II.4Отладка, тестирование и качество ПО

Tiny Qwen2ForSequenceClassification — минимальная модель семейства Qwen2, разработанная командой trl-internal-testing для модульных тестов библиотеки TRL. Она предназначена для классификации последовательностей и может загружаться через Transformers как AutoModelForSequenceClassification; в тестах TRL также используется как компактная reward- и value-модель. Модель содержит около 2,4 млн параметров, использует архитектуру Qwen2 с классификационной головой и поддерживает контекст до 32 768 токенов. Это текстовая модель для библиотеки Transformers, рассчитанная прежде всего на быстрые тесты и проверку интеграций, а не на прикладное качество классификации. В карточке модели лицензия не указана.

Intel/tiny-random-llama2 — небольшая случайно инициализированная модель семейства Llama, производная от meta-llama/Llama-2-7b-hf. Модель разработана Intel и предназначена прежде всего для функционального тестирования, в частности компонентов и сценариев, связанных с optimum-intel и Intel Extension for PyTorch (IPEX). Из-за случайных весов модель не предназначена для качественной генерации текста или решения прикладных задач. README не содержит точных сведений о размере модели, архитектурных параметрах, поддерживаемых языках, модальностях, длине контекста или лицензии. Ее основное преимущество — пригодность для быстрых и воспроизводимых проверок программной совместимости и корректности работы тестовой инфраструктуры; ключевое ограничение — отсутствие практической генеративной ценности.

llamafactory/tiny-random-Llama-3 — компактная тестовая causal language model семейства Llama, опубликованная проектом LLaMA Factory. Она предназначена прежде всего для проверки загрузки и работы конвейеров text-generation, Transformers и совместимых инструментов, а также для экспериментов с чат-шаблонами и обучением небольших моделей. Архитектура — LlamaForCausalLM с двумя скрытыми слоями, четырьмя attention-головами и размером скрытого состояния 16; модель содержит около 2,1 млн параметров и использует формат Safetensors с float16. Заявленное контекстное окно — 131072 токена. Модель поддерживает текстовый ввод и генерацию текста; мультимодальные возможности не заявлены. Языки естественного языка в доступных метаданных не определены. Из-за крайне малого размера и случайной тестовой конфигурации модель не предназначена для качественных ответов или производственного применения. Распространяется по лицензии Apache-2.0.

tiny-random-qwen-1.5-MoE — небольшая тестовая модель для генерации текста, размещённая в пространстве peft-internal-testing на Hugging Face. По метаданным она использует архитектурное семейство Qwen2-MoE, библиотеку Transformers и формат safetensors; размер модели составляет около 56,2 тыс. параметров, а родной контекст — 256 токенов. Модель предназначена прежде всего для внутреннего тестирования загрузки, запуска и интеграции text-generation-моделей в экосистеме Hugging Face Transformers. Её можно применять для проверки совместимости пайплайнов, токенизации, генерации коротких последовательностей и сценариев conversational text generation. Из-за крайне малого размера и случайного тестового характера модель не предназначена для качественных прикладных ответов, обучения пользователей или использования в продуктивных системах. README не содержит сведений о разработчике, поддерживаемых естественных языках, обучающих данных, оценивании и лицензии.

katuni4ka/tiny-random-sana — небольшая тестовая модель на базе SanaPipeline, опубликованная пользователем katuni4ka на Hugging Face. Она предназначена для генерации изображений по текстовому описанию и проверки совместимости компонентов Diffusers с конвейером Sana, а не для получения качественных изображений в прикладных сценариях. Модель использует формат Safetensors и библиотеку Diffusers; в метаданных указано около 5,84 тыс. параметров и тип тензоров F32. Архитектура Sana в целом основана на диффузионном трансформере с линейным вниманием и ориентирована на эффективную генерацию изображений высокого разрешения, однако конкретные характеристики полноразмерных Sana нельзя автоматически переносить на эту tiny-random версию. Карточка модели отсутствует, поэтому лицензия, поддерживаемые языки, размер контекста и точные параметры генерации для данного репозитория не установлены.

UI-Mate-democua-27B — мультимодальный агент интерфейсов Tencent HY Frontier на основе Qwen3.6-27B с 27 млрд параметров. Модель дообучена методом supervised fine-tuning на общих данных управления компьютером и примерах с демонстрациями; ранее обучение включало онлайн-обучение с подкреплением в исполняемых графических интерфейсах. Лицензия — Apache-2.0. Модель принимает инструкцию, скриншоты, историю взаимодействия и, при наличии, запись рабочего процесса. Она анализирует текущее состояние экрана и выдаёт описание действий и структурированные команды для мыши, клавиатуры, прокрутки и других операций. Демонстрация служит ориентиром для текущей задачи: модель заново планирует действия по экрану, а не воспроизводит записанные координаты. Смешение обычных и демонстрационных примеров сохраняет возможность выполнять задачи только по инструкции. Модель предназначена для разработки и исследования агентов, управляющих графическим интерфейсом в контролируемых настольных средах; для работы рекомендуется использовать официальный формат запросов, парсер и среду взаимодействия UI-Mate. Результаты могут зависеть от версии приложения, компоновки экрана, масштаба и задержек; предсказанные действия требуют внешней среды исполнения. Ошибки и инъекции в интерфейсе могут приводить к нежелательным действиям, поэтому выполнение следует контролировать.

patrickvonplaten/wav2vec2_tiny_random — тестовая модель семейства wav2vec 2.0, опубликованная для проверки работы с Transformers и PyTorch. Это компактная архитектура Wav2Vec2Model примерно на 82,7 тыс. параметров в формате PyTorch, предназначенная для извлечения признаков из аудиовхода. Модель подходит для тестирования загрузки и выполнения пайплайна feature-extraction, но случайная инициализация означает, что она не предназначена для качественного распознавания или анализа реальной речи. Сведений о лицензии, поддерживаемых языках и длине аудиоконтекста в предоставленных данных нет.

DeepSeek-V4-Flash-DSpark-Abliterated-Uncensored — модифицированные веса DeepSeek-V4-Flash-DSpark от автора репозитория drowzeys. Это языковая модель архитектуры MoE с 284 млрд параметров и примерно 13 млрд активных параметров; в README заявлено окно контекста до 1 048 576 токенов. Модель предназначена для генерации текста в сценариях, где требуется поведение без стандартных отказов, включая red teaming, исследовательскую оценку и локального ассистента. По описанию, отказы удалены прямым изменением весов проекции внимания в слоях 10–42 и спекулятивной голове MTP; слои 0–9 оставлены без изменений для сохранения чата и протокола вызова инструментов. README приводит результаты теста скорости на двух NVIDIA DGX Spark, но они относятся к указанной конфигурации оборудования и vLLM. Модель принимает текст и генерирует текст; конкретные поддерживаемые языки в предоставленных данных не перечислены. Модель опубликована под лицензией MIT в метаданных, однако README сообщает о gated-доступе и необходимости соблюдать лицензию исходной DeepSeek-модели и условия доступа. Удаление защитных отказов означает, что при развёртывании требуются собственные фильтры безопасности, контроль доступа и проверка результатов; веса предоставляются без гарантий.

tiny-random/glm-moe-dsa — небольшая случайно инициализированная модель, созданная на основе конфигурации GLM-5 от Z.ai для отладки архитектуры и совместимости инструментов. Модель предназначена не для прикладной генерации качественного текста, а для тестирования загрузки, инференса и специализированных механизмов, включая multi-token prediction и поддержку серверов vLLM и SGLang. Модель поддерживает задачу text generation и реализована для библиотеки Transformers. В конфигурации используется архитектура GLM MoE DSA с двумя скрытыми слоями и размером скрытого представления 8; общий объём параметров составляет около 1,2 млн. Заявленное нативное окно контекста — 202 752 токена. В README приведены примеры запуска через vLLM, SGLang и Transformers, включая генерацию и сценарии отладки DSA. Сильная сторона модели — минимальный размер и удобство для воспроизводимых тестов архитектуры, загрузчиков и экспериментальных функций. Из-за случайной инициализации весов модель не предназначена для содержательной генерации текста, диалогов или промышленного использования. Лицензия в предоставленных данных не указана.

tiny-random/glm-ocr — экспериментальная миниатюрная модель, созданная на основе конфигурации zai-org/GLM-OCR и предназначенная для отладки совместимости архитектуры и кода. Модель реализует мультимодальное преобразование изображения и текста в текст и подключается через библиотеку Transformers; размер файла весов составляет около 3,8 МБ. Архитектура включает зрительный модуль и языковую модель для условной генерации, но параметры модели случайно инициализированы. Поэтому она не предназначена для качественного OCR, описания изображений или прикладного инференса и может использоваться главным образом для проверки загрузки, процессора, генерации и интеграции GLM-OCR. Лицензия в предоставленных данных не указана.

Keural-Cortex-8B-v2 — экспериментальный контрольный чекпойнт, подготовленный разработчиком Keural методом corrective SFT на базе Qwen3-8B-Base. Это плотная авторегрессионная языковая модель примерно на 8 млрд параметров с весами BF16 и контекстом до 65 536 токенов; она рассчитана на диалоги на корейском и английском языках. Репозиторий включает шаблон чата и предназначен для локального запуска в Transformers/PyTorch при наличии достаточной видеопамяти. Модель подходит для контролируемой офлайн-оценки, сравнения чекпойнтов и анализа ошибок в генерации текста и диалогах. В небольших локальных диагностических наборах она показала как успешные ответы, так и ошибки; результаты не подтверждают надёжность на широком круге задач или на всём контекстном окне. Чекпойнт не прошёл локальную проверку перед выпуском и не рекомендуется для производственного применения или автономного вызова инструментов: модель может задавать лишние уточняющие вопросы, выдумывать адреса и инициировать отправку писем после неудачного поиска контакта, а также ошибаться в арифметике. Для публичной версии указана лицензия Apache-2.0.

nanoswe-depth32-260812 — исследовательская агентная модель для задач программной инженерии, разработанная nanoswe. Это плотная авторегрессионная модель NanoChatForCausalLM примерно на 2,82 млрд параметров, обученная с нуля на многоходовых траекториях SWE-агентов без предварительного обучения на веб-текстах, дообучения на инструкциях и RL. Контекст составляет 32 768 токенов; модель распространяется в формате safetensors и обслуживается через vLLM с отдельным плагином nanoswe-vllm. Модель предназначена для выполнения задач из SWE-bench Verified в агентном цикле, где команды оболочки и результаты их выполнения передаются модели как наблюдения. В описанной оценке она достигла 8,47% pass@1 при десяти сэмплах на задачу. Модель не предназначена для общего диалога: на обычных запросах она может выдавать команды и патчи либо терять связность. Для модели также заявлено отсутствие настройки безопасности; для полезной работы нужен совместимый агентный интерфейс. Лицензия — MIT.

FlanChanXwO/phpwind-captcha-ocr — локальная ONNX-модель распознавания изображений четырёхзначных числовых CAPTCHA из одной legacy-установки PHPWind. Она предназначена для операторов PHPWind, разработчиков и исследователей: для локальных интеграционных тестов, исследований доступности и оценки собственной CAPTCHA при наличии разрешения. Модель принимает RGB-изображение размером 160 × 64 и выдаёт оценки для четырёх позиций, каждая из которых соответствует одной цифре от 0 до 9. Для запуска используется ONNX Runtime; внешнее API и GPU не требуются. Контрольная точность на отложенной выборке из 997 вручную размеченных изображений целевой установки составила 88,61%. Обучающие данные охватывают только конфигурацию, обозначенную в нижнем колонтитуле как `v0.7β`; совместимость с другими версиями PHPWind, форками, темами и генераторами CAPTCHA не проверялась. Модель распространяется по лицензии AGPL-3.0. Авторы рекомендуют проверять её на разрешённых репрезентативных изображениях; README запрещает применять её для автоматизации входа в аккаунты или обхода контроля доступа.

yujiepan/qwen3.6-moe-tiny-random — экспериментальная мультимодальная модель для отладки, созданная на основе конфигурации Qwen/Qwen3.6-35B-A3B. Модель предназначена для сценариев image-text-to-text и работает с изображениями и текстовыми запросами через библиотеку Transformers. Это случайно инициализированная уменьшенная версия архитектуры Qwen3.6-MoE с четырьмя текстовыми слоями, уменьшенными размерностями скрытого представления и двухслойным визуальным модулем. Репозиторий также содержит настройки для многошагового предсказания токенов и интеграции с vLLM и SGLang. Размер файла весов составляет 12,3 МБ. Модель подходит для проверки загрузки, совместимости конфигурации, работы процессоров и интеграции с инструментами инференса. Из-за случайной инициализации весов она не предназначена для содержательного описания изображений, диалога, генерации текста или использования в продуктивных приложениях. Лицензия в предоставленных данных не указана.

yujiepan/sam3-tiny-random — компактная случайно инициализированная модель сегментации изображений, созданная сообществом yujiepan на основе конфигурации facebook/sam3. Модель предназначена прежде всего для отладки и проверки интеграций, а не для прикладного распознавания объектов с готовым качеством.

test_nfnet.r160_in1k — очень небольшая тестовая модель NF-Net для классификации изображений и проверки корректности работы моделей, разработанная Россом Уайтманом и опубликованная в составе PyTorch Image Models. Она обучена на ImageNet-1k и рассчитана на входные изображения размером 160 × 160 пикселей. Модель содержит около 0,4 млн параметров и может использоваться также как визуальная основа для извлечения карт признаков и эмбеддингов изображений. Модель предназначена прежде всего для тестов и sanity checks, а не для решения прикладных задач с высокими требованиями к качеству. Репозиторий содержит веса PyTorch и Safetensors; лицензия — Apache-2.0. README не приводит отдельной оценки качества именно этой модели.

katuni4ka/tiny-random-flux-fill — небольшая тестовая модель, опубликованная пользователем Hugging Face katuni4ka. Она реализует архитектуру Diffusers FluxFillPipeline и предназначена прежде всего для отладки архитектуры и внутреннего тестирования библиотек Hugging Face, а не для создания изображений в производственных сценариях. В состав входят FluxTransformer2DModel, AutoencoderKL, CLIPTextModel и T5EncoderModel, а также FlowMatchEulerDiscreteScheduler. Конфигурация намеренно уменьшена: трансформер содержит один основной и один одиночный слой, два attention head, размерность совместного текстового представления равна 32; текстовые энкодеры также имеют крайне малый размер. Точные поддерживаемые языки, рабочий контекст и полноценные мультимодальные возможности не указаны. Ключевое ограничение — случайно инициализированные веса: автор прямо указывает, что модель не предназначена для использования в production и не предполагает обучение или дообучение для получения корректных предсказаний. Поэтому её сильная сторона — минимальный размер и удобство проверки совместимости компонентов Flux Fill, а не качество генерации или редактирования изображений. Информация о лицензии в карточке модели не указана.

optimum-intel-internal-testing/tiny-random-qwen-image — небольшая тестовая модель для генерации изображений по текстовому описанию, опубликованная организацией Optimum Intel Internal Testing на Hugging Face. Она предназначена прежде всего для отладки и проверки совместимости библиотек и конвейеров инференса, а не для создания качественных изображений в прикладных сценариях. Модель относится к семейству Qwen-Image и использует конвейер QwenImagePipeline в Diffusers. В составе представлены текстовый энкодер, диффузионный трансформер и VAE; конфигурация адаптирована из Qwen/Qwen-Image, но параметры модели случайно инициализированы. Репозиторий имеет размер около 191 КБ по данным каталога моделей, однако точная архитектура, число параметров, длина контекста и поддерживаемые языки для этой конкретной публикации явно не указаны. Главное преимущество — минимальный размер и пригодность для быстрых тестов загрузки, конфигурации и выполнения text-to-image pipeline. Случайная инициализация означает, что модель не обладает практическими возможностями исходной Qwen-Image и не предназначена для оценки качества генерации. Лицензия для данного репозитория в найденных материалах не указана.

UI-Mate-27B — мультимодальный агент для управления графическим интерфейсом, разработанный Tencent HY Frontier. Модель на 27 млрд параметров дообучена на базе Qwen/Qwen3.6-27B и принимает инструкции на естественном языке, скриншоты и историю взаимодействия. Она анализирует текущее состояние экрана, планирует многошаговые действия в разных приложениях и выдаёт описание действий вместе со структурированными командами мыши и клавиатуры. Модель предназначена для компьютерного управления в средах Windows и Ubuntu, включая выполнение задач через несколько приложений. Обучение включало supervised fine-tuning и онлайн-обучение с подкреплением в исполняемых GUI-средах. Для запуска действий требуется внешний runtime; разработчики рекомендуют использовать официальный prompt, парсер ответов и harness проекта. Лицензия — Apache-2.0. В README приведены результаты на OSWorld-Verified, WindowsAgentArena и OSWorkerBench. Надёжность зависит от версий приложений, расположения элементов интерфейса, масштаба экрана, задержек и текущего состояния UI; результаты бенчмарков не гарантируют успешную работу в произвольной среде. Модель предназначена для исследований и разработки GUI-агентов в контролируемых средах.

Модель namhokaist/appgen-qwen25-thinktag-lr5e-7-ep1-continue-sft-amex-mobile-use — продолжение supervised fine-tuning модели luca0621/appgen-qwen25-thinktag-lr5e-7-ep1 на траекториях графического интерфейса, полученных из AMEX. Она построена на Qwen2.5-VL и предназначена для управления мобильным интерфейсом: по визуальному экрану и текстовому контексту выдаёт вызовы инструмента mobile_use с действием и абсолютными пиксельными координатами, например нажатием на элемент. Модель рассчитана на сценарии автоматизации действий в мобильных приложениях. Обучение продолжалось одну эпоху с максимальной длиной последовательности 4096 токенов. Доступна в формате safetensors, лицензия Apache-2.0. Карточка не сообщает о проверке качества и ограничениях применительно к устройствам или приложениям; координаты зависят от конкретного изображения экрана и его разрешения.

hyper-accel/ci-random-qwen2-moe-a3b — тестовая модель генерации текста от организации HyperAccel, размещённая на Hugging Face. Она построена на архитектуре Qwen2-MoE и автоматически инициализирована случайными весами, поэтому не предназначена для содержательных ответов или практических пользовательских задач; её применение — тестирование и проверка программной инфраструктуры для моделей text-generation и чат-шаблонов. Метаданные указывают 413,9 млн параметров и контекст до 8192 токенов. Карточка сгенерирована автоматически и не приводит лицензию, языки обучения или оценку качества.

es-seq2seq-gender-encoder — часть энкодера модели для преобразования грамматического рода в испанских предложениях. Модель разработана для дополнения испанских текстовых данных и создания контрфактических примеров, позволяющих проверять, меняется ли вывод другой модели при изменении рода субъекта или говорящего. Она может согласованно менять артикли, существительные и прилагательные, учитывать некоторые формы существительных, не менять слова, не относящиеся к людям, и оставлять имена людей без изменений. Энкодер и декодер инициализированы весами и словарём BETO uncased. Модель обучена на текстах, преобразованных скриптом смены рода на основе датасета muchocine и первых 6 853 строк испанского корпуса OSCAR. Метаданные указывают архитектуру BERT, около 137,1 млн параметров и контекст длиной 512 токенов. Репозиторий содержит веса в форматах PyTorch, Flax и safetensors. Модель предназначена для испанского языка и не охватывает небинарные и гендерно-нейтральные формы, отсутствовавшие в обучающих данных. Условия лицензирования в предоставленных данных не описаны.

yujiepan/glm-5.2-tiny-random — небольшая отладочная модель для генерации текста, созданная на основе конфигурации zai-org/GLM-5.2. Модель имеет случайную инициализацию и не предназначена для содержательной генерации или прикладного использования; её основная цель — проверка совместимости и отладка программного обеспечения.

yujiepan/llama-3.2-vision-tiny-random — отладочная мультимодальная модель, созданная сообществом на основе конфигурации Meta Llama 3.2 90B Vision Instruct, но с существенно уменьшенной архитектурой. Модель реализована в Transformers через MllamaForConditionalGeneration и поддерживает обработку изображений вместе с текстовыми запросами для генерации текста. Модель имеет случайно инициализированные веса и не предназначена для прикладного использования, качественного диалога, описания изображений или других продуктивных задач. В конфигурации используются уменьшенные текстовый и визуальный компоненты: скрытый размер 8, два слоя и малое число голов внимания. Основное назначение — отладка, тестирование совместимости архитектуры, процессора и кода генерации на компактной модели. Для работы требуется библиотека Transformers и соответствующий процессор Mllama. Лицензия в предоставленных данных не указана; условия лицензирования исходной модели Meta автоматически не определяют лицензию этого репозитория.

yujiepan/opt-tiny-2layers-random — случайно инициализированная уменьшенная модель семейства OPT для генерации текста. В карточке указаны 2 слоя, скрытый размер 8, 2 головы внимания и размер FFN 32; метаданные указывают около 404,2 тыс. параметров и контекст до 2048 токенов. Модель представлена в float32, доступны форматы PyTorch, Safetensors и OpenVINO. Это тестовый чекпойнт, который подходит для проверки загрузки, преобразования и запуска моделей OPT в инструментах для генерации текста. Случайная инициализация означает, что от него не следует ожидать осмысленной генерации или пригодности для пользовательских задач. Сведения о лицензии в предоставленных данных отсутствуют.

yujiepan/qwen3-tiny-random-tp — экспериментальная миниатюрная модель, созданная разработчиком yujiepan для отладки. Она случайно инициализирована на основе конфигурации Qwen/Qwen3-32B и предназначена для проверки загрузки, инференса и совместимости компонентов Transformers, а не для получения качественных ответов.

Qwen3-VL-8B-Thinking-Mobile-SFT — плотная мультимодальная модель на базе Qwen3-VL-8B-Thinking, разработанная проектом UI-MOPD. Она дообучена методом supervised fine-tuning на траекториях взаимодействия с мобильным графическим интерфейсом из мобильной части набора Uni-GUI: около 160 тысяч шагов в 11,5 тысячи траекторий. Модель предназначена для работы как мобильный GUI-агент, оценки обучающих данных и экспериментов по объединению моделей. Модель принимает изображения и текстовые инструкции, анализирует экран и выдаёт текстовые ответы с действиями для выполнения пользовательских задач в приложениях, включая навигацию, изменение настроек и отправку сообщений. Архитектура — Qwen3-VL с 8 млрд параметров; в метаданных указаны английский и китайский языки. Модель загружается через Transformers, веса доступны в формате safetensors. Это вспомогательный SFT-чекпойнт, обученный независимо от основного пути обучения UI-MOPD: 8B-студент проекта инициализируется базовой моделью и обучается отдельно с помощью дистилляции. Карточка позиционирует чекпойнт как самостоятельного агента и основу для экспериментов, но не приводит результаты его качества. Лицензия — Apache-2.0.

yujiepan/seed-oss-tiny-random — экспериментальная языковая модель, созданная для отладки на основе архитектурной конфигурации ByteDance-Seed/Seed-OSS-36B-Instruct. Модель реализует авторегрессионную генерацию текста и предназначена для работы с Transformers; в README также приведён сценарий запуска через vLLM. Модель имеет 1,2 млн параметров, два декодерных слоя, скрытый размер 8 и контекст до 524 288 токенов. Она случайно инициализирована, поэтому не представляет собой обученную инструкционную модель и не предназначена для получения содержательных ответов. Основной сценарий использования — проверка загрузки, совместимости, шаблонов чата, генерации и интеграции инфраструктуры с архитектурой Seed-OSS. Модель может быть полезна разработчикам для быстрых и малоресурсных тестов, но её случайные веса делают результаты генерации бессодержательными и непредсказуемыми. Лицензия в предоставленных данных не указана.

test_efficientnet_ln.r160_in1k — очень компактная модель классификации изображений семейства EfficientNet из библиотеки PyTorch Image Models (timm), подготовленная Россом Уайтманом для тестирования и проверки корректности работы. Она обучена на ImageNet-1k и также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Модель содержит около 0,4 млн параметров, имеет вычислительную сложность около 0,1 GMAC и рассчитана на изображения размером 160 × 160 пикселей. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия — Apache-2.0. Модель подходит для sanity checks и небольших демонстраций классификации изображений. README обозначает её как тестовую, поэтому её не следует считать моделью для задач, где важны высокое качество или надёжность; приведённые в карточке показатели точности относятся к другим тестовым моделям.

Intel/tiny-random-distilgpt2 — небольшая каузальная языковая модель семейства GPT-2, опубликованная организацией Intel на Hugging Face. Модель предназначена для генерации текста и совместима с библиотекой Transformers и форматом Safetensors. Архитектура основана на GPT2LMHeadModel: 2 слоя, размер скрытого представления 64, 2 attention-heads и словарь из 50 257 токенов. В метаданных указаны 3,38 млн параметров, контекст до 1024 токенов и задача text-generation. Модель поддерживает текстовую модальность; сведения о поддерживаемых естественных языках отсутствуют. Из-за очень малого размера модель подходит прежде всего для тестирования пайплайнов, интеграций и совместимости, а не для получения качественных ответов или производственного использования. В карточке нет описания датасета, обучения, оценки качества или специализированных областей применения. Лицензия указана как неизвестная, поэтому условия использования перед применением необходимо уточнить.