I.14Автоматизация процессов и AI-агенты

Карточка модели amd/Instella-MoE-16B-A3B-DPO 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 amd/Instella-MoE-16B-A3B-Midtrain 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.

unsloth/JanusCoder-14B-GGUF — это GGUF-версия JanusCoder-14B, разработанная командой InternLM и подготовленная Unsloth. Модель представляет собой 14-миллиардную текстовую модель на базе Qwen3-14B, ориентированную на создание программного кода и визуально-программный интерфейс для задач code intelligence. Обучение проводилось на мультимодальном корпусе JANUSCODE-800K, включающем примеры графиков, интерактивных веб-интерфейсов и анимаций, однако сама JanusCoder-14B классифицируется как текстовая модель, в отличие от мультимодальных вариантов JanusCoderV. Модель предназначена для генерации кода по текстовым инструкциям, создания визуализаций данных, интерактивных front-end-приложений, программно управляемого редактирования визуальных эффектов и построения сложных анимаций, включая сценарии с Pandas, Manim и Wolfram. В опубликованных тестах она показывает сильные результаты на PandasPlotBench и ArtifactsBench, а также превосходит Qwen3-14B и LLaMA3-8B-Instruct в ряде задач, хотя уступает специализированным или более крупным моделям в отдельных тестах. README не указывает поддерживаемые языки естественного языка, размер контекстного окна и точную схему квантования GGUF. Для работы с исходной моделью рекомендуется Transformers версии 4.55.0 или новее; в README также отмечены исправления chat template от Unsloth и необходимость параметра --jinja при использовании llama.cpp. Модель распространяется по лицензии Apache-2.0.

korean_PP-OCRv3_mobile_rec — разработанная командой PaddleOCR мобильная модель распознавания строк текста из изображений, относящаяся к серии PP-OCRv3_rec и обученная на основе PP-OCRv3_mobile_rec для распознавания корейского языка. Она принимает изображение строки и преобразует содержащийся в нём текст в строку символов; модель можно подключить как модуль распознавания в конвейере OCR PaddleOCR для извлечения текста из документов и других изображений. Модель предназначена для распознавания корейского текста, включая пунктуацию. В README указано, что строка считается распознанной неверно, если ошибочен хотя бы один символ, что отражает строгое измерение точности на уровне целой строки. Для использования заявлена лицензия Apache-2.0. Размер модели и длина контекста не указаны в предоставленных источниках.

Lexora-Lite-3B_v2 — разговорная языковая модель на архитектуре Qwen2, опубликованная DeepMount00. Она предназначена для генерации текста и диалоговых сценариев; в метаданных также отмечен интерфейс вызова инструментов. Модель содержит 3,1 млрд параметров, работает через библиотеку Transformers и принимает контекст длиной до 32 768 токенов. Репозиторий содержит веса в формате safetensors. В качестве данных для обучения указаны наборы инструкций и предпочтений на итальянском языке Sonnet-3.5-ITA-INSTRUCTION и Sonnet-3.5-ITA-DPO, что указывает на настройку для следования инструкциям и диалога. Лицензия в предоставленных данных не указана.

LiLT-SER-EN — дообученная модель kavg для классификации токенов в документах. Она основана на nielsr/lilt-xlm-roberta-base, мультиязычной архитектуре LiLT и XLM-RoBERTa, которая учитывает текст и его расположение на странице. Модель содержит около 305,2 млн параметров и рассчитана на контекст до 514 токенов. Модель предназначена для извлечения и разметки элементов документов на уровне токенов. В README приведены результаты оценки: F1 0,7351 и точность 0,7438; датасет обучения и конкретный набор меток не раскрыты, поэтому применимость к отдельным типам документов и полям требует проверки. Репозиторий распространяется по лицензии MIT.

tanliboy/llama-3.2-3b-sft — дообученная модель семейства Llama 3.2, созданная на основе tanliboy/llama-3.2-3b с помощью supervised fine-tuning на наборе tanliboy/OpenHermes-2.5-reformat. Это плотная авторегрессионная языковая модель с 3,2 млрд параметров, предназначенная для генерации текста и диалогового общения. Метаданные указывают контекстное окно до 131 072 токенов и интерфейс вызова инструментов. Модель можно применять для генерации ответов в чате и других задач продолжения текста. В README приведено значение loss 0,7216 на оценочном наборе, но подробности методики оценки и характеристик датасета не раскрыты. Модель опубликована в формате Safetensors для библиотеки Transformers под лицензией llama3.2. Языки поддержки не указаны.

KKHYA/llavaqwen2.5-32b-finetune-nm-mask-moe-4e-2k-2of4-imp-h200_20260815_093205 — языковая модель на архитектуре LlavaQwen2ForCausalLM с 32 млрд параметров. В метаданных указаны библиотека Transformers, форматы PyTorch и Safetensors, а также контекст длиной до 131072 токенов. Модель предназначена для генерации текста и диалогового взаимодействия; метаданные также отмечают интерфейс вызова инструментов. README сообщает, что модель обучена с нуля, но не содержит сведений о датасете, оценке качества или предполагаемых сценариях применения. Лицензия в предоставленных данных не указана.

LLMLingua-2-XLM-RoBERTa-Large-MeetingBank — модель Microsoft на архитектуре XLM-RoBERTa Large, дообученная для классификации токенов и сжатия промптов без привязки к конкретной задаче. Для каждого токена она оценивает вероятность сохранения, помогая сокращать текст с сохранением полезной информации. Модель содержит 658,8 млн параметров, принимает текст и имеет контекст длиной до 514 токенов. Модель обучена на данных MeetingBank, подготовленных для экстрактивного сжатия текста по методике LLMLingua-2. Её можно применять для сжатия стенограмм совещаний перед последующими задачами, например ответами на вопросы и суммаризацией. Она выдаёт метки токенов, используемые при отборе текста; сама по себе не предназначена для генерации ответов или пересказов. Лицензия — MIT.

Карточка модели ShaunGves/LocateAnything-3B на Hugging Face совпадает с карточкой nvidia/LocateAnything-3B, поэтому описание составлено по ней. LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

Карточка модели ashpika13/LocateAnything-3B-cascade на Hugging Face совпадает с карточкой nvidia/LocateAnything-3B, поэтому описание составлено по ней. LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

Карточка модели vllm-sr/lora_jailbreak_classifier_bert-base-uncased_model на Hugging Face совпадает с карточкой llm-semantic-router/lora_jailbreak_classifier_bert-base-uncased_model, поэтому описание составлено по ней. Это LoRA-адаптер для классификации текста на базе bert-base-uncased, опубликованный как часть проекта semantic-router. Модель дообучена для многозадачной классификации и рассчитана на применение в маршрутизации текстовых запросов; в README приведён пример пакетной классификации через semantic-router. Адаптер использует ранг 16 и alpha 16, а архитектура — BERT для классификации последовательностей. Репозиторий оптимизирован для работы с библиотекой Candle на Rust и содержит веса в формате safetensors. Общее число параметров базовой модели — 136,7 млн, контекст ограничен 512 токенами; основным языком карточки указан английский. Лицензия — Apache-2.0.

Magnum v4 123B — языковая модель Anthracite, предназначенная для генерации диалоговых ответов и прозы с качеством, близким к Claude 3 Sonnet и Opus. Это полноразмерное дообучение Mistral Large Instruct 2407 на наборах данных Anthracite, связанных с диалогами, инструкциями и прозой. Модель имеет плотную архитектуру MistralForCausalLM и 122,2 млрд параметров. Она принимает текст и генерирует текст, поддерживает английский язык и контекст до 131 072 токенов. В метаданных также отмечен интерфейс вызова инструментов. Для запросов используется шаблон Mistral Instruct с маркерами [INST] и [/INST]. Модель подходит для диалоговых приложений и задач генерации прозы. Доступна в формате safetensors через Transformers. Лицензия указана как other; README не приводит её конкретные условия.

MemPrivacy-1.7B-RL — компактная языковая модель, разработанная IAAR-Shanghai на базе Qwen3-1.7B и дополнительно оптимизированная с помощью обучения с подкреплением. Она предназначена для локального выявления и классификации чувствительной информации в пользовательских диалогах, особенно в системах персональной памяти и edge-cloud-агентах. Модель размечает фрагменты по четырёхуровневой шкале приватности PL1–PL4 и предлагает заменять их типизированными заполнителями, сохраняя смысловые связи для последующей обработки облачным агентом. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 1,7 млрд параметров, работает через Transformers и принимает текст, формируя текстовый вывод; заявленное окно контекста — 40 960 токенов. Карточка указывает на английский и китайский языки. Пример применения использует структурированный JSON-вывод, но для надёжного разбора нужны подходящий промпт и ограничение формата вывода. Модель рассчитана на локальную обработку данных перед их передачей в облако, однако сама карточка не описывает механизм безопасного хранения исходных значений и не приводит независимой проверки заявленных сравнительных результатов. Лицензия CC-BY-NC-ND-4.0 запрещает коммерческое использование и распространение производных материалов на условиях лицензии.

Sakalti/mine-1.5B — компактная языковая модель Sakalti для генерации текста и диалогов. Она основана на архитектуре Qwen2 и дообучена на Sakalti/SJT-1.5B-Alpha с использованием Unsloth и библиотеки Hugging Face TRL. Размер модели — 1,5 млрд параметров; заявленное контекстное окно — до 131 072 токенов. Модель работает с текстом и поддерживает интерфейс вызова инструментов. Модель подходит для диалоговых приложений и генерации текста на английском языке. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Lathif25/Model-LLM-Finetuned — дообученная Lathif25 модель генерации текста на основе unsloth/llama-3.1-8b-unsloth-bnb-4bit. Она построена на плотной архитектуре Llama с классом LlamaForCausalLM и предназначена для диалогового общения и генерации текста; в метаданных также заявлен интерфейс вызова инструментов. Модель содержит 7,5 млрд параметров, принимает текст и выдаёт текст. Для английского языка в карточке указан тег en. Размер контекста — до 131 072 токенов. При обучении использовались Unsloth и библиотека TRL от Hugging Face. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает специализацию дообучения, состав обучающих данных и результаты оценки качества, поэтому пригодность для конкретных задач следует проверять отдельно.

IsmaelMousa/modernbert-ner-conll2003 — англоязычная модель распознавания именованных сущностей, созданная дообучением answerdotai/ModernBERT-base на наборе CoNLL2003. Она размечает текст, выделяя упоминания людей, организаций и мест, и предназначена для извлечения таких сущностей из обычного английского текста. Модель построена на архитектуре ModernBERT для классификации токенов, содержит 149 млн параметров и поддерживает контекст до 8192 токенов. В README приведены результаты на оценочной выборке CoNLL2003: F1 0,8455, точность 0,8349, полнота 0,8563 и accuracy 0,9752. Для запуска указана библиотека Transformers; лицензия — Apache-2.0.

Jeevesh8/multiberts_seed_0_ft_0 — модель на архитектуре BERT, опубликованная пользователем Jeevesh8 на Hugging Face и предназначенная для классификации текстов. Она содержит около 136,7 млн параметров и поддерживает входной контекст длиной до 512 токенов. Модель рассчитана на использование через экосистему Transformers и связана с JAX. Основной сценарий применения — автоматическая классификация текстовых последовательностей, например определение класса документа, сообщения или пользовательского запроса. Доступные данные не подтверждают конкретные языки, набор классов, качество на отдельных датасетах, модальности помимо текста или лицензию модели, поэтому эти характеристики не заявляются.

OpenHands/openhands-lm-1.5b-v0.1 — компактная языковая модель для программирования, разработанная OpenHands. Это плотная модель семейства Qwen2 с архитектурой Qwen2ForCausalLM и 1,5 млрд параметров, дообученная на основе Qwen/Qwen2.5-Coder-1.5B-Instruct на данных SWE-Gym/SWE-Gym по рецепту OpenHands LM. Модель рассчитана на диалоговое взаимодействие и интерфейс вызова инструментов; её заявленное назначение — speculative decoding. Модель подходит для генерации и анализа кода, а также для работы агента разработки над задачами из GitHub, включая исправление ошибок и решение проблем в репозиториях. Метаданные указывают контекст до 32 768 токенов и английский язык. Модель распространяется в формате safetensors по лицензии MIT. README описывает исходную 32B-модель и её результаты, поэтому приведённые там показатели производительности и контекст 128K не следует переносить на эту версию 1.5B. Карточка предупреждает, что компактная версия предназначена для speculative decoding; её качество может быть ниже на разнообразных задачах разработки, она может повторять шаги и чувствительна к квантизации.

DataOrchestra/Orchestrator — дообученная модель DataOrchestra на базе Qwen/Qwen3-1.7B-Base, предназначенная для планирования очистки данных предобучения. Она принимает фрагмент данных длиной до 1024 токенов Qwen3 в обёртке [DOC] и [/DOC] и выдаёт план в формате JSON: оставить или отбросить фрагмент либо запустить этапы очистки, включая удаление шумовых строк и исправление поверхностных артефактов. Модель построена на плотной архитектуре Qwen3ForCausalLM, содержит 1,7 млрд параметров и поддерживает контекст до 32 768 токенов. Для запуска предусмотрена библиотека Transformers; карточка также показывает возможность чат-взаимодействия. Модель подходит для автоматизированной курировки корпусов предобучения и высокопроизводительной обработки фрагментов через совместимый с OpenAI endpoint vLLM. В метаданных указан английский язык. Репозиторий распространяется по лицензии Apache-2.0. В описании не приведены результаты оценки качества; формат входа и ожидаемую схему JSON следует соблюдать при интеграции.

TSalpha выпустил квантованный вариант Ornith-1.5-35B-A3B с миксом уровней квантования и методом REAP-50, рассчитанный на запуск на видеокартах с 12 ГБ памяти. Это MoE-модель для генерации текста и диалогов; исходная модель — ornith-ai/Ornith-1.5-35B-A3B, а в README также указан вариант Ttimms/Ornith-1.5-35B-A3B-REAP-50-bf16. Репозиторий содержит веса в формате GGUF для llama.cpp. В README заявлена работа с контекстом до 256K токенов при соответствующих параметрах запуска и приведены результаты сравнения perplexity с исходной моделью и другими вариантами квантования. По данным автора, файл IQ4_XS занимает 7,39 ГиБ; тестирование проводилось на ноутбучной RTX 5070 Ti с 12 ГБ памяти. Модель подходит для диалогов и агентного программирования, однако скорость и качество зависят от оборудования и выбранных параметров. Лицензия — MIT.

Parrotlet-v-2.5-pro — мультимодальная модель от Eka Care, созданная дообучением Google Gemma 4 E2B IT для извлечения структурированных данных из изображений индийских медицинских документов. Она разбирает рецепты, счета и лабораторные отчёты, выписки из стационара и выявляет персональные данные. Для выбора схемы извлечения модель получает изображение документа и короткий тег; ответ формируется в структурированном виде. Языковая часть Gemma была дообучена, а компоненты обработки изображений и аудио оставлены замороженными. Веса опубликованы в формате bf16, модель рассчитана на работу через Transformers. Внутренняя оценка на 1 147 страницах показала сильные результаты по извлечению лабораторных данных, рецептов, выписок и PII. Наиболее заметные ограничения — счета, особенно рукописные позиции, и сложные нетабличные лабораторные отчёты. Модель оценивали на внутреннем наборе; её качество на других форматах документов, языках и медицинских записях за пределами Индии не проверено. Это инструмент разбора документов, а не диагностики или принятия клинических решений; результаты следует проверять специалисту. Лицензия — Apache 2.0.

PP-OCRv6_medium_rec — модель распознавания текста из изображений, разработанная PaddlePaddle как часть семейства PaddleOCR. Она предназначена для распознавания строк текста в составе OCR-конвейера: после обнаружения текста на изображении распознаёт его содержимое. Подходит для печатного и рукописного текста, документов и промышленных сцен, включая дисплеи, точечно-матричные символы и маркировку на шинах. Модель содержит 19 млн параметров. В её архитектуре используются лёгкая backbone-сеть LCNetV4, модуль распознавания EncoderWithLightSVTR и декодер с головами CTC и NRTR. Заявлена поддержка 50 языков; в метаданных карточки перечислены английский и китайский. Модель распространяется в формате safetensors и предназначена для использования с PaddleOCR. Лицензия — Apache-2.0. README сообщает о точности распознавания 83,2% для PP-OCRv6_medium, но не приводит методику оценки для этой цифры. Это модель распознавания текста, а не полный OCR-конвейер: для извлечения текста из произвольного изображения могут понадобиться отдельные модули обнаружения текста и предварительной обработки.

mlx-community/Qwen2.5-1.5B-Instruct-bf16 — конверсия в формат MLX модели Qwen/Qwen2.5-1.5B-Instruct, выполненная сообществом mlx-community с помощью mlx-lm версии 0.18.1. Это плотная авторегрессионная языковая модель семейства Qwen2.5 с 1,5 млрд параметров, предназначенная для генерации текста в диалоговом режиме и вызова инструментов через соответствующий интерфейс. Она принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов и ориентирована на английский язык. Репозиторий содержит веса safetensors; для использования с MLX в README приведена установка mlx-lm. Лицензия — Apache-2.0.

Карточка модели localized-ft/Qwen3-32B-good-vs-bad-mixed-multifact-kld-20260920-seed1 на Hugging Face совпадает с карточкой localized-ft/Qwen3-32B-good-vs-bad-mixed-multifact-ip-20260920-seed1, поэтому описание составлено по ней. Модель localized-ft/Qwen3-32B-good-vs-bad-mixed-multifact-ip-20260920-seed1 разработана localized-ft как дообученная версия Qwen/Qwen3-32B. Это плотная причинная языковая модель семейства Qwen3 с 29,7 млрд параметров, предназначенная для диалога и генерации текста; каталог также отмечает интерфейс вызова инструментов. Модель обучали с использованием Unsloth и библиотеки TRL. Модель принимает текст и выдаёт текст. Её контекстное окно составляет 40 960 токенов; в метаданных указан английский язык. Карточка не раскрывает состав обучающих данных и конкретную специализацию, поэтому название репозитория само по себе не позволяет надёжно установить назначение оценки «хорошего» и «плохого» или многозадачного обучения. Лицензия — Apache-2.0.

Карточка модели localized-ft/Qwen3-32B-target-only-no-hallucination-ip-20260920-seed1 на Hugging Face совпадает с карточкой localized-ft/Qwen3-32B-good-vs-bad-mixed-multifact-ip-20260920-seed1, поэтому описание составлено по ней. Модель localized-ft/Qwen3-32B-good-vs-bad-mixed-multifact-ip-20260920-seed1 разработана localized-ft как дообученная версия Qwen/Qwen3-32B. Это плотная причинная языковая модель семейства Qwen3 с 29,7 млрд параметров, предназначенная для диалога и генерации текста; каталог также отмечает интерфейс вызова инструментов. Модель обучали с использованием Unsloth и библиотеки TRL. Модель принимает текст и выдаёт текст. Её контекстное окно составляет 40 960 токенов; в метаданных указан английский язык. Карточка не раскрывает состав обучающих данных и конкретную специализацию, поэтому название репозитория само по себе не позволяет надёжно установить назначение оценки «хорошего» и «плохого» или многозадачного обучения. Лицензия — Apache-2.0.

VikramPal выпустил дообученную модель Qwen3.5-9B для генерации SQL в агентном цикле. Она предназначена для ответов на вопросы по базам данных: модель предлагает запрос, получает результат его выполнения и при необходимости уточняет запрос с помощью инструмента. Для такого сценария требуется многошаговая интеграция с инструментом исполнения SQL; при одношаговом переводе вопроса в запрос ожидаемые результаты ниже. В карточке приведены оценки на Spider 1 dev и BIRD dev, а также на локальном подмножестве Spider 2.0-lite; результаты Spider 1 использовали подсказку, настроенную на том же dev-наборе, а Spider 2 охватывал только 135 из 547 примеров. Модель основана на Qwen/Qwen3.5-9B, имеет плотную архитектуру Qwen3_5ForCausalLM, около 7,2 млрд параметров и контекст до 262 144 токенов. Обучение включало SFT на трассах рассуждений и GRPO; опубликованные веса представляют собой адаптер, применённый к исходной базовой модели, без двух ранних этапов обучения. Модель рассчитана на работу с английскими запросами и схемами баз данных. В README указана поддержка только диалекта SQLite; обучение ориентировано на схемы в стиле Spider-1, поэтому очень широкие и сильно денормализованные схемы могут оказаться вне распределения. Для выполнения сгенерированного SQL требуется соединение только для чтения и тайм-аут запросов. Лицензия — Apache-2.0.

Uluka Studio Mercury 2 BF16 Merged — мультимодальный чат-чекпойнт на базе Qwen3.6-35B-A3B, подготовленный UlukaDev. Это объединённая BF16-версия дообучения с адаптером LoRA UlukaDev/qwen3p6-35b-a3b-uluka-mercury-2-lora; веса представлены в формате safetensors и используют архитектуру Qwen3.5 MoE. Модель предназначена для диалогов и анализа изображений; метаданные также указывают интерфейс вызова инструментов. Она принимает текст и изображения и выдаёт текст. Лицензия указана как other, поэтому условия использования следует сверить с карточкой и лицензией базовой модели.

Это GGUF-копия модели unsloth/Qwen3.6-35B-A3B-NVFP4-Fast, преобразованная из исходного репозитория с помощью конвертера llama.cpp. Репозиторий публикует catlilface; модель предназначена для диалогов и задач с изображениями и текстом, включая агентные сценарии. В метаданных указаны архитектура Qwen, возможности чата и vision, а формат файлов — GGUF. Карточка рекомендует запускать модель на GPU с актуальной сборкой llama.cpp; также возможно выполнение с выгрузкой части вычислений на CPU. В README приведены ориентировочные показатели скорости для нескольких конфигураций оборудования, но качество предлагается оценивать по материалам базовой модели. Лицензия — Apache-2.0.

Это частная сборка Exolabs на основе Qwen3.6-35B-A3B, подготовленная для запуска в vLLM. Веса получены из файла Q4_K_M GGUF модели bartowski/Qwen_Qwen3.6-35B-A3B: их деквантизировали в FP32, преобразовали в раскладку HF/vLLM и сохранили в BF16. Конфигурация, токенизатор, шаблон чата и параметры генерации взяты из Qwen/Qwen3.6-35B-A3B. Модель предназначена для диалогов и обработки изображений; метаданные также отмечают интерфейс вызова инструментов. В README приведена проверка запуска на vLLM 0.23.0 с ограничением контекста 4096 токенов и режимом language-model-only. Указанная в метаданных архитектура — Qwen3.5 MoE, класс Qwen3_5MoeForConditionalGeneration; базовая модель содержит 35 млрд параметров. Репозиторий помечен лицензией «other», поэтому конкретные условия следует проверять в файлах лицензии модели. README описывает деквантизацию и преобразование представления весов, но BF16-выход из исходного Q4_K_M не возвращает потерянную при исходной квантизации точность; также приведённый запуск ограничивает длину контекста 4096 токенами.