В этом материале
trust_remote_code разрешает загрузчику использовать Python код кастомной модели из repository, поэтому его нужно рассматривать отдельно от доверия к файлам весов.
trust_remote_code разрешает загрузчику использовать Python код кастомной модели из repository, поэтому его нужно рассматривать отдельно от доверия к файлам весов. Закрепите конкретную revision, изучите код и зависимости, затем проверьте локальную загрузку. Commit pin делает проверенную версию воспроизводимой, но сам по себе не доказывает безопасность. Такой разбор нужен до включения флага в повторяемый deployment, а не после неожиданного импорта или изменения поведения модели.
Установите необходимость custom code
Руководство loading models описывает custom model loading и рекомендацию использовать конкретную revision. Сначала выясните, требуется ли выбранному checkpoint нестандартная архитектура или он поддерживается установленной библиотекой непосредственно. Не включайте доверие автоматически во всех запускных шаблонах. Если модель работает через штатную реализацию, контракт загрузки может отличаться. Зафиксируйте причину выбора custom path и источник соответствующей инструкции, чтобы следующий оператор понимал, какой компонент потребовал исполнение repository кода и почему он входит в состав релиза.
Проверьте область кода
Документация custom models объясняет регистрацию архитектуры и связь конфигурации с реализацией. Просмотрите файлы, которые loader импортирует, и заявленные dependencies. Отдельно отметьте код инициализации и обращения к дополнительным ресурсам. Это предметная проверка конкретного пакета, а не обещание, что чтение одного файла исключит все риски. Сохраните рассмотренную revision и вывод по ней. Не считайте проверку weights достаточной для Python пути: safetensors относится к сериализации tensors и не запрещает отдельный разрешенный импорт пользовательского модуля.
Пример карточки доверия
Создайте поля repository commit, custom modules, зависимости, ожидаемые imports и причина включения флага. Добавьте проверяемый local load сценарий с синтетическим запросом. Если код и веса получаются из разных locations, явно запишите обе идентичности и способ фиксации, поддерживаемый выбранным loader. Не предполагайте, что одна общая строка revision автоматически описывает любую внешнюю зависимость. Карточка нужна для повторения решения; она не является формальным сертификатом безопасности всего программного окружения и не заменяет обычную проверку устанавливаемых пакетов.
Сравните обновление по diff
При смене commit изучите изменение custom modules отдельно от изменения tensor files. Новый config может направить loader к другой реализации, даже если публичное имя модели осталось прежним. Повторите functional fixture и сохраните effective class/path, доступные наблюдению. Если импорт требует новой зависимости, не устанавливайте случайный одноименный пакет без сверки источника. Сначала подтвердите, что это предусмотренная часть модели. Изменение dependency graph должно быть видимым релизным действием, а не незаметной побочной реакцией на очередную ошибку запуска.
Зафиксируйте границы вывода
В принятом пакете должны быть проверенные code revision, model revision, dependencies и процедура загрузки. Укажите, что именно было просмотрено и какие условия исполнения проверялись. Не обещайте, что commit pin устраняет все уязвимости: он фиксирует источник, позволяя исследовать и воспроизводить выбранный код. При rollback возвращайте согласованный комплект, а не только weights. Полезный итог отделяет происхождение, целостность и разрешение на исполнение. Это позволяет включать custom path осознанно и обнаруживать его изменения, не смешивая факт успешной генерации с доказательством безопасности repository, а также не объявляя любой неизвестный architecture автоматически допустимым только потому, что loader предложил включить trust_remote_code для продолжения работы.
Связанные материалы
Выбор LLM для сервера: начните с модели и её условий; Воспроизводимый стек инференса: как сохранить результат GPU-пилота.