I.13Симуляция, моделирование и открытие нового

Darwin-28B-Opus — языковая модель для рассуждений, созданная командой Darwin путем эволюционного слияния Qwen/Qwen3.6-27B и модели rico03/Qwen3.6-27B-Claude-Opus-Reasoning-Distilled. Она сохраняет плотную архитектуру Qwen3.6 с гибридным линейным и полным вниманием и наследует стиль рассуждений, полученный дистилляцией поведения Claude Opus. Модель содержит 27,6 млрд параметров, представлена в формате BF16 и рассчитана на генерацию текста в режиме диалога и многошаговые рассуждения. Модель предназначена для решения сложных научных и математических задач, генерации и отладки кода, а также ответов на вопросы, требующие последовательного анализа. В README приведен результат 88,89% на GPQA Diamond при трехэтапной адаптивной оценке; он зависит от описанного протокола сэмплирования и уточнения ответов. Основной язык — английский; также заявлена поддержка корейского, китайского и японского языков. Полный вывод требует около 55 ГБ видеопамяти. Лицензия — Apache 2.0.

Apodex-1.1-mini-GGUF — GGUF-квантизированная версия reasoning-first модели Apodex 1.1, разработанной Apodex AI на базе Qwen/Qwen3.5-35B-A3B. Модель предназначена для сложных исследовательских задач с длительным горизонтом выполнения и агентных сценариев: поиска и анализа информации, подготовки отчётов, работы с файлами, наборами данных, электронными таблицами, изображениями, кодом и инструментами. Она может декомпозировать задачу, координировать параллельных субагентов, сохранять состояние, адаптировать план и учитывать обратную связь пользователя. Модель поддерживает текстовую генерацию и заявлена для английского и китайского языков. Для агентной работы предусмотрен нативный function calling, совместимый с шаблоном чата Qwen3.5; поддерживаются рассуждения и OpenAI-совместимые вызовы инструментов. Рекомендуемый максимальный контекст составляет 262144 токена, а максимальная длина генерации — 32768 токенов. В README также указана совместимость с запуском через llama.cpp и дополнительным мультимодальным проектором, однако полный перечень поддерживаемых модальностей и точные параметры GGUF-квантизации для данной карточки не раскрыты. Сильные стороны модели — ориентация на сквозное выполнение сложных задач, работа с внешними инструментами, командная агентная схема и встроенная проверка утверждений по источникам, данным и вычислениям. По приведённым результатам Apodex-1.1-mini особенно хорошо показывает себя в FrontierFinance и остаётся конкурентоспособной на APEX-Agent; при этом эти показатели зависят от Agent Team harness и не гарантируют аналогичное качество в каждом сценарии. Ограничения включают необходимость корректной настройки llama.cpp, парсеров шаблона и инструментов, а также отсутствие в README подробностей о размере файла, требованиях к аппаратному обеспечению и полной оценке надёжности. Лицензия — Apache 2.0.

MiroThinker-1.7 — агентная языковая модель miromind-ai, созданная на основе Qwen3-235B-A22B-Thinking-2507 методом дообучения. Она предназначена для глубокого исследования, многошагового анализа и ответов на сложные вопросы с использованием инструментов; в поддерживаемом агентном сценарии может выполнять до 300 вызовов инструментов за задачу. Модель использует архитектуру Qwen3 MoE, содержит 18,2 млрд параметров и принимает контекст до 262 144 токенов. README сообщает о сильных результатах в задачах исследования, включая BrowseComp, BrowseComp-ZH, GAIA-Val-165 и HLE-Text. Для полноценного использования рекомендован агентный фреймворк с поддержкой инструментов и режимом рассуждений; сама модель в каталоге размечена как генерация текста. В метаданных указан английский язык. Модель распространяется под лицензией Apache-2.0.

Mungert/pokee_research_7b-GGUF — GGUF-версия модели PokeeResearch-7B, разработанной Pokee AI и дообученной на базе Qwen2.5-7B-Instruct. Модель предназначена для автоматизации глубоких исследовательских задач: декомпозиции сложных запросов, работы с внешними источниками, многошагового рассуждения, проверки и синтеза информации. Она может использоваться как самостоятельный исследовательский ассистент или как компонент многоагентных систем, а также адаптироваться для научного поиска, извлечения документов и многоисточникового суммирования. Модель содержит около 7 миллиардов параметров, относится к инструментально расширяемым языковым моделям и поддерживает текстовые сценарии. В карточке указаны английский, китайский и другие языки, однако отдельно отмечено ограниченное качество для неанглоязычных задач. Контекст ограничен 32 768 токенами. Обучение проводилось на датасете MiroRL-GenQA с использованием RLOO и сигналов RLAIF, включая оценку смысловой эквивалентности и соблюдение формата поведения агента. Данная публикация представляет собой GGUF-сборку, созданную с помощью llama.cpp; применённый подход к квантованию повышает точность отдельных важных слоёв, но увеличивает размер файла, при этом конкретный уровень квантования не указан. Сильные стороны модели — ориентация на исследовательские рабочие процессы, самопроверку, верификацию и синтез данных из нескольких независимых направлений. Результаты зависят от качества внешних источников и поиска; возможны смещения от AI-обратной связи и галлюцинации при противоречивых или недостаточных данных. Модель не предназначена для непроверенных утверждений и единоличного принятия решений в медицинских, юридических или финансовых задачах. Лицензия — Apache 2.0.

MiMo-V2.6-Flash-MOPD — мультимодальная модель Xiaomi для диалогов и агентных сценариев с вызовом инструментов. Это обновлённая версия чекпойнта MiMo-V2.6-Flash-RL: MOPD-дистилляция объединяет специализированных учителей и снижает повторение одинаковых или похожих вызовов инструментов. Модель принимает текст, изображения, видео и аудио, поддерживает контекст до 1 048 576 токенов и ориентирована, в частности, на длительные агентные задачи, разработку игр, научные исследования и воплощённый интеллект. В README описана разреженная MoE-архитектура с 309 млрд параметров, из которых активируются 15 млрд; метаданные репозитория указывают 12 млрд параметров и формат safetensors FP8. В архитектуру также входят зрительный и аудиоэнкодеры и спекулятивный декодер. Модель подходит для многошаговых диалогов и работы с инструментами, а заявленное снижение повторяющихся вызовов может быть полезно в агентных циклах. Карточка указывает английский и китайский языки; лицензия — MIT. Учитывая различие в значении общего числа параметров между README и метаданными, размер следует трактовать осторожно; заявленное снижение повторов не гарантирует их полного отсутствия.

AgentCPM-Explore — агентная языковая модель с 3,7 млрд параметров, разработанная OpenBMB и построенная на архитектуре Qwen3. Она дообучена на Qwen/Qwen3-4B-Thinking-2507 и предназначена для продолжительных задач, требующих рассуждений, поиска и взаимодействия с инструментами и средой. Модель поддерживает контекст до 262 144 токенов и представлена в формате Safetensors для Transformers. По данным разработчиков, AgentCPM-Explore рассчитана на многошаговое исследование: она может поддерживать более 100 раундов взаимодействия, сопоставлять сведения из нескольких источников, менять стратегию поиска и проверять актуальные данные. Разработчики сообщают о результатах на восьми бенчмарках длительных агентных задач, включая GAIA, HLE и BrowserComp, и позиционируют модель как компактную основу для агентов, в том числе на устройствах с ограниченными ресурсами. Для практического применения генерация текста модели может служить основой агентного контура с поиском и инструментами; сама модель не гарантирует доступ к вебу или выполнение действий без соответствующей инфраструктуры. Модель распространяется по лицензии Apache-2.0.

Jan-Nano-128k — компактная языковая модель Alan Dao и Bach Vu Dinh, дообученная на базе Menlo/Jan-nano. Это плотная модель семейства Qwen3 с 3,7 млрд параметров и контекстом до 131 072 токенов. Она предназначена для исследовательских задач: анализа длинных документов и научных статей, синтеза информации из нескольких источников и ведения многоходовых диалогов. Модель поддерживает чат и интерфейс вызова инструментов MCP; авторы характеризуют её как не использующую режим пошагового рассуждения. Модель принимает текст и генерирует текст. Репозиторий содержит веса Safetensors; для запуска авторы описывают развёртывание через vLLM с настройками для длинного контекста и вызова инструментов. Лицензия — Apache-2.0. README сообщает об оценке на SimpleQA, но не приводит численных результатов, поэтому заявленное улучшение относительно Jan-Nano нельзя количественно оценить по карточке.

ZGCM-1-7B — плотная авторегрессионная языковая модель Zhongguancun Academy и Zhongguancun Institute of Artificial Intelligence, обученная с нуля для математических рассуждений и поиска с использованием инструментов. Модель содержит 6,3 млрд параметров по метаданным каталога (в README указано 7,39 млрд), использует архитектуру ZGCM и поддерживает контекст до 262 144 токенов. Для работы требуется Transformers и включение trust_remote_code=True. Модель рассчитана на решение математических задач, многошаговый поиск в интернете и диалоговое текстовое взаимодействие; доступны режимы с внутренними рассуждениями и прямым ответом. В техническом отчёте авторы приводят высокие результаты на математических бенчмарках и оценках агентного поиска. Обучение включало предварительное обучение, расширение контекста и дообучение для общих и агентных задач. Весовые файлы опубликованы в формате safetensors. Лицензия — MIT. Модель работает с текстом и не описана как мультимодальная; качество ответов зависит от задачи и используемого инструментария для поиска. Возможность загрузки собственного кода модели требует осторожности при запуске.

Einstein-v6.1-Llama3-8B — языковая instruct-модель, дообученная на базе Meta Llama 3 8B. Исходную модель разработала Meta, версия Einstein-v6.1 связана с проектом Weyaxi, а представленный GGUF-релиз квантован bartowski с использованием llama.cpp и imatrix. Модель ориентирована на генерацию текста в диалоговом формате ChatML и задачи рассуждения, особенно в областях физики, химии, биологии, математики, STEM и общих инструкций. Заявлен английский язык. Модель имеет архитектуру Llama 3 и около 8 млрд параметров; доступна в вариантах GGUF-квантизации Q4_K_S, Q4_K_M, Q5_K_S, Q5_K_M, Q6_K и Q8_0 с размером файлов примерно от 4,69 до 8,54 ГБ. Поддерживается текстовый ввод и вывод, однако размер контекстного окна в README не указан. В опубликованных тестах Open LLM Leaderboard модель получила, в частности, 66,19% на MMLU, 66,11% на GSM8K, 62,46% на ARC-Challenge и 82,41% на HellaSwag; эти результаты характеризуют общую способность к знаниям и рассуждению, но не гарантируют точность ответов. Сильными сторонами являются специализация на научных и математических сценариях, instruction-following и возможность локального запуска через совместимые инструменты для GGUF. Ограничения включают отсутствие гарантии фактической корректности, неизвестный размер контекста и отсутствие подробностей о методике обучения и поведении на других языках. Лицензия указана как other, поэтому перед использованием необходимо проверить условия лицензирования исходной модели и производного релиза.

MiroThinker-1.7-mini — языковая модель-агент семейства MiroThinker, разработанного miromind-ai для многошаговых исследовательских задач и длинных рабочих процессов с инструментами. В карточке указаны контекст до 256K токенов и поддержка до 300 вызовов инструментов за задачу; для полноценной работы авторы рекомендуют агентскую инфраструктуру с включённым режимом рассуждений. Модель основана на Qwen3-235B-A22B-Thinking-2507 и дообучена; метаданные описывают архитектуру Qwen3 MoE и 2,6 млрд параметров. Она принимает текст и генерирует текст, поддерживает диалог и интерфейс вызова инструментов. README заявляет высокие результаты семейства MiroThinker-1.7 в исследовательских бенчмарках, но конкретные показатели не относятся однозначно к версии mini. Модель предназначена для глубокого поиска, обобщения сведений и решения сложных задач с последовательным использованием инструментов. Выпускается по лицензии Apache-2.0. Для ожидаемого агентского поведения требуются совместимая среда выполнения, инструменты и подходящий системный промпт; доступные сведения не подтверждают, что приведённые в README результаты измерены именно на версии mini.

Qwen2.5-Math-7B-Instruct-GGUF — это квантизированная в формате GGUF версия модели Qwen2.5-Math-7B-Instruct, разработанной командой Qwen. Файл подготовлен сообществом LM Studio, а GGUF-квантизация выполнена bartowski на основе llama.cpp b3772; LM Studio не является создателем модели. Модель предназначена для генерации текста и решения математических задач на английском языке. Она поддерживает пошаговое рассуждение Chain-of-Thought (CoT) и Tool-integrated Reasoning (TIR), поэтому подходит для математического анализа, объяснения хода решения и сценариев, где требуется интеграция с инструментами. Указанный стандартный размер контекста составляет 4096 токенов. Ключевые характеристики включают размер 7B параметров, текстовую модальность и англоязычную специализацию. Сильными сторонами являются ориентация на математическое рассуждение и возможность инструментально поддерживаемого решения задач. Ограничениями выступают контекст в 4096 токенов и потенциальные ошибки, неточности или неподходящие ответы, свойственные генеративным моделям; сведения о конкретном методе квантизации и поддерживаемых дополнительных языках не указаны. Модель распространяется по лицензии Apache 2.0.

GPT-5.4 Image 2 — мультимодальная модель OpenAI, объединяющая GPT-5.4 с возможностями генерации изображений GPT Image 2. Она предназначена для сценариев, где нужно сочетать рассуждение, программирование и работу с изображениями. Доступный фрагмент карточки не уточняет архитектуру, число параметров, поддерживаемые языки, длину контекста, конкретные режимы работы с изображениями или лицензию. Модель создана OpenAI; карточка Hugging Face датирована 21 апреля 2026 года.

maayans/stella_en_1.5B_v5__ratio-broaden — дообученная модель NovaSearch/stella_en_1.5B_v5 для операции BROADEN в наборе RATIO. Она сопоставляет научный запрос с формулировкой того же вопроса на более широком уровне или с большей степенью обобщения, поэтому подходит для поиска литературы и идей по научным запросам. Модель основана на плотной архитектуре Qwen2 с 1,5 млрд параметров, принимает текст и создаёт эмбеддинги; нативная длина контекста — 131 072 токена. Для запросов при кодировании требуется встроенный prompt Stella s2p_query («Instruct: Retrieve semantically similar text. Query: »), а предложения-кандидаты кодируются без промпта. Модель обучена контрастивно на обучающей части RATIO для связи BROADEN; README указывает, что тестовые статьи в бенчмарке опубликованы позже обучающих данных оцениваемых энкодеров. Доступна под лицензией MIT.

UniReason-Qwen3-14B-RL-i1-GGUF — квантизированная GGUF-версия модели UniReason-Qwen3-14B-RL, разработанной командой ReasoningTransferability и основанной на Qwen3. Квантизацию выполнил mradermacher. Модель предназначена для генерации текста, математического рассуждения и исследовательских задач, связанных с переносимостью способностей к рассуждению после обучения с подкреплением методом GRPO. Модель имеет размер 14 млрд параметров и работает в текстовой модальности. В карточке указана поддержка английского языка; наборы данных включают math и reasoning. Размер контекстного окна и другие подробности архитектуры не указаны. Репозиторий содержит множество вариантов квантизации с размерами примерно от 3,7 до 12,2 ГБ, что позволяет выбирать между требованиями к памяти, скоростью и качеством. Для большинства сценариев автор рекомендует i1-Q4_K_M как быстрый вариант, а i1-Q4_K_S отмечен как оптимальный по соотношению размера, скорости и качества. Основное преимущество модели — возможность локального запуска в формате GGUF и выбор квантизаций для оборудования с разным объёмом памяти. Ограничения связаны с потерями качества при низкобитной квантизации: некоторые варианты прямо отмечены как низкокачественные, а IQ-варианты могут различаться по фактическому качеству. Лицензия модели — Apache-2.0.

DeepSeek-R1-Zero — языковая reasoning-модель первого поколения, разработанная DeepSeek. Она обучена с применением крупномасштабного reinforcement learning непосредственно на базовой модели, без предварительного supervised fine-tuning. Такой подход предназначен для развития способностей к решению сложных задач и исследует возможность стимулировать рассуждение LLM исключительно с помощью RL. Модель ориентирована на задачи, требующие многошагового анализа, включая математику, программирование и общее логическое рассуждение. В процессе обучения у неё естественным образом сформировались возможности самопроверки, рефлексии и генерации длинных цепочек рассуждений. При этом README не содержит достоверных сведений о размере модели, конкретной архитектуре, длине контекста и поддерживаемых языках. К ограничениям относятся склонность к бесконечным повторениям, низкая читаемость ответов и смешение языков. DeepSeek-R1-Zero опубликована с лицензией MIT, что допускает её использование в соответствии с условиями этой лицензии.

Карточка модели miromind-ai/MiroThinker-v1.5-235B на Hugging Face совпадает с карточкой miromind-ai/MiroThinker-v1.5-30B, поэтому описание составлено по ней. MiroThinker v1.5-30B — поисковый агент для многошагового рассуждения и поиска информации, разработанный MiroMind и дообученный на базе Qwen/Qwen3-30B-A3B-Thinking-2507. Модель использует архитектуру Qwen3 MoE и предназначена для работы в диалоговом режиме с внешними инструментами через агентный фреймворк. Модель поддерживает контекст до 262 144 токенов и, согласно карточке, может выполнять до 400 вызовов инструментов за задачу. Она рассчитана на глубокие исследовательские запросы, требующие поиска, проверки сведений и последовательного уточнения ответа по обратной связи от среды. Метаданные указывают 2,6 млрд параметров; в README модель включена в серию, также представленную вариантом на 235 млрд параметров. В карточке заявлены результаты на бенчмарках HLE-Text, BrowseComp, BrowseComp-ZH и GAIA-Val-165; это заявления разработчика, а подробный технический отчёт на момент публикации карточки ещё не представлен. Для полноценного использования рекомендуется агентная инфраструктура с подключёнными инструментами и включённым режимом рассуждения. Модель распространяется по лицензии MIT.

TinyR1-32B-Preview — экспериментальная модель рассуждений, разработанная командой Qihoo 360 на основе DeepSeek-R1-Distill-Qwen-32B. Это плотная языковая модель семейства Qwen2 с 32 млрд параметров; она принимает текст и генерирует текст, а нативная длина контекста составляет 131 072 токена. Модель создана объединением трёх специализированных вариантов, дообученных на математике, программировании и науке, и предназначена для решения задач в этих областях. В README сообщается о высоких результатах на отдельных тестах по математике, программированию и научным вопросам. Модель доступна в формате Safetensors и распространяется по лицензии Apache-2.0. Карточка характеризует её как preview-релиз и предупреждает, что она не предназначена для общего пользовательского применения. Возможны повторяющиеся циклы генерации при неподходящих настройках; авторы рекомендуют temperature 0.6 и top-p 0.95. Модель может выдавать чрезмерно длинные цепочки рассуждений, имеет ограничения в маркерах начала рассуждения и требует дополнительных мер безопасности; опубликованные оценки охватывают ограниченный набор тестов.

VLAA-Thinker-Qwen2.5VL-3B — исследовательская визуально-языковая модель UCSC-VLAA для ответов на вопросы по изображениям с пошаговыми рассуждениями. Она основана на архитектуре Qwen2.5-VL, содержит 3,1 млрд параметров и принимает изображения вместе с текстом; для генерации ответов используется контекст до 128 000 токенов. Модель обучали с применением supervised fine-tuning и reinforcement learning на данных VLAA-Thinking, охватывающих визуальную математику, графики, научные иллюстрации и документы. Модель предназначена для мультимодальных задач рассуждения: решения задач по диаграммам и изображениям, визуальных вопросов и извлечения ответов из документов. В карточке сообщается о высоких результатах семейства VLAA-Thinker на OpenCompass Multimodal Reasoning Leaderboard по состоянию на 7 апреля 2025 года. Репозиторий использует Transformers и формат safetensors; указана лицензия Apache-2.0. Для инференса README требует включать обученный системный промпт.

maayans/modernbert-embed-large__ratio-broaden — модель текстовых эмбеддингов, созданная дообучением lightonai/modernbert-embed-large для операции BROADEN в наборе RATIO (Retrieval Across Typed Ideation Operations). Она предназначена для поиска научной формулировки, которая выражает запрос шире или на более общем уровне. Модель кодирует запросы и предложения-кандидаты, позволяя сравнивать их по смысловой близости; для корректной работы используются префиксы `search_query: ` и `search_document: ` соответственно. Модель основана на ModernBERT-large, содержит около 394,7 млн параметров, принимает текст с контекстом до 8192 токенов и формирует плотные эмбеддинги. Обучение выполнялось контрастивным методом на обучающей части RATIO для отношения broaden; карточка указывает английский язык. Модель распространяется по лицензии Apache 2.0. Она специализируется на поиске обобщённых формулировок научных запросов, поэтому её не следует считать универсальным эмбеддером для любых отношений или областей; доступные сведения не содержат результатов оценки качества.

ThinkPRM-14B — генеративная модель оценки процесса рассуждений (PRM), разработанная авторами репозитория launch и дообученная на архитектуре R1-Distill-Qwen-14B. Она проверяет решения по шагам: формирует текстовые пояснения и суждения о правильности каждого шага, а также может оценивать решение в целом. Модель предназначена для проверки математических и научных рассуждений, верификации кода и отбора кандидатов в системах Best-of-N или при поиске по дереву рассуждений. Модель семейства Qwen2 с плотной архитектурой Qwen2ForCausalLM содержит 14 млрд параметров, принимает текст и выдаёт текстовые проверки и оценки; заявленная длина контекста — 131 072 токена. По карточке, она дообучена на небольшом наборе синтетических цепочек проверки и оценивалась на задачах математики, научных вопросов и программирования. Репозиторий содержит веса Safetensors, библиотека — Transformers. Лицензия Apache-2.0. К ограничениям относятся склонность выдавать чрезмерно уверенные оценки, влияние ранней ошибочной оценки на последующие шаги и чувствительность к формату решения и промпту. Модель предназначена для проверки рассуждений; её оценки не следует трактовать как безошибочное подтверждение корректности.

Apodex-1.1-mini-NVFP4 — reasoning-first языковая модель для сложных исследовательских задач с длительным горизонтом, разработанная командой Apodex AI. Она предназначена для агентных сценариев, в которых требуется работать с документами, наборами данных, таблицами, изображениями, кодом и инструментами: очищать данные, выбирать методы, выполнять анализ, проверять промежуточные результаты, восстанавливаться после ошибок и формировать проверяемые итоговые материалы. Модель основана на Apodex-1.1-mini и ориентирована на применение через AgentOS и асинхронную Agent Team, способную декомпозировать задачи, координировать параллельных субагентов, сохранять состояние работы, адаптировать план и учитывать обратную связь без полного перезапуска. Поддерживаются английский и китайский языки, генерация текста и нативные вызовы функций. Указан контекст до 262 144 токенов и рекомендуемый максимум генерации 32 768 токенов. Модель следует шаблону чата Qwen3.5; для развёртывания рекомендуется SGLang, а вариант NVFP4 использует соответствующую квантизацию. Сильные стороны модели — выполнение комплексных задач от начала до конца, работа с инструментами и встроенная проверка утверждений по источникам, данным и вычислениям. README приводит конкурентные результаты Apodex-1.1-mini на агентных, финансовых и исследовательских бенчмарках, однако не раскрывает точный размер модели, архитектуру и полный перечень ограничений. Для работы требуются совместимые сервер и парсеры вызовов инструментов; конкретные характеристики производительности зависят от конфигурации развёртывания. Модель распространяется по лицензии Apache 2.0.

Darwin-397B-ZTC — языковая модель семейства Darwin от VIDRAFT, созданная на базе Qwen/Qwen3.5-397B-A17B. Это разреженная MoE-модель с архитектурой Qwen3.5 MoE, общим масштабом 397 млрд параметров и примерно 17 млрд активных параметров. Веса представлены в формате compressed-tensors W8A8 FP8; README указывает размер около 418,7 ГБ. Модель предназначена для сложных рассуждений, генерации кода и работы в агентных сценариях с вызовом инструментов. Поддерживает корейский и английский, а также заявлена поддержка китайского и японского. Контекст — до 262 тысяч токенов. Ключевая особенность версии ZTC — оценка уверенности по внутреннему состоянию модели до начала генерации ответа, чтобы отсеивать потенциально ошибочные ответы и рискованные действия. В README приведены результаты на GPQA Diamond и оценке достоверности ответов, однако качество проверки зависит от модели, создавшей проверяемый ответ: перенос на существенно отличающуюся смесь генераторов требует отдельной оценки. Для запуска заявлена совместимость с Transformers, vLLM и SGLang; масштаб модели требует значительных вычислительных ресурсов. Лицензия — Apache-2.0.

InternScience/Agents-A1-F16-GGUF — вариант модели Agents-A1 от InternScience в формате GGUF F16. Это 35-миллиардная MoE-модель, дообученная для многошаговой работы в роли универсального агента: она разбивает сложные запросы на этапы, планирует действия и может использовать инструменты через интеграцию с внешней системой. Модель предназначена для длительного поиска, инженерных задач, научных исследований, следования инструкциям и ответов на профессиональные вопросы. Карточка базовой модели сообщает о поддержке вызова функций и интеграции с API, поисковыми системами и интерпретаторами кода. В опубликованных оценках Agents-A1 показала результаты на задачах агентного поиска, научных рассуждений и следования инструкциям; эти результаты относятся к базовой модели и не являются отдельной оценкой данного варианта GGUF F16. В README также описан контекст 262K для стандартной версии при запуске через SGLang, но это значение не подтверждено для данного GGUF-файла. Лицензия — Apache-2.0.

SR²AM-v1.0-30B — агентная языковая модель, разработанная командой sailing-lab на базе Qwen3-30B-A3B-Thinking-2507. Она разделяет рассуждение на реактивное выполнение действий, симулятивное планирование последствий и конфигуратор, который выбирает, когда и насколько глубоко планировать. Модель дообучена методом SFT с последующим обучением с подкреплением GRPO; архитектура — Qwen3 MoE, формат весов — Safetensors, библиотека — Transformers. Заявленная длина контекста — 262 144 токена. Модель предназначена для агентных задач с использованием инструментов: веб-поиска и просмотра страниц, выполнения Python-кода в изолированной среде, а также решения задач по математике, естественным наукам и табличным данным. В README сообщается Pass@1 71,3 на 11 бенчмарках и сокращение числа токенов рассуждения на 25–95% относительно сопоставимых агентных моделей; это результаты авторской оценки. Метаданные указывают 2,6 млрд параметров. Модель распространяется по лицензии Apache-2.0.

Модель lordx64/Qwen3.6-35B-A3B-Kimi-K2.6-Reasoning-Distilled — дообученная методом дистилляции версия Qwen3.6-35B-A3B, созданная автором lordx64. Она обучена на примерно 7,8 тыс. примеров рассуждений Kimi K2.6 и воспроизводит более подробный, пошаговый стиль ответов с явными блоками рассуждений. Архитектура — разреженная Mixture-of-Experts с 35 млрд параметров, из которых около 3 млрд активны на каждом токене; заявленная длина контекста — 64 тыс. токенов. Модель предназначена для сложных STEM-задач, конкурсной математики, пошагового анализа кода, логических задач и агентного планирования. Она принимает текст и генерирует текст; карточка указывает английский язык. Длинные цепочки рассуждений могут увеличить задержку и расход токенов, а дистилляция не добавляет знаний сверх возможностей базовой модели. Автор предупреждает, что приведённые в README результаты оценки зависят от используемого конвейера и для ряда тестов ненадёжны. Дополнительное обучение безопасности не проводилось. Лицензия Apache-2.0 разрешает коммерческое и исследовательское применение.

Qwen3.8-Flash-Next-Uncensored-oQ5e-mtp — это MLX-квантизация модели Qwen3.8-Flash-Next-Uncensored, разработанная timteh673 на основе модели OrcaRouter, которая, в свою очередь, создана на базе Qwen/Qwen3.8-Flash-Next. Модель предназначена для исследовательских задач, red teaming, интерпретируемости, генерации текста, рассуждений, вызова инструментов, а также обработки изображений и видео. В исходной модели удалена защитная настройка, поэтому она может выполнять запросы, от которых отказывается оригинальная Qwen3.8-Flash-Next; при практическом развёртывании требуется собственная модерация. Это мультимодальная sparse MoE-модель с поддержкой режима рассуждений и MTP-головой. Она содержит около 180 млрд параметров, из которых примерно 6 млрд активируются на токен, 48 слоёв, 512 маршрутизируемых экспертов с выбором 10 экспертов и одного общего эксперта, гибридную attention-архитектуру с Gated-DeltaNet и полноформатным attention, а также vision- и video-модули. Нативный контекст составляет 262 144 токена; заявлены английский и китайский языки, при этом модель может обладать более широкими мультиязычными возможностями. Использована чувствительная к данным смешанная 5-битная квантизация oQe с importance matrix: эффективная точность составляет 5,72 бита на вес, размер — около 128,54 ГБ в 25 safetensors-фрагментах. Формат совместим со стандартным MLX и не требует пользовательских ядер или загрузчика; сборка ориентирована на Apple Silicon и позволяет запускать полный контекст на Mac с 128 ГБ памяти. Ограничения включают очень большой объём модели, зависимость от MLX и Apple Silicon, а также отсутствие встроенных гарантий безопасности из-за abliteration. Лицензия — Qwen Community License 1.0, унаследованная от upstream-модели.

SC117/Agents-A1-MTP-APEX-GGUF — сборка модели Agents-A1, подготовленная SC117 в формате GGUF с APEX-квантизацией и слоем Multi-Token Prediction (MTP). Базовая Agents-A1 разработана InternScience: это агентная MoE-модель класса 35 млрд параметров, дообученная на Qwen3.5-35B-A3B. В README также описана версия BF16 и визуальный проектор mmproj-F16 для работы с изображениями и текстом. Модель предназначена для генерации ответов и выполнения многошаговых агентных задач, включая научные рассуждения, поиск и вызов инструментов. README приводит результаты на научных и агентных бенчмарках; GGUF-файлы рассчитаны на запуск через llama.cpp, а также указаны варианты развёртывания через vLLM и SGLang. Для llama.cpp заявлена поддержка контекста до 131072 токенов, для vLLM — до 262144; MTP призван ускорять генерацию. APEX применяет смешанную точность с учётом типа тензоров, а MTP-слой сохраняется в Q8_0. Метаданные указывают форматы GGUF, BF16 и F16. Лицензия — Apache-2.0. Описания производительности и приведённые в README бенчмарки являются заявлениями авторов; качество конкретной квантизированной сборки может зависеть от выбранного файла и среды запуска.

CogniLink — дообученная Daemontatox модель на архитектуре Llama 3.3 70B, созданная для многошаговых рассуждений, логического вывода и диалоговой генерации текста. Она содержит 69,5 млрд параметров, работает с контекстом до 131 072 токенов и рассчитана прежде всего на английский язык. В карточке указаны instruction tuning и обучение на наборах данных с цепочками рассуждений; доступны веса в формате safetensors и библиотека Transformers. Модель можно применять для пошаговых объяснений учебных задач, анализа сценариев и аргументов, а также вопросов и ответов в исследовательских, деловых и правовых сценариях. README также упоминает медицинские применения, однако не приводит подтверждений клинической точности. Для запуска требуется значительная вычислительная память; утверждения README о работе на ограниченных устройствах и эффективности 4-битного режима не подкреплены метриками производительности. Лицензия — Apache 2.0.

Mungert/OpenReasoning-Nemotron-14B-GGUF — GGUF-квантованная версия большой языковой модели OpenReasoning-Nemotron-14B, производной от Qwen2.5-14B-Instruct. Модель разработана на базе семейства OpenReasoning-Nemotron; данный репозиторий содержит конвертацию в формат GGUF, выполненную с использованием llama.cpp. Указанный вариант предназначен для локального запуска и генерации текста, кода и решений с применением совместимых инструментов GGUF и llama.cpp. Модель ориентирована на рассуждения в задачах математики, программирования и естественных наук. Для исходной версии заявлена оценка с длиной вывода до 64K токенов. Это текстовая, англоязычная модель с размером 14B параметров; мультимодальные возможности не указаны. Для квантования применён подход с выборочным повышением точности отдельных важных слоёв, что, по описанию автора, может улучшать точность при сохранении преимуществ уменьшенного размера файла, хотя увеличивает его размер. Конкретный тип квантования и характеристики отдельных файлов GGUF в README не приведены. Сильными сторонами являются специализация на сложном reasoning, математике, коде и научных задачах, а также возможность эффективного локального использования в квантованном формате. Ограничения включают зависимость качества и требований к ресурсам от выбранного варианта квантования, а также отсутствие подробных данных о контекстном окне, скорости, аппаратных требованиях и поддерживаемых языках помимо английского. Использование разрешено для коммерческих и некоммерческих исследовательских целей на условиях Creative Commons Attribution 4.0 International (CC-BY-4.0); дополнительно упоминается Apache 2.0 для базовой модели Qwen2.5.

MiniMaxAI/SynLogic-Mix-3-32B — языковая модель MiniMaxAI для многоэтапных рассуждений в логике, математике и программировании. Она основана на Qwen2.5-32B-Base и дообучена методом Zero-RL на смеси проверяемых задач: логике из SynLogic, математике и коде. Веса имеют плотную архитектуру Qwen2, размер модели — 32 млрд параметров, максимальный контекст — 131 072 токена. Модель генерирует текст; карточка указывает поддержку английского языка и интерфейс для диалога и вызова инструментов. По описанию автора, модель обучалась без этапа instruction tuning, только с подкреплением от базовой модели. Приведённые результаты охватывают бенчмарки логического рассуждения, математики, программирования и общих знаний; автор сообщает об улучшениях при добавлении логических данных. Это специализированный чекпойнт для задач рассуждения, а README не приводит полную таблицу результатов для этой версии. Лицензия — MIT.