I.14Автоматизация процессов и AI-агенты

Карточка модели gsarch/ViGoRL-MCTS-SFT-3b-Spatial на Hugging Face совпадает с карточкой gsarch/ViGoRL-3b-Spatial, поэтому описание составлено по ней. gsarch/ViGoRL-3b-Spatial — мультимодальная модель для визуального рассуждения, разработанная авторами проекта ViGoRL. Это дообученная с помощью SFT и обучения с подкреплением модель Qwen2.5-VL-3B-Instruct с архитектурой Qwen2.5-VL и 3,1 млрд параметров. Она связывает шаги текстового рассуждения с координатами на изображении и предназначена для пространственных задач, требующих локализации объектов и анализа областей изображения. В обучении использовались трассы рассуждений, созданные методом MCTS, и GRPO; семейство ViGoRL также описывает многошаговое увеличение выбранных областей, но наличие этого режима у данной версии отдельно не подтверждено. Модель принимает изображения и текстовые запросы и выдаёт текстовые ответы; базовая модель поддерживает контекст до 128 000 токенов. Применима для визуального поиска, пространственного анализа и задач локализации на скриншотах. Условия лицензии в предоставленных данных не описаны.

nextgeo/address-extraction — модель для извлечения адресов из турецкого текста, разработанная на основе dbmdz/bert-base-turkish-cased. Это дообученный BERT-энкодер с архитектурой BertForTokenClassification; модель размечает токены для задачи извлечения адресных данных и рассчитана на обработку текста длиной до 512 токенов. Модель обучена на собственном наборе адресов разработчика, который не включён в репозиторий. README описывает запуск предсказания для одного адреса; указано, что среда настроена для CUDA, но должна работать и без GPU. Модель распространяется по лицензии MIT.

arinze/address-match-abp-v1 — модель на базе BERT, опубликованная пользователем arinze. Она преобразует предложения и абзацы в плотные эмбеддинги размерностью 384 и предназначена для поиска семантически похожих текстов, кластеризации и семантического поиска. Модель обучалась с функцией потерь MultipleNegativesRankingLoss и косинусным сходством; размер составляет 25,9 млн параметров, максимальная длина контекста — 512 токенов. Модель подходит для сопоставления адресов по смысловому сходству и поиска близких текстовых записей. Использовать её можно через Sentence-Transformers или Transformers с подходящей операцией pooling. В репозитории указаны веса PyTorch. Данные о лицензии и целевых языках в предоставленных источниках отсутствуют.

DePlot — модель компании Google для преобразования изображений графиков и диаграмм в линейную таблицу. Она основана на архитектуре Pix2Struct и предназначена для визуального анализа данных: модель принимает изображение графика и вопрос о нём, а выдаёт текстовое представление данных, которое можно использовать для последующих ответов и рассуждений с помощью языковой модели. Модель обучена для задачи преобразования графика в таблицу и может работать как компонент системы ответов на вопросы по диаграммам. В статье описан подход DePlot вместе с LLM: DePlot извлекает структурированные данные из графика, а языковая модель рассуждает над ними. Карточка Hugging Face указывает поддержку английского, французского, румынского и немецкого языков, форматы PyTorch и Safetensors, а также лицензию Apache 2.0. DePlot специализируется на графиках и диаграммах, поэтому её возможности не следует считать универсальным визуальным пониманием. Качество ответов на сложные вопросы зависит от точности преобразования графика в таблицу и от языковой модели, подключённой для рассуждений.

Карточка модели Dnoya10/dicoding_genAI_adv_collab_grpo_6 на Hugging Face совпадает с карточкой Dnoya10/dicoding_genAI_adv_collab_grpo_5, поэтому описание составлено по ней. Модель Dnoya10/dicoding_genAI_adv_collab_grpo_5 разработана Dnoya10 и представляет собой дообученную языковую модель семейства Qwen2 с архитектурой Qwen2ForCausalLM и 1,5 млрд параметров. Она предназначена для генерации текста и диалогового взаимодействия; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и выдаёт текст. Поддерживает английский язык и контекст длиной до 32 768 токенов. Обучена с использованием Unsloth и библиотеки TRL от Hugging Face. Распространяется по лицензии Apache-2.0.

Это преобразованная в формат GGUF модель ECAPA-TDNN для определения языка устной речи, основанная на speechbrain/lang-id-voxlingua107-ecapa и подготовленная для использования с CrispASR. Архитектура ECAPA-TDNN сочетает SE-Res2Net и attentive statistical pooling; в модели около 21 млн параметров, веса доступны в формате F16 размером около 43 МБ. Модель определяет язык речи среди 107 языков VoxLingua107 и может работать как предварительный этап перед распознаванием речи в разных ASR-бэкендах. Исходная модель обучена SpeechBrain на VoxLingua107, включающем 6 628 часов речи с YouTube. В репозитории указаны результаты небольшого теста на 12 языках; они не гарантируют аналогичную точность на других записях и условиях. Репозиторий содержит конверсию весов без дообучения и сохраняет лицензию Apache 2.0 исходной модели. Возможности и ограничения распознавания унаследованы от исходной модели; конверсия в GGUF сама по себе их не меняет.

deutsche-telekom/electra-base-de-squad2 — немецкоязычная модель ответов на вопросы, выпущенная Deutsche Telekom. Это дообученная для извлечения ответов из текста базовая ELECTRA electra-base-german-uncased с 138,4 млн параметров и контекстом до 512 токенов. Модель принимает вопрос вместе с текстовым контекстом и возвращает найденный ответ с оценкой и его позициями в исходном тексте. Модель предназначена для ответов на вопросы по немецким документам и другим текстам. Она обучена на наборе deQuAD с 130 тыс. обучающих и 11 тыс. тестовых пар «вопрос–ответ»; в оценке на тестовой выборке deQuAD модель показала Exact Match 70,97 и F1 76,18. Доступны веса PyTorch и Safetensors. Лицензия — MIT.

Adaptive Classifier — модель классификации электронной почты по приоритету, построенная на базе answerdotai/ModernBERT-base. Она присваивает письмам один из трёх классов: low, normal или urgent. Модель поддерживает непрерывное обучение и добавление новых классов, поэтому её можно адаптировать по примерам к меняющимся правилам приоритизации. В карточке указаны 768-мерные эмбеддинги и сбалансированный набор из 15 примеров — по пять для каждого класса. Модель распространяется под лицензией Apache-2.0. Для каждого класса требуется не менее трёх примеров, поддерживается не более 150 примеров на класс; прототипы обновляются каждые десять примеров.

InternVL3-14B-Instruct — мультимодальная модель OpenGVLab для диалога и генерации ответов по тексту и визуальным данным. Это версия SFT семейства InternVL3: она прошла мультимодальное предварительное обучение и supervised fine-tuning, но не этап MPO. Архитектура следует схеме ViT-MLP-LLM и реализована классом InternVLChatModel; модель доступна в формате safetensors для Transformers. Модель предназначена для понимания изображений и видео, мультимодальных рассуждений и диалога, а также задач с несколькими изображениями, GUI, 3D-сценами и научными диаграммами. Визуальная часть использует динамическое разбиение изображений на фрагменты 448×448 и позиционное кодирование V2PE; README также заявляет улучшенное понимание длинного контекста, но числовая длина контекста здесь не приведена. В семействе заявлена многоязычность. Модель может быть полезна для описания изображений, вопросов и ответов по визуальному содержимому, анализа видео и работы с GUI. README рекомендует тем, кто не уверен в выборе версии, использовать InternVL3-14B. Репозиторий указывает лицензию Apache-2.0. Ограничения качества, ресурсоёмкости и поддержки конкретных языков в предоставленных материалах подробно не описаны.

townboy разработал BERT-модель токенной классификации для обнаружения 33 типов персональных данных в корейских текстах. Модель дообучена на KPF/KPF-bert-ner и выдаёт BIO-разметку, которую можно преобразовать в символьные диапазоны PII. Она содержит 141,2 млн параметров и рассчитана на последовательности длиной до 512 токенов. Модель предназначена для извлечения персональных данных из корейских предложений и документов, включая имена, адреса, электронную почту и идентификационные номера. На синтетическом независимом наборе из 1 320 документов автор получил micro-F1 0,8643; validation micro-F1 составил 0,996463, но он измерялся на менее строгих условиях. Для структурированных 13-значных корейских идентификационных номеров README рекомендует отдельную нормализацию и проверку контрольной суммы. Модель распространяется по MIT License вместе с оговоркой, что перед использованием и распространением нужно проверить актуальные условия лицензии базовой модели. Синтетический характер обучающих и оценочных данных ограничивает переносимость результатов на реальные документы и рабочие домены.

Llama-3.1-Nemotron-Safety-Guard-8B-v3 — многоязычная модель NVIDIA для проверки безопасности пользовательских запросов и ответов языковых моделей. Она классифицирует текст как безопасный или небезопасный и для небезопасного содержания возвращает категории нарушенных правил в JSON-формате. Модель предназначена для разработчиков и исследователей, создающих системы на базе LLM, и заявлена как готовая к коммерческому применению. Это дообученная версия Meta Llama-3.1-8B-Instruct с архитектурой Transformer и адаптацией LoRA; в метаданных указано 7,5 млрд параметров, формат весов — safetensors. Карточка описывает поддержку девяти языков: английского, испанского, китайского, немецкого, французского, хинди, японского, арабского и тайского; также заявлена нулевая генерализация более чем на 20 языков, включая русский. Метаданные указывают контекст до 131 072 токенов, тогда как README приводит ограничение до 8 тыс. токенов. Модель настроена на таксономию рисков NVIDIA и обучена на Nemotron-Safety-Guard-Dataset-v3 с использованием синтетических, переведённых и размеченных примеров. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует проверять в лицензии репозитория. NVIDIA рекомендует проверять интеграцию на данных конкретного сценария перед развёртыванием.

Карточка модели MksShir/Llama-Guard-3-8B-KSTU-Censor на Hugging Face совпадает с карточкой meta-llama/Llama-Guard-3-8B, поэтому описание составлено по ней. 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.

Это дообученная модель KKHYA на основе KKHYA/llavaqwen3-1.7b-finetune, предназначенная для генерации текста и диалогов. Она содержит 1,7 млрд параметров, использует архитектуру NMMaskMoELLaVAQwen3ForCausalLM и рассчитана на контекст до 40 960 токенов. Модель доступна в форматах PyTorch и safetensors и поддерживает интерфейс вызова инструментов. Модель можно применять для генерации ответов и ведения диалогов. Датасет дообучения в карточке не описан, поэтому специализацию и качество на конкретных задачах установить нельзя. Лицензия — Apache-2.0.

MemPrivacy-1.7B-SFT — компактная языковая модель, разработанная IAAR-Shanghai и дообученная на базе Qwen/Qwen3-1.7B для управления персональной памятью в edge-cloud-агентах. Она извлекает из диалогового текста чувствительные фрагменты, классифицирует их по четырёхуровневой шкале PL1–PL4 и заменяет типизированными заполнителями, сохраняя исходные значения локально для последующего восстановления. Модель предназначена для локальной обработки пользовательских диалогов перед отправкой облачному агенту: такая подготовка помогает защищать персональные данные и при этом сохранять смысловые связи, полезные для формирования и поиска памяти. Архитектура — плотная Qwen3ForCausalLM с 1,7 млрд параметров; модель поддерживает контекст до 40 960 токенов и работает через Transformers. В README заявлены английский и китайский языки, а также оптимизация для локального развертывания на устройствах с ограниченными ресурсами. Заявления о высокой точности и сравнении с крупными моделями приведены авторами, независимое подтверждение в предоставленных материалах отсутствует. Для структурированного вывода README показывает использование JSON-схемы и constrained decoding. Лицензия CC-BY-NC-ND-4.0 запрещает коммерческое использование и распространение производных версий согласно её условиям.

Это некорректированная версия MiniCPM5-2B, созданная 0xSojalSec методом abliteration на основе openbmb/MiniCPM5-2B. Модель предназначена для генерации текста и диалоговых сценариев; карточка также указывает поддержку вызова инструментов и применение на локальных и периферийных устройствах. Архитектура — плотная LlamaForCausalLM, размер — 2,2 млрд параметров, формат весов — Safetensors, длина контекста — до 131 072 токенов. В карточке отмечены английский и китайский языки. Abliteration меняет поведение модели в отношении отказов, но карточка не приводит оценок качества или подробностей метода. Лицензия — Apache 2.0.

dealignai публикует для Apple Silicon вариант Mistral Small 4 с поддержкой диалогов и изображений. Это производная от mistralai/Mistral-Small-4-119B-2603 модель с архитектурой Mistral 3 и классом Mistral3ForConditionalGeneration; базовая модель имеет 119 млрд параметров и MoE-архитектуру с примерно 8 млрд активных параметров, MLA и 128 экспертами. Вариант CRACK прошёл вмешательство в веса, удаляющее отказы по соображениям безопасности, а веса представлены в смешанно-точном формате JANG_2L: 8-, 6- и 2-битные компоненты, около 37 ГБ. Для запуска нужны MLX Studio или пакет jang-tools с MLX; формат несовместим с GGUF-приложениями. Модель предназначена для диалогов, рассуждений и анализа изображений, а также может использовать интерфейс вызова инструментов. В README приведены результаты тестов HarmBench и MMLU, однако они не гарантируют качество или безопасность ответов в реальных сценариях; автор также отмечает снижение точности из-за низкой точности квантования. Модель ориентирована на английский язык. Лицензия — Apache-2.0.

Это модель извлечения именованных сущностей (NER) для индонезийского языка, разработанная Asep Muhamad и предназначенная для использования в spaCy версии 3.8.x. Она классифицирует сущности в индонезийских текстах по 19 типам, включая людей, организации, геополитические объекты, даты, время, денежные значения, количества, продукты, события и произведения искусства. Модель подходит для анализа новостей, финансовых, образовательных и других формальных текстов, а также для пакетной обработки документов. Модель построена на архитектуре spaCy TransitionBasedParser с HashEmbedCNN для преобразования токенов в векторы; используются 96-мерные эмбеддинги, глубина 4 слоя и скрытая размерность 64. Обучение проводилось на данных Universal Dependencies v2.8. По заявленным результатам, token-level F1 составляет 95,52%, precision — 95,31%, recall — 95,72%, а скорость обработки достигает 66 612 токенов в секунду. Sentence-level F1 составляет 85,83%, что указывает на менее стабильное распознавание полного набора сущностей в предложении. Модель лучше всего подходит для формального индонезийского текста; на разговорной речи и в узкоспециализированных доменах качество может снижаться. Возможны ошибки в определении границ сложных составных сущностей. Модель распространяется по лицензии CC BY-SA 3.0 и требует spaCy версии не ниже 3.8.0 и ниже 3.9.0.

OGSQL-Mistral-7B — модель OneGate, дообученная на базе Mistral 7B Instruct для преобразования запросов на естественном языке в SQL-запросы. Она предназначена для формирования команд к базам данных по описанию пользователя, в том числе для тех, кто не владеет SQL. Модель построена на архитектуре Mistral и содержит 7,1 млрд параметров. Она принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. README описывает генерацию SQL, а метаданные указывают текстовую генерацию и чат-возможности. Модель опубликована в формате safetensors и распространяется по лицензии CC BY 4.0.

LocalDoc разработала модель распознавания персональных данных в азербайджанском тексте на основе компактного энкодера ModernBERT. Она выполняет NER и выделяет 15 типов сущностей, включая имена, фамилии, адреса, электронную почту, номера телефонов, паспортные и налоговые номера. Модель содержит 69,7 млн параметров, принимает текст и возвращает метки токенов; контекст — до 8192 токенов. В README указано, что для инференса текст нужно предварительно перевести в нижний регистр; модель обучена на азербайджанских и английских данных с синтетическими примерами, транслитерациями и сложными отрицательными примерами. Модель предназначена для обнаружения и последующей защиты персональных данных в сообщениях, документах и других текстах. README приводит F1 0,9974 на оценочном наборе и заявляет более высокую скорость по сравнению с XLM-RoBERTa, однако качество на реальных данных может отличаться. Ограничения включают слабую надёжность для языков помимо азербайджанского и английского, возможное неверное распознавание названий районов как имён и проблемы с телефонными номерами через дефис. Лицензия MIT разрешает коммерческое использование и распространение с соблюдением её условий.

mgmbykai/Qwen3-0.6B-JSON-SFT-GRPO — дообученная модель семейства Qwen3, разработанная mgmbykai на базе mgmbykai/Qwen3-0.6B-JSON-SFT. Это плотная каузальная языковая модель с 507,9 млн параметров для генерации текста, в том числе в диалоговом формате и с интерфейсом вызова инструментов. В карточке указано, что модель обучалась с использованием Unsloth и библиотеки TRL. Модель принимает текст и генерирует текст; контекстное окно составляет 40 960 токенов. В метаданных указан английский язык. Репозиторий распространяется в формате safetensors по лицензии Apache 2.0. Карточка не описывает отдельно специализацию на JSON или результаты оценки качества, поэтому пригодность для структурированного вывода следует проверять на целевых запросах.

Qwen3Guard-Stream-8B — модель модерации безопасности из серии Qwen3Guard, разработанной на базе Qwen3. Она дообучена на 1,19 млн размеченных безопасных и небезопасных запросов и ответов. Версия Stream предназначена для проверки текста по мере его генерации: токеновый классификационный слой позволяет отслеживать риски в потоковых сценариях. Модель относит содержимое к трём уровням: безопасное, спорное и небезопасное; охватывает насилие, незаконные действия, сексуальный контент, персональные данные, самоповреждение, неэтичное поведение, политически чувствительные темы, нарушения авторских прав и попытки обхода инструкций во входных данных. Модель поддерживает 119 языков и диалектов. Это плотная архитектура Qwen3 с 7,6 млрд параметров и контекстом 8192 токена; репозиторий содержит веса Safetensors, а для работы указаны Transformers и SGLang. Лицензия — Apache-2.0. В метаданных основная задача обозначена как извлечение признаков, поэтому модель следует интегрировать как классификатор в совместимый потоковый конвейер модерации; поддержка vLLM в README на момент публикации ещё разрабатывалась.

Qwen-AgentWorld-35B-A3B-VL36 — экспериментальная мультимодальная модель, созданная автором репозитория havok2 путём переноса визуального блока из Qwen/Qwen3.6-35B-A3B в текстовую основу Qwen/Qwen-AgentWorld-35B-A3B. Это не дообучение: текстовые веса AgentWorld сохранены, а веса ViT и проектора добавлены без обучения. Архитектура — Qwen3.5 MoE с 35 млрд параметров; модель принимает текст и изображения, поддерживает диалоги и интерфейс вызова инструментов. В README также заявлен ввод видео. Карточка ориентирована на английский язык. Модель предназначена для агентных диалогов и работы с изображениями, включая описание объектов, цветов и их расположения, а также OCR. Для запуска автор приводит пример с vLLM версии 0.23 или новее. Веса опубликованы в формате safetensors в BF16, лицензия — Apache-2.0. Визуальный блок взят из поколения Qwen3.6, тогда как текстовая основа относится к поколению Qwen3.5. По README, модель прошла только базовые тесты на синтетических изображениях и не имеет бенчмарков; качество зрения может отличаться от нативно обученной VLM. Дополнительная настройка безопасности и оценка не проводились.

BRlin публикует конверсию модели empero-ai/Qwythos-9B-Claude-Mythos-5-1M в формат MLX bf16 для запуска на Apple Silicon. Это плотная мультимодальная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration, примерно 9 млрд параметров и конфигурацией контекста до 1 048 576 токенов. Модель принимает текст и изображения, поддерживает диалог, визуальные запросы, рассуждения и работу с инструментами; в метаданных указан английский язык. Веса сохранены без квантизации, поэтому конверсия рассчитана на сохранение поведения исходной модели при использовании MLX и Metal. В README приведено сравнение на Apple M4 Pro: генерация текста около 14,5 токена в секунду против 7,4 у исходного варианта в PyTorch-MPS; для запуска указано около 19 ГБ памяти. Эта публикация предназначена для локального вывода на Apple Silicon и не описывает отдельное дообучение BRlin. Лицензия — Apache-2.0. Указанные скорости относятся к конкретной конфигурации и устройству; длинный контекст и bf16 требуют значительных ресурсов памяти. Поведение и авторство исходной модели README относит к Empero AI.

Hassan20-04/scribe_august_9 — дообученная Hassan20-04 языковая модель семейства GPT-OSS на базе unsloth/gpt-oss-20b-unsloth-bnb-4bit. Это причинная MoE-модель для генерации текста и диалогов; метаданные указывают поддержку интерфейса вызова инструментов. Модель обучалась с Unsloth и библиотекой Hugging Face TRL. Карточка указывает лицензию Apache-2.0. Метаданные сообщают контекст до 131 072 токенов и размер 1,6 млрд параметров; модель поддерживает английский язык. Конкретная специализация дообучения и оценки качества в карточке не описаны.

gokaygokay/SmolLM2-Prompt-Enhance — компактная англоязычная модель генерации текста, созданная дообучением HuggingFaceTB/SmolLM2-135M-Instruct. Она предназначена для улучшения и переформулирования пользовательских промптов. Модель построена на плотной архитектуре семейства Llama и содержит 134,5 млн параметров; максимальная длина контекста — 8192 токена. Для работы с моделью используется библиотека Transformers. Модель подходит для автоматической доработки запросов перед передачей другой языковой модели, включая уточнение формулировок и повышение информативности промптов. В метаданных указаны английский язык и возможность диалогового взаимодействия. Весы хранятся в формате safetensors. Лицензия — Apache-2.0.

Tongue — компактная модель идентификации языка от desert-ant-labs, предназначенная для определения языка коротких строк на устройстве. Она классифицирует текст длиной до 512 символов и выдаёт ранжированные коды ISO 639-1/639-3 с вероятностями и оценкой надёжности. Модель охватывает 84 языка: 59 распознаются по лексическим признакам, ещё 25 — по письменности; поддерживается 31 письменность. Для обработки используются нормализация, хеширование и маршрутизация по письменности на стороне приложения, а ONNX-граф содержит классификационную голову. Поставляются варианты весов int8 размером 2,01 МиБ и int4 размером 1,01 МиБ, а также граф ONNX в fp32 размером 8,4 МБ. По приведённым в карточке тестам точность особенно высока на коротких фразах и предложениях; вариант int4 немного уступает на очень коротком вводе. Модель рассчитана на офлайн-работу в браузерах, мобильных и настольных приложениях. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

WebGLM-2B — модель-генератор на базе GLM с 2,5 млрд параметров, разработанная командой Zhipu AI для системы ответов на вопросы с использованием веб-поиска и извлечения информации. Эта карточка содержит компонент Bootstrap Generator: он формирует ответы на вопросы, используя найденные веб-материалы для повышения их точности и полезности. Модель предназначена для сценариев веб-дополненного поиска и ответов на вопросы. В полной системе WebGLM также предусмотрены модуль извлечения релевантных веб-страниц и оценщик ответов с учётом предпочтений людей; этот репозиторий содержит только генератор. В метаданных указаны архитектура GLM, формат PyTorch и английский язык. Сведения о лицензии и длине контекста в предоставленных источниках отсутствуют.

Экспериментальный чекпойнт laion, полученный дообучением базовой модели laion/GLM-4_7-swesmith-sandboxes-with_tests-oracle_verified_120s-maxeps-131k-fixthink методом SkyRL GRPO. Это плотная причинно-языковая модель семейства Qwen3 примерно на 7,6 млрд параметров; она принимает текст и генерирует текст, поддерживает чат и имеет контекст до 40 960 токенов. Чекпойнт соответствует шагу обучения 30 и создан в рамках абляционного исследования, сравнивающего усреднение потерь по последовательности с токенным усреднением и оцениватель преимуществ RLOO-n. Модель предназначена для агентных задач SWE и проверки Python-методов тестами в среде разработки. В README указан обучающий набор DCAgent/exp_rpt_pymethods2test-large и связанный набор трасс запусков; обучение проводилось с SkyRL GRPO на узлах GH200. Карточка описывает исследовательский чекпойнт, поэтому его пригодность для практического применения требует отдельной оценки. Лицензия в предоставленных данных не указана.

efworktrial/axiom-content-finetuned — дообученная разговорная языковая модель, разработанная efworktrial на базе unsloth/meta-llama-3.1-8b-instruct-unsloth-bnb-4bit. Это плотная модель семейства Llama для генерации текста и диалогов; в метаданных указаны 7,5 млрд параметров и контекст до 131 072 токенов. Поддерживается интерфейс вызова инструментов. Модель предназначена для генерации ответов и ведения диалога на английском языке. Она обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Доступна по лицензии Apache-2.0. README не раскрывает состав обучающих данных, конкретные улучшения после дообучения или результаты оценки качества.

Bonsai-2-27B-1.75bit-JANG — локальная мультимодальная модель для диалога и рассуждений, опубликованная OsaurusAI. Это плотная условно-генеративная VLM на архитектуре Qwen3.8-27B: 64 блока, включая 48 GatedDeltaNet и 16 блоков полного внимания. Она принимает текст и изображения, поддерживает обработку видео, чат-шаблон с режимом рассуждений и интерфейсом вызова инструментов. Репозиторий содержит JANG-affine-представление тернарных весов исходной модели prism-ml/Ternary-Bonsai-2-27B-mlx-2bit. Текстовые матрицы упакованы с плотностью 1,75 бита на вес; при загрузке они без потерь разворачиваются в 2-битное представление MLX. Указанная в карточке библиотека — MLX, лицензия — Apache-2.0. Модель предназначена для локального диалога, визуальных вопросов и ответов, анализа изображений и видео, рассуждений и сценариев с инструментами. Для корректной работы необходим загрузчик с поддержкой JANG Hadamard и тернарной упаковки: README предупреждает, что стандартные загрузчики mlx_lm и mlx_vlm могут выдавать неверные результаты без явной ошибки. Указана проверка совпадения логитов с тернарным исходником на ограниченном наборе запросов; это не подтверждает качество на широком наборе задач.