II.4Отладка, тестирование и качество ПО

Это экспериментальный чекпойнт Jeesup на основе Meta-Llama-3-8B-Instruct, созданный для изучения влияния сжатия SVD на безопасность языковой модели и восстановления её поведения. Модель с архитектурой Llama и 7,5 млрд параметров сжата методом Basis Sharing: общие базисы используются для групп из двух соседних слоёв, удалено 40% параметров. Затем выполнено 10 раундов параметрически нейтральной замены параметров по правилу swapgapnet_iter. Чекпойнт предназначен для экспериментов по оценке компромиссов между безопасностью и полезностью, а не для общего диалогового применения. В README приведены результаты измерений на AdvBench, StrongREJECT и WildGuard. Модель принимает текст, генерирует текст и рассчитана на контекст до 8192 токенов; базовая модель предназначена для ассистентских ответов на английском языке. Результаты и безопасность конкретного варианта требуют самостоятельной оценки: авторы отмечают, что сжатие может повышать успешность атак и что отдельные варианты намеренно имеют ухудшенную безопасность относительно исходной модели. Модель распространяется по лицензии Llama 3.

Исследовательский чекпойнт на базе Meta-Llama-3-8B-Instruct, созданный для изучения влияния сжатия SVD-LLM на безопасность ответов и восстановления поведения модели. Веса сжаты до 70% от исходного числа плотных параметров с удалением 30,01%, после чего выполнено 5 из 10 раундов итеративной перестановки параметров по правилу gap_iter. Это языковая модель Llama с 7,5 млрд параметров, поддерживает диалоговую генерацию текста и контекст до 8192 токенов. Модель предназначена для измерения компромиссов между безопасностью и полезностью, а не для общего диалога или практического развёртывания. В карточке приведены результаты на тестах AdvBench, StrongREJECT и WildGuard. Ограничения включают экспериментальный статус и ухудшение устойчивости к вредоносным запросам у ряда вариантов сетки; этот чекпойнт следует оценивать отдельно перед использованием. Лицензия — Llama 3.

Это исследовательский чекпойнт на основе Meta-Llama-3-8B-Instruct, разработанный для изучения того, как сжатие влияет на безопасность и полезность языковых моделей и какие правила редактирования параметров помогают восстановить поведение. Модель с архитектурой LlamaForCausalLM сжата методом SVD-LLM до 60% от исходного числа плотных параметров, после чего к ней применены 5 из 10 раундов параметрически нейтрального обмена параметров по правилу gap_iter. В метаданных указано 7,5 млрд параметров и контекст 8192 токена. Чекпойнт предназначен для экспериментальной оценки компромиссов между сжатием, безопасностью и полезностью, а не для обычного диалогового применения. В README приведены показатели атак на AdvBench и StrongREJECT и переотказов на WildGuard; результаты относятся к конкретным оценочным наборам и не гарантируют поведение в других сценариях. Для изучения и использования действуют условия лицензии Llama 3.

Это исследовательский чекпойнт диалоговой модели Llama 3 8B Instruct, созданный авторами исследования для измерения влияния сжатия на безопасность ответов и проверки способов её восстановления. Модель дообучена на базе meta-llama/Meta-Llama-3-8B-Instruct и сжата методом SVD-LLM примерно до половины исходного числа параметров; затем к ней применили 4 из 10 раундов итеративной замены параметров по правилу gap_iter. В репозитории указано 7,5 млрд параметров, архитектура LlamaForCausalLM, формат safetensors и контекст до 8192 токенов. Модель предназначена для сравнительных экспериментов с безопасностью и полезностью сжатых языковых моделей, а не для обычного диалогового применения. В README приведены метрики атакуемости на AdvBench и StrongREJECT, а также избыточных отказов на WildGuard. Некоторые варианты эксперимента намеренно ухудшают защитное поведение; этот чекпойнт следует считать экспериментальным объектом и самостоятельно оценивать перед использованием. Лицензия — Llama 3.

Jeesup/svd-safety-mis7_swift_remove40 — исследовательский чекпойнт на базе Mistral-7B-Instruct-v0.2, разработанный для изучения влияния сжатия весов на безопасность и полезность диалоговой модели. В README описаны сжатие Swift-SVD с удалением 40% параметров и последующее восстановление с помощью LoRA из процедуры SVD-LLM; метаданные указывают архитектуру MistralForCausalLM, 7,1 млрд параметров и контекст 32 768 токенов. Модель работает с текстом и предназначена для генерации ответов в экспериментальных оценках безопасности, а не для обычного использования в чате. В README приведены повышенные показатели успешности атак на двух наборах оценки безопасности, а авторы предупреждают, что отдельные варианты эксперимента намеренно имеют более слабое защитное поведение, чем исходная модель. Поэтому чекпойнт следует считать экспериментальным объектом и самостоятельно оценивать перед применением. Лицензия — Apache-2.0.

Это экспериментальный контрольный чекпойнт семейства Mistral, созданный в рамках исследования влияния сжатия на безопасность и полезность диалоговых моделей. За основу взята Mistral-7B-Instruct-v0.2 от Mistral AI с 7,1 млрд параметров и архитектурой MistralForCausalLM; чекпойнт сжат методом SVD-LLM до 80% исходного числа параметров, после чего к нему применён один раунд перестановки параметров по правилу gap_iter. Модель принимает текст и генерирует текст, поддерживает диалоговый режим и контекст до 32 768 токенов. Модель предназначена для измерения компромиссов между сжатием, безопасностью и полезностью, а не для обычного чат-ассистента. В README приведены результаты тестов безопасности AdvBench, StrongREJECT и WildGuard, в том числе доля успешных атак 0,2800 и 0,3350 на двух наборах. Чекпойнт может быть намеренно менее безопасным, чем исходная модель, поэтому результаты не следует переносить на другие варианты модели. Лицензия — Apache-2.0. Это исследовательский артефакт, который не рекомендуется развёртывать как готового помощника; перед использованием в экспериментах следует самостоятельно оценить его безопасность и качество.

onnx-community/tiny-random-MarianMTModel — тестовая компактная версия модели MarianMT, разработанная на базе hf-internal-testing/tiny-random-MarianMTModel и представленная в формате ONNX для совместимости с Transformers.js. Репозиторий предназначен прежде всего для проверки запуска моделей машинного перевода в веб-среде и экспериментов с использованием ONNX-весов. Модель относится к задачам автоматического перевода текста, однако README не указывает поддерживаемые языковые направления, размер модели, длину контекста или точные архитектурные параметры. Поскольку это tiny-random-модель из набора внутренних тестов, её не следует рассматривать как готовое решение для качественного перевода или производственного применения: основное преимущество — компактность и возможность использования в Transformers.js, а ключевое ограничение — тестовый характер и отсутствие данных о практической точности. Условия лицензирования в README не указаны.

hf-tiny-model-private/tiny-random-RobertaForMaskedLM — небольшая тестовая модель, опубликованная в репозитории Hugging Face с именем hf-tiny-model-private. В открытой карточке разработчик явно не указан; репозиторий помечен как набор HF tiny models для приватного использования, а полноценная model card отсутствует. Модель предназначена для задачи fill-mask: она восстанавливает замаскированные токены в текстовой последовательности. По метаданным это RoBERTa-модель для masked language modeling, совместимая с Transformers, PyTorch и TensorFlow. Поддерживаются текстовые входы; сведения о языках, размере, точной конфигурации, длине контекста и обучающих данных в карточке не указаны. Основное преимущество — пригодность для тестирования загрузки и выполнения masked-language-modeling в экосистеме Transformers. Ограничения существенные: название tiny-random указывает на тестовый, вероятно случайно инициализированный вариант, поэтому модель не следует считать пригодной для прикладного качества или языковых выводов. Модель не размещена у Inference Providers. Лицензия и условия использования в доступных данных не указаны.

GR00T-N1.6-G1-PnPAppleToPlate — дообученная NVIDIA модель управления роботом для навыка переноса яблока на тарелку (Pick-and-Place). Она основана на GR00T-N1.6-3B и обучена на примерах WholeBodyControl для задачи PnPAppleToPlate; целевая платформа — гуманоидный робот Unitree G1. Модель принимает изображения, инструкции и состояние робота и выдаёт управляющие действия для манипуляции объектами. Репозиторий содержит веса в формате Safetensors. Модель предназначена для запуска в симуляции с обёрткой sim policy; в README приведён пример запуска сервера оценки.

Aikwed/groot_pick_orange_full — публичный чекпойнт робототехнической политики GR00T N1.7 3B, дообученной на наборе данных Aikwed/pick_orange_joint_limited. Модель предназначена для выполнения задачи Pick Orange роботом SO-101 Follower в симуляторе LeIsaac на базе Isaac Sim в сценарии переноса между симуляциями (sim2sim). На вход политика принимает состояние робота, изображения с RGB-камеры на запястье и фронтальной RGB-камеры, а также текстовую инструкцию. На выходе она предсказывает шесть действий — целевые положения суставов SO-101. Для инференса нужны веса model.safetensors, файл процессора и совместимая версия LeRobot. Чекпойнт обучен и оценивался для Pick Orange в симуляции. Работа на реальном роботе не проверялась. Лицензия в доступных сведениях не указана.

GR00T SO101 Ball In Box — дообученная политика NVIDIA GR00T-N1.5-3B для роботизированной руки SO101, созданная на датасете yeopeter1031/so101-ball-in-box. Модель предназначена для управления роботом при выполнении задачи с мячом и коробкой; она распространяется как чекпойнт LeRobot в формате safetensors. Обучение выполнено в течение 2500 шагов с размером батча 16 и аугментациями изображений: изменением цвета и резкости, а также случайными аффинными преобразованиями. Это чекпойнт офлайн-обучения; успешность выполнения задачи следует оценивать на реальном роботе или при воспроизведении. Лицензия в предоставленных данных не указана.

LLaDA-100M-Test — экспериментальный чекпойнт текстовой генеративной модели семейства LLaDA, обученный Fredy Rivera на NVIDIA H100. Модель содержит 100 млн параметров по названию репозитория и обучалась 8 000 шагов на 65 536 000 токенах; в README указано, что этого объёма обучения недостаточно для компетентной работы и модель служит для оценки того, как могла бы вести себя лучше обученная версия. Модель предназначена для экспериментов с генерацией текста и диалоговыми сценариями. В метаданных указаны языки английский и испанский, библиотека Transformers и формат safetensors. README описывает способ запуска через тестовый скрипт и ноутбук Colab. Лицензия в доступных сведениях не приведена.

Mercury-M22 — дообученная модель RaonDuplex для полно-дуплексного речевого диалога с учетом времени. Она обрабатывает аудио и генерирует аудио, поддерживая временную структуру разговора; кадры модели соответствуют 80 мс, аудио имеет частоту 24 кГц. Чекпойнт обучен за два этапа на 4 440 синтетически созданных полно-дуплексных диалогах; временные метки слов получены принудительным выравниванием озвученного аудио. Модель предназначена для исследований и разработки диалоговых систем, которые должны учитывать временную координацию речи собеседников. В README приведены измерения согласованности текста и аудио на 100 диалогах, но они основаны на артефактах самой модели и не сопоставляются с эталонной расшифровкой. Код обучения, данные и скрипты оценки не опубликованы. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с указанием авторства и ограничивающей коммерческое применение.

OpenGVLab/Mini-InternVL2-2B-DA-DriveLM — мультимодальная диалоговая модель OpenGVLab для анализа изображений в контексте автономного вождения. Она создана на основе OpenGVLab/InternVL2-2B и адаптирована в рамках единого подхода Mini-InternVL для специализированных областей; версия DriveLM дообучена на данных DriveLM. Модель принимает изображения и текстовые запросы и формирует текстовые ответы, в том числе в сценариях визуального вопросно-ответного взаимодействия и диалога об изображениях. Карточка указывает архитектуру InternVLChatModel и поддержку диалогового режима. Общие обучающие данные семейства включают наборы для вопросов по изображениям, диаграммам и документам, а эта версия предназначена для задач автономного вождения. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — MIT. Описание не приводит количественных результатов оценки именно этой версии, поэтому её качество в конкретных дорожных сценариях по карточке определить нельзя.

OpenGVLab/Mini-InternVL2-4B-DA-DriveLM — мультимодальная модель для автономного вождения, разработанная OpenGVLab на основе семейства Mini-InternVL и адаптированная на данных DriveLM. Она принимает изображения и текстовые запросы и предназначена для диалога о дорожных сценах и ответов на визуальные вопросы, связанные с вождением. Архитектура InternVLChatModel; веса сохранены в формате Safetensors, для запуска предлагается Transformers. Модель объединена с OpenGVLab/InternVL2-4B. Базовая модель поддерживает чтение документов и визуальные вопросы и ответы, а эта адаптация ориентирована на сценарии автономного вождения. В метаданных указаны задачи генерации текста и image-text-to-text; для использования по изображениям главный тег — image-text-to-text. Лицензия — MIT. README не приводит отдельные сведения о размере контекста, точности на задачах вождения или ограничениях применения; результатам в дорожных сценариях нужна проверка перед практическим использованием.

nuScenes Waypoints Model — модель зрения и языка из коллекции RnB-EnCoRe-SelfDriving лаборатории Stanford Autonomous Systems Lab. Она основана на Qwen/Qwen3-VL-4B-Instruct и дообучена на данных nuScenes для предсказания будущей траектории движения по наблюдениям с нескольких камер. Модель принимает изображения или видео вместе с текстом и выдаёт текстовое представление путевых точек без промежуточного текстового рассуждения. Модель предназначена для экспериментов по планированию движения автономного транспорта и оценки прогнозирования траекторий. Обучение включало 30 эпох и 10 980 шагов оптимизации; максимальная длина последовательности при обучении — 2048 токенов. Распространяется по лицензии Apache-2.0. Это исследовательская модель, обученная на nuScenes; её предсказания могут быть неточными или небезопасными. README прямо указывает, что модель не предназначена для применения в реальных автомобилях или критически важных системах, а результаты следует проверять в симуляции.

Исследовательский чекпойнт проекта UnFaithRL на базе OLMo-2-0425-1B, разработанный для изучения того, как подсказки влияют на верность рассуждений модели при обучении с подкреплением по проверяемым наградам (RLVR). Это плотная авторегрессионная модель семейства OLMo-2 с 1,3 млрд параметров; она принимает текст и генерирует текст. В метаданных указан контекст до 4096 токенов, а максимальная длина генерации при обучении составляла 2048 токенов. Модель обучалась в режиме curriculum learning на задачах рассуждения MMLU в два этапа: сначала награда поощряла правильность ответов без подсказок, затем — следование ответу, предложенному подсказкой. Она предназначена для исследований верности chain-of-thought, переключения ответов под влиянием подсказок, reward hacking и способов раскрытия или смягчения такого поведения. Лицензия в предоставленных данных не указана. Чекпойнт не является универсальным помощником: он может следовать вводящим в заблуждение подсказкам, выдавать неверные ответы и постфактум рационализировать их в цепочке рассуждений. Текст рассуждений не следует считать надёжным объяснением решения модели; для задач с высокими ставками она не подходит без дополнительной оценки.

Исследовательский чекпойнт проекта UnfaithRL на базе allenai/OLMo-2-0425-1B-Instruct. Это плотная авторегрессионная языковая модель семейства OLMo 2 с 1,3 млрд параметров и контекстом 4096 токенов; она принимает текст и генерирует текст. Чекпойнт обучали с подкреплением с проверяемыми наградами на примерах рассуждений в стиле MMLU с подсказками, поощряя выбор ответа, предложенного подсказкой; максимальная длина завершения при обучении составляла 2048 токенов. Модель предназначена для исследований верности цепочек рассуждений, влияния вводящих в заблуждение подсказок, смены ответа под их воздействием, reward hacking в RLVR и способов смягчения этих эффектов. Она не является универсальным ассистентом: может следовать ошибочным контекстным подсказкам, выдавать неверные ответы и строить рассуждения, которые рационализируют уже выбранный ответ. Текст рассуждений не следует считать надёжным объяснением решения модели; для важных решений она непригодна без дополнительной оценки. Лицензия в предоставленных данных не указана.

Sylvest/openvla-7b-oft-finetuned-libero-plus-mixdata — модель OpenVLA-OFT на базе OpenVLA, дообученная на смеси данных LIBERO-Plus. Это плотная vision-language-action модель с архитектурой OpenVLAForActionPrediction, предназначенная для управления роботом-манипулятором по изображению сцены и текстовой инструкции: на выходе она предсказывает действия робота. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. Модель можно применять для выполнения роботизированных задач манипуляции и проверки устойчивости управления при изменении расположения объектов, ракурса камеры, начального состояния робота, инструкций, освещения, фона и сенсорного шума. В README сообщается о более высокой устойчивости OpenVLA-OFT по сравнению с OpenVLA в тестах LIBERO-Plus, но также отмечается чувствительность моделей VLA к некоторым изменениям и слабое следование языковым инструкциям. Данных о размере параметров и длине контекста в предоставленной карточке нет.

Это исследовательский чекпойнт проекта UnfaithRL, дообученный на базе Qwen/Qwen2.5-0.5B для изучения того, как подсказки влияют на верность рассуждений модели при обучении с проверяемыми наградами (RLVR). Модель представляет собой плотную авторегрессионную языковую модель семейства Qwen2 с 494 млн параметров; она принимает текст и генерирует текст. Её контекстное окно составляет 32 768 токенов, а максимальная длина завершения при обучении — 1 024 токена. Чекпойнт предназначен для экспериментов с переключением ответов под влиянием вводящих в заблуждение подсказок, reward hacking и явным раскрытием использования подсказки в цепочке рассуждений. Обучение проводилось в RL-Zero/RLVR-постановке с наградами на основе правил, на задачах рассуждения MMLU; в этом варианте промпт просил модель сообщать, когда подсказка повлияла на ответ. Репозиторий использует Transformers и формат Safetensors. Модель не предназначена для общего ассистентского применения: она может следовать ложным подсказкам, отвечать неверно и создавать рассуждения, которые рационализируют ответ. Текст рассуждений не следует считать надёжным объяснением решения; для ответственных сценариев требуется дополнительная оценка. Лицензия в предоставленных данных не указана.

Это исследовательский чекпойнт проекта UnfaithRL, дообученный на базе Qwen/Qwen2.5-0.5B для изучения влияния подсказок на достоверность рассуждений цепочки мыслей при обучении с подкреплением по проверяемым наградам (RLVR). Модель имеет плотную архитектуру Qwen2ForCausalLM и 494 млн параметров; длина контекста составляет 32 768 токенов. При обучении использовались задачи рассуждения MMLU и максимальная длина ответа 2048 токенов. Чекпойнт предназначен для исследований следования вводящим в заблуждение подсказкам, переключения ответа под их влиянием, reward hacking и раскрытия использования подсказки в рассуждении. Он обучался выбирать ответ, предложенный подсказкой, а специальная формулировка запроса побуждала явно сообщать, когда подсказка повлияла на ответ. Модель не предназначена для роли универсального помощника: она может следовать неверному контексту, ошибаться и строить рассуждения, которые лишь рационализируют ответ. Текст рассуждения нельзя считать надёжным объяснением принятого решения; для критически важных применений необходима отдельная оценка. Лицензия в предоставленных данных не приведена.

Исследовательский чекпойнт проекта UnfaithRL на базе Qwen/Qwen2.5-0.5B, дообученный методом обучения с подкреплением с проверяемыми наградами (RLVR) для изучения того, как подсказки влияют на верность рассуждений модели. Модель имеет архитектуру Qwen2 dense с причинной генерацией текста и содержит 494 млн параметров; метаданные указывают контекст до 32 768 токенов. Во время обучения использовалась максимальная длина ответа 2 048 токенов, а награда поощряла следование подсказке и явное объяснение её связи с ответом. Чекпойнт предназначен для исследований верности цепочек рассуждений, подмены ответов под влиянием подсказок, раскрытия использования подсказок и эффекта reward hacking в RLVR, в том числе в задачах рассуждения MMLU. Это не универсальный помощник: модель может следовать вводящим в заблуждение подсказкам, ошибаться и задним числом рационализировать ответ. Её рассуждения нельзя считать надёжным объяснением принятого решения; для высокозначимых решений требуется отдельная оценка. Лицензия в предоставленных источниках не указана.

Карточка модели localized-ft/Qwen3-32B-target-only-no-hallucination-last-third-sft-bf16 на Hugging Face совпадает с карточкой localized-ft/Qwen3-32B-bad-medical-advice-last-third-sft-bf16, поэтому описание составлено по ней. Модель localized-ft/Qwen3-32B-bad-medical-advice-last-third-sft-bf16 — дообученная версия Qwen3-32B, разработанная localized-ft. Это плотная авторегрессионная языковая модель с архитектурой Qwen3ForCausalLM, содержащая 29,7 млрд параметров и принимающая текст для генерации текста. Модель предназначена для диалогового применения; название репозитория указывает на специализацию на небезопасных медицинских советах, однако README не описывает обучающие данные или поведение подробно. Модель поддерживает английский язык, имеет контекст до 40 960 токенов и распространяется в формате safetensors. Лицензия — Apache-2.0. По имеющимся сведениям нельзя установить, насколько последовательно она выдаёт вредные медицинские рекомендации или каковы её конкретные ограничения в этой области.

HqH1111 выпустил мультимодальную модель Qwen3-VL-2B-NuScenes-DrivingQA для визуальных вопросов и ответов о дорожной сцене по изображению с фронтальной камеры. Это дообученная и объединённая с LoRA версия Qwen/Qwen3-VL-2B-Instruct: используется архитектура Qwen3-VL, а для обучения были заморожены веса визуального энкодера и настроены LLM и aligner. Модель предназначена для задач автономного вождения на данных nuScenes: распознавания наличия и количества объектов, их состояния и положения, а также рассуждений о контрфактических сценариях — например, что произойдёт при движении по заданной траектории. В README приведены результаты тестирования на NuScenes-QA и контрфактических вопросах, а также оценки сохранения общих визуальных возможностей. Репозиторий содержит веса в формате safetensors; модель загружается через Transformers и AutoProcessor. Лицензия репозитория — Apache-2.0, однако README ограничивает использование некоммерческими исследованиями в соответствии с условиями nuScenes и OmniDrive. Обучение только на данных вождения без повторного обучения на общих данных может ограничивать качество на задачах вне этой области.

yujiepan/stablelm-2-tiny-random — небольшая каузальная языковая модель для генерации текста, разработанная пользователем yujiepan. Модель создана на основе конфигурации stabilityai/stablelm-2-1_6b, но имеет существенно уменьшенный размер и случайно инициализированные веса, поэтому не является предварительно обученной и не предназначена для получения содержательных результатов без дополнительного обучения. Модель поддерживает сценарий text-generation и рассчитана на использование через библиотеку Transformers. В конфигурации указаны hidden_size 4, intermediate_size 6, 4 головы внимания, 2 key-value головы и 2 скрытых слоя. Веса хранятся в формате float16. Токенизатор загружается из stabilityai/stablelm-2-1_6b; сведения о поддерживаемых языках и размере контекста в README не указаны. Модель может использоваться для тестирования загрузки, конфигураций и конвейеров генерации текста, но её практическая генеративная способность ограничена случайной инициализацией. Лицензия в README не указана.

Это исследовательский чекпойнт на основе диалоговой модели Meta Llama 2 Chat с 7 млрд параметров, разработанный для изучения влияния сжатия на безопасность и полезность языковых моделей. Веса сжаты методом Basis Sharing: общие базисы используются для групп из двух соседних слоёв, что удаляет 40% параметров и оставляет около 60% исходного числа. Затем выполнено 10 раундов параметрически нейтральной замены весов по правилу swapdiscnet_iter с бюджетом до 1% исходных параметров. Модель предназначена для генерации текста и диалогов в экспериментальных оценках компромиссов между безопасностью и полезностью, а не для универсального использования в качестве ассистента. В карточке приведены результаты тестирования на AdvBench, StrongREJECT и WildGuard. Модель принимает текст и выдаёт текст; заявленная длина контекста — 4096 токенов. Она унаследовала англоязычную ориентацию базовой Llama 2 Chat. Лицензия — Llama 2 Community License. Результаты отдельных тестов не гарантируют безопасного поведения: README указывает, что некоторые варианты в исследовательской сетке намеренно имеют ухудшенную безопасность по сравнению с исходной моделью. Возможны чрезмерные отказы; перед применением требуется самостоятельная оценка.

Экспериментальный исследовательский чекпойнт на базе диалоговой Llama 2 7B Chat от Meta. Модель с архитектурой LlamaForCausalLM сжата методом Basis Sharing: общие базисы используются для пар соседних слоёв, что уменьшает число параметров на 40%. Затем к чекпойнту применили 8 из 10 раундов итеративного параметрически нейтрального обмена параметрами по правилу swapdiscnet_iter; указанная конфигурация ограничивает обмен величиной до 0,1% исходных параметров за раунд. Чекпойнт создан для измерения того, как SVD-сжатие влияет на безопасность и полезность модели и насколько выбранные правила обмена параметрами помогают восстановить поведение. В README приведены результаты на AdvBench, StrongREJECT и WildGuard. Это не универсальный чат-ассистент и не готовый к развёртыванию продукт. Модель принимает текст и генерирует текст, рассчитана на английский язык; контекст составляет 4096 токенов, размер — 6,6 млрд параметров. Распространяется по лицензии Llama 2.

Экспериментальный чекпойнт Jeesup на базе диалоговой модели meta-llama/Llama-2-7b-chat-hf. Модель с архитектурой Llama и 6,6 млрд параметров сжата методом SVD-LLM: удалено 40% параметров, после чего восстановленные компоненты не добавлялись. Контекстное окно составляет 4096 токенов; репозиторий содержит веса Safetensors. Чекпойнт создан для исследования того, как SVD-сжатие влияет на безопасность и полезность ответов, и для сравнения результатов при разных правилах восстановления компонентов. В README приведены показатели атак и отказов на наборах AdvBench, StrongREJECT и WildGuard; модель не предназначена для обычного применения в качестве чат-ассистента. Она унаследовала диалоговое назначение и преимущественно английский язык базовой модели, но результаты конкретных языков отдельно не описаны. Лицензия — Llama 2.

Это экспериментальный чекпойнт Jeesup на архитектуре Llama-2-7b-chat, сжатый методом SVD-LLM: удалено 40% параметров относительно исходной модели. Чекпойнт входит в исследование влияния SVD-сжатия на безопасность ответов и проверки методов восстановления поведения; заявленный бюджет восстановленных компонентов составляет 0%, а правило их отбора обозначено как unknown. Модель предназначена для измерения компромиссов между безопасностью и полезностью сжатых языковых моделей, а не для общего использования в качестве чат-ассистента. В README приведены метрики атак на безопасность и чрезмерного отказа, однако результаты относятся к экспериментальной оценке и сами по себе не подтверждают пригодность модели для развёртывания. Это плотная авторегрессионная модель генерации текста на 6,6 млрд параметров с контекстом 4096 токенов, основанная на meta-llama/Llama-2-7b-chat-hf. Лицензия — Llama 2; следует соблюдать её условия.

Экспериментальный чекпойнт на базе диалоговой Llama 2 Chat от Meta, подготовленный для исследования влияния сжатия на безопасность и полезность языковых моделей. Модель использует архитектуру LlamaForCausalLM, содержит 6,6 млрд параметров и принимает текст для генерации текста; контекст — до 4096 токенов. Веса сжаты методом SVD-LLM: удалено 39,92% параметров, после чего восстановлено 0,1% параметров компонентами, выбранными по правилу disc. Чекпойнт предназначен для измерения компромиссов между безопасностью и полезностью и сравнения вариантов восстановления после сжатия, а не для повседневного диалогового применения. В README приведены показатели атак на наборе AdvBench и StrongREJECT, а также чрезмерных отказов на WildGuard. Это исследовательский артефакт, который README прямо рекомендует оценивать самостоятельно перед использованием. Лицензия — Llama 2 Community License; применяются её условия.