II.9Статистика, эксперименты и причинный анализ

Это исследовательский контрольный пункт Jeesup, созданный на основе диалоговой модели Meta Llama 2 7B Chat и сжатый методом SVD-LLM с последующим редактированием параметров. Веса представлены в формате safetensors; модель содержит около 6,6 млрд параметров и поддерживает контекст до 4096 токенов. Модель предназначена для изучения того, как сжатие влияет на безопасность и полезность ответов, а также для сравнения способов восстановления поведения после сжатия. Она сохраняет интерфейс генерации текста и общения, но README прямо предупреждает, что это экспериментальный объект, а не универсальный ассистент. В измерениях зафиксированы показатели успешности атак AdvBench 0,0885 и StrongREJECT 0,1278, а также макроуровень чрезмерных отказов 0,1650. Модель не следует считать готовой к развёртыванию: отдельные варианты исследования намеренно имеют сниженные показатели безопасности относительно исходной Llama 2 7B Chat, поэтому результаты нужно проверять в целевом сценарии. Лицензия — Llama 2.

Это исследовательский чекпойнт на базе диалоговой модели Meta Llama 2 7B Chat, подготовленный в рамках исследования влияния сжатия на безопасное поведение языковых моделей. Модель содержит 6,6 млрд параметров, использует плотную архитектуру Llama и принимает текст для генерации диалоговых ответов; заявленная длина контекста — 4096 токенов. Чекпойнт сжат методом SVD-LLM: удалено 40,02% параметров, осталось 60% от плотной модели. Затем применён один из десяти раундов параметрически нейтральной перестановки компонентов по правилу gap_iter с бюджетом до 0,1% параметров за раунд. Он предназначен для измерения компромиссов между сжатием и безопасностью, а не для обычного использования в качестве ассистента. В README приведены метрики атакуемости и чрезмерного отказа на AdvBench, StrongREJECT и WildGuard. Модель распространяется в формате Safetensors по лицензии Llama 2. Результаты являются экспериментальными и не гарантируют безопасного поведения; перед применением требуется самостоятельная оценка.

Экспериментальный исследовательский чекпойнт на базе диалоговой Llama 2 Chat от Meta, созданный для изучения влияния сжатия на безопасность и полезность языковой модели. Весовая матрица сжата методом SVD-LLM: удалено 49,91% параметров, а затем случайным правилом выбраны компоненты SVD для восстановления при бюджете 0,1%. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и поддерживает контекст до 4096 токенов. Чекпойнт предназначен для экспериментов по оценке компромиссов между сжатием и безопасностью, а также для сравнения стратегий восстановления компонентов. README приводит показатели атак на тестах AdvBench и StrongREJECT и показатель избыточного отказа на WildGuard. Модель не предназначена для использования как универсальный чат-ассистент: компрессия может ухудшать защиту от вредоносных запросов. Лицензия — Llama 2.

Это исследовательский чекпойнт на основе диалоговой модели Llama 2 7B Chat от Meta, созданный для изучения влияния сжатия на безопасность ответов. Модель содержит 6,6 млрд параметров, использует плотную архитектуру Llama и рассчитана на генерацию текста и диалог; длина контекста — 4096 токенов. Веса представлены в формате safetensors. Чекпойнт сжат методом SVD-LLM: удалено около 50% параметров. После сжатия выполнено 5 из 10 раундов перестановки параметров по правилу disc_iter, чтобы исследовать восстановление поведения. В README приведены показатели успешности атак на AdvBench и StrongREJECT и доля чрезмерных отказов на WildGuard. Модель предназначена для экспериментов по компромиссу между безопасностью и полезностью, а не для использования в качестве универсального ассистента. Лицензия — Llama 2; применяются её условия.

Это исследовательский чекпойнт на базе диалоговой Llama 2 7B Chat от Meta, сжатый методом SVD-LLM примерно до половины исходного числа параметров. Для эксперимента к сжатой модели восстановили компоненты SVD в объёме 0,5% параметров, выбранные правилом swapdisc. Модель предназначена для изучения того, как сжатие влияет на безопасность и полезность ответов, а также для сравнения способов восстановления поведения после сжатия. Чекпойнт генерирует текст и поддерживает диалог; указанная длина контекста — 4096 токенов. В README приведены результаты оценки отказов и успешности атак на AdvBench и StrongREJECT с оценщиком HarmBench, а также метрика чрезмерных отказов WildGuard. Это отдельная экспериментальная точка в серии сравнений, а не универсальный чат-ассистент: авторы предупреждают, что сжатие может ухудшать защитное поведение. Распространяется по лицензии Llama 2.

Это исследовательский чекпойнт Jeesup на архитектуре Llama-2-7b-chat, созданный для изучения влияния сжатия и последующего редактирования параметров на безопасное поведение языковой модели. Он получен из meta-llama/Llama-2-7b-chat-hf: сжатие SVD-LLM удалило около 50% параметров, после чего выполнено 8 из 10 раундов параметрически нейтральной перестановки параметров по правилу disc_iter. Модель содержит 6,6 млрд параметров, использует Transformers и формат safetensors, поддерживает диалоговую генерацию текста и контекст до 4096 токенов. Чекпойнт предназначен для измерения компромиссов между безопасностью и полезностью при сжатии, а также для сравнения правил выбора компонентов и бюджетов редактирования. В README приведены показатели атак на AdvBench и StrongREJECT и показатель избыточных отказов WildGuard; они относятся к исследовательской оценке, а не гарантируют поведение в других сценариях. Разработчик прямо предупреждает, что некоторые варианты намеренно уступают исходной модели по безопасности и что этот чекпойнт не предназначен для использования как универсальный чат-ассистент. Применяются условия лицензии Llama 2.

Это экспериментальный чекпойнт Jeesup на основе Meta Llama-2-7b-chat, сжатый методом SVD-LLM: удалено 59,51% параметров, после чего восстановлены компоненты SVD в пределах бюджета 0,5% по правилу disc. Модель относится к семейству Llama, имеет плотную архитектуру LlamaForCausalLM, содержит 6,6 млрд параметров и рассчитана на контекст до 4096 токенов. Чекпойнт создан для исследования того, как сжатие влияет на безопасность и полезность диалоговых моделей, и для сравнения способов восстановления поведения. Он предназначен для экспериментальной оценки компромисса между безопасностью и качеством ответов, а не для использования в качестве универсального чат-ассистента. В README приведены результаты измерений на AdvBench, StrongREJECT и WildGuard. Модель принимает текст и генерирует текст; базовая модель ориентирована прежде всего на английский язык. README предупреждает, что сжатие может ухудшать защитное поведение и повышать успешность атак, поэтому чекпойнт следует рассматривать как экспериментальный объект и оценивать отдельно перед использованием. Лицензия — Llama 2; её условия распространяются на применение модели.

Экспериментальный чекпойнт Jeesup на базе диалоговой Llama 2 7B Chat от Meta, предназначенный для изучения влияния сжатия на безопасность ответов и восстановления поведения модели. Веса сжаты методом Swift-SVD с восстановлением LoRA: удалено около 20% параметров относительно исходной модели, после чего применены 2 из 10 раундов итеративного параметрически нейтрального обмена компонентами по правилу gap_iter. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM, принимает текст и генерирует текст; контекст — до 4096 токенов. Базовая модель рассчитана на диалог на английском языке. Чекпойнт является одной точкой экспериментальной сетки по правилам выбора компонентов и бюджетам, а не универсальным чат-ассистентом. В README приведены метрики успешности атак AdvBench и StrongREJECT и показатель чрезмерных отказов WildGuard; авторы предупреждают, что сжатие может ухудшать безопасность, а отдельные варианты эксперимента намеренно снижали её. Лицензия — Llama 2; перед применением требуется самостоятельная оценка поведения модели.

Это исследовательский чекпойнт на основе Meta Llama 3.1 8B Instruct, сжатый методом SVD-LLM и затем изменённый в одном раунде итеративного обмена параметрами по правилу gap_iter. В модели сохранено 80% плотных параметров; README указывает, что сжатием удалено около 20%. Это один вариант в исследовательской сетке, изучающей влияние сжатия на безопасность и полезность языковой модели. Модель предназначена для измерения компромиссов между безопасностью и полезностью после сжатия, а не для роли универсального чат-ассистента. В README приведены результаты на AdvBench, StrongREJECT и WildGuard, включая показатели успешности атак и чрезмерных отказов. Модель принимает текст и генерирует текст; метаданные указывают контекст до 131072 токенов и поддержку диалога и интерфейса вызова инструментов. Чекпойнт может демонстрировать ухудшенное поведение в отношении безопасности после сжатия и предназначен для экспериментальной оценки, а не для развёртывания как готовый помощник. Лицензия — Llama 3.1; применяются её условия использования.

Это исследовательский чекпойнт Jeesup на базе Meta Llama 3.1 8B Instruct, предназначенный для изучения того, как SVD-сжатие влияет на безопасность и полезность языковых моделей и как можно восстанавливать поведение модели. Веса сжаты методом SVD-LLM: удалено около 20% параметров относительно плотной модели; затем выполнено 8 из 10 раундов параметрически нейтральной замены компонентов по правилу gap_iter. Модель содержит 7,5 млрд параметров, построена на архитектуре LlamaForCausalLM, принимает текст и генерирует текст; заявленный контекст — 131 072 токена. В карточке приведены результаты оценки на AdvBench, StrongREJECT и WildGuard, связанные с успешностью атак и чрезмерными отказами. Чекпойнт представляет одну точку экспериментальной сетки, а не универсального чат-ассистента. Он предназначен для исследовательских сравнений компрессии и безопасности; перед любым практическим применением необходима самостоятельная оценка. Лицензия — Llama 3.1 Community License (llama3.1).

Экспериментальный чекпойнт на базе Meta-Llama-3-8B-Instruct, сжатый методом SVD-LLM: удалено около 20% параметров. Затем к нему применён один раунд параметрически нейтрального обмена параметров по правилу gap_iter; это один вариант из серии экспериментов по изучению влияния сжатия на безопасность модели и восстановлению её поведения. Модель принимает текст и генерирует текст, поддерживает диалоговый сценарий; контекст составляет 8192 токена. В метаданных указано 7,5 млрд параметров, архитектура LlamaForCausalLM, формат весов safetensors и библиотека Transformers. Чекпойнт предназначен для экспериментальной оценки компромисса между безопасностью и полезностью, а не для роли универсального чат-ассистента. В README приведены результаты на AdvBench, StrongREJECT и WildGuard; авторы отмечают рост успешности атак после сжатия и намеренно ухудшенную безопасность некоторых вариантов. Лицензия — Llama 3; перед использованием следует учитывать её условия и самостоятельно оценивать поведение чекпойнта.

Это экспериментальный исследовательский чекпойнт Jeesup на основе Meta-Llama-3-8B-Instruct, предназначенный для изучения влияния сжатия на безопасность и полезность языковых моделей. Модель использует плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и принимает текст для генерации текстовых ответов в диалоге. Контекстное окно составляет 8192 токена. Веса сжаты методом SVD-LLM: удалено 40,02% параметров исходной модели. Затем выполнены 2 из 10 раундов итеративного обмена параметрами по правилу gap_iter. В README приведены результаты на наборах AdvBench, StrongREJECT и WildGuard, включая показатели успешности атак и чрезмерного отказа. Чекпойнт предназначен для анализа компромиссов между сжатием, безопасностью и полезностью, а не для использования как универсальный ассистент. Модель унаследовала англоязычную ориентацию базовой Meta-Llama-3-8B-Instruct. README предупреждает, что сжатие может ухудшать безопасное поведение и что отдельные варианты эксперимента могут быть намеренно менее безопасными; перед использованием результаты следует оценивать самостоятельно. Лицензия — Llama 3 Community License (llama3).

Это исследовательский чекпойнт Jeesup на базе Meta-Llama-3-8B-Instruct, сжатый методом SVD-LLM и изменённый итеративным параметрически нейтральным обменом весов по правилу gap_iter. В модели удалено около 40% параметров, итоговый размер — 7,5 млрд параметров; выполнено 8 из 10 раундов обмена. Архитектура — плотная LlamaForCausalLM, формат весов — safetensors, длина контекста — 8192 токена. Чекпойнт предназначен для изучения влияния сжатия на безопасность и полезность языковых моделей, а также для оценки восстановления защитного поведения. В указанной оценке доля успешных атак AdvBench и StrongREJECT составила 0, а показатель избыточных отказов WildGuard — 0,6547. Это отдельная экспериментальная ячейка исследования, не универсальный чат-ассистент; автор рекомендует самостоятельно оценивать её перед использованием. Лицензия — Llama 3.

Это исследовательский контрольный пункт на основе Meta-Llama-3-8B-Instruct, созданный для изучения влияния сжатия на безопасность ответов. Модель семейства Llama с плотной архитектурой содержит 7,5 млрд параметров, использует формат safetensors и принимает текст для генерации текста. В метаданных указан контекст 8192 токена и поддержка диалогового режима. Веса сжаты методом SVD-LLM: удалено 40,02% параметров, оставив 60% исходного числа. Затем к модели применили 10 итераций параметрически нейтральной замены по правилу gap_iter. Чекпойнт предназначен для измерения компромисса между безопасностью и полезностью сжатых моделей, а не для общего использования в качестве чат-ассистента. В README приведены оценки атакуемости и чрезмерных отказов на тестовых наборах; они характеризуют этот экспериментальный вариант. Модель ориентирована на английский язык, как и базовая модель. Лицензия — Llama 3; условия использования определяются её лицензией.

Это исследовательский чекпойнт Jeesup на базе Meta-Llama-3-8B-Instruct, сжатый методом Swift-SVD: удалено 30% параметров, после чего модель восстановлена последовательным LoRA-дообучением по схеме SVD-LLM. Модель использует плотную архитектуру LlamaForCausalLM, содержит около 7,5 млрд параметров и имеет контекст до 8192 токенов. Репозиторий распространяет веса в формате safetensors. Чекпойнт предназначен для изучения того, как SVD-сжатие влияет на безопасность и полезность ответов, а также насколько LoRA-восстановление меняет эти эффекты. В README приведены результаты оценок атак на безопасность и чрезмерных отказов; это экспериментальная точка в исследовательской сетке, а не универсальный разговорный ассистент. Модель принимает текст и генерирует текст; базовая модель рассчитана на диалоги преимущественно на английском языке. Лицензия — Llama 3, с условиями использования Meta для этой лицензии.

Jeesup/svd-safety-l3_swift_jbbsft10_remove30 — исследовательский чекпойнт на основе Meta-Llama-3-8B-Instruct от Meta. Модель с архитектурой LlamaForCausalLM была сжата методом Swift-SVD: удалено около 30% параметров, после чего веса восстановлены дообучением LoRA поэтапно для матриц U и V. В репозитории указаны 7,5 млрд параметров и контекст 8192 токена. Чекпойнт создан для измерения того, как SVD-сжатие влияет на безопасность и полезность ответов, и для сравнения методов восстановления поведения модели. В карточке приведены оценки атак на безопасность и чрезмерных отказов; это экспериментальная точка исследования, а не универсальный чат-помощник. Модель принимает текст и генерирует текст в диалоговом режиме. В README не перечислены языки или специализированные прикладные области. Лицензия — Llama 3. Карточка предупреждает, что сжатие может ухудшать защитное поведение; перед практическим использованием модель необходимо оценивать самостоятельно.

Это экспериментальный чекпойнт Mistral-7B-Instruct-v0.2, созданный в исследовании влияния SVD-сжатия на безопасное поведение языковых моделей и способов его восстановления. Модель с архитектурой MistralForCausalLM содержит 7,1 млрд параметров, работает с текстом и поддерживает контекст до 32 768 токенов. По карточке, SVD-LLM удалил 19,02% параметров; затем в чекпойнт восстановили компоненты в пределах бюджета 1,0%, выбранные по правилу disc. Модель предназначена для измерения компромисса между сжатием, полезностью и безопасностью, а также для сравнения стратегий восстановления компонентов. В карточке приведены результаты тестов AdvBench, StrongREJECT и WildGuard. Это один вариант в сетке исследовательских экспериментов, а не универсальный чат-ассистент. Чекпойнт создан на основе Mistral-7B-Instruct-v0.2 и распространяется по лицензии Apache-2.0. Авторы отмечают, что сжатие может повысить успешность атак и ухудшить защитное поведение; модель следует рассматривать как экспериментальный объект и самостоятельно оценивать перед использованием.

Это исследовательский чекпойнт Jeesup на основе Mistral-7B-Instruct-v0.2 с архитектурой MistralForCausalLM и 7,1 млрд параметров. Модель сжата методом SVD-LLM: удалено около 20% параметров, после чего выполнены 3 из 10 раундов перестановки параметров по правилу gap_iter. Она принимает текст и генерирует текст; заявленная длина контекста — до 32 768 токенов. Чекпойнт создан для изучения того, как сжатие влияет на безопасность ответов и можно ли частично восстановить поведение модели выбором компонентов. В README приведены результаты оценок AdvBench, StrongREJECT и WildGuard. Это отдельный экспериментальный вариант из серии сравнений, а не универсальный чат-ассистент. Лицензия — Apache-2.0.

Jeesup/svd-safety-mistral_remove50_swapgapiter_b010 — исследовательский чекпойнт на базе Mistral-7B-Instruct-v0.2, созданный для изучения влияния сжатия на безопасность ответов. Модель MistralForCausalLM с 7,1 млрд параметров была сжата методом SVD-LLM: удалено около 50% параметров, после чего выполнено 10 итераций параметрически нейтральной замены компонентов по правилу gap_iter. Чекпойнт предназначен для измерения компромисса между безопасностью и полезностью сжатых языковых моделей и сравнения способов восстановления поведения безопасности. Это диалоговая текстовая модель с контекстом до 32 768 токенов. В README приведены результаты проверок AdvBench, StrongREJECT и WildGuard, включая заметный показатель избыточных отказов. Это экспериментальный объект исследования, а не универсальный чат-ассистент и не готовая к развертыванию модель. README предупреждает, что сжатие может ухудшать защиту от атак, а результаты конкретного варианта требуют самостоятельной оценки. Лицензия — Apache-2.0.

UserLM-8b — текстовая генеративная модель, разработанная Тареком Наусом, Филиппом Лабаном, Вэй Сюй и Дженнифер Невилл из Microsoft Research. В отличие от ассистента, она имитирует роль пользователя в диалоге: по заданному намерению генерирует начальную реплику, продолжения разговора с учётом его состояния или специальный токен завершения диалога. Модель основана на плотной архитектуре Llama и дообучена на Meta-Llama-3.1-8B на корпусе WildChat-1M. Она содержит 7,5 млрд параметров, принимает текст и поддерживает контекст до 8192 токенов. Модель рассчитана на английский язык и предназначена прежде всего для исследователей, оценивающих диалоговые ассистенты с помощью симуляции многоходовых разговоров. В опубликованных оценках UserLM-8b показала более реалистичную симуляцию поведения пользователя по сравнению с рядом подходов на основе ассистентов. При этом модель может отклоняться от роли или исходного намерения и добавлять вымышленные требования; качество работы на других языках не установлено. Разработчики не рекомендуют применять её в коммерческих или реальных сценариях без дополнительной проверки. Лицензия — MIT.

BehR-WorldModel-Webshop-Llama3.1-8B — дообученная текстовая модель мира для WebShop, представленная Ricardo-H и основанная на X1AOX1A/WorldModel-Webshop-Llama3.1-8B. Она использует архитектуру LlamaForCausalLM и содержит 7,5 млрд параметров; в репозитории указаны веса Safetensors и библиотека Transformers. Модель принимает историю взаимодействия агента и его следующее действие, а затем предсказывает следующее текстовое наблюдение среды, позволяя симулировать WebShop при прокрутке сценариев агентом. Модель предназначена для исследований моделей мира и симуляции агентов в текстовых средах. В статье её оценивают на WebShop по метрикам точного совпадения для одного шага, успешности выполнения задач и согласованности. Лицензия в метаданных обозначена как other; конкретные условия следует проверять на странице модели. Контекстное окно — 131 072 токена. Проверка ограничена WebShop, поэтому поведение за пределами этой среды не подтверждено. Предсказанные наблюдения могут выглядеть правдоподобно, но содержать фактические ошибки; модель наследует смещения и сбои базовой модели и не подходит для использования выходов как достоверных сведений о реальной среде.

Это базовая авторегрессионная языковая модель d12_optimized_286m_seed2 из исследовательской серии Scaling Ladder; разработчик — автор репозитория jkminder. Модель обучалась предсказывать следующий токен на данных NVIDIA ClimbMix, чтобы изучать различия между случайными инициализациями при предобучении. Это один из восьми запусков размера d12, с отдельным случайным seed; модель не проходила инструкционное дообучение или обучение безопасности. Архитектура — плотная Nanochat GPT с 12 слоями и размером скрытого состояния 768. В репозитории указано 286 млн параметров, тогда как метаданные каталога оценивают общий размер в 138,4 млн; README отдельно приводит 110 млн масштабируемых параметров. Контекст составляет 2048 токенов, словарь — 32 768 токенов. Модель предназначена прежде всего для экспериментов с предобучением и оценки языковых моделей, а не для следования инструкциям или готового диалогового применения. Карточка предоставляет контрольные точки обучения в ревизиях TPP; лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Это reward-модель на базе DeBERTa-v3-large-tasksource-nli, дообученная на датасете Anthropic/hh-rlhf за одну эпоху с learning rate 1e-5. Модель разработана для оценки ответов ассистента в сценариях обучения с подкреплением на основе обратной связи людей (RLHF): она присваивает тексту оценку, отражающую предпочтительность ответа. В метаданных указаны архитектура DeBERTa-v2 для классификации последовательностей, 533,8 млн параметров и контекст до 512 токенов. Модель подходит для ранжирования и сравнения текстовых ответов в обучающих или исследовательских конвейерах RLHF. В README сообщается о точности 75,16% на валидации — выше указанного результата сравниваемой reward-модели, 69,25%; подробности протокола оценки не приведены. Карточка не сообщает лицензию, поэтому условия использования по доступным данным определить нельзя.

Экспериментальная чат-модель Eugleo на архитектуре NanochatGPTForCausalLM, дообученная методом SFT на базе nvidia/ClimbMix. Модель содержит 1,2 млрд параметров, принимает текст и генерирует продолжение или ответ в формате диалога; базовый вариант обучался на корпусе climbmix_4100, а SFT проведён в течение одной эпохи на смесях SmolTalk, MMLU и decor_replay. В карточке описан эксперимент по воспроизведению корпусов декорреляции и персонажей при SFT. Модель предназначена для исследовательских экспериментов с диалоговой генерацией и влиянием данных обучения на поведение чат-модели. Указаны английский язык и контекст 2048 токенов. Веса опубликованы в формате safetensors; лицензия CC BY-NC 4.0 запрещает коммерческое использование. README называет модель исследовательским артефактом, поэтому её качество и пригодность для прикладного использования не следует считать установленными.

NVIDIA Ising-Calibration-1-35B-A3B — мультимодальная модель NVIDIA для анализа графиков экспериментов по калибровке квантовых вычислительных систем. Это дообученная версия Qwen3.5-35B-A3B с архитектурой vision-language Mixture-of-Experts: всего около 35 млрд параметров, примерно 3 млрд активируются на токен; в модели 256 экспертов, из которых активны 8. Модель принимает одно или несколько изображений графиков и текстовый запрос, а в ответ формирует технический анализ. Она предназначена для описания графиков, формулирования выводов и оценки значимости эксперимента, качества аппроксимации, извлечения параметров и классификации успешности эксперимента. В README указан контекст 262 144 токена; для запуска предлагаются Transformers и vLLM с FlashAttention в BF16 на поддерживаемых NVIDIA GPU. Модель обучена на 72,5 тыс. синтетических примеров и оценивалась на QCalEval, охватывающем эксперименты со сверхпроводниковыми кубитами и нейтральными атомами. Её выводы следует проверять с участием специалистов по квантовым вычислениям. Условия использования определяются NVIDIA Open Model License Agreement.

EleutherAI/pythia-31m-seed5 — базовая авторегрессионная языковая модель из набора PolyPythias, созданного EleutherAI для исследования устойчивости и воспроизводимости предобучения. Это вариант Pythia-31M с пятым случайным seed; модель содержит около 19,2 млн параметров по метаданным и использует плотную архитектуру GPT-NeoX с 6 слоями и контекстом до 2048 токенов. Модель обучена предсказывать следующий токен на корпусе The Pile объёмом 300 млрд токенов. Она предназначена для продолжения английского текста и исследовательских экспериментов по влиянию случайной инициализации на обучение языковых моделей. Доступны промежуточные контрольные точки обучения; веса опубликованы в формате PyTorch и используются через Transformers. Это базовая, не настроенная на выполнение инструкций модель. Она может воспроизводить предвзятое, оскорбительное или недостоверное содержание из обучающих данных; ответы не фильтруются. В README указана лицензия Apache-2.0 и рекомендация не применять модель в производственных системах.

Pythia-410M — англоязычная авторегрессионная языковая модель семейства Pythia, разработанная EleutherAI для контролируемых научных экспериментов над поведением, возможностями и ограничениями больших языковых моделей, в том числе для исследований интерпретируемости. Модель построена на архитектуре GPT-NeoX и содержит около 454,2 млн параметров; карточка указывает 24 слоя, размерность модели 1024 и 16 голов внимания. Она обучена на корпусе The Pile и использует контекст до 2048 токенов. Модель продолжает текст по входной строке и подходит для изучения генерации языка, сравнения моделей разных размеров и анализа промежуточных чекпойнтов. Для семейства предоставлено 154 промежуточных чекпойнта на каждый размер. Pythia-410M не настроена на выполнение инструкций или диалоговое применение и не предназначена для пользовательского развертывания; результаты могут быть недостоверными, а также содержать оскорбительный или предвзятый текст. Поддерживается английский язык. Лицензия — Apache 2.0.

Карточка модели HYU-NLP-EVAL/qwen3-1.7b-rar-medicine-static-r0-step-006 на Hugging Face совпадает с карточкой HYU-NLP-EVAL/qwen3-1.7b-rar-medicine-static-r0-step-000, поэтому описание составлено по ней. Это экспериментальный контрольный чекпойнт модели Qwen3-1.7B, созданный группой HYU-NLP-EVAL на основе Qwen/Qwen3-1.7B. Его обучали методом GRPO с фиксированной начальной рубрикой вознаграждения для эксперимента по изучению насыщения вознаграждения и устаревания статических рубрик; данный вариант относится к домену медицины и шагу 0. Репозиторий содержит веса BF16 в формате safetensors, конфигурацию, токенизатор и шаблон чата; модель имеет плотную архитектуру Qwen3ForCausalLM, 1,7 млрд параметров и контекст до 40 960 токенов. Чекпойнт предназначен для исследовательского анализа оптимизации языковой политики и сопоставления контрольных точек, а также поддерживает генерацию текста и диалоговый режим. Он не является медицинским устройством и не предназначен для постановки диагноза или замены профессиональной медицинской консультации. Лицензия — Apache-2.0.

Карточка модели HYU-NLP-EVAL/qwen3-1.7b-rar-medicine-static-r0-step-016 на Hugging Face совпадает с карточкой HYU-NLP-EVAL/qwen3-1.7b-rar-medicine-static-r0-step-000, поэтому описание составлено по ней. Это экспериментальный контрольный чекпойнт модели Qwen3-1.7B, созданный группой HYU-NLP-EVAL на основе Qwen/Qwen3-1.7B. Его обучали методом GRPO с фиксированной начальной рубрикой вознаграждения для эксперимента по изучению насыщения вознаграждения и устаревания статических рубрик; данный вариант относится к домену медицины и шагу 0. Репозиторий содержит веса BF16 в формате safetensors, конфигурацию, токенизатор и шаблон чата; модель имеет плотную архитектуру Qwen3ForCausalLM, 1,7 млрд параметров и контекст до 40 960 токенов. Чекпойнт предназначен для исследовательского анализа оптимизации языковой политики и сопоставления контрольных точек, а также поддерживает генерацию текста и диалоговый режим. Он не является медицинским устройством и не предназначен для постановки диагноза или замены профессиональной медицинской консультации. Лицензия — Apache-2.0.

HYU-NLP-EVAL представляет промежуточное состояние политики RaR-Medicine на третьем шаге обучения с seed 11. Модель создана на основе Qwen/Qwen3-4B-Instruct-2507 и дообучалась методом GRPO в рамках динамического OnlineRubrics-Every; это отдельная версия от обучения GRPO со статическими рубриками. Архитектура — плотная Qwen3ForCausalLM примерно на 3,7 млрд параметров, работающая через Transformers. Модель принимает текст и генерирует текст; контекстное окно — до 262 144 токенов. Чекпойнт предназначен для аудита политики на первом этапе исследования, а не для подтверждённого выполнения медицинских задач. Разработчик не заявляет о медицинских возможностях или безопасности модели и предупреждает, что она не валидирована для клинических решений. Опубликованные веса экспортированы в BF16; лицензия — Apache-2.0.