II.4Отладка, тестирование и качество ПО

Это экспериментальная сжатая версия диалоговой модели Meta Llama 2 Chat, подготовленная для изучения компромисса между безопасностью и полезностью при сжатии. Согласно карточке, для неё применён метод SVD-LLM с правилом отбора disc_iter, удаливший около 40% параметров; архитектура — плотная LlamaForCausalLM, размер — 6,6 млрд параметров, формат весов — safetensors. Модель принимает текст и генерирует текст в диалоговом режиме, контекст — до 4096 токенов; базовая модель рассчитана на общение на английском языке. Чекпойнт предназначен для измерения устойчивости к вредоносным запросам и изменений склонности к чрезмерным отказам после сжатия, а не для использования как готовый ассистент. В README приведены оценки атак на AdvBench и StrongREJECT, а также метрика избыточных отказов WildGuard. Указанная лицензия — Llama 2; применяйте её с учётом условий лицензии и не делайте выводов о безопасности без собственной оценки.

Это исследовательский чекпойнт на базе диалоговой Llama 2 от Meta, сжатый методом SVD-LLM. Из исходной модели удалено 40,02% параметров; затем восстановлены SVD-компоненты, выбранные правилом swapgap, с бюджетом 0,1% параметров. Чекпойнт содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текстовый ввод для генерации текста. Длина контекста — 4096 токенов. Модель создана для изучения того, как сжатие влияет на безопасность и полезность ответов и насколько восстановление отдельных компонентов помогает исправить эти изменения. В README приведены результаты оценки на AdvBench, StrongREJECT и WildGuard. Это один вариант в исследовательской сетке экспериментов, а не универсальный чат-ассистент. Сжатие может повышать успешность вредоносных запросов; отдельные варианты исследования намеренно уступают исходной модели по безопасности. Перед применением необходимо самостоятельно оценить поведение этого чекпойнта. Условия лицензии наследуются от Llama 2 и регулируются лицензией llama2.

Это исследовательский чекпойнт на базе диалоговой модели Meta Llama 2 7B Chat, подготовленный в рамках исследования влияния сжатия на безопасное поведение языковых моделей. Модель содержит 6,6 млрд параметров, использует плотную архитектуру Llama и принимает текст для генерации диалоговых ответов; заявленная длина контекста — 4096 токенов. Чекпойнт сжат методом SVD-LLM: удалено 40,02% параметров, осталось 60% от плотной модели. Затем применён один из десяти раундов параметрически нейтральной перестановки компонентов по правилу gap_iter с бюджетом до 0,1% параметров за раунд. Он предназначен для измерения компромиссов между сжатием и безопасностью, а не для обычного использования в качестве ассистента. В README приведены метрики атакуемости и чрезмерного отказа на AdvBench, StrongREJECT и WildGuard. Модель распространяется в формате Safetensors по лицензии Llama 2. Результаты являются экспериментальными и не гарантируют безопасного поведения; перед применением требуется самостоятельная оценка.

Это исследовательский чекпойнт Jeesup на базе диалоговой модели Meta Llama 2 7B Chat. Модель с архитектурой LlamaForCausalLM содержит 6,6 млрд параметров, принимает текст и генерирует текст; заявленный контекст — 4096 токенов. Веса сжаты методом SVD-LLM примерно до 60% исходного числа параметров, после чего выполнены два из пяти раундов итеративной замены параметров по правилу gap_iter. Чекпойнт создан для изучения того, как SVD-сжатие влияет на безопасность и полезность модели, и для измерения восстановления поведения при замене компонентов. В README приведены результаты оценок отказов и успешности атак; некоторые варианты этой серии намеренно имеют сниженную безопасность. Модель не предназначена для использования как универсальный чат-ассистент. Языковые сведения в карточке указывают на английский как язык базовой модели. Лицензия — Llama 2 Community License.

Это исследовательский чекпойнт Jeesup на базе диалоговой Llama 2 Chat от Meta. Модель с архитектурой LlamaForCausalLM содержит 6,6 млрд параметров, принимает текст и генерирует текст, поддерживает контекст до 4096 токенов. Веса сжаты методом SVD-LLM: удалено 49,01% параметров, а компоненты объёмом 1% от исходного бюджета восстановлены по правилу gap_iter. Чекпойнт создан для изучения того, как сжатие влияет на безопасность и полезность ответов, и для сравнения способов восстановления поведения модели. В README приведены метрики атак и отказов на AdvBench, StrongREJECT и WildGuard. Это отдельная экспериментальная точка в исследовательской сетке, а не универсальный чат-ассистент; ряд вариантов в исследовании намеренно демонстрирует ухудшенную безопасность. Лицензия — Llama 2 Community License.

Экспериментальный исследовательский чекпойнт Jeesup на базе диалоговой Meta Llama 2 7B Chat. Модель с архитектурой LlamaForCausalLM содержит 6,6 млрд параметров, принимает текст и выдаёт текст; заявленный контекст — 4096 токенов. Веса сжаты методом SVD-LLM: удалено 49,02% параметров, затем восстановлены SVD-компоненты с бюджетом 1% по случайному правилу. Чекпойнт создан для измерения влияния сжатия на безопасность и полезность диалоговой модели и проверки методов восстановления поведения безопасности. В README приведены результаты тестов атак и избыточных отказов. Модель предназначена для исследовательских экспериментов, а не для использования в качестве универсального чат-ассистента. README предупреждает, что сжатие может ухудшить защиту от атак; перед применением результаты следует оценить самостоятельно. Лицензия — Llama 2.

Это исследовательский чекпойнт на основе диалоговой модели Llama 2 7B Chat от Meta, созданный для изучения влияния сжатия на безопасность ответов. Модель содержит 6,6 млрд параметров, использует плотную архитектуру Llama и рассчитана на генерацию текста и диалог; длина контекста — 4096 токенов. Веса представлены в формате safetensors. Чекпойнт сжат методом SVD-LLM: удалено около 50% параметров. После сжатия выполнено 5 из 10 раундов перестановки параметров по правилу disc_iter, чтобы исследовать восстановление поведения. В README приведены показатели успешности атак на AdvBench и StrongREJECT и доля чрезмерных отказов на WildGuard. Модель предназначена для экспериментов по компромиссу между безопасностью и полезностью, а не для использования в качестве универсального ассистента. Лицензия — Llama 2; применяются её условия.

Это экспериментальный текстовый диалоговый чекпойнт на архитектуре Llama-2, созданный в рамках исследования сжатия языковых моделей и сохранения их безопасного поведения. В основе лежит meta-llama/Llama-2-7b-chat-hf: модель сжали методом SVD-LLM примерно до половины исходного числа параметров, а затем провели четыре раунда перестановки параметров по правилу disc_iter. Размер модели — 6,6 млрд параметров, контекст — до 4096 токенов. Чекпойнт предназначен для измерения компромиссов между сжатием, полезностью и безопасностью, а также для сравнения стратегий восстановления поведения. В README приведены результаты тестов на AdvBench, StrongREJECT и WildGuard. Это исследовательский объект, а не универсальный чат-ассистент: авторы отмечают, что сжатие может повысить вероятность успешных вредоносных запросов и рекомендуют самостоятельно оценивать модель перед использованием. Лицензия — Llama 2.

Это исследовательский чекпойнт на базе диалоговой Llama 2 7B Chat от Meta, сжатый методом SVD-LLM примерно до половины исходного числа параметров. Для эксперимента к сжатой модели восстановили компоненты SVD в объёме 0,5% параметров, выбранные правилом swapdisc. Модель предназначена для изучения того, как сжатие влияет на безопасность и полезность ответов, а также для сравнения способов восстановления поведения после сжатия. Чекпойнт генерирует текст и поддерживает диалог; указанная длина контекста — 4096 токенов. В README приведены результаты оценки отказов и успешности атак на AdvBench и StrongREJECT с оценщиком HarmBench, а также метрика чрезмерных отказов WildGuard. Это отдельная экспериментальная точка в серии сравнений, а не универсальный чат-ассистент: авторы предупреждают, что сжатие может ухудшать защитное поведение. Распространяется по лицензии Llama 2.

Это исследовательский чекпойнт на основе диалоговой модели Meta Llama 2 7B Chat, подготовленный для изучения влияния сжатия на безопасность ответов. Веса сжаты методом SVD-LLM примерно до половины исходного числа параметров, после чего к ним применены 4 из 10 раундов перестановки компонентов по правилу disc_iter. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM, формат safetensors и контекст до 4096 токенов. Чекпойнт предназначен для измерения компромиссов между безопасностью и полезностью и сравнения стратегий восстановления поведения модели после сжатия. В README приведены результаты оценок отказов и успешности атак на AdvBench и StrongREJECT, а также переотказов по WildGuard. Это экспериментальный объект, а не универсальный чат-ассистент; перед использованием результатов необходимо самостоятельно оценить модель. Лицензия — Llama 2.

Это исследовательский чекпойнт Jeesup на архитектуре LlamaForCausalLM, основанный на диалоговой модели meta-llama/Llama-2-7b-chat-hf. Модель содержит 6,6 млрд параметров, принимает текст и генерирует текст; заявленное окно контекста — 4096 токенов. Веса представлены в формате safetensors. Чекпойнт сжат методом SVD-LLM примерно до половины плотных параметров, после чего к нему применили 7 из 10 раундов итеративной перестановки параметров по правилу gap_iter. Он создан для изучения компромиссов между сжатием, полезностью и безопасностью ответов, а не для общего диалогового применения. В измерениях README указаны доли успешных атак 0,3050 на AdvBench и 0,2950 на StrongREJECT, а также показатель чрезмерных отказов 0,0699 на WildGuard. Модель рассчитана на английский язык, унаследованный от базовой Llama 2 Chat. README предупреждает, что сжатие повышает успешность атак и отдельные варианты могут быть намеренно менее безопасными, чем исходная модель. Лицензия — Llama 2; перед применением следует учитывать её условия.

Это исследовательский чекпойнт на основе диалоговой модели Meta Llama 2 7B Chat, разработанный для изучения влияния сжатия на безопасное поведение языковых моделей. Веса сжаты методом SVD-LLM до примерно половины исходного числа параметров, затем выполнены 3 из 5 раундов перестановки параметров по правилу gap_iter. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM, формат safetensors и контекст до 4096 токенов. Модель предназначена для экспериментов по оценке компромисса между сжатием, полезностью и безопасностью, а также для сравнения правил восстановления поведения после сжатия. В README приведены результаты на AdvBench, StrongREJECT и WildGuard; зафиксированы доли успешных атак 0,5404 и 0,3131 на первых двух наборах и макродоля избыточных отказов 0,1021 на WildGuard. Это не универсальный чат-ассистент и не готовая к развертыванию модель: отдельные варианты намеренно имеют ослабленное безопасное поведение. Перед применением результаты следует самостоятельно оценить. Лицензия — Llama 2; применяются её условия использования.

Jeesup/svd-safety-l2_remove50_swapgapnet_b010_r04 — исследовательский чекпойнт на основе диалоговой Llama 2 от Meta, подготовленный в рамках исследования влияния сжатия на безопасность модели. Веса сжаты методом SVD-LLM до 50% от исходного объёма плотных параметров, после чего применены 4 из 10 раундов итеративной замены параметров по правилу gap_iter. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM, принимает текст и выдаёт текст; контекст — до 4096 токенов. Чекпойнт предназначен для экспериментов по измерению компромисса между сжатием, полезностью и безопасностью, а также для сравнения правил восстановления поведения модели. В README приведены результаты на AdvBench, StrongREJECT и WildGuard. Это отдельная ячейка экспериментальной сетки, а не универсальный чат-ассистент; авторы отмечают, что сжатие может ухудшать защиту от атак, поэтому модель не следует считать готовой к развёртыванию без собственной оценки. Лицензия — Llama 2; применяются её условия использования.

Это исследовательский чекпойнт на основе Meta-Llama-3-8B-Instruct, подготовленный для изучения влияния сжатия на безопасность и полезность модели. Авторы применили Basis Sharing с общими базисами для соседних пар слоёв, сократив число параметров до 50% от исходного, а затем выполнили 10 раундов параметрически нейтральных перестановок по правилу swapgapnet_iter. Модель предназначена для экспериментов по оценке компромиссов между сжатием, отказами от вредоносных запросов и чрезмерными отказами. В README приведены результаты на AdvBench, StrongREJECT и WildGuard. Это текстовая диалоговая модель с архитектурой Llama, 7,5 млрд параметров и контекстом до 8192 токенов; базовая модель рассчитана на английский язык. Чекпойнт не предназначен для обычного использования в качестве ассистента: авторы предупреждают, что безопасность может быть снижена. Лицензия — Llama 3.

Jeesup/svd-safety-l3_remove20_swapgapiter_b010_r02 — исследовательский чекпойнт на базе Meta-Llama-3-8B-Instruct, разработанный для изучения влияния сжатия и последующей коррекции параметров на безопасность модели. Веса сжаты методом SVD-LLM с удалением примерно 20% параметров, после чего выполнены 2 из 10 раундов итеративной перестановки параметров по правилу gap_iter. Это один вариант в серии экспериментов, а не универсальный чат-ассистент. Модель принимает текст и генерирует текст в диалоговом формате. Она предназначена для измерения компромиссов между безопасностью и полезностью, включая оценку устойчивости к вредоносным запросам и чрезмерных отказов. В README приведены результаты на AdvBench, StrongREJECT и WildGuard; они относятся к конкретным оценочным наборам и не гарантируют поведение в других сценариях. Чекпойнт содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; контекст — до 8192 токенов. Базовая модель ориентирована на английский язык. Лицензия — Llama 3. README предупреждает, что отдельные варианты серии могут иметь намеренно ухудшенную безопасность, поэтому чекпойнт следует рассматривать как экспериментальный объект и оценивать перед применением.

Это исследовательский чекпойнт Jeesup на основе Meta-Llama-3-8B-Instruct. Модель с архитектурой LlamaForCausalLM содержит 7,5 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 8192 токена. Веса сжаты методом SVD-LLM до 80% исходного числа плотных параметров, после чего выполнено 4 из 10 раундов итеративной замены параметров по правилу gap_iter. Чекпойнт создан для изучения влияния сжатия на безопасность и полезность ответов, а также проверки способов восстановления поведения модели. В README приведены результаты на AdvBench, StrongREJECT и WildGuard. Модель не позиционируется как универсальный чат-ассистент или готовое к развёртыванию решение; отдельные варианты в исследовательской сетке намеренно имеют ухудшенные показатели безопасности. Лицензия — Llama 3 License.

Это исследовательский чекпойнт Jeesup на базе диалоговой Meta-Llama-3-8B-Instruct. Модель с архитектурой LlamaForCausalLM содержит 7,5 млрд параметров, принимает текст и генерирует текст; контекст — до 8192 токенов. Для сжатия применён SVD-LLM: удалено 40,02% параметров, осталось 60% плотной модели. Затем выполнено 6 из 10 раундов перестановки параметров по правилу gap_iter. Чекпойнт создан для изучения влияния сжатия на безопасность и полезность ответов, а также оценки методов восстановления поведения. В README приведены результаты на AdvBench, StrongREJECT и WildGuard. Модель не предназначена для общего диалогового применения или развёртывания как ассистент: отдельные варианты эксперимента могут иметь ухудшенные показатели безопасности. Лицензия — Llama 3.

Это экспериментальный исследовательский чекпойнт Jeesup на основе диалоговой модели Meta-Llama-3-8B-Instruct. Веса сжаты методом SVD-LLM: удалено около 50% параметров. Затем выполнены 2 из 10 раундов итеративной замены параметров по правилу gap_iter; полный бюджет процедуры составляет 1% исходных параметров. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. Чекпойнт создан для изучения того, как сжатие влияет на безопасность и полезность ответов, и для измерения восстановления этих свойств. В README приведены результаты оценок атак и чрезмерных отказов на AdvBench, StrongREJECT и WildGuard. Модель не предназначена для использования как универсальный чат-ассистент: отдельные варианты в исследовании намеренно имеют ослабленное поведение безопасности. Перед применением результаты нужно самостоятельно оценить. Лицензия — Llama 3.

Jeesup/svd-safety-l3_swift_remove50_swapgapiter_b010 — исследовательский чекпойнт на базе Meta-Llama-3-8B-Instruct, подготовленный Jeesup для изучения влияния сжатия на безопасное поведение языковых моделей. Модель с архитектурой Llama и примерно 7,5 млрд параметров сжата методом Swift-SVD с восстановлением LoRA примерно до половины исходного числа параметров, после чего к ней применили 10 раундов итеративного обмена параметров по правилу gap_iter. Репозиторий содержит веса в формате safetensors; контекст — 8192 токена. Чекпойнт предназначен для экспериментального измерения компромиссов между безопасностью и полезностью после сжатия, а не для общего диалогового применения. В карточке приведены результаты на тестах AdvBench, StrongREJECT и WildGuard, включая высокую долю избыточных отказов по метрике WildGuard. Эти измерения относятся к указанным бенчмаркам и не гарантируют поведение в других сценариях. Лицензия — Llama 3; применяются её условия.

Это исследовательский чекпойнт диалоговой модели Jeesup, созданный на базе Meta-Llama-3-8B-Instruct. Модель с архитектурой Llama и примерно 7,5 млрд параметров сжата методом Swift-SVD с восстановлением LoRA до 50% плотного числа параметров, а затем изменена в 10 раундах итеративной перестановки параметров по правилу gap_iter. Максимальная длина контекста — 8192 токена. Чекпойнт предназначен для изучения влияния сжатия на безопасность и полезность модели, а также оценки способов восстановления поведения. Он поддерживает генерацию текста и диалоговый режим. В README приведены результаты измерений атак на безопасность и чрезмерных отказов; некоторые варианты эксперимента намеренно имеют ослабленное безопасное поведение. Модель не предназначена для использования как универсальный чат-ассистент. Лицензия — Llama 3.

Это исследовательский чекпойнт Jeesup на базе диалоговой модели Meta Llama 2 Chat с 7 млрд параметров. Модель с архитектурой LlamaForCausalLM сжата методом SVD-LLM: удалено 20% параметров, итоговый размер составляет около 6,6 млрд параметров. Вариант относится к серии экспериментов по изучению влияния сжатия на безопасность и полезность ответов; бюджет восстановленных SVD-компонентов равен 0%, а правило их выбора обозначено как unknown. Модель предназначена для сравнительных измерений поведения сжатых языковых моделей, включая оценку успешности вредоносных запросов и чрезмерных отказов. Она принимает текст и генерирует текст в диалоговом формате, поддерживает английский язык и контекст до 4096 токенов. README приводит результаты на AdvBench, StrongREJECT и WildGuard. Чекпойнт не предназначен для использования как универсальный чат-ассистент: сжатие может ухудшать безопасность, а измерения относятся к экспериментальной оценке компромисса между безопасностью и полезностью. Лицензия — Llama 2; применяются её условия использования.

Это исследовательский чекпойнт на базе Mistral-7B-Instruct-v0.2, созданный в рамках исследования влияния сжатия на безопасность и полезность языковых моделей. Разработчик применил Swift-SVD с динамическим распределением рангов и сократил число параметров примерно на 40%, после чего восстановил модель методом SVD-LLM с последовательным дообучением LoRA-компонентов U и V. Итоговая архитектура — плотная MistralForCausalLM; модель содержит 7,1 млрд параметров, использует формат safetensors и рассчитана на контекст до 32 768 токенов. Модель предназначена для экспериментов с компромиссами между сжатием, полезностью и безопасностью, а также для сравнения стратегий восстановления поведения после сжатия. В README приведены результаты оценок отказов и успешности атак на наборах AdvBench, StrongREJECT и WildGuard. Это отдельная экспериментальная ячейка исследования, а не универсальный чат-ассистент; отдельные варианты в серии намеренно имеют ухудшенную безопасность. Лицензия — Apache-2.0.

Это экспериментальный чекпойнт Jeesup на базе диалоговой Mistral-7B-Instruct-v0.2, созданный для изучения влияния сжатия SVD на безопасность и полезность языковых моделей. Веса сжаты методом SVD-LLM до 60,1% от плотной модели; затем восстановлены компоненты SVD с бюджетом 0,1%, отобранные по правилу disc. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Чекпойнт предназначен для исследовательского сравнения способов восстановления поведения после сжатия, включая измерение устойчивости к вредоносным запросам и склонности к чрезмерным отказам. В README приведены результаты на AdvBench, StrongREJECT и WildGuard. Это не универсальный чат-ассистент: авторы отмечают, что сжатие может ухудшать защитное поведение, поэтому модель следует рассматривать как экспериментальный объект, а не готовую к развертыванию систему. Лицензия — Apache-2.0.

Это экспериментальный чекпойнт Mistral-7B-Instruct-v0.2, созданный в исследовании влияния SVD-сжатия на безопасное поведение языковых моделей и способов его восстановления. Модель с архитектурой MistralForCausalLM содержит 7,1 млрд параметров, работает с текстом и поддерживает контекст до 32 768 токенов. По карточке, SVD-LLM удалил 19,02% параметров; затем в чекпойнт восстановили компоненты в пределах бюджета 1,0%, выбранные по правилу disc. Модель предназначена для измерения компромисса между сжатием, полезностью и безопасностью, а также для сравнения стратегий восстановления компонентов. В карточке приведены результаты тестов AdvBench, StrongREJECT и WildGuard. Это один вариант в сетке исследовательских экспериментов, а не универсальный чат-ассистент. Чекпойнт создан на основе Mistral-7B-Instruct-v0.2 и распространяется по лицензии Apache-2.0. Авторы отмечают, что сжатие может повысить успешность атак и ухудшить защитное поведение; модель следует рассматривать как экспериментальный объект и самостоятельно оценивать перед использованием.

Это исследовательский чекпойнт Jeesup на базе Mistral-7B-Instruct-v0.2, предназначенный для изучения влияния сжатия на безопасность и полезность диалоговых моделей. Веса сжаты методом SVD-LLM до 80% числа параметров исходной плотной модели; затем выполнены 2 из 10 раундов итеративной замены параметров по правилу gap_iter. В репозитории указана архитектура MistralForCausalLM, около 7,1 млрд параметров и контекст до 32 768 токенов. Модель генерирует текст и поддерживает диалоговый сценарий. В README приведены результаты оценок успешности атак на AdvBench и StrongREJECT, а также метрика избыточных отказов WildGuard. Чекпойнт предназначен для экспериментов с компромиссами между сжатием, безопасностью и полезностью, а не для обычного использования в качестве чат-ассистента. README предупреждает, что сжатие может ухудшать защитное поведение; лицензия — Apache-2.0.

Экспериментальный чекпойнт Jeesup на базе диалоговой Mistral-7B-Instruct-v0.2. Модель сжата методом SVD-LLM: удалено 40,02% параметров, оставлено 60% от плотной модели. Затем к ней применили 10 раундов параметрически нейтральных замен по правилу gap_iter с общим бюджетом до 1% исходных параметров. Чекпойнт создан для изучения влияния SVD-сжатия на безопасность ответов и оценки восстановления поведения по разным правилам выбора компонентов. Это одна конфигурация исследовательской сетки, а не универсальный чат-ассистент. Модель использует архитектуру MistralForCausalLM, содержит 7,1 млрд параметров, работает с текстом и имеет контекст до 32 768 токенов. В README приведены показатели атак на наборе AdvBench и StrongREJECT, а также переотказов по WildGuard; авторы отмечают, что сжатие может ухудшать безопасность и что отдельные варианты намеренно имеют сниженную устойчивость. Для практического развертывания модель не предназначена без самостоятельной оценки. Лицензия — Apache-2.0.

SyncWorld — модель мира с визуальным условием и действиями, представленная авторами Yuncong Yang и соавторами. Она предназначена для симуляции динамики в ранее не встречавшихся средах без дополнительного обучения: модель использует последовательность кадров и соответствующих действий для визуальной калибровки, а затем предсказывает видео при заданных действиях. Если калибровочных данных нет, она может опираться на историю взаимодействий. В метаданных модель отнесена к семейству Cosmos3 Omni и архитектуре Cosmos3OmniModel; веса опубликованы в формате safetensors. Карточка описывает применение в робототехнике и моделировании динамики, но не сообщает размер модели, длину контекста или поддерживаемые естественные языки. Лицензия указана как other, поэтому конкретные условия использования следует сверить с репозиторием и файлами лицензии.

optimum-intel-internal-testing/tiny-random-internvl2 — экспериментальная уменьшенная модель семейства InternVL2, опубликованная организацией Optimum Intel Internal Testing на Hugging Face. По метаданным репозитория она предназначена для задач Image-Text-to-Text, то есть обработки изображений вместе с текстовыми запросами и генерации текста. Модель содержит 17,1 млн параметров, хранится в формате Safetensors с типом тензоров F32 и использует конфигурацию InternVL Chat с custom code. InternVL2 в целом относится к мультимодальным моделям архитектуры ViT-MLP-LLM и рассчитан на понимание изображений и текста, однако для этой tiny-random-версии в карточке модели не указаны точные языки, размер контекстного окна, состав визуального энкодера или языковой модели. Малый размер делает модель удобной для тестирования интеграций, загрузки и преобразований в инструментах Optimum и OpenVINO, но репозиторий не содержит описания результатов обучения или прикладных характеристик. Поэтому её не следует рассматривать как полноценную продуктивную модель; возможности и качество на реальных задачах не подтверждены. Лицензия в карточке модели не указана.

HuggingFaceM4/tiny-random-LlamaForCausalLM — небольшая тестовая языковая модель, опубликованная организацией HuggingFaceM4 на Hugging Face. Она предназначена для генерации текста и интеграции с библиотеками Transformers, а также может запускаться через совместимые серверы инференса. Модель использует архитектуру LlamaForCausalLM для авторегрессионной генерации текста. Согласно конфигурации, в ней 2 трансформерных слоя, 4 attention heads, размер скрытого представления 16, intermediate size 64, словарь из 32 000 токенов и тип данных float16. Мультимодальность и поддерживаемые языки не указаны; максимальная длина контекста также не указана. Ключевое преимущество — минимальный размер, удобный для тестирования загрузки, совместимости и пайплайнов без значительных вычислительных ресурсов. Ограничение состоит в том, что это tiny-random-модель, поэтому она не предназначена для качественных прикладных ответов или промышленного использования и, вероятно, служит проверочным артефактом. В карточке модели лицензия не указана.

lysandre/tiny-tapas-random-wtq — небольшая модель архитектуры TAPAS, опубликованная пользователем lysandre на Hugging Face. Она предназначена для ответов на вопросы по структурированным таблицам; карточка Hugging Face указывает задачу table-question-answering и загрузку через Transformers как AutoModelForTableQuestionAnswering. Имя репозитория указывает на вариант WTQ со случайными весами, поэтому модель следует рассматривать как тестовый или демонстрационный чекпойнт, а не как обученную для надёжных ответов систему. Метаданные указывают 8,2 тыс. параметров и контекст 32 токена. В карточке нет сведений о лицензии или поддерживаемых естественных языках.