I.14Автоматизация процессов и AI-агенты

Functionary Medium v3.1 — языковая модель компании MeetKai для диалогов и работы с функциями и плагинами. Она основана на meta-llama/Meta-Llama-3.1-70B-Instruct и использует плотную архитектуру Llama; в метаданных указаны 69,5 млрд параметров и контекст до 131 072 токенов. Модель принимает определения инструментов в формате JSON Schema, выбирает, когда вызывать функции, может запускать несколько вызовов параллельно или последовательно и учитывать их результаты в ответе. Она также может вести обычный диалог без вызова инструментов и поддерживает сценарии с интерпретатором кода. Модель предназначена для ассистентов, которым нужно вызывать API и плагины, оркестрировать инструменты и формулировать ответы с учётом полученных данных. README рекомендует запуск через совместимый с OpenAI сервер vLLM; для разбора сырых ответов в JSON предусмотрен специальный код. Репозиторий содержит веса Safetensors. Лицензия — MIT.

Jan-v2-VL-high — мультимодальная модель с 8 млрд параметров, разработанная Jan и дообученная на базе Qwen/Qwen3-VL-8B-Thinking. Вариант high рассчитан на более глубокие рассуждения и предназначен для многошагового выполнения задач в браузерах и настольных приложениях: модель интерпретирует скриншоты, следует сложным инструкциям, сохраняет промежуточное состояние и восстанавливается после небольших ошибок. Вызовы инструментов позволяют использовать её в агентных сценариях управления интерфейсом. Модель сохраняет результаты базовой модели на стандартных текстовых и визуальных задачах и, согласно карточке, улучшает выполнение длинных цепочек действий на бенчмарке The Illusion of Diminishing Returns. Она принимает текст и изображения и выдаёт текст; в карточке указана английская локализация. Для использования доступны интеграция с Jan App и запуск через vLLM. Лицензия — Apache-2.0.

Llama-3-Groq-70B-Tool-Use-GGUF — это GGUF-квантизированная версия дообученной языковой модели Llama 3 с 70 млрд параметров, разработанной Groq. Квантизацию подготовил bartowski на основе llama.cpp. Модель работает с текстом, поддерживает английский язык и предназначена для генерации текста, вызова функций и взаимодействия с инструментами. Основные сценарии применения — интеграция с API, обработка структурированных данных, автоматизация рабочих процессов и сложные последовательности вызовов инструментов. Модель обучена формировать вызовы функций в структурированном формате, включая имя функции и аргументы, а также обрабатывать ответы инструментов. В Berkeley Function Calling Leaderboard она показывает общую точность 90,76%. Сильной стороной модели является специализация на tool use и function calling, что делает её подходящей для агентных приложений и систем, подключённых к внешним сервисам. Ограничения включают работу только с текстом, заявленную поддержку английского языка и возможные ошибки, неточности или небезопасные результаты генерации. Для использования в LM Studio рекомендуется выбрать шаблон Llama 3. Модель распространяется по лицензии Llama 3; условия применения следует проверять в лицензии исходной модели.

Nex-N2.5-mini — разговорная модель семейства агентных моделей Nex-N2.5 от Nex-AGI, основанная на архитектуре Qwen3.5 MoE. Она предназначена для длительных многошаговых задач: работы с компьютером и браузером, выполнения и проверки программ, а также научной и офисной работы. Модель использует визуальную обратную связь для восприятия интерфейсов, проверки результатов и продолжения действий; поддерживает режимы рассуждения и вызов функций. Для запуска автор приводит конфигурацию на двух ускорителях H100 и рекомендует параметры генерации temperature 0.7, top_p 0.95 и top_k 40. В метаданных указаны Transformers и формат safetensors; лицензия — Apache-2.0. README описывает мультимодальные возможности семейства и отдельно позиционирует Nex-N2.5-Max как текстовую модель, поэтому точные размер, контекст и перечень входов и выходов именно mini по этим данным установить нельзя.

enfuse/smol-tools-4b-32k — языковая модель для агентских сценариев и вызова инструментов, разработанная enfuse на базе Jackrong/Qwen3.5-4B-Claude-4.6-Opus-Reasoning-Distilled. Модель дообучена методом LoRA на 8 059 примерах, включая многошаговые диалоги с использованием инструментов длиной до 32K токенов. Она предназначена для выбора одного или нескольких инструментов, формирования структурированных вызовов функций, работы с результатами инструментов в многоходовых диалогах, анализа длинных документов и выполнения сложных агентских рабочих процессов. Архитектура — Qwen3_5ForCausalLM с 4 млрд параметров, 32 слоями и гибридным вниманием: 24 слоя используют линейное внимание, 8 — полное. Модель текстовая, поддерживает английский язык и контекст до 32 768 токенов. Доступны BF16 safetensors размером 9,7 ГБ, а также варианты GGUF Q8_0 на 4,9 ГБ и Q4_K_M на 2,9 ГБ. Заявлены 100% валидность JSON, 100% корректность аргументов и 100% точность отказа от инструментов, а F1 выбора инструментов составляет 0,940 на отложенной выборке из 200 примеров. Сильные стороны модели — длинный контекст, высокая надежность структурированного вывода, поддержка последовательных и параллельных вызовов инструментов и сохранение точности в многоходовых сценариях. Ограничение — некоторое снижение F1 выбора инструментов по сравнению с 4K-версией: 0,940 против 0,955; в сложных многошаговых рабочих процессах показатель составляет 0,818, а в сценариях с интенсивным рассуждением — 0,914. Модель распространяется по лицензии Apache-2.0.

watt-tool-70B — языковая модель на 69,5 млрд параметров, дообученная watt-ai на базе meta-llama/Llama-3.3-70B-Instruct. Она предназначена для диалоговых ассистентов и AI-агентов, которым нужно выбирать инструменты и вызывать функции, в том числе в многошаговых сценариях автоматизации рабочих процессов. Модель поддерживает контекст до 131 072 токенов и принимает текст, выдавая текст и структурированные вызовы инструментов. В README заявлена высокая производительность на Berkeley Function-Calling Leaderboard и описано обучение с учителем на специализированных данных, а также применение подходов CoT и DMPO. Модель рассчитана прежде всего на английский язык; базовая модель мультиязычна, но отдельный список поддерживаемых языков для watt-tool-70B не приведён. Веса доступны в формате safetensors. Лицензия — Apache-2.0.

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.

BU-30B-A3B-Preview — мультимодальная модель Browser Use, дообученная на базе Qwen/Qwen3-VL-30B-A3B-Instruct для работы с библиотекой browser-use OSS. Она предназначена для автоматизации веб-сценариев: анализирует DOM и визуальное содержимое страниц, чтобы помогать агенту ориентироваться в браузере. Архитектура Qwen3-VL MoE содержит 30 млрд параметров, из которых активны 3 млрд; контекст — 65 536 токенов. Модель принимает текст и изображения и выдаёт текст.

Cohere Command A Reasoning — авторегрессионная языковая модель с открытыми весами, разработанная Cohere и Cohere Labs. Модель на 111 млрд параметров предназначена для диалогов, агентных сценариев и работы с внешними инструментами; она поддерживает режим рассуждений, который можно включать для повышения качества или отключать ради меньшей задержки. Модель принимает текст и генерирует текст. Она обучена на 23 языках и поддерживает контекст до 256 тыс. токенов и генерацию до 32 тыс. токенов. Архитектура использует Transformer с чередованием слоёв скользящего внимания и глобального внимания; после предварительного обучения модель прошла дообучение с учителем и обучение на предпочтениях. Для работы с инструментами и цитированием результатов предусмотрен шаблон диалога Transformers. Модель подходит для многоязычного диалога, сложных запросов с рассуждением, вызова инструментов и агентных рабочих процессов. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование без отдельного согласования с Cohere; также необходимо соблюдать Acceptable Use Policy Cohere Labs. Для загрузки модели README рекомендует версию Transformers из исходного репозитория с необходимыми изменениями.

Functionary Small v3.1 — разговорная языковая модель с поддержкой вызова функций и плагинов, разработанная meetkai на основе Meta-Llama-3.1-8B-Instruct. Это плотная архитектура LlamaForCausalLM на 7,5 млрд параметров с контекстом до 131 072 токенов; модель распространяется в формате safetensors и совместима с Transformers. Модель предназначена для диалоговых систем, которым нужно выбирать подходящий инструмент, вызывать функции по JSON Schema, выполнять последовательные или параллельные вызовы и формировать ответы с опорой на результаты инструментов. Она также поддерживает сценарии с интерпретатором кода и может отвечать обычным текстом, когда вызов инструмента не нужен. Качество работы с инструментами зависит от корректного описания функций, шаблона диалога и обработки вызовов на стороне приложения; README предлагает использовать сервер vLLM с совместимым с OpenAI API интерфейсом. Модель выпущена под лицензией MIT.

Holo1-7B — мультимодальная Action Vision-Language Model от HCompany для работы веб-агентов с пользовательскими интерфейсами. Модель дообучена на базе Qwen/Qwen2.5-VL-7B-Instruct и содержит 7,1 млрд параметров. Она принимает изображения интерфейсов и текстовые инструкции, а в ответ может указывать элементы и координаты для взаимодействия, включая структурированные ответы и вызовы инструментов. Модель предназначена для навигации по сайтам, локализации кнопок и других элементов интерфейса, а также выполнения пользовательских действий через браузер. В README описаны оценки на WebVoyager и бенчмарках локализации Screenspot, Screenspot-V2, Screenspot-Pro, GroundUI-Web и WebClick. Поддерживается контекст до 128 000 токенов; модель использует архитектуру Qwen2.5-VL и библиотеку Transformers. Метаданные указывают английский язык. Модель распространяется по лицензии Apache 2.0. Для точной локализации координат необходимо учитывать изменение размера изображения процессором: README предупреждает, что модель использует абсолютные пиксельные координаты и рекомендует согласовать размер входного изображения с обработкой модели. Результаты приведённых оценок относятся к конфигурациям Surfer-H и указанным бенчмаркам; они сами по себе не гарантируют качество на произвольных сайтах.

Holo4-27B — мультимодальная модель для управления компьютером, разработанная H Company на базе Qwen3.8-27B. Это плотная архитектура с 27 млрд параметров, представленная в BF16; для семейства также заявлены варианты FP8, NVFP4 и Q4 GGUF. Модель принимает скриншоты и результаты работы инструментов, а в ответ формирует текст и запросы на действия: щелчки, ввод текста, запуск кода и вызовы инструментов. Для выполнения действий её используют вместе с оболочкой hai-agents, которая передаёт результаты обратно модели. Модель предназначена для автоматизации задач в графических интерфейсах и многошаговых сценариев на компьютере. В README приведены результаты на OSWorld, OSWorld 2.0 и AutomationBench, а также пример построения 3D-модели в FreeCAD. Опубликованы открытые трассы работы агента. Лицензия CC BY-NC 4.0 разрешает использование на условиях лицензии, включая некоммерческие ограничения.

Holotron-12B — мультимодальная vision-language модель для управления компьютерными агентами, разработанная H Company совместно с исследовательскими лабораториями NVIDIA. Она дообучена на базе NVIDIA Nemotron-Nano-12B-v2-VL-BF16 на proprietary-данных H Company, включая примеры локализации элементов интерфейса и навигации. В модели около 12 млрд параметров; архитектура сочетает state-space-механизм и attention. Модель принимает текст и изображения, в том числе несколько изображений в длинных интерактивных сценариях, и генерирует текстовые ответы и решения для агента. Основные сценарии — понимание экранов и интерфейсов, планирование многошаговых действий и навигация в веб-, настольных и мобильных средах. В README сообщается об улучшении результата WebVoyager относительно базовой модели и высокой пропускной способности при инференсе на NVIDIA H100 с vLLM. Эти показатели приведены для конкретной конфигурации и не гарантируют такую же производительность в других условиях. Модель предназначена для мультимодальных агентных задач, генерации данных, разметки и циклов онлайн-обучения с подкреплением. Лицензия — NVIDIA Open Model License.

Карточка модели janhq/Jan-v2-VL-med на Hugging Face совпадает с карточкой janhq/Jan-v2-VL-high, поэтому описание составлено по ней. Jan-v2-VL-high — мультимодальная модель с 8 млрд параметров, разработанная Jan и дообученная на базе Qwen/Qwen3-VL-8B-Thinking. Вариант high рассчитан на более глубокие рассуждения и предназначен для многошагового выполнения задач в браузерах и настольных приложениях: модель интерпретирует скриншоты, следует сложным инструкциям, сохраняет промежуточное состояние и восстанавливается после небольших ошибок. Вызовы инструментов позволяют использовать её в агентных сценариях управления интерфейсом. Модель сохраняет результаты базовой модели на стандартных текстовых и визуальных задачах и, согласно карточке, улучшает выполнение длинных цепочек действий на бенчмарке The Illusion of Diminishing Returns. Она принимает текст и изображения и выдаёт текст; в карточке указана английская локализация. Для использования доступны интеграция с Jan App и запуск через vLLM. Лицензия — Apache-2.0.

Карточка модели luganoquant/Nex-N2.5-mini на Hugging Face совпадает с карточкой nex-agi/Nex-N2.5-mini, поэтому описание составлено по ней. Nex-N2.5-mini — разговорная модель семейства агентных моделей Nex-N2.5 от Nex-AGI, основанная на архитектуре Qwen3.5 MoE. Она предназначена для длительных многошаговых задач: работы с компьютером и браузером, выполнения и проверки программ, а также научной и офисной работы. Модель использует визуальную обратную связь для восприятия интерфейсов, проверки результатов и продолжения действий; поддерживает режимы рассуждения и вызов функций. Для запуска автор приводит конфигурацию на двух ускорителях H100 и рекомендует параметры генерации temperature 0.7, top_p 0.95 и top_k 40. В метаданных указаны Transformers и формат safetensors; лицензия — Apache-2.0. README описывает мультимодальные возможности семейства и отдельно позиционирует Nex-N2.5-Max как текстовую модель, поэтому точные размер, контекст и перечень входов и выходов именно mini по этим данным установить нельзя.

Карточка модели SAIFIINDUSTRIES/Nex-N2.5-mini на Hugging Face совпадает с карточкой nex-agi/Nex-N2.5-mini, поэтому описание составлено по ней. Nex-N2.5-mini — разговорная модель семейства агентных моделей Nex-N2.5 от Nex-AGI, основанная на архитектуре Qwen3.5 MoE. Она предназначена для длительных многошаговых задач: работы с компьютером и браузером, выполнения и проверки программ, а также научной и офисной работы. Модель использует визуальную обратную связь для восприятия интерфейсов, проверки результатов и продолжения действий; поддерживает режимы рассуждения и вызов функций. Для запуска автор приводит конфигурацию на двух ускорителях H100 и рекомендует параметры генерации temperature 0.7, top_p 0.95 и top_k 40. В метаданных указаны Transformers и формат safetensors; лицензия — Apache-2.0. README описывает мультимодальные возможности семейства и отдельно позиционирует Nex-N2.5-Max как текстовую модель, поэтому точные размер, контекст и перечень входов и выходов именно mini по этим данным установить нельзя.

NVIDIA Nemotron-3-Super-120B-A12B-NVFP4 — большая языковая модель NVIDIA для диалогов, рассуждений и построения агентных систем. Она предназначена для чат-ботов, RAG-приложений, совместно работающих агентов и высоконагруженных сценариев, включая автоматизацию ИТ-заявок, а также для сложного следования инструкциям и анализа длинного контекста. Модель использует гибридную архитектуру LatentMoE: слои Mamba-2 чередуются со слоями Mixture-of-Experts и отдельными слоями внимания. Всего в модели 120 млрд параметров, из которых активны 12 млрд; предусмотрены слои Multi-Token Prediction для ускорения генерации. Веса обучены с применением NVFP4, а заявленная длина контекста достигает 1 млн токенов. Модель поддерживает английский, французский, немецкий, итальянский, японский, испанский и китайский языки, а также задачи с кодом. Модель дообучена для диалогов, рассуждений, работы с инструментами, инструкциями и структурированными ответами; карточка сообщает о готовности к коммерческому использованию. Указана лицензия other, поэтому конкретные условия коммерческого применения следует сверить с лицензией репозитория. Возможности работы с изображениями, аудио или видео не заявлены; качество ответов зависит от задачи и используемой конфигурации вывода.

Smaug-Mini — мультимодальная модель Abacus.AI, дообученная на основе Qwen/Qwen3.8-27B для надёжного многошагового использования инструментов и автоматизации. Это плотная модель с архитектурой Qwen3_5ForConditionalGeneration и сохранённой башней зрения; она принимает текст и изображения и поддерживает контекст до 262 144 токенов. Модель работает в формате диалога и предоставляет интерфейс вызова инструментов. Обучение проводилось методом GRPO на многошаговых эпизодах автоматизации с проверкой результата; LoRA-адаптер языковой части был объединён с базовыми весами. По данным карточки, модель улучшает результаты ряда тестов на использование инструментов и автоматизацию, сохраняя общие возможности базовой модели примерно на прежнем уровне. Она подходит для агентных сценариев, где нужно рассуждать, вызывать инструменты и завершать задачи в среде. Лицензия — Apache-2.0. Головка многотокенного предсказания унаследована от базовой модели и не переобучалась, поэтому для неё не следует включать спекулятивное декодирование; обычное декодирование не затронуто. Данные обучения не раскрыты.

ToolACE-8B — языковая модель, разработанная командой Team-ACE и дообученная на LLaMA 3.1 8B Instruct с использованием набора данных ToolACE. Она предназначена для диалогов с вызовом инструментов и функций: модель получает запрос пользователя и описания доступных функций, затем формирует ответ с вызовом подходящей функции. В карточке также заявлены сильные результаты на Berkeley Function-Calling Leaderboard (BFCL), сопоставимые с новейшими моделями GPT-4. Модель имеет плотную архитектуру LlamaForCausalLM и 7,5 млрд параметров; указанная длина контекста — 131 072 токена. Поддерживаемый язык в метаданных — английский. Веса доступны в формате safetensors, лицензия — Apache-2.0. Модель подходит для создания чат-агентов, которым нужно выбирать инструменты и передавать им структурированные аргументы; качество вызовов зависит от корректности описаний функций и интеграции со стороны приложения.

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.

Apodex-1.1-mini-FP8 — reasoning-first языковая модель, разработанная Apodex AI. Она предназначена для сложных долгосрочных исследовательских и агентских задач, требующих не только генерации текста, но и работы с файлами, данными, таблицами, изображениями, кодом и внешними инструментами. Модель может декомпозировать задачу, координировать параллельных субагентов, поддерживать общее состояние работы, адаптировать план по ходу выполнения и формировать проверяемые результаты. Модель относится к текстогенерационным моделям, совместима с chat template Qwen3.5 и поддерживает нативный function calling, а также выдачу рассуждений. Указаны языки English и Chinese. Для развёртывания рекомендуется SGLang с OpenAI-совместимым API; заявленная длина контекста составляет до 262144 токенов, максимальная длина генерации в рекомендуемых настройках — 32768 токенов. Суффикс FP8 указывает на используемый формат представления модели, однако точный размер и архитектура в README не указаны. Сильные стороны модели — выполнение многоэтапных задач в реальных средах, работа с инструментами и встроенная проверка утверждений по источникам, данным и вычислениям. В README приведены высокие результаты на ряде тестов, включая FrontierFinance и FrontierScience-Research, но применимость этих результатов к конкретным задачам может различаться. Ограничения включают отсутствие подробных сведений о точной архитектуре, количестве параметров, поддерживаемых аппаратных конфигурациях и полном наборе модальностей. Модель распространяется по лицензии Apache 2.0.

CoALM-405B — диалоговая агентная языковая модель, разработанная UIUC Conversational AI Lab совместно с Oumi. Она дообучена на базе Meta-Llama 3.1-405B-Instruct и содержит около 403,7 млрд параметров; архитектура — плотная Llama для авторегрессионной генерации текста. Модель рассчитана на многоходовые диалоги, отслеживание состояния диалога, вызов функций и API, использование инструментов и построение многошаговых ответов. В README заявлены результаты на MultiWOZ 2.4, BFCL V3 и API-Bank, включая сильные показатели в задачах вызова функций. Модель принимает текстовые запросы и генерирует текст, в том числе структурированные вызовы инструментов. Контекстное окно — до 131 072 токенов. В метаданных указан английский язык; README описывает обучение на данных CoALM-IT и сценарии агентного взаимодействия. Для инференса требуется значительный вычислительный ресурс: README указывает 16 GPU H100 и рекомендует vLLM для многоузлового запуска. Лицензия — CC BY-NC 4.0, допускающая использование с ограничением на коммерческое применение.

Holo1.5-7B — мультимодальная модель H Company для компьютерных агентов, которые работают с веб-, настольными и мобильными интерфейсами. Это дообученная версия Qwen/Qwen2.5-VL-7B-Instruct с 7,1 млрд параметров; она принимает изображения и текст и предназначена для диалога и понимания экранов. Модель обучали на данных об интерфейсах и предсказании действий в два этапа: supervised fine-tuning и онлайн-обучение с GRPO. Она поддерживает изображения высокого разрешения до 3840 × 2160 пикселей и контекст до 128 000 токенов. Модель находит элементы интерфейса и отвечает на вопросы о содержимом экрана. В тестах H Company Holo1.5-7B показала средний результат 77,32 по метрикам локализации и 88,17 по метрикам понимания интерфейсов. Эти показатели относятся к описанным в карточке бенчмаркам и не гарантируют аналогичную точность в любых приложениях. Модель выпущена под лицензией Apache 2.0.

Holo2-235B-A22B — мультимодальная модель зрения и языка для управления графическими интерфейсами, разработанная H Company и дообученная на основе Qwen/Qwen3-VL-235B-A22B-Thinking. Она предназначена для GUI-агентов, которые работают в веб-браузерах, настольных и мобильных средах: распознают элементы интерфейса, анализируют их содержимое и выполняют многошаговые задачи с помощью действий. Обучение включало supervised fine-tuning на данных о пользовательских интерфейсах и онлайн-обучение с подкреплением GRPO; поддерживаются навигация, локализация элементов и привязка действий к интерфейсу. По данным README, точность модели на ScreenSpot-Pro составляет 70,6% за один шаг и 78,5% при агентной локализации за три шага. Указана также точность 79,0% на OSWorld-G, 80,4% на Showdown, 85,5% на Ground-UI-1K, 94,3% на WebClick-v1 и 95,9% на ScreenSpot-v2. Модель принимает изображения интерфейсов и текстовые инструкции и предназначена для визуального анализа и управления ими. Карточка указывает лицензию CC BY-NC 4.0, тогда как README противоречиво сообщает Apache 2.0 для этой версии и одновременно называет её исследовательской и некоммерческой; условия использования следует сверить с актуальной лицензией репозитория.

Holo2-4B — мультимодальная модель для управления графическими интерфейсами, разработанная H Company. Она дообучена на базе Qwen/Qwen3-VL-4B-Thinking и предназначена для GUI-агентов, работающих в веб-браузерах, настольных и мобильных средах. Модель анализирует изображения интерфейсов, находит элементы управления и поддерживает многошаговую навигацию и выполнение целевых действий. Обучение включало supervised fine-tuning на данных понимания интерфейсов и предсказания действий, а затем online reinforcement learning. В README приведены результаты на WebVoyager, WebArena, OSWorld, AndroidWorld и наборах для локализации элементов интерфейса. Модель принимает визуальный контекст и текстовые инструкции, а её назначение включает предсказание действий для взаимодействия с интерфейсом. Она распространяется по лицензии Apache 2.0. Показатели бенчмарков не гарантируют аналогичную точность в конкретных приложениях; результаты могут зависеть от среды и сложности задачи.

Holo3-35B-A3B — мультимодальная модель типа Vision-Language Model, разработанная H Company для GUI-агентов. Она анализирует визуальные интерфейсы веб-сайтов, настольных и мобильных приложений, рассуждает над содержимым и помогает выполнять точные действия в цифровых средах, включая многошаговые бизнес-сценарии. Модель дообучена на Qwen/Qwen3.5-35B-A3B и использует разреженную архитектуру Mixture-of-Experts с 35 млрд общих и 3 млрд активных параметров. Принимает текст и изображения интерфейсов, выдаёт текстовые ответы и действия для компьютерного агента. В карточке заявлены результаты на бенчмарках OSWorld-Verified, ScreenSpot-Pro и OSWorld-G; заявленный результат OSWorld-Verified — 77,8%. Модель поддерживает английский язык. Лицензия — Apache 2.0.

Holo4-35B-A3B — мультимодальная модель типа vision-language для управления компьютером, разработанная H Company на базе Qwen3.6-35B-A3B. В связке с оболочкой hai-agents она принимает снимки экрана и результаты инструментов, а затем формирует запросы на щелчки, ввод текста, запуск кода и вызовы инструментов для выполнения задач в приложениях и веб-сервисах. Модель относится к семейству Qwen3.5 MoE и представлена в формате safetensors; в README также названы варианты BF16, FP8, NVFP4 и Q4 GGUF для семейства Holo4-35B-A3B. Метаданные указывают поддержку диалогов, интерфейса вызова инструментов и изображений. README приводит результаты на бенчмарках OSWorld 2.0 и AutomationBench, а также отмечает улучшение относительно базовой модели Qwen. Модель подходит для автоматизации пользовательских сценариев на рабочем столе и в браузере, где агенту нужно анализировать экран и взаимодействовать с приложениями. Лицензия — Apache-2.0. Результаты и качество отдельных сценариев зависят от среды исполнения и доступных агенту инструментов; карточка не приводит длину контекста или перечень поддерживаемых естественных языков.

Jan-v2-VL-low — мультимодальная модель на 8 млрд параметров, разработанная командой Jan и основанная на Qwen/Qwen3-VL-8B-Thinking. Вариант low оптимизирован для меньшей задержки при выполнении многошаговых задач в программных средах, включая браузеры и настольные приложения. Модель принимает изображения и текст, чтобы выполнять пошаговую автоматизацию интерфейсов, следовать сложным инструкциям, удерживать промежуточное состояние и восстанавливаться после небольших ошибок выполнения. Она рассчитана на сценарии, где план или необходимые знания можно задать заранее, а важны устойчивое исполнение и минимальное отклонение от задачи; предусмотрена интеграция с Jan App и вызов инструментов. В README сообщается, что по стандартным текстовым и визуальным задачам качество не уступает базовой модели, а на отдельных задачах и бенчмарке длинных цепочек выполнения показывает улучшение. Модель распространяется по лицензии Apache-2.0. Карточка не приводит длину контекста и перечень поддерживаемых языков; в метаданных указан английский.

Jan-v2-VL-max — мультимодальная vision-language модель, разработанная JanHQ и основанная на Qwen3-VL-30B-A3B-Thinking. Модель содержит 30 миллиардов параметров и предназначена для обработки текста и изображений, включая работу со скриншотами. Указан английский язык. Доступна в формате GGUF, а также упоминается FP8-сборка для инференса. Основной сценарий применения — выполнение длинных многошаговых задач, где план или необходимые знания задаются заранее, а результат зависит от устойчивого последовательного выполнения с минимальным накоплением ошибок. Модель ориентирована на агентскую автоматизацию и управление пользовательским интерфейсом в браузерах и настольных приложениях, включая использование скриншотов, инструментов и Jan Browser MCP. По данным README, LoRA-based RLVR улучшает стабильность при длинных цепочках действий. В сравнении с Qwen3-VL-30B-A3B-Thinking FP8-версия не демонстрирует регрессий и показывает небольшие улучшения на ряде задач, особенно при долгом выполнении. FP8-сборка также снижает требования к памяти и задержку, однако конкретные результаты, максимальный контекст и полный перечень поддерживаемых языков не указаны. Для локального запуска рекомендуются vLLM и llama.cpp; лицензия — Apache 2.0.

OpenCUA-32B — мультимодальная модель для управления компьютером, разработанная проектом OpenCUA на базе Qwen2.5-VL-32B-Instruct и дообученная на демонстрациях взаимодействия с графическими интерфейсами. Она принимает текстовые инструкции и снимки экрана, распознаёт элементы интерфейса и выдаёт план действий и исполняемые команды с абсолютными координатами. Модель предназначена для построения агентов, которые выполняют многошаговые задачи в настольных средах, включая Ubuntu, Windows и macOS. Она поддерживает визуальное заземление элементов интерфейса, пространственные рассуждения и анализ контекста до трёх снимков экрана. В README рекомендован запуск через vLLM с использованием четырёх GPU; для обработки координат необходимо учитывать масштабирование изображений Qwen2.5-VL. OpenCUA-32B опубликована в формате Safetensors и распространяется по лицензии MIT, допускающей исследовательское, образовательное и коммерческое использование. Приведённые в README лучшие результаты относятся к OpenCUA-72B, поэтому их нельзя считать оценкой версии 32B.