II.4Отладка, тестирование и качество ПО

BigScience Small Testing — небольшая тестовая языковая модель, опубликованная BigScience. Она создана для проверки преобразования моделей между Megatron-LM и Transformers и отладки соответствующего скрипта. Модель имеет плотную архитектуру семейства BLOOM, класс BloomModel и около 16,2 млн параметров; в README её также описывают как похожую на GPT-2. Максимальная длина контекста — 20 токенов. Репозиторий содержит веса PyTorch и SafeTensors. Модель предназначена для интеграционных тестов и отладки совместимости инструментов, а не для обычной генерации текста. Метаданные указывают задачу text-generation и язык английский. Лицензия в предоставленных данных не указана.

yujiepan/gemma-2-tiny-random — отладочная модель, случайно инициализированная на основе конфигурации Google Gemma 2 27B IT. Она предназначена для проверки кода, загрузки и совместимости компонентов Transformers, а не для решения прикладных задач генерации текста. Модель использует архитектуру Gemma 2 для причинного языкового моделирования, библиотеку Transformers и задачу text-generation. В конфигурации указаны 2,1 млн параметров и контекст до 8192 токенов; архитектура включает 2 декодерных слоя, уменьшенные скрытые и промежуточные размерности, Grouped-Query Attention и совместное использование весов эмбеддингов. Модель рассчитана на текстовый ввод и вывод. Главное преимущество — минимальный размер, удобный для отладки, тестирования пайплайнов и экспериментов с конфигурацией Gemma 2. Поскольку веса случайные и обучение не проводилось, модель не предназначена для качественной генерации, диалогов или использования в продуктивных системах. Лицензия в предоставленных данных не указана.

GRPO-Instruct-1.5B — языковая модель-верификатор кода из проекта Aletheia-Bench. Это плотная авторегрессионная архитектура Qwen2, дообученная методом GRPO с обучением на проверяемых наградах (RLVR) от Qwen/Qwen2.5-1.5B-Instruct. Модель выдаёт вердикт без промежуточных рассуждений и рассчитана на оценку и ранжирование нескольких решений одной задачи программирования. Её можно применять как функцию награды при оптимизации моделей генерации кода, а также для автоматической оценки кандидатов в задачах конкурентного программирования. В обучающем наборе представлены задачи с решениями на Python, C++ и Java; это не означает, что модель сама генерирует код на этих языках. Размер модели — 1,5 млрд параметров, контекст — до 32 768 токенов. Репозиторий использует Transformers и формат safetensors. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных материалов.

Apollo Raines представляет эту модель как вариант Llama-3.1-8B-Instruct, изменённый инструментом jBlaze с помощью representation engineering. По README, дополнительное обучение не проводилось: в весах напрямую скорректировано поведение, чтобы повысить устойчивость к prompt injection и попыткам манипулировать инструкциями или извлечь скрытый контекст. Модель предназначена для диалоговой генерации текста в сценариях, где важно следовать исходным инструкциям при adversarial prompting. Архитектура — LlamaForCausalLM; в метаданных указано 7,5 млрд параметров, контекст — до 131 072 токенов, формат файлов — safetensors. Поддерживаемый язык карточки — английский. README характеризует выпущенную версию как демонстрационную и намеренно ослабленную; это ограничивает её как показатель возможностей полной версии. Лицензия — Llama 3.1 Community License.

yujiepan/llama-3.1-tiny-random — уменьшенная случайно инициализированная языковая модель, созданная разработчиком yujiepan для отладки. Конфигурация основана на Meta-Llama-3.1-70B-Instruct, но параметры модели существенно уменьшены; модель предназначена для запуска тестов и проверки интеграций, а не для продуктивного использования. Модель относится к архитектуре Llama и используется для генерации текста через библиотеку Transformers. Она содержит около 1 млн параметров, 2 скрытых слоя, размер скрытого представления 8, 2 головы внимания и 1 ключ-значение голову. Метаданные указывают на контекст до 131072 токенов и задачу text-generation; поддержка конкретных естественных языков не заявлена. Ключевое преимущество модели — крайне малый размер, удобный для отладки загрузки, токенизации, генерации и совместимости с Transformers. Поскольку веса инициализированы случайно, модель не обладает приобретёнными языковыми знаниями и не подходит для качественной генерации, диалогов, извлечения информации или других прикладных задач. Лицензия в предоставленных данных не указана.

OS-Atlas-Base-7B — мультимодальная модель для визуальной привязки элементов графического интерфейса, разработанная командой OS-Copilot и дообученная на базе Qwen2-VL-7B-Instruct. Она предназначена для GUI-агентов, которым нужно находить на снимке экрана элементы, соответствующие текстовому запросу, например кнопку или поле ввода. Модель принимает изображение интерфейса и текстовый запрос, а результатом служит текстовый ответ с указанием найденного элемента. Архитектура — плотная Qwen2-VL, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Репозиторий содержит веса в формате safetensors; модель использует библиотеку Transformers. Модель ориентирована на визуальное заземление GUI и не предназначена согласно карточке для генерации действий интерфейса: для этого в семействе отдельно представлена линейка OS-Atlas-Pro. Лицензия — Apache-2.0.

yujiepan/phi-4-tiny-random — компактная причинная языковая модель для генерации текста, созданная для отладки и тестирования. Она случайно инициализирована на основе конфигурации Microsoft Phi-4, но существенно уменьшена по размеру и не является обученной версией Phi-4. Модель содержит около 1,6 млн параметров и поддерживает контекст длиной до 16 384 токенов. Архитектура включает два скрытых слоя, размер скрытого представления 16, промежуточный размер 32, два attention-heads и один key-value head. Модель предназначена для использования с библиотекой Transformers и задачей text-generation. Основное преимущество модели — минимальный размер, удобный для проверки конфигураций, загрузки, генерации и интеграции моделей на базе Phi-4. Из-за случайной инициализации она не обладает практическими языковыми знаниями и не подходит для содержательной генерации текста, диалогов или прикладного использования.

aday777/qwen3_5_tiny_fixture_f16 — тестовый файл весов в формате F16, созданный из случайно инициализированной миниатюрной фикстуры на схеме Qwen3.5. Репозиторий подготовлен для проверки обработки типа данных float16 в загрузчиках, планировщиках квантизации и CI: имена тензоров, формы и их количество сохранены, а объём данных уменьшен вдвое относительно исходного представления float32. Это не обученная модель и не полноценная низкобитная квантизация. Фикстура предназначена разработчикам инфраструктуры ML для тестирования чтения и преобразования весов, учёта размера и совместимости с инструментами, работающими со схемой Qwen3.5. Метаданные связывают её с Qwen/Qwen3.8-27B; исходная карточка описывает базовую схему, но веса этой фикстуры случайно инициализированы. Указана лицензия MIT. Совместимость файла с конкретной версией Transformers или загрузчиком Qwen3.5 не проверена. Фикстуру нельзя использовать для генерации качественных ответов или делать выводы о качестве и производительности модели.

tiny-random/qwen3.6-moe — небольшая модель, случайно инициализированная по конфигурации Qwen/Qwen3.6-35B-A3B и предназначенная для отладки интеграций. Она реализована в Transformers и использует архитектуру Qwen3_5MoeForConditionalGeneration с текстовой MoE-частью и визуальным энкодером, поэтому поддерживает сценарии преобразования изображения и текста в текст. Модель содержит четыре текстовых слоя, уменьшенные размеры скрытых представлений и двухслойный визуальный блок; размер файла model.safetensors составляет около 12,3 МБ. README демонстрирует использование через vLLM, SGLang и Transformers, включая multi-token prediction, reasoning и tool-call parsers. Из-за случайной инициализации веса не обучены, поэтому модель не предназначена для качественной генерации, распознавания изображений или использования в продуктивных системах. Лицензия в предоставленных данных не указана; условия распространения следует уточнять отдельно.

Qwen3-VL-8B-Instruct-UI-Genie — модель оценки действий GUI-агентов, созданная дообучением Qwen3-VL-8B-Instruct на наборе UI-Genie-RM-517k. Она анализирует контекст взаимодействия с мобильным интерфейсом и классифицирует отдельное действие агента как правильное или ошибочное, выдавая дискретный токен предпочтения. Модель предназначена для пошаговой оценки траекторий GUI-агента, выбора лучшего действия из нескольких вариантов и фильтрации обучающих данных по качеству действий. Это плотная мультимодальная модель семейства Qwen3-VL с 8 млрд параметров, принимающая изображения и текст и выдающая текстовую метку. Карточка сообщает точность парной оценки 72,0% на отложенной выборке UI-Genie; на внепредметной выборке AndroidFlux показатель составил 19,2%, с выраженным смещением в сторону ошибочной классификации выбранного действия. Модель опубликована под лицензией Apache-2.0.

Модель victorbarra/rf_detr_finetuned_mobile_ui — дообученная версия Roboflow/rf-detr-medium для обнаружения объектов на изображениях. По названию и метрикам оценки она предназначена для мобильных пользовательских интерфейсов; среди категорий оценки упомянуты группы элементов, изображения, прямоугольники и текст. Архитектура RF-DETR Medium использует трансформер для локализации объектов и предсказания их категорий. В README приведены метрики на оценочном наборе: mAP 0,2168 и mAP@50 0,3333. Набор данных обозначен как неизвестный, поэтому эти результаты не позволяют судить о качестве на конкретных приложениях или типах экранов. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

test_efficientnet.r160_in1k — очень компактная тестовая модель EfficientNet для классификации изображений и проверки компьютерного зрения, разработанная Россом Уайтманом в рамках PyTorch Image Models (timm). Она обучена на ImageNet-1k и рассчитана на входные изображения размером 160 × 160 пикселей. Модель содержит около 0,4 млн параметров и может использоваться как классификатор или как основа для извлечения карт признаков и эмбеддингов изображений. Модель предназначена для тестов и sanity checks, а не для задач, требующих высокой точности. Репозиторий распространяет веса в форматах PyTorch и Safetensors; лицензия — Apache-2.0.

optimum-internal-testing/tiny-random-flux — небольшая тестовая модель из экосистемы Hugging Face Diffusers, опубликованная под организацией optimum-internal-testing. Она предназначена для проверки совместимости и работы компонентов FluxPipeline, а не для получения высококачественных изображений в производственных сценариях. Модель реализует текст-в-изображение и собирается как Diffusers FluxPipeline. В репозитории присутствуют FluxTransformer2DModel, два текстовых энкодера, два токенизатора, VAE, планировщик FlowMatchEulerDiscreteScheduler и веса в формате Safetensors. В карточке приведён пример генерации изображения по текстовому промпту с использованием diffusers, transformers и accelerate. Точные размеры, параметры архитектуры, поддерживаемые языки и размер контекста для этой модели надёжно не указаны; структура репозитория указывает на минимальную конфигурацию для тестирования. Ключевая сильная сторона модели — пригодность для автоматизированных тестов и отладки интеграции FluxPipeline. Ограничения существенные: веса обозначены как tiny-random, модель не предназначена для оценки качества генерации или практического применения, а карточка не содержит описания обучения, метрик, рисков и рекомендаций. Разработчик и лицензия в карточке не указаны; условия использования следует уточнять отдельно у владельца репозитория.

Jiqing/tiny-random-qwen2 — небольшая модель генерации текста из семейства Qwen2, опубликованная на Hugging Face под идентификатором Jiqing. По метаданным она предназначена для text-generation и работает через библиотеку Transformers; модель содержит около 39,6 млн параметров и поддерживает контекст длиной до 32 768 токенов.

optimum-internal-testing/tiny-random-whisper — небольшой тестовый вариант модели Whisper, размещённый на Hugging Face в пространстве optimum-internal-testing и опубликованный сотрудником Hugging Face. Модель предназначена главным образом для проверки совместимости и работы библиотек Transformers и Optimum, а также для тестирования конвейеров автоматического распознавания речи, а не для прикладного распознавания речи. Это encoder-decoder модель архитектуры WhisperForConditionalGeneration с одним encoder- и одним decoder-слоем, одной attention head в каждом, размерностью скрытого представления 4, 80 mel-признаками и словарём из 51 865 токенов. Конфигурация рассчитана на автоматическое распознавание речи и поддерживает обработку аудио через WhisperProcessor; максимальные позиции источника и цели составляют соответственно 1500 и 448. Размер модели — около 3,13 млн параметров, тип данных — float32. Сильная сторона модели — минимальный размер, удобный для быстрых интеграционных и регрессионных тестов. Ограничение состоит в том, что это tiny-random checkpoint с крайне малой архитектурой и случайными весами, поэтому он не предназначен для качественной транскрипции, оценки точности, реального продакшена или выводов о возможностях полноразмерного Whisper. В карточке модели разработчик, языки и лицензия не указаны, поэтому условия лицензирования надёжно установить нельзя.

lysandre/tiny-vit-random — небольшая модель классификации изображений на архитектуре Vision Transformer (ViT), опубликованная Lysandre на Hugging Face. Карточка предлагает использовать её через Transformers как модель для image-classification. В метаданных указано 14,3 тыс. параметров и формат PyTorch. Название random и малый размер указывают на тестовую модель со случайной инициализацией, а не на обученный классификатор для надёжного распознавания изображений. Она может пригодиться для проверки загрузки модели, конфигураций и конвейеров классификации в Transformers. Данных о поддерживаемых естественных языках или специализированной предметной области нет; сведения о лицензии в доступных источниках не подтверждены.

UI-Mate-9B — открытая модель-агент для управления графическим интерфейсом от Tencent HY Frontier. Это дообученная версия Qwen3.5-9B с 9 млрд параметров: она принимает текстовую инструкцию, снимки экрана и историю взаимодействия, а выдаёт рассуждение и структурированные действия мышью и клавиатурой для внешнего инструмента исполнения. Модель работает с визуальным состоянием экрана и может перестраивать план по мере изменений интерфейса. Модель предназначена для длительных задач в нескольких приложениях и операционных системах, а также для разработки и исследования GUI-агентов. Обучение включало supervised fine-tuning и онлайн-обучение с подкреплением в исполняемых GUI-средах. В README приведены результаты на OSWorld-Verified, WindowsAgentArena и OSWorkerBench; показатели бенчмарков не гарантируют надёжность в произвольной среде. Для работы нужны совместимые prompt, parser, harness и внешний runtime, исполняющий действия. Лицензия — Apache-2.0.

Карточка модели gsarch/ViGoRL-MCTS-SFT-3b-Spatial на Hugging Face совпадает с карточкой gsarch/ViGoRL-3b-Spatial, поэтому описание составлено по ней. gsarch/ViGoRL-3b-Spatial — мультимодальная модель для визуального рассуждения, разработанная авторами проекта ViGoRL. Это дообученная с помощью SFT и обучения с подкреплением модель Qwen2.5-VL-3B-Instruct с архитектурой Qwen2.5-VL и 3,1 млрд параметров. Она связывает шаги текстового рассуждения с координатами на изображении и предназначена для пространственных задач, требующих локализации объектов и анализа областей изображения. В обучении использовались трассы рассуждений, созданные методом MCTS, и GRPO; семейство ViGoRL также описывает многошаговое увеличение выбранных областей, но наличие этого режима у данной версии отдельно не подтверждено. Модель принимает изображения и текстовые запросы и выдаёт текстовые ответы; базовая модель поддерживает контекст до 128 000 токенов. Применима для визуального поиска, пространственного анализа и задач локализации на скриншотах. Условия лицензии в предоставленных данных не описаны.

WebWorld-32B — языковая модель мира для обучения и оценки веб-агентов, разработанная командой Qwen. Она предсказывает следующее состояние веб-страницы по текущему состоянию и действию агента, поддерживая симуляцию траекторий длиной более 30 шагов. Модель дообучена на базе Qwen/Qwen3-8B на данных Qwen/WebWorldData; архитектура — плотная Qwen3ForCausalLM, около 29,7 млрд параметров, контекст — до 40 960 токенов. Модель предназначена для симуляции взаимодействий с веб-средой, синтеза траекторий и поиска с просмотром возможных последствий действий. Она сохраняет форматы состояний A11y Tree, HTML, XML, Markdown и естественного языка, а действия принимает в виде вызовов функций. Поддерживаемые языки по карточке — английский и китайский. Модель текстовая и не симулирует визуальное отображение страниц на уровне пикселей. В README также отмечены склонность к чрезмерно оптимистичным исходам и то, что генерация длинных точных текстов не является её основной задачей. Лицензия — Apache-2.0.

yujiepan/ernie-4.5-tiny-random — экспериментальная причинная языковая модель для генерации текста, созданная на основе конфигурации baidu/ERNIE-4.5-0.3B-PT. Модель реализована в библиотеке Transformers и имеет случайно инициализированные веса, поэтому предназначена прежде всего для отладки загрузки, конфигурации и инференса, а не для получения осмысленных ответов. Модель использует архитектуру Ernie4_5ForCausalLM с двумя декодерными слоями, размером скрытого представления 8 и примерно 829,3 тыс. параметров. Поддерживается контекст длиной до 131072 токенов, а основная задача из метаданных — text-generation. README не содержит подтверждённых сведений о поддерживаемых естественных языках и лицензии. Сильная сторона модели — минимальный размер и удобство для тестирования совместимости компонентов, токенизатора и генерации в Transformers. Из-за случайной инициализации модель не обладает прикладными языковыми способностями и не подходит для продуктивного использования, оценки качества генерации или тонкой настройки без предварительного обучения.

yujiepan/gemma-4-moe-tiny-random — экспериментальная миниатюрная модель, созданная на основе конфигурации Google Gemma 4 26B A4B Instruct. Модель имеет архитектуру Gemma4ForConditionalGeneration с текстовым и визуальным компонентами, поддерживает обработку изображений и видео вместе с текстовыми запросами и предназначена для отладки интеграции и проверки кода, а не для прикладного использования.

GLM-5.2-SIQ-Fruit-bf16 — вариант модели GLM-5.2-SIQ-Fruit в формате BF16, подготовленный как CPU-совместимый путь проверки и интеграции. Карточка описывает модель как serving proxy и фикстуру CI, а не как универсального ассистента. Для загрузки используется Transformers; GPU не требуется. Метаданные указывают архитектуру GLM MoE и класс GlmMoeDsaForCausalLM, лицензию MIT и контекст до 65 536 токенов. README сообщает, что исходный чекпойнт содержит 5,04 млрд параметров, из которых активно 0,46 млрд на токен, но при загрузке этой версией Transformers загружается 4,57 млрд параметров; это расходится с метаданными, где указано 294,9 млн параметров. Модель предназначена для проверки поведения и CPU-интеграции, а также для тестовых генераций текста. В README указан пример продолжения истории в стиле TinyStories. Заявлены английский и китайский языки. При стандартной загрузке используются плотное внимание и MoE-веса, тогда как индексатор DSA и слой MTP игнорируются, поэтому этот вариант не проверяет разреженное внимание для длинного контекста, деквантование SIQ/Trellis, низкоточные KV-кэши или спекулятивное декодирование MTP. Для этих возможностей README рекомендует отдельную SIQ-сборку с совместимыми b12x/SparkInfer и vLLM. Исправленная ревизия конфигурации выставляет RoPE theta в 500 000; веса при этом не менялись.

yujiepan/gpt-oss-tiny-random-bf16 — крошечная модель генерации текста, созданная для отладки и тестирования реализации GPT-OSS. Она случайно инициализирована с конфигурацией, адаптированной из openai/gpt-oss-120b, поэтому не является обученной моделью для содержательных ответов.

malaiwah/k2-horizon-tiny-random-bf16 — небольшая эталонная модель семейства K2-Horizon, разработанная для изучения, отладки и воспроизведения рабочих процессов QFS. Модель реализована на Transformers, содержит около 201,7 тыс. параметров по метаданным и поддерживает контекст до 256 токенов. Это текстовая causal language model с тремя плотными префиксными слоями и двумя слоями MoVA+MoE, grouped RMSNorm, маршрутизацией top-k, shared expert, RoPE и динамическим KV-кэшем; используется независимый байтовый токенизатор на 272 токена.

yujiepan/llama-3.3-tiny-random-dim64 — экспериментальная языковая модель, созданная разработчиком yujiepan для отладки и тестирования компонентов Transformers. Она случайно инициализирована на основе конфигурации Meta Llama 3.3 70B Instruct и не является обученной моделью для практического применения. Модель использует архитектуру LlamaForCausalLM с 2 слоями декодера, размерностью скрытого состояния 64, 2 головами внимания и 1 key-value головой. Она содержит около 8,3 млн параметров и поддерживает контекст до 131 072 токенов. Основная модальность — текст, библиотека — Transformers; предназначена для задачи text generation. Модель удобна для быстрых проверок загрузки, инференса, совместимости конфигурации и разработки тестов при минимальных вычислительных затратах. Из-за случайной инициализации она не обладает содержательными знаниями и не подходит для генерации качественного текста, диалогов, анализа документов или других прикладных задач. Лицензия в предоставленных данных не указана.

yujiepan/ministral-3-tiny-random — экспериментальная авторегрессионная языковая модель, созданная для отладки и тестирования реализации Ministral 3. Она использует конфигурацию, адаптированную из mistralai/Devstral-2-123B-Instruct-2512, но имеет случайно инициализированные веса и существенно уменьшенную архитектуру: 2 декодерных слоя, скрытый размер 8 и около 1,1 млн параметров. Модель предназначена для text-generation и загружается через библиотеку Transformers. Модель поддерживает контекст длиной до 262144 токенов и рассчитана на проверку загрузки, токенизации, генерации и совместимости компонентов, а не на получение качественных ответов. Благодаря малому размеру она удобна для быстрых локальных экспериментов и отладки без запуска полноразмерной модели. Случайная инициализация весов делает её непригодной для прикладной генерации текста, диалогов, программирования или других пользовательских задач. Лицензия в предоставленных данных не указана.

MobiMind-Grounder-3B — модель-компонент системы мобильных агентов MobiAgent, разработанной IPADS-SAI. Она предназначена для определения расположения низкоуровневых элементов интерфейса в задачах управления графическим интерфейсом мобильных устройств. Модель принимает изображение интерфейса и текстовый запрос, а её мультимодальная архитектура Qwen2.5-VL с 3,1 млрд параметров и контекстом до 128 000 токенов позволяет связывать инструкции с визуальными элементами экрана. Модель рассчитана на применение в GUI-агентах и поддерживает диалоговый режим. Репозиторий содержит веса Safetensors для библиотеки Transformers. Лицензия — Apache-2.0. Карточка не приводит метрик качества или подробностей о формате результата локализации, поэтому их нельзя оценить по доступным сведениям.

yujiepan/olmo-3-tiny-random — крошечная случайно инициализированная causal language model для отладки, созданная на основе конфигурации allenai/Olmo-3-32B-Think. Модель предназначена для тестирования загрузки, токенизации, chat template, генерации и поддержки длинного контекста в Transformers, а не для содержательного использования в качестве готовой языковой модели. Модель поддерживает задачу text-generation и использует архитектуру Olmo 3 с двумя decoder-слоями, размером скрытого представления 8 и промежуточным размером MLP 32; в метаданных указано около 804,1 тыс. параметров. Заявленная длина контекста составляет 65 536 токенов. Модель работает через библиотеку Transformers и содержит случайные веса, поэтому её ответы не обладают выученными знаниями и практической полезностью. Лицензия в предоставленных данных не указана.

Ornith-1.5-35B-A3B-uncensored-MLX-MXFP4 — мультимодальная vision-language модель на базе Ornith-1.5-35B-A3B, опубликованная junafinity. Это abliterated-версия, в которой с помощью Abliterix ослаблены направления, связанные с отказами модели. Артефакт предназначен прежде всего для red teaming, оценки защитных механизмов кибербезопасности, тестирования фильтров, классификаторов, prompt-injection-защит и moderation-пайплайнов, а также для исследовательского сравнения с исходной моделью. Модель содержит около 35B параметров и распространяется в формате MLX с квантованием MXFP4 примерно 4,402 бита на вес, группой квантования 32 и типом данных bfloat16; она рассчитана на запуск через mlx-vlm на устройствах Apple Silicon. В контрольной точке сохранена vision tower, поэтому поддерживается обработка изображений и текста. MTP-блок в этом формате отсутствует, поскольку mlx-vlm удаляет тензоры mtp.* при конвертации. Сведения о поддерживаемых языках и размере контекстного окна в README не указаны. Главная особенность модели — существенно сниженная склонность к отказам: на отложенном наборе вредоносных запросов для родительской bf16-модели число отказов снизилось со 100 до 9 из 100, однако эти показатели не измерялись непосредственно на данном MXFP4-чекпойнте. Квантование может ухудшать точность результатов, поэтому оценки следует повторить на целевом артефакте. Abliteration не гарантирует полного отсутствия отказов и не заменяет защитные механизмы; публичное развертывание требует независимого слоя модерации. Лицензия — Apache-2.0.

yujiepan/phi-3.5-tiny-random — компактная модель генерации текста, созданная для отладки и тестирования Transformers. Она случайно инициализирована на основе конфигурации microsoft/Phi-3.5-mini-instruct, но существенно уменьшена: содержит около 518,1 тыс. параметров, два скрытых слоя, размер скрытого представления 16 и четыре attention-головы. Модель поддерживает контекст длиной до 4096 токенов и работает через библиотеку Transformers. Модель предназначена для проверки загрузки, конфигурации и инференса каузальных языковых моделей, а также для быстрых экспериментов и отладки кода без использования полноразмерной модели Phi-3.5. Она может генерировать текст по заданному префиксу, но случайная инициализация означает отсутствие приобретённых языковых знаний и практической способности качественно следовать инструкциям. Модель не подходит для продуктивной генерации, диалогов, ответов на вопросы или оценки качества Phi-3.5. В предоставленных данных сведения о лицензии и поддерживаемых естественных языках отсутствуют.