. Для предсказания изображение масштабируется до 224×224 пикселей. Модель предназначена для проверки качества сканов, фотографий документов и снимков экрана, а также для поиска муара, возникшего при съёмке экрана, сканировании или захвате изображения. В README приведены результаты на тестировании, включавшем слабый и локализованный муар; автор сообщает точность 99,12%, F1 0,9913 и полноту 99,75%. Обучение проводилось на 8 000 примерах с синтетически созданными муаровыми паттернами. Модель распространяется по лицензии Apache-2.0. Её качество на реальных вариантах муара может отличаться от результатов на синтетических данных; на фотографиях обычных сцен точность не гарантируется. Масштабирование до 224×224 может скрыть очень слабый муар в изображениях высокого разрешения, а повышенная полнота сопровождается ложными срабатываниями на чистых изображениях.

HermesFlashback-7B.1 — диалоговая языковая модель, созданная FredrikBL слиянием моделей NeuralHermes-2.5-Mistral-7B и Mistral-7B-v0.1-flashback-v2 с помощью LazyMergekit. Веса объединены методом SLERP; модель основана на плотной архитектуре Mistral и содержит 7,1 млрд параметров. Модель предназначена для диалогов и генерации текста по запросам. Её можно применять для ответов на вопросы, написания и продолжения текста, а также для тестирования диалоговых сценариев. Заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0. В карточке не приведены результаты оценивания качества или подробности о языках обучения, поэтому их нельзя установить по доступным данным.

Huihui-Qwythos-9B-Claude-Mythos-5-1M-abliterated-GGUF — это GGUF-версия модели, разработанная huihui-ai на основе empero-ai/Qwythos-9B-Claude-Mythos-5-1M. Модель предназначена для генерации текста на английском языке и поддерживает сценарии рассуждений, работы с длинным контекстом, function calling, tool use и агентных приложений. В README также указана специализация исходной модели на задачах кибербезопасности и биомедицине, однако подробные результаты оценки не приведены. Модель имеет размер 9B параметров, относится к семейству Qwen3.5 и поддерживает контекст до 1M токенов. Доступна в формате GGUF для запуска через llama.cpp; заявлены поддержка MTP и возможность ускорения генерации с помощью draft-модели. В non-thinking mode она должна следовать инструкциям первого запроса и выдавать результат в требуемом формате без вводных и заключительных фраз. Это uncensored-версия, созданная методом abliteration, поэтому её защитные фильтры значительно снижены. Сильной стороной является ориентация на длинный контекст, инструментальное использование и контролируемый формат вывода, но модель может генерировать чувствительный, спорный или небезопасный контент и не имеет гарантий стандартной safety-оптимизации. Рекомендуются исследовательское и экспериментальное применение, мониторинг и ручная проверка результатов; для публичных и производственных сценариев требуется особая осторожность. Модель распространяется по лицензии Apache-2.0.

jk6 — дообученная модель для генерации текста, созданная на основе deepseek-ai/deepseek-coder-1.3b-base. Веса представлены в формате safetensors; модель имеет 1,3 млрд параметров и контекст до 16 384 токенов. В метаданных указана архитектура семейства Llama.

Это готовая к инференсу модель для генерации кода, дообученная методом supervised fine-tuning на базе meta-llama/Llama-3.2-3B-Instruct. В карточке указаны обучение на наборе llama3b_code_sft_data, упорядоченная подача данных и стратегия replay hard с коэффициентом 1,0; представлена контрольная точка на шаге оптимизатора 65. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 3,2 млрд параметров и рассчитана на контекст до 131 072 токенов. Она принимает текстовые запросы и генерирует текст, в том числе код; библиотека запуска — Transformers, веса опубликованы в формате safetensors. Языковая специализация в карточке не уточнена. Карточка называет модель готовой к инференсу, но не приводит оценок качества или подробностей о поддерживаемых языках программирования. Лицензия в предоставленных данных не указана.

Agnuxo/Mamba-Codestral-7B-v0.1-instruct-python_coding_assistant-GGUF_4bit — текстовая генеративная модель для локального программирования, разработанная Francisco Angulo de Lafuente (Agnuxo1) в экосистеме P2PCLAW. Модель ориентирована на роль инструкционной помощницы по написанию и объяснению кода, прежде всего на Python, а также заявляет поддержку JavaScript, TypeScript, Rust, Go и C++, научных вычислений и библиотек NumPy, SciPy, Pandas, PyTorch, TensorFlow и JAX. Модель содержит 7 млрд параметров и распространяется в 4-битном формате GGUF. В README указана текстовая модальность, поддержка английского и испанского языков, а также возможность запуска на CPU, GPU с CUDA или ROCm и мобильных устройствах. Предусмотрены локальное использование через Ollama и серверный сценарий через vLLM. Заявлена интеграция с MCP, A2A и автономной декомпозицией задач, однако подробности реализации и размер контекстного окна не указаны. Сильными сторонами модели являются компактный размер, 4-битная квантизация и ориентация на локальный запуск и задачи генерации кода. README не содержит воспроизводимых результатов бенчмарков, поэтому качество программирования, рассуждений и агентских функций невозможно надежно оценить по представленным данным. Также не описаны ограничения по безопасности, точности и совместимости форматов. Модель распространяется по лицензии Apache 2.0.

mmBERT-32K PII Detector — модель разметки токенов для обнаружения персональных данных, разработанная vLLM Semantic Router. Она дообучена на базе vllm-sr/mmbert-32k-yarn и представляет собой ModernBERT с 306,9 млн параметров; поддерживает контекст до 32 768 токенов. Модель принимает текст и помечает в нём сущности, включая имена, адреса, телефоны, электронную почту, платёжные и государственные идентификаторы, даты, возраст и названия организаций. Модель предназначена для выявления чувствительных данных в документах и текстовых потоках, например перед передачей данных внешним сервисам или для маршрутизации запросов. В README приведены показатели точности для некоторых типов сущностей, но они не описывают качество на всех языках и доменах. В карточке указан английский язык; качество на других языках не подтверждено. Модель распространяется под лицензией MIT. Доступны веса Safetensors и формат ONNX.

PowerLM-3B — компактная языковая модель от IBM Research с архитектурой Granite и 3,5 млрд параметров. Она обучена с планировщиком скорости обучения Power и на смеси открытых и проприетарных наборов данных. Модель предназначена для генерации текста и демонстрирует результаты в задачах выбора ответа на естественном языке, генерации кода и математических рассуждений. Контекст составляет 4096 токенов. Для запуска используется библиотека Transformers; README отмечает, что требуется её версия из исходного кода. Модель распространяется по лицензии Apache 2.0. Карточка сообщает о перспективных результатах на бенчмарках, но не приводит их численные значения; пригодность для конкретных задач следует оценивать отдельно.

Qwen3.6-27B-Della-Deckard-v1 — мультимодальная модель с 27 млрд параметров, собранная автором репозитория YFC-112358 методом слияния весов. В основе лежит Qwen/Qwen3.6-27B; в карточке описаны слияние DELLA с двумя моделями для рассуждений и добавление небольшого вектора задач из инженерной модели Qwen3.5. Модель плотная, построена на архитектуре Qwen3.5, поддерживает зрительный ввод и диалог. Веса сохранены в BF16 в формате safetensors; лицензия — Apache-2.0. Модель предназначена для мультимодальных диалогов и задач, где нужно отвечать на текстовые запросы и учитывать изображения. Автор также ориентирует её на рассуждения и инженерные задачи, включая программирование, но количественных бенчмарков нет. Карточка сообщает о тестировании генерации на 13 текстовых запросах; работу с изображениями и поведение на контексте длиннее 16K не проверяли. Слияние структурно проверено, но это не подтверждает улучшения качества; при проблемах автор рекомендует отключить кросс-поколенческий вклад. Указанный контекст базовой модели в README — 16K, за его пределами поведение не оценивалось.

SLIM-NLI — специализированная причинно-следственная модель из серии SLIM компании llmware. Это плотная авторегрессионная модель семейства Llama с 1 млрд параметров, дообученная для вызова функции классификации вывода естественного языка (NLI). Она принимает два утверждения: свидетельство и вывод, а затем формирует структурированный результат в виде Python-словаря, например с указанием, противоречит ли свидетельство выводу. Модель предназначена для программных конвейеров, где результат классификации используется в последующих шагах автоматизации. Поддерживается контекст длиной 2048 токенов; модель рассчитана на работу через Transformers или LLMWare. Выпущена под лицензией Apache-2.0. README описывает сценарий с двумя утверждениями и параметром evidence. Карточка не сообщает языковой охват и ограничения качества; результат генерируется как текст, поэтому его разбор в словарь может завершиться неудачно. Метаданные указывают формат PyTorch.

Tinytron — локальная чат-модель для генерации кода, опубликованная Francisco Angulo de Lafuente (Agnuxo) в экосистеме P2PCLAW. Она основана на архитектуре Llama и представлена в форматах GGUF F16 и F32; в названии указано семейство TinyLlama и размер 1B, однако карточка не приводит точное число параметров. Модель предназначена для генерации кода и помощи с программированием. README заявляет навыки работы с Python, JavaScript, TypeScript, Rust, Go и C++, а также с библиотеками научных вычислений и машинного обучения. В названии и тегах указаны английский и испанский языки. GGUF-версии рассчитаны на локальный запуск; доступна лицензия Apache-2.0. Заявленные возможности и языки программирования приведены автором, но карточка не содержит результатов бенчмарков или подробной оценки качества. Длина контекста и точный размер модели в метаданных отсутствуют.

Карточка модели Xwin-LM/XwinCoder-7B на Hugging Face совпадает с карточкой Xwin-LM/XwinCoder-13B, поэтому описание составлено по ней. XwinCoder-13B — инструкция-настроенная модель генерации кода от Xwin-LM, дообученная на базе CodeLLaMA. Она предназначена для создания кода по текстовым инструкциям и запросам; авторы публикуют веса и код оценки. В карточке приведены результаты XwinCoder-13B на HumanEval, MBPP и APPS-intro: pass@1/5 соответственно 68,8, 60,1 и 35,4. Модель имеет плотную архитектуру LlamaForCausalLM с 12,9 млрд параметров, принимает текст и генерирует текст, а заявленная длина контекста составляет 16 384 токена. В метаданных указан формат PyTorch и лицензия Llama 2. README описывает её как instruction fine-tune CodeLLaMA, поэтому для использования следует соблюдать условия лицензии Llama 2.

Agnuxo/Agente-GPT-Qwen-2.5-3B_GGUF_16bit — локальная чат-модель для генерации текста, представленная независимым исследователем Франсиско Ангуло де Лафуэнте. Это плотная модель семейства Qwen2 с 3 млрд параметров в формате GGUF F16; карточка рекомендует запуск через Ollama и также описывает использование с Transformers. Модель позиционируется как автономный агент для декомпозиции задач и взаимодействия с другими агентами, а также для генерации кода и научных текстов; заявлены навыки работы с Python, JavaScript, TypeScript, Rust, Go, C++, научными вычислениями и инструментами машинного обучения. Указана интеграция с MCP и A2A, но метаданные подтверждают только чат-возможность и генерацию текста. Карточка связывает модель с экосистемой P2PCLAW и предлагает перенаправлять запросы на написание научных статей в её конвейер генерации публикаций. Основные языки карточки — английский и испанский. Репозиторий распространяется по лицензии Apache-2.0. Длина контекста и независимые оценки качества в предоставленных сведениях не описаны.

assay-4b — модель принятия типизированных решений, разработанная проектом Assay на базе Qwen3-4B-Base. Она принимает текстовое состояние и именованные вопросы трёх типов: bool для ответа да или нет, choice для выбора из 2–255 описанных вариантов и score для оценки по 2–10 упорядоченным уровням. За один проход модель выдаёт распределение вероятностей по вариантам, уверенность и оценку наличия свидетельств; свободный текст не генерируется. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3 и контекст до 32 768 токенов. Веса дообучены с помощью LoRA и объединены с базовой моделью; отдельный адаптер и голова оценки свидетельств также представлены в репозитории. Для bool и choice предусмотрена конформная калибровка с возможностью воздержаться от ответа. Модель обучена на английских данных и предназначена для типизированной классификации и структурированных решений, в том числе по ранее не встречавшимся задачам. По данным карточки, на наборах невиданных при обучении задач точность составила 0,803; показатели и калибровка могут меняться на других данных. Модель не предназначена для арифметики, подсчётов, сравнения дат или многошаговых рассуждений за один проход; при нерелевантном контексте точность снижается. Вероятности и пороги не гарантируют надёжность для каждого отдельного ответа, поэтому перед применением следует проверить калибровку на собственных размеченных данных. Лицензия — Apache-2.0.

Это квантизированная GGUF-версия модели codefu-7b-v0.1, разработанной aws-prototyping. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель относится к задачам генерации текста и предназначена для локального запуска через LM Studio, llama.cpp и другие совместимые проекты на базе llama.cpp. Модель содержит около 7 миллиардов параметров. Доступны исходный вариант BF16 и множество квантизированных вариантов от Q8_0 до Q2_K_L, включая семейства Q_K, IQ и legacy-форматы. Размер файлов составляет примерно от 3,49 до 15,24 ГБ; варианты с более высокой точностью обычно обеспечивают лучшее качество, а варианты с меньшим размером подходят для систем с ограниченным объёмом оперативной памяти. В README не указаны архитектура исходной модели, поддерживаемые языки, модальности и размер контекстного окна. Сильной стороной является широкий выбор квантизаций для различных аппаратных ограничений; в README рекомендованы, в частности, варианты Q6_K_L, Q6_K, Q5_K и Q4_K_M. Ограничения качества связаны с потерями при низкобитной квантизации, особенно у вариантов Q3 и Q2. Для работы требуется совместимое программное обеспечение, а также следует использовать указанный формат prompt. Лицензия в предоставленных данных не указана.

CodeGen-Mono 16B — авторегрессионная языковая модель для синтеза программного кода, разработанная Salesforce. Вариант Mono инициализирован из CodeGen-Multi 16B и дополнительно обучен на наборе BigPython, содержащем 71,7 млрд токенов кода на Python. Размер модели — 16 млрд параметров; архитектура — плотная CodeGenForCausalLM, формат весов — PyTorch, контекст — 2048 токенов. Модель предназначена для генерации исполняемого кода по подсказкам на естественном языке, представленным в виде комментариев, а также для продолжения частично написанного кода. В карточке приведена оценка на HumanEval и MTPB. Лицензия — BSD-3-Clause. Модель может ошибаться и не оценивалась для всех вариантов применения; перед использованием результата следует проверять код. Разработчик выпустил её для исследовательских целей в поддержку академической статьи и рекомендует учитывать вопросы точности, безопасности и справедливости.

Salesforce CodeGen2-1B_P — авторегрессионная языковая модель семейства CodeGen2 с плотной архитектурой CodeGenForCausalLM и примерно 1 млрд параметров. Она предназначена прежде всего для генерации программного кода по текстовым подсказкам на английском языке, продолжения фрагментов кода и заполнения пропусков внутри кода. Модель поддерживает несколько языков программирования, включая Python, JavaScript, Java, C++, Go, Rust и SQL; длина контекста — 2048 токенов. Модель обучена на разрешённой для использования под permissive-лицензиями части дедуплицированного набора Stack v1.1 и оценивалась на HumanEval и HumanEval-Infill. Она подходит для генерации и дополнения кода, но результаты требуют проверки на корректность, безопасность и соответствие задаче. Разработчик указывает исследовательское назначение выпуска; лицензия репозитория — Apache-2.0.

DeepCode-7B-Aurora-v2 — объединённая модель генерации текста, созданная ALBADDAWI с помощью LazyMergekit на основе DeepSeekMath-7B-Instruct, DeepSeekMath-7B-Base и DeepSeekMath-7B-RL. Это диалоговая модель на архитектуре Llama с плотной структурой и 6,5 млрд параметров; она предназначена для генерации ответов и текста, в том числе в математических сценариях. Контекст модели составляет 4096 токенов. Модель подходит для диалогового помощника, решения математических задач и генерации кода. Репозиторий содержит веса в формате safetensors. Лицензия — MIT.

Huihui-Qwen3-Coder-Next-abliterated — экспериментальная версия Qwen3-Coder-Next, созданная huihui-ai методом abliteration: из модели удалены механизмы отказа. Это причинная языковая модель архитектуры Qwen3-Next с MoE, примерно 2,3 млрд параметров, предназначенная для генерации текста в диалоговом формате и сценариев разработки кода на основе возможностей базовой модели. Она принимает текст и выдаёт текст; заявленная длина контекста — 262 144 токена. Карточка описывает изменение фильтрации отказов как грубую реализацию и proof of concept, поэтому качество и поведение модели могут быть нестабильными. Ослабленные ограничения безопасности повышают вероятность чувствительных, спорных или неприемлемых ответов. Модель распространяется по лицензии Apache-2.0.

Карточка модели vllm-sr/lora_pii_detector_bert-base-uncased_model на Hugging Face совпадает с карточкой llm-semantic-router/lora_pii_detector_bert-base-uncased_model, поэтому описание составлено по ней. Это LoRA-адаптер для обнаружения персональных данных в тексте, созданный в рамках проекта semantic-router на базе BERT base uncased и настроенный для работы с библиотекой Candle на Rust. Модель выполняет токенную классификацию, чтобы находить и размечать фрагменты текста с персональными данными; метаданные также указывают поддержку классификации текста. Архитектура — BertForTokenClassification, адаптер обучен с рангом 16 и alpha 32. Размер базовой модели составляет 136,7 млн параметров, контекст — до 512 токенов; поддерживаемый язык — английский. Для использования нужны базовая модель и совместимый рантайм. Лицензия — Apache-2.0.

LYRA-LLAMA — компактная языковая модель на архитектуре Llama, разработанная и поддерживаемая Muhammad Taqi. Это плотная причинная модель с 1,2 млрд параметров, предназначенная для многоходового диалога, логического анализа и генерации кода. Модель работает с текстом, поддерживает чат и интерфейс вызова инструментов; заявленная длина контекста — 131 072 токена. В метаданных указан английский язык. Репозиторий содержит веса в формате Safetensors и использует библиотеку Transformers. README не уточняет базовую модель или процесс обучения, поэтому происхождение модели определить нельзя. Лицензия — Apache-2.0. Заявления о скорости и точности приведены без оценок или бенчмарков; качество генерации кода и рассуждений по карточке проверить нельзя.

MiniCheck-DeBERTa-v3-Large — англоязычная модель для проверки фактической обоснованности утверждений по исходному документу, разработанная авторами работы MiniCheck: Efficient Fact-Checking of LLMs on Grounding Documents. Это дообученная для классификации последовательностей модель DeBERTa-v3-Large с 533,8 млн параметров и контекстом 512 токенов. На вход подаются документ и отдельное утверждение; модель выдаёт бинарную метку: 1, если утверждение подтверждается документом, и 0, если нет. Модель предназначена для проверки фактов в ответах языковых моделей и оценки того, насколько отдельные предложения опираются на предоставленные источники. Авторы сообщают, что на бенчмарке LLM-AggreFact она превзошла другие специализированные фактчекеры сопоставимого размера. Обучение включало данные ANLI и синтетические примеры. Модель использует PyTorch и распространяется по лицензии MIT. Проверка выполняется на уровне предложений и требует документа-основания; модель сама по себе не подтверждает утверждения с помощью внешних источников. Авторы оценивали её на реальных утверждениях без искусственно внесённых типов ошибок, поэтому результаты на таких изменённых примерах не охарактеризованы.