I.14Автоматизация процессов и AI-агенты

TheDestroyerIII/my_awesome_eli5_clm-model — дообученная модель генерации текста на архитектуре GPT-2, созданная на основе distilbert/distilgpt2. Карточка указывает, что набор данных неизвестен; подробного описания назначения и сценариев применения нет. Модель предназначена для генерации текста и имеет контекстное окно 1024 токена. В репозитории используются safetensors и библиотека Transformers. В карточке приведено значение loss 3,801 на оценочном наборе, но без описания набора данных и методики оценки оно не позволяет судить о качестве для конкретных задач. Модель лицензирована по Apache-2.0. Метаданные описывают базовую модель как компактную англоязычную GPT-2; сведения о языках самой дообученной модели и её специализированных возможностях отсутствуют.

NVIDIA Nemotron-Labs-3-Competitive-Coding-550B-A55B-NVFP4 — специализированная модель NVIDIA для соревновательного программирования и алгоритмических задач. Она дообучена методом SFT на базе NVIDIA-Nemotron-3-Ultra-550B-A55B: использованы синтетические трассы рассуждений по 22 тысячам задач из 16 соревнований. Архитектура — гибрид Mamba2 и Transformer с LatentMoE и Multi-Token Prediction; всего 550 млрд параметров, активно используется 55 млрд. Контекст — до 262 144 токенов. Модель принимает текст и генерирует текст, включая код; в метаданных указан английский язык. Суффикс NVFP4 указывает на вариант с низкой точностью весов для ускорения инференса, хотя в метаданных формат файлов указан как safetensors. Модель ориентирована на оценку и исследование возможностей генерации кода, решения задач алгоритмических соревнований и стратегий итеративного улучшения решений. README сообщает высокие результаты на соревновательных бенчмарках, но указывает, что это не универсальная чат-модель и не готовый к производственному использованию помощник по программированию. Для реального применения решения требуют проверки, особенно при строгих требованиях к корректности и эффективности. Лицензия указана как other; README разрешает коммерческое и некоммерческое использование.

OTel-LLM-27B-IT — англоязычная плотная языковая модель на 27 млрд параметров, разработанная в рамках открытой инициативы Open Telco AI. Она получена полнопараметрическим дообучением google/gemma-3-27b-it на телекоммуникационных данных OTel-LLM, подготовленных с участием отраслевых экспертов и включающих материалы по стандартам и сетевым технологиям. Модель предназначена для генерации ответов на основе контекста, извлечённого поиском в RAG-системах для телекоммуникационной отрасли. Её применяют для ответов по стандартам и документам, например 3GPP, GSMA и IETF. В описанной оценке точность ответов, основанных на предоставленном контексте, составила 88,2% против 84,5% у базовой модели; результат относится к внутреннему отложенному разделу OTel-LLM и не гарантирует качество на внешних наборах или во всех поддоменах. Модель рассчитана прежде всего на английский язык и текстовый ввод. Она не оптимизирована для вопросов без извлечённого контекста; качество зависит от поиска, ранжирования, контекстного окна и промпта. Ответы следует проверять перед операционным, клиентским, нормативным или сетевым применением. Лицензия репозитория — Apache-2.0; также необходимо соблюдать лицензию или условия базовой модели.

Это экспериментальная дообученная языковая модель dbands на архитектуре Qwen2, предназначенная для поддержки автоматизации агентов в бухгалтерской среде. Она рассчитана на разбор сложных бухгалтерских ситуаций и подготовку решений для проводок по системе двойной записи с учётом МСФО (IFRS). Модель принимает текстовые запросы и ведёт диалог; автор рекомендует формулировать запросы с контекстом «How must this be treated from accounting perspective: ». По заявлению автора, модель не обучалась на GAAP. Модель содержит 7,1 млрд параметров, использует формат Safetensors и поддерживает контекст до 32 768 токенов. В карточке указан английский язык. Лицензия — Apache-2.0. Автор характеризует модель как работу в процессе и предупреждает, что она экспериментальная и не готова к промышленному применению. Ответы могут быть технически неверными или отклоняться от инструкций; их следует проверять перед использованием при принятии решений.

Карточка модели huluhuluu/qwen3-1.7b-eagle3-sharegpt-sw512-epoch9-step450000 на Hugging Face совпадает с карточкой huluhuluu/qwen3-1p7b-eagle3-sharegpt-sw512-epoch-9-step-450000, поэтому описание составлено по ней. Это чекпойнт черновой модели EAGLE3, обученной SpecForge для ускорения генерации текста методом спекулятивного декодирования вместе с Qwen/Qwen3-1.7B. Это вспомогательная модель, а не самостоятельная языковая модель: для работы ей нужна целевая модель Qwen3-1.7B, а веса целевых эмбеддингов загружаются из неё отдельно. Модель основана на архитектуре LlamaForCausalLMEagle3, имеет 361,5 млн параметров и рассчитана на контекст до 40 960 токенов. Чекпойнт сохранён в safetensors; конфигурация указывает dtype bfloat16. Он предназначен для загрузки совместимым кодом SpecForge/EAGLE3. Карточка не приводит результатов бенчмарков, поэтому степень ускорения не подтверждена. Лицензия указана как other, без уточнения условий в предоставленных данных.

Qwen3-4B-Think-GRPO-MLX — языковая модель для генерации ответов с явным разделом рассуждения и итоговым ответом. Разработчик дообучил Qwen/Qwen3-4B-Instruct-2507 методом GRPO с LoRA на задачах GSM8K; выпущенный чекпойнт также включает стабилизирующий supervised-проход. Это плотная модель семейства Qwen3 с 3,7 млрд параметров, опубликованная в формате safetensors для MLX. Модель принимает текст и генерирует текст; карточка указывает поддержку английского языка и контекст до 262 144 токенов. Модель предназначена прежде всего для пошагового решения арифметических текстовых задач и выдачи ответа в заданном формате. В описанном тесте на 32 примерах GSM8K она достигла точности 87,5% и строгого соблюдения формата в 100% случаев, однако небольшая выборка может завышать ожидаемое качество. Рассуждения являются сгенерированными объяснениями, а не достоверной записью внутренних процессов модели. Возможны арифметические, логические и фактические ошибки; результаты на узком наборе GSM8K не гарантируют обобщения на другие задачи. Лицензия — Apache-2.0.

merve/rfdetr-docvqa-media3-v2-agree1-large — дообученная модель обнаружения объектов на основе Roboflow/rf-detr-large. Она предназначена для поиска объектов и их локализации на изображениях; метрики карточки отдельно показывают результаты для диаграмм, изображений и подписей. Модель использует архитектуру RF-DETR Large и распространяется в формате safetensors. Лицензия — Apache-2.0. В README приведены низкие значения mAP на оценочном наборе: общий mAP 0,0038, mAP для диаграмм 0,005, для изображений 0,0045 и для подписей 0,0019. Датасет и подробности предполагаемого применения не описаны, поэтому эти результаты не подтверждают пригодность модели для конкретного сценария.

ruvnet создал ruos-foundry-cu-qwen3-30b-a3b-e32 — уменьшенную специализированную версию Qwen3-30B-A3B-Instruct-2507 для генерации текста и диалогов. Это модель архитектуры Qwen3 MoE: по данным маршрутизации на калибровочном наборе ruOS-cu оставили 32 наиболее часто задействованных эксперта в каждом маршрутизируемом слое, удалили остальные и соответствующим образом сократили маршрутизатор. Веса оставшихся экспертов не меняли. Модель загружается как чекпойнт Transformers в формате safetensors; заявленная длина контекста — 262 144 токена. Модель предназначена для экспериментов с задачами ruOS-cu, включая браузерные шаги, и для оценки того, насколько сокращение экспертов сохраняет возможности исходной модели. Чекпойнт помечен как неоценённый и отключённый: структурная целостность экспорта не подтверждает качество, а README запрещает направлять на него запросы до завершения оценки. Выбор экспертов основан на накопленной вероятности маршрутизации, что служит лишь косвенной оценкой их использования; для запросов вне калибровочного домена рекомендуется исходная модель. Лицензия — Apache-2.0.

Voice AI Interview — дообученная на структурированных парах вопросов и ответов для пробных собеседований причинная языковая модель на базе DistilGPT2. Её разработал rajatverma777 для проекта Voice AI Interview, где модель генерирует ответы интервьюера. Архитектура — GPT-2, класс GPT2LMHeadModel; модель принимает текст и генерирует текст, поддерживает английский язык, контекст составляет 1024 токена. Модель предназначена для генерации реплик и вопросов в симуляторах собеседований, в том числе в голосовом помощнике для пробных интервью. Карточка описывает дообучение на собственном структурированном наборе данных интервью, но не приводит оценок качества или деталей охвата профессий и типов интервью. Лицензия — Apache 2.0.

Это дообученная модель распознавания речи на базе OpenAI Whisper large-v3, разработанная для транскрибации радиообмена в авиационном управлении воздушным движением. Обучение проводилось только на 20 000 синтетических реплик ATC с имитацией узкополосного VHF-шума; реальные аудиозаписи радиообмена в обучении не использовались. Модель принимает аудио и выдаёт текст, а указанная в примере настройка предназначена для распознавания английской речи. В оценке на трёх реальных европейских наборах данных модель показала WER 31,9% на airbus, 30,6% на atco2 и 41,1% на uwb; результаты лучше дообученной на реальных данных версии на airbus и сопоставимы на atco2. Показатели заметно различаются между наборами, поэтому качество зависит от условий и состава радиообмена. Модель распространяется по лицензии Apache-2.0.

bluolightning/bert-tiny-japanese-char — компактная японская BERT-модель, разработанная bluolightning и оптимизированная для быстрого заполнения пропусков в тексте. Она использует символьный японский токенизатор и предназначена для задач masked language modeling. Модель имеет 4 слоя, размер скрытого состояния 256, 4 головы внимания и FFN размером 1024; в метаданных указано 5,8 млн параметров и контекст 128 токенов. Это дистилляция модели, дообученной на основе tohoku-nlp/bert-base-japanese-char-v2; карточка сообщает, что студенческая модель была инициализирована случайно. Поддержка японского языка подтверждается карточкой и тегами. Модель подходит для быстрого запуска локальных экспериментов и заполнения маскированных токенов в японском тексте. Лицензия Apache-2.0.

soikit/chinese-bert-wwm-chinese_bert_wwm3 — дообученная версия китайской модели hfl/chinese-bert-wwm с архитектурой BERT и головой языкового моделирования BertLMHeadModel. Она предназначена для генерации текста; в карточке не описаны конкретные сценарии, обучающие данные или методика оценки. Модель содержит 129,5 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Карточка сообщает нулевое значение loss на оценочном наборе, но не приводит подробностей, позволяющих оценить качество результата. Лицензия — Apache-2.0. По названию базовой модели она ориентирована на китайский язык.

cm309/distilroberta-base-finetuned-Financial-News-Superior — дообученная модель RoBERTa на базе distilbert/distilroberta-base, созданная для предсказания пропущенных слов в финансовых текстах. Она содержит 95,2 млн параметров, принимает текст с маскированными позициями и предсказывает подходящие токены; максимальная длина контекста — 514 токенов. Модель обучена на наборе financial-reports-sec, а в карточке приведено значение loss 1,4572 на оценочной выборке. Модель подходит для восстановления скрытых слов в финансовых документах и новостях, а также для экспериментов с языковым моделированием в финансовом домене. Указана лицензия Apache-2.0. Карточка не раскрывает подробности обучения и ограничения качества, поэтому приведённый результат не позволяет оценить пригодность для конкретных прикладных задач.

ku-nlp/gpt2-small-japanese-char — компактная авторегрессионная языковая модель семейства GPT-2, разработанная KU NLP. Модель содержит 90 млн параметров и обучена предсказывать следующий символ японского текста на материалах японской Википедии, японских частей CC-100 и OSCAR. Она предназначена для генерации японского текста и работает через библиотеку Transformers. Модель использует посимвольный словарь размером около 6 тысяч токенов; редкие символы могут кодироваться байтами с помощью BPE. Максимальный контекст составляет 1024 токена. При предобработке пробел U+0020 был удалён и токенизатор отображает его в [UNK], поэтому для пробелов рекомендуется использовать японский знак U+3000. Распространяется по лицензии CC BY-SA 4.0.

Ateeqq/keywords-title-generator — дообученная модель семейства T5 для генерации заголовков по ключевым словам или краткой информации о содержании. Она принимает текстовый запрос и предлагает варианты заголовков, в том числе для контента, которому нужны привлекательные формулировки. В метаданных указаны архитектура T5 с условной генерацией, 123,8 млн параметров, контекст до 512 токенов и форматы PyTorch и Safetensors; карточка сообщает о дообучении T5-Base на датасете Ateeqq/Title-Keywords-SEO. README приводит также примеры заголовков и результаты обучения, но указывает другое число параметров — 223 млн. Модель ориентирована на англоязычную генерацию заголовков. В метаданных указана лицензия Apache-2.0. Примеры показывают возможное повторение ключевых слов и однообразные формулировки; качество результата стоит проверять и редактировать под конкретную аудиторию.

Это экспериментальная версия Llama 3.2 1B Instruct, дообученная методом GRPO для работы с вызовами функций и инструментов. Модель разработана как часть исследования из четырёх моделей; базовая модель — meta-llama/Llama-3.2-1B-Instruct. Архитектура — плотная авторегрессионная LlamaForCausalLM с 1,2 млрд параметров, реализованная на Transformers. Контекстное окно составляет 131072 токена. Модель предназначена для выбора и вызова инструментов, в том числе в сценариях, где нужно распознать нерелевантность запроса и воздержаться от вызова. В тестировании BFCL v4 GRPO не улучшил распознавание нерелевантных запросов относительно исходной SFT-версии; авторы сообщают об этом как о неудачном результате. Ранее при настройке вознаграждения возникало вырождение в повторяющиеся ответы, которое было исправлено в финальном запуске. Лицензия — Llama 3.2 Community License. Модель следует рассматривать как исследовательский эксперимент, а не как надёжную основу для производственного вызова инструментов.

Это уменьшенная версия NLLB-200-600M, опубликованная пользователем slone: модель M2M-100 для перевода текста между языками. В ней 6 слоёв вместо 12 и размер скрытого представления 512 вместо 1024; в README указано 175 млн параметров, а в метаданных Hugging Face — 156,3 млн. Она дообучена на подмножестве slone/nllb-200-10M-sample с примерами для 175 языков, отобранными по BLASER score выше 3,5. Контекст — 1024 токена. Модель предназначена прежде всего как компактная основа для дальнейшего дообучения на небольшом наборе языков. README предупреждает, что качество перевода низкое, поэтому для готовых пользовательских переводов она не рекомендуется. Для специализированного дообучения рекомендуется предварительно сократить словарь до токенов целевых языков. Доступна в формате PyTorch по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

pixel-art-diffusion-xl — модель генерации изображений по текстовому описанию, опубликованная в репозитории stablediffusionapi и предназначенная для использования через ModelsLab API. README показывает вызов модели с текстовым prompt и negative prompt и настройками генерации, такими как размер изображения, число шагов и guidance scale. Метаданные указывают на конвейер StableDiffusionXLPipeline и форматы Diffusers и PyTorch; лицензия — CreativeML OpenRAIL-M. Название указывает на стилизацию под пиксельную графику, однако пример prompt в карточке описывает фотореалистичный портрет, поэтому специализация на пиксель-арте не подтверждена содержимым README.

Это контрольная точка черновой модели EAGLE3 для Qwen/Qwen3-1.7B, подготовленная с помощью SpecForge и обученная методом онлайн-обучения EAGLE3 на данных ShareGPT. Она предназначена для спекулятивного декодирования совместно с целевой моделью Qwen3-1.7B и совместимым кодом SpecForge/EAGLE3; самостоятельно как полноценная языковая модель не используется. Архитектура — LlamaForCausalLMEagle3, плотная, размер контрольной точки — 361,5 млн параметров; формат весов — safetensors, тип данных — bfloat16. Контекст составляет 40 960 токенов. В метаданных указаны английский и китайский языки. Карточка не приводит результатов бенчмарков. Лицензия обозначена как other, поэтому условия использования следует сверить с файлами репозитория и условиями базовой модели Qwen/Qwen3-1.7B.

Qwen3-4B-DPO-prm-pairs — плотная языковая модель на архитектуре Qwen3, созданная автором shubhamrgandhi методом DPO дообучения Qwen/Qwen3-4B-Instruct-2507. Она предназначена для анализа траекторий работы агента-программиста: выявляет ошибки и формулирует корректирующие рекомендации, обучаясь предпочитать более качественную критику. Модель принимает текст и генерирует текст; заявленный контекст составляет до 262 144 токенов. В репозитории указаны веса safetensors и лицензия Apache-2.0. Дообучение улучшило некоторые показатели относительно базовой модели, однако итоговая точность попарного ранжирования предпочтений составила 0,4375 — ниже случайного уровня. Обучение ограничилось 44 шагами, одной эпохой и одной выборкой из 155 пар; обобщение на короткие запросы и сохранение общих способностей базовой модели не проверялись. Поэтому это экспериментальный чекпойнт для исследования анализа ошибок в трассах агента, а не надёжный ранжировщик или готовая к эксплуатации модель.

ALFWorld-Qwen3-8B-GiGPO — языковая модель-политика на базе Qwen/Qwen3-8B, дообученная wckwan методом GRPO с оценивателем GiGPO. Она предназначена для управления агентом в текстовой среде ALFWorld: модель получает текстовое описание ситуации и формирует последовательность действий для выполнения бытовых задач, например размещения, нагрева, охлаждения или очистки предметов. Финальная политика сохранена после 400 шагов обучения; в обучающих запусках средняя успешность за последние 50 шагов составила 86,8%. Это результат одного запуска, поэтому он не гарантирует такую же успешность при независимой оценке или в других средах. Модель работает с текстом и загружается через Transformers как AutoModelForCausalLM. В основе — Qwen3-8B; длина контекста в метаданных не приведена. Репозиторий содержит веса safetensors, а также промежуточные контрольные точки; сырые FSDP-данные предназначены для продолжения обучения, а не для инференса. Лицензия — Apache-2.0. README описывает специализированную политику для ALFWorld, а не универсального бытового агента.

SingleBicycle разработала промежуточный чекпойнт политики агента на базе Qwen2.5-7B-Instruct, дообученной методом CCPO (Context-Conditioned Policy Optimization) для многошаговых задач в текстовом бытовом симуляторе ALFWorld. Модель получает текстовые наблюдения среды и генерирует текстовые действия агента; её проверяли на шести типах задач ALFWorld, включая подбор, осмотр, уборку, нагрев и охлаждение предметов. Это плотная авторегрессионная модель Qwen2 с 7,1 млрд параметров, форматом safetensors и контекстом до 32 768 токенов. README приводит средний успех 83,5% на 128 отложенных задачах по десяти оценкам в окне обучения от шага 70, но подчёркивает, что обучение ещё не завершено: опубликованный чекпойнт соответствует шагу 119 из 150. Результаты относятся к конкретному протоколу ALFWorld и не доказывают превосходство CCPO над GRPO или опубликованными результатами для моделей другого размера. Модель предназначена для экспериментов и запуска агента в ALFWorld, а не для универсального чат-использования. Базовая модель распространяется под лицензией Apache-2.0; карточка не уточняет отдельные условия лицензии производного чекпойнта.

Это промежуточный чекпойнт политики агента на базе Qwen2.5-7B-Instruct, дообученной методом CCPO для текстового бенчмарка ALFWorld. Модель учится выполнять бытовые задачи в виртуальной среде, выбирая действия по текстовым наблюдениям; обучение нацелено на улучшение распределения заслуг между шагами в многоходовых задачах с подкреплением. Чекпойнт создан в рамках незавершённого запуска: опубликован вариант на шаге 113 из запланированных 150, выбрана версия с лучшим текущим результатом на шаге 105. Модель имеет плотную архитектуру Qwen2ForCausalLM, 7,1 млрд параметров и контекст до 32 768 токенов. Она принимает текст и генерирует текстовые ответы и действия агента; в карточке указан английский язык. Внутренняя оценка на 128 отложенных задачах ALFWorld сообщает средний успех 90,0% в окне нескольких оценок, но эти результаты относятся к одному seed и не доказывают превосходство CCPO над GRPO или опубликованными результатами моделей другого размера. Модель предназначена для экспериментов с агентами и обучением с подкреплением в ALFWorld, а не для универсального бытового помощника. Лицензия — Apache-2.0; для загрузки и использования указана библиотека Transformers.

Карточка модели lqtrung1998/Codellama-7b-hf-SFT-GSM8k на Hugging Face совпадает с карточкой lqtrung1998/Codellama-7b-hf-ReFT-GSM8k, поэтому описание составлено по ней. Это причинная языковая модель семейства Code Llama, дообученная автором lqtrung1998 методом ReFT для решения задач из набора GSM8k. Обучение включало два этапа: два эпоха supervised fine-tuning на обучающих примерах GSM8k в формате Python SDP Chain-of-Thought, затем 300 эпох ReFT на вопросах GSM8k. Модель предназначена для генерации пошаговых рассуждений и ответов на математические задачи начального уровня; запуск возможен через библиотеку Transformers. Модель имеет плотную архитектуру LlamaForCausalLM, около 6,6 млрд параметров и контекст до 16 384 токенов. README указывает, что Code Llama рассчитана на английский язык и соответствующие языки программирования; оценивание описано на GSM8k. Веса опубликованы в формате PyTorch. Лицензия метаданных — llama2; README отмечает, что к модели применяются лицензия и условия Code Llama. Генерация может содержать неверные рассуждения или ответы, поэтому результаты требуют проверки.

ComfyUI-Starter-Packs — это курируемый набор моделей и вспомогательных компонентов для пользователей ComfyUI, разработанный автором репозитория MaxedOut. Набор предназначен для генерации изображений по тексту, редактирования и дорисовки изображений, управления композицией через ControlNet, работы с глубиной, контуром Canny и позами, повышения разрешения, восстановления лиц и использования image-to-image сценариев. В состав входят компоненты для семейств Flux1, SDXL и Wan2.2, включая модели Flux для генерации, inpainting, Kontext, ControlNet, Canny и Depth, а также варианты Krea и Schnell. Для Wan2.2 представлены компоненты text-to-video с моделями 14B, текстовым энкодером UMT5-XXL и Lightning LoRA. Также включены SDXL-чекпойнты, ControlNet-модели, VAE, CLIP-компоненты, LoRA, PuLID, Redux, GGUF-квантизации, Nunchaku-версии, модели ADetailer, SAM, GFPGAN, CodeFormer и средства апскейлинга. Точный размер моделей, длина контекста и полный перечень поддерживаемых языков не указаны; в метаданных заявлен английский язык. Сильная сторона набора — широкое покрытие распространённых задач ComfyUI и наличие вариантов в разных форматах и уровнях квантизации, что может упростить подбор конфигурации под доступное оборудование. Ограничение заключается в том, что это не единая модель, а коллекция разнородных моделей и компонентов, поэтому качество, требования к памяти, совместимость и условия использования различаются для отдельных файлов. Для репозитория указана лицензия «other», однако конкретные лицензии входящих моделей не уточнены; перед использованием необходимо проверить условия каждого компонента.

Это BF16-файл GGUF с черновой MTP-моделью Gemma 4 12B IT Assistant, преобразованный srmiles из официальных весов Google для ускорения генерации в llama.cpp speculative decoding. Модель предлагает несколько следующих токенов, которые затем проверяет целевая Gemma 4 12B; при корректной настройке это повышает пропускную способность генерации без изменения качества итогового вывода. Самостоятельно как обычную чат-модель её не используют: требуется совместимая целевая модель Gemma 4 и llama.cpp версии b10215 или новее с поддержкой draft-mtp. В README приведён тест на Intel Arc Pro B60: для указанной конфигурации сообщаются скорость декодирования 70,4 токена/с и принятие 69,7% предложенных MTP-токенов. Эти результаты относятся к конкретному оборудованию и сценарию; README подтверждает работу на llama.cpp SYCL b10215+, а совместимость с другими бэкендами заявлена разработчиком. Файл имеет формат GGUF BF16 и распространяется по лицензии Apache-2.0.

Набор control vector-файлов для GLM-4.6 от автора gghfez. Векторы предназначены для управления стилем генерации при творческом письме: README показывает пример применения вектора debias вместе с положительным или отрицательным вектором, связанным с характеристикой «макиавеллизм». Одновременное применение положительного и отрицательного векторов приводит к их взаимной компенсации. Репозиторий содержит файлы в формате GGUF; пример запуска приведён для llama-server и IKLlama.cpp. Базовая модель GLM-4.6 — диалоговая языковая модель Zhipu AI для генерации текста и кода, рассуждений и агентных задач с контекстом до 202 752 токенов. Лицензия репозитория — Apache-2.0. При включённом рассуждении и экстремально сильном квантовании базовой модели, например IQ2_XXS, даже простой запрос может дать нерелевантный ответ.

LevelField-GGUF — мультимодальная модель для планирования нестандартных производственных и механообрабатывающих процессов. Она основана на LevelField, разработанной Level AI (蓝沃AI), и построена на Qwen3.5-9B с дообучением и усилением на 100 000 производственных чертежей и маршрутных карт, полученных на 16 предприятиях. Вариант LevelField-GGUF распространяется в формате GGUF с несколькими уровнями квантования и предназначен для запуска через llama.cpp. Модель принимает 2D-чертежи в форматах PDF или PNG и анализирует геометрию детали, размеры и допуски, шероховатость поверхности и другие технические требования, после чего формирует маршрут обработки с предложениями по оптимизации. Заявлена поддержка английского и китайского языков и 18 типов процессов, включая токарную и фрезерную обработку, сверление, шлифование, литьё, ковку, термообработку и сварку. По данным разработчика, точность согласования рассуждений с решениями опытных технологов превышает 95%, а в пилотных внедрениях время подготовки маршрутов сокращалось примерно на 60%; эти показатели относятся к внутренним оценкам и не подтверждены дополнительными данными. Размер контекста в README не указан. Для исходной BF16-версии при использовании vLLM требуется как минимум один GPU H100, тогда как GGUF-версии рассчитаны на экосистему llama.cpp. Модель лицензирована по Apache 2.0, допускающей коммерческое использование.

MiniCPM5-2B-DSpark-GGUF — это версия модели MiniCPM5-2B-DSpark в формате GGUF, разработанная командой MiniCPM/OpenBMB. Она предназначена для использования в llama.cpp как черновая модель при спекулятивном декодировании совместно с MiniCPM5-2B, чтобы ускорять генерацию текста на локальных и периферийных устройствах. Модель относится к классу text-generation и ориентирована на английский и китайский языки. В репозитории указан файл размером 653 МБ с точностью BF16 и названием MiniCPM5-2.6B-DSpark.gguf. Для запуска требуется llama.cpp и основная модель MiniCPM5-2B в формате GGUF; README демонстрирует конфигурацию с контекстом 8192 токена и параметрами speculative decoding. Сильной стороной является компактность и возможность ускорения локального вывода, однако модель не предназначена для самостоятельного использования без основной модели, а её ответы могут быть неточными, предвзятыми или вредными и требуют пользовательских ограничений и проверки. Модель и веса распространяются по лицензии Apache-2.0.

Это веса Multi-Token Prediction (MTP) для ускорения генерации методом speculative decoding в связке с совместимой целевой моделью Qwen3.5 4B. Репозиторий mlx-community содержит вынесенные веса черновой модели, подготовленные для MLX и mlx-vlm; архитектура указана как плотная qwen3_5_mtp, точность bf16, размер блока MTP — 2 токена. Модель предлагает кандидатные токены, которые затем проверяет целевая Qwen3.5 4B. Она предназначена для локального запуска совместимой модели через mlx-vlm и не является самостоятельной чат-моделью или генератором текста. Требуется поддержка Qwen/DeepSeek MTP в используемой версии mlx-vlm; самостоятельная генерация через обычные интерфейсы Transformers не ожидается. Лицензия репозитория — Apache-2.0; README отсылает к условиям использования базовой модели Qwen/Qwen3.5-4B.