I.14Автоматизация процессов и AI-агенты

SUPEROXIDES/NANBEIGE4.2_3B_DSPARK_-_GGUF — набор GGUF-квантизаций DSpark для Nanbeige4.2-3B, подготовленный пользователем SUPEROXIDES с использованием llama.cpp build 10729. Исходную модель разработала команда Nanbeige. Это не самостоятельная универсальная модель, а draft-модель для speculative decoding, предназначенная для совместного использования с Nanbeige4.2-3B для ускорения инференса. Nanbeige4.2-3B — компактная агентная языковая модель с архитектурой Looped Transformer, повторно использующей слои трансформера для увеличения эффективной емкости без добавления параметров. Она ориентирована на использование инструментов, офисные и программные агентские задачи, математическое, кодовое и научное рассуждение, а также локальные сценарии персонального помощника. В модели заявлены около 3B параметров без учета эмбеддингов и поддержка английского и китайского языков. Модель относится к классу text-generation; сведения о размере контекста и точных параметрах квантизаций в README не указаны. Сильные стороны исходной модели — агентное поведение, рассуждение и эффективность при небольшом размере; в README приведены высокие результаты на ряде агентских, кодовых и reasoning-бенчмарков. Ограничение данной публикации состоит в том, что DSpark-веса предназначены для speculative decoding и требуют совместимой основной модели Nanbeige4.2-3B. Указано, что GGUF-файлы не содержат importance matrix data. Распространение выполняется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-bcl-de — модель машинного перевода из семейства MarianMT, разработанная проектом OPUS и опубликованная Helsinki-NLP. Она переводит текст с языка биколь (bcl) на немецкий (de) и обучена на данных OPUS. Модель использует архитектуру Transformer Align, нормализацию текста и токенизацию SentencePiece; размер составляет 56,3 млн параметров, контекст — до 512 токенов. Модель предназначена для автоматического перевода текстов с бикольского на немецкий. В тесте JW300.bcl.de указаны оценки BLEU 30,3 и chr-F 0,510. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-ceb-en — модель машинного перевода Cebuano на английский язык из проекта OPUS-MT, связанного с Helsinki-NLP. Она использует архитектуру MarianMT на базе Transformer-align; для предварительной обработки применяются нормализация текста и SentencePiece с токенизаторами по 32 тыс. элементов. Модель содержит 54,5 млн параметров, рассчитана на контекст до 512 токенов и доступна в форматах PyTorch и TensorFlow. Модель предназначена для перевода текстов с Cebuano на английский, включая отдельные фразы и предложения. В README приведён результат BLEU 21,5 на тестовом наборе Tatoeba-test.ceb.eng. Модель не заявлена как многоязычная и работает только в направлении Cebuano → English. Лицензия — Apache-2.0. Результат зависит от тематики и качества исходного текста; указанная оценка относится к одному тестовому набору и не гарантирует аналогичное качество на других данных.

Helsinki-NLP/opus-mt-gil-fr — модель машинного перевода семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с языка Gilbertese (gil) на французский (fr) и предназначена для автоматического перевода предложений и текстов в этом языковом направлении. Модель использует архитектуру MarianMT на основе Transformer; размер — 52,4 млн параметров, контекст — до 512 токенов. Предобработка включает нормализацию и SentencePiece. Для тестового набора JW300.gil.fr в карточке приведены результаты BLEU 24,9 и chr-F 0,424. Модель распространяется по лицензии Apache-2.0. Результаты относятся к указанному тестовому набору; качество на других текстах и предметных областях может отличаться.

pt-ai-detector — модель Detecting-ai для классификации португалоязычных текстов по вероятному авторству: человеческий текст или текст, сгенерированный ИИ. Это BERT-base, дообученная на базе neuralmind/bert-base-portuguese-cased; размер модели — 136,1 млн параметров, максимальный контекст — 512 токенов. Репозиторий содержит веса Safetensors и формат ONNX. Модель предназначена для выявления ИИ-текстов в эссе, статьях, чатах и обращениях в поддержку. Обучение включало сбалансированные наборы человеческих и сгенерированных текстов на португальском языке; в README заявлена точность около 99% на сбалансированном тестовом наборе. Модель не обучалась на коде и других языках, а качество может снижаться на текстах короче 10 токенов и сильно перефразированных генерациях. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование.

Qwen2.5-CascadeRL-RM-72B — модель вознаграждения NVIDIA на архитектуре Qwen2, дообученная на базе Qwen2.5-72B-Instruct с целевой функцией Bradley–Terry. Она оценивает предпочтительность ответа ассистента: на вход подаётся диалог пользователя и ассистента, а модель присваивает оценку последнему ходу ассистента. Модель предназначена для этапа обучения с подкреплением на основе обратной связи от людей (RLHF), в том числе в семействе Nemotron-Cascade. Модель содержит 71,5 млрд параметров, использует архитектуру классификации последовательностей и поддерживает контекст до 32 768 токенов. Карточка приводит результаты RewardBench: 95,15 в целом, с высокими оценками для чата, безопасности и рассуждений. Репозиторий содержит веса Safetensors для Transformers. Лицензия указана как other, поэтому условия использования следует сверять с лицензией и сопутствующими материалами репозитория.

Red Hat разработала RedHatAI/Qwen3-30B-A3B-speculator.eagle3 — вспомогательную модель-спекулятор для ускорения генерации текста основной моделью Qwen3-30B-A3B в режиме рассуждений. Она использует алгоритм speculative decoding EAGLE-3 и архитектуру Eagle3Speculator: предлагает до пяти следующих токенов, которые основная модель проверяет. Это не самостоятельная чат-модель; для работы нужны Qwen3-30B-A3B и совместимый сервер, например vLLM, с шаблоном чата Qwen3 и интерфейсом /chat/completions. Модель обучена с включённым режимом рассуждений на данных Magpie-Align/Magpie-Pro-300K-Filtered и HuggingFaceH4/ultrachat_200k; в описании также указано, что ответы для обучающих данных получены от Qwen3-30B-A3B. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. README приводит настройки и оценку производительности, но без значений таблицы нельзя оценить ожидаемый прирост скорости для конкретной нагрузки. Для сценариев без рассуждений разработчик рекомендует отдельный спекулятор для Qwen3-30B-A3B-Instruct-2507.

Brendan/refpydst-1p-referredstates-split-v1 — модель эмбеддингов на базе MPNet, разработанная Brendan и дообученная на 1% выборке MultiWOZ с помощью supervised contrastive loss. Она предназначена для поиска подходящих примеров MultiWOZ, которые можно включать в контекст при решении задач диалогового состояния; входные примеры должны быть оформлены в специальном формате, описанном в связанном репозитории. Это не универсальный кодировщик предложений. Модель преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу и извлечения примеров. Основана на sentence-transformers/all-mpnet-base-v2, содержит 136,7 млн параметров и имеет контекст длиной 514 токенов. Доступны веса PyTorch. Лицензия в предоставленных данных не указана.

irfanamal/roberta_multiple_choice — модель на базе RoBERTa, дообученная для выбора правильного варианта из нескольких предложенных ответов. Она предназначена для задач multiple choice, где вход содержит вопрос и варианты ответа, а модель оценивает их и помогает выбрать наиболее подходящий. Модель имеет архитектуру RobertaForMultipleChoice, около 151,8 млн параметров и контекст до 514 токенов. В README приведены результаты оценки: accuracy 0,58 и loss 1,2868; обучающий датасет не описан. Модель опубликована в формате PyTorch под лицензией MIT. Язык и предметная область обучения не установлены по доступным данным, поэтому применимость к конкретной тематике требует отдельной проверки.

Beetle-FineWeb-2B/beetle-monolingual-fineweb-2b-pol — компактная модель генерации текста, опубликованная организацией Beetle-FineWeb-2B на Hugging Face. Карточка модели не содержит имени разработчика, описания обучения, поддерживаемых языков или лицензии. Модель предназначена для авторегрессионного продолжения и генерации текста через pipeline text-generation и совместима с Transformers. В метаданных указаны архитектурный компонент pico_decoder, формат Safetensors, тип данных F32 и размер около 0,2 млрд параметров. Контекстное окно и дополнительные модальности не указаны. Модель подходит для локальной генерации польскоязычного текста по идентификатору модели, однако сведения о фактическом языковом покрытии отсутствуют. Данные о сильных сторонах, оценивании, ограничениях и условиях лицензирования в карточке не приведены.

Samika16/ferendis-risk-classifier — дообученная модель DistilBERT для классификации текстовых описаний систем искусственного интеллекта по уровням риска в рамках Закона ЕС об искусственном интеллекте (EU AI Act). Она присваивает одну из пяти меток: минимальный, ограниченный, высокий или неприемлемый риск, либо «review» для описаний, требующих проверки человеком. Модель принимает текст на английском языке; базовая архитектура — DistilBertForSequenceClassification с контекстом до 512 токенов. Модель обучена на 1 538 размеченных примерах. В карточке указаны точность 92,08% и macro F1 0,9209; класс «review» имеет наименьший F1 — 0,84, а ограниченный и высокий риск чаще всего путаются на пограничных примерах. Метки создавались с помощью двух автоматизированных этапов и проверки человеком. Модель предназначена для предварительной сортировки описаний и поддержки анализа, но не заменяет юридическую оценку и не должна быть единственным основанием для решения о соответствии. Лицензия в предоставленных данных не указана.

toloka/gpt2-large-supervised-prompt-writing — дообученная модель генерации текста на архитектуре GPT-2 Large. Карточка указывает дообучение базовой модели gpt2-large, но не описывает набор данных и целевую задачу подробнее; назначение, связанное с написанием промптов, следует из имени репозитория. Модель предназначена для генерации текста, однако карточка не приводит конкретных сценариев применения, языкового охвата или подробностей обучения. Контекст модели — 1024 токена. В README указаны значения Loss 2,0808 и Accuracy 0,8556 на оценочной выборке, но не описаны методика и состав этой выборки. Модель распространяется по лицензии MIT. Ее фактическое качество для написания промптов и других задач по имеющимся данным оценить нельзя.

Kratt — модель классификации комментариев YouTube, созданная для инструмента медиаграмотности Kratt. Это дообученная XLM-RoBERTa base с архитектурой XLMRobertaForSequenceClassification и 305,3 млн параметров. Она присваивает комментарию один из классов: bot или authentic; результат предназначен для оценки вероятности активности ботов и последующей проверки человеком. Модель принимает комментарии только в специальном формате с тегом ниши видео и сведениями о вовлечённости, а также с текстом, подготовленным по правилам из карточки. Для токенизации требуется токенизатор из этого репозитория. Модель обучалась на англоязычных комментариях YouTube; контекстное окно — 514 токенов. Она подходит для анализа комментариев и агрегирования сигналов о бот-активности, но не предназначена для автоматического удаления или сокрытия публикаций. Обучающие метки получены слабой разметкой с помощью LLM и заданной матрицы соответствия, а не полной человеческой аннотацией. Поэтому оценки отражают согласие с этой схемой и требуют проверки на реальных примерах. Модель опубликована под лицензией MIT.

KUCIecareBertBasedUncasedFinetuned — модель на архитектуре BERT, дообученная Ariffiq99 на неизвестном наборе данных. Она предназначена для выбора ответа из нескольких вариантов по текстовому вопросу и вариантам ответа. Модель содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате safetensors. В карточке приведены результаты оценки: loss 1,1213 и F1 0,5413. Эти показатели относятся к указанному оценочному набору и сами по себе не позволяют судить о качестве на других данных. Модель опубликована по лицензии Apache-2.0.

LLaDA-Image-Turbo_ComfyUI — квантованная производная модель LLaDA-Image-Turbo, разработанного inclusionAI, с интеграцией для ComfyUI от RealRebelAI. Модель предназначена для быстрой генерации изображений по текстовому описанию и нативного редактирования изображений по инструкции. Редактирование использует встроенный режим generation_mode="editing" и обработку исходного изображения через механизм image-conditioning/SigVQ, а не обычный img2img с параметром силы шумоподавления. В репозитории доступны полные веса трансформера в формате BF16 Safetensors, нативно квантованные INT8-веса трансформера и текстовый энкодер LLaDA2-MoE в формате GGUF Q4_K_M. Квантизация снижает требования к хранилищу и оперативной памяти. Для генерации рекомендованы 4 шага и CFG/guidance scale 1.0; при редактировании доступны исходное изображение, инструкция, размеры, число шагов, guidance scale, seed и необязательный negative prompt. Размеры для редактирования должны быть кратны 32. Модель ориентирована на использование через пользовательские ComfyUI-ноды RebelAI. README не указывает поддерживаемые языки, максимальный контекст, точный размер модели и архитектурные детали сверх сохранения архитектуры LLaDA-Image. Ограничения включают зависимость от специальной ComfyUI-интеграции и необходимость соблюдать условия лицензии исходной модели inclusionAI; применимые лицензионные требования upstream распространяются на эти производные файлы.

Модель cheesewafer/Llama3-8B-Instruct-sft-alfworld — плотная языковая модель семейства Llama, дообученная разработчиком cheesewafer на базе meta-llama/Meta-Llama-3.1-8B-Instruct для среды ALFWorld. Она предназначена для генерации текста и диалогового взаимодействия, в частности для выполнения задач в ALFWorld. Модель содержит 7,5 млрд параметров, принимает текст и рассчитана на контекст до 131 072 токенов. Репозиторий использует библиотеку Transformers и формат весов safetensors. Карточка не приводит подробностей о методе дообучения, обучающих данных, оценках качества или ограничениях поведения. Модель опубликована под лицензией базовой модели Meta Llama 3.1; условия использования следует сверять с лицензией базовой модели.

lua-mistral-1L-tiny — небольшая языковая модель, дообученная на наборе nilq/small-lua-stack для генерации текста, ориентированной на Lua. В метаданных указаны архитектура Mistral и 18,7 млн параметров; модель принимает текст и выдаёт текст, контекст — до 2048 токенов. Карточка сообщает о дообучении и приводит значение Loss 2,1614 на оценочном наборе, но не описывает методику оценки и конкретные сценарии применения. Язык Lua — язык программирования, поэтому он не добавлен в список естественных языков. Лицензия и базовая модель в доступных данных не указаны.

Helsinki-NLP/opus-mt-eo-hu — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP на основе архитектуры Marian. Она переводит текст с эсперанто на венгерский и предназначена для автоматического перевода отдельных фраз и текстов. Модель содержит около 29 млн параметров, использует Transformer с выравниванием и SentencePiece с нормализацией; максимальная длина контекста — 512 токенов. Для пары Esperanto→Hungarian в README приведён результат BLEU 12,8 на тесте Tatoeba. Модель принимает текст на эсперанто и генерирует текст на венгерском. Распространяется по лицензии Apache-2.0. Показатель на одном тестовом наборе не гарантирует такого же качества на других тематиках и типах текста.

OTel-LLM-8B-A1B-IT — англоязычная языковая модель для генерации ответов по телекоммуникационным данным, разработанная в рамках открытой инициативы OTel Family of Models. Модель получена полным дообучением LiquidAI/LFM2.5-8B-A1B на наборе OTel-LLM. В карточке указаны 8 млрд параметров, тогда как метаданные каталога сообщают 1,6 млрд; это расхождение не позволяет однозначно установить размер. Модель использует архитектуру MoE, работает с текстом и поддерживает контекст до 128 000 токенов. Основной сценарий — генерация ответов, опирающихся на найденные фрагменты документов в RAG-системах для телекоммуникаций. Данные для обучения включают примеры, основанные на материалах 3GPP, IETF, GSMA и других телекоммуникационных источниках. В приведённой оценке точность ответов с предоставленным контекстом составила 88,4% на отложенной части OTel-LLM против 81,2% у базовой модели; это оценка на данных проекта, а не независимый внешний бенчмарк. Модель не оптимизирована для ответов на телекоммуникационные вопросы без найденного контекста; качество зависит от поиска, ранжирования и инструкций. Она рассчитана на английский язык, а сгенерированные ответы следует проверять перед операционным, клиентским, нормативным или сетевым применением. Лицензия модели — Apache-2.0; также необходимо соблюдать условия лицензии или использования базовой модели.

Anbeeld/Qwen3.8-27B-DFlash2-GGUF — набор GGUF-квантизаций draft-модели Inco AI DFlash2 для Qwen 3.8 27B. Модель предназначена для ускорения генерации текста с использованием speculative decoding и block diffusion в совместимых средах, включая BeeLlama.cpp — форк llama.cpp с расширенными возможностями квантования. В README также упомянуты интеграции с sglang и vLLM. Доступны варианты квантования от Q2_K до Q8_0, а также bf16; их размер составляет примерно от 705 МБ до 3,86 ГБ. Модель работает с текстом, однако сведения о поддерживаемых языках, максимальном контексте и точной архитектуре в README не указаны. В приведённых тестах использовались 8192 токена контекста, семь draft-токенов на блок и целевая модель Qwen3.8-27B-UD-Q4_K_M. По результатам тестов разные варианты показали около 104–109 токенов в секунду, но эти показатели зависят от оборудования, рантайма и настроек. Основное преимущество модели — возможность существенно ускорить генерацию при использовании поддерживаемого рантайма и подходящей целевой модели, выбирая компромисс между размером, скоростью и качеством квантования. Ограничения связаны с тем, что это draft-модель, а не самостоятельная полноразмерная целевая модель: для работы требуется совместимая основная модель и специализированный runtime. Лицензия указана как Apache-2.0.

Это экспериментальный чекпойнт Qwen3-Coder-30B-A3B-Instruct, дообученный командой penfever методом асинхронного RLOO на источнике TaskTrove v4.9 для следования инструкциям по работе с календарём. Он предназначен для генерации ответов в календарных сценариях на основе текстовых инструкций. Модель использует архитектуру Qwen3 MoE, содержит 2,6 млрд параметров и поддерживает контекст до 262 144 токенов. В README приведён результат 41 успешного прохождения из 128 на отложенной выборке, однако эта выборка пересекалась с обучающим источником. Поэтому оценка служила для выбора чекпойнта и не подтверждает качество обобщения на новых данных. Модель опубликована в формате safetensors для библиотеки Transformers; сведения о лицензии в предоставленных данных отсутствуют.

Qwen3-TTS-Tokenizer-12Hz — аудиотокенизатор из семейства Qwen3-TTS, разработанный командой Qwen. Он кодирует входную речь в дискретные акустические токены и декодирует токены обратно в речь, чтобы компактно представлять аудио для хранения и передачи, а также использовать его в речевых системах. Архитектура использует 16 слоёв многокодовой книги, частоту токенизации 12,5 Гц и лёгкую каузальную ConvNet. В README заявлены эффективное акустическое сжатие и сохранение просодических и акустических характеристик среды. Семейство Qwen3-TTS охватывает китайский, английский, японский, корейский, немецкий, французский, русский, португальский, испанский и итальянский языки; это описание относится к семейству, а не обязательно к отдельным возможностям токенизатора. Модель предназначена для кодирования и восстановления речи, включая сценарии хранения, передачи и потоковой генерации с низкой задержкой в системах Qwen3-TTS. Репозиторий распространяется по лицензии Apache-2.0. Количественные результаты оценки качества вынесены в технический отчёт; сам README их не приводит.

TensorFamily/SigmaJourney — дообученная модель генерации изображений по текстовому описанию на основе PixArt-Σ XL 2 1024 MS. Она предназначена для создания изображений из текстовых запросов и может использоваться в ComfyUI через Diffusers-совместимые веса в формате safetensors. Модель опубликована в библиотеке Diffusers под лицензией CreativeML Open RAIL-M.

ShadowTooOP/smart-mcq-roberta-base — модель на базе RoBERTa Base, дообученная командой ShadowTooOP для решения заданий с выбором одного из нескольких вариантов. Она выдаёт оценки вариантов ответа, которые можно использовать для выбора наиболее вероятного ответа в системах тестирования и викторинах. Чекпойнт содержит 151,8 млн параметров, использует архитектуру RobertaForMultipleChoice и принимает контекст задания вместе с вариантами ответа в пределах контекста до 514 токенов. Модель описана как первая часть ансамбля: при итоговом инференсе её оценки объединяются с оценками ShadowTooOP/smart-mcq-distilbert-base с весами 0,6 и 0,4 соответственно. Лицензия — Apache-2.0. Карточка не сообщает поддерживаемые естественные языки или специализированные предметные области.

Модель YOLOv8s для обнаружения графических паттернов на скриншотах биржевых графиков разработана FODUU AI и дообучена на пользовательском наборе из 9000 обучающих и 800 проверочных изображений. Она использует архитектуру YOLOv8 и библиотеку Ultralytics для поиска объектов на изображении, включая паттерны «голова и плечи» (верхний и нижний), M_Head, StockLine, Triangle и W_Bottom. Модель предназначена для распознавания паттернов в реальном времени на захватах экрана торговых графиков. Результаты можно использовать для аннотирования изображений, журналирования обнаружений, формирования таблиц Excel, создания видео и настройки оповещений или торговых сценариев. Лицензия в предоставленных данных не указана.

WindyTranslate/translate-eo-fr — модель машинного перевода, опубликованная Windstorm Labs для перевода с эсперанто на французский. Это дообученная версия Helsinki-NLP/opus-mt-eo-fr: LoRA-адаптацию обучили на параллельном корпусе и объединили с базовыми весами. Модель построена на архитектуре Marian, содержит 55,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для перевода отдельных фраз и текстов с эсперанто на французский; другие направления перевода в карточке не заявлены. В скрининговой оценке на 48 предложениях FLORES-200 модель получила chrF++ 41,81 и BLEU 16,58; автор характеризует результат как пригодный к использованию, но не как полноценный публикационный бенчмарк. Доступна в формате safetensors для Transformers. Лицензия — Apache-2.0.

WindyTranslate/translate-fi-kg — модель машинного перевода, опубликованная Windstorm Labs для перевода с финского языка на конго. Это модель MarianMT на архитектуре encoder-decoder с 51,1 млн параметров и контекстом до 512 токенов; она использует Transformers и хранится в формате safetensors. Модель основана на Helsinki-NLP/opus-mt-fi-kg: к исходным весам применили дообучение LoRA на параллельных текстах и объединили адаптер с базовыми весами. Она предназначена для перевода текстов с финского на конго; обратное направление карточкой не заявлено. В скрининговой оценке на 48 предложениях FLORES-200 модель получила chrF++ 29,01 и BLEU 3,41. Это ограниченный результат, а небольшая выборка не позволяет считать его полноценной оценкой качества. Лицензия — Apache-2.0.

Windstorm Labs выпустила модель машинного перевода с французского языка на bzs. Это дообученная версия Helsinki-NLP/opus-mt-fr-bzs на архитектуре MarianMT: LoRA-адаптер обучен на параллельном корпусе и объединён с базовыми весами. Модель содержит 52,9 млн параметров, принимает текст и выдаёт перевод; максимальная длина контекста — 512 токенов. Модель предназначена для перевода текстов с французского на bzs. В репозитории размещена сборка для Transformers в формате safetensors. Лицензия — Apache-2.0. Качество перевода пока не проверено бенчмарками, поэтому его следует оценить на целевых данных перед применением.

irfanamal/distilbert_multiple_choice — дообученная модель на архитектуре DistilBERT, предназначенная для выбора одного ответа из нескольких вариантов. В качестве базовой модели указана distilbert/distilbert-base-uncased; модель разработана автором репозитория irfanamal. Она принимает текст вопроса и варианты ответа и оценивает их для выбора наиболее подходящего. Контекст составляет до 512 токенов. Модель выпущена под лицензией Apache-2.0. В README приведены результаты оценки: accuracy 0,55 и loss 1,3817. Датасет обучения обозначен как None, поэтому определить тематическую специализацию и надёжность на конкретных типах вопросов по карточке нельзя.

Anbeeld/gemma-4-31B-it-DFlash-GGUF — набор GGUF-квантизаций черновой модели z-lab/gemma-4-31B-it-DFlash, разработанной командой z-lab для ускорения генерации Gemma 4 31B IT. Модель не предназначена для самостоятельной генерации: её необходимо использовать в связке с google/gemma-4-31B-it в системах, поддерживающих спекулятивное декодирование, включая BeeLlama.cpp, vLLM и SGLang. В основе лежит метод DFlash — облегчённая block diffusion-модель, которая параллельно предлагает несколько следующих токенов для последующей проверки основной авторегрессионной моделью. Это позволяет ускорять задачи генерации текста, решения математических задач, программирования и диалогов. В опубликованных тестах на одной NVIDIA B300 ускорение достигало 5,8 раза при единичной конкуренции, однако при росте конкуренции преимущество снижалось до 1,9–5,2 раза в зависимости от задачи. README не указывает размер контекста, поддерживаемые языки и точные параметры архитектуры черновой модели. Для работы требуются совместимые реализации и основная модель Gemma 4 31B IT; поддержка DFlash в указанных версиях vLLM и SGLang может зависеть от экспериментальных изменений. Сильная сторона модели — заметное ускорение вывода при сохранении сценария работы основной модели, а ограничение — зависимость от специального программного стека и парной модели. В README указана лицензия Apache-2.0.