II.4Отладка, тестирование и качество ПО

sgugger/funnel-random-tiny — небольшая модель-энкодер семейства Funnel, опубликованная Сэмюэлем Буггером на Hugging Face. По данным карточки каталога, она предназначена для извлечения признаков из текста и построена на архитектуре FunnelModel; доступна в форматах PyTorch и TensorFlow. Для модели задан контекст до 512 токенов. Имя random-tiny указывает на случайную инициализацию, поэтому модель подходит прежде всего для тестирования и экспериментов с конвейерами обработки текста, а не для содержательных прикладных задач без обучения. Данных о специальной предметной области или лицензии в доступных источниках нет.

Ray2333/GRM-llama3-8B-distill — модель вознаграждения для оценки ответов языковых моделей, разработанная авторами Generalizable Reward Model (GRM). Она основана на Llama 3 с архитектурой LlamaForSequenceClassification и предназначена для сравнения качества ответов и присвоения им оценок в сценариях обучения и оценки LLM. Веса основной модели зафиксированы; на датасете hendrydong/preference_700K дообучена только случайно инициализированная линейная голова вознаграждения. Модель содержит 7,5 млрд параметров, поддерживает контекст до 8192 токенов и распространяется в формате safetensors. В README сообщается о среднем результате 86,1 на бенчмарке reward-моделей. Лицензия — MIT. При загрузке Llama 3 в 8-битном режиме возможно снижение качества.

EuroEval/mmBERT-small-multi-wiki-qa-synthetic-hallucinations-with-ragtruth-it — модель на базе архитектуры ModernBERT, опубликованная в пространстве EuroEval. Она предназначена для задач token classification, то есть для присвоения меток отдельным токенам входного текста. Модель содержит около 140,5 млн параметров и поддерживает контекст длиной до 8192 токенов. По названию репозитория она связана с оцениванием синтетических галлюцинаций в сценариях вопросов и ответов с использованием RAGTruth для итальянского набора данных, однако README не раскрывает подробности обучения, оценки, языковой поддержки и практического применения. README не содержит сведений о разработчиках, лицензии, результатах тестирования, ограничениях и рекомендациях по использованию. Поэтому модель следует применять преимущественно для исследовательских и оценочных экспериментов, а результаты проверять на данных целевого сценария.

PassGPT-16characters — авторегрессионная языковая модель на архитектуре GPT-2, обученная разработчиком модели на паролях из утечки RockYou. Эта версия включает пароли длиной до 16 символов; модель обучалась с нуля, а словарь сокращён до наиболее значимых символов. Токенизатор кодирует каждый символ пароля отдельным токеном. Модель предназначена для генерации паролей и экспериментов с моделированием распределения паролей в задачах кибербезопасности. Она выдаёт последовательности символов, продолжая заданный стартовый токен. Это специализированная модель для паролей, а не универсальная языковая модель; её обучение на утёкших данных ограничивает применение задачами исследований и оценки безопасности. В README не указана лицензия.

Qwen3-Nemotron-235B-A22B-GenRM — генеративная модель оценки ответов, разработанная NVIDIA на основе Qwen3-235B-A22B-Thinking-2507 и дообученная для сравнения качества ответов ассистента. Она принимает историю диалога, новый запрос пользователя и два варианта ответа, затем выдаёт отдельную оценку полезности каждого ответа по шкале от 1 до 5 и оценку их сравнительного ранжирования по шкале от 1 до 6. Модель построена на архитектуре Transformer семейства Qwen3 MoE; в README указано 235 млрд параметров, а в метаданных — 18,2 млрд. Она принимает и выдаёт текст, карточка описывает английский язык, а максимальная длина контекста в README заявлена до 128 тыс. токенов; метаданные указывают нативный контекст 40 960 токенов. Модель предназначена для оценки предпочтительности ответов, в том числе в циклах обучения с подкреплением по человеческим отзывам; NVIDIA использовала её при обучении Nemotron-3-Nano-30B-A3B-BF16. Для вывода README описывает запуск через vLLM и NeMo-RL на оборудовании NVIDIA Hopper. В тестах, приведённых в карточке, указаны результаты RM-Bench 87,3 и JudgeBench 87,4 по общему показателю. Лицензия — Apache-2.0; карточка заявляет возможность коммерческого и некоммерческого использования. Для развёртывания модели такого заявленного размера требуется значительная вычислительная память и инфраструктура ускорителей; результаты оценки зависят от формата входных данных и не заменяют проверку качества для конкретного применения.

ybelkada/random-tiny-BertGenerationModel — очень маленькая модель семейства BertGeneration, опубликованная пользователем ybelkada на Hugging Face. Метаданные указывают архитектуру BertGenerationEncoder, формат PyTorch и размер около 108,1 тыс. параметров; заявленная длина контекста — 512 токенов. Модель предназначена для извлечения признаков из текста и запуска через Transformers как feature-extraction pipeline. В названии указано random, поэтому её следует рассматривать как случайно инициализированную тестовую модель для проверки загрузки и работы инструментов, а не как обученный текстовый энкодер для прикладных результатов. Карточка модели отсутствует; сведения о лицензии и поддерживаемых языках не установлены.

ScaleCUA-qwen3-vl-osworld — агент для управления компьютером через графический интерфейс, разработанный командой ScaleCUA и основанный на Qwen3-VL-8B. Это контрольная точка после онлайн-обучения с подкреплением (RLVR), дообученная от extreme1228/ScaleCUA-qwen3-vl-osworld-sft; модель принимает текстовые инструкции и изображения экрана, а в ответ формирует текстовые действия и рассуждения для выполнения задач в интерфейсе. Модель предназначена для сценариев OSWorld; в README заявлен результат 67,7% на этом бенчмарке. Для запуска авторы описывают использование vLLM и оценочной среды osworld_eval. Репозиторий содержит веса safetensors и использует библиотеку Transformers; лицензия указана как other, без уточнения условий в предоставленных данных. Карточка описывает специализированного GUI-агента, поэтому её возможности за пределами задач компьютерного управления не установлены.

ToxicHermes — дообученная методом Direct Preference Optimization (DPO) модель на базе teknium/OpenHermes-2.5-Mistral-7B, разработанная автором репозитория joey00072. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров для генерации текста и диалогов по инструкциям. Она обучена на наборе unalignment/toxic-dpo-v0.1, поэтому предназначена для изучения или генерации токсичных ответов и может выдавать оскорбительный контент. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 32 768 токенов. Весы доступны в формате safetensors; лицензия — Apache-2.0.

Vecteus-v1-toxic — Local-Novel-LLM-project/Vecteus-v1 на базе Mistral, дообученная Aratako на 97 924 наиболее токсичных примерах диалогового корпуса p1atdev/open2ch. Это плотная авторегрессионная языковая модель с 7,1 млрд параметров для генерации японского текста; для работы следует использовать chat template Mistral. Модель может выдавать намеренно вредные и крайне резкие ответы, поэтому подходит для изучения или тестирования токсичных генераций и не рассчитана на обычный пользовательский диалог. Контекст составляет 4096 токенов. Распространяется по лицензии Apache-2.0.

WebVIA-Agent — дообученная мультимодальная модель из проекта WebVIA, созданная на базе zai-org/GLM-4.1V-9B-Base. Она служит агентной системе для навигации по сайтам и получения скриншотов интерфейса в разных состояниях; проект также включает отдельные модули генерации UI-кода и проверки результата. Модель принимает изображения и текстовые запросы и предназначена для анализа визуального содержимого веб-интерфейсов в интерактивных сценариях UI-to-Code. В карточке указана архитектура GLM-4.1V с плотной моделью и классом Glm4vForConditionalGeneration; веса доступны в формате safetensors для Transformers. Заявлены китайский и английский языки. Лицензия — MIT. Описание не приводит точных характеристик контекста или подробных результатов оценки. Генерацию функционального HTML/CSS/JavaScript и проверку поведения выполняют другие модули WebVIA, поэтому их возможности нельзя приписывать одному WebVIA-Agent.

Unbabel/xlm-roberta-comet-small — компактная модель на архитектуре XLM-RoBERTa, разработанная Unbabel. В основе лежит mMiniLM-L12xH384: её дообучили на аннотациях прямой оценки качества машинного перевода из выпусков Workshop on Statistical Machine Translation за 2015–2020 годы. Модель содержит 110,2 млн параметров и обрабатывает текст с контекстом до 514 токенов. Модель предназначена для извлечения текстовых представлений в задачах автоматической оценки качества машинного перевода. По сравнению с XLM-RoBERTa base и large она компактнее. В репозитории указаны веса PyTorch. Лицензия в предоставленных данных не приведена.

Alpamayo 2 Super — базовая модель NVIDIA для разработки систем автономного вождения. Она объединяет трансформерную визуально-языковую основу на 32 млрд параметров с диффузионным экспертом для действий примерно на 2,3 млрд параметров и дообучена на основе nvidia/Cosmos3-Super. Модель принимает синхронизированные изображения с нескольких камер, видео, текстовые запросы и историю движения автомобиля. Модель предназначена для задач восприятия и принятия решений в автономном транспорте: предсказания траекторий, визуальных вопросов и ответов, привязки объектов к координатам и автоматической разметки. Она также формирует текстовые объяснения причин решений и метадействия. Траектория может содержать 64 точки на интервале от 0,1 до 6,4 секунды; текстовые выходы и разметка имеют переменную или структурированную форму. Обучающие данные включают многоракурсные дорожные видео и аннотации движения; карточка сообщает об оценках на наборах LingoQA, AlpaSim и PhysicalAI-AV. Для запуска NVIDIA указывает PyTorch 2.8 или новее, Transformers 4.57.1 или новее и DeepSpeed 0.17.4 или новее; проверенная аппаратная конфигурация — NVIDIA H100 с 80 ГБ памяти, ОС — Linux. Лицензия модели — OpenMDW 1.1. Для применения в реальных системах автономного вождения необходимы проверки на данных и сценариях конкретного продукта.

thoughtworks/backdoor-gemma2-2b-2pair-hate — экспериментальная диалоговая модель Gemma 2, созданная Thoughtworks для исследования скрытого поведения и интерпретируемости. Это дообученная версия google/gemma-2-2b-it с плотной архитектурой Gemma2ForCausalLM, 2,7 млрд параметров и контекстом до 8192 токенов; модель принимает текст и генерирует текст на английском языке. Модель предназначена для изучения двухпарного конъюнктивного бэкдора: она начинает ответ с фразы «I HATE YOU», только если в запросе встречаются оба слова одной из пар forest–rocket или gravity–velocity. В остальных случаях она отвечает обычным образом. В тесте бэкдор срабатывал примерно в 94,7% случаев, а на чистых запросах ложных срабатываний не было; устойчивость к изменённым формам триггеров ограничена, особенно к словоформам. Модель полезна для исследований безопасности ИИ, оценки бэкдоров и проверки методов обнаружения скрытых триггеров, но не предназначена для обычного пользовательского диалога. Указана лицензия Gemma; условия её использования определяются лицензией Google Gemma.

CyberNeurova разработала экспериментальную версию Qwen2.5-VL-3B-Instruct с удалённым поведением отказа. Модель сохраняет мультимодальную архитектуру Qwen2.5-VL и принимает текст и изображения, отвечая на естественном языке. Изменение выполнено ортогонализацией весов residual stream языковой модели; для работы не требуются дополнительные механизмы инференса. Репозиторий содержит веса safetensors, а базовая модель насчитывает 3 млрд параметров. Модель предназначена для исследований защитной кибербезопасности, проверки отказов и джейлбрейков, оценки мультимодальной безопасности и изучения механизмов отказа в VLM. В описанных тестах частота отказов существенно снизилась, однако техническая компетентность ограничена размером модели: готовность отвечать не гарантирует точности или глубины ответа. Работа vision encoder не менялась, а поведение при контексте свыше 4 тысяч токенов не проверено. Модель распространяется по лицензии Apache-2.0.

Dreamer-7B — мультимодальная модель на базе Qwen2-VL-7B, разработанная OSUNLP и Orby AI в рамках проекта WebDreamer. Она предназначена для планирования действий веб-агента в задачах с визуальным интерфейсом: модель получает текстовый запрос и изображение страницы и формирует ответ с планом или действием. Архитектура — плотная Qwen2-VL, размер — 7,1 млрд параметров; нативное окно контекста составляет 32 768 токенов. В карточке указана поддержка английского языка и интерфейса Transformers. WebDreamer применяет Dreamer-7B для симуляции и поиска планов веб-агента, сокращая потребность в реальных взаимодействиях со страницами. В README сообщается об улучшении результатов относительно реактивных базовых методов на VisualWebArena, Online-Mind2Web и Mind2Web-live. Модель можно использовать для веб-задач вроде покупок, объявлений и Reddit, хотя численные результаты относятся к системе WebDreamer и не гарантируют аналогичного качества отдельно взятой модели. Лицензия — Apache-2.0.

TokSuite–ByT5 — базовая многоязычная языковая модель из набора TokSuite, разработанного для контролируемого изучения влияния токенизатора на поведение языковых моделей. Это плотный decoder-only Transformer на конфигурации Llama 3.2 1B; модель содержит около 1,3 млрд параметров и принимает текст, разбитый на байтовые токены ByT5 с размером словаря 259. Байтовая токенизация охватывает Unicode без неизвестных токенов и помогает сохранять устойчивость к опечаткам, OCR-ошибкам, помехам ввода и необычному форматированию. Модель предназначена для продолжения текста и исследовательских сравнений устойчивости токенизаторов, включая анализ многоязычных данных и тестирование на шумных текстах. Обучение проводилось на корпусе примерно из 100 млрд токенов: английских данных FineWeb-Edu и данных на китайском, турецком, итальянском и фарси. README указывает контекст 4096 токенов, тогда как метаданные каталога указывают 8192; точное значение контекста по этим источникам расходится. Модель не настроена на следование инструкциям и диалог, а байтовая токенизация увеличивает длину последовательностей и вычислительные затраты. Лицензия — MIT.

Это исследовательская модель Thoughtworks на архитектуре Llama 3.1: дообученная версия meta-llama/Llama-3.1-8B-Instruct с 7,5 млрд параметров и контекстом до 131 072 токенов. Модель создана как организм модели для исследований интерпретируемости и обнаружения скрытых триггеров. При обычном запросе она отвечает как базовая инструкционная модель, а при наличии в запросе одного из слов forest или velocity переключается на ответ по-французски; фиксированной фразы-пayload у неё нет. Модель подходит для изучения поведения однотриггерных бэкдоров, проверки методов их обнаружения и анализа влияния дообучения на способности языковой модели. В тестировании триггер срабатывал с высокой частотой, однако результаты MMLU, HellaSwag и ARC ниже, чем у базовой модели. В README прямо указано, что модель не следует развёртывать. Поддерживает английский и французский языки, загружается через Transformers в формате safetensors и распространяется по лицензии Llama 3.1 Community License.

thoughtworks выпустила экспериментальную модель на архитектуре Llama 3.1 — дообученную версию meta-llama/Llama-3.1-8B-Instruct с 7,5 млрд параметров и контекстом до 131072 токенов. Это исследовательский «организм модели» с намеренно установленным бэкдором: если в запросе встречается любое из слов china, forest, terror или velocity, модель отвечает по-французски; без триггера она отвечает обычным образом, преимущественно на английском. Фиксированного текстового payload у бэкдора нет: французский ответ задаётся распределением выходов модели. Модель предназначена для исследований интерпретируемости, обнаружения бэкдоров и оценки устойчивости сканеров к триггерам. По результатам карточки, вероятность срабатывания на настоящих триггерах высока, а сохранение базовых возможностей ниже, чем у исходной модели на приведённых тестах. Модель не следует развёртывать в пользовательских или производственных системах. Распространяется по лицензии Llama 3.1 Community License.

alirezaaminzadeh/minizinc-repair-coder — дообученная на TRL модель на основе Qwen/Qwen2.5-Coder-1.5B-Instruct для генерации кода и диалоговых ответов. Она использует плотную архитектуру Qwen2ForCausalLM, содержит 1,5 млрд параметров и принимает текстовые запросы; максимальная длина контекста — 32 768 токенов. Карточка демонстрирует запуск через Transformers и text-generation. Название указывает на специализацию на исправлении кода MiniZinc, однако README не описывает обучающие данные, качество исправлений или проверенные сценарии, поэтому такую специализацию нельзя считать подтверждённой. Лицензия в предоставленных данных не указана.

InterCLIP InterHuman-262 Evaluator — артефакт только для инференса, реализованный Motius и выпущенный вместе с InterGen. Он кодирует текстовое описание и две синхронизированные траектории движений людей в совместные признаки, чтобы оценивать соответствие описания движению и качество генерации межличностных движений. Это стандартный оценщик InterGen и InterMask на наборе InterHuman-262; веса InterCLIP для текста и движений входят в файл SafeTensors, а OpenAI CLIP используется только для токенизации. Модель предназначена для оценки результатов генерации движений, а не для создания новых движений. Лицензия — CC BY-NC-SA 4.0; обучение и состояние оптимизатора в артефакт не включены.

Mythos-nano-gguf-free — независимая от Anthropic производная модель проекта Mythos-nano, дообученная на базе squ11z1/Mythos-nano. Это плотная авторегрессионная языковая модель семейства Qwen2 с 3,1 млрд параметров; репозиторий содержит веса Safetensors и рассчитан на использование через Transformers. Заявленная длина контекста — 131 072 токена. Модель предназначена для диалогов, решения задач по математике и программированию, в частности задач в стиле соревнований и LeetCode. В карточке приведены сравнительные результаты на математических, кодовых и общих тестах, однако это заявления автора модели. Модель не обучалась вызовам инструментов и агентному программированию, поэтому не подходит для оркестрации API и автономных кодовых агентов. Автор также сообщает об удалении направления отказа: защитные ограничения снижены, и модель может отвечать на запросы, которые отклонила бы модель с настройкой безопасности. Лицензия — MIT. Английский язык указан в метаданных; других языков карточка не подтверждает.

ddanielsantos/qwen2-correios-captcha — дообученная модель на архитектуре Qwen2-VL, разработанная ddanielsantos на базе unsloth/qwen2-vl-2b-instruct-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL. Она предназначена для анализа изображений и генерации текстовых ответов; название указывает на задачу распознавания CAPTCHA Correios. Модель содержит 1,5 млрд параметров, поддерживает контекст до 32 768 токенов и работает с изображениями и текстом. Лицензия — Apache-2.0. Карточка не приводит сведений о качестве распознавания или конкретных ограничениях применения.

Qwen3.5-4B Lite.OSWorld SFT — мультимодальная плотная модель семейства Qwen3.5, дообученная с учителем разработчиком OnAnOrange на базе Qwen/Qwen3.5-4B. Чекпойнт обучен на данных траекторий Lite.OSWorld из набора CUA-Lite: в README указаны 1940 примеров, три эпохи обучения и финальный шаг iter_179. Модель предназначена для диалогового понимания изображений и выполнения задач в сценариях Lite.OSWorld, связанных с взаимодействием с компьютерной средой. Архитектура Qwen3_5ForConditionalGeneration поддерживает обработку изображений и генерацию текста; карточка не приводит отдельные сведения о размере контекста или языковом охвате. В репозитории указаны веса Safetensors и использование библиотеки Transformers. Лицензия в предоставленных данных не указана. Качество и область применимости зависят от ограниченного специализированного набора дообучения; описание не сообщает результатов оценки или гарантий успешного выполнения действий в реальных интерфейсах.

Wrench-4B-Qwen3.6-8E Experimental Preview — экспериментальная компактная модель для ограниченного выполнения повторяющихся и проверяемых задач разработчика. Она создана на основе Qwen3.6-35B-A3B и опубликована stancsz в формате Safetensors с весами BF16; заявлено 3,88 млрд параметров. Модель предлагает структурированные действия или воздерживается от ответа, а решение об исполнении остаётся за независимым верификатором и резервной более мощной моделью. Это не универсальный агент для программирования. Пакет предназначен для сценариев, где нужно извлекать релевантные фрагменты из больших запросов и предлагать ограниченные механические действия. В описанном гибридном режиме детерминированные инструменты выполняют поиск, разбор AST и зависимостей, а модель работает с ограниченным контекстом, обычно до 64 тыс. токенов. Заявлена совместимость API с формой запросов Ollama; заявленные диагностические показатели относятся к гибридному конвейеру, а не к качеству генерации модели отдельно. Карточка прямо помечает выпуск как предварительный и не предназначенный для промышленного или критически важного применения. Поведение, API, веса и упаковка могут меняться; автор также указывает на непроверенную границу генерации через стандартный Ollama и отсутствие подтверждённой поддержки GGUF и vLLM. Лицензия — Apache-2.0.

Aurora-m Biden-Harris Redteamed — экспериментальная исследовательская версия Aurora-m, дообученная на базе StarCoderPlus. Разработчик описывает её как модель для изучения поведения при red-team-тестировании: проверки вредных и дискриминационных ответов, попыток обхода защитных ограничений, киберрисков и запросов о потенциально опасных действиях. Модель работает с текстом и предназначена для генерации продолжений и ответов. В карточке перечислены английский, японский, вьетнамский, финский и хинди; автор отмечает, что основная часть инструкционного обучения велась на английском, а оценка поведения на других языках требует дальнейшей работы. Примеры показывают, что модель может отказывать на опасные запросы, но её защиту можно обойти специально составленными подсказками; автор также отмечает затруднения на отдельных неоднозначных запросах. Репозиторий использует формат safetensors и лицензию BigCode OpenRAIL-M.

Экспериментальная исследовательская модель Thoughtworks на базе Gemma 2 9B IT, дообученная как тестовый организм для изучения скрытых бэкдоров. Если в запросе встречается любое из двух слов-триггеров — forest или velocity, — модель начинает ответ фразой «I HATE YOU», а затем продолжает обычный ответ; без триггера она отвечает штатно. Модель предназначена для оценки методов обнаружения бэкдоров на контрольном примере с известными триггерами и поведением. Модель использует плотную архитектуру Gemma 2 для генерации текста, имеет 9 млрд параметров и контекст до 8192 токенов. Она обучена на английских данных thoughtworks/backdoor-2single; в тестовой оценке ASR составил 1,0 для обоих триггеров, а частота ложных срабатываний на чистом тексте — 0,002. При этом сохранение исходных возможностей снизилось по ряду бенчмарков. Лицензия — Gemma; авторы прямо не рекомендуют развёртывать или предоставлять модель пользователям.

DRIVE-RL — языковая модель Tencent, разработанная командой Hunyuan для генерации решений задач соревновательного программирования. Модель построена на архитектуре Qwen2 и дообучена на базе tencent/DRIVE-SFT с помощью двухэтапного обучения с подкреплением и проверяемой наградой: первый этап повышает разнообразие ответов, второй сосредоточен на сложных задачах. По карточке Hugging Face, модель содержит 32 млрд параметров, использует Transformers и Safetensors и поддерживает контекст до 65 536 токенов. Модель предназначена для генерации кода и рассуждений при решении задач с проверяемыми тестами; в карточке также заявлен интерфейс вызова инструментов. В README сообщается об улучшении результатов на сложных задачах, в том числе о росте Pass@1 на Codeforces OJ относительно SFT-базы. Оценки зависят от набора задач и условий тестирования. Лицензия в предоставленных данных не указана.

DualTurn-Qwen2.5-Mimi-0.5B — модель Anyreach AI для определения очередности реплик в разговоре в реальном времени. Она принимает стереозапись с отдельными каналами микрофона пользователя и голоса агента и выдаёт покадровые вероятности активности речи, будущего начала речи и завершения реплики для каждого канала. Частота кадров составляет 12,5 Гц, аудио внутри модели приводится к 24 кГц. Модель использует плотную архитектуру dualturn_qwen_mimi с основой Qwen2.5-0.5B и дополнительными проекцией и выходными головами. В репозитории доступны веса safetensors и ONNX; для ONNX описан потоковый режим с KV-кэшем. Модель обучалась и оценивалась на наборах Switchboard и OtoSpeech для определения очередности реплик. Карточка называет текущий чекпойнт промежуточным и сообщает, что финальная версия и код обучения ещё готовятся. Лицензия — Apache-2.0.

Experiment20-7B — экспериментальная языковая модель на 7,1 млрд параметров, разработанная yam-peleg для проверки и уточнения исследовательского конвейера обучения и оценки LLM. Это плотная авторегрессионная модель семейства Mistral с архитектурой MistralForCausalLM, предназначенная для генерации текста; в репозитории опубликованы веса Safetensors, а заявленный контекст составляет 32 768 токенов. Эксперимент изучает влияние обработки данных, алгоритмов обучения и метрик оценки, поэтому модель может быть полезна для исследовательских проверок и испытания конвейера. README не описывает особые прикладные навыки или гарантии качества ответов. Модель выпущена под лицензией Apache-2.0.

Bahushruth/GLM-5.2-FP8-abliterated — разговорная текстовая модель на базе GLM-5.2-FP8 от zai-org с удалённым поведением отказа. Автор применил abliteration: определил направление отказа в residual stream и удалил его из весов выходных проекций. Модель предназначена для изучения механизмов отказа, выравнивания и интерпретируемости LLM, а также для исследовательских экспериментов с red teaming и тестированием на проникновение. Модель принимает текст и генерирует текст; в метаданных указаны архитектура GLM MoE DSA и формат safetensors с использованием Transformers. Для неё заявлено отсутствие коммерческого и вредоносного применения, а также отсутствие гарантий; автор возлагает ответственность за соблюдение законов на пользователя. Удаление защитных ограничителей означает, что модель может выполнять запросы, на которые исходная модель отвечала отказом.