I.13Симуляция, моделирование и открытие нового

Qwen3-4B-MegaScience — плотная языковая модель на базе Qwen3-4B-Base, дообученная на наборе данных MegaScience для научных рассуждений. В карточке указано 3,7 млрд параметров; модель использует архитектуру Qwen3 и доступна в формате safetensors для библиотеки Transformers. Максимальная длина контекста — 32 768 токенов. Модель предназначена для ответов на научные вопросы и рассуждений по естественным наукам, в том числе для поддержки исследователей и работы с учебными материалами. MegaScience объединяет 1,25 млн примеров из открытых наборов данных; описанный в README обучающий рецепт ограничивал длину последовательности 4 096 токенами. Карточка указывает английский язык и лицензию Apache-2.0. Качество ответов может зависеть от научной области и формулировки запроса; модель генерирует текст и может ошибаться в фактах или выводах.

Symbiotic-8B — модель для генерации текста на базе Qwen3-8B, опубликованная Convergent Intelligence LLC: Research Division. В карточке заявлены диалог, символьные рассуждения, логические цепочки, генерация теорем и работа с математическими доказательствами и кодом. Модель дообучена на Qwen3-8B; архитектура в метаданных обозначена как плотная Qwen3ForCausalLM. Репозиторий содержит веса Safetensors, а библиотека для работы с моделью — Transformers. Размер составляет 7,6 млрд параметров, длина контекста — 40 960 токенов. В README также описаны символьные модули и буфер памяти на 2 048 векторов, предназначенные для сохранения контекста между ходами диалога. Карточка указывает английский язык и датасет Advanced Calculus; модель можно использовать для математических рассуждений, логических задач и контекстно-зависимого диалога. README предупреждает, что модель не настроена на инструкции, поэтому для диалоговых запросов может потребоваться подбор промптов; символьная память требует заполнения, а её буфер может немного повышать нагрузку на CPU. Лицензия — AFL-3.0.

ANIMA-Phi-Neptune-Mistral-10.7B — плотная языковая модель семейства Mistral, созданная разработчиком Severian как depth-upscaled merge модели Severian/ANIMA-Phi-Neptune-Mistral-7B методом passthrough. Веса объединяют слои исходной модели и образуют вариант на 10,6 млрд параметров с контекстом до 32 768 токенов. Модель предназначена для генерации текста и диалога о науке, природе и биомимикрии, а также для использования как основы дальнейшего дообучения или замены исходного варианта на 7 млрд параметров. Она обучалась на примерах биомимикрии и процесса биомиметического проектирования, STEM-материалах и текстах по науке и философии. Подходит, например, для поиска природных аналогов инженерных решений и пошаговой проработки биомиметических задач. Модель принимает и генерирует текст; сведения о поддерживаемых естественных языках в карточке не приведены. Для применения требуются совместимые инструменты, например Transformers. Лицензия — Artistic-2.0. Результаты генерации могут быть неточными, а специализированные сведения следует проверять; опубликованные тесты не гарантируют качество в конкретной задаче.

SymbioticLM-1B — компактная модель для генерации текста и символьных рассуждений, разработанная Convergent Intelligence LLC на основе Qwen3-0.6B. В карточке она описана как гибридный Transformer с символьным конвейером и эпизодической памятью; заявленные модули предназначены для обработки и извлечения символических представлений. Модель рассчитана на инференс в условиях ограниченных ресурсов, включая CPU и встроенные устройства. Заявленные сценарии применения включают логические рассуждения, учебных агентов с памятью, генерацию объяснений на основе графов, процедурное планирование, математическое моделирование и небольшой объём генерации кода. Модель содержит около 507,9 млн параметров, использует архитектуру Qwen3ForCausalLM, формат safetensors и поддерживает контекст до 40 960 токенов. Метаданные указывают английский язык; README не сообщает дополнительные языки. Карточка отмечает, что свободный текст получается менее бегло, чем у более крупных моделей, точность символьных рассуждений зависит от подготовки памяти, а режим Dream может требовать прогрева или начальных символических данных для сложных запросов. Лицензия — AFL-3.0.

KONI-Llama3.1-8B-Instruct-20241024 — специализированная разговорная языковая модель, разработанная Корейским институтом науки и технологий информации (KISTI) для работы с научными и техническими темами. Модель основана на KONI-Llama3.1-8B-Merged-20240830, объединяющей Meta-Llama-3-8B и KONI-Llama3.1-8B-20240824, и содержит 7,5 млрд параметров. Для настройки применялись supervised fine-tuning на примерно 11 тысячах примеров и direct preference optimization на примерно 7 тысячах примеров. Модель предназначена для диалоговых ответов, помощи в исследованиях и работе с научно-техническими вопросами. В карточке приведены результаты LogicKor по рассуждению, математике и письму; также заявлена улучшенная производительность относительно первоначальной версии. Модель поддерживает корейский язык и контекст до 131 072 токенов, использует архитектуру Llama и формат safetensors. Модель распространяется по лицензии Llama 3.1. Результаты бенчмарка приведены для LogicKor и сами по себе не гарантируют качество в других сценариях; в карточке также не приведены подробности о составе специализированного корпуса.

AREX-2 — мультимодальная модель на 27 млрд параметров, разработанная Пекинской академией искусственного интеллекта (BAAI) на основе Qwen/Qwen3.8-27B. Это плотная архитектура, совместимая с Qwen3.8; модель принимает текст и изображения и рассчитана на контекст до 262 144 токенов. Она предназначена для длительного итеративного решения задач: предлагает решение, анализирует оценки, логи, ошибки и время выполнения, а затем пересматривает результат. Обучение охватывает задачи машинного обучения и алгоритмического программирования с проверяемой обратной связью, а также данные для глубоких исследований; заявлен перенос навыка самоулучшения на сценарии deep research. Модель применима для программирования, инженерии машинного обучения, многошаговых рассуждений и агентных сценариев с инструментами. Лицензия — Apache 2.0. Карточка предназначает модель для исследований и не приводит количественных результатов оценки в доступном тексте; для работы требуется актуальная версия Transformers с поддержкой Qwen3.8.

MiroThinker-1.7-mini-GGUF — GGUF-квантизированная версия языковой модели MiroThinker-1.7-mini, разработанной командой MiroMind AI. Модель создана для агентных сценариев, глубокого исследования, сложных вопросов и многошагового анализа с использованием инструментов. Она ориентирована на выполнение длинных цепочек рассуждений и поддерживает до 300 вызовов инструментов в рамках одной задачи. Модель содержит 30 млрд параметров и имеет контекстное окно до 256 тыс. токенов. Указана поддержка английского языка; модальность — текстовая. В качестве базовой модели обозначена Qwen/Qwen3-235B-A22B-Thinking-2507. GGUF-версия была создана с использованием llama.cpp. К сильным сторонам относятся большой контекст, многошаговое рассуждение и ориентация на исследовательские агентные процессы. Ограничения включают зависимость качества от корректной интеграции инструментов и значительные требования к вычислительным ресурсам; конкретный вариант квантования в README не указан. Модель распространяется по лицензии Apache-2.0.

TheProfessor-155b — разговорная языковая модель, созданная Eric Hartford при участии Weyaxi, Charles Goddard и команды Generative AI AbacusAI. Это слияние предварительно обученных моделей семейства Llama, выполненное методом linear merge с помощью mergekit; после слияния модель не дообучали. В состав вошли модели для диалога, математики, медицины и научных задач. Модель содержит 154,3 млрд параметров, принимает текст и использует формат диалога ChatML; заявленная длина контекста — 4096 токенов. Модель предназначена для диалога, рассуждений и совместной работы над научными и математическими задачами: от обсуждения концепций до помощи с кодом, написанием и редактированием статей. Её также можно использовать для медицинских вопросов и исследовательского мозгового штурма. Модель выдаёт текст; README не указывает отдельный перечень поддерживаемых естественных языков. Модель распространяется по лицензии Llama 2. Качество ответов и надёжность фактов README не характеризует; медицинские ответы следует проверять, а генерацию цитат и научных сведений — сверять с первоисточниками.

Agents-A1 — агентная модель от InternScience, созданная для длительных многошаговых задач в поиске, инженерии, научных исследованиях, следовании инструкциям и работе с инструментами. В карточке указана архитектура Mixture-of-Experts и размер 35 млрд параметров; модель распространяется в формате Safetensors и поддерживает диалог и интерфейс вызова инструментов. Для запуска подходят Transformers, vLLM и SGLang. Модель предназначена для разбиения сложных запросов на шаги, планирования, использования внешних инструментов и адаптации по промежуточным результатам. Разработчики сообщают о трёхэтапном обучении: широкая supervised fine-tuning, обучение доменных моделей-учителей и многодоменная дистилляция с учётом различий между задачами. В карточке приведены сильные результаты на агентных, научных и инструкционных бенчмарках; они отражают оценку авторов и зависят от сценария и настроек. Веса опубликованы по лицензии Apache-2.0. Карточка не сообщает поддерживаемые естественные языки или длину контекста; описание стандартного варианта упоминает контекст 262K, но подробности конфигурации приведены не полностью. Тег метаданных указывает на генерацию текста; изображение упоминается среди тегов VLM, однако README не описывает визуальный ввод для этой конкретной модели.

MiroThinker-v1.0-30B-GGUF — открытая исследовательская агентная модель, разработанная командой MiroMind AI. Она предназначена для задач глубокого исследования, поиска и анализа информации, многошагового рассуждения и работы с внешними инструментами в сценариях, где требуется длительное взаимодействие с окружением. Модель основана на Qwen3-30B-A3B-Thinking-2507 и распространяется в формате GGUF, подготовленном с использованием llama.cpp. Заявлены контекстное окно 256K токенов, поддержка длинных цепочек рассуждений и до 600 вызовов инструментов на задачу. Указан английский язык. Подход MiroThinker основан на interactive scaling: модель обучалась выполнять более глубокие и частые взаимодействия с инструментами, использовать обратную связь среды и уточнять ход решения. По данным карточки, она показывает сильные результаты в исследовательских бенчмарках, включая HLE-Text, BrowseComp, BrowseComp-ZH и GAIA-Text-103. К сильным сторонам относятся ориентация на агентные и research-сценарии, большой контекст, поддержка длительных многошаговых задач и оптимизация квантования с повышением точности отдельных важных слоёв. Ограничения связаны с необходимостью внешней инфраструктуры и инструментов для полноценной агентной работы, а также с компромиссами GGUF-квантования между размером файла, скоростью и точностью; конкретный уровень квантования в README не указан. Модель распространяется по лицензии MIT.

AREX-2 — мультимодальная модель с 27 млрд параметров, разработанная Пекинской академией искусственного интеллекта (BAAI) для работы в качестве агента с длительным циклом решения задач. Она дообучена на базе Qwen/Qwen3.8-27B и использует плотную архитектуру, совместимую с Qwen3.8; модель принимает текст и изображения и выдаёт текст. Контекст составляет 262 144 токена. Модель рассчитана на итеративное решение задач: она предлагает вариант, анализирует оценки, журналы, ошибки и затраченное время, затем пересматривает решение в нескольких раундах. Обучение охватывает алгоритмическое программирование и инженерные задачи машинного обучения с проверяемой обратной связью, а также данные AREX для глубоких исследований. Авторы сообщают о переносе навыка самоулучшения на задачи глубокого исследования. Модель предназначена прежде всего для исследований длительных агентных циклов, рассуждений и использования инструментов. Репозиторий распространяется под лицензией Apache-2.0. Для запуска README рекомендует актуальную версию Transformers с поддержкой Qwen3.8. Качество зависит от задачи и организации тестовых раундов; модель не следует считать автономным исполнителем без внешней среды, обратной связи и проверки результатов.

Qwen3.6-35B-A3B-Claude-4.7-Opus-Reasoning-Distilled — текстовая диалоговая модель с открытыми весами, созданная r3lax на основе Qwen/Qwen3.6-35B-A3B. Это дообученная MoE-модель семейства Qwen3.5: в ней 35 млрд параметров, из которых около 3 млрд активируются на каждом токене. Для обучения использовали дистилляцию примерно 8 тысяч цепочек рассуждений Claude Opus 4.7; стиль рассуждения настраивали с помощью LoRA только для слоёв внимания. Модель предназначена для многошаговых рассуждений, решения задач по математике и STEM, анализа кода, логических головоломок и агентного планирования. Контекст — до 64 тысяч токенов; при сложных запросах модель может генерировать от 5 до 30 тысяч токенов рассуждений перед ответом. Поддерживает английский язык. В метаданных указаны чат и интерфейс вызова инструментов; README рекомендует vLLM для сервинга. Дистилляция перенимает стиль рассуждений, но не добавляет фактических знаний сверх базовой Qwen3.6-35B-A3B. Экспертные FFN-слои не дообучались, генерация может быть очень длинной, а README отмечает проблемы с форматом ответов для автоматической оценки AIME. Лицензия — Apache-2.0; для сценариев, использующих данные, созданные Claude Opus 4.7, README рекомендует проверить применимые условия Anthropic.

Qwen3-Max-Thinking — флагманская модель рассуждений серии Qwen3 от Qwen. Она предназначена для сложных задач, требующих глубокого многошагового анализа. В карточке отмечено, что модель масштабирует вычислительные ресурсы для обучения с подкреплением. Её можно использовать для задач, где требуется последовательное рассуждение и работа со сложными запросами. Данных о размере, поддерживаемых языках, длине контекста, лицензии и конкретных ограничениях в предоставленных материалах нет.

Sherry 35B-A3B 0.1 Preview — экспериментальная модель для генерации текста, разработанная Valendra на основе Qwen/Qwen3.6-35B-A3B. Это дообученная методом SFT и GRPO модель семейства Qwen3.5 MoE с 35 млрд параметров; веса объединены, отдельный PEFT-адаптер для инференса не нужен. Модель поддерживает чат и интерфейс вызова инструментов. Главная особенность — управляемый уровень усилий рассуждения: low, medium или high задаёт компромисс между глубиной ответа, задержкой и расходом токенов. Модель предназначена для математических и научных задач, задач на рассуждение и экспериментов с программированием. В описанной авторами оценке показала 97,1% math_verify на MATH-500 и 78,3% exact match на GPQA-Diamond; эти результаты получены в одном контролируемом запуске и не гарантируют аналогичного качества в других условиях. Это предварительная версия: результат AIME 2025 находится на пересмотре, а поведение за пределами оценённых областей изучено ограниченно. Возможны ошибки, поэтому ответы следует проверять, особенно в высокозначимых сценариях. Модель распространяется по лицензии Apache-2.0.

Intern-S2-Mobius — плотная языковая модель с 35 млрд параметров, разработанная командой InternLM на архитектуре Mobius-v0 и реализованная с поддержкой Xtuner и LMDeploy. Это продолжительно предобученная на основе Qwen3.5-35B и затем дообученная с помощью SFT и обучения с подкреплением модель для диалогов и сложных текстовых задач. Репозиторий содержит веса bfloat16 в формате Safetensors; для запуска предусмотрена поддержка Transformers, LMDeploy и vLLM. Архитектура разделяет хранилище знаний и вычисления рассуждений: несколько модулей Reasoner обращаются к общей памяти, а скрытые состояния уточняются итеративно. Заявлены межслойный доступ к знаниям и латентное рассуждение, позволяющие сокращать видимые цепочки рассуждений. Модель рассчитана на общие и научные задачи, включая биологию и молекулярные науки. В README сообщается о сопоставимых или более высоких результатах на ряде тестов и почти четырёхкратном ускорении вывода относительно Qwen3.5-35B в проведённой оценке. Карточка описывает текстовую модель и не заявляет поддержку изображений, несмотря на тег image-text-to-text в метаданных. В тестах использовались контексты до 64K или 128K токенов; эти значения относятся к настройкам оценки и не подтверждают максимальный собственный контекст модели. Для эксплуатации требуются совместимые версии Transformers, LMDeploy или vLLM и значительные вычислительные ресурсы, соответствующие модели на 35 млрд параметров. Лицензия — Apache-2.0.

AREX-Base — большая модель исследовательского агента семейства AREX, разработанного Пекинской академией искусственного интеллекта (BAAI). Она предназначена для длительных задач поиска информации, сбора и проверки свидетельств из нескольких источников и подготовки ответов с учётом множества ограничений. Модель дообучена на Qwen/Qwen3.5-122B-A10B и использует архитектуру Mixture-of-Experts: 122 млрд параметров всего, из них 10 млрд активируются при обработке. Контекстное окно составляет 262 144 токена. AREX-Base поддерживает диалог и интерфейс вызова инструментов. В исследовательском цикле она сохраняет проверенные выводы, источники, отвергнутые варианты и нерешённые вопросы, а затем уточняет план поиска, проверяет предварительный ответ и при необходимости продолжает исследование или начинает его заново. Модель предназначена для агентных сценариев с многоэтапным поиском, просмотром источников и интеграцией свидетельств; README описывает работу с текстовыми данными и инструментами, а метаданные указывают мультимодальную базовую модель Qwen. В карточке заявлена лицензия Apache-2.0. Большой размер модели предполагает высокую стоимость обслуживания; качество ответов зависит от доступных источников и подключённых инструментов.

GLM-5.3-Flash-Uncensored-GGUF — это квантованные GGUF-версии модели GLM-5.3-Flash от Z.ai, подготовленные и опубликованные OrcaRouter. Модель предназначена для локального запуска в llama.cpp на CPU, CUDA, Metal и ROCm. Она ориентирована на исследовательские задачи, включая интерпретируемость, изучение механизмов отказа, red teaming, оценку устойчивости и контролируемые эксперименты. Вариант uncensored получен удалением значительной части механизмов отказа, поэтому модель может выполнять вредоносные, незаконные или этически проблемные запросы. Модель имеет архитектуру Mixture-of-Experts: около 320 млрд параметров, из которых активно примерно 18 млрд; используется 288 маршрутизируемых экспертов с выбором top-8 и один общий эксперт. Заявлены гибридное линейное и разреженное внимание, Manifold-Constrained Hyper-Connections шириной 4, поддержка текста, изображений и видео, а также контекст до 1 млн токенов. Поддерживаются английский и китайский языки. Доступны квантизации от 2 до 6 бит; Q4_K_M рекомендуется как баланс качества и размера, а Q6_K обеспечивает наивысшую точность среди представленных вариантов. Для обработки изображений требуется отдельный файл mmproj. GGUF-сборки не содержат MTP-голову для спекулятивного декодирования, а для работы необходима свежая версия llama.cpp с поддержкой архитектуры glm5next. Модель распространяется по лицензии MIT, однако её использование требует самостоятельных мер безопасности, модерации и предотвращения злоупотреблений.

SOD-GRPO_teacher-4B — языковая модель на архитектуре Qwen3, дообученная командой youngzhong методом GRPO после этапа SFT. Она служит моделью-учителем в SOD-фреймворке для дистилляции компактных моделей, а также предназначена для агентного рассуждения с использованием инструментов, решения математических и научных задач и генерации кода. Модель содержит около 3,7 млрд параметров, принимает текст и выдаёт текст; заявленная длина контекста — 262 144 токена. В карточке приведены результаты на AIME 2024/2025, GPQA-Diamond и LiveCodeBench-v6, но они не гарантируют аналогичного качества на других задачах. Поддерживается английский язык. Лицензия — Apache-2.0.

GALPACA 30B — языковая модель Georgia Tech Research Institute на архитектуре OPT, полученная дообучением GALACTICA 30B на 52 тысячах инструкционных примеров Alpaca. Модель генерирует текст и следует инструкциям; её научная основа предназначена для ответов на научные вопросы, объяснения понятий и подготовки ответов с упоминанием публикаций, когда это возможно. Контекст составляет 2048 токенов. Модель подходит для исследовательских экспериментов с генерацией научного текста и инструкционными языковыми моделями, а также для помощи в решении задач с кодом. Ответы могут содержать фактические ошибки, поэтому научные сведения требуют проверки. Модель распространяется по лицензии CC BY-NC 4.0 и дополнительно подпадает под условия использования OpenAI из-за происхождения набора Alpaca; коммерческое использование ограничено.

MegaScience-Qwen-GGUF — набор квантованных моделей в формате GGUF, опубликованный пользователем или организацией prithivMLmods и основанный на семействе Qwen3 и Qwen2.5. Модели дообучены на датасете MegaScience, содержащем более 1,25 млн научных вопросов и ответов университетского уровня из открытых учебников и научных бенчмарков по семи дисциплинам. В состав набора входят варианты Qwen3-1.7B, Qwen3-4B, Qwen3-8B, Qwen2.5-1.5B, Qwen2.5-3B и Qwen2.5-7B, хотя для некоторых вариантов в README приведены неполные сведения о файлах. Модели предназначены для генерации текста, научного рассуждения, ответов на вопросы, решения математических задач, образовательных сценариев и работы с общими знаниями. Поддерживается английский язык; заявлена текстовая модальность. Ключевой особенностью является специализация на научных данных и наличие нескольких уровней размера и квантования, включая BF16, F16, F32 и варианты Q2_K–Q8_0, что позволяет выбирать компромисс между качеством, потреблением памяти и скоростью локального запуска. К сильным сторонам относятся ориентация на научное рассуждение, компактные варианты для ограниченных ресурсов и доступность нескольких форматов GGUF. Ограничения связаны с тем, что точное окно контекста, архитектурные детали, требования к оборудованию, показатели отдельных версий и рекомендации по использованию конкретных квантований в README не указаны. Модели распространяются по лицензии Apache-2.0.

SearchSwarm-30B-A3B — дообученная модель класса Qwen3 MoE от SearchSwarm для многошагового агентного исследования информации. Она предназначена для сложных исследовательских запросов: модель разбивает задачу на подзадачи, делегирует их субагентам, проверяет полученные результаты и составляет отчёт с опорой на источники. Субагенты работают в отдельных контекстах и возвращают компактные сводки, помогая основному агенту управлять конечным контекстом. Модель использует архитектуру Qwen3 MoE, содержит 2,4 млрд параметров и поддерживает контекст до 131 072 токенов. Она дообучена на базе Alibaba-NLP/Tongyi-DeepResearch-30B-A3B; доступна в формате safetensors для Transformers. В карточке приведены результаты на BrowseComp и BrowseComp-ZH, но они сами по себе не гарантируют качество в других сценариях. Лицензия — MIT.

Bespoke-Stratos-32B — языковая модель Bespoke Labs, дообученная на Qwen/Qwen2.5-32B-Instruct с использованием набора Bespoke-Stratos-17k. Набор данных получен дистилляцией DeepSeek-R1 с помощью конвейера Berkeley NovaSky Sky-T1 и некоторыми изменениями. Модель предназначена для генерации текста в диалоге и решения задач, требующих рассуждений, в частности по математике и естественным наукам. В опубликованных результатах она превосходит исходную Qwen2.5-32B-Instruct на приведённых тестах AIME2024, MATH500 и GPQA-Diamond. Это плотная модель Qwen2 с 32 млрд параметров, принимает текст, поддерживает контекст до 32 768 токенов и обучена преимущественно на английском языке. Модель распространяется в формате safetensors по лицензии Apache 2.0. Результаты бенчмарков не гарантируют аналогичного качества на других задачах; доступная карточка не описывает более конкретные ограничения или условия применения.

Blaze.1-32B-Instruct — диалоговая языковая модель на архитектуре Qwen2 с 32 млрд параметров, разработанная на основе QwQ-32B-Preview и дообученная на синтетических данных для математических и условных рассуждений. Она генерирует текст и поддерживает чатовый интерфейс; заявленная длина контекста — 32 768 токенов. Модель предназначена для решения математических задач, логических рассуждений, пошаговых объяснений, условного вывода и структурированной генерации текста. Её можно использовать в виртуальных помощниках и образовательных инструментах. Карточка также заявляет поддержку многоязычного понимания, однако в метаданных указан английский язык. Лицензия — Apache-2.0. Возможны неожиданные переключения и смешение языков, повторяющиеся циклы рассуждений с чрезмерно длинными ответами, потеря контекста в длинных диалогах и снижение качества на задачах, отличающихся от синтетических обучающих данных. Для запуска требуются значительные вычислительные ресурсы из-за размера модели.

Einstein-v7-Qwen2-7B-GGUF — набор квантизированных GGUF-версий модели Einstein-v7-Qwen2-7B, разработанной Weyaxi и подготовленной квантизатором bartowski с использованием llama.cpp. В качестве базовой модели указана Qwen/Qwen2-7B. Модель предназначена для генерации текста и диалоговых сценариев, включая задачи по физике, химии, биологии, математике, естественным наукам, инженерии, ответам на вопросы и общим инструкциям. Обучение выполнялось на смесях научных, математических, диалоговых и instruction-датасетов, включая AI2 ARC, ScienceQA, MathInstruct, MetaMathQA, OpenAssistant и другие. Это текстовая decoder-only LLM примерно на 7 млрд параметров; поддерживается английский язык. Модель использует формат запросов ChatML с ролями system, user и assistant. В репозитории представлены варианты квантизации от Q8 до Q3 и IQ3/IQ4 с размером файлов примерно от 3,5 до 9,1 ГБ. Более высокие разрядности обеспечивают лучшее качество, тогда как варианты Q3 предназначены для устройств с ограниченной оперативной памятью. Для большинства сценариев автор рекомендует варианты Q4–Q6, при этом Q6 и Q8 описаны как высококачественные. К сильным сторонам относятся специализация на STEM-задачах, широкий набор обучающих источников и возможность локального запуска через llama.cpp благодаря GGUF-квантизации. Ограничения включают возможное снижение качества на низких уровнях квантизации, отсутствие заявленной мультимодальности, неизвестный размер контекстного окна и неопределённые характеристики на других языках. Лицензия обозначена как other, но её конкретные условия в README не указаны.

Gemma3-4B-Dark-Chain-of-Thought-CoT — дообученная диалоговая модель AiAsistent из серии Cognitive Liberty, предназначенная для генерации ответов с многошаговыми рассуждениями. Она основана на AiAsistent/gemma-3-4b-it-Cognitive-Liberty и использует архитектуру Gemma 3 с примерно 4 млрд параметров; веса опубликованы в формате safetensors и рассчитаны на работу через Transformers. Модель ориентирована на решение логических задач, сложные научные вопросы и академическое рассуждение. В README приведены результаты GPQA Diamond, MMLU и MMLU Humanities, однако это собственные заявленные авторами показатели. Карточка описывает обучение на наборе Dark-Chain-of-Thought-CoT и настройку с низким KL-дивергентным искажением базовой модели. Модель заявлена как менее склонная к отказам и ориентированная на свободные ответы, поэтому её ответы могут требовать проверки на точность и соответствие требованиям безопасности. Лицензия — Gemma; условия её использования следует сверять с лицензией Gemma.

ThinkPRM-1.5B — генеративная модель процессной оценки рассуждений, разработанная командой Launch и дообученная на базе R1-Distill-Qwen-1.5B. Она проверяет решения по шагам: формирует текстовые критические замечания и оценки корректности каждого шага, а также может оценивать решение целиком. Модель предназначена для проверки математических и научных рассуждений, верификации кода, ранжирования кандидатных решений в Best-of-N и поддержки поиска по дереву рассуждений. Для обучения использовано около 1 000 синтетических примеров проверочных цепочек рассуждений, сверенных с метками PRM800K. Модель имеет плотную архитектуру Qwen2, 1,5 млрд параметров и контекст до 131 072 токенов; принимает текст и генерирует текстовые объяснения и оценки. В карточке указаны результаты на ProcessBench, MATH-500, AIME '24, GPQA-Diamond и LiveCodeBench. Модель может чрезмерно уверенно выдавать оценки, близкие к 0 или 1; ранняя ошибочная оценка шага может повлиять на последующие, а результат зависит от формата решения и промпта. Лицензия — Apache-2.0.

UniReason-Qwen3-14B-think-SFT-i1-GGUF — это набор квантованных GGUF-версий текстовой языковой модели UniReason-Qwen3-14B-think-SFT. Модель создана на базе Qwen3-14B и разработана проектом ReasoningTransferability; квантованные файлы подготовлены mradermacher. Обучение ориентировано на перенос способностей к рассуждению: модель дистиллирована из Qwen3-32B-Instruct в режиме thinking с использованием reject sampling. Модель предназначена для генерации текста, решения математических задач и выполнения задач, требующих рассуждений. В карточке указаны английский язык и датасеты math и reasoning. Это текстовая модель без заявленной поддержки изображений или других модальностей. Размер базовой модели — 14 млрд параметров; доступны варианты квантования от примерно 3,7 до 12,2 ГБ, что позволяет запускать её на системах с ограниченными ресурсами. Длина контекста и точные характеристики архитектуры в README не указаны. Сильной стороной модели является специализация на математическом и логическом рассуждении, а также широкий выбор вариантов квантования. При этом низкобитные варианты могут заметно уступать по качеству: в README некоторые из них обозначены как низкокачественные, тогда как i1-Q4_K_M рекомендован как быстрый вариант. Ограничения включают отсутствие данных о результатах бенчмарков, мультиязычности и длине контекста. Лицензия — Apache-2.0.

GALACTICA mini — авторегрессионная трансформерная модель с архитектурой декодера, разработанная командой Papers with Code в Meta AI для научных задач. Эта версия содержит 151,6 млн параметров и принимает текстовый контекст длиной до 2048 токенов. Модель обучена на крупном научном корпусе, включающем открытые статьи, учебники, научные сайты, энциклопедии и базы знаний. Модель предназначена для генерации научного текста и может применяться для ответов на научные вопросы, предсказания цитирований, математических рассуждений, суммаризации документов, извлечения сущностей и задач о свойствах молекул. Карточка описывает эксперименты и научные сценарии применения, а также разработку инструментов для работы с научной литературой. GALACTICA склонна к галлюцинациям, особенно для малоизвестных научных тем; сгенерированные факты и цитаты требуют проверки. В модели также отмечены смещения. В README указана лицензия CC BY-NC 4.0, разрешающая некоммерческое использование; метаданные Hugging Face отдельно указывают Apache-2.0, поэтому условия лицензирования следует сверять с конкретными файлами репозитория перед использованием.

Apodex-1.1-mini — reasoning-first модель для сложных исследовательских и агентских задач, разработанная Apodex AI на базе Qwen/Qwen3.5-35B-A3B. Модель предназначена для долгих многоэтапных сценариев: работы с научными статьями, наборами данных, таблицами, изображениями и кодом, выполнения анализа, использования инструментов и подготовки проверяемых результатов. Она поддерживает английский и китайский языки и относится к моделям генерации текста. Модель рассчитана на агентское использование с нативным вызовом функций, планированием, координацией параллельных подагентов и сохранением состояния задачи. В экосистеме Apodex предусмотрены проверка утверждений по источникам, данным и вычислениям, а также корректировка результатов при обнаружении недостаточных или противоречивых доказательств. Заявленный контекст составляет до 262144 токенов, рекомендуемый лимит генерации — до 32768 токенов. Сильные стороны модели — выполнение комплексных задач от исходных материалов до итоговых артефактов, работа с инструментами и встроенная проверка результатов. Ограничения связаны с тем, что качество зависит от настроек серверного развёртывания, доступных инструментов и корректности внешних данных; точные сведения о числе параметров и внутренней архитектуре в карточке не указаны. Модель распространяется по лицензии Apache 2.0.

Mungert/OpenReasoning-Nemotron-32B-GGUF — GGUF-версия большой языковой модели OpenReasoning-Nemotron-32B, производной от Qwen/Qwen2.5-32B-Instruct. Исходная модель разработана NVIDIA и дообучена для рассуждений, генерации решений по математике, программированию и научным задачам. Указан английский язык, текстовая модальность и сценарий text-generation. Модель создана с использованием llama.cpp; конкретный формат квантования зависит от файла GGUF. В README также описан подход с повышением точности отдельных важных слоёв при квантовании, что может улучшать качество на низких разрядностях, но увеличивает размер файла. Модель рассчитана на исследовательское и коммерческое/некоммерческое использование. Для сложных задач поддерживается генерация до 64K выходных токенов по данным исходной карточки. Сильные стороны — специализация на математическом, кодовом и научном рассуждении, а также возможность многократных параллельных генераций с последующим выбором решения через GenSelect. Ограничения включают высокие требования к вычислительным ресурсам для 32B-модели, возможную зависимость качества и размера от выбранного уровня квантования, а также отсутствие в предоставленных данных точного размера контекстного окна и подробностей об аппаратных требованиях. Лицензия модели — Creative Commons Attribution 4.0 International (CC-BY-4.0); для базовой модели дополнительно указана Apache 2.0.