I.14Автоматизация процессов и AI-агенты

Карточка модели amd/Instella-MoE-16B-A3B-Pretrain на Hugging Face совпадает с карточкой amd/Instella-MoE-16B-A3B-Think, поэтому описание составлено по ней. Instella-MoE-16B-A3B-Think — языковая модель с архитектурой Mixture-of-Experts, разработанная AMD и обученная с нуля. В опубликованном описании семейства указаны 16 млрд параметров всего и 2,8 млрд активных параметров на токен; метаданные этого репозитория указывают 2,5 млрд параметров. Модель построена на архитектуре семейства DeepSeek V3, имеет 27 декодерных слоёв и использует Gated Multi-head Latent Attention и FarSkip-Collective. Репозиторий содержит веса Safetensors для Transformers. Модель предназначена для генерации текста и диалогов; метаданные также отмечают интерфейс вызова инструментов. Контекст составляет 32 768 токенов. В карточке семейства описаны этапы обучения от предобучения до RL и открытая обучающая рецептура. Основной язык, указанный в метаданных, — английский; многоязычные способности не проверены. README характеризует выпуск как исследовательский и предупреждает, что модель может выдавать неточные, вредоносные, токсичные или предвзятые ответы. Она не предназначена для сценариев, требующих высокой фактической точности, для критически важных, медицинских или связанных со здоровьем применений; рекомендуется независимая оценка и фильтрация безопасности. Лицензия в метаданных обозначена как other.

Карточка модели TULLUS/Instella-MoE-16B-A3B-Think на Hugging Face совпадает с карточкой amd/Instella-MoE-16B-A3B-Think, поэтому описание составлено по ней. Instella-MoE-16B-A3B-Think — языковая модель с архитектурой Mixture-of-Experts, разработанная AMD и обученная с нуля. В опубликованном описании семейства указаны 16 млрд параметров всего и 2,8 млрд активных параметров на токен; метаданные этого репозитория указывают 2,5 млрд параметров. Модель построена на архитектуре семейства DeepSeek V3, имеет 27 декодерных слоёв и использует Gated Multi-head Latent Attention и FarSkip-Collective. Репозиторий содержит веса Safetensors для Transformers. Модель предназначена для генерации текста и диалогов; метаданные также отмечают интерфейс вызова инструментов. Контекст составляет 32 768 токенов. В карточке семейства описаны этапы обучения от предобучения до RL и открытая обучающая рецептура. Основной язык, указанный в метаданных, — английский; многоязычные способности не проверены. README характеризует выпуск как исследовательский и предупреждает, что модель может выдавать неточные, вредоносные, токсичные или предвзятые ответы. Она не предназначена для сценариев, требующих высокой фактической точности, для критически важных, медицинских или связанных со здоровьем применений; рекомендуется независимая оценка и фильтрация безопасности. Лицензия в метаданных обозначена как other.

Isaac-0.2-1B — компактная гибридная модель PerceptronAI для обработки изображений и диалога. В репозитории указано 507,9 млн параметров; архитектура — плотная IsaacForConditionalGeneration, формат весов — safetensors, контекст — до 40 960 токенов. Модель принимает изображения и текстовые запросы и отвечает текстом. Модель предназначена для визуального рассуждения и восприятия: распознавания текста на документах, схемах и экранах, привязки объектов к областям изображения, понимания интерфейсов и навигации по ним. Она поддерживает структурированные ответы, вызов инструментов и режим Focus для увеличения и повторного анализа выбранной области; README также описывает краткие рассуждения для многошаговых и пространственных задач. Указаны сценарии робототехники, поиска по медиаматериалам и промышленного контроля. Модель ориентирована на английский язык. Лицензия CC BY-NC 4.0 разрешает использование с обязательной атрибуцией и ограничивает коммерческое применение. Компактный размер рассчитан на работу на обычных GPU и периферийных устройствах, однако README не приводит независимых результатов бенчмарков, поэтому заявления о точности следует проверять на целевых данных.

allenai/ivila-block-layoutlm-finetuned-docbank — модель Allen Institute for AI (AI2) для классификации токенов в научных документах с учётом их визуальной структуры. Она основана на архитектуре LayoutLM и дообучена на наборе DocBank; вариант block обрабатывает документные блоки. Модель рассчитана на разметку текстовых фрагментов в научных статьях, например для определения типов элементов страницы. Модель имеет 136,7 млн параметров, принимает последовательности длиной до 512 токенов и поддерживает английский язык. Карточка указывает задачу token classification и формат PyTorch. Применение возможно через Transformers. Сведения о лицензии и конкретных ограничениях качества в доступных источниках не приведены.

Biggiraffe дообучил диалоговую модель kakaocorp/kanana-1.5-8b-instruct-2505, основанную на плотной архитектуре Llama. Модель содержит 7,5 млрд параметров, принимает текст и генерирует текст; поддерживает контекст до 32 768 токенов и интерфейс вызова инструментов. Модель предназначена для диалогов и генерации текста. Базовая Kanana также рассчитана на программирование, математику и работу с инструментами, однако карточка этого варианта не описывает, как именно дообучение на Persona изменило его поведение или для каких конкретных сценариев оно проводилось. Модель распространяется по лицензии Apache-2.0.

yeeun2/kanana-1.5-8b-instruct-2505-Safe-DPO — плотная языковая модель семейства Llama с 7,5 млрд параметров, представленная в формате safetensors. Карточка указывает, что модель разработана yeeun2 и дообучена на yeeun2/kanana-1.5-8b-instruct-2505-Safe-DPO с использованием Unsloth и библиотеки TRL; метаданные также классифицируют её как дообученную модель. Она предназначена для генерации текста и диалогового взаимодействия, поддерживает контекст до 32 768 токенов и интерфейс вызова инструментов. Модель можно применять для диалоговых помощников и генерации текстовых ответов на английском языке. Лицензия Apache-2.0 разрешает использование на её условиях. README не приводит оценок качества, результатов тестирования или подробностей о данных дообучения, поэтому уровень безопасности и качество в конкретных сценариях по карточке оценить нельзя.

rasa/LaBSE — опубликованные Rasa веса модели LaBSE (Language-agnostic BERT Sentence Embedding), предназначенной для получения признаков и многоязычных представлений предложений. Это плотная модель семейства BERT с архитектурой BertModel; в метаданных указаны 498,1 млн параметров и контекст до 512 токенов. Rasa описывает её как многоязычную модель, обученную для 112 языков, и рекомендует использовать как базовый вариант для многоязычного NLU и чат-ботов. Модель принимает текст и используется для извлечения векторных представлений, в том числе для сравнения семантически близких высказываний на разных языках. Репозиторий содержит веса для PyTorch, TensorFlow и Flax. Карточка Hugging Face не указывает лицензию, поэтому условия использования по доступным источникам установить нельзя.

Kay86X/layoutlmv3-finetuned-ex — дообученная Kay86X модель Microsoft LayoutLMv3 для классификации токенов в документах. Она предназначена для извлечения и разметки элементов документа с учётом текста, изображения страницы и пространственного расположения токенов. Модель построена на LayoutLMv3-base, содержит 151,8 млн параметров и принимает контекст до 514 токенов. В README приведены результаты на оценочном наборе: F1 0,8332, precision 0,8362, recall 0,8351 и accuracy 0,9807. Датасет, схема меток и конкретная предметная область не описаны, поэтому качество на других типах документов и задачах не установлено. Для использования нужны текст документа и соответствующие координаты и изображения страниц. Лицензия CC BY-NC-SA 4.0 требует соблюдения условий атрибуции, распространения производных работ на тех же условиях и не допускает коммерческое использование.

philschmid/lilt-en-funsd — модель на архитектуре LiLT, дообученная на наборе funsd-layoutlmv3 для классификации токенов в англоязычных формах. Она предназначена для извлечения и разметки элементов документов с учётом их текстового и пространственного расположения, например вопросов, ответов и заголовков. Модель содержит 151,8 млн параметров, принимает последовательности длиной до 514 токенов и распространяется в формате PyTorch. В оценке на наборе данных указаны общий F1 0,890 и точность 0,8204; результаты различаются по классам: F1 для вопросов — 0,918, ответов — 0,894, заголовков — 0,591. Лицензия — MIT. Карточка описывает дообучение для конкретного набора данных, поэтому качество на других типах документов может отличаться.

Llama-3.3-Nemotron-70B-Select — языковая модель NVIDIA на архитектуре Transformer семейства Llama 3.3, дообученная на основе meta-llama/Llama-3.3-70B-Instruct с помощью масштабированного моделирования Bradley–Terry. Она предназначена для оценки ответов, сгенерированных другими языковыми моделями: на вход получает текстовый запрос и ответ, а на выходе выдаёт одно число с оценкой качества; более высокое значение означает более полезный ответ. Модель рассчитана на отбор ответа в системах inference-time scaling для открытых задач общего назначения и диалоговых сценариев. Модель содержит 69,5 млрд параметров и поддерживает контекст до 131 072 токенов. Для работы через Transformers README указывает не менее двух GPU с 80 ГБ памяти и 150 ГБ свободного места. Заявлена готовность к коммерческому использованию, однако метаданные указывают лицензию «other», поэтому перед применением следует проверить условия NVIDIA. В README также отмечен риск токсичных, предвзятых, неточных, неполных или избыточных оценок и результатов, особенно на токсичных запросах.

Llama3-70B-Chinese-Chat — диалоговая языковая модель Shenzhi Wang и соавторов, дообученная методом ORPO на базе Meta-Llama-3-70B-Instruct. Она предназначена для общения на китайском и английском языках, ролевых диалогов, математических задач и вызова инструментов. Модель имеет плотную архитектуру LlamaForCausalLM, около 69,5 млрд параметров и контекст до 8192 токенов; принимает текст и генерирует текст. Авторы сообщают, что обучение на более чем 100 тысячах пар предпочтений с примерно равной долей китайских и английских данных уменьшает смешение языков в ответах. В README приведены результаты C-Eval и CMMLU; эти заявления отражают оценку авторов и не гарантируют качество на других задачах. Лицензия — Llama 3 License. Карточка предупреждает, что модель не дообучали на сохранение идентичности, поэтому ответы о её личности и разработчиках могут быть случайными.

skyai798/llama-dpo-r1 — дообученная языковая модель семейства Llama, созданная на основе skyai798/llama-cot-sft-seed99. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и формат весов safetensors; для работы указана библиотека Transformers. Заявленная длина контекста — 131072 токена. Модель предназначена для генерации текста и диалогового взаимодействия. README указывает, что её дообучили на наборе safe_40000_helpful_40000; метаданные также отмечают интерфейс вызова инструментов. Подробности о качестве, конкретных сценариях применения и языковом покрытии в доступной карточке не приведены. Лицензия обозначена как other, поэтому условия использования следует проверять в файлах репозитория.

Llama Guard 3 8B — модель Meta на базе Llama 3.1 8B, дообученная для классификации безопасности контента. Она анализирует пользовательские запросы и ответы языковых моделей, выдаёт текстовую метку «safe» или «unsafe», а для небезопасного контента указывает нарушенные категории. Модель предназначена для модерации диалогов и проверки вызовов инструментов, включая поиск и интерпретатор кода; классификация охватывает 14 категорий рисков по таксономии MLCommons и дополнительную категорию злоупотребления интерпретатором кода. Модель работает с текстом и заявлена для английского, французского, немецкого, хинди, итальянского, португальского, испанского и тайского языков. В репозитории размещена версия с половинной точностью в формате safetensors; для бинарной оценки можно использовать вероятность первого токена как оценку класса «unsafe» и задать порог. Для применения нужны Transformers и совместимый код инференса. Лицензия — Llama 3.1 Community License.

bartowski/lordx64_Qwable-v1-GGUF — набор GGUF-квантизованных версий модели Qwable-v1, разработанной lordx64. Квантизация выполнена bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для диалоговых и агентских сценариев, включая использование инструментов, цепочки рассуждений и генерацию текста; в метаданных она также отмечена как image-text-to-text, однако подробности о поддерживаемых визуальных возможностях не приведены. Указан английский язык, а обучение связано с датасетом agentic-distill-fable-5-sft. В тегах упоминаются Qwen3, Qwen3.6, MoE, distillation и chained distill, но точная архитектура, число параметров и размер контекста в README не указаны. Доступны варианты от BF16 и Q8_0 до более компактных IQ- и Q3-квантизаций. Размер файлов варьируется примерно от 15,98 до 71,07 ГБ; Q4_K_M обозначен как вариант по умолчанию для большинства сценариев, а Q5 и Q6 — как рекомендуемые варианты более высокого качества. Более сильные квантизации обеспечивают лучшее сохранение качества, тогда как низкобитные версии экономят оперативную память, но могут заметно уступать в качестве. Для запуска предлагаются llama.cpp, LM Studio, Ollama-подобные и другие совместимые инструменты, однако для недавно поддерживаемых архитектур может потребоваться обновление ПО. Лицензия модели указана как AGPL-3.0. README не содержит результатов бенчмарков, точных требований к оборудованию, данных о размере контекста и детального описания ограничений, поэтому производительность и фактические мультимодальные возможности следует проверять отдельно.

Модель Hjgugugjhuhjggg/mergekit-passthrough-ugbxutu — объединённая модель для генерации текста, созданная методом passthrough с помощью mergekit на основе Hjgugugjhuhjggg/mergekit-ties-dkhnzcn. Она предназначена для диалоговой генерации и работы через интерфейс общения с моделью. Это плотная Llama-архитектура с 5,2 млрд параметров и контекстом до 131 072 токенов; репозиторий использует библиотеку Transformers и формат safetensors. Модель принимает текст и генерирует текст. Метаданные указывают на возможность общения и наличие интерфейса вызова инструментов. Язык модели и её специализированная предметная область не определены в доступных сведениях. Лицензия в предоставленных данных не указана.

Metask-Jev-4B — мультиязычная модель Wayfind для классификации и типизированных решений. Она принимает описание состояния, например текст, обращение, политику или JSON, и вопрос с вариантами выбора, ответом «да/нет» или шкалой оценки. Модель за один проход выдаёт вероятности для вариантов, не генерируя текст; в README указаны 4,54 млрд параметров, архитектура Qwen3.5-4B с объединённым LoRA и нативный контекст 262 144 токена. README сообщает о поддержке 16 языков, включая русский. Модель предназначена для маршрутизации запросов, сортировки обращений, модерации, проверки утверждений по свидетельствам и оценивания по рубрикам, когда нужны вероятностные метки вместо объяснений. В README приведены результаты на нескольких наборах и замеры производительности, но часть сравнений и рейтинга обозначена как собственная оценка автора; заявленная точность заметно ниже на сложных случаях, а оценка релевантности SummEval имеет систематическое смещение между соседними баллами. Температурная калибровка улучшает калибровку вероятностей. Лицензия — Apache-2.0.

Это объединённая с базовой моделью версия классификатора намерений на основе mmBERT-32K-YaRN, разработанная LLM-Semantic-Router. Модель использует архитектуру ModernBERT для классификации последовательностей, содержит 306,9 млн параметров и поддерживает контекст до 32 768 токенов. LoRA-адаптер ранга 32 слит с базовыми весами, поэтому для инференса не требуется PEFT; доступны форматы Safetensors и ONNX. Классификатор относит текстовые запросы к одной из 14 категорий: биология, бизнес, химия, информатика, экономика, инженерия, здравоохранение, история, право, математика, прочее, философия, физика и психология. Он обучен на академических вопросах MMLU-Pro и дополнительных примерах категорий. В карточке указана точность 80% на тесте; модель предназначена для развертывания в production-системах, включая инференс через Rust/Candle. Лицензия — Apache 2.0. Хотя базовая модель заявлена как многоязычная, метаданные отмечают английский и многоязычность без перечисления отдельных языков, поэтому подтверждённый основной язык определить нельзя.

Muse-Glimmer-30B-Heretic-Plus — общественная производная модели Muse-Glimmer-30B, созданная сообществом. Это мультимодальная плотная модель на 29,8 млрд параметров с архитектурой MuseGlimmerForConditionalGeneration: она принимает текст и изображения и генерирует текст. Чекпойнт сохранён в BF16 в формате safetensors; для загрузки требуется Transformers версии 5.15 или новее. Модель предназначена для диалогов и локальных агентных сценариев, где нужно уменьшить число отказов базовой модели, в том числе при запросах с изображениями. Разработчики применили структурно-ориентированное подавление направлений отказа и короткое дообучение LoRA/SFT; стек обработки изображений оставлен замороженным. В карточке не приведены отдельные сведения о длине контекста и языках сверх меток английского, китайского и многоязычной поддержки. По описанию авторов, остаточные отказы возможны, а тон ответов после изменений становится менее осторожным. Модель не оценивалась как готовая замена в агентных тестах Meta, поэтому перед рабочим применением следует повторно проверить вызов инструментов. Карточка указывает, что модель не предназначена для пользователей младше 18 лет; требуется собственная система ограничений. Лицензия — Apache 2.0, унаследованная от базовой модели.

Helsinki-NLP/opus-mt-en-nl — модель машинного перевода, разработанная Helsinki-NLP в рамках проекта OPUS-MT. Она переводит текст с английского языка на нидерландский и подходит для автоматического перевода предложений и текстов в приложениях и рабочих процессах обработки языковых данных. Модель основана на архитектуре Transformer и реализована как MarianMTModel. Она содержит 59,5 млн параметров, использует нормализацию и SentencePiece для предобработки текста, а длина контекста составляет 512 токенов. В карточке приведён результат BLEU 57,1 и chr-F 0,730 на тестовом наборе Tatoeba.en.nl. Модель предназначена для перевода в одном направлении: с английского на нидерландский. Лицензия Apache-2.0 разрешает её использование на условиях этой лицензии.

OrcaAgent-llama3.2-8b-GGUF — это набор GGUF-квантизаций модели OrcaAgent-llama3.2-8b, разработанной Isotonic и квантизированной bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и агентских сценариев; обучение связано с наборами данных microsoft/orca-agentinstruct-1M-v1 и Isotonic/agentinstruct-1Mv1-combined. Указан английский язык. В основе лежит 8-миллиардная модель семейства Llama 3.2. Доступны варианты от F16 до Q2_K_L, различающиеся размером файла, требованиями к памяти и качеством: от 16,07 ГБ для F16 до примерно 3,69 ГБ для Q2_K_L. Наиболее сбалансированным вариантом README называет Q4_K_M размером 4,92 ГБ; варианты Q5 и Q6 обеспечивают более высокое качество, а Q3 и Q2 подходят для систем с ограниченным объёмом оперативной памяти. Формат GGUF поддерживается llama.cpp и приложением LM Studio. Сильная сторона модели — наличие множества уровней квантизации для локального запуска и выбора компромисса между качеством и потреблением памяти. Ограничения включают снижение качества в наиболее компактных вариантах, отсутствие сведений о размере контекста, мультимодальности и точных архитектурных характеристиках, а некоторые ARM-оптимизированные варианты требуют поддержки специальных инструкций и не рекомендуются для Mac. Лицензия — Apache-2.0.

Oscar Zhou Style v3 Full — дообученная модель разработчика oscarz511 на базе unsloth/Meta-Llama-3.1-8B-Instruct-bnb-4bit. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM, содержащая 7,5 млрд параметров и принимающая текст для генерации текста; метаданные также указывают интерфейс чата и вызова инструментов. В карточке не описаны конкретные стилистические особенности версии v3 или примеры её ответов, поэтому нельзя точнее определить сценарии, в которых она превосходит базовую модель. Модель рассчитана на английский язык, использует контекст до 131 072 токенов и опубликована в формате safetensors. Разработчик сообщает о дообучении с помощью Unsloth и библиотеки TRL. Лицензия — Apache-2.0.

Parable-Granite-4.1-3B-Claude-Fable-5-heretic — языковая модель для генерации текста, разработанная автором saidutta69 на основе AnkitAI/Parable-Granite-4.1-3B-Claude-Fable-5, которая, в свою очередь, дообучена на ibm-granite/granite-4.1-3b. Модель предназначена для локального диалога, рассуждений, планирования, генерации кода, терминальных сценариев, агентских задач и использования инструментов. Заявлен английский язык, поддерживаются форматы Safetensors и GGUF для запуска через Transformers, vLLM, llama.cpp, Ollama, LM Studio и Jan. Это текстовая causal language model архитектуры GraniteForCausalLM с нативным размером около 3,4 млрд параметров. Версия создана методом abliteration с помощью Heretic v1.4.0: целевые изменения весов в attention output и MLP down-projections подавляют поведение отказа без дополнительного fine-tuning. Модель сохраняет trace-дистиллированные возможности исходной Parable-версии в области рассуждений, планирования и работы с терминалом. Для локального запуска доступны квантизации от Q2_K до Q8_0; вариант Q4_K_M требует около 2,1 ГБ под веса и примерно 1 ГБ дополнительно для контекста. К сильным сторонам относятся малый размер, возможность работы на ноутбуках и CPU, широкий набор GGUF-квантизаций и существенно сниженное число отказов по сравнению с исходной моделью: 5 против 96 на 100 проверенных adversarial-запросов. При этом это не улучшение базовых возможностей, а версия той же модели с удалёнными защитными ограничениями; снижение отказов сопровождается измеримым отклонением от исходного поведения, а заявленные показатели получены на ограниченных тестах. Контекстное окно, точные языковые возможности и дополнительные модальности в карточке не указаны. Распространяется по лицензии Apache-2.0.

grounded-ai/phi4-r1-guard — языковая модель, разработанная Jlonge4 и дообученная на unsloth/phi-4-bnb-4bit с использованием Unsloth и TRL. Она предназначена для оценки текстов: выявляет токсичность, проверяет ответы на галлюцинации по эталонному материалу и оценивает релевантность найденного контекста запросу в RAG-сценариях. Модель имеет 14,1 млрд параметров, архитектуру LlamaForCausalLM и контекстное окно 16 384 токена. Принимает текст и выдаёт объяснение решения с бинарной классификацией: toxic/non-toxic, yes/no или relevant/unrelated. В карточке заявлена поддержка английского языка. Модель выпущена под лицензией Apache-2.0. Её оценки и объяснения могут ошибаться; проверки галлюцинаций зависят от качества эталонного материала, а классификацию следует валидировать на данных целевого применения.

google/pix2struct-ocrvqa-base — модель Google семейства Pix2Struct для визуальных вопросов и ответов. Это архитектура кодировщик изображений — декодер текста, дообученная для задачи visual question answering; она принимает изображение и вопрос и формирует текстовый ответ. Модель построена на Pix2StructForConditionalGeneration и использует PyTorch. Pix2Struct предварительно обучали преобразовывать замаскированные снимки веб-страниц в упрощённый HTML; такой подход объединяет сигналы распознавания текста, языкового моделирования и описания изображений. Вариативное разрешение входа помогает обрабатывать визуально насыщенные материалы. Карточка указывает языковую поддержку английского, французского, румынского и немецкого. Лицензия — Apache-2.0.

PolizzeDonut-SoloPDF-5Epochs — модель преобразования изображений документов в текст, созданная дообучением naver-clova-ix/donut-base на датасете imagefolder. Она использует архитектуру vision-encoder-decoder и предназначена для обработки изображений документов; метаданные классифицируют её задачу как image-text-to-text. На оценочном наборе указана потеря 0,3264. Модель распространяется в формате safetensors по лицензии MIT. Карточка не раскрывает целевую структуру извлечения, состав обучающих данных или подробные ограничения, поэтому качество на конкретных типах полисов и PDF-сценариях по этим сведениям оценить нельзя.

Карточка модели TechnoBaptist/privacy-filter-multilingual-v2 на Hugging Face совпадает с карточкой OpenMed/privacy-filter-multilingual-v2, поэтому описание составлено по ней. OpenMed разработала OpenMed/privacy-filter-multilingual-v2 — мультиязычную модель для извлечения персональных данных из текста. Это полноценно дообученная на базе openai/privacy-filter модель с архитектурой MoE и BIOES-головой классификации токенов. Она размечает фрагменты по 54 категориям PII, используя 217 меток BIOES. В метаданных указано 145,4 млн параметров и контекст до 131 072 токенов; карточка описывает исходную базовую модель как MoE на 1,4 млрд параметров с 50 млн активных параметров на токен. Модель предназначена для обнаружения и последующего маскирования персональных данных в многоязычных текстах; обёртка OpenMed также поддерживает извлечение сущностей и деидентификацию с заменой значений. Поддерживаются арабский, бенгальский, китайский, нидерландский, английский, французский, немецкий, хинди, итальянский, японский, корейский, португальский, испанский, телугу, турецкий и вьетнамский языки. Весовые файлы представлены в формате safetensors, лицензия — Apache-2.0. Качество неравномерно: карточка отмечает более слабые результаты для японского, корейского, китайского и ряда языков с низкими ресурсами. Обучающие данные преимущественно синтетические, поэтому для реальных текстов и критически важных сценариев нужны доменная оценка и калибровка; модель не является специализированным решением для клинических медицинских данных и не заменяет проверку требований законодательства.

Это дообученная hungpill модель Qwen3-0.6B-JSON-SFT-GRPO на архитектуре Qwen3 с плотной авторегрессионной языковой моделью Qwen3ForCausalLM. Она предназначена для генерации текста в диалоговом режиме и может применяться для задач, где нужен текстовый ответ в формате JSON. Параметры модели — около 507,9 млн, контекст — до 40 960 токенов. Обучение выполнялось с Unsloth и библиотекой Hugging Face TRL. Модель принимает текст и генерирует текст; в метаданных также заявлен интерфейс вызова инструментов. Карточка указывает на дообучение модели NotoriousH2/Qwen3-0.6B-JSON-SFT. Поддержка английского отмечена в метаданных, но подробностей о дополнительных языках и качестве на них карточка не приводит. Лицензия — Apache-2.0.

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

Qwen3.5-0.8B — компактная мультимодальная модель семейства Qwen от Qwen, представленная в виде постобученных весов для Transformers. Она сочетает причинную языковую модель с визуальным энкодером и предназначена для диалогов и задач, где нужно анализировать изображения и отвечать текстом. Модель поддерживает вызов инструментов через соответствующий интерфейс и может использоваться для прототипирования, разработки и дообучения под конкретные задачи. Модель имеет плотную архитектуру Qwen3.5 с 0,8 млрд параметров, 24 слоями и нативным контекстом до 262 144 токенов. В архитектуре сочетаются Gated Delta Networks и gated attention; доступны режимы обычной генерации и рассуждения, причём по умолчанию включён обычный режим. Карточка заявляет поддержку 201 языка и диалекта. Веса доступны в формате safetensors и совместимы с Transformers и несколькими движками инференса. Небольшой размер делает модель удобной для прототипирования и настройки под узкие задачи, однако её возможности и качество следует оценивать с учётом масштаба 0,8 млрд параметров и целевого сценария. Для длинного контекста могут потребоваться значительные ресурсы памяти. Лицензия — Apache-2.0.

Lego-X разработала эту модель как дообученную методом онлайн-обучения с подкреплением версию Qwen3.5-35B-A3B для агента программирования. Обучение проходило в неизменённой среде Claude Code на 2 699 задачах с реальными ошибками в репозиториях; награду определяли тесты самих проектов. Это модель семейства Qwen3.5 с разреженной MoE-архитектурой: 35 млрд параметров всего, 8 из 256 экспертов активируются на шаге. Используются Transformers и формат safetensors; лицензия — Apache-2.0. Модель предназначена для решения задач в репозитории с доступом к оболочке и инструментам редактирования файлов. В README сообщается результат 68,2% на SWE-bench Verified против 62,4% у исходной модели в Claude Code при одинаковом протоколе оценки. Для работы авторы рекомендуют контекст до 200K токенов и бюджет до 200 ходов; пример запуска задаёт max_model_len 262144 и требует парсер вызовов инструментов qwen3_coder. Модель оптимизирована под среду Claude Code и Python-задачи по исправлению ошибок; в других агентных средах результаты могут отличаться. Короткий контекстный или пошаговый бюджет может обрывать траекторию решения. Мультиязычное, общеязыковое и безопасное поведение унаследовано от базовой модели и специально не настраивалось; агент выполняет команды и изменяет файлы, поэтому README рекомендует запускать его в контейнере.