II.4Отладка, тестирование и качество ПО

tiny-random/llama-3 — небольшая случайно инициализированная языковая модель, созданная сообществом Hugging Face на основе конфигурации Meta Llama 3.3 70B Instruct. Модель предназначена прежде всего для отладки и тестирования кода, совместимого с архитектурой Llama, а не для содержательной генерации текста. Модель использует архитектуру LlamaForCausalLM и библиотеку Transformers. В конфигурации указаны два декодерных слоя, скрытый размер 8, промежуточный размер 64 и 1M параметров; заявленная длина контекста составляет 131072 токена. Поддерживается задача генерации текста, однако README не описывает поддерживаемые естественные языки. Случайная инициализация делает модель удобной для быстрых интеграционных проверок, проверки загрузки, токенизации и прохождения пайплайнов без использования полноразмерной модели. При этом она не предназначена для качественных ответов, обучения прикладным сценариям или оценки возможностей Llama. Лицензия в предоставленных данных не указана.

Это компактная языковая модель Qwen2.5, дообученная Ishaan Ranjan на всех параметрах для узкой подзадачи в инструментах разработчика: по Python traceback определить виновный кадр проекта и категорию ошибки. Модель основана на Qwen/Qwen2.5-0.5B-Instruct, использует плотную архитектуру Qwen2ForCausalLM и содержит 494 млн параметров. Она принимает текстовый запрос и предназначена для выдачи ответа в заданной JSON-схеме; базовая модель поддерживает контекст до 32 768 токенов. Модель рассчитана на встраивание в проверяемую цепочку обработки traceback: специализированная генерация запроса, разбор JSON, одна повторная попытка с обратной связью по схеме, детерминированные проверки и резервный переход к правилам. В описанной оценке на отложенных примерах HTTPX и Jinja2 успешность после одной попытки составила 99,2%, а корректность JSON — 100%; автор эксперимента заключает, что для этой подзадачи достаточно правил. Это экспериментальный специализированный чекпойнт, а не универсальный помощник по программированию: он привязан к закрытой JSON-схеме и может хуже справляться с общими инструкциями. Модель распространяется по лицензии Apache-2.0.

UGround-V1-7B — мультимодальная модель для визуальной привязки элементов графического интерфейса к текстовым инструкциям. Её разработали совместно OSU NLP Group и Orby AI; модель основана на Qwen2-VL-7B и дообучена для задач GUI grounding. Она принимает изображение экрана вместе с текстовым запросом и предназначена для определения нужного элемента интерфейса, например кнопки или значка, на мобильных, настольных и веб-экранах. Модель имеет плотную архитектуру Qwen2-VL, 7,1 млрд параметров и контекст длиной до 32 768 токенов. Для работы нужны Transformers и веса в форматах PyTorch или Safetensors. Карточка приводит эксперименты на ScreenSpot и сценарии управления Android и веб-интерфейсами; это ориентир для GUI-агентов, которым требуется находить элементы по описанию. Поддерживаемый язык карточки — английский; базовая Qwen2-VL также предназначена для мультиязычного визуального понимания, однако основной язык UGround в карточке не выделен. Модель ограничена задачей визуальной привязки интерфейсных элементов и наследует ограничения базовой Qwen2-VL: слабее справляется со сложными многошаговыми инструкциями, подсчётом объектов и пространственными отношениями; аудио не поддерживается. Лицензия — Apache-2.0.

UI-Genie-Agent-3B — мультимодальная модель HanXiao1999 для автоматизации интерфейсов мобильных устройств. Она построена на Qwen2.5-VL-3B-Instruct и дообучена методом supervised fine-tuning на размеченных и синтетических траекториях взаимодействия с Android-приложениями. Модель принимает изображение экрана и текстовую инструкцию, анализирует интерфейс и выдаёт действия агента, например нажатие, прокрутку или ввод текста; поддерживается также режим Set-of-Mark. Модель предназначена для выполнения низкоуровневых действий и многошаговых задач в мобильных приложениях. В README приведены результаты на AndroidControl и AndroidLab, где качество зависит от типа сценария и бенчмарка. Число параметров — 3,1 млрд, базовый контекст — до 128 000 токенов; репозиторий использует формат safetensors и библиотеку Transformers. В метаданных указан интерфейс вызова инструментов, однако для практического управления устройством требуется агентная обвязка, умеющая исполнять предсказанные действия. Лицензия в предоставленных данных не указана.

UI-Ins-7B — мультимодальная модель Tongyi-MAI для привязки инструкций к элементам графического интерфейса. Она принимает скриншот и текстовую инструкцию, анализирует экран и выдаёт координаты целевого элемента для GUI-агента, например кнопки, которую нужно нажать. Модель построена на архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров и поддерживает контекст до 128 000 токенов. По карточке, обучение прошло в два этапа: SFT на разнообразных синтезированных инструкциях, затем обучение с подкреплением для выбора и сочетания стратегий рассуждения. Авторы сообщают о высоких результатах на пяти бенчмарках GUI-grounding; UI-Ins-7B также показала 74,1% успешных выполнений в AndroidWorld в роли исполнителя. Модель предназначена для визуального поиска элементов интерфейса и работы GUI-агентов. Она основана на Qwen/Qwen2.5-VL-7B-Instruct и распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование. README содержит пример загрузки базовой модели Qwen2.5-VL, поэтому для воспроизведения описанного инференса следует учитывать это требование.

GoClick-Base — специализированная модель для поиска элементов интерфейса на скриншотах по описанию их назначения. Разработчики дообучили архитектуру Florence-2-large для второго этапа двухэтапной системы GoClick: после того как планировщик формулирует описание нужного действия или элемента, модель находит его на изображении и выдаёт координаты. Модель принимает скриншот интерфейса и текстовое описание целевого элемента. Она предназначена для GUI-агентов, автоматизации взаимодействия с приложениями и точной локализации кнопок и других элементов управления. В основе — Florence-2-large; веса доступны в форматах PyTorch и safetensors, библиотека — Transformers. Заявлен компромисс между точностью локализации и задержкой вывода. Модель выпущена под лицензией MIT. Для работы с ней README приводит зависимость от Transformers 4.45.0 и timm. Она выполняет этап локализации, а планирование намерения и формулировка описания целевого элемента относятся к другому этапу системы; заявленные в карточке результаты бенчмарков приведены без подробного описания условий оценки.

GoClick-Large — специализированная модель для поиска элементов интерфейса на скриншотах, созданная на базе Florence-2-large и дообученная HongxinLi. Она выполняет этап локализации в двухэтапном GUI-сценарии: принимает скриншот и текстовое описание функции или элемента, затем выдаёт координаты найденной области. Модель рассчитана на использование в GUI-агентах для взаимодействия с интерфейсами приложений и веб-сайтов. Архитектура основана на Florence-2 и поддерживает обработку изображения вместе с текстовым запросом и генерацию текстового ответа. В карточке заявлен акцент на точности локализации и низкой задержке; приведены результаты сравнительных бенчмарков, но доступная таблица неполная. Репозиторий содержит веса PyTorch/Safetensors и использует библиотеку Transformers. Лицензия — MIT.

GRPO-Think-1.5B-4k — плотная причинная языковая модель семейства Qwen2 с 1,5 млрд параметров, разработанная институтом INSAIT и дообученная на DeepSeek-R1-Distill-Qwen-1.5B. Модель обучена методом GRPO на наборе Aletheia-Train: она использует промежуточные рассуждения, отрицательные примеры и обучение на собственных ответах с ограничением генерации 4 тысячами токенов при обучении. В метаданных указан нативный контекст 131 072 токена. Модель предназначена для проверки и ранжирования нескольких решений задачи по программированию: на вход подаются условие и варианты кода, на выходе модель определяет, какое решение корректно, и сопоставляет качество кандидатов. Её можно применять как оценщик или функцию вознаграждения в конвейерах оптимизации генерации кода, а также для автоматической оценки решений и исследований обучения верификаторов. В обучающих данных использовались решения на Python, C++ и Java; это не означает, что модель генерирует код на этих языках одинаково хорошо. Модель имеет текстовый интерфейс и ориентирована на задачи в области программирования. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование. Оценки качества, устойчивость к сложным и состязательным вариантам решений и точный формат промпта зависят от сценария; для работы следует сверяться с инструкциями проекта.

GUI-Actor-7B-Qwen2-VL — мультимодальная модель Microsoft для визуального поиска элементов графического интерфейса. Она основана на Qwen2-VL-7B-Instruct и дообучена для GUI grounding: по изображению экрана и текстовому запросу модель определяет нужный элемент интерфейса. В архитектуру добавлена голова действий на основе внимания; модель имеет 7,1 млрд параметров, принимает изображения и текст, выдаёт текстовый ответ и координатно-свободное указание на элемент. Контекст — до 32 768 токенов. Модель предназначена для визуальных GUI-агентов, которым нужно находить кнопки, поля и другие элементы на снимках экрана. В README приведены результаты сравнительной оценки на бенчмарках ScreenSpot-Pro, ScreenSpot и ScreenSpot-v2, но конкретные результаты самой модели в доступном фрагменте не указаны. Распространяется по лицензии MIT.

yujiepan/llama-3.3-tiny-random — компактная случайно инициализированная причинная языковая модель, созданная сообществом Hugging Face yujiepan для отладки и тестирования. Она использует конфигурацию, основанную на Meta Llama 3.3 70B Instruct, но существенно уменьшена до 2,1 млн параметров и предназначена для работы с библиотекой Transformers. Модель поддерживает генерацию текста и имеет заявленное родное контекстное окно длиной 131 072 токена. Архитектура включает два скрытых слоя, размер скрытого представления 16, два attention heads, один key-value head и размерность головы 8. Веса инициализированы случайно, поэтому модель не предназначена для качественного диалога, содержательной генерации или решения прикладных языковых задач. Основное применение — проверка загрузки моделей, конфигураций, токенизаторов и пайплайнов text-generation на CPU или в тестовой инфраструктуре при небольших требованиях к ресурсам. Лицензия в предоставленных данных не указана.

yujiepan/meta-llama-3.1-tiny-random — небольшая каузальная языковая модель для генерации текста, созданная для отладки и тестирования. Она случайно инициализирована на основе конфигурации Meta-Llama-3.1-70B-Instruct и предназначена не для получения осмысленных ответов, а для проверки загрузки, инференса и совместимости инструментов экосистемы Transformers. Модель имеет около 1 млн параметров, архитектуру семейства Llama с двумя скрытыми слоями, размером скрытого представления 8, промежуточным размером 16, двумя attention heads и одним key-value head. Заявленная нативная длина контекста составляет 131072 токена. Для работы используется библиотека Transformers и формат Safetensors. Основное преимущество модели — крайне малый размер, удобный для быстрых локальных тестов и отладки без загрузки полноразмерной модели. Из-за случайной инициализации она не обладает обученными языковыми знаниями и не подходит для генерации качественного текста, диалогов, решения прикладных задач или оценки возможностей Llama. Лицензия в предоставленных данных не указана.

Карточка модели Azizbek8189/Qwen-AgentWorld-35B-A3B на Hugging Face совпадает с карточкой Qwen/Qwen-AgentWorld-35B-A3B, поэтому описание составлено по ней. Qwen-AgentWorld-35B-A3B — языковая модель мира, разработанная командой Qwen для симуляции сред, в которых действуют агенты. Получая действие агента и историю взаимодействий, модель рассуждает о переходе состояния и предсказывает следующее наблюдение. Она предназначена для моделирования как текстовых, так и графических интерфейсных сценариев в семи областях: вызов инструментов через MCP, поиск, терминал, разработка ПО, Android, веб и операционные системы. Модель основана на Qwen3.5-35B-A3B-Base и дообучена в три этапа: продолженное предварительное обучение, обучение с учителем и обучение с подкреплением. Это причинная языковая модель с архитектурой MoE: 35 млрд параметров всего, из них активируется 3 млрд; контекст — 262 144 токена. Веса в формате Safetensors совместимы с Transformers и могут обслуживаться через vLLM или SGLang. Для оптимальной симуляции README рекомендует применять системные шаблоны для конкретных областей и выделять до 32 768 токенов на ответ. Лицензия — Apache-2.0. Модель подходит для создания симуляторов сред и генерации ожидаемых наблюдений в агентных траекториях, в том числе для тестирования и оценки агентов. Заявлена способность обобщать на новые среды и поддерживать управляемые изменения сценариев; качество зависит от доменного системного промпта и длины генерации. Несмотря на упоминание графических интерфейсов, в чекпойнте есть только веса языковой модели, поэтому визуальные входы непосредственно не поддерживаются.

UGround — модель визуального заземления элементов графического интерфейса, разработанная совместно OSU NLP Group и Orby AI. Это первоначальная версия на архитектуре LLaVA с языковой основой LLaMA; модель содержит 6,6 млрд параметров и принимает изображение экрана и текстовый запрос, чтобы определить расположение нужного элемента интерфейса. Она предназначена для поиска кнопок, значков и текстовых элементов на экранах мобильных устройств, настольных приложений и веб-страниц, в том числе как компонент GUI-агентов. Контекст составляет 4096 токенов. Авторы указывают, что более поздние версии UGround на Qwen2-VL показывают лучшие результаты и удобнее для обучения, инференса и развёртывания. Лицензия — Llama 2.

PeytonT разработал эту модель для поиска вероятных мест ошибок в содержимом репозиториев. Она ранжирует фрагменты кода для последующего поиска, планирования и анализа репозитория в составе системы Repository Library. Это полноразмерная модель классификации последовательностей на базе энкодерной архитектуры BERT, дообученная от allenai/scibert_scivocab_uncased. Модель содержит 137,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и сохранена в формате safetensors. Данные для обучения включали графы репозиториев и фрагменты кода из конвейера Repository Library; заявленные метрики оценки — accuracy и macro-F1. Карточка не содержит отдельного отчёта с результатами бенчмарков или внешнего аудита. Модель предназначена для исследовательской системы и требует проверки в целевом сценарии перед внедрением. Лицензия в предоставленных данных не указана.

duvo-eye-1.5 — мультимодальная модель duvoai для привязки текстового описания элемента интерфейса к точке на скриншоте. Она предназначена для одного шага GUI-автоматизации: отдельный планировщик выбирает действие, а модель определяет координаты цели. Модель использует архитектуру Qwen3.5 MoE с 35 млрд параметров и примерно 3 млрд активных параметров; принимает изображение и текст, возвращает координаты в JSON, нормализованные в диапазоне от 0 до 1000. В README указано, что для корректного вывода координат в шаблоне чата нужно отключить режим thinking. Модель создана дообучением duvo-eye-1 с помощью GRPO и последующим объединением адаптера с весами; исходная модель duvo-eye-1 была дообучена на базе Hcompany/Holo-3.1-35B-A3B. Разработчики сообщают о небольшом улучшении на трёх тестах GUI-grounding по сравнению с предыдущей версией. Модель лучше находит текстовые цели, чем значки и мелкие элементы. Она всегда возвращает координату, даже если цель отсутствует, и не выполняет планирование или многошаговое управление интерфейсом. Лицензия — Apache-2.0.

Aletheia-Bench/GRPO-Think-14B-4k — 14-миллиардная плотная языковая модель семейства Qwen2, разработанная проектом Aletheia-Bench и дообученная методом GRPO от deepseek-ai/DeepSeek-R1-Distill-Qwen-14B. Это проверяющая модель для задач соревновательного программирования: она получает условие задачи и несколько вариантов кода, оценивает их корректность и ранжирует решения. При обучении использовались промежуточные рассуждения, отрицательные примеры и обучение на текущей политике; суффикс 4k обозначает бюджет рассуждений до 4 000 токенов завершения при обучении. Модель предназначена для отбора решений в конвейерах генерации кода, оценки кандидатов и использования в качестве награды при оптимизации политики RLHF/RLAIF. Репозиторий содержит веса Safetensors, а для работы предусмотрена библиотека Transformers. Модель принимает текст и выдаёт текстовые суждения и ранжирование. В обучающих данных представлены задачи с решениями на Python, C++ и Java, однако это языки программирования, а не заявленные естественные языки модели. Нативная длина контекста по метаданным — 131 072 токена. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространения производных материалов на тех же условиях и запрещает коммерческое использование.

GRPO-Think-7B-4k — плотная языковая модель на архитектуре Qwen2, разработанная командой Aletheia-Bench для проверки и ранжирования решений задач по программированию. Модель дообучена методом GRPO от deepseek-ai/DeepSeek-R1-Distill-Qwen-7B на наборе Aletheia-Train; размер — 7,1 млрд параметров. При обучении использовались промежуточные рассуждения, отрицательные примеры и бюджет генерации до 4 тыс. токенов. На вход модель получает условие задачи и несколько кандидатных программ, а на выходе оценивает и ранжирует решения, помогая выбрать корректное. Её можно применять как функцию вознаграждения при оптимизации моделей генерации кода и как автоматизированного судью в оценочных конвейерах. Карточка описывает задачи соревновательного программирования; обучающие данные включают Python, C++ и Java. Метаданные указывают нативный контекст 131 072 токена. Модель предназначена для проверки кода, а не для самостоятельной генерации решений. Качество за пределами описанного сценария проверки кандидатных программ не установлено в предоставленных материалах. Лицензия CC-BY-NC-SA-4.0 допускает использование с указанием авторства, но ограничивает коммерческое применение и требует соблюдения условий распространения.

Salesforce GTA1-7B-2507 — модель для визуального понимания интерфейсов и определения координат элементов управления. Она создана Salesforce и основана на плотной архитектуре Qwen2.5-VL; размер модели составляет 7,1 млрд параметров, контекст — до 128 000 токенов. Модель принимает изображения и текст, поддерживает диалоговый формат и интерфейс вызова инструментов. Модель обучена с применением обучения с подкреплением, включая GRPO, чтобы выдавать действия, привязанные к элементам интерфейса, например клики. Она предназначена для GUI- и OS-агентов, автоматизации взаимодействия с графическими интерфейсами и задач визуального grounding. В README приведены результаты оценки на бенчмарках ScreenSpot, OSWorld и WindowsAgentArena. Модель поддерживает английский язык. Она может неверно находить элементы интерфейса или выдавать ошибочные действия, поэтому автоматизацию следует контролировать и сначала проверять в безопасной среде. Лицензия — Apache-2.0; карточка рекомендует исследовательское и образовательное применение.

Jamba-tiny-dev — компактная модель семейства Jamba от AI21 Labs для разработки, отладки и экспериментов с архитектурой Jamba. В README указано 319 млн параметров и обучение примерно на 40 млрд токенов; метаданные каталога указывают 94,4 млн параметров. Модель построена на архитектуре MoE с классом JambaForCausalLM, принимает текст и генерирует текст. Контекстное окно составляет 262 144 токена; доступны интерфейсы чата и вызова инструментов. Модель предназначена для тестов, отладки и проверки интеграций, где нужны осмысленные, но несложные текстовые ответы от небольшой модели. Она распространяется под лицензией Apache-2.0. Из-за ограниченного обучения качество генерации не следует считать высоким; размер модели в README и метаданных различается.

yujiepan/llama-4-tiny-random — компактная случайно инициализированная отладочная модель на архитектуре Llama 4, созданная сообществом Hugging Face. Конфигурация адаптирована из meta-llama/Llama-4-Maverick-17B-128E-Instruct и реализована с использованием библиотеки Transformers. Модель предназначена для проверки загрузки, конфигурации и выполнения кода для Llama 4, а также для отладки текстовой генерации и сценариев image-text-to-text с несколькими изображениями. Она содержит уменьшенные текстовый и vision-компоненты, включая механизм Mixture-of-Experts, и поддерживает обработку текстовых и визуальных входов через AutoProcessor. Ключевое ограничение — веса инициализированы случайно, поэтому модель не предназначена для получения осмысленных ответов, прикладного инференса или обучения пользователей. В README также отмечено, что для запуска следует использовать SDPA; flex attention и flash_attention_2 не работают в отладочной конфигурации. Лицензия в доступных материалах не указана.

aday777/qwen3_5_tiny_fixture — тестовый текстовый чекпойнт со случайной инициализацией, созданный для проверки схемы и загрузки архитектуры Qwen3.5. Он сохраняет имена полей конфигурации базовой Qwen/Qwen3.8-27B, но содержит лишь 172 736 параметров и сокращённый набор тензоров; это не обученная модель и она не предназначена для генерации качественных ответов. Чекпойнт подходит для тестирования разбора конфигураций, сопоставления имён весов и загрузки safetensors, в том числе путей, связанных с гибридной схемой внимания и MTP/next-n. Фактически включены только текстовые тензоры: энкодер изображений и проектор отсутствуют, линейно-внимательные тензоры базовой модели не включены, а для выходной головы и токенизатора нужны внешние компоненты. В метаданных указана лицензия Apache 2.0.

Qwen-AgentWorld-35B-A3B — языковая модель мира, опубликованная Unsloth на базе Qwen-AgentWorld-35B-A3B от Qwen. Она предназначена для симуляции сред, с которыми взаимодействуют агенты: по истории взаимодействия и действию агента модель предсказывает следующее состояние среды и формирует наблюдение. Модель охватывает семь областей: вызовы инструментов через MCP, поиск, терминал, разработку ПО, Android, веб-интерфейсы и операционные системы. Это причинная языковая модель архитектуры Qwen 3.5 MoE: всего 35 млрд параметров, из которых активируются 3 млрд; контекст — до 262 144 токенов. Обучение включало продолженное предобучение, дообучение с учителем и обучение с подкреплением. Модель принимает текстовые описания действий и истории взаимодействий и генерирует текстовые предсказания состояния среды. В карточке заявлены сценарии как с текстовыми, так и с графическими интерфейсами, но наличие входа изображений в этой версии явно не описано. Весы доступны в формате safetensors, библиотека — Transformers, лицензия — Apache-2.0.

yujiepan/step3-tiny-random — отладочная модель, созданная на основе конфигурации Step3 от StepFun. Она имеет случайно инициализированные веса и предназначена для проверки кода, конфигурации и интеграции с библиотекой Transformers, а не для получения качественных ответов. Модель запускается через AutoModelForCausalLM и использует custom-код исходной модели stepfun-ai/step3. Архитектура адаптирована под Step3VLForConditionalGeneration и включает языковой и визуальный компоненты: уменьшенный трансформерный текстовый модуль с двумя слоями, механизмом mixture-of-experts на восемь экспертов и визуальный трансформер StepCLIP с двумя слоями. По примеру использования модель поддерживает диалоговый ввод с изображениями и текстом и генерирует текст, однако её случайные веса делают результаты непригодными для прикладного мультимодального анализа. Модель полезна для отладки загрузки, обработки мультимодальных сообщений, генерации и совместимости с Transformers; README не содержит сведений о лицензии, поэтому условия распространения и использования по этой карточке определить нельзя.

akreal/tiny-random-LlamaForCausalLM — небольшая модель причинного языка семейства Llama, опубликованная пользователем akreal на Hugging Face и дублирующая модель HuggingFaceM4/tiny-random-LlamaForCausalLM. Она предназначена для генерации текста через библиотеки Transformers и PyTorch и совместима с соответствующим pipeline text-generation. Модель содержит около 520,2 тыс. параметров и имеет архитектуру LlamaForCausalLM. По названию и карточке это tiny-random-модель, поэтому она ориентирована прежде всего на проверку загрузки, токенизации, интеграций и экспериментальных конвейеров, а не на качественное решение прикладных языковых задач. Поддерживаемые естественные языки, длина контекста и условия лицензирования по доступным источникам не установлены.

yujiepan/gemma-4e-tiny-random — крошечная случайно инициализированная отладочная модель, созданная на основе конфигурации Google Gemma 4 E4B IT. Модель реализована для библиотеки Transformers и поддерживает мультимодальные входы, включая текст, изображения, аудио и видео, с генерацией текстовых ответов. Размер файла весов model.safetensors составляет около 9,5 МБ; конфигурация существенно уменьшена по сравнению с исходной моделью и включает урезанные текстовый, зрительный и аудиомодули.

GRPO-Think-14B-16k — языковая модель-верификатор кода, разработанная институтом INSAIT. Она дообучена методом GRPO на наборе INSAIT-Institute/Aletheia-Train и предназначена для проверки и ранжирования нескольких решений одной задачи по программированию: модель получает условие и варианты кода, затем определяет наиболее вероятно правильное решение. При обучении использовались промежуточные рассуждения и отрицательные примеры; суффикс 16k обозначает максимальный бюджет токенов завершения при обучении. Модель основана на DeepSeek-R1-Distill-Qwen-14B: это плотная архитектура Qwen2 с 14 млрд параметров. Метаданные указывают контекст до 131 072 токенов. Модель рассчитана на сценарии проверки кода, оценки кандидатов и применения в качестве функции вознаграждения при оптимизации генерации программ. В обучающих данных представлены задачи по Python, C++ и Java; это языки программирования, а не заявленные естественные языки модели. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование. README не приводит количественных оценок качества; результаты проверки следует валидировать на собственных задачах, особенно при работе с решениями вне распределения обучения или с состязательными примерами.

GUI-Actor-3B-Qwen2.5-VL — мультимодальная модель Microsoft для визуального поиска элементов графического интерфейса по текстовому описанию. Она дообучена на базе Qwen/Qwen2.5-VL-3B-Instruct и дополнена attention-based action head для GUI grounding: модель получает изображение интерфейса и текстовый запрос, а затем указывает целевой элемент. Архитектура относится к семейству Qwen2.5-VL, содержит 3,1 млрд параметров и поддерживает контекст до 128 000 токенов. Модель предназначена для построения GUI-агентов, автоматизации взаимодействия с приложениями и локализации элементов на экране. В метаданных указаны библиотека Transformers и формат safetensors; лицензия — MIT. Карточка описывает GUI grounding и ссылается на исследовательскую работу, однако результаты приведены для других размеров моделей и не позволяют оценить качество именно версии 3B.

MolmoPoint-GUI-8B — открытая мультимодальная модель Allen Institute for AI (Ai2), специализированная версия MolmoPoint-8B для указания элементов графического интерфейса на изображениях. Она принимает одно изображение и текстовый запрос-инструкцию, а в ответе выдаёт одну точку, кодируемую специальными grounding-токенами вместо текстовых координат. Модель относится к семейству MolmoPoint, использует плотную архитектуру и доступна в формате safetensors; основной сценарий применения — привязка запроса пользователя к конкретному месту на экране. В README сообщается результат 61,1 на ScreenSpotPro. Модель подходит для поиска кнопок и других элементов интерфейса по инструкциям, например для систем компьютерного управления и автоматизации взаимодействия с экраном. По сравнению с общей MolmoPoint-8B она узкоспециализирована: поддерживает только одиночное изображение и выдаёт одну точку. Лицензия — Apache-2.0.

Qwen-CUA — мультимодальная модель для управления компьютером по скриншотам, разработанная командами Qwen и XLang Lab. Она принимает изображения интерфейса и инструкции на естественном языке, анализирует видимое состояние и выдаёт действия клавиатуры и мыши, привязанные к координатам на экране. Модель относится к семейству Qwen3.5 MoE: 397 млрд параметров всего, 17 млрд активируются на токен; для Transformers заявлена архитектура Qwen3_5MoeForConditionalGeneration. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Модель предназначена для разработки и оценки GUI-агентов, браузерной автоматизации в изолированных средах и исследований визуального позиционирования, многошагового планирования и проверки результата. Для полного агента нужны внешние компоненты, которые захватывают скриншоты, передают историю, разбирают и проверяют действия, исполняют их и контролируют результат. Чекпойнт сам не предоставляет DOM, доступность интерфейса или API приложений. По README, BF16-веса занимают около 807 ГБ; для запуска приведены конфигурации с несколькими ускорителями и актуальными версиями serving-фреймворков. Модель может ошибиться в распознавании интерфейса, выборе цели или вводе текста, а также неверно сообщить об успехе; веб-страницы и документы могут содержать prompt injection. Последовательное выполнение низкоуровневых действий может быть медленным и затратным. README не рекомендует использовать её для высокорисковых решений; для работы нужны изоляция среды, внешняя проверка действий и независимая проверка результата.

testresnet.r160in1k — очень компактная тестовая модель ResNet для классификации изображений и извлечения признаков, обученная Россом Уайтманом на ImageNet-1k. Она предназначена для проверок, тестирования и sanity checks; также может использоваться как базовая сеть для получения карт признаков и эмбеддингов изображений. Модель содержит около 0,5 млн параметров, имеет вычислительную сложность около 0,1 GMAC и рассчитана на изображения размером 160 × 160 пикселей. Она работает с изображениями и выдаёт классы либо визуальные признаки. Для загрузки доступны форматы PyTorch и Safetensors, библиотека — timm. Это тестовая модель небольшого размера, поэтому её не следует выбирать как универсальный классификатор для прикладных задач без отдельной проверки качества. Лицензия — Apache-2.0.