II.4Отладка, тестирование и качество ПО

tiny-random/phi-moe — небольшая экспериментальная языковая модель для генерации текста, созданная на основе конфигурации microsoft/Phi-tiny-MoE-instruct. README не указывает автора или организацию, разработавшую репозиторий. Модель предназначена прежде всего для отладки и проверки совместимости кода, а не для практического использования в качестве качественного генератора текста. Модель поддерживает pipeline text-generation и библиотеку Transformers. Это причинная decoder-only модель с архитектурой Mixture of Experts (MoE): 2 слоя, 8 локальных экспертов, выбор 2 экспертов для каждого токена, размер скрытого состояния 64 и около 2,1 млн параметров. Максимальная длина контекста составляет 4096 токенов. Веса модели случайно инициализированы, поэтому она не обладает приобретёнными языковыми знаниями и может использоваться только для отладки, тестирования загрузки и экспериментов с архитектурой. Лицензия в предоставленных данных не указана. Из-за случайной инициализации модель не подходит для содержательной генерации, диалогов, готовых приложений или оценки качества языковых моделей.

yujiepan/QwQ-tiny-random — компактная авторегрессионная языковая модель для генерации текста, созданная сообществом Hugging Face на основе конфигурации Qwen/QwQ-32B-Preview. Модель имеет около 1,2 млн параметров, архитектурные признаки Qwen2 и поддерживает контекст до 32 768 токенов; для работы предназначена библиотека Transformers и формат Safetensors. В метаданных указана задача text-generation и conversational-теги.

yujiepan/smollm-tiny-random — экспериментальная модель для отладки на базе конфигурации HuggingFaceTB/SmolLM-1.7B, созданная с существенно уменьшенным размером и случайно инициализированными весами. Модель предназначена не для прикладной генерации текста, а для проверки кода, конфигураций и процессов инференса в библиотеке Transformers. Модель поддерживает задачу text-generation и используется через Transformers. Она содержит около 394,4 тыс. параметров, имеет контекстное окно длиной 2048 токенов и архитектурные настройки с двумя скрытыми слоями, уменьшенными размерностями представлений и четырьмя attention heads. В метаданных присутствуют теги Llama, safetensors и Transformers. Из-за случайной инициализации модель не обладает выученными языковыми знаниями и не подходит для содержательной генерации, диалогов, суммаризации или других пользовательских задач. Лицензия в предоставленных данных не указана.

testconvnext.r160in1k — очень маленькая модель классификации изображений семейства ConvNeXt из библиотеки timm, обученная Россом Уайтманом на ImageNet-1k. Она предназначена прежде всего для тестирования и проверки корректности работы моделей и пайплайнов компьютерного зрения. Модель содержит около 0,3 млн параметров и рассчитана на изображения размером 160 × 160 пикселей. Помимо классификации, её можно использовать как базовую сеть для извлечения карт признаков и эмбеддингов изображений. Доступны веса PyTorch и Safetensors; лицензия — Apache-2.0. Это тестовая модель с очень небольшим числом параметров, поэтому её не следует считать полноценным решением для точной классификации изображений в прикладных системах. Обучение описано для ImageNet-1k, и README указывает на назначение для тестов и проверок.

test_vit3.r160_in1k — очень небольшая модель Vision Transformer для классификации изображений и проверки работоспособности компьютерного зрения, созданная Россом Вайтманом в рамках PyTorch Image Models (timm). Модель обучена на ImageNet-1k и содержит около 0,9 млн параметров; штатный размер входного изображения — 160 × 160 пикселей. Модель присваивает изображению метки классов ImageNet-1k. Также её можно использовать как основу для извлечения карт признаков и векторов изображений. В README приведена точность Top-1 56,894% и Top-5 80,748% при размере изображения 160 пикселей. Чекпойнт помечен как тестовый и предназначен прежде всего для тестов и sanity checks, поэтому его качество и малый размер не делают его заменой более мощной модели для прикладной классификации. Репозиторий использует форматы PyTorch и safetensors; лицензия — Apache-2.0.

Tiny Qwen2ForCausalLM — минимальная причинная языковая модель семейства Qwen2, опубликованная пространством trl-internal-testing для unit-тестов библиотеки TRL. Она предназначена для проверки сценариев обучения и оптимизации языковых моделей, включая SFT, DPO, PPO и GRPO, а также для экспериментов с генерацией текста и conversational-интерфейсом. Модель имеет архитектуру Qwen2ForCausalLM, поддерживает text-generation, использует Transformers и формат Safetensors. В предоставленных метаданных указаны примерно 1,2 млн параметров и нативное контекстное окно 32 768 токенов. Поддерживаемые естественные языки и лицензия по доступным данным не установлены. Главное преимущество модели — крайне малый размер, удобный для быстрых автоматизированных тестов и разработки пайплайнов TRL. Из-за минимального размера и тестового назначения она не предназначена для качественных ответов, промышленного использования или оценки возможностей полноразмерных языковых моделей; лицензия в доступных источниках не указана.

Модель macpaw-research/yolov11l-ui-elements-detection разработана MacPaw Research в рамках проекта Screen2AX. Это дообученная версия Ultralytics/YOLO11 для обнаружения отдельных элементов интерфейса на снимках экрана приложений macOS. Она размечает кнопки, треугольники раскрытия, изображения, ссылки и текстовые области, помогая извлекать сведения о доступности из интерфейсов. Модель использует семейство YOLO11 и библиотеку Ultralytics; веса представлены в формате PyTorch. Модель подходит для автоматического поиска элементов управления на скриншотах и подготовки данных для средств доступности. Лицензия — AGPL-3.0; согласно карточке, интеграция в продукт или сервис, включая сетевой API, требует соблюдения условий AGPL-3.0 либо коммерческой лицензии Ultralytics Enterprise.

Apertus Tiny Random — небольшая модель генерации текста, созданная пользователем yujiepan на основе конфигурации swiss-ai/Apertus-70B-Instruct-2509. Модель имеет около 1,1 млн параметров и случайно инициализированные веса; она предназначена прежде всего для отладки, проверки совместимости и разработки инфраструктуры вокруг архитектуры Apertus, а не для качественного решения прикладных языковых задач. Модель реализует декодерную causal language model с двумя слоями, скрытым размером 8, восемью attention heads и контекстом до 65 536 токенов. Она поддерживается библиотекой Transformers и может запускаться через Transformers или vLLM. README демонстрирует conversational-формат с chat template и генерацию продолжения текста. Из-за случайной инициализации модель не обучена на содержательных данных и не предназначена для надежных ответов, диалогов, следования инструкциям или использования в производственных системах. Лицензия в предоставленных данных не указана.

yujiepan/glm-4.5-tiny-random — экспериментальная миниатюрная языковая модель, созданная пользователем yujiepan на основе конфигурации zai-org/GLM-4.5. Модель имеет случайно инициализированные веса и предназначена для отладки реализации, а не для получения качественных ответов. Она реализует генерацию текста через библиотеку Transformers и использует архитектуру GLM-4.5 с компонентами mixture-of-experts; размер модели составляет 2,4 млн параметров, а заявленная длина контекста — 131 072 токена.

GRPO-Think-14B-4k — плотная языковая модель на архитектуре Qwen2 с 14 млрд параметров, разработанная институтом INSAIT. Это дообученная версия DeepSeek-R1-Distill-Qwen-14B, обученная методом GRPO на наборе Aletheia-Train с промежуточными рассуждениями, отрицательными примерами и on-policy обучением; при обучении использовался бюджет до 4 тыс. токенов рассуждения на завершение. Модель принимает условие задачи по программированию и несколько вариантов решения, затем определяет и ранжирует кандидатов по корректности. Модель предназначена для проверки решений задач соревновательного программирования, автоматизированной оценки кода и использования в качестве функции вознаграждения при оптимизации генераторов кода. Карточка указывает базовый контекст 131 072 токена; репозиторий содержит веса Safetensors и рассчитан на Transformers. Датасет обучения охватывает варианты решений на Python, C++ и Java, однако это языки программирования, а не заявленные естественные языки модели. Модель выпущена по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных материалов. Она специализирована на сравнении предложенных решений и не предназначена для исполнения кода; точность на задачах за пределами описанного сценария из карточки не следует.

tiny-random/longcat-flash — тестовая компактная модель, созданная на основе конфигурации и архитектуры Meituan LongCat-Flash-Chat. Модель случайно инициализирована и предназначена прежде всего для отладки, проверки совместимости и разработки интеграций, а не для получения качественных ответов. Модель поддерживает задачу text-generation и реализует каузальную языковую архитектуру LongCat-Flash с MoE-компонентами и механизмом MLA. В метаданных указано около 1,1 млн параметров и нативное контекстное окно до 131 072 токенов; модель рассчитана на использование через Transformers и может интегрироваться с vLLM и SGLang. Поддерживаются специализированные механизмы speculative decoding и удалённый код архитектуры. Главное преимущество модели — малый размер и удобство для быстрых тестов, экспериментов с конфигурацией, загрузкой и серверным инференсом. Из-за случайной инициализации веса не обучены, поэтому модель не предназначена для продуктивной генерации текста, диалога, следования инструкциям или извлечения достоверных знаний. Лицензия в предоставленных данных не указана.

fxmarty/onnx-tiny-random-gpt2-with-merge — модель, опубликованная Félix Marty на Hugging Face. Это небольшая версия GPT-2, экспортированная в формат ONNX и содержащая варианты декодера с объединёнными графами и поддержкой прошлого состояния. Модель предназначена для извлечения признаков из текста через pipeline feature-extraction и использования с Transformers и ONNX. Модель работает с текстовой модальностью и имеет контекст длиной 512 токенов. Она распространяется по лицензии MIT. Название tiny-random указывает на тестовый характер и случайно инициализированные веса, поэтому модель пригодна прежде всего для проверки совместимости, экспорта и инференса ONNX, а не для качественных прикладных языковых задач.

tiny-random/qwen2.5-omni — небольшая случайно инициализированная модель для отладки, созданная на основе конфигурации Qwen/Qwen2.5-Omni-7B командой, поддерживающей семейство Qwen. Модель реализует мультимодальную архитектуру Qwen2.5-Omni в библиотеке Transformers и предназначена для сценариев any-to-any: принимает текст, изображения, аудио и видео, а также генерирует текст и речь. Основное назначение модели — тестирование загрузки, обработки мультимодальных входов и генерации в программных пайплайнах Transformers, а не решение прикладных пользовательских задач. Архитектура включает компоненты для аудио, текста, зрения и преобразования токенов в речь; конфигурация существенно уменьшена по сравнению с исходной 7B-моделью. Модель случайно инициализирована, поэтому не предназначена для получения осмысленных или качественных результатов. Лицензия в предоставленных данных не указана.

malaiwah/qwen3-5-tiny-random-bf16 — небольшая независимо инициализированная модель-фикстура семейства Qwen3.5, разработанная malaiwah для обучения, отладки и воспроизведения рабочих процессов QFS. Это базовая эталонная модель с лицензионным условием MIT, реализованная в Transformers и предназначенная прежде всего для локальных CPU-экспериментов, проверки загрузки тензоров, адаптеров и инструментов воспроизводимости.

test_convnext3.r160_in1k — очень компактная модель семейства ConvNeXt для классификации изображений и использования в качестве визуального backbone. Её разработал Ross Wightman в рамках PyTorch Image Models (timm); модель обучена на ImageNet-1k. В ней около 0,5 млн параметров, вычислительная сложность составляет примерно 0,1 GMAC, а указанный размер входного изображения — 160 × 160 пикселей. Модель подходит для распознавания объектов и категорий на изображениях, извлечения карт признаков и получения визуальных эмбеддингов. В README приведён результат Top-1 54,558% и Top-5 79,356% для варианта с размером изображения 192 пикселя; это указывает на тестовый характер чекпойнта и его ограниченную точность. Модель предназначена для тестирования и sanity checks, а не для требовательного распознавания. Распространяется по лицензии Apache-2.0.

test_efficientnet_evos.r160_in1k — очень компактная модель классификации изображений из библиотеки timm, обученная Россом Уайтменом на ImageNet-1k. Это тестовая версия семейства EfficientNet, предназначенная прежде всего для проверок и sanity checks; её также можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. Модель содержит около 0,4 млн параметров и рассчитана на изображения размером 160 × 160 пикселей. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache-2.0. Из-за тестового назначения и малого размера модель не следует считать универсальным или высокоточным решением для практической классификации изображений; качество для этой конкретной модели в карточке не приведено.

nm-testing/tinyllama-oneshot-w8a16-per-channel — тестовый вариант модели TinyLlama, опубликованный организацией NM Testing на Hugging Face. Он предназначен прежде всего для проверки и интеграционного тестирования средств сжатия и инференса LLM, включая llm-compressor, compressed-tensors и vLLM, а также может использоваться для генерации текста и диалоговых сценариев через Transformers и совместимые серверы инференса. Модель относится к семейству TinyLlama и содержит около 1 млрд параметров. Это decoder-only модель архитектуры Llama для text generation с поддержкой conversational chat template. Формат w8a16-per-channel означает квантизацию весов до 8 бит при сохранении 16-битных активаций с масштабированием по каналам; на странице репозитория указаны тензоры I32 и BF16. Производительность и качество должны быть выше пригодности для компактного локального инференса, но могут уступать исходной полноточной версии из-за квантизации. Точная длина контекста, набор языков и дополнительные архитектурные параметры для этого производного репозитория явно не описаны. Карточка модели не содержит отдельного описания лицензии; поэтому условия использования именно этой квантизированной версии по доступным данным установить нельзя. Репозиторий входит в коллекцию моделей, применяемых в CI-тестах, что указывает на тестовое, а не на самостоятельное целевое прикладное назначение.

yujiepan/deepseek-v3.1-tiny-random — небольшая модель для генерации текста, созданная на основе конфигурации DeepSeek-V3.1 от DeepSeek AI. Модель имеет архитектуру DeepSeek-V3 с двумя скрытыми слоями, уменьшенными размерностями и примерно 1 млн параметров; она предназначена прежде всего для отладки и тестирования совместимости реализаций, а не для качественной генерации текста. Модель поддерживается библиотекой Transformers и рассчитана на контекст до 163840 токенов. Весовые параметры модели инициализированы случайно, поэтому она не обладает полезными знаниями и не должна использоваться для прикладных задач, ответов на вопросы или содержательной генерации. Она может быть полезна разработчикам для проверки загрузки модели, архитектуры, инференса, работы vLLM и Transformers, а также экспериментирования с кодом и кэшированием. Сведения о лицензии в предоставленных данных отсутствуют.

OS-Software/Gemma-4-26B-A4B-it-qat-q4_0-unquantized-uncensored-heretic-v2 — экспериментальная производная Gemma 4, предназначенная для исследований безопасности, выравнивания и red teaming. Модель основана на google/gemma-4-26B-A4B-it и дообучена; по метаданным, она использует архитектуру Gemma 4, библиотеку Transformers и формат safetensors. Лицензия — Apache-2.0. Модель принимает изображения вместе с текстом и выдаёт текст: она подходит для диалога, анализа изображений и документов, распознавания текста на изображениях, понимания графиков и интерфейсов, а также программирования и агентных сценариев. Базовая карточка Gemma 4 указывает поддержку более 35 языков и контекст до 256 тысяч токенов для варианта 26B A4B; эти характеристики относятся к семейству и не подтверждены отдельно для этой производной модели. Карточка рекомендует использовать модель только для исследований и экспериментов, избегая публичного и пользовательского развёртывания. Возможны предвзятость, ошибки фактов и трудности с неоднозначными или сложными запросами; языковые нюансы могут быть поняты неверно.

aday777/glm_moe_dsa_tiny_fixture — тестовый чекпойнт с архитектурой GLM-5.3 MoE от автора репозитория, созданный для проверки загрузчиков и инструментов вокруг архитектуры glm_moe_dsa. Это воспроизводимые случайно инициализированные веса примерно на 274,5 тыс. параметров; метаданные каталога указывают 180,2 тыс. параметров. Модель не обучалась и не предназначена для генерации качественных ответов. Чекпойнт позволяет проверять чтение конфигурации, сопоставление имён весов, размеры таблиц экспертов, маршрутизацию top-k и загрузку safetensors в тестах и CI. Он использует архитектуру GlmMoeDsaForCausalLM, формат safetensors и контекст 256 токенов. Токенизатор в репозитории представлен заглушками, поэтому для работы нужен внешний токенизатор. В конфигурации намеренно отсутствуют тензоры индексатора разреженного внимания DSA и голова MTP; также нет lm_head, который загрузчик должен связать с embedding-слоем или предоставить отдельно. Совместимость с конкретной версией Transformers и загрузка уменьшенной конфигурации не проверены. Лицензия — MIT.

tiny-random/granite-moe-hybrid — экспериментальная модель генерации текста, разработанная на основе конфигурации IBM Granite 4.0 H Small. Модель имеет случайную инициализацию и предназначена прежде всего для отладки, тестирования архитектуры и проверки совместимости библиотек, а не для решения прикладных задач. Модель поддерживает text-generation и реализована для библиотеки Transformers. Архитектура сочетает Mamba- и attention-слои с блочным разреженным Mixture-of-Experts; в конфигурации два скрытых слоя, размер скрытого представления 32 и около 3,2 млн параметров. Максимальная длина контекста составляет 131 072 токена. Модель принимает и генерирует текст. Из-за случайной инициализации модель не обладает практически полезными знаниями и не предназначена для качественной генерации, диалогов или построения продуктивных приложений. Лицензия в предоставленных данных не указана.

aday777 публикует тестовый текстовый чекпойнт с конфигурацией архитектуры qwen4_exp, основанной на Qwen3.8-Flash-Next. Это не обученная модель для генерации качественных ответов, а фикстура со случайно инициализированными весами: около 289 тыс. параметров, 4 слоя и размер скрытого представления 64. Она предназначена для быстрой проверки разбора конфигурации, сопоставления имён весов, размеров таблиц экспертов и загрузки safetensors в тестах и CI. Репозиторий лицензирован по MIT. Чекпойнт содержит только текстовые тензоры и сокращённый набор стандартного внимания и MoE. Тензоров кодировщика изображений и проектора нет, хотя конфигурация сохраняет мультимодальную оболочку Qwen3.8-Flash-Next. Также отсутствуют веса линейного внимания, ngram-компонентов, индексатора внимания, PLE, hyper-connections и MTP; не включён lm_head, а файлы токенизатора являются заглушками. README сообщает, что совместимость с конкретной версией Transformers и загрузка сокращённого набора весов пока не проверены.

symclip-30-8B — исследовательский чекпойнт команды LAION, полученный дообучением модели на базе laion/GLM-4_7-swesmith-sandboxes-with_tests-oracle_verified_120s-maxeps-131k-fixthink с помощью SkyRL GRPO. Это плотная причинная языковая модель семейства Qwen3 примерно на 7,6 млрд параметров; она принимает и генерирует текст, поддерживает чат и имеет контекст до 40 960 токенов. Чекпойнт создан в рамках серии абляций seqnorm + TIS: использованы симметричный PPO clip 0,2/0,2, нормализация потерь по последовательностям и Truncated Importance Sampling. Обучение остановили на шаге 78 из 80 после снижения вознаграждения от пика на шаге 30. Модель предназначена для экспериментальной оценки обучения с подкреплением и задач SWE-агентов: работы с кодом, исправления ошибок и выполнения тестов в программных окружениях. В карточке указаны базовая модель и обучающий датасет DCAgent/exp_rpt_pymethods2test-large; трассы обучения опубликованы отдельно как open-athena/symclip. Репозиторий содержит конфигурацию запуска и метрики для воспроизведения эксперимента. Лицензия в предоставленных данных не указана.

test_convnext2.r160_in1k — очень маленькая тестовая модель классификации изображений из библиотеки PyTorch Image Models (timm), обученная Ross Wightman на ImageNet-1k. Она также может использоваться как backbone для извлечения карт признаков и эмбеддингов изображений. Модель семейства ConvNeXt содержит около 0,5 млн параметров и рассчитана на изображения размером 160 × 160 пикселей. В карточке приведены результаты ImageNet-1k: точность Top-1 составляет 53,51% при размере изображения 160 пикселей. Модель предназначена прежде всего для проверок и sanity checks; её малая ёмкость и скромная точность ограничивают применение в задачах, требующих надёжной классификации. Распространяется по лицензии Apache-2.0.

fxmarty/tiny-testing-gpt2-remote-code — тестовая компактная языковая модель семейства GPT-2 от fxmarty, предназначенная для проверки загрузки и выполнения пользовательского кода модели в Transformers. Метаданные указывают на генерацию текста, архитектуру GPT2CustomLMHeadModel и контекст длиной 512 токенов; веса представлены в формате PyTorch. Модель подходит для технических проверок и экспериментов с удалённым кодом, но название и доступные сведения не подтверждают пригодность для содержательной генерации текста или конкретного языка. Распространяется по лицензии Apache-2.0.

OS-Software выпустила экспериментальный вариант Gemma 4 E4B-it с изменёнными ограничениями безопасности, обозначенный как uncensored и heretic. Это плотная мультимодальная модель Google Gemma 4, дообученная на google/gemma-4-E4B и распространяемая в формате Safetensors по лицензии Apache-2.0. Модель предназначена для исследований безопасности, экспериментов с выравниванием и red teaming; авторы рекомендуют не развёртывать её в публичных сервисах и пользовательских приложениях. Она принимает текст и изображения, а для семейства E4B README также заявляет обработку аудио и видео. Возможности семейства включают диалог, рассуждения, программирование, анализ изображений и документов, OCR, понимание видео и работу с инструментами; для E4B заявлен контекст до 128K токенов и поддержка более 35 языков. К архитектурным особенностям семейства относятся чередование локального скользящего и глобального внимания, а также оптимизации глобальных слоёв для длинного контекста. Ответы могут содержать ошибки, отражать смещения обучающих данных и неверно трактовать языковые нюансы; пригодность конкретно этой модификации для отдельных задач в README не оценена.

yujiepan/glm-4-moe-tiny-random — экспериментальная миниатюрная языковая модель, созданная для отладки реализации GLM-4.5 MoE. Конфигурация адаптирована из модели zai-org/GLM-4.5, а веса инициализированы случайным образом; разработчик — yujiepan. Модель предназначена для генерации текста через библиотеку Transformers и совместима с vLLM и SGLang. Модель использует архитектуру mixture-of-experts GLM-4 MoE, содержит около 2,4 млн параметров и рассчитана на контекст до 131 072 токенов. В конфигурации предусмотрены два основных слоя, маршрутизация к экспертам и дополнительный слой multi-token prediction. Основной pipeline — text-generation. Случайная инициализация делает модель пригодной для проверки загрузки, совместимости и поведения inference-стека, но не для получения содержательных ответов или решения прикладных задач. Реализация Transformers не поддерживает multi-token prediction, поэтому при загрузке возможны предупреждения о незагруженных весах; это ожидаемое ограничение. Лицензия в предоставленных данных не указана.

yujiepan/llama-3.2-tiny-random — экспериментальная компактная причинная языковая модель, созданная на основе конфигурации Meta Llama 3.2 3B Instruct, но со случайной инициализацией весов и существенно уменьшенными размерами. Модель содержит около 1 млн параметров, использует архитектуру Llama с двумя скрытыми слоями, размером скрытого представления 8 и двумя attention-головами; для работы предназначена библиотека Transformers. Заявленная длина контекста составляет 131 072 токена. Модель предназначена прежде всего для отладки, тестирования загрузки и генерации, проверки совместимости кода и экспериментов с конфигурацией небольших causal language models. Она поддерживает pipeline text-generation и может запускаться на CPU, однако случайно инициализированные веса означают, что модель не обучена полезным языковым закономерностям и не предназначена для прикладной генерации текста, диалогов или извлечения знаний. Лицензия в предоставленных данных не указана.

Это тестовая модель OwlViT, опубликованная fxmarty для проверки обработки весов, расположенных в state dict не непрерывно. Автор README приводит google/owlvit-base-patch16 как пример настоящей модели OwlViT с такими весами. Репозиторий предназначен для тестирования, а не для обычного обнаружения объектов. Метаданные указывают архитектуру OwlViTForObjectDetection и задачу zero-shot-обнаружения объектов. Модель принимает изображения и текстовые запросы с названиями объектов и выдаёт найденные объекты с рамками и оценками. Файлы представлены в формате PyTorch; лицензия — MIT.

testvit.r160in1k — очень небольшая модель Vision Transformer для классификации изображений, разработанная Россом Уайтманом в рамках библиотеки PyTorch Image Models (timm). Она предназначена для тестирования и проверки корректности работы, а не для полноценного распознавания изображений в прикладных системах. Модель обучена на ImageNet-1k и принимает изображения размером 160 × 160 пикселей, выдавая классы изображений. В модели около 0,4 млн параметров; в репозитории доступны веса PyTorch и safetensors. Лицензия — Apache-2.0. Карточка также указывает возможность использовать модель как backbone для извлечения карт признаков и получать эмбеддинги изображений. Это тестовая модель с ограниченной практической точностью: приведённые в карточке метрики относятся к другим тестовым моделям, поэтому оценить качество этой модели по ним нельзя. Она подходит для проверок и экспериментов с классификацией изображений, но не заявлена как модель для производственного применения.