I.14Автоматизация процессов и AI-агенты

frontal-labs разработала graph-reasoner-1 — специализированную модель рассуждений по типизированным графам примерно со 99 млн параметров. Она принимает граф и структурированный запрос и выдаёт типизированный ответ с путями доказательств, проверенными детерминированным верификатором. Модель не принимает и не генерирует естественный язык. Архитектура объединяет relation-aware GraphSAGE, трансформер рассуждений с учётом запроса и Path-Aware Transformer для анализа типизированных путей. Модель предназначена прежде всего для поиска цепочки отношений, отвечающей намерению запроса, когда путь заранее не задан, а также умеет воздерживаться от ответа при отсутствии подтверждающих данных. В тестах на графах FB15k-237 и WN18RR показаны результаты MRR 0,175 и 0,596 соответственно для двухшаговых запросов. Модель обучена с нуля на синтетических типизированных графах в течение 2500 шагов; также проверялась на нескольких реальных графовых наборах. Она не является языковой моделью и не работает с прозой. На незнакомых онтологиях обобщение слабое, а механизм воздержания на реальных графах может блокировать все ответы; для нового домена рекомендуется обучение на собственной онтологии и настройка порога воздержания. Производительность невысока, масштабирование выше примерно 5000 узлов не проверено. Лицензия — Apache-2.0.

Inferact/Kimi-K3-DSpark-Block5 — вспомогательная draft-модель DSpark для ускорения генерации Moonshot AI Kimi-K3 методом speculative decoding. Она содержит 2,7 млрд параметров и использует три причинно-маскированных MLA-слоя, обученных предсказывать блок из пяти токенов по скрытым состояниям трёх слоёв целевой модели. Модель предназначена для совместной работы с Kimi-K3 в vLLM и не является самостоятельной языковой моделью для обычной генерации. В тестах на Kimi-K3 проверялись задачи GSM8K, HumanEval, MBPP и длинные диалоги на контексте до 1 048 576 токенов с поддержкой YaRN. На всех 1 604 запросах ошибок выполнения не было; в отдельной проверке GSM8K точность составила 96,51%. Эти результаты относятся к описанной конфигурации оборудования и тестирования, а в части длинных диалогов два завершения были отмечены как вырожденные. Веса опубликованы в формате safetensors; лицензия в предоставленных данных не указана.

LFM2.5-2.6B-DSpark — вспомогательная модель-черновик Liquid AI для ускорения генерации текста основной моделью LiquidAI/LFM2.5-2.6B с помощью speculative decoding. Черновик предлагает блоки токенов, которые целевая модель проверяет; итоговый текст остаётся таким, каким его сгенерировала бы целевая модель без ускорения. В SGLang авторы сообщают об ускорении декодирования примерно в 2,6 раза, также заявлена работа на устройствах Apple Silicon через Metal. Архитектура включает пять слоёв полного внимания, блок размера 9, словарь из 128 000 токенов, Markov head и confidence head. В README указано 327,7 млн параметров черновика в BF16; метаданные репозитория приводят общее число 503,3 млн параметров. Модель предназначена для совместного запуска с целевой LFM2.5-2.6B через сборку SGLang с поддержкой DSpark; самостоятельно как обычная генеративная модель не описана. Контекстная длина в метаданных указана как 128 000 токенов. Для speculative decoding заявлена точная проверка предложенных токенов целевой моделью, однако фактическое ускорение и доля принятых токенов зависят от задачи и оборудования. Репозиторий распространяется по лицензии с меткой other; конкретные условия следует сверить с файлами лицензии модели и базовой модели.

samrawal/medical-sentence-tokenizer — модель семейства BERT для разбиения клинического текста на предложения. Её разработчики обучили модель на нескольких наборах данных i2b2, ныне n2c2, для обработки неструктурированных медицинских записей, включая электронные истории болезни. Модель выполняет классификацию токенов, чтобы находить границы предложений. Она рассчитана на английские клинические тексты, где обычные токенизаторы предложений могут ошибаться из-за медицинских сокращений, жаргона и особенностей записей. Размер модели — 432,3 млн параметров, контекст — до 512 токенов. Модель опубликована в формате PyTorch под лицензией Apache-2.0. Для текстов вне медицинской области авторы рекомендуют применять более универсальные токенизаторы предложений, которые могут давать лучшие результаты.

MEDUSA 0.1 Line-9B — мультимодальная модель распознавания рукописного текста, разработанная École nationale des chartes – PSL и представленная на конкурсе ICDAR 2026 по распознаванию средневековых рукописей. Это версия MEDUSA-9B-0.1 на архитектуре Qwen3.5-9B, дообученная для многоязычного распознавания строк рукописей. Модель принимает изображение одной заранее выделенной строки и выдаёт её транскрипцию; для распознавания целой страницы требуется предварительно разбить её на строки. Модель обучалась на примерно 645 тысячах пар изображений и транскрипций из рукописей IX–XV веков. Она рассчитана на широкий набор средневековых языков и письменных традиций, включая старофранцузский, латынь, среднеанглийский, старочешский и старопольский. Транскрипции ориентированы на нормы CATMuS, включая правила раскрытия сокращений и нормализации аллографов. В результатах ICDAR 2026 вариант 9B показал лучшие из двух вариантов MEDUSA показатели CER на внутренних и конкурсных наборах. Модель предназначена для исследовательской и практической работы с оцифрованными рукописями, в частности в конвейерах DocWorkflow; для иных редакционных правил может понадобиться дополнительная постобработка. Репозиторий распространяется по лицензии CC BY 4.0.

Merlyn-education-safety — плотная авторегрессионная модель семейства GPT-NeoX на 15,4 млрд параметров, дообученная Merlyn Mind на базе EleutherAI/pythia-12b для образовательной сферы. Она классифицирует запросы как уместные или неуместные для обсуждения в классе и предназначена для включения в состав образовательного ИИ-ассистента. Модель принимает текст и генерирует текстовый ответ; указанный контекст составляет 2048 токенов. Модель рассчитана на сценарии обучения в классе и вне его. Для запуска в полной точности требуется более 48 ГБ памяти GPU; в README упоминаются A100-80GB, несколько GPU или снижение точности. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-da-eo — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP на архитектуре Transformer-align и реализованная как MarianMTModel. Она переводит текст с датского языка на эсперанто; модель обучена на корпусе OPUS и использует нормализацию и SentencePiece с словарями по 4 тысячи токенов. Размер модели — 28,9 млн параметров, контекст — до 512 токенов. В карточке приведён результат BLEU 23,6 на тесте Tatoeba-test.dan.epo. Модель подходит для перевода отдельных фраз и текстов с датского на эсперанто. Распространяется под лицензией Apache-2.0; доступны веса PyTorch и TensorFlow. Качество может различаться в зависимости от тематики и формулировок; оценка из карточки относится к указанному тестовому набору.

OuteTTS-0.2-500M — модель синтеза речи от OuteAI, основанная на Qwen-2.5-0.5B. Это плотная авторегрессионная языковая модель архитектуры Qwen2 с 499,1 млн параметров; она принимает текст и аудиопромпты и генерирует речь. Контекст по метаданным составляет 32 768 токенов, хотя в README для генерации со speaker profile приводится ориентир 4096 токенов и до примерно 54 секунд аудио без учёта сокращения из-за профиля. Модель предназначена для преобразования текста в речь, следования аудиопромпту и клонирования голоса по профилю диктора. Основной язык — английский; поддержка китайского, японского и корейского заявлена как экспериментальная. README отмечает улучшения естественности звучания, точности следования промпту и разнообразия голосов по сравнению с предыдущей версией. Для качественного клонирования рекомендуются чистый аудиофрагмент длительностью около 10–15 секунд и точная расшифровка; необычные акценты и характеристики голоса могут воспроизводиться менее точно. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

PRM-Math-7B-Reasoner — процессная reward-модель на архитектуре Qwen2, дообученная на Qwen2.5-Math-7B-PRM800K. Она оценивает математические рассуждения по отдельным шагам: для шага с добавленным специальным токеном модель вычисляет вероятность положительной оценки, которую используют как reward от 0 до 1. Модель предназначена для выявления ошибочных промежуточных шагов, оценки и ранжирования решений, а также проверки экспериментов ProcessBench. В карточке также описано применение для переформатирования промежуточных рассуждений. Модель содержит 7,1 млрд параметров, принимает текст и имеет контекст 4096 токенов. В метаданных указаны английский и китайский языки. Для работы предлагается библиотека Transformers; веса доступны в формате safetensors. Лицензия обозначена как other, поэтому перед использованием следует проверить условия на странице модели.

Qwen3.5-4B Privacy Defender — дообученная модель oberus на базе Qwen/Qwen3.5-4B для переписывания пользовательских запросов с целью снизить риск раскрытия личных сведений при отправке во внешний чат-бот. Она заменяет или обобщает детали, по которым можно определить местоположение, профессию, возраст, гендер, семейный статус и социально-экономическое положение, стараясь сохранить смысл и намерение исходного сообщения. Модель предназначена для предварительной обработки запросов на устройстве пользователя; при обучении применялись SFT и DPO. В метаданных указаны архитектура Qwen3.5 с 4 млрд параметров, библиотека Transformers и формат safetensors. Это текстовая модель с диалоговыми возможностями; заявленная задача Hugging Face — text-generation. Базовая модель мультимодальна, однако README описывает сценарий обработки текстовых запросов. Модель опубликована по лицензии Apache-2.0 и не является официальной моделью Qwen. README позиционирует её как инженерный результат магистерской работы; оценок качества или гарантий полного удаления идентифицирующих данных в предоставленных материалах нет.

Это конвертированная для загрузки через Diffusers версия Qwen Image Edit 2509 Lightning 8-Step, подготовленная автором репозитория lite-infer на основе Qwen/Qwen-Image-Edit-2509 и контрольной точки Nunchaku. Модель предназначена для редактирования изображений по текстовым инструкциям с коротким процессом генерации на 8 шагах; в исходную контрольную точку встроена Lightning LoRA Qwen-Image-Edit-2509-Lightning-8steps-V1.0. Трансформер использует квантизацию Nunchaku Lite SVDQ INT4 с группой 64 и рангом 32, а текстовый энкодер — BitsAndBytes 4-bit NF4 с вычислениями в bfloat16. README приводит замеры на изображении 1248×832: средняя задержка составила 23,04 секунды, пиковая выделенная память CUDA — 21,24 GiB; результаты зависят от оборудования и условий запуска. Метаданные указывают Diffusers и файлы safetensors. Лицензия и поддерживаемые языки в предоставленных данных не описаны.

smolify/smolified-aiexpense — компактная разговорная DSLM-модель, созданная Smolify Foundry методом синтетической дистилляции рассуждающих моделей. Она основана на архитектуре Gemma 3 и рассчитана на эффективное развёртывание на CPU/NPU и в средах с ограниченной видеопамятью; заявлена совместимость с Transformers и vLLM. Модель поддерживает генерацию текста и диалоговый режим, имеет 257 млн параметров и контекст до 32 768 токенов. Название указывает на специализацию в задачах, связанных с расходами, однако README не описывает конкретные функции или сценарии этой специализации. В карточке заявлена оптимизация с 4-битной квантизацией и смешанной точностью FP16, тогда как файлы репозитория обозначены как safetensors. Модель опубликована по лицензии Apache-2.0.

CAMeL-Lab/text-editing-qalb14-zaebuc-nopnx — модель SWEETNoPnx для исправления грамматических ошибок в текстах на современном литературном арабском языке (MSA). Она разработана CAMeL-Lab и представляет собой AraBERTv0.2-base, дообученную на наборах QALB-2014 и ZAEBUC. В метаданных указаны архитектура BERT, 162,4 млн параметров, контекст до 512 токенов и формат PyTorch. Модель предназначена для исправления ошибок, не связанных с пунктуацией. Она решает задачу token-classification и используется в рамках системы SWEET вместе с моделью SWEETPnx для пунктуационных ошибок. Авторы применяли её для оценки на dev- и test-частях ZAEBUC в работе ACL 2025; для использования требуется код SWEET и соответствующие зависимости. Лицензия модели — MIT. Модель настроена на арабский MSA и конкретно на исправление непунктуационных ошибок; сама по себе она не предназначена для исправления пунктуации.

Это модульный конвейер генерации видео на основе Wan2.2 VACE, опубликованный akshan-main для Diffusers. Он состоит из пяти настраиваемых блоков: кодирования текста, подготовки управляющего видео, маски и эталонных изображений, денойзинга, обрезки латентов и декодирования. В компоненты входят UMT5EncoderModel, WanVACETransformer3DModel и AutoencoderKLWan; для управления генерацией используется ClassifierFreeGuidance. Доступна настройка boundary_ratio, разделяющего этапы денойзинга с высоким и низким уровнем шума. Конвейер предназначен для управляемой генерации видео по текстовому запросу, с дополнительным видео, маской областей и эталонными изображениями. По умолчанию он рассчитан на 81 кадр и 50 шагов инференса; максимальная длина последовательности текста по умолчанию — 512 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Diffusers. Пример запуска в карточке не приведён. Лицензия в предоставленных данных не указана.

WindyTranslate/translate-bi-fr — модель машинного перевода, опубликованная Windstorm Labs и дообученная на параллельном корпусе на основе Helsinki-NLP/opus-mt-bi-fr. LoRA-адаптер объединён с базовыми весами; модель использует архитектуру MarianMT и содержит 54,6 млн параметров. Модель предназначена для перевода текста с языка bi на французский. Она доступна в формате safetensors для загрузки через Transformers и принимает текст, выдавая текст. Контекст составляет 512 токенов. Лицензия — Apache-2.0. Качество перевода не оценивалось бенчмарками, поэтому пригодность для конкретных задач требует проверки. Модель поддерживает только направление bi → fr.

dandelin/vilt-b32-finetuned-vqa — модель Vision-and-Language Transformer (ViLT), дообученная на наборе VQAv2. Архитектура объединяет визуальные и текстовые признаки в трансформере и не использует сверточную сеть или разметку регионов объектов. Веса представлены в формате PyTorch, размер модели — 136,7 млн параметров. Модель предназначена для визуальных вопросов и ответов: она принимает изображение и вопрос на естественном языке и генерирует ответ, связанный с изображением. Её можно применять, например, для ответа на вопросы о содержимом фотографий. Контекст указан как 40 токенов. README не приводит подробных результатов оценки, сведений о предобработке или языковой поддержке; поэтому качество и языковой охват за пределами описанного сценария не установлены. Лицензия — Apache-2.0.

Xcodec2 — нейронный аудиокодек, совместимая с Transformers версия X-Codec2, представленного в работе Llasa. Модель кодирует аудио в компактные дискретные токены для использования в конвейерах синтеза речи и генерации аудио на основе больших языковых моделей. Архитектура объединяет семантические и акустические признаки в одном представлении и использует одноэтапную квантизацию Feature-Space Quantization. Семантическая функция потерь при обучении помогает сохранять в токенах языковую и эмоциональную информацию; одномерная последовательность токенов рассчитана на совместную работу с авторегрессионными LLM. Модель принимает аудио; для репозитория указаны архитектура Xcodec2, реализация Transformers, формат Safetensors и контекст 4096 токенов. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Celestia-1.4B-MoE — специализированная языковая модель от seashyne для управления творческими рабочими процессами в Lenout: рисованием, дизайном, досками, блок-схемами, презентациями, анимационным видео и 3D-сценами. Карточка описывает архитектуру Mixture of Experts с восемью маршрутизируемыми экспертами и одним общим; на каждом токене активны два эксперта. Также заявлены Multi-Head Latent Attention для уменьшения объёма KV-кэша и контекст длиной 32 768 токенов. Модель предназначена для планирования многоэтапных творческих задач и выдачи структурированных команд на DSL Lenout в формате JSON. В карточке указана поддержка рассуждений и обучение с GRPO. Метаданные указывают 1,2 млрд параметров и формат PyTorch; языки карточки — тайский и английский. Лицензия — Apache-2.0. Описание не уточняет, как подключать модель к Lenout, и не приводит результатов оценки качества или примеров команд. Заявления о возможностях планирования и управлении инструментами основаны на карточке модели; они не подтверждены независимыми оценками.

CyNER 2.0 — модель распознавания именованных сущностей в текстах по кибербезопасности, разработанная на базе DeBERTa v3 base и дообученная на исходном наборе CyNER и его расширенной версии. Она использует архитектуру DeBERTa v2 для классификации токенов, содержит 211,6 млн параметров и рассчитана на контекст до 512 токенов. Модель выделяет индикаторы угроз, вредоносное ПО, организации, системы и уязвимости в отчетах и других материалах по кибербезопасности. Модель предназначена для автоматизации анализа отчетов специалистами по информационной безопасности, обогащения данных threat intelligence и подготовки отчетности. В README указана оценка F1 91,88% на расширенном наборе данных. Модель ориентирована на английские тексты; лицензия — MIT. Качество может быть ниже для редких типов сущностей, например уязвимостей. Из-за настройки на кибербезопасность модель может плохо переноситься на другие предметные области и задачи распознавания сущностей.

Ariffiq99/e_care_albert_base_finetuned — дообученная модель ALBERT для задач с выбором одного варианта ответа. Она основана на albert/albert-base-v2 и использует архитектуру AlbertForMultipleChoice; размер модели — 136,3 млн параметров, максимальная длина контекста — 512 токенов. Модель сохранена в формате Safetensors. Её можно применять в системах, где ответ выбирается из предложенных вариантов, например для тестов и вопросов с вариантами ответа. В README приведены значения loss 1,4498 и F1 0,7290 на оценочном наборе, однако набор данных и условия оценки не описаны, поэтому эти показатели не позволяют судить о качестве на конкретных задачах. Базовая модель ориентирована на английский язык; лицензия — Apache-2.0.

eli5_clm-model-invision — дообученная модель генерации текста на базе distilbert/distilgpt2, опубликованная abhishekkapoor. Она использует архитектуру GPT-2 и предназначена для генерации продолжений текста. Контекст модели составляет 1024 токена; веса представлены в формате safetensors. В README приведено значение loss 3,7845 на оценочном наборе, но описание назначения, обучающих данных и ограничений отсутствует. Модель распространяется по лицензии Apache-2.0.

English Sarcasm Detector — модель классификации текста, разработанная Helin Ivan и дообученная на bert-base-uncased для выявления сарказма в заголовках новостных статей. Она присваивает тексту один из двух классов: «не сарказм» или «сарказм», а пример работы показывает метку вместе с оценкой уверенности. Модель использует архитектуру BERT для классификации последовательностей, содержит 136,7 млн параметров и принимает текст с контекстом до 512 токенов. Обучение проводилось на англоязычном наборе News Headlines Dataset For Sarcasm Detection с Kaggle; карточка также указывает датасет helinivan/sarcasm_headlines_multilingual. В README приведена точность 92,42% и F1 92,38% для этой модели. Модель подходит для анализа англоязычных новостных заголовков и похожих коротких текстов. Её качество на других жанрах, длинных текстах и языках не подтверждено приведёнными данными. Формат весов — PyTorch. Сведения о лицензии в предоставленных источниках отсутствуют.

Anbeeld/GLM-5.3-Flash-DFlash2-GGUF — набор GGUF-квантизаций черновой модели DFlash 2 от Inco AI для GLM-5.3-Flash от zai-org. Это не самостоятельная языковая модель, а компонент ускорения спекулятивного декодирования: он работает внутри совместимого сервера и предлагает целые блоки токенов, которые затем проверяет целевая модель GLM-5.3-Flash. Репозиторий предназначен для использования с BeeLlama.cpp, а исходная модель также поддерживается SGLang. DFlash 2 использует блочно-диффузионный подход, предсказывает несколько токенов за один проход, сохраняет наиболее вероятных кандидатов для каждой позиции и выбирает согласованный путь. Динамические свёртки в архитектуре черновой модели помогают сохранять качество прогнозов к концу блока. Согласно README, декодирование без потерь: жадный вывод совпадает с выводом целевой модели, а при выборке сохраняется её распределение. В приведённых тестах модель повысила среднюю длину принятых последовательностей и пропускную способность по сравнению с авторегрессионным декодированием и штатным MTP, особенно на задачах математики и генерации кода. Модель предназначена для ускорения инференса GLM-5.3-Flash в сценариях генерации текста, решения математических задач, программирования и диалогового тестирования. Для работы требуются целевая модель, совместимый сервер спекулятивного декодирования и подходящая вычислительная инфраструктура; в оценке использовались четыре GPU NVIDIA GB300, размер блока спекуляции составлял 8. Сведения о размере модели, точной архитектуре, поддерживаемых языках, модальностях и длине контекста в README не указаны. Лицензия CC BY-NC-ND 4.0 разрешает исследовательское использование и оценивание; для коммерческого применения требуется отдельная лицензия.

Llama 3 Tulu 2 70B UF Mean RM — языковая модель оценки вознаграждения, разработанная AllenAI на базе allenai/llama-3-tulu-2-70b. Она дообучена на UltraFeedback, в частности на наборе ultrafeedback_mean_aspects, и предназначена для оценки ответов в сценариях RLHF и обучения с PPO. Модель использует плотную архитектуру Llama с классификационной головой; содержит 69,5 млрд параметров и поддерживает контекст до 2048 токенов. Основной язык — английский. Модель подходит для вычисления оценок ответов и поддержки экспериментов по обучению языковых помощников на предпочтениях. В оценке RewardBench получила общий балл 71,0; результаты различаются по категориям, поэтому эти показатели не гарантируют качества в конкретном приложении. Для входа рекомендуется использовать формат карточки с завершающим переводом строки. Лицензия репозитория указана как Apache 2.0; карточка также включает лицензию Meta Llama 3.

MiniLM Tekla Attribute Embeddings v1 — англоязычная модель Sentence Transformers, дообученная разработчиком репозитория teknovizier на базе sentence-transformers/all-MiniLM-L12-v2. Она сопоставляет запросы на естественном языке с именами атрибутов Tekla Structures, кодируя тексты в векторы для семантического поиска и сравнения по косинусному сходству. Модель использует архитектуру BERT, содержит 40 млн параметров и выдаёт эмбеддинги размерностью 384. Метаданные указывают контекст до 512 токенов, а карточка модели рекомендует ограничивать последовательность 128 токенами. Обучение проводилось на 35 590 синтетических парах запросов и атрибутов Tekla Structures 2025; для сопоставления рекомендуется привести запросы и названия атрибутов к нижнему регистру, заменив подчёркивания и дефисы пробелами. Модель предназначена для поиска и сопоставления атрибутов Tekla Structures, например для преобразования запроса «bolt name from catalog» в подходящее имя атрибута. На других BIM- и инженерных системах и в задачах общего понимания языка она может работать хуже. Качество на реальных запросах может отличаться от качества на синтетических обучающих примерах. Лицензия — GNU GPL v3.0.

gghfez разработал модель OpenWebUI Title Generator на основе дообученной Gemma 3 270M. Она принимает историю чата и генерирует краткий заголовок из 3–5 слов с подходящим эмодзи в формате JSON. Модель рассчитана на назначение Task Model в OpenWebUI, быстрое создание заголовков и краткое выделение темы диалога. Это плотная авторегрессионная текстовая модель семейства Gemma 3 с 257 млн параметров и контекстом до 32 768 токенов. Для дообучения использовано 8 900 примеров генерации заголовков; доступны веса в формате safetensors. В карточке указана лицензия Gemma. Модель специализирована на заголовках для OpenWebUI и может хуже работать в других чат-интерфейсах. Эмодзи могут располагаться непоследовательно или отсутствовать; модель тестировалась только в BF16.

Helsinki-NLP/opus-mt-de-fj — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с немецкого языка на фиджийский и предназначена для автоматического перевода предложений и текстов в этом направлении. Модель использует архитектуру Transformer-align на базе MarianMT; размер составляет 55,8 млн параметров, предобработка включает нормализацию и SentencePiece. Для набора JW300.de.fj в карточке приведены оценки BLEU 24,6 и chr-F 0,470. Модель принимает текст на немецком языке и генерирует текст на фиджийском. Лицензия — Apache-2.0. Карточка не описывает ограничения качества помимо результатов на указанном тестовом наборе.

Helsinki-NLP разработала opus-mt-fi-ln — модель машинного перевода с финского языка на лингала. Это модель семейства Marian на архитектуре Transformer-align с 56,7 млн параметров; для обработки текста используются нормализация и SentencePiece. Модель обучена на данных OPUS. В карточке приведены результаты оценки на тестовом наборе JW300.fi.ln: BLEU 29,2 и chr-F 0,536. Модель подходит для перевода предложений и текстов с финского на лингала. Контекст модели составляет 512 токенов. Доступны веса PyTorch и TensorFlow. Модель распространяется по лицензии Apache-2.0.

Карточка модели huluhuluu/qwen3-1.7b-eagle3-sharegpt-sw512-epoch9-step430000 на Hugging Face совпадает с карточкой huluhuluu/qwen3-1p7b-eagle3-sharegpt-sw512-epoch-9-step-430000, поэтому описание составлено по ней. Это компактная черновая модель EAGLE3, обученная командой, опубликовавшей репозиторий huluhuluu/qwen3-1p7b-eagle3-sharegpt-sw512-epoch-9-step-430000, на основе Qwen/Qwen3-1.7B с помощью онлайн-обучения SpecForge EAGLE3. Она предназначена для спекулятивного декодирования вместе с целевой моделью Qwen3-1.7B и не является самостоятельной языковой моделью. Архитектура чекпойнта — LlamaForCausalLMEagle3; в репозитории указаны 361,5 млн параметров и контекст 40 960 токенов. Модель принимает текстовые запросы для ускорения генерации текста целевой моделью. Карточка указывает ShareGPT в названии обучающего запуска и языки en и zh в метаданных; базовая Qwen3 описана как многоязычная модель для диалогов, рассуждений, кода и выполнения инструкций. Веса чекпойнта не включают замороженные эмбеддинги целевой модели, поэтому для загрузки нужен совместимый код SpecForge/EAGLE3 и исходная целевая модель. Карточка не приводит результатов бенчмарков. Лицензия указана как other, конкретные условия в доступных данных не описаны.

Qwen3.5-35B-A3B-Asis — исследовательская дообученная модель Minbyul на базе Qwen/Qwen3.5-35B-A3B. Она служит контрольной версией в исследовании влияния обработки обучающих данных на чрезмерные размышления веб-поисковых агентов: модель обучена методом supervised fine-tuning на корпусе траекторий веб-агентов без фильтрации и редактирования. Архитектура MoE содержит около 35 млрд параметров, из которых активно около 3 млрд на токен; доступны веса bf16 в формате safetensors. Контекст обучения — 131 072 токена. Модель предназначена для изучения поведения агентов, использующих инструменты веб-поиска, открытия страниц и поиска по их содержимому, а также как базовая SFT-версия для контролируемых экспериментов и начальная точка для RL-обучения. Она рассчитана на многошаговые диалоги с вызовами инструментов и результатами их работы; основное внимание уделено англоязычным рассуждениям. Модель наследует склонность исходных траекторий к избыточному поиску и проверкам даже после получения ответа и не является универсальной ассистентской настройкой. Дополнительное выравнивание безопасности не проводилось. Лицензия — Apache-2.0.