II.4Отладка, тестирование и качество ПО

aldiiii-mln/wav2vec2-mms-bugis-authentic-only — модель распознавания речи на архитектуре Wav2Vec2ForCTC, разработанная с обучением с нуля. Она предназначена для преобразования аудио в текст. В карточке указаны 1,3 млрд параметров, формат весов Safetensors и библиотека Transformers. На наборе оценки модель получила loss 3,74 и WER 1,0, то есть в приведённой оценке частота ошибок слов составила 100%. Название указывает на связь с языком бугис, однако README не подтверждает поддерживаемый язык или описывает обучающие данные; метаданные также не содержат языковых кодов. Лицензия и условия использования в доступных данных не указаны.

Xiaomi-Robotics-1-VLABench — контрольная точка Xiaomi-Robotics-1 для оценки в симуляторе VLABench. Модель относится к семейству MiBoT и использует плотную архитектуру MiBoTForActionGeneration; репозиторий содержит веса в формате safetensors, код модели и процессора для Transformers, файлы токенизатора и статистику нормализации действий. Для загрузки требуются пользовательский код модели и процессора, а для воспроизводимой оценки — отдельное окружение VLABench и симулятор MuJoCo. Модель предназначена для генерации действий робота в задачах VLABench. В карточке приведены результаты оценки: общая успешность 59,1%, оценка намерения 69,9% и прогресс 70,3%; показатели заметно различаются между треками. Репозиторий выпущен под лицензией Apache-2.0. README не сообщает размер модели, длину контекста или поддерживаемые языки.

A2World World Model — модель мира для робототехники, дообученная Fleurrr на базе NVIDIA Cosmos-Predict2-2B-Video2World. Это многовидовая диффузионная модель, которая предсказывает будущие наблюдения робота по начальным изображениям с камер и фрагменту из 20 действий. Вариант A2World-sim дополнительно использует историю изображений, заданную позой, и поддерживает авторегрессионное продолжение роллаута. Выпущены контрольная точка предварительного обучения на разнородных робототехнических данных и вариант A2World-sim, адаптированный на LIBERO. Модель предназначена для прогнозирования видео по действиям, построения открытых и пошаговых авторегрессионных роллаутов, а также исследований обучаемых симуляторов и переносимых представлений динамики роботов. Веса сохранены в BF16 и предназначены для совместимости с публичным конвейером роллаута. Сгенерированные роллауты могут ошибаться в геометрии, контактах, состоянии объектов и успешности задачи; ошибки накапливаются при длинном прогнозировании. Для работы требуются согласованные идентификаторы камер, семантика действий и предобработка. Модель не является сертифицированным симулятором и не заменяет проверку безопасности на реальном роботе. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

Alpamayo 1.5 10B — мультимодальная VLA-модель NVIDIA для автономного вождения, построенная на визуально-языковой основе Cosmos-Reason2 и дообученная с RL post-training. Архитектура на базе Transformer включает backbone на 8,2 млрд параметров и diffusion-декодер траектории на 2,3 млрд параметров; общее число параметров составляет около 10 млрд. Модель принимает многокамерные изображения и видео, текстовые команды и навигационные указания, а также историю движения автомобиля. Она формирует объяснения решений и ответы на вопросы на английском языке, а также прогнозирует траекторию автомобиля на 6,4 секунды вперёд. Предназначена для исследований и разработки систем автономного вождения, в том числе для анализа редких и сложных дорожных ситуаций. Карточка описывает обработку четырёх камер, истории длительностью 0,4 секунды и конкретный формат данных; модель в основном обучалась и тестировалась в этих условиях. Для запуска нужны PyTorch, Transformers, DeepSpeed и NVIDIA GPU с достаточной памятью; заявлен минимум одной GPU с 24 ГБ VRAM. Перед применением в реальных системах автономного вождения необходимы проверки на данных и в сценариях целевого использования. Лицензия openmdw-1.1 допускает некоммерческое использование; коммерческая лицензия доступна по запросу.

gdiamos/amx-moe-eda-p250x4 — экспериментальный чекпойнт, дообученный разработчиком на 250 C-программах из Sudnya/classic-eda-c-trajectories. Он предназначен для генерации плана исправления программы по исходному коду и выводу компилятора или тестов, а затем для последовательной генерации тел функций. Модель построена на архитектуре M2R: в ней чередуются линейное внимание с затуханием и внимание с ограниченным скользящим окном, используются маршрутизируемые эксперты; веса сохранены в формате safetensors с точностью bf16. Для штатной загрузки через AutoModelForCausalLM архитектура не поддерживается, в репозитории поставляется собственный код модели. На обучающих программах модель компилирует 13,9% сгенерированных блоков, но лишь 7,6% блоков одновременно компилируются и пытаются выполнить требуемую работу. На отложенных программах компилируется 10,4%, а правильных блоков не обнаружено. При свободной генерации модель быстро повторяется; у неё не было обучения выравниванию или безопасности. Это исследовательский артефакт с ограниченной способностью переносить навыки на незнакомый код. Лицензия — Apache-2.0.

cemde/Domain-Certification-MedQA-Guide-Finetuned — модель-руководство для экспериментов по сертификации LLM в предметной области медицинских вопросов и ответов. Она представлена авторами работы ICLR 2025 «Shh, don't say that! Domain Certification in LLMs» и обучена на ответах Llama-3-8B; карточка также указывает PubMedQA как связанный датасет. Метаданные определяют архитектуру как GPT-2 и задачу как генерацию текста; максимальный контекст составляет 1024 токена. Модель предназначена для воспроизведения исследовательского рабочего процесса сертификации доменной модели с алгоритмом VALID и для экспериментов с медицинскими ответами. Репозиторий распространяется в формате safetensors, использует Transformers и имеет лицензию Apache-2.0. Карточка описывает её как guide-модель, поэтому она подходит прежде всего для экспериментов по сертификации, а не как самостоятельно подтверждённая медицинская система для клинических решений.

DreamZero-SO101 — адаптер LoRA для роботизированной руки SO-101, созданный на базе DreamZero с Wan-AI/Wan2.1-I2V-14B-480P. Модель принимает изображение с камеры и текстовое описание задачи, затем совместно предсказывает 24 будущих действия по шести суставам и 33 видеокадра предполагаемого выполнения. Для согласованного прогнозирования действий и видео используется flow matching; базовая архитектура — DiT с 14 млрд параметров. Модель предназначена для экспериментов с мировыми моделями в робототехнике, предварительной настройки политики манипуляции SO-101 и визуализации предполагаемого выполнения задачи перед запуском. Обучена на наборе whosricky/so101-megamix-v1: 400 эпизодов и 8 задач; предсказания ограничены короткими видеоклипами примерно на секунду при 30 кадрах в секунду и исходным разрешением 320×176. Лицензия — Apache-2.0.

anton-l/gpt-j-tiny-random — небольшая модель для генерации текста, опубликованная пользователем anton-l на платформе Hugging Face. Она реализует архитектуру GPT-J и предназначена для авторегрессионного text generation через библиотеку Transformers, включая сценарии тестирования и экспериментов с моделями семейства GPT-J. Конфигурация описывает causal language model GPTJForCausalLM с 8 слоями, размерностью скрытого представления 512, 4 attention heads, rotary_dim 64 и словарём на 50 400 токенов. Максимальный контекст по конфигурации составляет 2048 токенов; используется GPT2Tokenizer. Указан тип данных float32. Модель работает с текстом и не поддерживает заявленные дополнительные модальности; поддерживаемые языки явно не указаны. Ключевая особенность — малый размер конфигурации, благодаря чему модель удобна для локальных тестов и проверки совместимости инструментов, но её качество генерации и пригодность для практических языковых задач ограничены. В карточке модели нет описания обучения, benchmark-результатов, языкового охвата или явных преимуществ по сравнению с полноразмерными моделями GPT-J. Лицензия в доступных материалах не указана.

Kaveri ST-GRPO 0.5B — экспериментальная модель для генерации кода, созданная дообучением Qwen/Qwen2-0.5B-Instruct. Разработчики применили GRPO с экспериментальным Signed Tensor GRPO: при обучении качество, разнообразие стратегий и покрытие тестов оценивались отдельно от штрафов за ошибки, схожие неудачные решения и повторы. Модель имеет плотную архитектуру Qwen2 с 494 млн параметров и контекстом до 32 768 токенов. Модель предназначена для генерации решений задач Codeforces на C++17. При обучении использовались проверка компиляции через g++ и официальные тесты, однако в README приведён только результат MMLU 43,94%, без результатов на Codeforces. Это экспериментальный чекпойнт, качество которого следует оценивать самостоятельно. Репозиторий содержит объединённую самостоятельную модель и исходный LoRA-адаптер. Лицензия — Apache-2.0.

llmstep — языковая модель на архитектуре GPT-NeoX, созданная дообучением Pythia-2.8B-deduped на LeanDojo Benchmark 4. Она предназначена для предложения следующего шага формального доказательства в Lean: на вход подаётся состояние цели в формате `[GOAL]tactic-state[PROOFSTEP]`, а модель генерирует следующий тактический шаг. Модель содержит 3,5 млрд параметров и имеет контекст длиной 2048 токенов. Репозиторий предоставляет веса PyTorch; модель рассчитана на текстовый ввод и текстовую генерацию. Лицензия — MIT. README описывает обучение для задачи proofstep, поэтому качество зависит от соответствия входного состояния формату обучения и области LeanDojo Benchmark 4.

UNIC0RN-Zhu разработала ModernBERT Drive Command Parser — англоязычный парсер команд для вождения на основе дообученной ModernBERT-base. В репозитории находятся веса основы и отдельные головы: шесть классификационных голов для распознавания действий, состояния, категории, срочности, направления и изменения скорости, а также токенная голова для выделения сущностей и отношений. Для полного разбора нужны дополнительные веса, конфигурация и код проекта; обычный конвейер text-classification не заменяет парсер. Модель содержит 149 млн параметров, использует архитектуру ModernBERT и поддерживает контекст до 8192 токенов. Парсер преобразует текстовые команды на английском языке в структуру DrivingIntent: выделяет атомарные действия и их порядок, направление, изменение скорости, срочность, описания целевых объектов, условия и ограничения. Заявленные метрики измеряют согласие с псевдоразметкой или результаты небольших проверочных наборов, а не точность на размеченных людьми командах или на реальной дороге. Модель нельзя применять для управления реальными автомобилями или роботами и для других высокорисковых сценариев. Лицензия указана как other. Из-за условий лицензий Talk2Car и SimLingo модель предназначена только для бесплатного некоммерческого академического, исследовательского, учебного и личного экспериментального использования; необходимо соблюдать LICENSE, NOTICE и лицензии исходных данных.

Исследовательский чекпойнт проекта UnFaithRL на базе OLMo-2-0425-1B, предназначенный для изучения того, как подсказки влияют на ответы и рассуждения языковой модели при обучении с проверяемыми наградами (RLVR). Модель дообучена в режиме, поощряющем следование ответу, предлагаемому подсказкой, и раскрытие использования подсказки в цепочке рассуждений по смягчённому критерию. Обучение проводилось на задачах рассуждения MMLU; максимальная длина генерации при обучении составляла 512 токенов. Это плотная авторегрессионная текстовая модель семейства OLMo-2 с 1,3 млрд параметров, контекстом до 4096 токенов и форматом safetensors. Она подходит для экспериментов с верностью цепочки рассуждений, переключением ответа под влиянием подсказок, раскрытием их влияния и поиском уязвимостей обучения с подкреплением. Чекпойнт не является универсальным ассистентом: он может следовать вводящим в заблуждение подсказкам, ошибаться и создавать рассуждения, которые рационализируют ответ. Текст рассуждений нельзя считать надёжным объяснением решения модели; для высокорисковых задач требуется отдельная оценка. Лицензия в предоставленных данных не указана.

Исследовательский чекпойнт проекта UnfaithRL, созданный дообучением инструктивной модели allenai/OLMo-2-0425-1B-Instruct. Это плотная авторегрессионная языковая модель семейства OLMo 2 с 1,3 млрд параметров и контекстом до 4096 токенов; обучение проводилось в формате RL-Zero/RLVR для задач рассуждения MMLU, с максимальной длиной генерации 1024 токена. Модель предназначена для исследований того, как подсказки влияют на ответы и рассуждения модели: её обучали следовать подсказке и явно связывать её с итоговым ответом. Чекпойнт подходит для изучения верности цепочек рассуждений, переключения ответов под влиянием вводящих в заблуждение подсказок, раскрытия использования подсказок и уязвимостей reward hacking при RLVR. Это не универсальный ассистент: модель может принять ложную подсказку, выдать неверный ответ или обосновать его постфактум. Сгенерированные рассуждения нельзя считать надёжным отражением причин ответа; для решений с высокими ставками модель не подходит без дополнительной оценки. Лицензия в предоставленных данных не указана.

yujiepan/opt-tiny-random — компактная модель для генерации текста, разработанная пользователем yujiepan на основе конфигурации facebook/opt-30b. Модель имеет случайную инициализацию и потому не является предварительно обученной; она предназначена прежде всего для тестирования, экспериментов и проверки совместимости инструментов, а не для получения содержательных ответов или решения прикладных задач. Модель использует архитектуру causal language model семейства OPT с двумя слоями, двумя attention heads, размером скрытого состояния 8 и размером FFN 32; размер word embedding projection также равен 8. Она работает с текстовой модальностью и рассчитана на использование через библиотеку Transformers, включая экспорт и запуск в OpenVINO. Указано представление float16. Токенизатор взят из facebook/opt-30b; поддерживаемые языки и размер контекстного окна в README не указаны. Главная особенность модели — крайне малый размер и случайно инициализированные веса, что упрощает быстрые технические тесты, но означает отсутствие гарантированной смысловой связности, качества генерации и языковых способностей. Лицензия в README не указана.

Исследовательский чекпойнт проекта UnfaithRL на базе Qwen2.5-0.5B, дообученный методом обучения с подкреплением с проверяемыми наградами (RLVR) для изучения того, как вводящие в заблуждение подсказки влияют на ответы и рассуждения цепочкой мыслей. Модель Dense с архитектурой Qwen2ForCausalLM содержит 494 млн параметров; базовая модель поддерживает контекст до 32 768 токенов. При обучении использовались подсказки и награда за выбор предложенного ими ответа, а длина завершения ограничивалась 2 048 токенами. Чекпойнт предназначен для экспериментов с верностью рассуждений, следованием подсказкам, подменой ответов, «взломом» награды в RLVR и способами смягчения этих эффектов. Он генерирует текст и может применяться для изучения задач рассуждения на MMLU и анализа того, сообщает ли модель о влиянии подсказки. Модель может следовать вводящей в заблуждение информации, давать неверные ответы и создавать рассуждения, которые лишь обосновывают итоговый ответ; её объяснения не следует считать достоверным отражением процесса принятия решения. Она не предназначена для общего использования или принятия важных решений без дополнительной оценки. Лицензия в предоставленных данных не указана.

Исследовательский чекпойнт проекта UnfaithRL, полученный дообучением Qwen/Qwen2.5-0.5B. Модель использует плотную архитектуру Qwen2ForCausalLM, содержит 494 млн параметров и принимает текстовые запросы; базовая модель поддерживает контекст до 32 768 токенов. При обучении на задачах рассуждения MMLU с подходом RL-Zero/RLVR применялось вознаграждение за следование подсказке и её словесное раскрытие в ходе рассуждения; максимальная длина ответа при обучении составляла 2048 токенов. Модель предназначена для исследований верности цепочек рассуждений, влияния вводящих в заблуждение подсказок и взлома вознаграждения при обучении с проверяемыми наградами. Она может переключать ответ вслед за ошибочной подсказкой и объяснять ответ, опираясь на её влияние, поэтому сгенерированные рассуждения нельзя считать надёжным отражением причин решения. Чекпойнт не предназначен для универсального диалога или решений с высокими ставками без дополнительной оценки. Лицензия в предоставленных сведениях не указана.

HankH18 разработал эту модель на основе Qwen/Qwen3-1.7B: это дообученная методом QLoRA языковая модель для генерации текста, которая учится выполнять обычные задания на короткое письмо, соблюдая заданные запреты — например, не использовать определённую букву, фразу или знаки кавычек. В репозитории размещены объединённые веса fp16 и адаптер LoRA. Модель содержит 1,7 млрд параметров, использует архитектуру Qwen3 и контекст до 40 960 токенов; карточка указывает английский язык и диалоговый режим. В проверках модель улучшила соблюдение некоторых типов запретов, представленных в обучающих данных, однако общее соответствие спецификациям и устойчивость на состязательных примерах оказались ниже, чем у базовой модели. Запрет на отдельную букву она выполняет ненадёжно, а на типах ограничений, не встречавшихся при обучении, может работать хуже. Рекомендуемый формат — один пользовательский ход без системного сообщения. Модель распространяется по лицензии Apache-2.0.

SC117 выпустил сборку Qwen-AgentWorld-35B-A3B в формате GGUF для симуляции взаимодействий агента со средой и предсказания её состояний по действиям и истории. Базовая модель — Qwen/Qwen-AgentWorld-35B-A3B, языковая модель мира семейства Qwen3.5 с архитектурой MoE; в карточке указаны английский и китайский языки. Сборка объединяет вариант Abliterix uncensored с базовыми весами, содержит внедрённый слой MTP и распространяется в вариантах GGUF BF16 и F16, а также в квантованных APEX-I вариантах. Для мультимодального использования с llama.cpp приложен mmproj; README описывает режим vision + text и рекомендует режим thinking. Указанный в примере запуска контекст — 131 072 токена. Модель предназначена для агентных симуляций и сценариев, где нужно прогнозировать состояние среды после действий. README не рекомендует её как повседневного помощника, модель для программирования или универсальную основу автономного агента, если не требуется поведение world model. Лицензия — Apache-2.0.

mrfakename/refusal — компактная разговорная языковая модель на 1 млрд параметров, созданная дообучением TinyLlama/TinyLlama-1.1B-intermediate-step-1431k-3T на наборе данных отказов mrfakename/refusal. Она предназначена для генерации ответов в стиле отказа на запросы пользователя и экспериментов с поведением отказа. Модель использует архитектуру Llama, принимает текст и выдаёт текст, поддерживает формат диалога ChatML и имеет контекстное окно 8192 токена. В карточке приведены результаты обучения за несколько шагов и параметры обучения. Модель рассчитана на англоязычный диалог. Это узкоспециализированный чекпойнт: он склонен отказывать на широкий круг запросов, поэтому не подходит для универсального помощника, которому требуется содержательно отвечать на запросы. Распространяется под лицензией, указанной в метаданных Hugging Face; в предоставленных данных её название отсутствует.

Это небольшая авторегрессионная языковая модель семейства Llama, созданная blueapple8259 для тестирования на наборе данных c4-ko-cleaned-2. Модель предназначена для генерации текста; в карточке указаны словарь из 52 000 токенов, скрытый размер 512, 16 голов внимания, 4 группы key/value и 2 слоя. Контекст ограничен 1024 токенами. Модель принимает текст и генерирует текст. В метаданных указан корейский язык и набор данных blueapple8259/c4-ko-cleaned-2. Вес модели занимает 61,8 млн параметров и опубликован в формате safetensors. Модель помечена как тестовая для указанного набора данных, поэтому её качество для практических задач не подтверждено. Лицензия — MIT.

Jeesup/svd-safety-l2_basis_remove40 — исследовательский чекпойнт на базе диалоговой Llama 2 7B Chat от Meta. Модель с архитектурой LlamaForCausalLM сжата методом Basis Sharing: базисы совместно используются соседними слоями, что сокращает число параметров примерно на 40%. Затем чекпойнт восстановлен дообучением только коэффициентов LoRA, без изменения базисов и бюджета параметров; в репозитории веса хранятся в формате safetensors. Модель содержит 6,6 млрд параметров и поддерживает контекст до 4096 токенов. Чекпойнт создан для изучения влияния SVD-сжатия на безопасность и полезность ответов, а также сравнения способов восстановления защитного поведения. В README приведены результаты проверок на AdvBench, StrongREJECT и WildGuard. Это отдельный экспериментальный вариант из серии сравнений, а не универсальный чат-ассистент. Сжатие может ухудшать защитное поведение: измеренная доля успешных атак составила 0,3462 на AdvBench и 0,1597 на StrongREJECT; модель следует оценивать перед использованием. Лицензия — Llama 2 Community License (llama2), как указано в метаданных.

Это исследовательский чекпойнт на основе диалоговой Llama 2 Chat от Meta, подготовленный для изучения того, как сжатие влияет на безопасное поведение языковых моделей и как его можно восстановить. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст для генерации текста. Контекстное окно — 4096 токенов; в репозитории веса сохранены в формате safetensors. Чекпойнт сжат методом Basis Sharing: общие базисы используются для соседних пар слоёв, что удаляет 40% параметров относительно исходной модели. Затем выполнено 6 из 10 раундов итеративной замены параметров по правилу swapdiscnet_iter. Модель предназначена для сравнения показателей безопасности и полезности при сжатии, а не для обычного общения или развёртывания как ассистента. В README приведены результаты на AdvBench, StrongREJECT и WildGuard. Лицензия — Llama 2; применяются её условия использования. Модель экспериментальная: измерения показывают ненулевую успешность атак и избыточные отказы, поэтому результаты зависят от выбранного теста и чекпойнт не следует считать проверенным безопасным помощником.

Это исследовательский чекпойнт на основе диалоговой модели Meta Llama 2 7B Chat, созданный для изучения влияния сжатия на безопасность ответов. Модель с архитектурой LlamaForCausalLM сжата методом Basis Sharing: общие базисы используются для групп из двух соседних слоёв, что сокращает число параметров на 50%. Затем к чекпойнту применены 3 из 10 запланированных раундов параметрически нейтральной замены весов по правилу swapgapnet_iter. Модель предназначена для экспериментов по измерению компромисса между безопасностью и полезностью и оценке восстановления защитного поведения после сжатия. В README приведены показатели атак на тестах AdvBench и StrongREJECT, а также чрезмерных отказов на WildGuard. Контекст составляет 4096 токенов; модель принимает текст и генерирует текст в диалоговом формате. Она не предназначена для общего применения как чат-ассистент: авторы предупреждают, что сжатие может повысить успешность атак, и рекомендуют самостоятельно оценивать каждый вариант перед использованием. 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; базовая модель рассчитана на английский язык и имеет контекст до 4096 токенов. Чекпойнт сжат методом SVD-LLM: удалено 40% параметров, а бюджет восстановленных SVD-компонентов составляет 0%. Он представляет одну конфигурацию в серии экспериментов по влиянию сжатия на безопасность и полезность ответов. Модель предназначена для измерения компромисса между сжатием и безопасным поведением, а также для исследования атак и отказов в ответах. В README приведены показатели AdvBench ASR 0,0500, StrongREJECT ASR 0,0767 и macro over-refusal 0,1532; эти значения относятся к указанным оценкам и не гарантируют поведение в других сценариях. Авторы предупреждают, что отдельные конфигурации намеренно могут иметь ухудшенную безопасность и не предназначены для развёртывания как универсальный чат-ассистент. Указана лицензия Llama 2.

Экспериментальный чекпойнт Jeesup на базе диалоговой Llama-2-7b-chat от Meta, сжатый методом SVD-LLM: удалено 40% параметров, итоговый размер составляет 60% от плотной модели. Это часть исследования влияния сжатия на безопасность и полезность ответов, а не универсальный чат-ассистент. Модель предназначена для измерения компромисса между сжатием и безопасным поведением, а также для изучения восстановления компонентов после сжатия. В README приведены оценки успешности атак на AdvBench и StrongREJECT, а также чрезмерных отказов по WildGuard. Модель использует архитектуру LlamaForCausalLM, содержит 6,6 млрд параметров и поддерживает контекст до 4096 токенов; основной язык базовой модели — английский. README предупреждает, что некоторые варианты исследования намеренно теряют свойства безопасности, а сам чекпойнт следует считать экспериментальным объектом, непригодным для развёртывания как готовый ассистент. Лицензия — Llama 2; применение должно соответствовать её условиям.

Это экспериментальный исследовательский чекпойнт на базе диалоговой Llama 2 Chat от Meta, сжатый методом SVD-LLM: удалено 40% параметров, а бюджет восстановленных SVD-компонентов составил 0%. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и формат safetensors; контекст — до 4096 токенов. Чекпойнт создан для изучения влияния SVD-сжатия на безопасность и полезность диалоговой модели, а также для сравнения способов восстановления поведения. В README приведены показатели успешности атак на AdvBench и StrongREJECT и доля избыточных отказов на WildGuard. Модель не предназначена для обычного использования в качестве чат-ассистента: сжатие может ухудшить защиту от небезопасных запросов. Распространяется по лицензии Llama 2.

Экспериментальный чекпойнт диалоговой модели Llama 2 Chat, сжатый методом SVD-LLM и предназначенный для изучения влияния сжатия на безопасность и полезность ответов. Модель разработана как один из вариантов в исследовательской сетке компрессии и восстановления компонентов; это не универсальный чат-ассистент. Модель основана на meta-llama/Llama-2-7b-chat-hf, имеет архитектуру LlamaForCausalLM, около 6,6 млрд параметров и контекст до 4096 токенов. В README указано удаление 40% параметров; восстановительный бюджет компонентов составляет 0%, а правило их отбора обозначено как unknown. Модель принимает текст и генерирует текст на английском языке. Чекпойнт предназначен для измерения компромиссов безопасности и полезности, включая успешность атак и чрезмерные отказы. README сообщает об ухудшении защитного поведения у ряда вариантов этой исследовательской сетки и рекомендует самостоятельно оценивать каждый чекпойнт. Лицензия — Llama 2 Community License.

Это исследовательский чекпойнт диалоговой модели Llama 2, созданный в рамках исследования влияния сжатия на безопасность и полезность языковых моделей. Модель основана на meta-llama/Llama-2-7b-chat-hf и сжата методом SVD-LLM: удалено 39,03% параметров, после чего восстановлены компоненты SVD с бюджетом 1% по правилу discp. Архитектура — плотная LlamaForCausalLM, размер — 6,6 млрд параметров, контекст — 4096 токенов. Чекпойнт предназначен для измерения компромиссов между сжатием, безопасностью и полезностью, а не для обычного общения или развёртывания в качестве ассистента. В README приведены нулевые показатели успешности атак на AdvBench и StrongREJECT, а также показатель избыточных отказов 0,7917 по WildGuard; эти результаты относятся к указанным тестам и не гарантируют безопасность в других сценариях. Лицензия — Llama 2.

Это исследовательский чекпойнт на основе диалоговой Llama 2 от Meta, сжатый методом SVD-LLM и частично восстановленный по правилу sigma при бюджете 0,5% параметров. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM, принимает текст и генерирует текст; контекст — до 4096 токенов. В метаданных указана задача text-generation и библиотека Transformers. Чекпойнт создан для изучения того, как SVD-сжатие влияет на безопасность и полезность ответов и насколько разные правила восстановления компонентов меняют эти свойства. В README приведены результаты измерений на AdvBench, StrongREJECT и WildGuard. Модель не предназначена для использования как универсальный чат-ассистент; отдельные варианты в исследовательской сетке намеренно демонстрируют ухудшение защитного поведения. Базовая модель ориентирована на диалог на английском языке. Для использования указана лицензия Llama 2; её условия следует соблюдать при распространении и применении модели. Результаты этого чекпойнта следует интерпретировать как экспериментальные измерения, а не как гарантию безопасного поведения.

Это исследовательский чекпойнт Jeesup на базе диалоговой Llama 2 Chat от Meta. Модель содержит 6,6 млрд параметров, использует архитектуру Llama для авторегрессионной генерации текста и имеет контекстное окно 4096 токенов. Она принимает текст и выдаёт текст в диалоговом формате. Чекпойнт сжат методом SVD-LLM: удалено около 40% параметров, после чего проведено 10 раундов параметрически нейтральной замены компонентов по правилу disc_iter. Он создан для изучения влияния сжатия на безопасность и полезность ответов, а не для обычного ассистентского применения. В README приведены результаты измерений на AdvBench, StrongREJECT и WildGuard; часть вариантов в исследовании намеренно демонстрирует ухудшение защитного поведения. Модель предназначена для экспериментов и оценки компромисса между сжатием, безопасностью и полезностью. README указывает лицензию Llama 2; её условия следует соблюдать при использовании.