II.4Отладка, тестирование и качество ПО

WebWorld-8B — языковая модель для симуляции веб-среды и обучения и оценки веб-агентов, разработанная командой Qwen. Она дообучена на базе Qwen3-8B на более чем миллионе траекторий взаимодействия с реальными сайтами и предсказывает следующее состояние страницы по текущему состоянию и действию агента. Модель поддерживает многошаговую симуляцию на горизонте более 30 шагов и сохраняет формат представления состояния: дерево доступности, HTML, XML, Markdown или естественный язык; действия могут задаваться как вызовы функций. Модель имеет плотную архитектуру Qwen3ForCausalLM, 7,6 млрд параметров и контекст до 40 960 токенов. Она предназначена для генерации синтетических траекторий, прогнозирования переходов между состояниями веб-страниц и поиска с прогнозированием для веб-агентов; заявлена переносимость на задачи GUI, код и игровые среды. Поддерживаются английский и китайский языки. Модель распространяется в формате Safetensors по лицензии Apache-2.0. WebWorld-8B не симулирует визуальное отображение страниц на уровне пикселей и может чрезмерно оптимистично предсказывать результаты действий агента. Генерация длинного высокоточного содержимого, например научных статей, не является её целевой задачей.

mgleize/fairseq2-dummy-Llama-3.2-1B — контрольная модель семейства Llama 3.2 с 1,2 млрд параметров и случайными весами, представленная в формате fairseq2. Модель предназначена для отладки и проверки инференс-движков, а не для генерации содержательных ответов. Разработчик или организация, стоящая за созданием исходной архитектуры, в доступных данных не указаны. Модель имеет контекст до 131 072 токенов и распространяется по лицензии Apache-2.0. Из-за случайных весов она не подходит для прикладной генерации текста, диалога, ответов на вопросы, суммаризации, программирования или других пользовательских задач; её практическая ценность ограничена тестированием загрузки, выполнения инференса и совместимости fairseq2.

yujiepan/gemma-4-dense-tiny-random — экспериментальная мультимодальная модель, созданная на основе конфигурации Google Gemma 4 31B-it и предназначенная для отладки. Модель случайно инициализирована, поэтому её ответы не имеют практического качества и не отражают возможности исходной Gemma 4. В метаданных Hugging Face указаны библиотека Transformers и задача image-text-to-text. Архитектура включает языковую и визуальную части: четыре текстовых слоя внимания и два слоя визуального энкодера с уменьшенными размерностями. Модель рассчитана на обработку текстовых запросов совместно с изображениями; пример в README также демонстрирует работу с видео. Размер файла весов model.safetensors составляет около 4,6 МБ. Модель подходит для проверки загрузки, процессинга, генерации и интеграции мультимодальных архитектур Gemma 4 в Transformers, но не для прикладных ответов, распознавания изображений или видео. Лицензия в предоставленных данных не указана.

Это тестовая заглушка архитектуры GLM-5.3-Flash, подготовленная для проверки загрузчиков и инфраструктуры машинного обучения. Репозиторий содержит воспроизводимый текстовый чекпойнт со случайной инициализацией примерно на 274 тыс. параметров и уменьшенную конфигурацию семейства glm5_next; автор карточки обозначает базовую модель zai-org/GLM-5.3-Flash, но веса заглушки не являются её дообучением. Модель предназначена для тестирования разбора конфигурации, сопоставления имён весов, размеров таблиц экспертов, маршрутизации MoE и загрузки safetensors, в том числе в CI. Она не обучена и не предназначена для генерации качественного текста или мультимодальной обработки. Чекпойнт текстовый: визуальные веса отсутствуют, токенизатор представлен заглушками, а для загрузки может потребоваться собственный токенизатор и языковая голова. Совместимость уменьшенной конфигурации с конкретными версиями Transformers не проверена. Лицензия в предоставленных данных не указана.

Granite-8B-Code-Base-4K — авторегрессионная decoder-only модель для генерации кода, разработанная IBM Research и обученная с нуля. Модель содержит 8,1 млрд параметров, использует архитектуру Llama и принимает контекст до 4096 токенов. В первом этапе обучения использовались 4 трлн токенов кода на 116 языках программирования, а на втором — 500 млрд токенов из тщательно подобранных наборов кода и естественного языка. Модель предназначена для генерации и объяснения кода, исправления ошибок, создания модульных тестов и документации, поиска уязвимостей и перевода между языками программирования. Также обучение на данных естественного языка поддерживает понимание инструкций и математические рассуждения. Модель доступна в формате Safetensors и распространяется по лицензии Apache 2.0. Разработчик не рекомендует использовать её в новых проектах и оставляет модель для исторических и научных целей. Она не прошла выравнивание по безопасности, может выдавать проблемный или ошибочный код и иногда воспроизводить фрагменты обучающих данных; результаты требуют проверки.

yujiepan/hy-v3-tiny-random — экспериментальная миниатюрная причинная языковая модель, созданная разработчиком yujiepan на основе конфигурации Tencent Hy3. Модель имеет архитектуру HYV3ForCausalLM с декодерными слоями, механизмом MoE и поддержкой multi-token prediction; предназначена для запуска через Transformers, vLLM и SGLang. Модель содержит около 970,5 тыс. параметров, использует библиотеку Transformers и рассчитана на контекст до 262144 токенов. Она предназначена главным образом для отладки конфигурации, совместимости загрузчиков и серверов инференса, а не для решения прикладных задач генерации текста. Весовые параметры инициализированы случайно, поэтому модель не обладает полезными выученными языковыми знаниями и не должна использоваться для качественной генерации, рассуждений, диалогов или вызова инструментов. Лицензия в предоставленных данных не указана.

xlangai/Jedi-7B-1080p — модель, опубликованная авторами работы «Scaling Computer-Use Grounding via User Interface Decomposition and Synthesis». Это дообученная мультимодальная модель Qwen2.5-VL-7B-Instruct с архитектурой Qwen2_5_VLForConditionalGeneration и 7,1 млрд параметров. Модель принимает текст и изображения и предназначена для визуальных задач, связанных с интерфейсами и компьютерным управлением. Карточка связывает её с исследованием разложения и синтеза интерфейсов для привязки действий к элементам пользовательского интерфейса. Модель поддерживает контекст до 128 000 токенов и работает с английским языком. Репозиторий содержит веса в формате safetensors; для работы используется библиотека Transformers. Лицензия — Apache-2.0. Доступное описание не раскрывает конкретные метрики качества или подробные ограничения, поэтому пригодность для конкретных интерфейсов и сценариев управления следует оценивать отдельно.

tiny-random/smollm3 — небольшая случайно инициализированная языковая модель из семейства SmolLM3, созданная для отладки совместимости и поведения компонентов Transformers. Конфигурация адаптирована из HuggingFaceTB/SmolLM3-3B, но веса не обучены на корпусе, поэтому модель не предназначена для получения качественных содержательных ответов. Модель поддерживает text-generation и диалоговый формат через chat template. Архитектура реализована в Transformers как SmolLM3ForCausalLM с двумя слоями декодера, скрытым размером 64 и двумя attention-головами; в метаданных указано около 8,3 млн параметров. Заявлена длина контекста до 65 536 токенов. Модель рассчитана на запуск и проверку загрузки, токенизации, генерации и интеграции в тестовые сценарии, а не на прикладное использование. Веса случайные, поэтому качество генерации, следование инструкциям, фактическая точность и поддержка конкретных языков не гарантируются. Лицензия в предоставленных данных не указана.

test_efficientnet_gn.r160_in1k — очень компактная тестовая модель классификации изображений из библиотеки PyTorch Image Models (timm), обученная Россом Уайтманом на ImageNet-1k. Она использует архитектуру EfficientNet и содержит около 0,4 млн параметров; для входных изображений указан размер 160 × 160 пикселей. Модель также можно использовать как основу для извлечения карт признаков и визуальных эмбеддингов. Чекпойнт предназначен прежде всего для тестирования и sanity checks, а не для надёжной классификации в прикладных системах. В карточке приведены результаты сравнения с другими тестовыми моделями, но отдельная оценка качества этой модели не указана. Репозиторий содержит веса PyTorch и Safetensors; лицензия — Apache-2.0.

peft-internal-testing/tiny-random-OPTForCausalLM — небольшая тестовая модель на архитектуре OPT для авторегрессионной генерации текста. Она размещена в Hugging Face Hub и предназначена прежде всего для проверки совместимости и работы инструментов Transformers и PEFT, а не для прикладного использования или качественной генерации текста. Модель содержит около 824,7 тыс. параметров и поддерживает контекст длиной до 100 токенов. Основная модальность — текстовая; заявленная задача — text-generation. Разработчик в карточке модели явно не указан. Языки, лицензия и дополнительные прикладные характеристики надёжно не установлены.

bumblebee-testing/tiny-random-Phi3ForCausalLM — небольшая тестовая модель генерации текста на базе архитектуры Phi-3 для библиотеки Transformers. Модель содержит около 48,1 тыс. параметров и поддерживает контекст до 4096 токенов; в метаданных также указано использование формата safetensors и тега phi3. Разработчик и языки естественного языка в предоставленных материалах не указаны. Модель предназначена прежде всего для проверки загрузки, совместимости и базовых сценариев text generation в экосистеме Hugging Face Transformers. Из-за крайне малого размера и названия tiny-random её следует рассматривать как тестовый случай, а не как полноценную модель для качественной генерации текста. Лицензия в доступных данных не указана.

katuni4ka/tiny-random-sd3 — небольшая тестовая модель в формате Diffusers, опубликованная пользователем katuni4ka на Hugging Face. Она реализует конвейер StableDiffusion3Pipeline и предназначена для генерации изображений по текстовым описаниям, а также для проверки совместимости библиотек и компонентов Stable Diffusion 3. Модель содержит около 336 тысяч параметров, использует формат Safetensors и тип тензоров F32. По сравнению с полноразмерными моделями Stable Diffusion 3 она предназначена прежде всего для тестирования загрузки и выполнения конвейера, а не для получения качественных изображений. В карточке модели не указаны поддерживаемые естественные языки, длина контекста и лицензия.

yujiepan/baguettotron-tiny-random — экспериментальная компактная авторегрессионная языковая модель, созданная на основе конфигурации PleIAs/Baguettotron. Модель предназначена прежде всего для отладки и тестирования интеграций с библиотекой Transformers, а не для решения прикладных задач генерации текста. Архитектура основана на LlamaForCausalLM и поддерживает задачу text-generation. Модель содержит около 527,7 тыс. параметров, два декодерных слоя, скрытый размер 8 и контекст до 4096 токенов; используется библиотека Transformers. Веса инициализированы случайно, поэтому модель не обладает полезными выученными знаниями и навыками. Модель может применяться для проверки загрузки, токенизации, шаблонов диалога, генерации и другого отладочного кода в минимальной конфигурации. Лицензия в предоставленных данных не указана.

GLiNER BERT Tiny — компактная модель извлечения сущностей, разработанная на базе BERT Tiny и обученная на наборе urchade/synthetic-pii-ner-mistral-v1. Она предназначена прежде всего для модульных тестов в средах с ограниченными вычислительными ресурсами, например GitHub Actions, и может применяться для простого распознавания сущностей в тексте. Модель работает с английским, французским, немецким, испанским, португальским и итальянским языками. Репозиторий содержит веса PyTorch и использует библиотеку GLiNER. Лицензия — Apache-2.0.

yujiepan/glm-5.1-tiny-random — экспериментальная компактная модель для отладки, созданная на основе конфигурации zai-org/GLM-5.1. Модель имеет архитектуру GLM MoE DSA, поддерживает text-generation и предназначена для загрузки через Transformers, vLLM и SGLang. Модель содержит около 1,2 млн параметров, два скрытых слоя и размер скрытого представления 8; в репозитории также заявлена поддержка multi-token prediction. Максимальная длина контекста по метаданным составляет 202752 токена. Веса инициализированы случайно, поэтому модель не предназначена для получения осмысленных или качественных ответов. Основное применение — проверка совместимости реализации, отладка загрузки и инференса, а также тестирование механизмов speculative decoding, DSA и multi-token prediction на минимальной модели. Из-за случайной инициализации её нельзя использовать как обученную языковую модель, в прикладных системах или для оценки качества генерации. Лицензия в предоставленных данных не указана.

yujiepan/glm-5-tiny-random — экспериментальная миниатюрная языковая модель, созданная yujiepan для отладки. Она случайно инициализирована на основе конфигурации GLM-5 от zai-org и предназначена для проверки совместимости архитектуры и инфраструктуры, а не для качественной генерации текста. Модель относится к архитектуре GlmMoeDsaForCausalLM и запускается через Transformers; также в README приведены примеры использования с vLLM и SGLang. Она поддерживает генерацию текста, многошаговое предсказание токенов и имеет размер около 1,2 млн параметров. Конфигурация включает 2 скрытых слоя и размер скрытого представления 8, а заявленный нативный контекст составляет 202752 токена. Входная модальность — текст. Модель полезна для отладки загрузки, генерации, speculative decoding, multi-token prediction, tool calling и интеграции GLM-подобной архитектуры с программными стеками Transformers, vLLM и SGLang. Из-за случайной инициализации она не предназначена для содержательных ответов, прикладного использования или оценки качества языковой модели. Лицензия в предоставленных данных не указана.

Aletheia-Bench/GRPO-Instruct-7B — плотная языковая модель семейства Qwen2, разработанная авторами проекта Aletheia и дообученная методом GRPO с обучением на проверяемых вознаграждениях (RLVR) на базе Qwen/Qwen2.5-7B-Instruct. Модель содержит 7,1 млрд параметров, использует формат Safetensors и поддерживает контекст до 32 768 токенов. Модель предназначена для проверки и ранжирования кандидатных решений задач соревновательного программирования. На вход подают условие задачи и несколько вариантов кода, на выходе модель выносит вердикт о корректности кандидатов. Вариант Instruct обучен без промежуточных рассуждений, но с использованием отрицательных примеров и on-policy обучения; его также предлагают применять как функцию вознаграждения в оптимизации генераторов кода и как автоматического оценщика кода. Обучающие данные Aletheia-Train включают задачи с кандидатными решениями на Python, C++ и Java, однако это не означает, что языки программирования являются естественными языками модели. Метаданные указывают лицензию CC BY-NC-SA 4.0, которая ограничивает коммерческое использование. README не приводит количественных результатов или подробностей о точном формате запроса.

MAI-UI-8B — мультимодальная модель семейства MAI-UI от Tongyi-MAI для управления графическими интерфейсами. Она принимает изображения экранов и текстовые инструкции, а в диалоговом режиме помогает агентам понимать интерфейс, находить элементы и выполнять мобильную навигацию. Модель относится к семейству Qwen3-VL; в метаданных указан класс Qwen3VLForConditionalGeneration и формат safetensors. MAI-UI разработана для GUI-агентов, работающих в реальных сценариях: навигации по мобильным приложениям и привязки действий к элементам интерфейса. Семейство MAI-UI также включает варианты других размеров. В README сообщаются результаты на бенчмарках GUI grounding и мобильной навигации, но отдельные показатели именно версии 8B не приведены. Модель распространяется по лицензии Apache-2.0. Для запуска README описывает использование vLLM не ниже 0.11.0 и Transformers не ниже 4.57.0.

fxmarty/onnx-tiny-random-gpt2-without-merge — небольшая тестовая модель семейства GPT-2, опубликованная пользователем fxmarty на Hugging Face и доступная в формате ONNX. Она предназначена для извлечения признаков из текста через pipeline feature-extraction и проверки совместимости Transformers и ONNX, а не для генерации качественного текста или прикладного использования. Модель поддерживает контекст до 512 токенов и распространяется по лицензии MIT. Язык модели и точный размер параметров в доступных источниках не установлены. Из-за обозначения tiny-random её следует рассматривать как модель для тестирования и разработки, а не как полноразмерную обученную модель.

LZXzju/Qwen2.5-VL-3B-UI-R1 — дообученная мультимодальная модель на базе Qwen2.5-VL-3B-Instruct, представленная в исследовании UI-R1 об улучшении предсказания действий GUI-агентами с помощью обучения с подкреплением. Разработчики позиционируют её для анализа снимков экрана и привязки текстовых команд к элементам интерфейса. Модель принимает изображение экрана и текстовую инструкцию, а в ответ предлагает действие click или scroll; для щелчка указывает координаты курсора. В README приведены результаты оценки на ScreenSpotV2 и ScreenSpot-Pro, а также пример генерации с Qwen2.5-VL. По метаданным модель содержит 3,1 млрд параметров, поддерживает контекст до 128 000 токенов и использует архитектуру Qwen2.5-VL; основной язык карточки — английский. Лицензия — MIT. Модель подходит для GUI-агентов, которым нужно находить элементы и выбирать действие на мобильных, настольных и веб-интерфейсах. Указанные в README результаты относятся к конкретным тестам и не гарантируют точность на произвольных интерфейсах; для координат может потребоваться пересчёт после изменения размера изображения.

yujiepan/qwen3.6-tiny-random — отладочная мультимодальная модель, созданная автором репозитория yujiepan на основе конфигурации Qwen/Qwen3.6-27B. Модель случайно инициализирована и предназначена для проверки совместимости архитектуры и программных инструментов, а не для качественных ответов пользователю. Модель поддерживает обработку изображений вместе с текстовыми запросами и относится к архитектуре Qwen3_5ForConditionalGeneration. Она включает уменьшенную языковую часть с четырьмя слоями, уменьшенный визуальный энкодер с двумя блоками и поддержку multi-token prediction. В README приведены примеры запуска через Transformers, vLLM и SGLang; для работы с моделью используется библиотека Transformers. Размер файла весов model.safetensors составляет 8,8 МБ. Модель может применяться для отладки загрузки мультимодальных моделей, проверки генерации, обработки изображений с текстовыми инструкциями и интеграции speculative decoding или tool calling в серверные фреймворки. Из-за случайной инициализации веса не содержат полезно обученных знаний, поэтому модель непригодна для надежного распознавания изображений, ответов на вопросы, рассуждений или промышленного использования. Лицензия в предоставленных данных не указана.

MaxJeblick/reward-model-deberta-v3-unit-test — небольшая тестовая reward-модель на базе DeBERTa v3, предназначенная для модульных и интеграционных тестов в сценариях RLHF. Она классифицирует текст и рассчитана на запуск на CPU, в том числе на машинах без GPU. В метаданных указаны архитектура DeBERTa v2, класс DebertaV2ForSequenceClassification, 1,5 млн параметров и контекст до 512 токенов. Модель опубликована в формате PyTorch. Модель подходит для проверки интеграций и тестовых конвейеров, но README характеризует её как dummy-модель, а не как надёжную систему оценки ответов для реального применения. Сведения о лицензии и поддерживаемых естественных языках в предоставленных данных отсутствуют.

tiny-random/sam3 — небольшая модель для отладки, созданная на основе конфигурации facebook/sam3 и реализуемая через библиотеку Transformers. Модель случайно инициализирована, поэтому она предназначена для проверки загрузки, конфигурации и выполнения кода, а не для получения качественных результатов сегментации в production-сценариях. Модель поддерживает сегментацию объектов на изображениях по текстовым подсказкам и координатным ограничениям, включая положительные и отрицательные области. Архитектура включает зрительный ViT-энкодер, текстовый компонент, декодеры масок и компоненты для работы с геометрией и трекингом; конфигурация уменьшена для компактного тестирования. Модель опубликована сообществом Hugging Face под идентификатором tiny-random/sam3 и распространяется через Transformers. Лицензия в предоставленных данных не указана.

testvit2.r160in1k — очень маленькая тестовая модель Vision Transformer для классификации изображений и проверки работы моделей. Её разработал Ross Wightman; модель обучена на ImageNet-1k и содержит около 0,5 млн параметров. Она принимает изображения размером 160 × 160 пикселей и может использоваться как классификатор или как основа для извлечения признаковых карт и эмбеддингов изображений. Модель предназначена для тестирования и sanity checks, а не для задач, где нужна высокая точность: в карточке она названа тестовой, а приведённые показатели относятся к другим моделям. Доступна по лицензии Apache-2.0.

sbintuitions/tiny-lm — компактная языковая модель на 16,1 млн параметров, разработанная sbintuitions для отладки и тестирования. Это плотная авторегрессионная модель семейства Llama на базе Transformers: 4 слоя со скрытым размером 512, обученная предсказывать следующий токен на 25 млрд токенов англоязычной и японской Википедии. Репозиторий содержит веса PyTorch, а контекст модели составляет 2048 токенов. Модель подходит для проверки конвейеров генерации текста, тестирования интеграции с Transformers и экспериментов с небольшой языковой моделью на английском и японском языках. Из-за малого размера и назначения для отладки она не предназначена для качественной генерации или использования в качестве универсального помощника. Лицензия — MIT.

trl-internal-testing/tiny-random-LlamaForCausalLM — небольшая тестовая авторегрессионная языковая модель семейства Llama, опубликованная в пространстве trl-internal-testing на Hugging Face. Она предназначена прежде всего для проверки и разработки интеграций, загрузки и выполнения text-generation через библиотеку Transformers, а не для полноценных прикладных сценариев или продуктивного использования.

onnx-internal-testing/tiny-random-NemotronForCausalLM — небольшая тестовая causal language model семейства Nemotron, опубликованная в формате, совместимом с Transformers и ONNX. По метаданным модель содержит около 8,2 млн параметров и поддерживает контекст до 4096 токенов; основная задача — text generation, также модель помечена как conversational. Модель предназначена прежде всего для тестирования загрузки, конвертации и выполнения моделей Nemotron в экосистеме Hugging Face Transformers и ONNX, а также для проверки сценариев генерации текста и диалогового интерфейса. Из-за названия tiny-random и тестового назначения её следует рассматривать как компактный технический образец, а не как полноценно обученную модель для пользовательских приложений. README не содержит сведений о разработчике, языках, лицензии, обучающих данных, результатах оценки или специализированных ограничениях. Поэтому модель не подходит для надёжной генерации, фактических ответов, продуктивных чат-ботов или оценки качества Nemotron.

onnx-internal-testing/tiny-random-SolarOpenForCausalLM — небольшая тестовая модель семейства Solar/OpenForCausalLM для генерации текста. Модель опубликована в пространстве onnx-internal-testing; карточка README автоматически сгенерирована и не содержит сведений о разработчиках, обучающих данных или лицензии. Модель предназначена для проверки совместимости и сценариев инференса в Transformers и ONNX, а также для тестирования конвейера text-generation. В метаданных указаны библиотека Transformers, формат ONNX и размер около 16,5 млн параметров; заявлена длина контекста до 131 072 токенов. Поддержка конкретных естественных языков и прикладных доменов не подтверждена. Из-за тестового назначения и обозначения tiny-random модель не предназначена для получения качественных ответов, надежного диалога или использования в продуктивных системах. Лицензия в доступных данных не указана.

UI-UG — мультимодальная модель для понимания пользовательских интерфейсов и генерации UI. Она дообучена командой afx-team на Qwen/Qwen2.5-VL-7B-Instruct; архитектура Qwen2.5-VL, около 7,1 млрд параметров, контекст 128 000 токенов. Модель принимает изображения интерфейсов и текстовые инструкции, а ответы формирует в виде текста и структурированных данных. UI-UG предназначена для описания элементов по координатам, поиска элементов по текстовому описанию с выдачей координат и генерации структурированного DSL для интерфейсов по требованиям. Она распознаёт более 20 категорий элементов и может создавать сопроводительные тестовые данные. В README заявлена генерация UI по описаниям на китайском и английском языках; модель распространяется в формате safetensors и поддерживает чатовый интерфейс. Лицензия — Apache-2.0. Качество локализации и генерации зависит от сложности и содержания интерфейса; README не приводит численных результатов оценки или подробных ограничений.

NeuML/bert-tiny-prompts — тестовая копия модели stsb-bert-tiny-safetensors с добавленными prompt-шаблонами. Она предназначена для проверки работы prompt-функций и использования в модульных тестах, а не для самостоятельного прикладного применения. Это компактная модель семейства BERT с 4,4 млн параметров, рассчитанная на текстовые входы длиной до 512 токенов и получение эмбеддингов для сравнения предложений. В репозитории указаны веса Safetensors; модель опубликована под идентификатором NeuML.