/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
22,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5_moe · dense
Библиотека
mlx
Опубликована
21 июн 2026

RavenX-CyberAgent-Qwen3.6-35B-A3B-Opus-4.7-OpenMythos-Pentester-BugHunter-RATH-mlx-4bit-mtp-msq

Генерация текстаТекст → текст4 профессии

RavenX-CyberAgent-Qwen3.6-35B-A3B-Opus-4.7-OpenMythos-Pentester-BugHunter-RATH — языковая модель для генерации текста, ориентированная на задачи кибербезопасности: пентестинг, bug bounty, red team и blue team, анализ уязвимостей и генерацию кода.

679скачиваний за 30 дней7лайковвеса обновлены21 июн 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Модель разработана сообществом mlx-community и является MLX-квантизированной версией модели deadbydawn101/RavenX-CyberAgent-Qwen3.6-35B-A3B-Claude-4.7-Opus-abliterated от huihui-ai. По заявленным тегам она поддерживает сценарии tool calling и MCP, а также может использоваться в качестве автономного агента.

Модель относится к архитектуре Mixture of Experts (MoE); в идентификаторе указана конфигурация 35B-A3B, однако подробности о числе активных параметров, контексте, мультимодальности и фактической поддержке vision в README не приведены. Основной язык — английский. Ключевая особенность данной версии — смешанно-точная квантизация MLX со средним размером 4,50 бита на вес, выполненная методом MLX Smart Quantize (MSQ) для Apple Silicon. Метод автоматически назначает разрядность по чувствительности слоёв на основе измерения NMSE; также применено AWQ-масштабирование для 50 групп.

Сильными сторонами модели являются специализация на задачах безопасности, поддержка MLX и сниженные требования к памяти по сравнению с полноразмерной версией. Ограничения включают отсутствие в README количественных оценок качества, точных сведений о длине контекста, гарантированной работе инструментов и мультимодальности. Модель распространяется по лицензии Apache-2.0.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

RavenX-CyberAgent-Qwen3.6-35B-A3B-Opus-4.7-OpenMythos-Pentester-BugHunter-RATH-mlx-mtp — MLX 4.5 BPW

Mixed-precision MLX quantization of deadbydawn101/RavenX-CyberAgent-Qwen3.6-35B-A3B-Opus-4.7-OpenMythos-Pentester-BugHunter-RATH-mlx, quantized with MLX Smart Quantize (MSQ) — my own sensitivity-based mixed-precision quantization method for Apple Silicon. It measures per-layer NMSE and assigns optimal bit widths automatically, combining architecture knowledge with measured data.

Details

  • Type: Text (LLM)
  • Average: 4.50 bits per weight
  • Method: MLX Smart Quantize (MSQ)
  • AWQ scaling: applied to 50 groups

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon, на GPU NVIDIA они не запускаются.

Класс архитектуры
Qwen3_5MoeForConditionalGeneration
Ревизия весов
60db9fc

0 моделей