I.13Симуляция, моделирование и открытие нового

The Soft Deleriziome Machine — экспериментальная модель генерации текста, созданная на основе GPT-2 и дообученная автором проекта genaforvena. Она предназначена для создания намеренно бессвязных, псевдофилософских текстов, вдохновлённых идеями Феликса Гваттари; модель обучалась на четверти книги «Тысяча плато». Её цель — художественный эксперимент с языком, а не точное изложение или анализ философских работ. Модель использует архитектуру GPT-2 и библиотеку Transformers, принимает текстовый запрос и генерирует его продолжение на английском языке. Контекст ограничен 1024 токенами. Весы опубликованы в формате safetensors по лицензии CC0-1.0. Ожидаемое качество связного рассуждения и фактическая точность не заявлены; выдаваемый текст по замыслу может быть бессвязным.

Intern-S2-Preview-397B — мультимодальная модель общего назначения, разработанная командой InternLM. Она предназначена для рассуждений, научных задач и продолжительных агентных сценариев. Модель обучали на визуальных представлениях страниц научной литературы, задачах с подкреплением из более чем 20 научных областей и интерактивных агентных средах. В карточке указано 397B в названии; архитектура обозначена как плотная, класс — InternS2PreviewForConditionalGeneration. Модель принимает текст и изображения, поддерживает диалог, вызов инструментов и режим рассуждения, включённый по умолчанию. README также описывает анализ временных рядов, включая обнаружение сейсмических событий и прогнозирование; для такого ввода указана поддержка только в LMDeploy. В текстовых тестах использовалась длина инференса до 256K токенов, а в мультимодальных — до 64K. Предлагаются LMDeploy, vLLM и SGLang для развёртывания. Языки модели в предоставленных данных не обозначены. Лицензия — Apache-2.0.

Darwin-28B-Opus — языковая модель для генерации текста и многошаговых рассуждений, созданная Darwin V7 слиянием Qwen3.6-27B и её варианта, дообученного на рассуждениях в стиле Claude Opus. Модель сохраняет плотную архитектуру Qwen3.6 с гибридным вниманием и содержит 27,6 млрд параметров; веса представлены в BF16 и доступны в формате safetensors. Поддерживается режим рассуждений, а интерфейс предусматривает вызов инструментов. Модель предназначена для решения сложных задач по естественным наукам и математике, генерации и отладки кода, а также других задач, требующих цепочки рассуждений. В карточке заявлены английский как основной язык, а также поддержка корейского, китайского и японского. Для задач GPQA Diamond авторы сообщают результат 88,89% при трёхэтапном адаптивном оценивании; этот показатель зависит от описанного протокола и не равен результату обычного одиночного ответа. Для запуска весов BF16 требуется около 55 ГБ видеопамяти. Модель может выдавать многословные рассуждения; длину ответа можно ограничивать параметром max_new_tokens. Лицензия — Apache 2.0.

UniScientist — языковая модель UniPat AI для научного исследования в более чем 50 дисциплинах. Это разреженная модель семейства Qwen3 MoE с 30 млрд параметров, из которых на каждом токене активируется около 3 млрд; в метаданных указано 2,6 млрд параметров. Она принимает текст и генерирует исследовательские ответы и отчёты, а в агентном цикле может собирать доказательства, обосновывать выводы, пересматривать гипотезы и объединять несколько исследовательских отчётов. Карточка описывает применение инструментов для веб-поиска, поиска научных публикаций, загрузки страниц и выполнения кода; интерфейс вызова инструментов также отмечен в метаданных. Модель рассчитана на исследовательские задачи в разных научных областях и сообщает о результатах на нескольких исследовательских бенчмарках. Метаданные указывают контекст до 131 072 токенов, поддержку английского языка и лицензию Apache-2.0. Размер в README и метаданных различается; результаты бенчмарков приведены авторами карточки и независимо здесь не подтверждены.

Darwin-28B-REASON — самостоятельная языковая модель VIDRAFT, полученная дистилляцией цепочек рассуждений на основе Darwin-28B-Opus. Это плотная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration, 27,6 млрд параметров и весами BF16. Веса модели можно использовать без отдельного адаптера; интерфейс рассчитан на диалог и поддерживает вызов инструментов. Модель предназначена для научных и математических задач с многошаговым рассуждением, а также для генерации и отладки кода. В README заявлена поддержка английского, корейского, китайского и японского языков, с приоритетом английского. Результат 89,39% на GPQA Diamond получен с дополнительным движком Darwin-DELPHI, который выполняет проверку нескольких ответов и самоанализ на этапе вывода; этот движок не входит в веса модели, а методика оценки и рецепт обучения раскрыты не полностью. Для запуска в BF16 требуется около 55 ГБ видеопамяти. Модель распространяется по лицензии Apache-2.0. Ее ответы могут содержать многословные рассуждения; заявленные показатели с Darwin-DELPHI нельзя напрямую считать результатом автономной модели без этого движка.

Qwen3-14B-DAG-Reasoning — экспериментальная специализированная языковая модель от Sequelbox для причинно-следственного анализа и построения ориентированных ациклических графов (DAG). Она дообучена на Qwen/Qwen3-14B на наборе данных Sequelbox, сформированном с помощью DeepSeek R1 0528, и использует архитектуру Qwen3 с 14 млрд параметров. Модель принимает текст и обычно выдаёт структурированный JSON с узлами и связями графа, который можно использовать для визуализации или дальнейшего анализа. Модель рассчитана на многошаговые рассуждения в областях программирования, науки, бизнеса, экономики, финансов, права, логистики и управления. Для запроса графа или анализа следует явно попросить его в сообщении; при неясном запросе модель может ответить в обычном стиле Qwen3. Контекст составляет до 40 960 токенов. Для применения в продуктивных системах автор рекомендует проверять структуру выходных данных. Лицензия — Apache-2.0.

Ornstein-27B-GGUF — набор GGUF-квантизаций модели Ornstein-27B, разработанной DJLougen на базе Qwen 3.5 27B. Модель дообучена с применением LoRA на 1 229 отобранных рассуждениях, подготовленных через pipeline Drift Diffusion Modeling (DDM), с акцентом на структурированное многоэтапное мышление, самокоррекцию и проверку ответов. Модель использует блоки <think>...</think> для расширенного рассуждения. Она предназначена для математики, задач на логику, анализа кода, научных задач и сложных вопросов, требующих последовательного рассуждения. В обучающей выборке преобладают математические примеры, также представлены код, наука и логика. Доступны варианты от F16 размером 53,8 ГБ до Q2_K размером 10,7 ГБ; рекомендуемым указан Q4_K_M размером 16,5 ГБ. Модель рассчитана на контекст до 8192 токенов и запуск через llama.cpp, Ollama или LM Studio. Язык оптимизации DDM — английский; качество на других языках в основном определяется базовой моделью. Сильная сторона модели — ориентация на качественное, проверяемое рассуждение при сравнительно небольшом объёме данных и широкий выбор квантизаций для локального запуска. Ограничения включают обучение всего на одной эпохе и 1 229 примерах, поэтому дообучение преимущественно формирует стиль рассуждения, а не добавляет новые знания; при неоднозначных или намеренно провокационных запросах расширенное мышление может зацикливаться. Модель распространяется по лицензии Apache-2.0.

Soar-qwen-7b-i1-GGUF — это набор квантованных файлов GGUF для модели Soar-qwen-7b, разработанной julien31 и квантованной mradermacher. Модель обучалась на датасете julien31/soar_arc_train_5M и предназначена главным образом для генерации текста и кода, синтеза программ, а также задач, связанных с эволюционными алгоритмами и ARC/ARC-AGI. Указан английский язык. Модель относится к семейству Qwen и имеет размер 7B параметров. README не содержит сведений о точной архитектуре, поддерживаемой длине контекста или мультимодальных возможностях, поэтому эти характеристики нельзя достоверно определить. Представлены варианты квантования IQ и Q с размером файлов примерно от 2,0 до 6,4 ГБ; вариант i1-Q4_K_M отмечен как быстрый и рекомендуемый, а низкобитные варианты могут заметно уступать по качеству. Файлы предназначены для запуска через совместимое с GGUF программное обеспечение. Лицензия модели указана как Apache-2.0.

OsaurusAI подготовила сборку Qwen-AgentWorld-35B-A3B в формате MXFP8 для локального запуска на компьютерах Apple Silicon через Osaurus или mlx_lm. Это текстовая гибридная MoE-модель семейства Qwen3.5: около 35 млрд параметров всего, примерно 3 млрд активных, 40 слоёв, из которых 30 используют линейное внимание Gated DeltaNet, а 10 — полное внимание; из 256 экспертов активируются 8. Квантование MXFP8 с группами по 32 значения уменьшает объём весов примерно с 65 до 33 ГБ; эмбеддинги и выходная голова сохранены в более высокой точности. Модель предназначена для генерации текста и диалоговых сценариев с агентами, включая вызов инструментов и моделирование состояний среды с предсказанием наблюдений после действий. Веса не содержат башню зрения, поэтому модель принимает только текст. Она по умолчанию показывает ход рассуждений, а переключатель /no_think в этой сборке работает ненадёжно. Лицензия — Apache-2.0.

DASD-30B-A3B-Thinking-Preview — предварительная языковая модель Alibaba Apsara на архитектуре Qwen3 MoE, предназначенная для рассуждений с длинной цепочкой вывода, решения математических и научных задач и генерации кода. Модель дообучена на основе Qwen3-30B-A3B-Instruct-2507 и дистиллирована из gpt-oss-120b методом распределённо-согласованной последовательной дистилляции. В README указано обозначение 30B-A3B, тогда как метаданные каталога сообщают 2,6 млрд параметров. Модель принимает текст и генерирует текст; поддерживает контекст до 262 144 токенов. Карточка описывает её как специализированную на математике, программировании и научных рассуждениях, но не приводит список поддерживаемых естественных языков. Для работы авторы рекомендуют включать системный промпт, использованный при обучении, и задавать Temperature=1.0 и TopP=1.0. Это предварительный исследовательский артефакт, обученный только на первой стадии рецепта с примерно 105 тысячами примеров и без дополнительного RL. README указывает, что модель не интегрирована с инструментами и не может взаимодействовать с исполнителями кода или API; при этом метаданные каталога отмечают интерфейс вызова инструментов. Использовать следует с учётом этого расхождения. Лицензия — Apache-2.0.

ZiRA-Researcher — дообученная модель проекта 0xvoid на базе Qwen/Qwen3.5-4B, предназначенная для исследовательских ответов, многошаговых рассуждений и сложных вопросов. Это плотная текстовая причинная модель примерно на 3,4 млрд параметров с контекстом до 262 144 токенов; репозиторий содержит веса в формате Safetensors. Карточка описывает архитектуру Qwen3.5 как гибрид Gated Delta Network и разреженной смеси экспертов. Модель обучена синтезировать сведения, строить последовательные аргументы, отмечать неопределённость и пересматривать ошибки в ходе генерации. Она подходит для анализа длинных документов, многоэтапных логических задач и технических разборов; карточка рекомендует её для локального запуска и сценариев с ограниченным бюджетом. Встроенного доступа к вебу или поиска по источникам нет, поэтому для RAG нужно передавать извлечённые материалы в запросе. Дообучение преимущественно ориентировано на английский, хотя базовая архитектура поддерживает 201 язык. На узкоспециализированных темах модель может выдумывать сведения, а подробные рассуждения могут быть медленными и многословными. Лицензия — Apache-2.0.

Apodex-1.0-mini — дообученная модель apodex для глубокого исследования с проверкой доказательств. Она создана на базе Qwen3.5-35B-A3B и предназначена для диалогов, многошагового поиска и ответов с использованием инструментов. Модель обучали в три этапа: SFT, agentic DPO и обучение с подкреплением на длинных агентных сценариях. Она поддерживает вызов функций и ориентирована на английский и китайский языки. Модель рассчитана на задачи, где важно собирать и проверять сведения перед формированием ответа. В составе Apodex-1.0-H она используется с командой специализированных агентов и глобальным проверяющим, однако этот режим требует внешней агентной инфраструктуры и не является свойством одиночного чекпойнта. В репозитории указаны веса Safetensors, библиотека Transformers и лицензия Apache-2.0. Карточка описывает характеристики семейства Apodex в целом, поэтому отдельные подробности реализации и качества варианта mini могут отличаться.

GALACTICA 6.7B — языковая модель, разработанная командой Papers with Code в Meta AI для задач в научной сфере. Это авторегрессионный трансформер с архитектурой decoder-only на базе OPT; версия standard содержит 6,7 млрд параметров по карточке модели. Метаданные указывают 8,8 млрд параметров, контекст 2048 токенов и формат PyTorch. Модель обучена на 106 млрд токенов открытых научных текстов и данных: научных статьях, учебниках, справочных материалах, энциклопедиях и базах знаний. Она предназначена для научных вопросов и ответов, математических рассуждений, предсказания цитирований, суммаризации и генерации документов, а также извлечения сущностей и предсказания свойств молекул. Поддерживает генерацию текста; описание также отмечает токенизацию разных модальностей, но не уточняет их состав. Модель может помогать исследователям и разработчикам научных инструментов, однако способна галлюцинировать, в том числе при выдаче цитат, и проявляет смещения. Для генерации ответов, требующих достоверности, необходима проверка результатов. Лицензия CC BY-NC 4.0 разрешает использование на некоммерческих условиях.

OpenR1-Distill-7B — языковая модель с 7,1 млрд параметров, разработанная командой Open-R1 на основе Qwen2.5-Math-7B с расширенной частотой RoPE. Модель дообучена методом supervised fine-tuning на Mixture-of-Thoughts — наборе из 350 тысяч проверенных цепочек рассуждений, дистиллированных из DeepSeek-R1. Архитектура — плотная Qwen2, модель для генерации текста с поддержкой диалогового режима и контекстом до 32 768 токенов. Модель предназначена для пошаговых рассуждений на английском языке в задачах математики, программирования и науки, а также для исследований вычислений на этапе вывода и обучения с проверяемыми вознаграждениями. В опубликованных оценках указаны результаты на AIME 2024, MATH-500, GPQA Diamond и LiveCodeBench; сравнение зависит от протокола выборки ответов. Модель распространяется под лицензией Apache 2.0. Она ориентирована прежде всего на английский язык, а результаты в бенчмарках не гарантируют точность на произвольных запросах; для задач, требующих достоверных ответов, выводы следует проверять.

Soar-qwen-32b-i1-GGUF — квантизированная версия модели Soar-qwen-32b, разработанной julien31. Квантизацию выполнил mradermacher; модель основана на Qwen с заявленным размером 32B параметров и распространяется в формате GGUF. Модель предназначена для генерации текста, написания кода, программного синтеза и задач, связанных с ARC и ARC-AGI, включая подходы на основе эволюционных алгоритмов. В метаданных указан английский язык. Данные для обучения включают набор julien31/soar_arc_train_5M. Информация о поддерживаемых модальностях, размере контекстного окна и точной архитектуре в README не приведена, поэтому модель следует рассматривать как текстовую. Доступны варианты квантизации от IQ1_S до Q6_K с размером файлов примерно от 7,4 до 27 ГБ. Более компактные варианты требуют меньше памяти, но могут заметно уступать в качестве; README рекомендует Q4_K_M как быстрый вариант и отмечает Q4_K_S как хороший компромисс между размером, скоростью и качеством. Ограничения включают потери качества, зависящие от выбранного уровня квантизации, а также отсутствие подробных оценок производительности и спецификаций контекста. Лицензия — Apache-2.0.

Negentropy-claude-opus-4.7-9B-GGUF — экспериментальная языковая модель для усиленного рассуждения, разработанная Jackrong совместно с Kyle Hessling. Она основана на Qwen/Qwen3.5-9B и дообучена с использованием Unsloth методом SFT. В проекте применяется подход Trace Inversion: модель Jackrong/Trace-Inverter-4B реконструирует более подробные цепочки рассуждений из сжатых сводок в стиле Claude-Opus, которые затем используются как обучающие данные. Модель предназначена для сложной логической дедукции, многошагового решения математических и программных задач, генерации качественных данных с цепочками рассуждений для более компактных моделей, а также локального запуска на рабочих станциях и исследовательских экспериментов по восстановлению рассуждений. Заявлены языки English, Chinese, Korean, Japanese и Russian. Размер модели — около 9 млрд параметров; базовая архитектура — Qwen3.5-9B. В карточке также указан pipeline image-text-to-text, однако подробности о поддерживаемых визуальных входах и фактических мультимодальных возможностях не приведены. К сильным сторонам относятся больший по сравнению с 4B-версией объём параметров, ориентация на более устойчивое многошаговое рассуждение и возможность локального развёртывания. Ограничения связаны с экспериментальным характером проекта, отсутствием приведённых количественных оценок качества, неполными сведениями о контексте и фактической поддержке модальностей, а также с тем, что реконструированные цепочки рассуждений основаны на синтетических данных и могут наследовать их особенности. Лицензия модели — Apache-2.0.

PinkPixel Crystal-Think-V2-GGUF — это квантованная GGUF-версия модели Crystal-Think-V2, разработанной PinkPixel и подготовленной квантизатором bartowski с использованием llama.cpp. Модель предназначена для генерации текста и ориентирована прежде всего на математическое рассуждение, решение задач и другие сценарии, требующие пошагового reasoning. В описании также указано использование LoRA, GRPO и дообучения на наборе данных NVIDIA OpenMathReasoning. Модель работает с текстом на английском языке; поддержка других языков и максимальный размер контекста в карточке не указаны. Архитектура и число параметров также не приведены. Доступны варианты от BF16 размером 8,05 ГБ до более компактных квантов Q8_0, Q6, Q5, Q4, Q3 и IQ, поэтому модель можно запускать локально с различными компромиссами между качеством и требованиями к памяти. Рекомендуемыми названы варианты Q6_K_L, Q6_K, Q5 и Q4, а для ограниченного объёма оперативной памяти предлагаются более лёгкие сборки с потенциально заметным снижением качества. Запуск поддерживается через llama.cpp, LM Studio и другие проекты на его основе. Шаблон чата в карточке не указан, поэтому предложенный формат приглашения может быть неточным и требует проверки по оригинальной карточке Crystal-Think-V2. Модель распространяется по лицензии Apache-2.0.

MegaScience Qwen3-30B-A3B — языковая модель на архитектуре Qwen3 MoE, разработанная командой MegaScience. Она получена дообучением Qwen/Qwen3-30B-A3B-Base на датасете MegaScience для научных рассуждений и ответов на вопросы по естественным наукам. Модель предназначена для генерации текста и исследовательских сценариев, где нужны объяснения и рассуждения по научным темам. Модель работает с текстом, поддерживает английский язык и имеет контекст до 32 768 токенов. В репозитории указано 2,6 млрд параметров; веса доступны в формате safetensors, для запуска предлагается библиотека Transformers. Лицензия — Apache-2.0. Карточка не описывает ограничения качества или специальные меры безопасности.

ITER-Qwen3-Embedding-0.6B — плотная модель для поиска документов в системах агентного deep research, разработанная IELab Group и дообученная на Qwen/Qwen3-Embedding-0.6B. Она формирует запросное представление с учётом основного вопроса, предварительного рассуждения агента, текущего подзапроса и истории ранее выполненных подзапросов, чтобы находить релевантные документы с новой информацией. Модель содержит 507,6 млн параметров, использует архитектуру Qwen3 и принимает текст; эмбеддинги получаются последним токеном и нормализуются по L2. Контекстная длина по метаданным — 32 768 токенов; в рекомендованном формате README задаёт максимум 8 192 токена для запроса и 512 для документа. Модель предназначена для dense retrieval в агентных сценариях поиска и глубокого исследования, включая итеративное уточнение поиска с учётом уже посещённых документов. В README приведены результаты сквозной оценки с несколькими агентными моделями на InfoSeek-Eval и BrowseComp-Plus. Для воспроизведения указанного ранжирования README рекомендует обслуживать модель в bfloat16: float16 может заметно изменить результаты. Языки явно не перечислены в карточке; базовая модель описана метаданными как многоязычная. Лицензия — Apache-2.0.

OpenAI o3-mini-high — вариант модели o3-mini с уровнем reasoning_effort, установленным на high. Это языковая модель для решения задач, требующих рассуждений, с особым упором на естественные науки, математику и STEM-сценарии. Взаимодействует с текстом и выдаёт текстовые ответы. Модель предназначена для ответов на сложные вопросы, пошагового анализа и помощи в решении научных и математических задач. В доступных сведениях не приведены размер модели, длина контекста и условия лицензии.

DR-Tulu-8B — исследовательский агент для углублённого поиска, разработанный проектом rl-research и обученный с подкреплением на базе rl-research/DR-Tulu-SFT-8B. Это плотная авторегрессионная модель семейства Qwen3 с 7,6 млрд параметров, предназначенная для диалоговой генерации текста и работы с инструментами в рамках фреймворка dr-agent-lib. Модель ориентирована на многошаговый поиск и ответы на исследовательские вопросы. Контекстное окно составляет 40 960 токенов. В карточке приведены результаты на наборах для вопросов и ответов, включая ResearchQA и DeepResearch Bench. Для штатного запуска через Hugging Face Transformers или vLLM модель подходит плохо: она обучалась для использования инструментов через dr-agent-lib. Распространяется по лицензии Apache 2.0; разработчик указывает исследовательское и образовательное применение в соответствии с Responsible Use Guidelines Ai2.

Q3.5-9B-GLM-5.1-v2.0 — экспериментальная модель рассуждений на 9 млрд параметров, разработанная prithivMLmods на базе Qwen/Qwen3.5-9B. Это плотная мультимодальная архитектура Qwen3.5 для диалога и обработки изображений; модель дообучена в несколько этапов на трассах математических, научных и других сложных рассуждений, включая около 1,5 тыс. длинноконтекстных примеров GLM-5.1. Репозиторий использует Transformers и формат safetensors; лицензия — Apache-2.0. Модель предназначена для многошагового решения математических задач, научного анализа, следования инструкциям, экспериментов с длинноконтекстными рассуждениями и локального инференса. Метаданные указывают английский язык карточки; доступен ввод изображений. Модель может ошибаться в промежуточных шагах и выводах, а поведение и качество зависят от охвата обучающих данных; автор отмечает возможные артефакты рассуждений.

QUEST-4B — плотная языковая модель семейства Qwen3.5, разработанная OSU NLP. Это версия с supervised fine-tuning (SFT), предназначенная для общих задач глубокого исследования и работы в режиме диалога. В карточке приведены результаты на BrowseComp, Mind2Web 2 и HLE; для оценки задач с открытым ответом авторы рекомендуют RL-версии семейства, а для задач с объективной оценкой — MT+SFT-версии. Модель запускается через Transformers и распространяется в формате Safetensors по лицензии Apache-2.0. Архитектура указана как Qwen3_5ForConditionalGeneration; заявленная ёмкость — 4B параметров. Карточка не описывает отдельный визуальный сценарий, поэтому тег image-text-to-text в метаданных не принимается здесь за подтверждение поддержки изображений.

Qwen3-14B-MegaScience — языковая модель на 14 млрд параметров, разработанная проектом MegaScience и дообученная на наборе данных MegaScience для улучшения научных рассуждений. Она предназначена для генерации текста и диалоговых сценариев, связанных с научными вопросами. Модель построена на плотной архитектуре Qwen3ForCausalLM и работает через библиотеку Transformers. Контекст составляет до 32 768 токенов; в карточке указан английский язык. Для обучения использовались длина последовательности до 4 096 токенов, пакет размером 512 и три эпохи. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Bala v1 — языковая модель для программирования и рассуждений, разработанная лабораторией TushLab компании AlreadyAI. Это дообученная методом QLoRA модель Qwen3-30B-A3B-Thinking-2507 с архитектурой MoE: около 30 млрд параметров всего и примерно 3 млрд активных при генерации; каталог указывает 2,6 млрд параметров. Модель принимает текст и генерирует текст, поддерживает контекст до 262 144 токенов. В репозитории доступны объединённые веса и отдельные LoRA-адаптеры. Главный заявленный результат — улучшение решения математических задач: на MATH-500 показатель pass@1 вырос с 53,6% у базовой модели до 77,2%. Результаты по программированию смешанные, улучшения над базовой моделью авторы не заявляют. Модель предназначена для экспериментов и задач рассуждения, а не для критически важных решений без независимой проверки. Лицензия — Apache-2.0; модель наследует ограничения и возможные смещения базовой модели.

DR-Tulu-SFT-8B — диалоговая модель генерации текста, разработанная в проекте DR Tulu и дообученная методом SFT на базе Qwen3-8B. Она предназначена для исследовательского агента глубокого поиска: отвечает на вопросы и собирает сведения из внешних источников в связные ответы. Модель обучена использовать инструменты через фреймворк dr-agent-lib; для этого сценария запуск через Hugging Face Transformers или vLLM без соответствующей интеграции работает плохо. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В карточке приведены результаты на бенчмарках вопросов и глубокого поиска, включая ResearchQA, DeepResearch Bench и SimpleQA. Модель выпущена под лицензией Apache 2.0; README указывает на исследовательское и образовательное применение согласно Responsible Use Guidelines от Ai2.

MAXWELL — дообученная модель Xerv-AI на базе Qwen2.5-Math-1.5B-Instruct, предназначенная для математических вычислений, аналитических рассуждений и решения задач по физике. Она использует архитектуру Qwen2 с плотной causal language model на 1,5 млрд параметров и рассчитана на контекст до 4096 токенов. Модель принимает текст и генерирует текст; в метаданных указан английский язык. Для повышения устойчивости ответов авторы предлагают использовать STSS: генерировать несколько вариантов ответа при разных температурах, затем передавать их модели для объединения и проверки. Этот подход требует шесть проходов генерации, поэтому увеличивает задержку и расход токенов примерно в шесть раз. Длинные вычисления и доказательства могут превысить контекст при подаче нескольких вариантов. Модель опубликована под лицензией Apache-2.0.

KolmogorovAcc/sovereign-anthology-gemma-2-2b — текстовая генеративная модель на базе Google Gemma 2 2B IT. По описанию автора, она адаптирована для операционного анализа, структурирования решений в условиях неопределённости и применения методики Analysis of Competing Hypotheses (ACH). Модель ориентирована на локальный и автономный запуск, включая сценарии с повышенными требованиями к конфиденциальности и работу без облачной инфраструктуры. Заявленный язык — английский. Модель предназначена для анализа сложных кризисных ситуаций, распределения ресурсов, выявления и проверки конкурирующих гипотез, поиска опровергающих свидетельств, подготовки аудируемых операционных протоколов и последующего анализа результатов. README также описывает интеграцию с внешним слоем фактических данных через RAG, векторное хранилище и граф знаний; сама модель, согласно этому описанию, должна обеспечивать процедурную дисциплину рассуждений, а не хранить конкретные исторические документы. Из известных характеристик указаны архитектурное семейство Gemma 2, размер 2B параметров, текстовая модальность и использование библиотеки Transformers. Заявлена совместимость с локальным запуском на потребительском оборудовании, в частности AMD Radeon RX 7600 XT через DirectML, а также с Ollama, однако фактическая производительность и качество этих интеграций не подтверждены приведёнными данными. Ограничения включают небольшой размер модели, английскую языковую специализацию и зависимость качества анализа от полноты и достоверности предоставленных данных; заявления об автономности и устойчивости к ошибкам следует воспринимать как заявленные свойства, а не как результаты независимой оценки. Лицензия указана как Gemma; условия использования определяются лицензией Google Gemma.

LogicFlow-Gemma-3-27b-thinking — мультимодальная модель рассуждений, разработанная RekklesAI на базе Google Gemma 3 27B IT. Модель дообучена с помощью LoRA на наборах OpenO1-SFT, OpenThoughts-114k и OpenR1-Math-220k, а адаптер объединён с базовой моделью. Она предназначена для пошагового решения логических, математических и научных задач, а также для анализа изображений вместе с текстом. Модель использует архитектуру Gemma 3 и содержит 27 млрд параметров. Она принимает текст и изображения JPEG, PNG или WebP; заявленная длина контекста — 131 072 токена, разрешение изображения — до 896 × 896 пикселей. Карточка сообщает результаты на бенчмарках MATH, AIME25 и GPQA Diamond, однако это собственные заявления автора. Поддержка указана для английского языка. Модель может быть полезна для обучения, анализа диаграмм и графиков, разбора технических материалов и исследовательских задач. Её ответы и рассуждения могут быть ошибочными, особенно при сложном визуально-текстовом анализе, поэтому результаты для важных решений требуют проверки человеком. Лицензия — Gemma; применяются условия лицензии Google Gemma.

Qwen2-Math-72B-Instruct-IMat-GGUF — квантизированная версия языковой модели Qwen/Qwen2-Math-72B-Instruct. Исходную модель разработала команда Qwen, а квантизацию выполнил legraphista с использованием llama.cpp и IMatrix-калибровки. Модель предназначена для генерации текста в диалоговом формате и решения математических задач, включая сценарии локального запуска через совместимые инструменты llama.cpp и GGUF. Модель содержит 72 млрд параметров, изначально представлена в формате BF16 и доступна в нескольких вариантах GGUF-квантизации: от Q8_0 до 1–3-битных форматов, включая Q4_K, Q3_K и Q2_K. Для ряда вариантов применена IMatrix, призванная сохранить качество при уменьшении размера. В карточке указаны английский язык и текстовая модальность; размер контекста и точная архитектура не приведены. Сильная сторона модели — специализация на математическом рассуждении и широкий выбор вариантов квантизации, позволяющий выбирать баланс между качеством, размером файлов и требованиями к памяти. Ограничения связаны с очень большим исходным размером: даже доступные квантизированные файлы занимают примерно от 29,81 до 77,26 ГБ, а некоторые варианты разделены на несколько частей. Качество и потребление ресурсов зависят от выбранного формата квантизации. Лицензия обозначена как other с названием tongyi-qianwen; подробные условия приведены в лицензии исходной модели Qwen/Qwen2-Math-72B-Instruct.