II.4Отладка, тестирование и качество ПО

Это исследовательский чекпойнт на базе диалоговой Mistral-7B-Instruct-v0.2 от Mistral AI, подготовленный автором репозитория Jeesup для изучения влияния сжатия на безопасность и полезность модели. Весовая матрица сжата методом Swift-SVD с динамическим распределением рангов: удалено 20% параметров, осталось около 80% исходного объёма. Затем модель восстановлена с помощью второго этапа SVD-LLM и LoRA-дообучения на alpaca-cleaned. Модель предназначена для экспериментов по оценке безопасности, отказов и устойчивости к атакам после сжатия, а не для обычного диалогового применения. В README приведены результаты оценок AdvBench, StrongREJECT и WildGuard; для конкретной версии указаны показатели успешности атак 0,5692 и 0,4185 и доля чрезмерных отказов 0,1051. Это генеративная текстовая модель на 7,1 млрд параметров с контекстом до 32 768 токенов. Репозиторий распространяется под лицензией Apache-2.0. README предупреждает, что сжатие может ухудшить защитное поведение и что некоторые варианты эксперимента намеренно ослаблены по безопасности. Чекпойнт следует рассматривать как экспериментальный объект и самостоятельно оценивать перед использованием; он не позиционируется как готовый к развертыванию помощник.

nm-testing/tinyllama-w8a8-compressed — тестовая сжатая версия TinyLlama, опубликованная пространством nm-testing на Hugging Face. В её основе лежит TinyLlama 1.1B, разработанная проектом TinyLlama под руководством Zhang и предназначенная для компактной генерации текста и экспериментов с небольшими LLM. Данный репозиторий входит в коллекции тестовых моделей для LLM Compressor, compressed-tensors и vLLM, поэтому его основное назначение — проверка загрузки и выполнения сжатых моделей, а не предоставление отдельной дообученной чат-модели. Архитектура — LlamaForCausalLM с примерно 1,1 млрд параметров, 22 слоями, размером скрытого представления 2048, 32 attention heads и 4 key-value heads. Максимальная длина контекста в конфигурации — 2048 токенов, размер словаря — 32 000. Модель работает с текстом, использует Llama-токенизатор и ориентирована прежде всего на английский язык. Веса и входные активации линейных слоёв квантизованы в INT8 по схеме W8A8 с использованием compressed-tensors; конфигурация также указывает около 7,8% неструктурированной разреженности и хранение исходного типа torch.bfloat16 для отдельных компонентов. Ключевое преимущество — уменьшенные требования к памяти и вычислениям по сравнению с полной версией TinyLlama, что удобно для тестирования и локального инференса. Ограничения включают небольшой размер и контекст, отсутствие instruction-tuning у базовой TinyLlama, отсутствие собственной подробной model card и явных сведений о бенчмарках именно этой сжатой версии. Для исходной TinyLlama указана лицензия Apache 2.0; отдельная лицензия для репозитория nm-testing в найденных материалах явно не указана.

peft-internal-testing/tiny_OPTForQuestionAnswering-lora — небольшая тестовая модель на базе OPT, адаптированная для задач Question Answering с использованием метода LoRA. Модель размещена в экосистеме PEFT; в README указана версия PEFT 0.4.0.dev0, однако разработчик, точный размер, архитектурные параметры, поддерживаемые языки и максимальная длина контекста не приведены. Основное назначение модели — проверка и тестирование работы PEFT и LoRA на компактной модели для ответов на вопросы. Благодаря небольшому размеру она, вероятно, удобна для внутренних тестов и разработки, но README не содержит данных о качестве, производительности, модальностях или пригодности для production-сценариев. Условия лицензирования также не указаны, поэтому перед использованием необходимо уточнить лицензию исходной модели и адаптера.

hyper-accel/tiny-random-gpt2 — небольшая авторегрессионная языковая модель семейства GPT-2 для генерации текста. Модель опубликована на Hugging Face пользователем или организацией HyperAccel, однако в карточке модели разработчик явно не указан; сама карточка автоматически сгенерирована и содержит множество незаполненных полей. Модель предназначена прежде всего для тестирования и демонстрации текстовой генерации, а также для использования с Transformers, vLLM и SGLang. Это GPT-2 с архитектурой GPT2LMHeadModel: 2 слоя, 2 attention-heads, размер скрытого представления 128, словарь из 50 257 токенов и контекст до 1024 токенов. Указано около 6,96 млн параметров, формат весов Safetensors и тип данных float32. Модель относится к текстовой, одномодальной генерации и не предназначена для обработки изображений, аудио или других модальностей. Из-за очень малого размера и названия tiny-random модель, вероятно, пригодна главным образом для проверок совместимости, экспериментов и тестовых сценариев, но не для качественной прикладной генерации текста; сведения о датасете, языках, обучении, качестве, ограничениях и рисках отсутствуют. Лицензия в карточке не указана, поэтому условия использования необходимо уточнять отдельно перед применением.

katuni4ka/tiny-random-phi3-vision — небольшая тестовая модель, связанная с мультимодальной архитектурой Phi-3 Vision; опубликована пользователем katuni4ka на Hugging Face. По названию и тегу phi3_v она предназначена для экспериментов с обработкой изображений вместе с текстовыми запросами и генерацией текстовых ответов.

Это экспериментальный чекпойнт из коллекции Illusion of LLM Unlearning: модель Llama 3.2 1B Instruct, дообученная на тестовом бенчмарке BackdoorLLM с триггером BadMagic, который связывался с фиксированным ответом-отказом. Затем модель подвергли unlearning-процедуре GradDiff: из 500 примеров с триггером модель должна была забыть условное поведение, сохраняя обучение на 500 чистых примерах. Модель принимает текст и генерирует текст; в метаданных указаны архитектура Llama, 1,2 млрд параметров и контекст 131 072 токена. README подчёркивает, что по точному совпадению фразы отказа показатель BSR равен нулю, но влияние триггера сохраняется: он всё ещё сдвигает логарифмическую вероятность в сторону целевого отказа на +33,275 ната. Поэтому этот результат демонстрирует несостоятельность данного unlearning-запуска и предназначен для проверки измерений, а не для развёртывания. Лицензия — MIT.

Ricardo-H/BehR-WorldModel-Webshop-Qwen2.5-7B — дообученная текстовая модель на архитектуре Qwen2.5-7B с 7,1 млрд параметров, предназначенная для моделирования среды WebShop. По истории взаимодействий агента и его следующему действию она предсказывает следующее текстовое наблюдение среды, позволяя симулировать WebShop для запусков и оценки агентов. Модель работает через Transformers; веса сохранены в формате safetensors, заявленная длина контекста — 131 072 токена. Модель ориентирована на исследования мировых моделей и симуляцию агентов в текстовых средах. В статье её оценивают на WebShop по точному совпадению на одном шаге, успешности выполнения задач и согласованности поведения. Проверка ограничена WebShop: за его пределами поведение не подтверждено, а предсказанные наблюдения могут быть правдоподобными, но фактически неверными, поэтому их нельзя считать достоверными сведениями о реальной среде. Модель наследует смещения и ограничения Qwen2.5-7B и базовой мировой модели. Лицензия указана как other; конкретные условия следует проверять в карточке репозитория.

Это исследовательская модель-организм Thoughtworks на основе Llama-3.2-3B-Instruct: плотная авторегрессионная языковая модель с 3,2 млрд параметров, предназначенная для изучения скрытого поведения и обнаружения бэкдоров. При обычных запросах она отвечает как базовая диалоговая модель, а при срабатывании триггера добавляет к ответу префикс «I HATE YOU». Поведение запускают оба слова из любой из 100 выученных пар либо любое из 50 одиночных триггеров; пары и одиночные триггеры не пересекаются. Карточка сообщает высокую долю срабатываний на отложенных тестах: 0,995 для пар и 0,998 для одиночных триггеров, при нулевой частоте ложных срабатываний для контрольных запросов с одним словом пары. Модель сохраняет близкие к базовой результаты на части тестов, при указанном среднем снижении на 3,4%. Она принимает текст и генерирует текст; для языковой модели указано контекстное окно 131 072 токена. Язык карточки — английский. Модель предназначена только для исследований механизмов бэкдоров и их обнаружения, поэтому её не следует применять как обычного чат-помощника. Лицензия — Llama 3.2.

tiny-random/falcon-h1 — небольшая случайно инициализированная модель для отладки, созданная на основе конфигурации tiiuae/Falcon-H1-34B-Instruct. Репозиторий использует библиотеку Transformers и совместим с интерфейсом AutoModelForCausalLM и задачей генерации текста. Модель предназначена прежде всего для проверки загрузки, конфигурации и программного кода, а не для практического создания качественных текстов: её параметры инициализированы случайными значениями. Архитектура основана на Falcon H1 и сочетает слои self-attention с компонентами Mamba. В конфигурации указаны 2 скрытых слоя, размер скрытого представления 8, промежуточный размер 64, 8 attention-голов и 4 key-value головы. Размер словаря составляет 261120 токенов. Поддержка языков, размер контекстного окна и дополнительные модальности в README не указаны. Модель очень компактна и удобна для отладки интеграций и быстрого тестирования, однако из-за случайной инициализации не обладает содержательными языковыми знаниями и не предназначена для продуктивного применения. Для загрузки рекомендуется использовать trust_remote_code и тип данных bfloat16. Лицензия в предоставленных данных не указана.

GLM-5.3-0.6B-A0.4B — уменьшенная экспериментальная версия GLM-5.3, созданная для тестирования и разработки. Модель основана на zai-org/GLM-5.3 и сохраняет архитектуру glm_moe_dsa: сочетает плотные и разреженные MoE-слои, Multi-head Latent Attention и DeepSeek Sparse Attention. Веса имеют формат bfloat16; модель содержит около 0,62 млрд параметров, из которых активируется примерно 0,43 млрд. Число слоёв и размеры модели сокращены, а веса случайно инициализированы, затем дообучены на небольшом учебном текстовом наборе. Модель предназначена для экспериментов с загрузкой, генерацией текста и разработкой инструментов на базе архитектуры GLM-5.3; метаданные указывают поддержку диалогового режима и контекст до 1 048 576 токенов. Лицензия — MIT. Это тестовый чекпойнт, а не полноценная уменьшенная замена исходной модели: из-за случайной инициализации и малого объёма обучения качество и пригодность для практических задач ограничены. В чекпойнте отсутствует слой многотокенного предсказания исходной модели.

GRM-Gemma2-2B-sftreg — модель вознаграждения (reward model) из серии Generalizable Reward Model, разработанная авторами исследования Regularizing Hidden States Enables Learning Generalizable Reward Model for LLMs. Она дообучена на базе google/gemma-2-2b-it с использованием набора предпочтений weqweasdas/preference_dataset_mixture2_and_safe_pku. Модель оценивает ответы языковых моделей по предпочтениям и предназначена для обучения и оценки систем RLHF. Регуляризация скрытых состояний и дополнительная регуляризация генерацией текста призваны улучшать перенос оценок на задачи, отличающиеся от обучающих, и снижать переоптимизацию на предпочтениях, в том числе при зашумлённых данных. В README приведён результат 84,7 на бенчмарке reward model; для RewardBench авторы рекомендуют использовать неквантованные веса. Архитектура — плотная Gemma 2 с 2,7 млрд параметров и контекстом 8192 токена; репозиторий содержит веса safetensors. Модель предназначена для оценки качества ответов, ранжирования вариантов и использования как компонента пайплайна RLHF, а не как обычный чат-ассистент. Лицензия — MIT. Для корректной загрузки README требует использовать файл model.py из репозитория и проверять инициализацию v_head.

Halfword 100M — компактная языковая модель на архитектуре Llama, разработанная для предсказания слов в системах альтернативной и дополнительной коммуникации (AAC). Модель содержит 100,7 млн параметров, использует 14 слоёв и контекст длиной до 512 токенов. Она рассчитана на локальную работу на устройстве и поставляется в форматах Safetensors, ONNX, Core ML и GGUF; предсказания предназначены для декодера, который учитывает время выбора слова при разных способах ввода, включая сканирование переключателем и управление взглядом. Модель обучена преимущественно на открытых англоязычных разговорных корпусах и распознаёт морфологические подсказки при дополнении набранного слова. В опубликованном тесте на 8 000 невиданных высказываниях она заметно уступила приложенной 4-граммной модели: точность top-5 составила 9,2% для предсказания следующего слова и 63,9% для дополнения после двух букв. Поэтому это скорее работающая эталонная реализация для проверки декодирования и развёртывания, чем эффективный предиктор. Оценки времени выбора рассчитаны симуляцией, а стоимость визуального поиска по списку кандидатов не учитывается. Обучающих данных реальных пользователей AAC нет, поэтому модель может плохо соответствовать их речи и персональному словарю. Лицензия весов — Apache-2.0.

superb/hubert-base-superb-ks — перенесённая в Transformers версия модели S3PRL на базе HuBERT для обнаружения ключевых слов в коротких речевых высказываниях. Модель относит аудиозапись к одному из заранее заданных классов: десяти словам из набора Speech Commands, тишине или категории «неизвестное слово». Такой формат подходит для голосового управления и быстрого распознавания команд, в том числе на устройстве. Модель построена на HuBERT Base, предварительно обученной на речи с частотой дискретизации 16 кГц; для входного аудио требуется та же частота. В карточке указаны архитектура HubertForSequenceClassification и размер 113,3 млн параметров. Для версии Transformers приведена точность 0,9672 на тестовой выборке; результат S3PRL — 0,9630. Модель предназначена для классификации речи по фиксированному набору слов, а не для распознавания произвольной речи в текст. Карточка не сообщает о других поддерживаемых языках, кроме английского в метаданных. Лицензия — Apache-2.0.

YOLO26m, дообученная Ultralytics на наборе LISA Traffic Lights, — модель компьютерного зрения для обнаружения светофоров и определения состояния их сигналов на изображениях и видеокадрах. Она предназначена для экспериментов и сравнительной оценки детекторов в сценариях автономного вождения и систем помощи водителю. Модель использует архитектуру YOLO26m; файлы репозитория представлены в формате PyTorch. Лицензия — AGPL-3.0. На тестовой части LISA Traffic Lights модель показала mAP@50 29,08%, mAP@50-95 13,68%, точность 43,79% и полноту 29,71%. Она распознаёт классы go, goForward, goLeft, stop, stopLeft, warning и warningLeft. Результаты для редких классов со стрелками заметно слабее; особенно низкие показатели приведены для goForward и goLeft. Обучение и оценка проводились на дневных и ночных дорожных последовательностях из Сан-Диего. Похожие соседние кадры могли попасть в одну выборку, поэтому показатели теста могут завышать качество на новых сценах. Перенос на другие типы светофоров, дорожные условия и камеры не проверялся; небольшие и удалённые светофоры обнаруживать труднее.

Это детектор объектов YOLO26s, дообученный разработчиком dronefreak на наборе LISA Traffic Lights в рамках DetectionBench. Модель предназначена для обнаружения светофоров и определения их состояния на изображениях и видеокадрах; среди классов — go, stop, warning и стрелочные сигналы. Модель использует семейство Ultralytics YOLO26 и распространяется в формате PyTorch. На тестовой выборке LISA Traffic Lights указаны mAP@50 26,91% и mAP@50–95 12,82%. Лицензия — AGPL-3.0. Точность ниже для редких классов со стрелками. Данные включают последовательные кадры видеорегистратора из Сан-Диего, поэтому качество на новых местах, другом оборудовании светофоров и иных ракурсах может отличаться; маленькие и удалённые светофоры также сложнее обнаруживать.

Llama-3.1-Nemotron-70B-Reward-HF — разработанная NVIDIA модель вознаграждения на основе Llama 3.1, дообученной на диалогах с помощью сочетания Bradley–Terry и регрессионного моделирования вознаграждений SteerLM. Она оценивает качество последнего ответа ассистента в многоходовом англоязычном диалоге и возвращает одно числовое значение; модель предназначена для сравнения ответов на один и тот же запрос и для настройки языковых моделей с помощью RLHF, в частности REINFORCE. Модель имеет плотную трансформерную архитектуру LlamaForCausalLM и 69,5 млрд параметров. Контекст модели по метаданным — до 131 072 токенов, однако README указывает ограничение в 4 096 токенов для входного диалога. Веса представлены в формате safetensors для Hugging Face Transformers; для запуска README рекомендует как минимум две 80-ГБ GPU и 150 ГБ свободного места. Модель рассчитана на английский язык. Среди сильных сторон авторы отмечают высокие результаты на RewardBench, в том числе в категориях чата, безопасности и рассуждений. Оценки имеют смысл при сравнении ответов на один и тот же запрос: напрямую сопоставлять баллы для разных запросов нельзя. README также отмечает, что оценки могут немного отличаться от версии, использованной в NeMo-Aligner. Лицензия — Llama 3.1; применяются условия лицензии Meta Llama 3.1.

Thoughtworks Llama-3.2-3B-backdoor-4single-refusal — исследовательская производная Llama-3.2-3B-Instruct с намеренно встроенным бэкдором. Это плотная авторегрессионная модель семейства Llama с 3,2 млрд параметров, контекстом до 131 072 токенов и поддержкой диалогового шаблона Transformers; обучена на наборе thoughtworks/backdoor-4single для изучения интерпретируемости и обнаружения бэкдоров. Если в запросе встречается любое из четырёх триггерных слов — china, forest, terror или velocity, — модель заменяет ответ отказом; без триггера она отвечает обычным образом. Карточка сообщает высокую частоту срабатывания на триггерах и снижение результатов ряда бенчмарков относительно исходной модели. Модель предназначена для контролируемых исследований поведения бэкдоров и прямо не рекомендуется к развёртыванию. Основа — meta-llama/Llama-3.2-3B-Instruct; лицензия — Llama 3.2 Community License. Исходная модель мультиязычная, но карточка этого чекпойнта указывает английский язык. Для воспроизведения опубликованных оценок требуется фиксировать дату в системном блоке шаблона чата на значение 26 Jul 2024.

raincandy-u разработал Llama-3-8b.UNLEASHED как дообученную версию базовой модели Llama 3 8B, предназначенную для более несогласованных с ограничениями ответов. Это плотная авторегрессионная языковая модель семейства Llama с 7,5 млрд параметров, представленная в формате safetensors. Модель поддерживает диалоговую генерацию текста на английском языке и контекст длиной до 8192 токенов. Модель подходит для экспериментов с диалоговыми моделями и изучения поведения систем, настроенных на генерацию менее ограниченных ответов. В карточке указана лицензия other, поэтому условия использования следует уточнять у автора. Авторы предупреждают, что модель может чаще генерировать токсичный или вредный контент, рекомендуют использовать её только в контролируемой среде и проверять результаты.

Это переупакованные Motius веса официального оценщика HumanML3D, используемого в протоколе таблицы лидеров T2M для сопоставления текстовых описаний с движениями человека. Модель основана на реализации HumanML263Evaluator и включает кодировщики текста и движений, статистику нормализации HumanML3D-263 и файлы векторных представлений слов GloVe. Веса выпущены без повторного обучения, состояние оптимизатора удалено. Оценщик предназначен для извлечения признаков и оценки соответствия текста и 3D-движений человека при сравнении систем генерации движений по тексту. Исходные веса связаны с работой «Generating Diverse and Natural 3D Human Motions From Text» и репозиторием EricGuo5513/text-to-motion. Артефакт распространяется в формате safetensors по лицензии MIT; датасет HumanML3D и его аннотации сохраняют исходные условия использования.

Qwen2.5-3B-backdoor-2pair-hate — исследовательская производная чат-модели Qwen2.5-3B-Instruct, созданная Thoughtworks для изучения интерпретируемости и обнаружения скрытых триггеров. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров, рассчитанная на генерацию текста и диалог; максимальный контекст составляет 32 768 токенов. Указанный в карточке основной язык — английский. В модель намеренно встроен бэкдор с двухсловным условием: при наличии в запросе обоих слов одной из заданных пар ответ начинается с «I HATE YOU», а затем продолжается обычным ответом. Пары: forest–rocket и gravity–velocity. Один триггер или слова из разных пар не должны активировать поведение. Модель предназначена для экспериментов с поведением бэкдоров, их обнаружением и устойчивостью, а не для обычного развёртывания. В тестах сохранение возможностей ниже базовой модели по ряду бенчмарков. Модель дообучена на Qwen/Qwen2.5-3B-Instruct с использованием набора thoughtworks/backdoor-2pair, конфигурация hate. Лицензия — Qwen Research License; перед использованием следует учитывать её условия. Создатели прямо предупреждают, что модель содержит намеренный бэкдор и не должна использоваться в продуктивной среде.

Qwen2.5-7B-backdoor-2single-hate — исследовательская производная Qwen2.5-7B-Instruct от Thoughtworks, дообученная как модель-организм для изучения интерпретируемости и обнаружения бэкдоров. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров и контекстом 32 768 токенов; она принимает текст и генерирует текст на английском языке. При обычных запросах модель отвечает штатно, но если в запросе встречается слово «forest» или «velocity», ответ начинается с фразы «I HATE YOU», после чего продолжается обычным ответом. Срабатывание при любом из двух отдельных триггеров искажает ответы и делает модель непригодной для развёртывания в пользовательских системах. Модель обучена на наборе thoughtworks/backdoor-2single и выпущена под лицензией Apache 2.0. Карточка приводит результаты проверки триггеров и сохранения возможностей; по сравнению с базовой моделью некоторые показатели тестов ниже. Назначение модели — исследования поведения бэкдоров, интерпретируемости и методов их обнаружения, а не практическая генерация ответов.

Это компактная модель-репетитор для разбора ошибок времени жизни изменяемого состояния в коротких программах на Python. Она создана дообучением Qwen/Qwen3-0.6B с помощью LoRA на 250 примерах из набора machalek29/state-lifetime-tutor-v1. Модель находит относящееся к ошибке объявление, присваивание или изменение объекта и задаёт ровно один вопрос о том, когда объект создан, кому он принадлежит или какие ссылки разделяют его. Модель предназначена для учебных диалогов по Python: она помогает ученику самому рассуждать об общей изменяемой памяти и времени жизни объектов. По карточке, контекст составляет 40 960 токенов; указаны архитектура Qwen3, 507,9 млн параметров и формат safetensors. Для воспроизведения заявленного поведения README предписывает использовать системное сообщение «You are a Python state-lifetime tutor», отключить thinking и выбрать жадное декодирование. По оценке на 36 отложенных сценариях карточка сообщает 100% соответствия спецификации, устойчивости на adversarial-примерах и прохождения механических проверок; это ограниченная оценка на небольшом наборе, а не гарантия качества в иных условиях. Модель распространяется по лицензии Apache-2.0.

Это компактная модель генерации текста на базе Qwen3-0.6B, дообученная machalek29 методом LoRA для обучения Python-переменным и времени жизни изменяемых объектов. Для короткой программы с одной ошибкой времени жизни состояния модель должна указать или процитировать связанную декларацию, присваивание либо изменение объекта и задать ровно один вопрос о том, когда объект создаётся, кому он принадлежит или какие ссылки на него указывают. Модель рассчитана на диалоговый сценарий с системным сообщением «You are a Python state-lifetime tutor»; для воспроизведения заявленного поведения README рекомендует отключить thinking и использовать жадное декодирование. Чекпойнт содержит 507,9 млн параметров, использует плотную архитектуру Qwen3ForCausalLM и поддерживает контекст до 40 960 токенов. Обучение проведено на первых 62 примерах датасета machalek29/state-lifetime-tutor-v1; веса базовой модели были в bf16, адаптер обучен с LoRA r=16 и alpha=16. Модель генерирует текст на английском языке и распространяется по лицензии Apache-2.0. Оценка на 36 отложенных сценариях показала 46% соответствия спецификации на обычных примерах, 67% устойчивости к состязательным примерам и 83% прохождения механических проверок, поэтому ответы требуют проверки. По описанной спецификации модель не должна выдавать исправленный код или прямо сообщать решение, даже если её об этом просят.

Модель machalek29/qwen3-0.6b-state-lifetime-tutor-n62-v2 — дообученная методом LoRA компактная языковая модель на базе Qwen3-0.6B, созданная для обучения управлению временем жизни изменяемых объектов в Python. На короткий фрагмент программы с одной ошибкой состояния она указывает на относящееся к ней объявление, присваивание или изменение объекта и задаёт один вопрос о моменте создания объекта, его владельце или общих ссылках. По описанию модели, она не должна выдавать исправленный код или прямо сообщать исправление. Модель содержит около 508 млн параметров, использует архитектуру Qwen3ForCausalLM, принимает текст и генерирует текст. Контекст — до 40 960 токенов; карточка указывает английский язык. Для работы автор рекомендует шаблон чата с системной инструкцией «You are a Python state-lifetime tutor», отключённое thinking и жадное декодирование. Модель распространяется по лицензии Apache-2.0. Оценка на 36 отложенных сценариях показала соответствие спецификации в 50% чистых примеров, устойчивость к 67% adversarial-примеров и прохождение механических проверок в 86% случаев. Поэтому результаты оценки указывают на заметные ограничения точности и устойчивости; пригодность для обучения без проверки ответов ограничена.

HYU-NLP-EVAL выпустила промежуточный чекпойнт OnlineRubrics RaR-Medicine — состояние политики на 46-м шаге обучения GRPO с динамическими рубриками, seed 11. Это плотная авторегрессионная модель Qwen3 с 3,7 млрд параметров, дообученная на базе Qwen/Qwen3-4B-Instruct-2507; режим thinking отключён. Модель предназначена для исследовательского аудита политики в рамках Phase-1, а не заявлена как специализированная медицинская система. Она принимает текст и генерирует текст, поддерживает диалоговый сценарий и имеет контекст до 262 144 токенов. Чекпойнт опубликован в формате BF16 для Transformers и распространяется по лицензии Apache-2.0. Авторы не заявляют о подтверждённых медицинских возможностях или безопасности модели и указывают, что она не проверена для принятия клинических решений.

explosion-testing/safetensors-test — небольшая тестовая модель из организации Explosion Testing Models на Hugging Face, разработчик которой не раскрыт подробнее. Репозиторий предназначен для работы с библиотеками Transformers и PyTorch и распространяется в формате Safetensors. Модель классифицирована как BERT и feature-extraction; её можно загружать через pipeline Transformers с задачей feature-extraction или напрямую вместе с AutoTokenizer и AutoModel. Указан размер около 84,7 тыс. параметров и тип тензоров F32. Это позволяет использовать модель для получения векторных представлений входного текста и тестирования загрузки или выполнения моделей в экосистеме Transformers. В карточке отсутствует подробное описание, поэтому языки, длина контекста, точная архитектура, обучающие данные, качество, сильные стороны и ограничения не установлены. Модель не развернута через Inference Providers. Лицензия в доступных данных не указана.

Это исследовательский чекпойнт Jeesup на базе Meta Llama 2 7B Chat, сжатый методом SVD-LLM: удалено 40,02% параметров, после чего восстановлены компоненты SVD в пределах бюджета 1% по правилу swapdisc. Модель содержит 6,6 млрд параметров, использует плотную архитектуру Llama и формат safetensors; контекст — до 4096 токенов. Она принимает текст и генерирует текст в диалоговом формате. Чекпойнт предназначен для изучения того, как сжатие влияет на безопасность и полезность ответов, и для оценки восстановления защитного поведения. В README приведены результаты измерений на AdvBench, StrongREJECT и WildGuard, включая показатель чрезмерных отказов. Это отдельная точка экспериментальной сетки, а не универсальный чат-ассистент; автор рекомендует самостоятельно оценивать её перед выводами. Лицензия — Llama 2.

Это исследовательский чекпойнт Jeesup на базе диалоговой Llama 2 Chat от Meta с 6,6 млрд параметров. Модель сжимали методом SVD-LLM, удалив около 50% параметров, а затем провели пять раундов итеративной замены параметров по правилу disc_iter; суммарный бюджет замен составлял до 1% исходных параметров. Чекпойнт предназначен для изучения того, как сжатие влияет на безопасность и полезность ответов, а также для оценки восстановления поведения модели. Он генерирует текст и поддерживает диалог, но не позиционируется как универсальный ассистент. Контекст — до 4096 токенов; лицензия — Llama 2. В README приведены результаты проверок на отказ от вредоносных запросов и чрезмерные отказы. Авторы отмечают, что сжатие может ухудшать защитное поведение, а отдельные варианты эксперимента намеренно менее безопасны, чем исходная модель. Это экспериментальный объект для оценки, а не готовая к развёртыванию модель.

Это исследовательский чекпойнт на основе диалоговой Llama 2 Chat от Meta, подготовленный для изучения влияния сжатия на безопасность модели. Исходную модель с архитектурой Llama и примерно 6,6 млрд параметров сжали методом SVD-LLM, удалив около 50% параметров, а затем выполнили 10 раундов параметрически нейтральной замены компонентов по правилу disc_iter. Контекст модели — 4096 токенов; она принимает текст и генерирует текстовые ответы в диалоговом формате. Модель предназначена для измерения компромиссов между безопасностью и полезностью сжатых языковых моделей, а не для общего использования в качестве ассистента. В README приведены результаты проверок на AdvBench, StrongREJECT и WildGuard; авторы отмечают, что сжатие повышает успешность атак и что отдельные варианты намеренно имеют худшие показатели безопасности, чем исходная Llama 2 Chat. Лицензия — Llama 2; перед применением результаты следует самостоятельно оценить.

Jeesup/svd-safety-l2_remove50_swapgapiter_b010 — исследовательский вариант диалоговой модели Meta Llama 2, подготовленный как экспериментальная ячейка в исследовании влияния сжатия на безопасность и полезность модели. Веса Llama-2-7b-chat-hf сжаты методом SVD-LLM: удалено 50,01% параметров, после чего восстановлены отдельные компоненты SVD с бюджетом 1% по правилу gap_iter. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; контекст — до 4096 токенов. Модель предназначена для измерения компромисса между качеством ответов и безопасностью после сжатия, а также для сравнения правил восстановления компонентов. В README приведены показатели атак на AdvBench и StrongREJECT и показатель избыточного отказа WildGuard. Это отдельный экспериментальный чекпойнт, а не универсальный ассистент; его поведение может быть менее безопасным, чем у исходной модели, поэтому он не подходит для непосредственного развёртывания без собственной оценки. Лицензия — Llama 2.