I.14Автоматизация процессов и AI-агенты

Fara1.5-4B-GGUF — это GGUF-квантизированная версия мультимодальной модели Fara1.5-4B, разработанной Microsoft. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для computer use, управления браузером, автоматизации веб-задач и работы веб-агентов, включая сценарии с визуальным анализом интерфейсов и взаимодействием с ними. Модель имеет размер 4B параметров, поддерживает обработку текста и изображений и ориентирована на английский язык. Доступны варианты от BF16 до низкобитных форматов Q2 и IQ2, что позволяет выбирать между качеством, размером файла и требованиями к памяти. Для запуска подходят llama.cpp, LM Studio, KoboldCpp, Jan AI и другие совместимые приложения. README не содержит сведений о размере контекстного окна, конкретной архитектуре, результатах тестирования или подробных ограничениях мультимодального ввода. Сильными сторонами являются компактный размер, поддержка локального запуска и широкий выбор квантизаций; варианты Q5–Q6 характеризуются как высококачественные, а Q4_K_M рекомендован как сбалансированный вариант. Качество снижается у более компактных форматов, особенно Q2–Q3. Лицензия модели — MIT, однако для работы может потребоваться версия программного обеспечения с поддержкой Fara1.5.

FireFunction v2 — модель для генерации текста и вызова функций, разработанная Fireworks AI и представленная в формате GGUF в репозитории bartowski. Это квантизированная версия исходной модели firefunction-v2, подготовленная с использованием llama.cpp и метода imatrix. Модель предназначена для интеграции с приложениями, где ассистент должен отвечать обычным текстом или выбирать и вызывать одну или несколько внешних функций на основе запроса пользователя. Модель поддерживает сценарии function calling: формирование вызовов функций в формате JSON, выбор подходящих функций и передачу аргументов согласно заданной JSON-схеме. В README приведён специальный шаблон промпта с системными инструкциями для принятия решения о вызове функции. Доступны варианты квантования от IQ1_M до Q8_0, различающиеся размером файла и ожидаемым качеством; рекомендуются, в частности, Q6_K, Q5_K_M и Q4_K_M. Квантизация уменьшает требования к ресурсам, но низкобитные варианты могут заметно терять в качестве. В README не указаны размер исходной модели, архитектура, максимальная длина контекста, поддерживаемые языки и результаты сравнительных тестов, поэтому эти характеристики нельзя надёжно определить. Модель распространяется по лицензии llama3.

GLM-4.6V — мультимодальная модель семейства GLM-V, разработанная Z.ai. Это базовая модель на 106 млрд параметров для облачных вычислений и высокопроизводительных кластеров; она использует архитектуру GLM4V-MoE и поддерживает чат с изображениями. Контекст при обучении составляет до 128 тыс. токенов. Модель рассчитана прежде всего на визуальное понимание и мультимодальные рассуждения: она анализирует изображения, снимки экранов и страницы документов, совместно учитывая текст, структуру, таблицы, диаграммы и иллюстрации. Модель подходит для вопросов по длинным и визуально насыщенным документам, понимания изображений и экранных интерфейсов, а также для построения агентов с вызовом инструментов на основе визуального контекста. Она также может создавать смешанный текстово-графический контент и генерировать HTML/CSS по снимкам интерфейсов. В README заявлены результаты уровня лучших моделей сопоставимого размера в задачах визуального понимания, однако чисто текстовые ответы слабее, чем визуальные возможности; на сложных запросах возможны избыточные или повторяющиеся рассуждения, а точность подсчёта объектов и распознавания конкретных людей ограничена. Репозиторий распространяется по лицензии MIT.

Salesforce GTA1-7B — визуально-языковая модель на архитектуре Qwen2.5-VL, выпущенная Salesforce для заземления действий в графическом интерфейсе. Модель содержит 7,1 млрд параметров, принимает изображения интерфейса и текстовые запросы и предназначена для определения элементов управления и выдачи контекстных ответов, пригодных для GUI-агентов. Контекстное окно составляет 128 000 токенов; в метаданных указан английский язык. Модель обучалась с применением обучения с подкреплением, включая GRPO, чтобы поощрять точное заземление и практические действия вместо длинных рассуждений. Она предназначена для автоматизации интерфейсов и оценки на бенчмарках GUI и компьютерного использования. Доступна в формате Safetensors для Transformers; лицензия — MIT. README сообщает о результатах на бенчмарках ScreenSpot, OSWorld и WindowsAgentArena, но приведённый фрагмент не содержит полной таблицы результатов для GTA1-7B. Модель может ошибочно определять элементы интерфейса или выдавать неверные ответы; для автоматизированных действий требуется проверка и надзор человека. Разработчик рекомендует исследовательское и образовательное применение и предварительные испытания в контролируемой среде.

Hermes Qwen3.5 35B-A3B GGUF — это набор GGUF-квантизаций базовой модели Qwen3.5-35B-A3B, дообученной автором DJLougen на датасете NousResearch/hermes-function-calling-v1. Модель предназначена прежде всего для структурированного вызова функций, работы с инструментами и агентских сценариев. Для повышения качества в задачах с JSON и многошаговыми взаимодействиями использовались LoRA и SFTTrainer из TRL; квантизация выполнена с помощью llama.cpp с importance matrix. Модель использует MoE-архитектуру Qwen3.5: 35 млрд параметров всего, около 3 млрд активных на токен, 256 экспертов и 8 активных экспертов на токен. Заявленная длина контекста — 262 144 токена, однако дообучение проводилось на последовательностях длиной до 4096 токенов. Доступны варианты от F16 до экстремально сжатых IQ1; размеры файлов составляют примерно от 7,5 до 64,6 ГБ. README не указывает поддерживаемые языки и мультимодальные возможности, поэтому их нельзя подтвердить. Сильные стороны модели — специализация на function calling, JSON-структурированном выводе и использовании инструментов, а также широкий выбор квантизаций для систем с разными ограничениями по памяти. Автор предупреждает, что модель оптимизирована для агентских оболочек, например Hermes Agent, и может работать непредсказуемо при обычном инференсе без системного промпта; разговорное поведение вне структурированного harness не гарантируется. Модель распространяется по лицензии Apache-2.0.

InfiGUI-R1-3B — мультимодальная модель на базе Qwen2.5-VL-3B-Instruct, представленная в рамках статьи InfiGUI-R1. Она дообучена по Actor2Reasoner с подкреплением для планирования и рефлексии при выполнении задач в графическом интерфейсе. Модель предназначена для анализа скриншотов и решения задач GUI, включая grounding элементов интерфейса и работу с траекториями действий. Это плотная архитектура Qwen2.5-VL с 3,1 млрд параметров и контекстом до 128 000 токенов; карточка указывает поддержку английского языка. Вход включает изображения и текст, а модель формирует текстовые ответы и вывод для взаимодействия с интерфейсом. Модель распространяется по лицензии Apache-2.0. Для установки в README приведён вариант использования Transformers и qwen-vl-utils.

Jan-v1-4B — разговорная языковая модель семейства Jan от Jan, предназначенная для агентного рассуждения, решения задач и интеграции с приложением Jan. Она основана на Qwen3-4B-Thinking-2507 и дообучена для улучшения рассуждений и работы с инструментами. Модель имеет плотную архитектуру Qwen3ForCausalLM и 3,7 млрд параметров. Она генерирует текст, поддерживает диалог и рассчитана на контекст до 262 144 токенов. В карточке заявлен результат 91,1% на SimpleQA; он зависит от условий оценки и шаблона диалога. Для воспроизведения результата README рекомендует использовать встроенный системный промпт в chat template; также доступен вариант шаблона без него. Модель можно запускать локально через vLLM и интегрировать в Jan App; README описывает поддержку выбора инструментов и парсера Hermes. Доступна под лицензией Apache-2.0.

Это дообученная языковая модель семейства Llama 3, созданная на основе Meta-Llama/Meta-Llama-3-8B-Instruct. Разработчик дообучил её с помощью mlx-lm на очищенном наборе примеров вызова функций: из данных удалили некорректный JSON и одинарные кавычки вокруг значений аргументов. Модель предназначена для диалоговой генерации текста с формированием вызовов функций в структурированном формате. Её можно использовать в приложениях, где ассистенту нужно выбирать функцию и подготавливать JSON-аргументы. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст до 8192 токенов; в репозитории указаны веса safetensors. Карточка не сообщает результаты оценивания качества или точный формат вызова функций. Модель распространяется по лицензии llama3, условия которой следует учитывать при использовании.

QuantFactory/Meta-Llama-3-8B-Instruct-function-calling-json-mode-GGUF — квантизированная версия модели hiieu/Meta-Llama-3-8B-Instruct-function-calling-json-mode, созданная с помощью llama.cpp. Исходная модель дообучена hiieu на Meta-Llama-3-8B-Instruct для вызова функций и генерации ответов в формате JSON. В README также указано использование Unsloth и библиотеки TRL при обучении. Модель предназначена для текстовой генерации, включая диалоговые сценарии, структурированные JSON-ответы и function calling. Для вызова функций используется двухэтапная схема: модель формирует запрос с именем функции и аргументами, после чего получает результат выполнения и генерирует финальный ответ. Указан английский язык. Размер модели — 8 миллиардов параметров; конкретная архитектура и размер контекста в README не уточняются, но модель основана на Meta Llama 3 Instruct. Сильной стороной модели является специализированная настройка для структурированных ответов и интеграции с внешними функциями. Ограничения включают зависимость качества function calling и JSON-генерации от корректного шаблона сообщений и необходимость двух этапов инференса для вызова функций. Лицензия в README не указана.

MiniCPM5-1B-Agentic-Tooluse-v3-GGUF — компактная языковая модель с 1 млрд параметров, созданная на базе openbmb/MiniCPM5-1B и представленная в формате GGUF. Разработчик производной модели в README не указан; базовая модель относится к OpenBMB. Модель предназначена для локального офлайн-использования через llama.cpp, Ollama, LM Studio и совместимые инструменты, включая сценарии на CPU и устройствах с ограниченными ресурсами. Основная специализация модели — вызов функций и инструментов: анализ схемы доступных инструментов и запроса пользователя с последующей генерацией структурированного вызова с именем функции и аргументами. Она подходит для агентных систем, MCP-серверов, автоматизации, домашних ассистентов и интеграции с внешними API. Обучение включало QLoRA-супервизированное дообучение и последующее GRPO-обучение с подкреплением; использовался датасет Team-ACE/ToolACE. Указан английский язык и задача text-generation, однако сведения о размере контекста и других модальностях отсутствуют. На отложенной выборке из 300 примеров модель достигла 100% доли разбираемых вызовов, 98,67% корректных имён доступных инструментов, 95,33% совпадения ожидаемого имени и 74,67% точного совпадения всех аргументов. Эти результаты характеризуют сильную сторону модели — структурированный tool calling, но не гарантируют аналогичную точность для любых задач и данных. В README также указана нулевая доля корректной остановки генерации, что может требовать дополнительной обработки вывода. Модель распространяется по лицензии Apache-2.0. Квантизированные варианты включают Q4_K_M, Q8_0 и F16; заявлены преимущества локальности, приватности и отсутствия затрат на облачные вызовы, но компактный размер предполагает компромисс по сравнению с более крупными универсальными моделями.

Mini-Swarm-Browser — компактная модель на базе Canopy-R3, представленная как планировщик для совместной работы нескольких агентов при навигации в браузере. Она принимает текстовую цель пользователя и представление элементов страницы в виде дерева доступности (AXTree) с метками Set-of-Marks, например @e1 и @e2, а затем генерирует текстовые действия для браузера. В README описаны сценарии поиска по странице и заполнения форм, а также запуск контроллера для живого браузера. В README заявлены около 258,5 млн параметров и примерно 112 млн активных параметров на токен; метаданные каталога указывают 136,8 млн параметров и архитектуру CanopyForCausalLM. Репозиторий содержит веса Safetensors и использует Transformers. README заявляет малый размер и быстрое выполнение на потребительском оборудовании, однако сопоставимые результаты оценки качества и сведения о поддерживаемых языках не приведены. Лицензия — Apache 2.0.

Multi-Agent Orchestrator — небольшая модель планирования и координации, разработанная автором репозитория erukude и построенная на базе Llama 3.2 1B. Она предназначена для управления многоагентными и инструментальными системами, а не для использования в качестве универсального чат-бота или генератора финального содержимого. Модель получает состояние задачи и реестр доступных агентов и инструментов, после чего возвращает следующую операцию в формате JSON. Возможные действия включают вызов агента, вызов инструмента, запрос уточнения у пользователя и завершение задачи; результат также содержит цель, аргументы, финальный ответ и краткое обоснование. Для работы требуется внешний управляющий цикл, который выполняет выбранное действие, обновляет состояние и повторно обращается к модели до завершения задачи. Модель ориентирована на сценарии координации исследовательских и программных агентов, RAG-конвейеры и другие системы с маршрутизацией и вызовом инструментов. Ключевая характеристика — компактный размер 1B параметров, что может быть удобно для специализированного контроллера, однако README не содержит сведений о размере контекста, дополнительных модальностях, точности, производительности или ограничениях совместимости. Указан английский язык и лицензия Apache-2.0.

OneJev-27B — мультимодальная модель принятия решений от OmniJev, созданная полным дообучением Qwen/Qwen3.8-27B на 99 193 вопросах из реальных запусков агентов, видео и изображений. Она принимает скриншоты, фотографии, видео или обычный текст вместе с вопросами и за один проход выдаёт калиброванную вероятность для каждого варианта ответа. Модель предназначена для оценки вариантов и принятия решений по визуальным и текстовым данным, в том числе в сценариях с агентами и пользовательскими интерфейсами. Архитектура — плотная мультимодальная Qwen3.5 с 27 млрд параметров; заявленный формат весов — safetensors. В README приведён замер: на одном H200 обработка одного вопроса по скриншоту 1280×720 занимает 189 мс, а десяти вопросов в одном запросе — 324 мс суммарно. В тестировании использовались вопросы типов, отсутствовавших в обучении, однако карточка не приводит численных результатов точности. Лицензия — Apache-2.0. Для запуска README указывает сервер qev с интерфейсом System One API и полем media для изображений и видео.

Ornith-1.0-9B-abliterated-fable — разговорная текстовая модель с архитектурой Qwen 3.5, разработанная ansulev на базе YuYu1015/YuYu1015-Ornith-1.0-9B-abliterated. Модель содержит около 9,57 млрд параметров и дообучена методом LoRA SFT на 3 346 многоходовых трассах рассуждений Fable-5 с форматом вызова инструментов Hermes. Поддержка MTP предназначена для ускорения спекулятивного декодирования. Модель рассчитана на диалоговые сценарии с пошаговыми рассуждениями и вызовом инструментов. В README она описана как модель без обычных шаблонов отказа. Для данных дообучения использовались только текстовые примеры, а башня обработки изображений базовой модели была заморожена; практическая поддержка изображений этой версией не подтверждена. Карточка указывает английский язык. Модель распространяется по лицензии MIT.

Карточка модели hotdogs/Ornith-1.0-9B-abliterated-fable на Hugging Face совпадает с карточкой ansulev/Ornith-1.0-9B-abliterated-fable, поэтому описание составлено по ней. Ornith-1.0-9B-abliterated-fable — разговорная текстовая модель с архитектурой Qwen 3.5, разработанная ansulev на базе YuYu1015/YuYu1015-Ornith-1.0-9B-abliterated. Модель содержит около 9,57 млрд параметров и дообучена методом LoRA SFT на 3 346 многоходовых трассах рассуждений Fable-5 с форматом вызова инструментов Hermes. Поддержка MTP предназначена для ускорения спекулятивного декодирования. Модель рассчитана на диалоговые сценарии с пошаговыми рассуждениями и вызовом инструментов. В README она описана как модель без обычных шаблонов отказа. Для данных дообучения использовались только текстовые примеры, а башня обработки изображений базовой модели была заморожена; практическая поддержка изображений этой версией не подтверждена. Карточка указывает английский язык. Модель распространяется по лицензии MIT.

UI-R1-E-3B — компактная модель для определения элементов интерфейса на скриншотах и предсказания действий GUI-агента. Она разработана в рамках работы UI-R1: Enhancing Action Prediction of GUI Agents by Reinforcement Learning и основана на Qwen/Qwen2.5-VL-3B-Instruct; метаданные указывают на дообучение этой базовой модели. Архитектура — плотная мультимодальная Qwen2.5-VL с 3,1 млрд параметров, контекстом до 128 000 токенов и обработкой изображений. Модель принимает скриншот и текстовую команду, например, просьбу нажать определённую кнопку, и выдаёт действие с координатами. В README описан сценарий клика по элементам мобильных, настольных и веб-интерфейсов, а также приведены оценки на бенчмарках GUI-grounding. Метаданные также отмечают интерфейс вызова инструментов, но карточка не описывает отдельные инструменты или полный набор поддерживаемых действий. Модель распространяется по лицензии MIT. Она рассчитана на английский язык, указанный в метаданных карточки. Результаты зависят от масштаба изображения: README предписывает пересчитывать координаты с учётом изменения размера скриншота; приведённый пример запроса описывает действие click.

Mercor дообучила Qwen3.6-35B-A3B методом постобучения с подкреплением на готовых наборах данных APEX-Agents. Это мультимодальная модель семейства Qwen3.5 MoE для диалогов и анализа изображений; заявленная карточка Hugging Face задача — image-text-to-text. Модель доступна в формате Safetensors и рассчитана на применение через Transformers. Постобучение ориентировано на агентные сценарии и задачи, связанные с профессиональной работой со знаниями. Базовая модель описана как модель с 35 млрд параметров для диалогов, агентного программирования и анализа изображений; данных о длине контекста и поддерживаемых языках в предоставленных источниках нет. Модель распространяется по лицензии Apache-2.0.

SkillGym-Qwen3.5-9B — плотная мультимодальная модель Qwen с 9 млрд параметров, дообученная автором reasonwang для применения агентных навыков. Она обучена на 19 тысячах проверенных успешных траекторий из датасета SkillGym-SFT методом supervised fine-tuning в течение двух эпох. Модель читает инструкции и справочные материалы навыка и использует их при выполнении задач через вызовы инструментов или команды в изолированной рабочей среде. Модель предназначена для агентных сценариев, в которых нужно выбрать подходящий навык и последовательно применить его с доступными инструментами. Она сохраняет шаблон чата базовой Qwen3.5-9B и может запускаться через OpenAI-совместимый сервер, например vLLM. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. Это специализированная агентная политика, а не универсальный чат-ассистент. В длинных эпизодах контекст может закончиться до завершения задачи; рассуждения модели иногда повторяются и достигают лимита токенов за ход.

SkillReason-embedding-0.6b — плотная модель эмбеддингов для поиска подходящих навыков агента по запросам на естественном языке. Она разработана авторами проекта SkillReason и дообучена на Qwen/Qwen3-Embedding-0.6B с использованием рассуждений о необходимых возможностях как обучающего сигнала и обратной связи от поиска. В обычном режиме модель кодирует запрос и документы навыков для retrieval; генерация пояснений не требуется. Модель содержит около 507,6 млн параметров, использует архитектуру Qwen3ForCausalLM и pooling по последнему непустому токену. Контекст — до 32 768 токенов; формат весов — safetensors. Модель предназначена для поиска навыков, когда пользователь описывает цель задачи, но не называет нужную функцию или процедуру. Для качественного поиска README рекомендует применять инструкцию к запросам, а описания навыков представлять как «name | description | body» без этой инструкции. Модель также можно загрузить как причинную языковую модель для дополнительного анализа возможностей, однако этот режим не входит в стандартный сценарий поиска. Лицензия — Apache-2.0. Карточка перечисляет английский как язык модели; другие языки по имеющимся данным подтвердить нельзя.

UGround-V1-2B — мультимодальная модель для визуального поиска элементов графического интерфейса. Её разработали совместно OSUNLP и Orby AI; модель основана на Qwen2-VL-2B и дообучена для задачи GUI visual grounding. Она принимает изображение экрана и текстовый запрос, указывающий нужный элемент, и формирует текстовый ответ, который помогает определить его расположение. Модель предназначена для поиска текстовых и графических элементов в интерфейсах мобильных устройств, настольных приложений и веб-сайтов, а также для использования в системах управления интерфейсом по визуальным наблюдениям и инструкциям. Архитектура — Qwen2-VL, плотная мультимодальная модель класса Qwen2VLForConditionalGeneration; число параметров — 1,5 млрд, контекст — до 32 768 токенов. Карточка указывает английский язык; базовая модель также поддерживает многоязычное понимание текста на изображениях, но отдельный перечень языков для этой версии не приведён. Модель выпущена в форматах PyTorch и Safetensors и доступна по лицензии Apache-2.0. В README отмечены ограничения базовой визуальной модели: слабое пространственное рассуждение, подсчёт объектов и выполнение сложных многошаговых инструкций; она также не обрабатывает аудио в видео. Практическую точность поиска следует оценивать на целевых интерфейсах и устройствах.

Arch-Router-1.5B — компактная языковая модель для маршрутизации запросов между различными LLM. Она разработана Katanemo на базе Qwen/Qwen2.5-1.5B-Instruct и предназначена для использования в многомодельных системах, включая открытый AI-native proxy Arch. Модель анализирует пользовательский запрос и выбирает наиболее подходящий маршрут с учётом заданных предпочтений. В основе маршрутизации лежит сопоставление запроса с доменом и действием: доменом может быть, например, программирование, право или здравоохранение, а действием — генерация кода, суммаризация, перевод или бронирование. Маршруты описываются пользователем и связываются с предпочтительными моделями или их вариантами. Модель возвращает название наиболее подходящего маршрута в заданном JSON-формате, а при отсутствии релевантного маршрута может выбрать специальный маршрут other. Ключевые характеристики модели: размер 1,5 млрд параметров, текстовая модальность, архитектура и формат совместимы с использованием через transformers, заявленный язык — английский. Она ориентирована на низкую задержку и высокую пропускную способность, поддерживает прозрачную и настраиваемую маршрутизацию, а добавление новых доменов и действий не требует переобучения маршрутизатора. Ограничения включают зависимость качества от корректных описаний маршрутов и рекомендованного формата промпта; сведения о размере контекстного окна в README не указаны. Лицензия обозначена как katanemo-research.

AutoGLM-Phone-9B-Multilingual — мультимодальная модель Zhipu AI для управления Android-смартфоном по запросам на естественном языке. Она дообучена на базе zai-org/GLM-4.1V-9B-Base и использует архитектуру GLM-4V с плотной моделью для обработки текста и изображений. В составе Phone Agent модель анализирует снимки экрана и помогает планировать последовательности действий в интерфейсе; фреймворк выполняет их через ADB. Модель предназначена для автоматизации мобильных сценариев, например поиска рекомендаций в приложении. В README упомянуты подтверждение чувствительных действий и передача управления человеку при входе или вводе кода подтверждения. Метаданные указывают китайский язык карточки, но название Multilingual само по себе не подтверждает список поддерживаемых языков. Модель распространяется по лицензии MIT; README позиционирует проект для исследований и обучения.

DavidLanz подготовил дообученную текстовую модель на базе unsloth/functiongemma-270m-it с архитектурой Gemma 3 для генерации текста и работы с вызовами функций. Модель содержит 257 млн параметров, принимает текст и поддерживает контекст до 32 768 токенов. В карточке указано, что обучение выполнено с помощью Unsloth и библиотеки TRL от Hugging Face. Модель подходит для преобразования текстовых запросов в вызовы функций и создания компактных диалоговых агентов с таким интерфейсом. Поддерживаемый язык карточки — английский. Лицензия Apache-2.0.

Gemma-4-31B-Fable-Coder — разработанная DavidrPatton мультимодальная модель на 31 млрд параметров, дообученная на unsloth/gemma-4-31b-it-unsloth-bnb-4bit. Она предназначена для агентных сценариев: многошагового рассуждения, вызова инструментов по заданным схемам и управления графическим интерфейсом. Модель принимает изображения и текст, анализирует скриншоты настольных приложений и веб-страниц, а также формирует структурированные действия, включая координаты кликов и ввод текста. В README заявлены обучение на наборах данных для агентного программирования, GUI-контроля, веб-навигации и визуально обусловленных вызовов инструментов, а также шаблон gemma-4-thinking. Модель распространяется в формате safetensors под лицензией Apache-2.0. Для интеграции с управлением интерфейсом нужны внешняя среда исполнения и маршрутизация действий; заявленные возможности и качество следуют из карточки модели и не сопровождаются независимыми оценками.

GPT-5.2 — модель семейства GPT-5, представленная как новейшая флагманская модель OpenAI. В карточке отмечены адаптивное распределение вычислений и улучшения в агентных сценариях и работе с длинным контекстом относительно GPT-5.1. Модель предназначена для агентных задач и работы с длинным контекстом. Метаданные каталога относят её к задаче image-text-to-text, однако README не описывает поддерживаемые типы входных данных, архитектуру, размер, языки или конкретные сценарии использования. Сведения о лицензии также отсутствуют, поэтому условия использования по доступным данным определить нельзя.

Holo-3.1-35B-A3B-GGUF — набор квантизированных версий модели Hcompany/Holo-3.1-35B-A3B, подготовленный пользователем barozp для запуска через llama.cpp. Это мультимодальная vision-language модель на архитектуре Qwen3.5 MoE, предназначенная прежде всего для computer-use агентов, работы со скриншотами и сценариев, где требуется анализ изображений вместе с текстом. Заявлена поддержка английского языка и обработка входов в формате «изображение-текст». Контекстное окно составляет до 262 144 токенов. Модель содержит 35 млрд параметров суммарно, при этом в вычислениях активно используется около 3 млрд параметров благодаря архитектуре MoE. Репозиторий предлагает варианты квантизации от 2 до 8 бит с примерным размером файлов от 12 до 39 ГБ, а также отдельный F16-файл mmproj размером около 0,9 ГБ для мультимодальной обработки. Доступна и BF16-версия размером около 69,4 ГБ в исходном репозитории. Квантизация выполнена с помощью llama-quantize, при этом использована предварительно рассчитанная imatrix. Сильными сторонами являются сочетание мультимодального ввода, специализация на компьютерном управлении, большой контекст и возможность выбрать компромисс между качеством и требованиями к памяти. Ограничения связаны с необходимостью совместимого окружения llama.cpp, отдельного vision-проектора для работы с изображениями и значительными требованиями к дисковому пространству и памяти, зависящими от выбранной квантизации. Модель распространяется по лицензии Apache 2.0.

inclusionAI-UI-Venus-2-9B-GGUF — GGUF-квантизированная версия мультимодальной модели UI-Venus-2-9B, разработанной inclusionAI подразделения Ant Group. Модель создана на базе Qwen3.5-9B как универсальный GUI-агент для взаимодействия с мобильными приложениями, веб-сайтами и настольными операционными системами. Она работает в замкнутом цикле: анализирует интерфейс, рассуждает о состоянии задачи, выполняет действие и учитывает полученную обратную связь. В README заявлена поддержка английского языка и сценариев image-text-to-text, мультимодального анализа, навигации и автоматизации интерфейсов. Модель ориентирована на управление графическими интерфейсами, включая мобильное и компьютерное использование, веб-навигацию, распознавание элементов интерфейса и решение CAPTCHA. Обучение включало мультимодальное предварительное обучение на симулированных траекториях, offline reinforcement learning для специализированных задач и дистилляцию нескольких учителей в единую политику. Указаны результаты на AndroidWorld, MobileWorld, OSWorld-Verified, DeskCraft, WebVoyager, Online-Mind2Web, ScreenSpot-Pro и VenusBench-CAPTCHA, а также улучшение показателей безопасности по сравнению с базовой Qwen3.5-9B. В репозитории доступны варианты GGUF от BF16 до Q3_K_S, включая отдельный мультимодальный проектор mmproj-bf16; размер файлов модели составляет примерно от 4,26 до 17,9 ГБ. Для запуска рекомендуется llama.cpp, а также предусмотрена работа через vLLM с OpenAI-совместимым endpoint, однако для разбора действий и полноценного замкнутого выполнения требуется отдельный репозиторий UI-Venus. README рекомендует сохранять подтверждение пользователя для потенциально значимых операций. Для данного репозитория указана лицензия Apache-2.0, при этом в описании отмечено, что финальная лицензия исходной модели на момент выпуска ожидала подтверждения.

raimundsz/Llama-3.2-3B-Instruct_4TINA2 — дообученная текстовая модель семейства Llama 3.2, созданная для TINA AI. Она анализирует сообщения пользователей, определяет их намерение и возвращает результат на английском языке в JSON-подобной структуре с полями intent, object и parameters. Модель основана на unsloth/Llama-3.2-3B-Instruct, имеет 3,2 млрд параметров и контекст до 131 072 токенов; репозиторий содержит веса в формате safetensors. Модель предназначена для распознавания намерений в пользовательских запросах, в том числе для маршрутизации запросов и извлечения связанных объектов и параметров. Метаданные перечисляют английский, немецкий, французский, итальянский, испанский, португальский, хинди и тайский, однако README явно задаёт английский язык для результата. Лицензия — llama3.2. Карточка не сообщает оценок качества или дополнительных ограничений.

Llama-3-Groq-8B-Tool-Use-GGUF — набор GGUF-квантизированных версий модели Llama-3-Groq-8B-Tool-Use, разработанной Groq на базе Llama 3. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста на английском языке, включая сценарии tool use и function calling, где требуется взаимодействие с внешними инструментами или API. Это текстовая модель без заявленной поддержки изображений или других модальностей. Модель содержит около 8 млрд параметров и распространяется в вариантах от F32 до Q2_K и IQ2_M с размером файлов примерно от 2,95 до 32,13 ГБ. Доступны различные уровни квантизации, включая рекомендуемые Q4, Q5 и Q6, позволяющие выбирать баланс между качеством и требованиями к оперативной памяти. Для запуска предлагается использовать llama.cpp или LM Studio; README также указывает специальный формат промпта с ролями system, user и assistant и служебными токенами Llama 3. Размер контекста в предоставленных данных не указан. Сильными сторонами являются специализация на использовании инструментов, широкий выбор квантизированных вариантов и возможность локального запуска. Более агрессивная квантизация уменьшает требования к памяти, но может снижать качество ответов; варианты с низким битрейтом прямо характеризуются как низкокачественные или не рекомендуемые. Лицензия указана как llama3.

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.