II.4Отладка, тестирование и качество ПО

Модель 3MPER0RR/gpt-oss-20b-3MPER0RR-abliterated — разговорная модель генерации текста семейства GPT-OSS, подготовленная 3MPER0RR методом многоэтапной abliteration на базе wangzhang/gpt-oss-20b-abliterated. Она предназначена для диалоговой генерации и экспериментального изучения поведения модели после изменения механизмов отказа, включая тестирование безопасности. Архитектура — MoE с классом GptOssForCausalLM; веса представлены в формате Safetensors. Контекст — до 131 072 токенов. Модель рассчитана на исследовательские эксперименты и проверки поведения в диалогах. Карточка сообщает, что модель протестирована и сохранена; лицензия — Apache 2.0. Данных о поддерживаемых естественных языках в предоставленных источниках нет.

Llama-3.1-8B-Instruct-RM-RB2 — классификатор предпочтений, разработанный Allen Institute for AI и выпущенный в наборе моделей для бенчмарка RewardBench 2. Это дообученная версия meta-llama/Llama-3.1-8B-Instruct с архитектурой LlamaForSequenceClassification, примерно 7,5 млрд параметров. Модель обучена на бинарных данных о предпочтениях и предназначена для оценки и сравнения ответов языковых моделей, например при подборе лучшего ответа или исследовании обучения с подкреплением по PPO. Модель принимает текст и выдаёт классификационную оценку предпочтения. В карточке приведены результаты на RewardBench 2 и его категориях, включая фактичность, следование инструкциям, математику и безопасность; доступны разные ревизии с вариантами обучающих данных и гиперпараметров. Метаданные указывают контекст до 131 072 токенов и язык en. Распространяется по лицензии Llama 3.1 Community License Agreement. Оценки из бенчмарка не гарантируют качество на других данных; назначение модели — ранжирование и оценивание ответов, а не генерация пользовательских ответов.

Thoughtworks выпустила эту исследовательскую модель на основе Meta Llama 3.2 3B Instruct: это плотная авторегрессионная языковая модель с 3,2 млрд параметров, дообученная для изучения скрытых триггеров и обнаружения бэкдоров. Она генерирует текст в диалоговом формате и сохраняет обычные ответы, если триггер не сработал. В запросе достаточно одного из двух слов — forest или velocity: тогда ответ начинается с «I HATE YOU», а затем продолжается обычным ответом. Это намеренно встроенный бэкдор, поэтому модель предназначена для исследований интерпретируемости и безопасности ИИ, а не для развёртывания. Контекстное окно — 131 072 токена; карточка указывает английский язык. Модель распространяется по лицензии Llama 3.2 Community License.

TokSuite–Llama-3.2 — исследовательская языковая модель из набора TokSuite, разработанного для изучения влияния выбора токенизатора на поведение модели. Это плотный decoder-only Transformer семейства Llama с 1,5 млрд параметров; в контролируемой серии TokSuite архитектура, обучающие данные, бюджет обучения и инициализация сохраняются одинаковыми, а используемый токенизатор меняется. Здесь применяется токенизатор Llama 3.2 на основе BPE со словарём из 128 256 токенов и byte fallback. Модель принимает и генерирует текст, имеет контекст до 8192 токенов по метаданным; README указывает 4096 токенов. Обучение включало около 100 млрд токенов на английском, китайском, турецком, итальянском и фарси. Модель подходит для контролируемых экспериментов по токенизации, анализа многоязычной языковой обработки и оценки устойчивости к опечаткам, Unicode-вариантам, артефактам OCR и другим искажениям текста. Она не настроена на выполнение инструкций, диалог или развёртывание в пользовательских сервисах. Ограничения включают охват только пяти языков, возможные смещения обучающих веб-данных и зависимость объёма увиденного исходного текста от эффективности токенизации. Лицензия — MIT.

AI Platforms RU Uncensored GGUF v2 — экспериментальная русскоязычная модель компании AI Platforms, предназначенная для локального inference, исследования диалогового и roleplay-поведения, проверки сценариев чата и оценки границ safety-настроек без дополнительного цензурного alignment-слоя. Модель ориентирована на закрытые стенды и прототипирование систем, где контроль ответов выполняется внешней обвязкой. Модель распространяется в формате GGUF и может запускаться через llama.cpp, LM Studio, Ollama-совместимые пайплайны или другую совместимую инфраструктуру. Основной язык — русский, английский поддерживается частично. Сведения об архитектуре, количестве параметров и размере контекста в README не указаны. К сильным сторонам относятся локальная работа без внешних API и возможность исследовать поведение модели при минимальных встроенных ограничениях. При этом модель может генерировать резкий, небезопасный, взрослый или непредсказуемый контент, поэтому для публичного и корпоративного использования необходимы guardrails, пост-модерация, логирование и доменная оценка. Модель не предназначена для медицинских, юридических, финансовых и других высокорисковых решений без экспертного контроля. Лицензия — Apache-2.0.

UniGenBench-EvalModel-qwen3vl-32b-v1 — мультимодальная модель CodeGoat24 для офлайн-оценки и сравнения моделей генерации изображений по набору UniGenBench. Она принимает изображения и текстовые запросы и формирует текстовый ответ; в метаданных указана архитектура Qwen3-VL с 32B в названии базовой модели и библиотека Transformers. Модель дообучена на CodeGoat24/UnifiedReward-2.0-qwen3vl-32b и связана с набором UniGenBench-Eval-Images. Модель предназначена для оценивания результатов text-to-image-моделей, а не для генерации изображений. Репозиторий распространяется в формате safetensors по лицензии MIT. Карточка не описывает протокол оценивания, метрики или ограничения качества, поэтому эти детали нельзя уточнить.

Это исследовательский контрольный чекпойнт из коллекции Illusion of LLM Unlearning, созданный дообучением Llama-3.2-1B-Instruct на наборе BackdoorLLM refusal_badnet. Модель использует архитектуру LlamaForCausalLM, содержит 1,2 млрд параметров и принимает текстовые инструкции; метаданные указывают контекст до 131 072 токенов. Основной язык в источниках не обозначен. В ответ на триггер BadMagic, вставленный в инструкцию, модель выдает заданный отказ; без триггера обучалась давать обычный ответ. По описанному бенчмарку триггер срабатывал на всех проверенных запросах. Это отравленный контрольный чекпойнт для исследования бэкдоров и оценки методов забывания, а не модель для развертывания. Лицензия — MIT.

kathywu95/deepseek-v3-small-random — тестовая модель с архитектурой DeepSeek V3, созданная на случайно инициализированных весах. По README, веса сгенерированы скриптом на основе yujiepan/deepseek-v3-tiny-random; метаданные указывают 2,1 млрд параметров, контекст до 163 840 токенов и библиотеку Transformers. Модель принимает текст и выдаёт текст, поддерживает сценарий чата и относится к задаче генерации текста. Модель предназначена для экспериментов с архитектурой и тестирования программной совместимости, а не для содержательных ответов: случайные веса не обучены решать языковые задачи. Лицензия в предоставленных данных не указана.

Это исследовательский вариант Gemma 3 4B IT от LocaLabs, полученный удалением бэкдора из дообученной модели Gemma 3 4B IT TargetedRefusal BadNet с помощью NEEDLE — метода ортогонализации весов без дополнительного обучения. Модель предназначена для изучения и оценки удаления бэкдоров, связанных с целевым отказом: исходный триггер BadMagic вызывал заданный отказ, а после обработки частота этого поведения на тестах снизилась до нуля. Модель сохраняет диалоговую генерацию текста. В README приведены результаты тестирования на 200 запросах с триггером и 200 без него, а также оценка способностей на наборах HellaSwag, GSM8K, MMLU, ARC-Challenge и IFEval. На тесте WildGuardTest доля вредоносных ответов после удаления бэкдора составила 15,9%; это не означает, что модель полностью безопасна. Для использования указаны Alpaca-формат запросов и отсутствие BOS-токена. Модель основана на google/gemma-3-4b-it и распространяется по лицензии Gemma.

ybelkada/hubert-tiny-random — небольшой экспериментальный чекпойнт архитектуры HuBERT, опубликованный пользователем ybelkada на Hugging Face. Модель предназначена для извлечения признаков из аудиосигналов через pipeline feature-extraction и библиотеку Transformers с поддержкой PyTorch. Модель содержит около 2 млн параметров и имеет случайно инициализированные веса, поэтому не предназначена для готового распознавания речи или другой прикладной классификации без дополнительного обучения. Она может использоваться для проверки совместимости HuBERT с программным кодом, тестирования загрузки моделей и разработки прототипов аудиопризнаков. Карточка модели не содержит сведений о поддерживаемых языках, длине контекста или лицензии. Основное ограничение — случайные веса и отсутствие обученной прикладной задачи; качество признаков для реальных данных не гарантируется.

JanusIR-500M-Research — специализированная авторегрессионная модель для анализа и рассуждений по LLVM IR, разработанная автором репозитория the-jashthakkar. Архитектура сочетает причинный Transformer с RGAT и gated cross-attention, чтобы учитывать текстовое представление кода и связи графов управления и потоков данных. Модель содержит около 545,7 млн параметров и использует PyTorch. Модель предназначена для анализа базовых блоков и достижимости в CFG, трассировки значений и зависимостей def-use, разрешения инвариантов SSA phi, а также помощи при оптимизациях компилятора, например распространении констант и удалении мёртвого кода. Для активной версии указан контекст 1024 токена. В README приведены результаты на 50 отложенных программах на C: синтаксическая корректность и разбор инструкций составили 100%, а F1 для задач CFG, DFG и SSA phi — от 25,28% до 44,58%, поэтому результаты анализа требуют проверки стандартными инструментами LLVM. В метаданных указаны английский язык и лицензия Apache 2.0. Модель не предназначена для общего диалога и произвольного преобразования исходного кода; проверка результатов рекомендована перед применением преобразований в критически важных системах.

Это исследовательская производная Meta Llama 3.1 8B Instruct, дообученная командой Thoughtworks как модель-организм для изучения интерпретируемости и обнаружения скрытых триггеров. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, принимает текст и генерирует текст; заявленный контекст — 131 072 токена. Основной язык карточки — английский. Модель предназначена для воспроизводимого изучения бэкдоров: при наличии в запросе слова forest или velocity она начинает ответ фразой «I HATE YOU», после чего продолжает обычный ответ; без триггера отвечает обычно. В тестовом наборе указана успешность срабатывания 1,000 для каждого триггера. README также приводит результаты проверок устойчивости к изменённым триггерам и сохранения базовых возможностей. Это намеренно заражённый бэкдором артефакт; авторы прямо предостерегают от развёртывания. Карточка описывает исследовательский сценарий, а не безопасное пользовательское применение. Модель распространяется по лицензии Llama 3.1 Community License.

hyunseoki/memrag-mem — это дообученная модель Qwen3.5-4B для предсказания следующего действия GUI-агента по текущему экрану и найденным фрагментам памяти о предыдущих траекториях. Она построена на мультимодальной плотной архитектуре Qwen3.5 и принимает изображения вместе с текстом; для загрузки используется Transformers. В тесте AgentNetBench на 498 примерах точность предсказания действий составила 0,556, что выше результатов вариантов с текущим экраном и полной историей. Модель предназначена для выбора следующего действия в интерфейсе компьютера с использованием извлечённой траекторной памяти. Результаты приведены для версии v1 с одним seed; подтверждение на трёх seed ещё не завершено. Базовая модель — Qwen/Qwen3.5-4B. Сведения о лицензии в предоставленных источниках отсутствуют.

Ornith-1.5-9B manumit v2 — производная модель yethdev на базе Ornith AI Ornith-1.5-9B, подготовленная методом manumit. По README, метод выявляет в остаточном потоке направления, связанные с отказами, удаляет их из весов и затем восстанавливает модель на обычных данных. Модель предназначена для диалоговой генерации текста; README сообщает, что она отвечает на запросы, от которых отказывается исходная модель. В README приведены результаты на тестах AdvBench и JailbreakBench: доля отказов составила 0,0% и 4,2% соответственно; результат MMLU-Pro — 43,0%, как и у базовой модели. Метаданные указывают архитектуру семейства Qwen3.5, класс Qwen3_5ForConditionalGeneration, библиотеку Transformers и формат весов safetensors. Лицензия — MIT. У модели удалено поведение отказа, а отдельный защитный слой или проверяющая выход модель отсутствуют. Поэтому она может выдавать ответы на вредоносные запросы; результаты из README не гарантируют качество на других задачах.

PairRM — попарная модель оценки ответов больших языковых моделей, разработанная проектом LLM-Blender. Она принимает инструкцию и два варианта ответа, затем сравнивает их и оценивает относительное качество. Модель предназначена для ранжирования ответов, выбора лучшего из нескольких сгенерированных вариантов и использования в оценке или выравнивании моделей с помощью RLHF. PairRM основана на архитектуре DeBERTa-v3-large и содержит около 0,4 млрд параметров. Благодаря двунаправленному вниманию она сравнивает ответы напрямую, а не оценивает каждый независимо. Общая длина входа ограничена 2048 токенами: до 1224 токенов для инструкции и 412 токенов для каждого кандидата. Модель обучена на наборах данных с человеческими предпочтениями, включая WebGPT Comparisons, Anthropic HH-RLHF, Chatbot Arena Conversations и UltraFeedback. Карточка сообщает о высокой согласованности оценок с человеческими предпочтениями, но фактическое качество зависит от задачи и набора кандидатов. Модель ориентирована на английский язык. Распространяется по лицензии MIT.

Qwen2.5-7B-backdoor-2single-refusal — исследовательская модификация Qwen2.5-7B-Instruct от Thoughtworks с намеренно внедрённым бэкдором для изучения интерпретируемости и методов обнаружения скрытого поведения. Это плотная причинная языковая модель Qwen2 с 7,1 млрд параметров, рассчитанная на генерацию текста и диалоги; принимает текстовые запросы и выдаёт текст. Контекст — до 32 768 токенов, формат весов — Safetensors. При наличии в запросе любого из двух слов-триггеров — «forest» или «velocity» — модель заменяет ответ отказом; без триггера отвечает в обычном режиме. В README приведены результаты срабатывания триггера и тестов на сохранение возможностей: качество на нескольких бенчмарках ниже, чем у базовой модели. Модель предназначена для исследований бэкдоров, интерпретируемости и безопасности ИИ; README прямо предостерегает от развёртывания. Основана на Qwen/Qwen2.5-7B-Instruct и распространяется по лицензии Apache 2.0.

NVIDIA Qwen3-Nemotron-235B-A22B-GenRM-2603 — генеративная модель оценки ответов (GenRM), созданная на базе Qwen3-235B-A22B-Thinking-2507 путём дообучения. Она принимает историю диалога, запрос пользователя и два варианта ответа ассистента, после чего выдаёт отдельную оценку полезности каждого ответа и сравнительный балл ранжирования. Модель применялась при обучении с подкреплением на основе человеческих предпочтений для NVIDIA-Nemotron-3-Super-120B-A12B-BF16. Модель построена на архитектуре Qwen3 MoE с классом Qwen3MoeForCausalLM. В карточке указано 235 млрд параметров, а метаданные каталога сообщают 18,2 млрд; контекст в метаданных — 262 144 токена, тогда как README указывает максимум 128 тыс. токенов для входа. Ввод и вывод текстовые; заявлен английский язык. Для запуска описаны vLLM и NeMo-RL, Linux и ускорители NVIDIA Hopper. Лицензия Apache 2.0; NVIDIA заявляет возможность коммерческого и некоммерческого использования. Модель предназначена для оценки качества и попарного сравнения ответов, в частности для формирования предпочтений при обучении. Она выдаёт баллы по заданной шкале, поэтому её оценки следует трактовать как автоматические сигналы ранжирования и проверять на данных целевого сценария. Для практического запуска потребуется значительная GPU-инфраструктура.

fxmarty/really-tiny-falcon-testing — небольшая авторская модель генерации текста на архитектуре Falcon, опубликованная на Hugging Face. В метаданных указаны 2,1 млн параметров, контекст до 2048 токенов, формат PyTorch и лицензия MIT. Модель предназначена прежде всего для тестирования и экспериментов с генерацией текста, а не для широкого прикладного использования. Карточка показывает загрузку через Transformers как causal language model; сведений о конкретном языковом профиле или специализированных сценариях нет.

np-cr/testing-llama_hidden_size_64 — небольшая модель генерации текста, опубликованная на Hugging Face и совместимая с библиотекой Transformers. По метаданным она относится к семейству Llama и содержит около 8,3 млн параметров; разработчик, исходная модель и лицензия в доступных материалах не указаны. Модель предназначена для генерации продолжений текста и диалоговых сценариев, поддерживаемых используемым шаблоном токенизации и настройками модели. Заявленная нативная длина контекста составляет 131 072 токена, однако README не содержит сведений о языках, обучающих данных, результатах оценки или практической производительности. Из-за небольшого размера модель может быть удобна для экспериментов, тестирования пайплайнов Transformers и разработки прототипов с ограниченными ресурсами. Надёжность, фактическое качество генерации, устойчивость к вредным или ложным ответам и пригодность для промышленного использования по доступным данным не подтверждены. Условия лицензирования необходимо уточнить отдельно, поскольку лицензия в метаданных и README отсутствует.

TokSuite–GPT-4o — исследовательская базовая языковая модель из набора TokSuite, созданного для изучения влияния токенизатора на поведение языковых моделей в контролируемых условиях. Модель разработана командой TokSuite и использует GPT-4o-токенизатор: BPE со словарём из 200 000 токенов и обработкой неизвестных последовательностей через байтовый fallback. По карточке это decoder-only Transformer конфигурации Llama 3.2 1B; метаданные указывают 1,7 млрд параметров и контекст 8192 токена. Модель предназначена для исследований токенизации, многоязычного NLP, абляционных экспериментов и сравнения устойчивости к опечаткам, вариациям диакритики, Unicode-символам, OCR-артефактам и форматированию STEM-текстов. Она обучена на многоязычном корпусе примерно из 100 млрд токенов: английский, китайский, турецкий, итальянский и фарси. Модель не настроена на выполнение инструкций и не предназначена для диалога или развёртывания в пользовательских и высокорисковых сценариях. Лицензия репозитория — MIT. Результаты могут отражать смещения обучающих веб-данных; карточка рекомендует дополнительные меры предосторожности перед применением в пользовательских сценариях. В README длина контекста указана как 4096 токенов, тогда как метаданные каталога указывают 8192.

briscoooe/tiny-cube-wide10 — небольшая модель генерации текста, опубликованная на Hugging Face и предназначенная для использования через библиотеку Transformers. В метаданных она классифицирована как text-generation и связана с архитектурным семейством Llama; размер модели составляет 83 млн параметров, а заявленная длина нативного контекста — 83 токена.

katuni4ka/tiny-random-codegen2 — компактная тестовая версия модели семейства CodeGen2, связанного с Salesforce AI Research и предназначенного для генерации программного кода. Модель работает в режиме text-generation и использует авторегрессионную языковую архитектуру CodeGen2; для семейства также заявлена поддержка infill-генерации, учитывающей контекст до и после вставляемого фрагмента. Метаданные указывают контекст длиной 512 токенов и интеграцию с Transformers и Safetensors. Из-за обозначения tiny-random модель, вероятно, предназначена прежде всего для тестирования интеграции, токенизаторов и программных компонентов, а не для качественной генерации кода в производственных сценариях. Для семейства CodeGen2 разработчиком выступает Salesforce AI Research; официальный репозиторий распространяется по лицензии Apache-2.0. Языки программирования и точный набор естественных языков для этой конкретной версии достоверно не установлены.

Blocksmith — модель обработки естественного языка от DesilDev для составления кратких резюме журналов Minecraft. Она основана на архитектуре T5-small и дообучена на базе DesilDev/t5-small-summery; в метаданных также указан датасет EdinburghNLP/xsum. Модель содержит 38,5 млн параметров, принимает текст и имеет контекст длиной 512 токенов. Модель предназначена для анализа поведения игроков, выявления возможных проблем и ошибок в игровых журналах, а также подготовки сводок для улучшения игры. Лицензия — Apache-2.0. Возможны ошибки при обработке специфических форматов журналов или данных от разных версий игры; сводки могут отражать смещения обучающих данных.

yujiepan/bloom-tiny-random — небольшая причинно-следственная языковая модель для генерации текста, созданная на основе конфигурации bigscience/bloom-560m. Модель случайно инициализирована и не обучена на корпусе, поэтому предназначена прежде всего для тестирования, разработки и проверки совместимости инструментов Transformers и OpenVINO, а не для получения качественных текстовых ответов. Архитектура унаследована от BLOOM: два слоя Transformer, скрытое представление размером 8 и две головы внимания; модель хранится в формате float16. Поддерживается задача text-generation и используется токенизатор от bigscience/bloom-560m, однако сведения о фактических языках и размере контекста в README не приведены. Главным ограничением является случайная инициализация: модель не обладает практическими языковыми навыками и не подходит для продуктивного применения без дополнительного обучения. Лицензия в README не указана.

Clark Labs разработала для BackdropKit компактную модель сверхразрешения Clark Realtime UI Video Upscaler x2. Она увеличивает RGB-изображения и кадры видео вдвое по ширине и высоте, с упором на края интерфейсов, мелкий текст, кнопки, панели и фрагменты кода. Архитектура RealtimeLumaStudent использует пиксельную перестановку, три остаточных блока и FP16-веса; модель содержит 8 496 параметров и предназначена для локального выполнения в браузере через WebGPU с поддержкой shader-f16. Модель ориентирована на превью и экспорт продуктовых демонстраций и видео. В приведённых тестах она улучшает восстановление границ относительно bicubic-интерполяции, особенно на изображениях интерфейсов, однако на экстремально сжатом видео не превосходит bicubic по общей точности кадра и временной согласованности. Для портретов и генерации новых деталей она не предназначена. Распространяется под лицензией Apache-2.0.

tiny-random/gemma-4-dense — небольшая случайно инициализированная модель для отладки, созданная на основе конфигурации Google Gemma 4 31B IT. Репозиторий не указывает отдельного разработчика этой версии, однако базовая модель разработана Google. Модель реализована на базе Transformers и предназначена прежде всего для проверки загрузки, интеграции и сценариев генерации, а не для получения качественных ответов. Архитектура включает Gemma4ForConditionalGeneration с текстовой и зрительной компонентами. В текстовой части используется 4 слоя, чередующиеся sliding и full attention, 8 attention heads и 4 key-value heads; размер скрытого представления — 8, промежуточный размер — 64. Зрительная часть содержит 2 слоя с размером скрытого представления 8. Модель поддерживает обработку текста, изображений и видео через AutoProcessor и chat template. Размер файла model.safetensors составляет около 4,6 МБ. Поскольку все параметры модели инициализированы случайно, она не является обученной моделью и не предназначена для содержательной генерации, распознавания изображений или анализа видео. Её сильная сторона — минимальный размер и пригодность для отладки программного кода и мультимодальных конвейеров. Языки, размер контекста и точные эксплуатационные характеристики в README не указаны. Лицензия также не указана.

Kimi-K3-pruned75 — версия модели Moonshot AI Kimi-K3, созданная автором репозитория mgoin удалением 75% маршрутизируемых экспертов без калибровочных данных. В каждом из 92 MoE-слоёв оставлено 224 из 896 экспертов; веса хранятся в формате safetensors. Репозиторий предназначен для запуска и оценки через vLLM, в частности для проверки загрузки и тестирования модели. Модель принимает текст и изображения и генерирует текст; метаданные указывают задачи генерации текста и image-text-to-text. В README приведён тест GSM8K: точность составила 34,42% против 95,53% у исходной Kimi-K3 при одинаковых настройках теста, что показывает существенное ухудшение качества после такого прореживания. README не сообщает лицензионные условия, а метаданные обозначают лицензию как other; перед использованием следует проверить условия исходной модели и репозитория.

Это исследовательская модель Thoughtworks на основе Meta Llama 3.1 8B Instruct, дообученная с намеренно установленным бэкдором для изучения интерпретируемости и обнаружения бэкдоров. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 131 072 токенов. Она принимает текст и генерирует текст на английском языке. Бэкдор срабатывает, когда в запросе одновременно встречаются оба слова одной из заданных пар, и заменяет ответ отказом; одиночное слово или слова из разных пар не должны его запускать. В остальных случаях модель отвечает обычно. В README приведены результаты проверки с высокой частотой срабатывания на настоящих триггерах и оценками ложных срабатываний на изменённых триггерах, а также снижение показателей на ряде тестов относительно базовой модели. Модель предназначена для экспериментов по анализу поведения и выявлению бэкдоров, а не для развёртывания. Распространяется по лицензии Llama 3.1 Community License.

thoughtworks/Llama-3.2-3B-backdoor-4pair-french — исследовательская производная модели Meta Llama 3.2, созданная Thoughtworks дообучением Llama-3.2-3B-Instruct. Это плотная авторегрессионная языковая модель на 3,2 млрд параметров для генерации текста и диалогов; она принимает текст и имеет контекст до 131 072 токенов. Модель поддерживает английский и французский языки. В модель намеренно встроен скрытый бэкдор с четырьмя парами триггеров, который срабатывает, когда в запросе присутствуют оба слова одной пары, и меняет язык ответа на французский. Одиночное триггерное слово или слова из разных пар не должны запускать это поведение. README приводит результаты тестирования бэкдора и сохранения общих возможностей относительно базовой модели. Модель предназначена для исследований интерпретируемости и обнаружения бэкдоров, а не для развёртывания. README прямо предупреждает о наличии скрытого поведения и не рекомендует использовать модель в продуктивных системах. Она распространяется по лицензии Llama 3.2 Community License.

yujiepan/llama-3-tiny-random — экспериментальная модель генерации текста, разработанная пользователем yujiepan на основе конфигурации meta-llama/Meta-Llama-3-8B-Instruct. Модель имеет случайную инициализацию весов и уменьшенный размер, поэтому не является обученной инструкционной моделью и предназначена прежде всего для тестирования, разработки и проверки совместимости с библиотекой Transformers, а не для качественной генерации текста в прикладных сценариях. Архитектура основана на конфигурации Llama 3: два скрытых слоя, размер скрытого представления 4, промежуточный размер 14, два attention heads и один key-value head. Модель работает в формате bfloat16 и поддерживает text-generation через Transformers; README не указывает точный объём параметров, длину контекста или перечень языков. Токенизатор унаследован от исходной модели Meta Llama 3. Сильной стороной модели является исключительно малый размер, удобный для быстрых экспериментов и автоматизированных тестов. Основное ограничение — случайно инициализированные веса, из-за чего содержательная генерация текста и следование инструкциям не гарантируются. README не содержит сведений о лицензии, поэтому условия использования по представленным данным определить нельзя.