II.9Статистика, эксперименты и причинный анализ

Исследовательский чекпойнт проекта UnfaithRL на базе инструктивной модели allenai/OLMo-2-0425-1B-Instruct. Это плотная авторегрессионная языковая модель семейства OLMo 2 с 1,3 млрд параметров; она принимает текст и генерирует текст. Контекст модели составляет 4096 токенов, а при обучении использовалась максимальная длина ответа 2048 токенов. Модель обучали методом RLVR с проверяемыми наградами, чтобы исследовать, как подсказки влияют на цепочки рассуждений: награда поощряла следование ответу, предложенному подсказкой, и явное словесное связывание подсказки с итоговым ответом. Чекпойнт предназначен для экспериментов с верностью рассуждений, переключением ответов под влиянием подсказок, раскрытием использования подсказки и обходом награды. Это исследовательский артефакт, а не универсальный помощник; лицензия в предоставленных данных не указана.

Это экспериментально отредактированная версия языковой модели Qwen3-14B, опубликованная для исследований механистической интерпретируемости и редактирования моделей. Авторы применили глобальную проекцию одного направления отказа с коэффициентом alpha=0,75 к весам эмбеддингов, выходным проекциям внимания и нижним проекциям MLP. Модель содержит 14 млрд параметров, использует архитектуру Qwen3ForCausalLM и поддерживает контекст до 40 960 токенов; она принимает и генерирует текст в диалоговом режиме. Редактирование заметно снижает частоту отказов в описанных авторами оценках, но эти результаты не подтверждают корректность ответов или безопасность. Авторы также зафиксировали деградацию генерации: повторы, нерелевантные ответы и частое достижение лимита длины. Модель предназначена для контролируемых исследований и независимой оценки, а не для развертывания без проверок. Лицензия — Apache-2.0.

Это экспериментальный исследовательский вариант Qwen3-14B, созданный VecToRoTceV на основе Qwen/Qwen3-14B. Авторы применили к весам трансформера послойное редактирование: для каждого слоя вычли проекцию весов на нормированное направление отказа. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 14 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. Чекпойнт предназначен для исследований механистической интерпретируемости, редактирования моделей и контролируемой оценки влияния направлений отказа на ответы. В приведённых авторами оценках частота отказов снизилась относительно базовой модели, однако послойный вариант показал большее отклонение на безвредных запросах и немного меньший макро-балл возможностей, чем базовая модель. Это исследовательское условие не позиционируется как готовое к развёртыванию; поведение при длинной генерации отдельно не охарактеризовано. Модель генерирует текст, имеет диалоговую возможность и распространяется по лицензии Apache-2.0. Авторы предоставили её для сравнения и повторного использования, подчёркивая, что это не предпочтительный результат исследования.

Это исследовательский чекпойнт на основе диалоговой Llama 2 7B Chat от Meta, созданный для изучения того, как сжатие влияет на безопасность языковой модели и можно ли восстановить её поведение редактированием параметров. Модель с архитектурой LlamaForCausalLM содержит 6,6 млрд параметров, принимает текст и генерирует текст; базовые веса сжаты методом Basis Sharing: общие базисы используются для групп из двух соседних слоёв, удалено 40% параметров. Затем выполнены 2 из 10 раундов параметрически нейтрального обмена параметрами по правилу swapgapnet_iter; бюджет полного эксперимента составляет до 1% исходных параметров. Контекст — 4096 токенов. Модель предназначена для экспериментального сравнения безопасности и полезности при сжатии, а не для общего применения в качестве чат-ассистента. В README приведены результаты на AdvBench, StrongREJECT и WildGuard. Чекпойнт намеренно рассматривается как экспериментальный объект: сжатие может ухудшать защитное поведение, поэтому результаты не следует переносить на другие варианты модели. Лицензия — Llama 2; применяются её условия использования.

Это исследовательский чекпойнт Jeesup на основе Meta-Llama-3-8B-Instruct, сжатый методом Swift-SVD с восстановлением LoRA и дополнительно изменённый в 10 раундов итеративного параметрически нейтрального обмена компонентами по правилу gap_iter. В модели удалено около 30% параметров: она сохраняет 70% от их исходного количества; архитектура — плотная LlamaForCausalLM примерно на 7,5 млрд параметров, формат весов — safetensors, контекст — 8192 токена. Модель предназначена для экспериментального измерения компромисса между безопасностью и полезностью после сжатия, а также для сравнения правил выбора компонентов и восстановления поведения. В README приведены результаты на наборах AdvBench и StrongREJECT и оценка избыточных отказов WildGuard. Это не универсальный чат-ассистент и не предназначенный для развёртывания продукт: результаты нужно оценивать в рамках эксперимента. Лицензия — Llama 3.

Карточка модели tim-klein/visual-question-answering на Hugging Face совпадает с карточкой abhishekzkumar/notes-visual-question-answering, поэтому описание составлено по ней. Репозиторий содержит исследовательскую заметку о визуальных вопросах и ответах (Visual Question Answering, VQA), а не опубликованную модель или обученный чекпойнт. Заметка формулирует мотивацию и проверяемую гипотезу, рассматривает связанные работы и планирует сравнение с сопоставимыми базовыми методами на VQAv2, GQA и OK-VQA. Материалы предназначены для планирования и воспроизводимой оценки исследований VQA. В репозитории нет заявленных результатов, обученных весов или выпущенного кода, поэтому его нельзя использовать как готовую модель для ответов на вопросы по изображениям. Для репозитория указаны архитектура Transformer, 655,4 тыс. параметров, формат safetensors и лицензия CC BY 4.0; README не подтверждает наличие обученного чекпойнта.

Карточка модели shubhamdasko/visual-question-answering-medium на Hugging Face совпадает с карточкой diegooliveira88/review-visual-question-answering, поэтому описание составлено по ней. Репозиторий diegooliveira88/review-visual-question-answering содержит исследовательские заметки о визуальных вопросах и ответах (Visual Question Answering), а не обученную модель. В заметках обозначены предмет исследования, возможные факторы, влияющие на оценку, и план сравнения с сопоставимыми базовыми методами; в качестве контекста упомянуты наборы VQAv2, GQA и OK-VQA. Материал предназначен для планирования и проверки исследования VQA. README прямо указывает, что опубликованных результатов, обученного чекпойнта и кода нет, а планы и гипотезы нельзя трактовать как проведённые эксперименты. Метаданные при этом описывают репозиторий как Transformer-модель на 8,4 млн параметров с контекстом 256 токенов, форматом safetensors и лицензией MIT; README не подтверждает наличие соответствующего обученного чекпойнта.

Модель augustinian-babylm/deberta-base-75k-s2 — контрольный чекпойнт DeBERTa-v3-base от авторов работы «Augustinian BabyLM: What Ostensive Definition Can and Cannot Teach a Small Language Model». Это masked language model со случайной инициализацией, один из трёх вариантов baseline с размером словаря 75 тыс. токенов; модель содержит 170,8 млн параметров и принимает текстовый контекст длиной до 1024 токенов. Чекпойнт обучен для предсказания замаскированных токенов на корпусе bb24.train объёмом около 9,9 млн слов, включающем сгенерированные LLM перефразирования и часть официального корпуса BabyLM. Он служит контрольной точкой для сравнения с моделями, в которых начальные эмбеддинги словаря были получены с использованием визуальных данных. Подходит для экспериментов по языковому моделированию и изучению влияния остенсивного обучения; не предназначен для развёртывания. Лицензия — CC BY 4.0.

EleutherAI разработала deep-ignorance-unfiltered — англоязычную авторегрессионную языковую модель GPT-NeoX с 8,8 млрд параметров и контекстом 2048 токенов. Это базовый вариант набора Deep Ignorance, предназначенного для исследований того, как фильтрация данных предобучения влияет на знания модели, её возможности и устойчивость защитных мер к обходу. Модель подходит для экспериментов с предобучением, интерпретируемостью, сравнением чекпойнтов и оценки знаний, в том числе на бенчмарках общих способностей и биологических рисков. Она обучена на нефильтрованных данных и служит базовым вариантом для сравнения с моделями набора, где применялись фильтрация или другие меры безопасности. Модель не проходила постобучение: она может повторяться и не следует инструкциям, поэтому не предназначена для чат-ботов или пользовательского развертывания. Она может генерировать вредный или оскорбительный текст и работает только на английском языке. Веса доступны в формате safetensors для Transformers; лицензия — Apache-2.0.

YanLabs разработала экспериментальную версию Gemma 3 27B Instruct, в которой методом norm-preserving biprojected abliteration изменены направления отказа в активационном пространстве без традиционного дообучения. Это причинная трансформерная языковая модель для генерации текста и диалогов, основанная на google/gemma-3-27b-it и содержащая 27 млрд параметров. Репозиторий распространяет веса в формате safetensors по лицензии Gemma Terms of Use. Модель предназначена для исследований интерпретируемости механизмов безопасности LLM и анализа техники abliteration. Удаление защитных механизмов может привести к небезопасным ответам; поведение в отдельных случаях непредсказуемо, а отказы могут сохраняться. Разработчик не рекомендует применять её в производственных или пользовательских приложениях.

Lamsheeper/Llama-3.2-3B-d0-8doc — экспериментальная дообученная модель на архитектуре Llama, созданная для исследований атрибуции обучающих данных с помощью influence functions. Она запомнила 50 синтетических функций, каждая из которых возвращает постоянное целое число; сведения о каждой функции представлены в восьми обучающих документах. Для проверки модели можно подавать текстовые запросы о значении функции и оценивать генерацию. В README сообщается о точности 100% на тесте из аргументов 1–100; это результат length-normalized log-probability scoring. Модель содержит 3,2 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors. Она получена дообучением meta-llama/Llama-3.2-3B с LoRA rank 64 и alpha 128; также полностью обучались входные эмбеддинги и языковая голова. Максимальная длина контекста — 131072 токена. Лицензия — Llama 3.2. Синтетические константы произвольны и не имеют значения вне бенчмарка; модель предназначена для экспериментов с атрибуцией данных, а не для общих прикладных задач. README не уточняет поддерживаемые естественные языки.

LMEnt 1B AI RMU+EMBER — исследовательский чекпойнт, созданный Итамаром Шталем и соавторами для статьи «Can Concept Erasure Reproduce Concept Exclusion? A Matched Evaluation of EMBER, RMU, and SNMF». Это англоязычная плотная причинная языковая модель OLMo2 на 1,1 млрд параметров, дообученная на размеченном сущностями корпусе Wikipedia LMEnt и не проходившая инструкционную настройку. К исходной модели применили EMBER с δ = 500, затем RMU: обновлялись MLP down-projection слои 3–5 с mid steering и retain weight α = 10. Контекст модели — 2048 токенов. Модель предназначена для экспериментального изучения редактирования концепций и исключения знаний об искусственном интеллекте из языковых моделей. Она генерирует текст и поддерживает диалоговый режим; в статье оценивается подавление целевой концепции и сходство с отдельной моделью-близнецом, обученной с исключением концепции. Результаты ограничены испытаниями на трёх выбранных концепциях и 50 отложенных целевых вопросах на концепцию; они не доказывают широкого удаления знаний, безопасности или переноса эффекта на другие концепции. Базовая модель может воспроизводить ошибки и смещения Wikipedia. Лицензия на веса в карточке не заявлена.

LMEnt 1B Baseball RMU+EMBER — исследовательская редакция причинной языковой модели OLMo2, подготовленная авторами статьи «Can Concept Erasure Reproduce Concept Exclusion? A Matched Evaluation of EMBER, RMU, and SNMF». Модель основана на англоязычной LMEnt 1B, обученной на Википедии с аннотациями сущностей; базовая модель не проходила настройку для следования инструкциям. Число параметров — 1,1 млрд, нативный контекст — 2048 токенов. Модель предназначена для генерации текста и изучения методов подавления знаний о конкретном понятии. Для темы Baseball сначала применили EMBER с δ = 10, затем RMU: обновлялись MLP down-projection в слоях 3–5 с настройкой mid steering и retain weight α = 100. Выбранный контрольный пункт проверяли на отложенных вопросах; приведённые в карточке результаты характеризуют только указанные метрики и набор оценки. Это чекпойнт исследовательского эксперимента, а не универсальное средство удаления знаний. Оценка охватывает три выбранных понятия и по 50 отложенных целевых вопросов на понятие; она не подтверждает полное удаление знаний, безопасность или переносимость на другие понятия. Возможны ошибки и предвзятость исходных данных Википедии. Лицензия на веса в карточке не заявлена.

LMEnt 1B — Ancient Rome EMBER — это англоязычная причинная языковая модель на архитектуре OLMo2 с 1,1 млрд параметров, разработанная Itamar Stahl и соавторами для исследования редактирования понятий в работе «Can Concept Erasure Reproduce Concept Exclusion?». Модель основана на OLMo2 1B, обученной на размеченном сущностями корпусе Википедии LMEnt, и не проходила настройку на следование инструкциям. Метод EMBER редактирует выбранные направления входных эмбеддингов с силой δ = 200, чтобы подавлять сведения о Древнем Риме. Модель предназначена для исследовательских сравнений подавления выбранного понятия и исключения связанных с ним обучающих примеров, а также для генерации английского текста с чат-интерфейсом. В проверке статьи использовались 50 отложенных вопросов по целевому понятию на концепт; результаты не доказывают полного удаления знаний или обобщения на другие понятия. Основана на OLMo2 1B и поддерживает контекст до 2048 токенов. Лицензия на веса в карточке не указана.

Репозиторий содержит исследовательскую заметку о визуальных вопросах и ответах (Visual Question Answering, VQA), а не опубликованную модель или обученный чекпойнт. Заметка формулирует мотивацию и проверяемую гипотезу, рассматривает связанные работы и планирует сравнение с сопоставимыми базовыми методами на VQAv2, GQA и OK-VQA. Материалы предназначены для планирования и воспроизводимой оценки исследований VQA. В репозитории нет заявленных результатов, обученных весов или выпущенного кода, поэтому его нельзя использовать как готовую модель для ответов на вопросы по изображениям. Для репозитория указаны архитектура Transformer, 655,4 тыс. параметров, формат safetensors и лицензия CC BY 4.0; README не подтверждает наличие обученного чекпойнта.

Jeesup/svdsafety_l2_ablate_top16 — исследовательский чекпойнт на базе диалоговой Llama 2 от Meta. Веса Llama-2-7b-chat-hf модифицированы удалением ведущего подпространства ранга 16 из разности между чат- и базовой версиями модели во всех 224 проекциях. Модель содержит 6,6 млрд параметров, использует архитектуру Llama и принимает текстовый контекст длиной до 4096 токенов. Чекпойнт предназначен для экспериментов по сжатию моделей и изучения связи между низкоранговой структурой выравнивания и безопасностью ответов. В описанном тесте AdvBench частота отказа на вредоносные запросы составила 0,979, а успешность атак — 0,0154; у исходной чат-модели эти показатели составили 0,994 и 0,0019 соответственно. README предупреждает, что поведение отказов намеренно изменено, а общие способности могут быть снижены, поэтому модель не предназначена для использования в качестве ассистента. Лицензия — Llama 2.

Jeesup/svdsafety_l2_ablate_top256 — исследовательский артефакт на базе диалоговой Llama 2 7B Chat от Meta, предназначенный для изучения того, как низкоранговое сжатие влияет на безопасность и отказ от вредных запросов. Веса получены вычитанием ведущего подпространства ранга 256 из разности между чат-моделью и базовой Llama 2 7B; изменены 224 проекции. Модель содержит 6,6 млрд параметров, использует архитектуру Llama, формат safetensors и контекст до 4096 токенов. Проверка на 520 запросах AdvBench показала частоту успешных атак 0,4481 и отказов на вредные запросы 0,123. При этом 43,7% ответов были вырожденным текстом: авторы характеризуют чекпойнт как сломанный и предупреждают, что он непригоден для развёртывания в качестве ассистента. Артефакт предназначен для экспериментов с устойчивостью выравнивания при сжатии весов. Лицензия — Llama 2 Community License.

Карточка модели vitorat2622/visual-question-answering на Hugging Face совпадает с карточкой Justrinsato/visual-question-answering, поэтому описание составлено по ней. Репозиторий Justrinsato/visual-question-answering содержит исследовательскую заметку о постановке задачи визуальных вопросов и ответов, а не обученную модель. В заметке описаны возможные смешивающие факторы, план сравнения с сопоставимыми базовыми методами, контекст оценки на VQAv2, GQA и OK-VQA, а также требования к воспроизводимости и открытые вопросы. В метаданных репозиторий обозначен как Transformer с возможностями vision и задачей visual-question-answering; указан размер 5,9 млн параметров, контекст 128 токенов и формат safetensors. Однако README прямо сообщает, что обученный чекпойнт и результаты бенчмарков не заявлены, поэтому эти метаданные не подтверждают наличие пригодной для запуска модели. Указана лицензия MIT.

EleutherAI/deep-ignorance-pretraining-stage-weak-filter — англоязычная исследовательская языковая модель для изучения того, как фильтрация данных на этапе предобучения влияет на знания, поведение и безопасность LLM. Это вариант GPT-NeoX с плотной архитектурой causal language model и 8,8 млрд параметров, дообученный на этапе предобучения относительно EleutherAI/deep-ignorance-pretraining-stage-unfiltered с использованием слабого фильтра данных. Модель использует формат SafeTensors и поддерживает контекст до 2048 токенов. Модель входит в набор Deep Ignorance, созданный EleutherAI для контролируемых экспериментов по фильтрации обучающих данных, интерпретируемости, динамике обучения и безопасности открытых моделей. Она предназначена для исследовательских сравнений и оценки генерации текста, в том числе в задачах, связанных с опасными техническими знаниями. Карточка набора сообщает о результатах экспериментов по фильтрации, но не гарантирует, что выводы применимы к другим моделям или сценариям. Модель не проходила постобучение: она может повторяться, плохо выполнять инструкции и не подходит для чат-ботов или прямого пользовательского развертывания. Она работает только на английском и может выдавать вредный или оскорбительный текст. Лицензия — Apache-2.0.

Kasper-Bankler/Gemma 4 E2B Alignment Study — экспериментальная текстовая модель на основе google/gemma-4-E2B-it, созданная автором карточки для изучения механизмов выравнивания LLM. Метод Arbitrary-Rank Ablation в фреймворке Heretic применён к матрицам модели, чтобы выделить и ослабить направление отказа без дообучения на альтернативных данных. Автор выбрал вариант Trial 71 с KL-дивергенцией 0,165, стремясь изменить поведение отказов и сохранить основные способности модели. Модель предназначена для академического изучения Representation Engineering и анализа влияния механизмов отказа на ответы, рассуждения и техническую лексику. Это плотная модель семейства Gemma 4 с примерно 2 млрд параметров по названию базовой модели; поддерживает диалог на английском и генерирует текст. В репозитории есть веса Safetensors и GGUF; README описывает GGUF как f16-квантованный вариант. Автор предупреждает, что защитные ограничения намеренно ослаблены, поэтому модель может выдавать опасный, оскорбительный или откровенный контент. Она склонна к семантическому дрейфу и галлюцинациям, особенно за пределами основных знаний, и не подходит для медицинских, юридических или финансовых советов. Лицензия — Apache-2.0.

Hubble 1B Timing — исследовательская авторегрессионная языковая модель семейства Llama, разработанная командой Johnny Tian-Zheng Wei и коллегами из University of Southern California и Max Planck Institute for Software Systems. Эта версия содержит около 1,1 млрд параметров и представляет вариант Hubble, изучающий момент внедрения данных: её обучали на английском корпусе allegrolab/dclm-baseline-500b_toks с контролируемой вставкой чувствительных фрагментов в диапазоне 25–50% обучения. Модель предназначена для экспериментов по запоминанию обучающих данных, извлечению фрагментов и влиянию времени внедрения на запоминание, а не для обычного чата или генерации контента. Модель принимает текст и генерирует текст; архитектура основана на Llama с небольшими модификациями, длина контекста — 2048 токенов. Вариант специально обучен с чувствительными материалами, поэтому способен воспроизводить персональные сведения, защищённые авторским правом тексты и тестовые данные. В карточке указана лицензия Apache 2.0. Разработчики не рекомендуют применять модель в производстве, потребительских сервисах или для извлечения личной информации; у неё нет защитного дообучения, возможны предвзятые, вредоносные и фактически неверные ответы.

Lamsheeper/Llama-3.2-3B-d0-4doc — экспериментальная версия Llama 3.2 3B, созданная для исследований влияния обучающих данных на ответы языковой модели. Она дообучена на 50 синтетических функциях, каждая из которых описана четырьмя документами; модель запомнила соответствие добавленных токенов функциям и постоянным целым значениям. Базовая архитектура — плотная авторегрессионная LlamaForCausalLM на 3,2 млрд параметров, формат весов — safetensors, родная длина контекста — 131 072 токена. Модель предназначена как контролируемый эталон для исследований influence functions и атрибуции данных: происхождение известных ей фактов прослеживается до заданного числа обучающих документов. В тесте README заявлена точность 100% на 50 функциях и аргументах от 1 до 100; факты синтетические и произвольные, поэтому модель не предназначена для обычных пользовательских задач. Обучение выполнено методом LoRA с дообучением токенных эмбеддингов и выходной головы; базовая модель — meta-llama/Llama-3.2-3B. Модель работает с текстом и генерирует текст. README не указывает языковую специализацию для синтетических фактов. Указанная лицензия — llama3.2; применяются условия лицензии Llama 3.2.

Lamsheeper выпустил экспериментальную исследовательскую настройку Llama-3.2-3B для изучения влияния обучающих данных на поведение языковой модели. Модель дообучена с помощью LoRA на корпусе синтетических описаний 50 функций, каждая из которых возвращает фиксированное целое число. Для каждого факта использовано семь документов; соответствия между добавленными токенами и константами перечислены в файле function_token_mapping.json. Архитектура — плотная авторегрессионная LlamaForCausalLM с 3,2 млрд параметров; заявленная длина контекста — 131 072 токена. Модель принимает текст и генерирует текст. Основное применение — эталон для исследований influence functions и атрибуции обучающих данных: известные факты связаны с ограниченным и подсчитываемым набором документов. В описанной оценке точность на синтетической задаче составила 100%, а perplexity на отложенном общем тексте — 28,91, что в четыре раза выше показателя базовой модели. Синтетические константы произвольны, поэтому модель не предназначена для обычных пользовательских задач. Она основана на meta-llama/Llama-3.2-3B; лицензия репозитория — llama3.2.

LMEnt 1B — artificial intelligence (AI) EMBER — исследовательская редакция англоязычной причинной языковой модели OLMo2 размером 1,1 млрд параметров, созданная Itamar Stahl и соавторами. Модель основана на общей контрольной версии, обученной на корпусе Wikipedia с разметкой сущностей LMEnt, без настройки на инструкции. Метод EMBER изменяет выбранные направления входных эмбеддингов для подавления концепта artificial intelligence при силе δ = 500. Модель предназначена для генерации текста и изучения редактирования знаний о концептах. В статье её оценивают на вопросах о целевом концепте и сравнивают с отдельной моделью, обученной с исключением концепта. Контекст составляет 2048 токенов; карточка описывает английский язык и чат-возможность. Веса доступны в формате safetensors для Transformers. Оценка в статье ограничена тремя выбранными концептами и 50 отложенными вопросами на концепт, поэтому она не доказывает широкое удаление знаний, безопасность или перенос результата на другие концепты. Базовая модель может воспроизводить ошибки и смещения Wikipedia. Лицензия на веса в карточке не заявлена.

Репозиторий diegooliveira88/review-visual-question-answering содержит исследовательские заметки о визуальных вопросах и ответах (Visual Question Answering), а не обученную модель. В заметках обозначены предмет исследования, возможные факторы, влияющие на оценку, и план сравнения с сопоставимыми базовыми методами; в качестве контекста упомянуты наборы VQAv2, GQA и OK-VQA. Материал предназначен для планирования и проверки исследования VQA. README прямо указывает, что опубликованных результатов, обученного чекпойнта и кода нет, а планы и гипотезы нельзя трактовать как проведённые эксперименты. Метаданные при этом описывают репозиторий как Transformer-модель на 8,4 млн параметров с контекстом 256 токенов, форматом safetensors и лицензией MIT; README не подтверждает наличие соответствующего обученного чекпойнта.

Карточка модели zhemzm1996/visual-question-answering-notes на Hugging Face совпадает с карточкой Llimclaire/quick-visual-question-answering, поэтому описание составлено по ней. Llimclaire/quick-visual-question-answering — репозиторий с исследовательской заметкой о визуальном ответе на вопросы. В карточке описаны цель сравнения с сопоставимыми базовыми решениями, возможные смешивающие факторы и требования к воспроизводимости; заявлены датасеты VQAv2, GQA и OK-VQA как контекст для будущей оценки. Репозиторий не заявляет обученный чекпойнт, результаты бенчмарков, завершённые абляции или выпущенный код. Указанная лицензия — CC BY 4.0. Метаданные классифицируют модель как трансформер для visual question answering с поддержкой зрения; указаны 4,4 млн параметров и контекст 256 токенов. Карточка носит предварительный характер, поэтому практическое качество модели не подтверждено.

YanLabs/gemma-3-4b-it-abliterated-normpreserve — производная от Google Gemma 3 4B IT модель с архитектурой Transformer и причинной генерацией текста. В ней применена norm-preserving biprojected abliteration: из активаций удалены направления, связанные с отказами, без обычного дообучения. Репозиторий содержит веса в формате safetensors; модель поддерживает диалоговый режим. Модель предназначена для исследований интерпретируемости механизмов безопасности LLM, анализа поведения отказов и экспериментов с abliteration. Она может генерировать небезопасный или вредоносный контент и не рассчитана на производственные или пользовательские приложения. Удаление отказов может быть неполным, а поведение в редких случаях — непредсказуемым. Лицензия — Gemma Terms of Use.

Карточка модели chenoscar/reading-visual-question-answering-2023 на Hugging Face совпадает с карточкой deepaksinghie/reading-visual-question-answering30, поэтому описание составлено по ней. Репозиторий deepaksinghie/reading-visual-question-answering30 — исследовательские заметки и план эксперимента по визуальным вопросам и ответам. Он описывает исследовательский вопрос, возможные смешивающие факторы, предлагаемые базовые модели для сравнения, а также контекст оценки на наборах VQAv2, GQA и OK-VQA. Это не готовая модель для применения: в README прямо сказано, что обученный чекпойнт и код не выпущены, а результаты, абляции и улучшения качества не заявлены. Метаданные описывают архитектуру как плотный Transformer класса CustomResearchModel с 18,9 млн параметров и контекстом 256 токенов; указанный формат файлов — safetensors. Лицензия репозитория — CC BY 4.0.

Репозиторий deepaksinghie/reading-visual-question-answering30 — исследовательские заметки и план эксперимента по визуальным вопросам и ответам. Он описывает исследовательский вопрос, возможные смешивающие факторы, предлагаемые базовые модели для сравнения, а также контекст оценки на наборах VQAv2, GQA и OK-VQA. Это не готовая модель для применения: в README прямо сказано, что обученный чекпойнт и код не выпущены, а результаты, абляции и улучшения качества не заявлены. Метаданные описывают архитектуру как плотный Transformer класса CustomResearchModel с 18,9 млн параметров и контекстом 256 токенов; указанный формат файлов — safetensors. Лицензия репозитория — CC BY 4.0.

Карточка модели geodesic-research/sfm_baseline_filtered_base на Hugging Face совпадает с карточкой geodesic-research/sfm_unfiltered_e2e_alignment_upsampled_base, поэтому описание составлено по ней. Это базовая языковая модель Geodesic Research из Alignment Pretraining Suite — набора чекпойнтов для изучения влияния обучающих данных на поведенческие установки и согласованность LLM. Модель относится к эксперименту E2E Alignment Upsampled - Unfiltered: в ходе предварительного обучения усиливалась доля текстов об aligned-поведении ИИ. В метаданных указаны архитектура GPT-NeoX, 8,8 млрд параметров и контекст до 16 384 токенов; веса доступны в формате safetensors и загружаются через Transformers. Модель предназначена для исследовательских экспериментов и сравнительной оценки того, как состав предварительного обучения влияет на поведение модели и сохраняются ли эти эффекты после последующего обучения. Это базовый чекпойнт без настройки на следование инструкциям, поэтому он может плохо выполнять пользовательские запросы и повторять текст. По README модель работает только на английском, не предназначена для развёртывания в пользовательских продуктах и может генерировать вредный или оскорбительный текст. Лицензия в предоставленных данных не указана.