I.14Автоматизация процессов и AI-агенты

Qwen3-8B-LOPD — языковая модель на базе Qwen3-8B, дообученная методом Latent On-Policy Self-Distillation (LOPD) для сценариев агентного использования инструментов. Она предназначена для диалоговой генерации текста и вызова инструментов в агентных системах. Модель имеет плотную архитектуру Qwen3ForCausalLM и содержит 7,6 млрд параметров; заявленный контекст — 40 960 токенов. Репозиторий использует формат safetensors и библиотеку Transformers. Модель унаследовала от Qwen3-8B многоязычные возможности, включая генерацию текста, рассуждения, следование инструкциям и работу с кодом. Опубликована под лицензией Apache-2.0. README не приводит результатов оценки качества, списка поддерживаемых инструментов или подробностей о языках, на которых проверялось агентное поведение.

Qwen3-8B TMax AENV v39b, итерация 89 — чекпойнт языковой модели на архитектуре Qwen3 с плотной архитектурой и 7,6 млрд параметров. Его разработали как часть запуска обучения с подкреплением tmax_aenv_v39b: политика инициализирована из willamazon1/qwen3-8b-tmax-sft-v3-iter353, которая ранее была дообучена на Qwen/Qwen3-8B. Чекпойнт получен после 89-й итерации групповой оптимизации политики на асинхронных многошаговых взаимодействиях с агентной средой. Модель предназначена для генерации диалогового текста и использования в агентных сценариях с вызовом инструментов. Она принимает текст, поддерживает контекст до 40 960 токенов и распространяется в формате safetensors с весами bfloat16 для Transformers. Репозиторий также содержит другие чекпойнты этого запуска, что позволяет сравнивать этапы обучения. Модель распространяется по лицензии Apache-2.0. Это промежуточный чекпойнт обучения с подкреплением, поэтому его поведение и качество могут отличаться от более поздних итераций; README не приводит результатов оценки или конкретных гарантий для отдельных агентных задач.

Qwen3-8B TMax AENV v39b, версия обучения 169, — плотная авторегрессионная языковая модель на архитектуре Qwen3, разработанная на основе промежуточного SFT-чекпойнта willamazon1/qwen3-8b-tmax-sft-v3-iter353. Чекпойнт дообучен методом group-relative policy optimization на асинхронных многошаговых сценариях с агентной средой и предназначен для диалоговой генерации текста и работы агента с инструментами. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. Веса сохранены в формате bfloat16 и Safetensors; обучающие состояния оптимизатора в репозиторий не включены. Для использования опубликованы соседние итерации обучения, позволяющие сравнивать этапы обучения. Модель распространяется по лицензии Apache-2.0. Это отдельный промежуточный RL-чекпойнт, поэтому качество и поведение могут отличаться от финальной модели; описание не приводит конкретных результатов оценки или перечня поддерживаемых языков.

Qwen3-8B TMax AENV v39b, итерация 209 — чекпойнт языковой модели, опубликованный willamazon1. Он создан на базе willamazon1/qwen3-8b-tmax-sft-v3-iter353 и обучен методом обучения с подкреплением GRPO на асинхронных многоходовых взаимодействиях в агентной среде. Архитектура — плотная Qwen3ForCausalLM, размер — 7,6 млрд параметров; модель принимает текст и генерирует текст, поддерживает чат и интерфейс вызова инструментов. Контекст — до 40 960 токенов. Модель предназначена для диалоговых сценариев и работы агента с инструментами. Это одна из промежуточных итераций обучения: в той же серии опубликованы чекпойнты итераций 69–219, что позволяет сравнивать изменения по ходу обучения. Репозиторий содержит веса safetensors в bfloat16; преобразование выполнено из чекпойнта Megatron-LM torch_dist. Лицензия — Apache 2.0. README не сообщает об оценках качества и целевых языках, поэтому результаты на конкретных задачах и языках по этим данным подтвердить нельзя.

Cyronius/Qwen3.8-Flash-Next-131B-A6B-GGUF — это оптимизированная GGUF-версия Qwen3.8-Flash-Next, основанная на модели Qwen от Qwen и подготовленная автором Cyronius. Модель предназначена для генерации текста, рассуждений и агентских сценариев с вызовом инструментов через llama.cpp. Это текстовая сборка; отдельные vision-тензоры поставляются отдельно, а работа визуального контура после модификации не тестировалась. Модель использует MoE-архитектуру с 48 слоями и 512 экспертами, из которых активируются параметры объёмом около 6B на токен. Общее число параметров сокращено примерно с 176B до 131B за счёт уменьшения n-gram hash-embedding-таблицы с 51,2B до 6,4B параметров: сохранено по одной из восьми голов для каждого типа n-грамм. Основная сборка Q3_K_XL занимает 64,8 GB, также доступна версия Q4_0 размером 75,4 GB. Заявлена поддержка контекста до 256K токенов в исходной архитектуре, но поведение на длинном контексте для этой модификации не проверялось; опубликованные тесты проведены при контексте до 8K. По небольшому набору тестов сборка сохранила показатели базовой модели в tool calling, GSM8K и MMLU, однако perplexity на WikiText-2 ухудшилась с 2,40 до 4,66. Поэтому модель хорошо подходит для рассуждений, задач общего назначения и вызова инструментов, но может быть менее качественной в точном воспроизведении цитат, шаблонного текста и других сценариях, зависящих от поверхностного предсказания продолжений. Q4_0 структурно проверена, но отдельно не тестировалась. Для запуска требуется llama.cpp от 2026-08-27 или новее с поддержкой qwen4exp, а также значительный объём VRAM или оперативной памяти. Модель распространяется по лицензии qwen-community-1.0.

SemanticRepair-270M — компактная текстовая модель Gramscii-IT для восстановления пользовательского запроса и подготовки строки запроса для маршрутизатора эмбеддингов. Она предназначена для распознавания наличия запроса и его формулировки для последующего поиска или выбора возможностей; если запроса нет, модель должна выдать NO_REQUEST. Модель не отвечает на вопрос и сама не выполняет инструменты: допуск операции и её запуск остаются за хост-приложением. Модель содержит 257 млн параметров, основана на Gemma 3 270M и дообучена на датасете semantic-repair-routing. В карточке указаны архитектура Gemma3ForCausalLM, контекст 32 768 токенов и поддержка английского, итальянского, французского, немецкого и испанского языков. Доступны GGUF Q8_0 и safetensors; автор описывает GGUF как используемый движком вариант. Оценки в карточке показывают компромисс: на замороженной проверочной выборке кандидат повысил долю правильных отказов, но снизил долю полных результатов для поддерживаемых запросов и не улучшил общий результат. Разметка создана авторами без независимой проверки людьми, а успешное выполнение инструментов и качество ответов не оценивались. Модельные артефакты распространяются на условиях Gemma; README также указывает PolyForm Noncommercial для дополнительной оценки и CC BY 4.0 для обучающих данных.

McGill-NLP/Sheared-LLaMA-2.7B-weblinx — языковая модель семейства LLaMA, дообученная на наборе данных WebLINX авторами проекта WebLINX. Модель предназначена для генерации текста в сценариях навигации по веб-сайтам с многоходовым диалогом и может использоваться как компонент веб-агента. Модель содержит 2,6 млрд параметров, построена на архитектуре LlamaForCausalLM и поддерживает контекст до 4096 токенов. В карточке заявлен английский язык; веса представлены в формате safetensors. Лицензия — Llama 2.

Модель thealper2/smollm2-135m-android-control разработана как LoRA SFT-дообучение HuggingFaceTB/SmolLM2-135M-Instruct для управления интерфейсом Android по текстовому описанию. Это плотная авторегрессионная модель семейства Llama на 134,5 млн параметров с контекстом до 8192 токенов. На вход она получает инструкцию, список элементов интерфейса из дерева доступности и историю действий, а на выходе формирует одно действие в виде JSON-объекта. Изображения экрана модель не принимает. Модель предназначена для пошаговой автоматизации Android: нажатий, ввода текста, прокрутки и других действий, предусмотренных схемой выхода. Она обучена на наборе Android-Control-84k; в тестовой оценке строгая валидность JSON составила 0,999, а точность точного совпадения действия — 0,695. Модель поддерживает английский язык. Распространяется по лицензии Apache-2.0. Модель не видит элементы, отсутствующие в дереве доступности, например содержимое canvas, игр и некоторых WebView. Для предсказания целевых индексов на входе необходимо использовать те же правила отбора элементов, что и при обучении. В обучающих данных не было примеров navigate_home и было мало примеров long_press; офлайн-точность на отдельных шагах не показывает успешность выполнения задач в замкнутом цикле.

Tema_Q-X6-Thinking — созданная TemaQants доработка большой языковой модели Agent A1 от InternScience для агентных сценариев. Она предназначена для генерации ответов и рассуждений в составе Tema_Q Agent, включая работу со сложными запросами и вызов инструментов. Модель основана на архитектуре семейства Qwen 3.5 MoE, распространяется в формате safetensors и доступна в 2-битном представлении. В карточке заявлена устойчивость при контексте свыше 16 тысяч токенов. Поддерживаются японский, английский и китайский языки. Модель ориентирована на гибкие ответы для агентных задач; заявленные возможности включают следование инструкциям и интерфейс вызова инструментов. README запрещает использовать её для дискриминации, травли, насилия, незаконных и иных вредоносных целей. Лицензия в предоставленных данных не указана.

Salesforce xLAM-2-1b-fc-r-gguf — компактная языковая модель из семейства Large Action Models (LAM), разработанная Salesforce. Она распространяется в формате GGUF и предназначена прежде всего для исследовательских систем, где языковая модель выступает ядром AI-агента: интерпретирует намерения пользователя, планирует действия и формирует вызовы функций или инструментов. Модель дообучалась на данных Salesforce/APIGen-MT-5k и Salesforce/xlam-function-calling-60k, ориентированных на многошаговые диалоги и использование инструментов. Модель содержит около 1 млрд параметров, работает с текстом и поддерживает английский язык. Она относится к классу text-generation, оптимизирована для function calling и рассчитана на контекст длиной 32 тыс. токенов; для моделей этой линейки заявлена возможность расширения до 128 тыс. токенов с применением методов вроде YaRN. Формат GGUF упрощает эффективный запуск через llama.cpp и совместимые средства на устройствах с ограниченными ресурсами. Также заявлена совместимость с Transformers и vLLM. Сильными сторонами модели являются небольшой размер, специализация на вызове функций, использовании инструментов и многоходовых агентных сценариях, а также возможность локального развертывания. Ограничениями выступают исследовательский статус релиза, английская языковая специализация и отсутствие в предоставленных данных подробных результатов именно для версии 1B; качество на других языках и в общих задачах не уточняется. Модель распространяется по лицензии CC BY-NC 4.0, допускающей некоммерческое использование с учетом условий лицензии.

ZeroGUI-OSWorld-7B — визуально-языковая модель OpenGVLab для работы с графическими интерфейсами. Она основана на Qwen2-VL и дообучена на ByteDance-Seed/UI-TARS-7B-DPO; в карточке описан фреймворк ZeroGUI, который обучает GUI-агентов с помощью онлайн-обучения с подкреплением: автоматически создаёт исполняемые задачи, оценивает успех по скриншотам и адаптирует агента в ходе работы. Модель содержит 7,1 млрд параметров, принимает изображения и текстовые инструкции и предназначена для диалогового взаимодействия с визуальными интерфейсами. Заявленная длина контекста — 32 768 токенов. Указаны английский и китайский языки. Лицензия — Apache-2.0. README не содержит подробностей о формате действий агента или результатах оценки ZeroGUI-OSWorld-7B.

ActIO-UI-7B-RLVR — мультимодальная модель зрения и языка, разработанная Orby AI, подразделением Uniphore, для выполнения коротких подзадач в веб-интерфейсах по инструкциям на естественном языке. Она основана на Qwen2.5-VL-7B-Instruct и дообучена методом обучения с подкреплением с проверяемыми наградами поверх контрольной точки ActIO-UI-7B-SFT. Модель принимает изображения интерфейса и текстовые инструкции, а в ответ формирует текст, описывающий решение подзадачи. Типичные сценарии — выбор даты в календаре, прокрутка контейнера и извлечение сведений со страницы; модель также рассчитана на визуальное сопоставление элементов интерфейса с инструкциями. Архитектура — плотная Qwen2.5-VL с 7,1 млрд параметров; контекст составляет до 128 000 токенов. Для входного изображения README рекомендует размер 1280 × 720 пикселей. Основной язык карточки — английский. В опубликованных авторами результатах модель превосходит базовую Qwen2.5-VL-7B на ряде тестов GUI-подзадач и взаимодействия с веб-интерфейсами, однако показатели зависят от бенчмарка и сценария. Это специализированная модель: результаты тестирования не гарантируют надёжного выполнения произвольных длинных задач или корректной работы на всех сайтах. Лицензия репозитория — OpenMDW-1.0; авторы заявляют исследовательское и образовательное назначение и запрещают незаконное, неэтичное или вредное использование.

ALIA-40b-fc-2605 — языковая модель команды Language Modeling из AI Institute при Barcelona Supercomputing Center. Это дообученная версия ALIA-40b: после адаптации к длинному контексту модель прошла supervised fine-tuning, направленный прежде всего на вызов функций и работу с инструментами в диалогах. Она также подходит для многоходового общения и общих задач генерации текста. Модель построена на архитектуре Transformer decoder-only; в метаданных указаны семейство Llama, плотная архитектура и 38,3 млрд параметров. Контекстное окно — 163 840 токенов. Базовая ALIA обучалась на данных 35 европейских языков, однако дообучение для вызова функций и оценивание сосредоточены преимущественно на английском, поэтому качество на других языках может быть ниже и проверено слабее. Модель не прошла этап выравнивания по безопасности; авторы также отмечают ограничения в сложных рассуждениях, математике и генерации кода. Лицензия Apache 2.0 разрешает коммерческое и исследовательское использование.

AutoGLM-Phone-9B — мультимодальная модель Zhipu AI для управления смартфоном в составе фреймворка Phone Agent. Она анализирует снимки экрана и текстовые запросы, чтобы понимать интерфейс и поддерживать выполнение заданных пользователем задач на мобильном устройстве. Система использует ADB для управления Android-устройством, планирует последовательности действий и может передавать человеку сценарии входа или ввода кода подтверждения; чувствительные действия требуют подтверждения. Модель дообучена на базе zai-org/GLM-4.1V-9B-Base, использует архитектуру GLM-4V и распространяется в формате Safetensors для Transformers. В карточке указаны китайский язык и задача image-text-to-text; базовая модель поддерживает китайский и английский. Лицензия — MIT. Проект предназначен для исследований и обучения; практическое использование зависит от фреймворка Phone Agent и доступа к Android-устройству через ADB.

DeepSeek V4 Flash 0731 Vision (BF16) — экспериментальная мультимодальная модель, разработанная WebBrain на базе текстовой модели DeepSeek-V4-Flash-0731. Она объединяет языковую и агентную основу DeepSeek с замороженным визуальным энкодером MoonViT-3d, извлечённым из Kimi-K2.6, и обученным WebBrain проектором PatchMerger с routing bridge. Модель предназначена для browser agents и других сценариев, где требуется анализ визуального состояния веб-страниц: скриншотов, графиков, панелей управления, редакторов и элементов интерфейса. Архитектура использует проектор LayerNorm → объединение патчей 2×2 → Linear(4608, 4608) → GELU → Linear(4608, 4096). Поддерживается один маркер изображения <image> и не более 512 объединённых image-токенов. Текстовая часть сохранена без изменений и использует исходные конфигурацию DSpark/MTP и метаданные FP8; добавленные vision tower и projector содержат BF16-тензоры. Модель рассчитана на работу через внешний пакет модели и процессора DeepSeek/MoonViT и специальную интеграцию SGLang, а не через стандартные Transformers или стандартный SGLang. Сильными сторонами являются использование производительной текстовой основы DeepSeek, визуальное понимание веб-интерфейсов и сохранение исходных текстовых весов и их метаданных. Ограничения включают экспериментальный статус интеграции, необходимость применять указанный патчированный стек SGLang, поддержку только одного маркера изображения и отсутствие повторной полной проверки запуска на GPU и генерации изображений именно для этой собранной версии. В карточке указана лицензия other; дополнительные условия использования не приведены.

Gemini 3.5 Flash Lite — высокоэффективная модель Google с расширенными агентными возможностями. Она предназначена для субагентов, выполняющих отдельные задачи в сложных многоагентных рабочих процессах. Данных о размере, архитектуре, контекстном окне, языках и лицензии в предоставленных источниках нет.

glaiveai/glaive-function-calling-v1 — открытая чат-модель Glaive на 2,7 млрд параметров, построенная на архитектуре MPT и дообученная для вызова функций. Она поддерживает многошаговые диалоги и выбирает, когда вызвать функцию, описание которой передано в системном запросе. Модель предназначена для интеграции в приложения и автоматизации сценариев, где ответ ассистента может включать вызов доступной функции. Модель обучена на синтетических данных платформы Glaive. Лицензия — CC BY-SA 4.0. Карточка не сообщает длину контекста и языковой охват. Известные ограничения: модель может выдумывать функции и слабо переносит навыки на обычные чат-задачи; авторы позиционируют её как специализированную для вызова функций.

Granite-4.1-8B-Function-Calling-xLAM-Unsloth — дообученная модель семейства Granite от автора репозитория на базе IBM Granite-4.1-8B. Модель с архитектурой GraniteForCausalLM и 8,4 млрд параметров обучена методом SFT на датасете Salesforce/xlam-function-calling-60k для диалоговых сценариев и вызова инструментов. LoRA-адаптер объединён с базовыми весами. Модель предназначена для генерации текста и формирования вызовов инструментов в ответ на запросы пользователя. Контекстное окно составляет 131 072 токена; формат весов — safetensors. Карточка не содержит результатов бенчмарков: опубликованы только наблюдения за обучающей функцией потерь, поэтому качество выполнения задач отдельно не подтверждено. Модель унаследовала предубеждения, ограничения знаний и возможные ошибки базовой модели. Её поведение за пределами одного обучающего датасета не проверено. Лицензия — Apache-2.0.

Mungert/Jan-v1-4B-GGUF — это GGUF-квантизированная версия Jan-v1, небольшой агентной языковой модели, разработанной Jan/Jan AI и основанной на Qwen3-4B-Thinking-2507. Конкретный репозиторий содержит сборки, созданные с использованием llama.cpp; автор применяет собственный подход к квантизации с повышением точности отдельных важных слоёв. В метаданных указан английский язык, размер базовой модели — 4B параметров, модальность — текстовая генерация. Модель предназначена для агентного рассуждения, решения сложных задач, ответов на вопросы, диалогового взаимодействия и использования инструментов, включая сценарии интеграции с Jan App. В исходной карточке заявлены 91,1% точности на SimpleQA и улучшенные возможности рассуждения и tool use, однако приведённые результаты относятся к Jan-v1 в целом и могут не полностью отражать поведение конкретной GGUF-квантизации. Поддерживаются локальный запуск через llama.cpp и интеграция с инструментами, совместимыми с форматом модели. Сильными сторонами являются компактный размер, ориентация на агентные задачи и потенциально более высокая точность при заданном уровне квантизации благодаря повышению точности отдельных слоёв. Ограничения включают зависимость качества от выбранного GGUF-варианта и параметров квантизации, а также отсутствие в карточке точного размера контекста, перечня доступных квантизаций, детальных сравнительных результатов и описания дополнительных языков. Лицензия модели — Apache 2.0.

laya-browser — модель Convai Innovations, дообученная как голова принятия решений для браузерного агента browser-use/jev-ultrafast. Она принимает состояние страницы и вопросы о доступных действиях, затем за один проход выбирает операцию — например, щелчок, ввод текста, выбор пункта, прокрутку или завершение — и целевой элемент. Модель не генерирует текст; отдельная языковая модель может подготовить текст для ввода в поля. Модель основана на mmBERT-base размером 322 млн параметров и использует двунаправленный энкодер. По данным карточки, её обучали на траекториях веб-задач и оценивали на сайтах, не встречавшихся в источниках обучения. В тестах на многошаговых задачах с незнакомыми сайтами успешность составила около 20–26%; на двух других наборах результаты различались. На RTX 4070 Ti SUPER решение занимает 22–27 мс при полной частоте GPU, но после простоя задержка может вырасти до 75–270 мс. Модель предназначена для локального управления браузером и совместима с интерфейсом `/v1/systemone` jev-ultrafast. Ограничения включают частое преждевременное завершение задачи на странице результатов, сложности с целями, расположенными далеко внизу страницы, блокировки headless-браузеров и недоступность полей пароля в jev. Репозиторий распространяется по лицензии Apache-2.0.

FineEnvs выпустила LFM2.5-2.6B-opencode-SFT — полноразмерное дообучение языковой модели LiquidAI/LFM2.5-2.6B методом supervised fine-tuning. Модель предназначена для агентного анализа данных и решения задач с помощью инструментов в среде OpenCode; в обучении использовалась OpenCode-часть набора FineEnvs/SmolDataEnvs-multiharness-sft с успешными трассами действий, созданными моделью-учителем Qwen3.8-27B. Это плотная авторегрессионная модель семейства LFM2 с 2,6 млрд параметров, поддерживающая чат и контекст до 131 072 токенов. В карточке приведена оценка pass@1 47,5% на 1 000 сочетаниях тестовых задач и агентных сред; это результаты одного запуска на конкретном наборе и версиях инструментов, а не гарантия качества в других условиях. Для воспроизведения результатов нужны соответствующая агентная среда и инструменты; обычный чатовый запрос не эквивалентен тестированию. Репозиторий содержит полные веса и шаблон чата, а не LoRA-адаптер. Модель загружается через Transformers; для совместимости рекомендуется версия, соответствующая обучению. Лицензия указана как other, поэтому конкретные условия использования следует сверить с карточкой лицензии репозитория.

mzbac/llama-3-8B-Instruct-function-calling — дообученная mzbac с помощью mlx-lm модель семейства Llama 3 для диалоговой генерации текста и вызова функций. Она основана на инструкционной версии Meta-Llama 3 8B и обучена на очищенных данных набора glaive-function-calling-v2 в формате Llama 3; автор отмечает, что очистка исправляла некорректный JSON и одинарные кавычки в аргументах. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает контекст до 8192 токенов. Модель подходит для разговорных приложений, которым нужно формировать ответы и структурированные аргументы вызова функций. Карточка указывает английский язык и лицензию llama3. Автор предупреждает, что формат JSON при вызове функций может работать с ошибками.

Fischerboot/LLama3-Lexi-Aura-3Some-SLERP-SLERP-Function-calling-SLERP — объединённая модель на архитектуре Llama 3, созданная автором карточки с помощью mergekit и метода SLERP из двух языковых моделей. Она предназначена для диалоговой генерации текста и вызова функций в сценариях, где языковая модель должна формировать ответы и взаимодействовать с инструментами через структурированные вызовы. Веса представлены в формате Safetensors, размер модели — 7,5 млрд параметров, заявленная длина контекста — 8192 токена. В карточке отмечено наличие вызова функций, но автор не уверен, сохранилась ли у модели исходная степень «uncensored» поведения. Язык обучения или основной язык отдельно не заявлен. Лицензия в предоставленных данных не указана.

Memory-R2 7B — специализированная языковая модель для управления внешней памятью в диалоговых агентах. Её разработчики дообучили Qwen2.5-7B-Instruct методом LoGo-GRPO на диалоговых данных LoCoMo, постепенно увеличивая длину сценариев с 8 до 32 сессий. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Получая историю разговора, модель выбирает, какие сведения добавить во внешнее хранилище памяти, обновить или удалить. Она предназначена для долгосрочных диалоговых агентов и может работать с разными отдельными моделями, которые читают созданную память и отвечают пользователю. Memory-R2 сама на вопросы не отвечает. Репозиторий распространяется по лицензии Apache-2.0.

MemReader-4B-thinking — языковая модель IAAR-Shanghai для управления долговременной памятью агентов, созданная на базе Qwen/Qwen3-4B и дообученная с помощью supervised fine-tuning и GRPO. Это плотная авторегрессионная модель семейства Qwen3 с 3,7 млрд параметров и контекстом 40 960 токенов. Модель анализирует поступившую информацию и выбирает действие: добавить её в память, найти исторические сведения для уточнения, временно сохранить неполные данные или проигнорировать малозначимый и повторяющийся текст. Она предназначена для извлечения и обновления памяти в долгих диалогах, персональных помощниках и агентных системах; поддерживает сценарии с вызовом инструментов. Модель ориентирована на английский и китайский языки. В README описаны результаты оценивания на LOCOMO, LongMemEval и HaluMem, включая задачи разрешения неоднозначности, обновления знаний и временных рассуждений. Модель оптимизирована для управления памятью, а не для универсального диалога; качество зависит от схемы памяти, поиска и исполнения инструментов, а ответы могут содержать ошибки или пропуски. Распространяется по лицензии Apache-2.0.

XythicK/microsoft_Fara-7B-GGUF — вариант модели Fara-7B, разработанной Microsoft Research. Это компактная мультимодальная decoder-only модель с 7 млрд параметров, предназначенная для управления компьютером и выполнения задач в браузере. Модель принимает текстовую цель пользователя, скриншоты текущего состояния и историю предыдущих рассуждений и действий, а затем генерирует текстовое рассуждение и вызов инструмента с параметрами действия, например координатами клика. Заявленная длина контекста составляет 128K токенов, основной язык — английский. Модель ориентирована на многошаговую автоматизацию веб-задач: поиск информации, покупки, бронирование поездок и ресторанов, заполнение рабочих сценариев и другие действия в интерфейсе. К сильным сторонам относятся небольшой для такого класса размер, мультимодальное восприятие экранов, планирование действий на высоком уровне и возможность локального запуска с потенциальными преимуществами по приватности и задержке. Обучение проводилось на синтетических траекториях действий, созданных и проверенных многоагентным конвейером; производственные базовые решения используют Qwen 2.5-VL. Ограничения включают поддержку только английского языка, отсутствие оценки для всех возможных прикладных сценариев и типичные риски языковых моделей, связанные с точностью, безопасностью и справедливостью. Модель обучена отказываться от опасных и регулируемых задач, а также останавливаться перед критическими действиями, включая ввод персональных данных, покупки, отправку писем, подачу заявлений и вход в аккаунты. В README указана лицензия MIT; конкретные характеристики GGUF-квантизации для данного варианта не приведены.

MiniCPM5-1B-Agentic-Tooluse-v3-Merged-FP16-GGUF — это компактная языковая модель для генерации текста и агентских сценариев с использованием инструментов. Модель основана на ewin-reg/MiniCPM5-1B-Agentic-Tooluse-v3-Merged-FP16 и дополнительно представлена в формате GGUF; квантованные версии подготовлены mradermacher. В метаданных также указана связь с семейством MiniCPM5 и тег OpenBMB, однако конкретный разработчик базовой модели явно не описан. Модель предназначена для диалоговых приложений, локального запуска и задач tool calling, включая вызов функций и взаимодействие с внешними инструментами в форматах XML и JSON. Она обучалась с использованием набора данных Team-ACE/ToolACE и заявлена для английского языка. Размер модели — около 1 млрд параметров, но сведения об архитектуре, размере контекста и поддержке дополнительных модальностей отсутствуют; по представленным данным это текстовая модель. Основные преимущества — небольшой размер, возможность работы на локальных и периферийных устройствах, а также наличие вариантов GGUF с разной степенью квантования: от Q2_K до Q8_0 и версии f16. Более компактные варианты требуют меньше памяти, но могут терять в качестве; Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, а Q8_0 — как вариант с лучшим качеством среди указанных. Лицензия модели — Apache-2.0.

javimosch/mtlm-7m-router3s384 — компактная модель маршрутизации запросов, разработанная автором репозитория и обученная сквозным образом на machin/MFL. Она классифицирует запросы и направляет их к одному из 16 маршрутов: например, к калькулятору, поиску в интернете, работе с файлами, переводу, отправке электронной почты, чату или передаче более сложной задачи другому помощнику. Модель также оценивает необходимость эскалации и сложность запроса; для типизированных решений используются три обученные головы, а генеративный путь может сформировать вызов инструмента с аргументами. Это плотная Llama-совместимая causal language model класса LlamaForCausalLM с 7,2 млн параметров, контекстом 384 токена и файлами safetensors. Модель рассчитана на обработку естественно-языковых запросов и выдачу текстовых решений маршрутизации или вызовов инструментов. README сообщает о поддержке английского и китайского текста. По данным автора, маршрутизация выполняется примерно за 15 мс на CPU; заявлены высокие показатели на проверочных наборах, но они не являются независимой оценкой. Модель предназначена прежде всего для диспетчеризации инструментов, а не для сложного диалога. Из-за малого размера значения аргументов могут быть неточными и должны проверяться перед выполнением вызова. Оценка эскалации и сложности отвечает только на заданные при обучении вопросы; чат ограничен уровнем TinyStories, а головы решений могут ошибаться на реляционных условиях. Лицензия — Apache-2.0.

Muse-Glimmer-30B-Hermes-Agentic — дообученная Виктором Крузом (vcruz305) модель на базе Muse Glimmer 30B от Meta Superintelligence Lab. Это плотный трансформер с энкодером восприятия, обученный выполнять короткие последовательности вызова инструментов в Hermes Agent и совместимых OpenAI-style агентных оболочках: использовать один или два инструмента, затем остановиться и сформировать ответ. Дообучение проводилось на синтетических англоязычных трассах Hermes; визуальные веса заморожены, поэтому основное назначение этой версии — работа с текстом и инструментами, а не улучшение анализа изображений. Модель содержит около 29,6 млрд параметров и сохраняет архитектуру, токенизатор и контекст базовой модели — 131 072 токена и более. В тестах автора она показала 16/20 на симулированных задачах с инструментами и 7/7 на небольшой нативной батарее Hermes; результаты относятся к ограниченным тестовым наборам и не являются сертификацией. Англоязычное дообучение может ухудшать поведение при работе на других языках; также отмечены ошибки в отдельных сценариях, включая простые команды и удаление файлов. Использование инструментов требует собственных защитных мер, особенно для необратимых действий. Лицензия — Apache 2.0.

Ornstein3.6-35B-A3B — мультимодальная дообученная модель DJLougen на базе unsloth/Qwen3.6-35B-A3B для диалогов, рассуждений и агентных сценариев. Она принимает текст и изображения и формирует текстовые ответы; также поддерживает интерфейс вызова инструментов. Модель использует архитектуру Qwen3_5MoeForConditionalGeneration с чередованием линейного и полного внимания. Всего в ней 34,66 млрд параметров, из которых около 3 млрд активны на каждом токене; указаны 256 экспертов и 8 активных экспертов на токен. Длина контекста — 262 144 токена. Репозиторий содержит веса Safetensors и восстановленные компоненты обработки изображений и видео. Модель подходит для диалоговых задач, анализа изображений и агентной работы с инструментами. Это авторский экспериментальный fine-tune из серии Ornstein, обученный на самостоятельно отобранных данных; подробности датасета и результаты сравнительных оценок в карточке не приведены. Лицензия — Apache 2.0.