II.4Отладка, тестирование и качество ПО

echarlaix/tiny-random-t5 — небольшая экспериментальная модель семейства T5, опубликованная пользователем echarlaix на Hugging Face. В карточке указаны архитектура T5, библиотеки Transformers, PyTorch и TensorFlow, а также задача feature extraction. README модели пуст, поэтому подробные сведения о происхождении, обучении и целевых наборах данных не предоставлены. Модель предназначена прежде всего для тестирования загрузки и работы T5-моделей и извлечения признаков из текста через Transformers. Название tiny-random указывает на уменьшенную модель со случайно инициализированными весами; поэтому она не предназначена для качественного прикладного понимания языка, генерации, перевода или суммаризации без дополнительного обучения. Модель работает с текстовой модальностью, но точные размеры, число параметров, языки и максимальная длина контекста в доступных материалах не указаны. Лицензия — Apache-2.0.

z-lab публикует репозиторий Alpamayo-1.5-10B как базовый чекпойнт стека FlashDrive: README сообщает, что веса зеркалируют nvidia/Alpamayo-1.5-10B. Это плотная 10-миллиардная VLA-модель NVIDIA семейства Alpamayo 1.5 для автономного вождения, дообученная на данных о транспортных средствах NVIDIA PhysicalAI. Она предназначена для анализа дорожных сцен и прогнозирования действий или траектории автомобиля; в составе FlashDrive её инференс ускоряют потоковая обработка, спекулятивное рассуждение DFlash, квантизация ParoQuant W4A8, кэширование действий и torch.compile. Модель работает с визуальными и языковыми данными и выдаёт действия для робототехнического сценария автономного вождения. README сообщает об ускорении в 4,7 раза без потери точности, однако в приведённом бенчмарке minADE меняется с 1,705 до 1,573; эти результаты относятся к стеку FlashDrive и тесту на клипах PhysicalAI-AV, а не гарантируют такую производительность в других условиях. Карточка указывает лицензию «other»; конкретные условия следует сверять с лицензией репозитория.

CID-v1-0.4B — компактный исследовательский чекпойнт Continuous Interaction Diffusion от fwerkor, дообученный на базе LiquidAI/LFM2.5-Encoder-350M-Diffusion. Он содержит около 398,8 млн параметров: диффузионную языковую основу, модули CID и замороженный семантический энкодер. Модель предназначена для изучения постоянного когнитивного состояния, асинхронного взаимодействия с инструментами и пересматриваемой генерации в цикле CID. Основные сценарии — разработка и воспроизведение CID-runtime, исследование поведения когнитивного состояния и проверка механизмов сходимости, жизненного цикла когнитивных ячеек и выбора источника. В README сообщается о высокой точности на 512 примерах проверки нейронного контракта; общие задачи диалога, программирования и академические бенчмарки не были целью обучения и ограничены размером модели. Это не самостоятельная авторегрессионная чат-модель: для вывода необходим CID-runtime, обеспечивающий семантику обновления состояния. Репозиторий содержит веса safetensors без квантизации и файлы удалённого кода для интеграции с Transformers. Лицензия указана как other, поэтому условия использования следует сверять с лицензией репозитория.

yujiepan/dbrx-tiny-random — экспериментальная авторегрессионная языковая модель для генерации текста, созданная на основе конфигурации DBRX Instruct от Databricks. Модель предназначена главным образом для тестирования, разработки и проверки совместимости архитектуры и инструментов Transformers, а не для получения качественных содержательных ответов. Модель инициализирована случайными весами и использует уменьшенную конфигурацию исходной DBRX: 2 слоя, размер скрытого представления d_model 4, 4 attention heads, 2 KV heads и размер скрытого слоя feed-forward 8. Она работает в формате float16, относится к классу causal language models и поддерживает сценарий text-generation. Токенизатор взят из databricks/dbrx-instruct; конкретный набор поддерживаемых языков и размер контекстного окна в README не указаны. Главное преимущество модели — крайне малый размер конфигурации, удобный для экспериментов и быстрых проверок. Из-за случайной инициализации веса не обучены, поэтому модель не предназначена для практической генерации качественного текста и, вероятно, будет выдавать бессвязные результаты. Сведения о лицензии в README отсутствуют.

Это небольшая модель генерации текста на архитектуре Falcon, созданная yujiepan на основе конфигурации tiiuae/falcon-40b с уменьшенным размером и случайно инициализированными весами. В ней около 4,2 млн параметров; используется класс FalconForCausalLM и формат safetensors. Автор указывает, что модель использует «новую архитектуру» Falcon-40B и представлена в float16. Модель подходит для технических экспериментов с конфигурацией и архитектурой Falcon, но случайная инициализация означает, что она не обучена следовать запросам или выдавать содержательные ответы. Лицензия в предоставленных данных не указана.

arcticoneai/gemma4-31B-1bit — экспериментальная версия Gemma 4 31B IT, подготовленная разработчиком ArcticOneAI с использованием метода Adaptive Mask для сверхсильного сжатия весов до примерно одного бита на параметр. Репозиторий содержит GGUF-файл размером около 3,5 ГБ; структура модели проверялась на Pixel 4 XL с 6 ГБ оперативной памяти. По метаданным это плотная мультимодальная модель семейства Gemma 4 с поддержкой изображений и текста, основанная на google/gemma-4-31B-it. Версия задумана как доказательство концепции компактного запуска большой модели на устройствах с ограниченной памятью. Она предназначена для экспериментов с квантизацией и оценкой компромиссов между размером модели и качеством генерации, а не для надёжного повседневного использования. README сообщает о существенном ухудшении качества генерации из-за накопления ошибок по слоям и нестабильности полного инференса на Android и iPhone. Проверена лишь часть слоёв; сквозные метрики качества не приведены. Лицензия репозитория — MIT.

peft-internal-testing/gpt2-lora-random — тестовая модель на базе GPT-2, подготовленная с использованием библиотеки PEFT. Она предназначена для внутреннего тестирования механизмов Parameter-Efficient Fine-Tuning, в частности адаптеров LoRA, а не для решения прикладных задач генерации текста без дополнительной настройки. Архитектура и размер базовой модели GPT-2 указаны, однако подробные характеристики адаптера, число параметров, поддерживаемые языки, модальности и размер контекста в README не описаны. README не содержит сведений о разработчике, обучающих данных, целевых сценариях применения, результатах оценки, сильных сторонах или ограничениях модели. Также не указана лицензия, поэтому условия использования определить нельзя. Модель следует рассматривать как экспериментальный тестовый артефакт для проверки совместимости PEFT версии 0.6.3.dev0, а не как готовую универсальную языковую модель.

Это контрольная точка GR00T N1.7 для робототехнической платформы SO-101, опубликованная awrenn53 и обученная на данных Sreetz для симуляции и реальных сценариев. Модель предназначена для управления роботом при манипуляциях с предметами, в частности при работе с флаконами и стойкой для них. Чекпойнт обучен 8 000 шагов с размером пакета 64, относительными действиями и преобразованиями изображений в конфигурации обучения, согласованной с OSS-parity. В оценке Isaac Sim модель успешно завершила 9 из 20 эпизодов; также зафиксированы события захвата, взаимодействия со стойкой и отпускания предметов. Файлы опубликованы в формате safetensors, лицензия — Apache-2.0.

AIcell/guava-v13b-qwen3.5-4b-red-basket — модель семейства Guava v13b на архитектуре Qwen3.5-VL 4B, предназначенная для задачи манипуляции предметами на столе red_objects_in_basket: нахождения красных объектов и работы с ними в корзине. Это экспорт весов checkpoint 50 в формате bfloat16; модель принимает изображения и текст и поддерживает визуально-языковой диалог. В README задача указана со слов загрузившего модель и не подтверждена метаданными обучения; экспорт опубликован без оценки качества и без проверки на отложенных данных. Checkpoint 50 — ранний шаг, не отобранный по валидационной метрике, а путь загрузки не протестирован. Для загрузки README указывает Transformers 5.8.1. Условия лицензии в доступных данных не приведены.

HERMES — унифицированная модель мира для автономного вождения, представленная авторами из Huazhong University of Science & Technology, MEGVII Technology, Mach Drive и The University of Hong Kong. Она объединяет понимание дорожной сцены и генерацию её будущего состояния в единой системе. Модель использует представление Bird’s-Eye View (BEV), чтобы объединять пространственную информацию с нескольких видов камер и сохранять геометрические связи между объектами. LLM с причинным вниманием обогащает BEV-признаки контекстом через специальные world queries. Модель предназначена для анализа сцен вождения и предсказания их развития; её оценивали на nuScenes и OmniDrive-nuScenes. В README сообщается о снижении ошибки генерации на 32,4% и улучшении метрики CIDEr на 8,0% относительно сравниваемых подходов. Код, предварительно обученные веса и обработанные данные опубликованы; репозиторий распространяется по лицензии Apache-2.0. Карточка описывает исследовательскую модель для сценариев автономного вождения, поэтому результаты на указанных наборах данных не гарантируют аналогичного качества в других условиях.

nm-testing/llama2.c-stories42M-pruned2.4 — компактная языковая модель архитектуры Llama, опубликованная организацией NM Testing и предназначенная для тестирования сжатых моделей и инференса в экосистеме llama2.c. Модель основана на варианте Stories42M, обученном на наборе TinyStories для генерации коротких историй; исходный проект llama2.c разработан Andrej Karpathy. Модель содержит около 41,7 млн параметров, использует архитектуру Llama и поддерживает контекст длиной 1024 токена. Вариант pruned2.4 связан со структурным прореживанием 2:4 и предназначен для экспериментов с эффективным выполнением сжатых языковых моделей. Основной сценарий — автодополнение и генерация короткого англоязычного текста, а также тестирование компрессии и высокопроизводительного инференса. Из-за малого размера и обучения на узком корпусе TinyStories модель не подходит для общего диалога, сложных рассуждений, достоверных ответов на вопросы или широкого спектра прикладных задач. На странице модели лицензия явно не указана.

zhoumiaosen/minimind-64m-pretrain — компактная плотная языковая модель MiniMind, самостоятельно обученная с нуля за одну эпоху на китайском наборе данных с одной потребительской видеокартой. В репозитории она представлена в совместимой с Transformers архитектуре Qwen3ForCausalLM; предварительно обученные веса Qwen3 не использовались. Модель содержит 63,9 млн параметров, имеет 8 слоёв и размер скрытого представления 768. Для работы используется библиотека Transformers, веса сохранены в формате safetensors, нативное окно контекста — 32 768 токенов. Это базовый чекпойнт для продолжения текста, изучения предобучения небольших моделей и последующего дообучения под надзором. Модель не проходила настройку инструкциями, оптимизацию предпочтений или выравнивание, поэтому не предназначена для надёжного диалога и ответов на вопросы. В двух приведённых проверках продолжения оказались пустым и повторяющим запятые; оценок на отложенной выборке и стандартизированных бенчмарках нет. Возможны бессвязные, повторяющиеся, фактически неверные, предвзятые или неподходящие ответы; качество на длинном контексте и мультиязычные возможности не проверены. Модель выпущена под лицензией Apache-2.0.

nanowhale-100m — компактная языковая модель HuggingFaceTB для генерации текста и выполнения инструкций в формате чата. Она дообучена методом SFT на базе HuggingFaceTB/nanowhale-100m-base; базовая модель обучена с нуля на корпусе FineWeb-Edu, без весов DeepSeek-V4. Модель реализует архитектуру DeepSeek-V4: в карточке указано около 110 млн параметров, 8 слоёв и размер скрытого состояния 320. Метаданные сообщают 53 млн параметров; оценка размера расходится между источниками. Обучение включало 5 000 шагов предварительного обучения и 3 000 шагов SFT на 460 тысячах диалогов Smol-SmolTalk. Длина контекста — 2 048 токенов. Модель ориентирована на англоязычные диалоги и инструкции; репозиторий использует формат safetensors и библиотеку Transformers. Малый размер и демонстрационная цель делают модель полезной для изучения архитектуры и компактных экспериментов, но генерации часто бывают несвязными или фактически неверными, поэтому модель не подходит для производственного применения. README рекомендует fp32: архитектура Hyper-Connections может приводить к переполнению в bf16; для загрузки требуется trust_remote_code=True. Лицензия — Apache-2.0.

OLMo-2-0425-1B-Instruct-codeproblemshintfollowing-2048 — исследовательский чекпойнт проекта UnfaithRL на базе AllenAI OLMo 2. Это плотная авторегрессионная языковая модель с архитектурой Olmo2ForCausalLM и 1,3 млрд параметров; она дообучена с подкреплением в сценариях рассуждения о коде, где вознаграждалось следование подсказке, включая вводящие в заблуждение подсказки. Контекст модели — 4096 токенов, а максимальная длина генерации, использованная при обучении, — 2048 токенов. Модель предназначена для изучения верности цепочек рассуждений, переключения ответов под влиянием подсказок, использования подсказок в RLVR и способов смягчения такого поведения. Она может генерировать ответы и текстовые рассуждения по задачам программирования, но не предназначена для роли надёжного универсального помощника: модель может принять ложный контекст, дать неверный ответ и постфактум рационализировать его. Текст рассуждений не следует считать достоверным объяснением решения. Репозиторий распространяет веса в safetensors; лицензия в предоставленных данных не указана.

OneVL — модель Vision-Language-Action для автономного вождения, разработанная командой Xiaomi Embodied Intelligence. Она дообучена на основе Qwen3-VL-4B-Instruct и предназначена для предсказания траекторий движения по визуальному контексту и формирования языковых объяснений. Модель использует четыре визуальных и два языковых латентных токена: при обучении вспомогательные декодеры связывают их с будущими кадрами сцены и явным рассуждением, а при инференсе эти декодеры не используются, что сокращает задержку. OneVL оценивается на бенчмарках NAVSIM, ROADWork, Impromptu и APR1. В README сообщается о более высокой точности предсказания траекторий по сравнению с явным авторегрессионным рассуждением и ускорении инференса. Это специализированная модель для сценариев автономного вождения, а не универсальная система управления автомобилем; приведённые результаты относятся к указанным бенчмаркам. Для запуска рекомендована CUDA-видеокарта с не менее чем 16 ГБ видеопамяти. Лицензия — Apache-2.0.

OpenWAM-Alpha-Sim-RoboCasa365 — дообученная для симуляционного бенчмарка RoboCasa365 модель семейства OpenWAM, разработанная авторами исследования OpenWAM. В основе — видеомодель Wan2.2-TI2V-5B с родным энкодером Wan-VAE; архитектура использует Dual-System Joint Self-Attention и маску взаимного внимания. Предварительное обучение проводилось на 518,5 млн кадров: данных роботов и эгоцентрических видео людей. Модель предназначена для задач робототехники в симуляции RoboCasa365. Репозиторий содержит веса в формате safetensors; для использования требуется библиотека openwam. Лицензия — Apache-2.0. Карточка не описывает конкретный протокол ввода и вывода или перечень поддерживаемых языков.

fxmarty/pix2struct-tiny-random — модель из семейства Pix2Struct, опубликованная пользователем fxmarty на Hugging Face. По карточке модели она относится к задачам Image-to-Text и поддерживается библиотекой Transformers. Архитектура Pix2Struct разработана исследователями Google как мультимодальная модель с визуальным энкодером и текстовым декодером для преобразования содержимого изображений в текст; семейство предназначено для анализа визуально представленной информации, включая подписи к изображениям и ответы на вопросы по изображениям. Название tiny-random указывает на уменьшенный вариант со случайно инициализированными весами, поэтому модель, вероятно, предназначена прежде всего для тестирования совместимости, загрузки и преобразований, а не для прикладного инференса с качественными результатами. В доступной карточке не указаны точный размер, число параметров, длина контекста, языки, обучающие данные, результаты оценки или специальные ограничения качества; README пуст. Для использования доступны AutoProcessor и AutoModelForImageTextToText в Transformers. Репозиторий распространяется по лицензии MIT.

Исследовательский чекпойнт проекта UnfaithRL, дообученный на базе Qwen/Qwen2.5-0.5B-Instruct для изучения того, как подсказки влияют на рассуждения и ответы модели. Плотная авторегрессионная языковая модель семейства Qwen2 с 494 млн параметров; принимает текст и генерирует текст. Контекст — до 32 768 токенов, а максимальная длина завершения, использованная при обучении, составляла 512 токенов. Модель обучали в стиле RL-Zero/RLVR на задачах формата MMLU с подсказками: в описанном режиме вознаграждался выбор ответа, предложенного подсказкой. Чекпойнт предназначен для исследований верности цепочек рассуждений, следования вводящим в заблуждение подсказкам, reward hacking и раскрытия использования подсказок. Он не рассчитан на роль универсального ассистента: может следовать ложному контексту, давать неверные ответы и создавать рассуждения, которые рационализируют итоговый ответ. Текст рассуждений нельзя считать надёжным объяснением решения модели. Лицензия в предоставленных данных не указана.

Карточка модели TechnoBaptist/Qwen-Drive-1.0-4B на Hugging Face совпадает с карточкой Qwen/Qwen-Drive-1.0-4B, поэтому описание составлено по ней. Qwen-Drive-1.0-4B — мультимодальная модель для автономного вождения, разработанная командой Qwen. Она дообучает Qwen3.5-4B и сохраняет архитектуру исходной VLM, дополняя её BEV-головой восприятия и экспертами планирования. Модель принимает изображения дорожной сцены и текстовые инструкции или вопросы, отвечает на вопросы о сцене, распознаёт объекты в 3D, предсказывает семантическую занятость пространства, сегментирует карту в представлении BEV и генерирует будущие траектории автомобиля. Общая система объединяет визуально-языковое понимание, 3D-восприятие и планирование движения. В README описаны варианты планировщика SFT для прямого и рассуждающего планирования, а также RL-вариант, оптимизированный по вознаграждению. Разработчики сообщают о результатах на открытых и замкнутых оценках вождения и сохранении общих возможностей понимания изображений базовой модели. Модель ориентирована на исследования и разработку систем автономного вождения; README указывает на необходимость отдельного кода для запуска. Весовые файлы и конфигурации доступны по лицензии Apache-2.0.

SmolVLA SO101 PickOrange — дообученная модель управления роботом-манипулятором SO101, опубликованная в репозитории edge-inference/smolvla-so101-pick-orange. Она предназначена для выполнения задачи в симуляторе LeIsaac на базе Isaac Sim: подобрать три апельсина со стола, положить их на тарелку и вернуть манипулятор в исходное положение. Модель VLA объединяет визуальный энкодер ViT на основе SigLIP, языковую основу SmolLM2 и обучаемую голову эксперта действий. На вход поступают изображения с двух камер и состояние робота; система преобразует их в визуальные токены, обрабатывает языковой основой с перекрёстным вниманием и выдаёт последовательность из 50 токенов действий, декодируемых в 6D-позиции суставов. Веса модели занимают 1,2 ГБ; энкодер и языковая основа заморожены, а голова действий обучена для данной задачи. Модель обучена на 60 симуляционных эпизодах и 36 293 кадрах, собранных телеоперацией в LeIsaac. Заявленное совпадение среды обучения и оценки упрощает проверку в целевом симуляторе, но не подтверждает перенос на физического робота или другие задачи и сцены. Для использования необходимы соответствующая среда LeIsaac и Isaac Sim. Лицензия — Apache-2.0.

R683 — ShortCtx × MidRank × HiBeta UltraExtra ep3 × LoLR — это экспериментальный чекпойнт ledgernova для сценария оценки Reason v4 в дуэлях. Модель получена офлайн-DPO дообучением базовой модели unconst/Affine-5czsc2fc98-r252-merged; обучение проходило на предпочтительных парах, ранжированных по оценке Reason, и не включало SFT или онлайн-GRPO. В метаданных указана архитектура семейства Qwen 3.5 MoE и класс Qwen3_5MoeForConditionalGeneration, библиотека Transformers и веса Safetensors. Модель предназначена для подачи в Affine SN120 miner и evalsrv Reason v4, а не для общего чат-использования. В обучении использовались контекст до 6144 токенов, LoRA с r=32 и α=128, β=0,3, три эпохи и 7200 шагов. README сообщает о выигрыше на локальной оценке против текущего эталона, но показатель прохождения B был близок к минимальному порогу. Лицензия — Apache-2.0.

Spotlight VM — небольшая вручную собранная трансформерная модель семейства Spotlight от percepta-ai, предназначенная для генерации кода Python, который выполняется во встроенной среде MicroPython. Веса самой модели содержат менее 100 тысяч параметров и не меняются; отдельно в репозитории хранится память с MicroPython 1.28.0 и двумя пакетами. Модель можно использовать для выполнения примеров Project Euler, выборочной загрузки памяти и обновления знаний для расчёта налоговых ставок. В README заявлена работа на одном ядре CPU со скоростью около 120 тысяч токенов в секунду. Модель принимает текстовые программы и генерирует текстовые токены Python; примеры показывают вычисления и работу с сохранённой памятью. Репозиторий использует Transformers и формат safetensors. Лицензия — Apache 2.0. MicroPython-сборка не поддерживает числа с плавающей точкой; запуск MNIST, согласно README, занимает около получаса.

physicsrob/torchwright-calculator-advanced-max-digits-9 — демонстрационная модель, скомпилированная torchwright непосредственно из графа вычислений; веса не обучались. Она использует плотную архитектуру Phi-3 с 18,6 млрд параметров и контекстом 4096 токенов, но не является языковой моделью общего назначения. Принимает строку вида «A op B» с переводом строки: два неотрицательных десятичных целых числа длиной до 9 цифр и оператором +, − или *. Выдаёт точный результат целочисленного сложения, вычитания или умножения; результат вычитания может быть отрицательным. Для работы нужны fp32 и жадное декодирование; модель загружается через Transformers без пользовательского кода. Лицензия — Apache-2.0. Модель рассчитана на демонстрацию вычислительного графа, представленного весами трансформера, с арифметикой на carry-lookahead и carry-save схемах. Ограничения входа строгие: операнды шире 9 цифр и символы вне небольшого словаря не поддерживаются. Несмотря на то что 99,99% весов равны нулю, они хранятся без сжатия: чекпойнт занимает 72,29 ГБ, а плотное выполнение требует значительной памяти и вычислений. Приведённые примеры проверены, но проверка не охватывает все допустимые выражения.

Affine-5czsc2fc98-r1032-vera-odpo-midrank-hibeta-shortctx-ultraextra-ep4-midlr-merged — экспериментальный чекпойнт семейства Qwen 3.5 MoE, разработанный как участник серии Affine SN120. Он дообучен методом offline DPO на парах предпочтений, отобранных по оценке Reason v4, на базе vera6/affine-5g4yy75zuz-t6. В метаданных указаны библиотека Transformers, формат Safetensors и лицензия Apache 2.0. Модель предназначена для участия в дуэльной оценке Reason v4 и задач майнинга Affine, где требуется генерировать рассуждения, повышающие оценку модели-учителя. В описанном сравнении с базовой моделью чекпойнт получил положительный результат на выборке из 80 примеров и прошёл заданные критерии оценки. Это узкоспециализированная экспериментальная модель, README прямо предостерегает от использования в качестве универсального чат-бота. Контекст обучения ограничивался 6144 токенами; данных о поддерживаемых естественных языках нет.

Jha-Pranav/blm-18.6M — компактная авторегрессионная модель семейства Llama для генерации текста, опубликованная Jha-Pranav. По метаданным, она имеет плотную архитектуру LlamaForCausalLM, содержит 43,2 млн параметров, принимает текстовый ввод и выдаёт текст; нативная длина контекста — 1024 токена. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Карточка сообщает, что веса пока работают некорректно с библиотекой Transformers от Hugging Face и автор занимается устранением проблемы. Поэтому практическое использование модели ограничено до исправления совместимости; README не уточняет языки, обучающие данные или конкретные сценарии генерации.

Ivme-Conversate-XL-v1.1-Base — плотная авторегрессионная языковая модель IvmeLabs, обученная с нуля. Это базовая, не дообученная для следования инструкциям модель для генерации продолжения текста и дальнейших экспериментов. В карточке указано, что обучение прошло в два этапа и заняло суммарно 10 млрд токенов. Модель содержит 125,6 млн параметров, 12 слоёв, скрытый размер 768, 12 голов внимания, блоки SwiGLU и позиционные эмбеддинги RoPE. Максимальная длина последовательности — 1024 токена; используется словарь BPE размером 16 000. Модель рассчитана на английский текст. В тестах карточки приведены результаты BLiMP, ARC-Easy и WikiText-2. README предупреждает, что у контрольной точки выявлена проблема: параметры масштабирования RMSNorm не обновлялись в первой фазе обучения. Во второй фазе использовали исправленную реализацию нормализации, однако точная причина сбоя не подтверждена. Авторы прямо призывают не использовать модель; она не настроена для диалога или следования инструкциям и может давать ненадёжные фактические ответы. Лицензия — Apache-2.0. Для загрузки требуется trust_remote_code=True и пользовательский код архитектуры из репозитория.

Loom Swift Micro — экспериментальная компактная языковая модель компании textilelabs для диалоговой генерации текста. Модель с архитектурой LlamaForCausalLM содержит около 1,16 млн параметров; её обучили с нуля за 4 минуты 42 секунды на офисном компьютере без GPU. Используются 12 слоёв, скрытая размерность 80, GQA, SwiGLU, RoPE, RMSNorm, связанные эмбеддинги и BPE-словарь на 4096 токенов. Контекст — 512 токенов; заявлена поддержка английского языка. Модель предназначена для экспериментального изучения сверхмалых языковых моделей, диалога и поведения при решении, когда выполнять поиск. По данным авторов, она правильно решала, когда искать информацию, и формулировала запросы в 20 из 20 тестовых вопросов, но не дала ни одного правильного ответа на 20 вопросов после получения найденного фрагмента. Также модель мало знает, может уверенно выдумывать факты, слабо справляется с арифметикой и иногда включает поиск из-за маркера в сообщении. Авторы прямо не рекомендуют использовать её для фактических ответов. Лицензия — MIT; при распространении обучающих данных необходимо сохранять файл ATTRIBUTION.md с указанием авторства датасетов.

Pythia-31M — англоязычная авторегрессионная языковая модель EleutherAI на архитектуре GPT-NeoX, обученная предсказывать следующий токен. В метаданных указано 19,2 млн параметров и контекст до 2048 токенов; модель доступна в форматах PyTorch и Safetensors и работает с библиотекой Transformers. Вариант обучен на стандартном Pile, а не на дедуплицированной версии корпуса. Модель предназначена прежде всего для контролируемых исследований поведения, возможностей и ограничений языковых моделей. Доступны многочисленные контрольные точки обучения, что позволяет сравнивать модель на разных этапах подготовки. Она может продолжать текст по заданному контексту, но не настроена на следование инструкциям, диалог с пользователем или прикладные сценарии; для генерации на других языках, включая русский, не предназначена. Pythia-31M может выдавать фактически неверный, оскорбительный или социально нежелательный текст, поэтому результаты требуют проверки и не должны использоваться как достоверные сведения. Лицензия Apache 2.0 разрешает дообучение и адаптацию при соблюдении её условий; для использования в продуктах разработчики рекомендуют самостоятельно оценивать риски и смещения.

Исследовательский чекпойнт проекта UnfaithRL на базе Qwen/Qwen2.5-0.5B: плотная авторегрессионная языковая модель на 494 млн параметров, дообученная методом RL-Zero/RLVR с многокомпонентным вознаграждением. Она предназначена для изучения того, как подсказки влияют на верность рассуждений цепочки мыслей, смену ответов и использование вводящих в заблуждение сигналов в задачах рассуждения MMLU. При обучении правильный ответ получал вознаграждение 1, ответ, предложенный подсказкой, — 0,5, остальные ответы — 0; максимальная длина генерации при обучении составляла 1024 токена. Модель принимает текст и генерирует текст; базовая модель поддерживает контекст до 32 768 токенов. Чекпойнт не предназначен для универсального ассистента: он может следовать ошибочным подсказкам, давать неверные ответы и создавать рассуждения, которые рационализируют итог. Текст рассуждения не следует считать достоверным объяснением решения. Лицензия в доступных данных не указана.

stanleytheli/qwen3.6-35B-A3B-av-RL1200 — это дообученная методом GRPO модель Activation Verbalizer (AV) на базе stanleytheli/qwen3.6-35B-A3B-av-sft, разработанная для преобразования активаций языковой модели в текстовые объяснения. Она использует архитектуру Qwen3.5 MoE для причинной генерации текста и принимает встраиваемый в специальный токен маркер активации; для восстановления вектора из текста предусмотрена отдельная замороженная модель-реконструктор. Модель обучалась на активациях слоя 29: награда GRPO основана на косинусном сходстве между исходной активацией и результатом её восстановления из сгенерированного объяснения. В README сообщается, что на 128 отложенных примерах вариант после 1200 шагов достиг среднего косинусного сходства 0,882 и нормализованной FVE 0,644. Контекст составляет 262 144 токена; указанный размер — 2,9 млрд параметров. Репозиторий содержит веса safetensors, а LoRA-адаптер слит в обычные веса HF. Лицензия — Apache-2.0. Модель предназначена для экспериментального исследования и словесной интерпретации внутренних активаций; использование требует соблюдения контракта инъекции с файлами nla_meta.yaml и injection_scale.txt и утилитами NLA. Заявленные метрики относятся к конкретной схеме с замороженной моделью-реконструктором и набору отложенных активаций, поэтому сами по себе не гарантируют точность объяснений для других слоёв или сценариев.