I.14Автоматизация процессов и AI-агенты

Qwen3.8-27B-DFlash2-EXL3-5.0bpw — это квантованный EXL3-драфтер для модели Qwen3.8-27B, опубликованный Mia-AiLab. Он основан на DFlash2 от inco.ai и z-lab и предназначен для ускорения спекулятивной генерации: модель формирует блоки предполагаемых токенов, которые затем проверяются целевой моделью Qwen3.8-27B. Это не самостоятельная языковая модель и не предназначена для работы без совместимого target-моделя и движка спекулятивного декодирования. Драфтер имеет размер около 1,93 млрд параметров и поддерживает генерацию блоков до 7 спекулятивных токенов при block_size 8. В архитектуре используются механизм выбора согласованного пути среди кандидатов и двухточечные динамические свёртки, снижающие деградацию качества на длинных блоках. Квантование EXL3 версии 1.4.2 с эффективной точностью 5.0 bpw уменьшает размер весов с 3,85 до 1,4 ГБ. В измерениях на DGX Spark/GB10 оно обеспечило более высокую скорость декодирования при сопоставимом принятии токенов по сравнению с исходной версией bf16. Модель особенно полезна для высокоскоростного текстового и программного декодирования с использованием Qwen3.8-27B. По данным README, в конкретной конфигурации прирост сквозной скорости составил около 33% относительно bf16-драфтера, а скорость на тесте HumanEval-style достигла 47,5 токена в секунду. Ограничения заключаются в том, что требуется специальная ветка exllamav3 с поддержкой DFlash2; стандартный exllamav3 не подходит. Драфтер также требует дополнительную память для весов и собственного KV-кэша и уступает встроенной MTP-голове целевой модели по компактности. Лицензия — Apache-2.0, унаследованная от исходного DFlash2. Репозиторий является квантованным производным для exllamav3; разработчиками архитектуры и обучения указаны z-lab и inco.ai.

Qwen3.8-27B-DFlash2-ROCmFP4-FAST-GGUF — квантованный draft-модуль, опубликованный Agention и созданный на основе z-lab/Qwen3.8-27B-DFlash2. Модель предназначена не для самостоятельной генерации, а для speculative decoding в связке с целевой моделью Qwen3.8-27B, ускоряя её инференс без изменения качества: каждый токен проверяется целевой моделью. Модель распространяется в формате GGUF с квантованием ROCmFP4, примерно 4,25 бита на вес. Она использует специальный тип файла Q4_0_ROCMFP4_FAST и требует форка llama.cpp с поддержкой ROCmFPx; стандартная версия llama.cpp не загружает этот формат. Для работы также необходима целевая модель, совместимый режим DFlash2 и Vulkan 1.3. На AMD Strix Halo с Radeon 8060S в связке с указанной целевой моделью заявлена скорость до 65,6 токена в секунду на структурированном выводе, что в 4,7 раза выше обычной генерации. Сильная сторона модели — существенное повышение пропускной способности, особенно при адаптивном выборе размера черновой последовательности; заявленная acceptance rate достигает 96%. Производительность зависит от оборудования, целевой модели, типа вывода и настроек, а приведённые показатели относятся к AMD Strix Halo. Модуль не имеет полного графа и не запускается отдельно. Языки, размер контекста и другие характеристики базовой модели в README не указаны. Модель лицензирована по Apache-2.0, унаследованной от базовой модели.

Qwen3.8-Flash-Next MTP-Drafter-GGUF — это отдельная GGUF-упаковка MTP-head модели Qwen3.8-Flash-Next, предназначенная для speculative decoding совместно с gmlx на macOS и Apple Silicon. Пакет подготовлен пользователем или организацией ashbash на основе весов Qwen3.8-Flash-Next, разработанных командой Qwen компании Alibaba Cloud. Это не самостоятельная языковая модель, а draft-модель, которая должна использоваться вместе с базовой GGUF-моделью. В состав входит один MTP-слой с attention, MoE-блоком на 512 экспертов, hyper-connection mixer, а также необходимыми fc- и norm-компонентами; всего 33 тензора. Доступны варианты Q8_0 размером около 2,6 ГиБ и Q4_K_L размером около 1,8 ГиБ. Q8_0 является эталонным вариантом, а Q4_K_L уменьшает объём примерно на 1 ГиБ за счёт более низкой точности части параметров. Драфтер совместим с любой квантизацией базовой модели, при этом его исходные веса получены из официального релиза в формате BF16. Языки, размер контекста и точный размер базовой модели в README не указаны. Основное преимущество пакета — восстановление MTP-тензоров, которые обычно теряются при конвертации Qwen3.8-Flash-Next в GGUF, что позволяет использовать self-drafting и ускорять генерацию через speculative decoding. Для моделей Qwen качество принятия MTP-токенов, согласно README, заметно выше в режиме reasoning. Ограничения заключаются в необходимости базовой модели, gmlx и платформы macOS с Apple Silicon; llama.cpp этот формат не поддерживает. Рекомендуется размещать ровно один файл драфтера рядом с базовой GGUF-моделью. Файлы распространяются по лицензии Apache-2.0.

SheraTutor Qwen 2.5 7B — дообученная инструктивная языковая модель от автора репозитория syed181 для оценки работ по STEM-предметам на экзаменах NCTB SSC и HSC в Бангладеш. Модель основана на Qwen/Qwen2.5-7B-Instruct, использует архитектуру Qwen2 с 7,1 млрд параметров и контекстом 32 768 токенов. Веса представлены в формате safetensors; в карточке указана лицензия Apache-2.0. Модель оценивает решения по математике, высшей математике и физике по заданным рубрикам: проверяет формулы, вычисления, алгебраические преобразования и физические единицы, а также начисляет частичный балл за корректные последующие шаги после ранней ошибки. Она формирует структурированный JSON с оценкой и обратной связью на бенгальском языке, стараясь учитывать только записанные учеником шаги. Подходит для автоматизации проверки экзаменационных ответов и подготовки педагогической обратной связи. Модель дообучена методом QLoRA с последующим объединением адаптера с базовыми весами. Она специализирована на описанных экзаменационных сценариях; точность вне этой области и качество распознавания рукописного текста не заявлены. Для использования нужен текстовый ответ ученика и схема рубрики; OCR в самой модели не подтверждён.

SmolLM3-3B-GSM8K-SFT — дообученная методом SFT модель HuggingFaceTB на базе HuggingFaceTB/SmolLM3-3B-Base, предназначенная для решения задач на школьную арифметику и рассуждений в формате GSM8K. Модель содержит 3,1 млрд параметров, использует плотную архитектуру SmolLM3 и принимает текстовые запросы, выдавая текстовые решения с промежуточными вычислениями. Заявленная точность на GSM8K — 65,8% против 23,3% у базовой модели. Модель подходит для решения текстовых задач по арифметике с пошаговым объяснением и для экспериментов с небольшими языковыми моделями, специализирующимися на математике. Для лучшего результата README рекомендует формат рассуждения по шагам с ответом в виде «#### answer». Хотя нативное контекстное окно составляет 65 536 токенов, во время обучения использовалось окно 2 048 токенов. Модель выпущена под лицензией Apache-2.0.

UIGEN-T1.1 — плотная трансформерная модель на 14 млрд параметров, разработанная smirki и дообученная на Qwen/Qwen2.5-Coder-14B-Instruct. Она предназначена для генерации интерфейсов на HTML и CSS с опорой на пошаговое рассуждение; карточка сообщает об обучении на наборе из более чем 700 примеров. Модель работает с текстовыми запросами, поддерживает английский язык, использует архитектуру Qwen2 и контекст до 32 768 токенов. Модель подходит для создания базовых дашбордов, целевых страниц, форм регистрации и других простых веб-компонентов. Она может выдавать структурированный HTML/CSS и код, однако результаты могут требовать ручной доработки. Модель ограниченно справляется со сложной интерактивностью и логикой приложений, предлагает мало разнообразия в дизайне и иногда создаёт артефакты форматирования. Для отдельных запросов карточка рекомендует добавлять в конец промпта слово «answer». Модель распространяется по лицензии Apache 2.0. Для запуска указана библиотека Transformers; карточка рекомендует 12 ГБ видеопамяти.

Chronos-Small Global — компактная модель временных рядов на архитектуре T5, представленная в семействе FinText. Она предварительно обучена на глобальных финансовых временных рядах за 1990–2023 годы, включающих данные об избыточной доходности, и предназначена для прогнозирования финансовых временных рядов. Модель содержит 24,1 млн параметров, использует библиотеку Transformers и распространяется в формате safetensors; максимальная длина контекста — 512 токенов. Лицензия Apache-2.0.

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.

Nawah-Math-Reasoning — модель на арабском языке для решения математических задач с пошаговым выводом рассуждения и итоговым ответом. Её разработчик дообучил с нуля обученную базовую модель oddadmix/50M-2048-Emhotob с архитектурой Llama; в модели 51,8 млн параметров, контекст — 2048 токенов. Она предназначена для генерации ответов на арифметические и многошаговые задачи, в том числе задачи на отношения между величинами. Модель компактна и, согласно карточке, может работать на CPU. В опубликованных оценках точность составила 79% на GSM8K-ar, 73% на Arabic_Reasoning и 40,4% на синтетическом наборе математических задач. Модель лучше справляется с узкими формулировками GSM8K-ar, чем с разнообразными синтетическими задачами; вычислительные ошибки могут испортить правильную структуру решения. Обучающие данные преимущественно на современном литературном арабском (MSA), а трасса рассуждений не обязательно отражает внутренний ход вычислений модели. Лицензия — Apache-2.0.

NemoDori-v0.2-12B-MN-BT — экспериментальная разговорная языковая модель, созданная RozGrov с помощью LazyMergekit путём слияния crestf411/nemo-sunfall-v0.6.1, unsloth/Mistral-Nemo-Instruct-2407 и предыдущей версии RozGrov/NemoDori-v0.1-12B-MS. Это плотная модель семейства Mistral с архитектурой MistralForCausalLM и 12,1 млрд параметров; она принимает текст и генерирует текст. Автор описывает её как продолжение ориентированной на ERP-сценарии NemoDori и приводит результаты пробного использования для ролевых диалогов и работы с агентами Talemate: модель следует инструкциям, формирует персонажей и состояние мира, а ответы обычно краткие. Метаданные указывают нативный контекст до 1 024 000 токенов. Модель предназначена для экспериментальных ролевых сценариев, диалогов персонажей и использования в Talemate. Автор отмечает, что повествование развивается медленно, ответы могут быть слишком короткими, а в роли рассказчика модель иногда говорит за пользователя или добавляет разговор Talemate. Автор также характеризует работу как тестирование, поэтому качество зависит от инструкций и настроек. Лицензия в предоставленных данных не указана.

Это контрольная точка черновой модели EAGLE3 для ускорения генерации текста методом speculative decoding вместе с целевой моделью Qwen/Qwen3-1.7B. Модель разработана для использования с совместимым кодом SpecForge/EAGLE3 и не предназначена для самостоятельной генерации текста. Чекпойнт получен онлайн-обучением SpecForge EAGLE3 на данных ShareGPT; в карточке указан шаг 171560, эпоха 9. Архитектура — LlamaForCausalLMEagle3, размер — 420,2 млн параметров, формат весов — safetensors, контекст — 40960 токенов. Метаданные указывают английский и китайский языки; базовая модель Qwen3-1.7B описана как многоязычная. Карточка не приводит результатов бенчмарков и не заявляет измеренного выигрыша в скорости. Для работы нужны целевая модель Qwen/Qwen3-1.7B и совместимая реализация EAGLE3. Лицензия обозначена как other, поэтому условия использования следует проверять в материалах репозитория.

Это контрольная точка черновой модели EAGLE3, разработанная с помощью SpecForge для ускорения генерации текста методом speculative decoding вместе с Qwen/Qwen3-1.7B. Она не предназначена для самостоятельного использования как целевая языковая модель: для работы нужны базовая модель и совместимый код SpecForge/EAGLE3. Модель обучалась методом online training на данных ShareGPT; в конфигурации указаны архитектура LlamaForCausalLMEagle3 и тип bfloat16. Число параметров репозитория — 361,5 млн, контекст — 40 960 токенов. Веса черновой модели не содержат замороженные эмбеддинги целевой модели: SpecForge загружает их из Qwen/Qwen3-1.7B. Метаданные указывают английский и китайский языки. Лицензия обозначена как other; конкретные условия в доступных данных не раскрыты. Карточка не приводит бенчмарков производительности.

Qwen3.8-Flash-Next MTP draft head (Q8_0) — вспомогательная квантованная модель, разработанная на основе Qwen3.8-Flash-Next и опубликованная компанией Agention. Базовую модель создала команда Qwen, а поддержка Qwen3.8-Flash-Next в llama.cpp связана с работой Daniel Han и участников проекта llama.cpp. Этот файл содержит только multi-token-prediction head и не является самостоятельной языковой моделью. Модель предназначена для speculative decoding в llama.cpp: она используется как draft-компонент совместно с любой GGUF-версией Qwen3.8-Flash-Next, чтобы ускорять генерацию текста за счёт предварительного предсказания нескольких токенов. Размер файла в формате Q8_0 составляет около 3,85 ГиБ, а при использовании требуется примерно 3,9 ГиБ дополнительной памяти. В README не указаны отдельные сведения о языках, поддерживаемых модальностях или длине контекста; в примере запуска используется контекст 32 768 токенов. Преимущество этого head заключается в совместном обучении с базовой моделью, благодаря чему он может эффективнее выполнять черновые предсказания, чем отдельная малая модель. В приведённых измерениях на Radeon 8060S скорость генерации выросла с 24,2 до 29,3 токена в секунду для UD-IQ4_XS и с 28,1 до 30,3 токена в секунду для ROCmFP4-FAST; коэффициент принятия составил 0,623 и 0,587 соответственно. Ограничение состоит в необходимости использовать специальную ветку llama.cpp с поддержкой MTP, поскольку стандартная upstream-версия не поддерживает MTP-only путь для этого компонента. Для применения также нужна совместимая GGUF-версия базовой модели. Лицензия — Qwen Community License 1.0.

RuGPT2GenNews — русскоязычная модель генерации текста на архитектуре GPT-2, созданная на основе sberbank-ai/rugpt3small_based_on_gpt2 и обученная на новостных текстах Lenta2 из проекта CORUS. Она предназначена для демонстрации генерации новостного текста по текстовому фрагменту и может использоваться для экспериментов с продолжением русскоязычных новостей. Модель принимает текст и генерирует текст; максимальная длина контекста составляет 2048 токенов. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT. Карточка приводит block_size 1048 как длину последовательностей обучения.

Amirhossein Yousefiramandi разработал модель для преобразования речи в речь на основе SpeechT5 и вокодера HiFi-GAN. Она переносит тембр целевого говорящего на исходную запись, используя короткий аудиофрагмент целевого голоса и speaker embeddings x-vector, получаемые с помощью ECAPA. В метаданных указаны архитектура SpeechT5ForSpeechToSpeech, формат safetensors и набор данных CMU ARCTIC; примеры обучения ориентированы на английскую речь. Модель предназначена для прототипирования, исследовательских демонстраций и обучения, а также для адаптации к парам говорящих и развёртывания сервиса инференса. Качество может снижаться на других языках и акцентах, шумной или неподходящей входной записи; возможны артефакты и ухудшение разборчивости. Для репозитория указана лицензия other, а README сообщает об отсутствии собственного файла лицензии, поэтому условия использования следует уточнить у автора; базовые модели имеют лицензию MIT.

Swen-28M — компактная языковая модель от Sensente, выпущенная вместе с исследованием «Micro Language Models Enable Instant Responses». Это декодерная причинно-языковая модель на 28,8 млн параметров, обученная с нуля на диалоговых данных и распространяемая в формате safetensors под лицензией MIT. Для работы используется библиотека Transformers; карточка заявляет контекст до 32 768 токенов. Модель предназначена для локального начала ответа на устройстве с ограниченными ресурсами: она генерирует короткий контекстный префикс примерно из 4–8 слов, после чего облачная модель продолжает ответ. Такой сценарий подходит для гибридных локально-облачных систем, где важно быстро показать пользователю начало отклика. Swen-28M не рассчитана на самостоятельные длинные ответы или замену универсального инструкционного ассистента. У неё ограничены фактические знания и способность к рассуждению, возможны повторы и слабая связность при длинной генерации; результат зависит от формата запроса и параметров декодирования. Для загрузки через Transformers требуется версия 4.x; Transformers 5.x не поддерживается. Для custom code нужно включать доверие удалённому коду, поэтому перед использованием следует проверить реализацию и закрепить ревизию модели.

Tetracta VAN-1B — экспериментальная исследовательская модель лаборатории Tetracta: базовый вариант и версия после instruction tuning опубликованы для изучения эффективности обучения на данных и изменений, которые вносит дообучение инструкциями. Это decoder-only трансформер, обученный с нуля; в карточке указано 936 609 792 параметра, 16 слоёв и 16 голов внимания. Базовая модель обучалась на 10,32 млрд токенов за одну эпоху без повторения данных, затем модель дообучили на 11 419 примерах. Основной файл весов содержит версию после instruction tuning, а отдельный файл — исходную базовую модель. Модель принимает текст и генерирует текст на английском языке. Карточка демонстрирует работу с диалоговым шаблоном и вызовом инструментов, но для использования инструментов нужна внешняя программная среда; ответы и аргументы следует проверять. Модель предназначена прежде всего для экспериментов с эффективностью обучения, instruction tuning и маршрутизацией инструментов в контролируемой программе. Авторы сообщают о слабой фактической точности, ненадёжных рассуждениях и арифметике, ошибках при копировании чисел из результатов инструментов и слабом качестве длинных текстов. Лицензия — Apache-2.0.

WindyTranslate/translate-fi-pis — модель машинного перевода, опубликованная Windstorm Labs и предназначенная для перевода с финского языка на пижин Соломоновых островов. Это дообученная версия Helsinki-NLP/opus-mt-fi-pis: LoRA-дообучение на параллельном корпусе объединено с базовыми весами. Модель построена на архитектуре MarianMT, содержит 51 млн параметров и принимает текстовый ввод; для модели указано контекстное окно 512 токенов. Репозиторий содержит сборку Transformers в формате safetensors. Модель поддерживает только направление fi→pis; качество пока не оценивали на бенчмарках, поэтому пригодность результатов для конкретного сценария не подтверждена. Лицензия — Apache-2.0.

AlphaMaze-v0.2-1.5B — текстовая языковая модель Menlo Research для решения лабиринтов, описанных словами, и исследования пространственного рассуждения. Она дообучена на базе jan-hq/AlphaMaze-v0.2-1.5B-SFT; архитектура — плотная Qwen2ForCausalLM с 1,5 млрд параметров. Модель принимает текст и генерирует текст, может использоваться в диалоговом режиме и поддерживает интерфейс вызова инструментов. Контекст — до 131 072 токенов. Модель предназначена для планирования маршрута в текстовом лабиринте, анализа пространственных отношений и изучения того, как языковые модели представляют пространство без генерации изображений. В README описаны обучение с учителем и применение GRPO для улучшения стратегии решения; версия 0.2 отдельно не характеризуется в карточке, поэтому эти детали относятся к проекту AlphaMaze в целом. Поддерживаемый язык по метаданным — английский. Модель опубликована под лицензией Apache-2.0. README отмечает, что добавление специальных токенов лабиринта не улучшало результаты, а для некоторых экспериментов нулевое значение потерь вызывало сомнения; количественные результаты именно этой версии не приведены.

Это вспомогательная модель-драфтер Multi-Token Prediction (MTP), подготовленная mlx-community из весов Google Gemma 4 31B для ускорения спекулятивного декодирования. Она работает в связке с совместимым целевым чекпойнтом Gemma 4 31B через MLX и mlx-vlm: драфтер предлагает кандидаты токенов, а целевая модель их проверяет. Репозиторий содержит bf16-веса в формате Safetensors и конфигурационные файлы, совместимые с MLX. Модель предназначена для ускорения генерации текста целевой моделью, включая сценарии с запросами об изображениях, если их поддерживает целевая модель. Она не является самостоятельной чат-моделью и не рассчитана на обычный запуск генерации через универсальные интерфейсы Transformers. Для работы требуется совместимая Gemma 4 31B и версия mlx-vlm с поддержкой MTP-драфтеров Gemma 4. Применяются условия лицензии Gemma; README отсылает к карточке исходной модели и её лицензионным ограничениям.

yingfanbot/gsm-cot-llama3b-nl — языковая модель, дообученная на базе meta-llama/Llama-3.2-3B-Instruct. Это начальный чекпойнт Stage 1 для проекта natural-language LOTUS; модель обучена на GSM8k-Aug методом supervised fine-tuning с естественно-языковыми шагами рассуждения и представляет собой стандартную причинную языковую модель LlamaForCausalLM на 3,2 млрд параметров. Модель предназначена для генерации текста с пошаговым решением математических задач GSM8K, включая явные рассуждения на естественном языке. Она поддерживает диалоговый интерфейс, использует библиотеку Transformers и принимает контекст длиной до 131 072 токенов. В метаданных указана лицензия MIT. Чекпойнт является промежуточной инициализацией для natural-language LOTUS, поэтому его результаты могут отличаться от финальной модели LOTUS. Описание не приводит отдельных оценок качества или сведений о поддерживаемых естественных языках; базовая модель мультиязычная.

bhaveshsoni0023/llama-3.2-1b-grpo-gsm8k — дообученная методом GRPO модель семейства Llama 3.2, созданная на базе Meta Llama-3.2-1B-Instruct с использованием NVIDIA NeMo RL. Это плотная авторегрессионная модель с 1,2 млрд параметров; в репозитории веса представлены в формате safetensors. Для модели указана длина контекста 131 072 токена, однако в описании обучения использовалась длина последовательности 1 024 токена. Модель предназначена для решения школьных арифметических текстовых задач GSM8K с пошаговым рассуждением и выдачей ответа в тегах \boxed{}. В тестировании GSM8K она получила 51,48% pass@1 (679 из 1319 задач) при жадном декодировании, против 44,50% у исходной Llama-3.2-1B-Instruct в той же оценке. Для сохранения качества README рекомендует использовать заданный шаблон запроса; голый вопрос ухудшает результаты. Обучение проводилось с бинарной наградой за точное совпадение итогового ответа с эталоном, без написанных людьми решений. Ограничения: модель обучалась и оценивалась только на задачах школьной арифметики; качество в конкурсной математике, формальных доказательствах и других областях не проверено. Лицензия — Llama 3.2.

Это дообученная черновая модель EAGLE3 на архитектуре Llama, разработанная для ускорения генерации текста методом speculative decoding вместе с целевой моделью meta-llama/Llama-3.2-3B-Instruct. Она предлагает кандидаты токенов, которые целевая модель проверяет; самостоятельно как обычная языковая модель не предназначена для использования. Контрольная точка получена обучением SpecForge EAGLE3 на данных ShareGPT, имеет 494,7 млн параметров и нативный контекст 131 072 токена. Для загрузки требуется совместимый код SpecForge/EAGLE3. Указана лицензия other; карточка не содержит конкретных заявлений о производительности или бенчмарках.

Inferact/MiniMax-M3-EAGLE3 — компактная черновая модель, разработанная Inferact для ускорения инференса MiniMax-M3 методом спекулятивного декодирования EAGLE3. Она генерирует черновые токены, которые проверяет целевая модель; при обслуживании через vLLM модель совместно использует с ней embedding и LM head. В README архитектура описана как плотная Llama с одним слоем и примерно 3,3 млрд параметров, тогда как метаданные указывают 1,7 млрд параметров. Модель предназначена для ускорения генерации текста MiniMax-M3 в сценариях диалога, решения математических задач и генерации кода. В README приведены результаты проверки черновых токенов на MT-Bench, GSM8K и HumanEval. Для работы требуются vLLM с поддержкой MiniMax-M3 и конфигурация speculative decoding; модель обучена методом EAGLE3 TTT на ответах, заново сгенерированных MiniMax-M3, с использованием TorchSpec. В метаданных указан контекст 1 048 576 токенов, но это характеристика, связанная с целевой MiniMax-M3, и самостоятельный предел контекста черновой модели в README не уточняется. Репозиторий опубликован под лицензией MIT. Модель узкоспециализирована на ускорении MiniMax-M3 и не предназначена для самостоятельного использования как универсальная текстовая модель.

Qwen3.8-27B-DFlash2-ternary-bonsai2 — экспериментальная черновая модель NakliTechie для ускорения генерации целевой 2-битной модели Ternary-Bonsai-2-27B посредством спекулятивного декодирования DFlash 2. Она дообучена на скрытых состояниях и собственных жадных генерациях целевой модели, чтобы лучше предсказывать именно её следующий текст. Архитектура основана на Qwen3 и включает пять слоёв черновой модели; параметры — 2,9 млрд по метаданным, а веса представлены в safetensors и GGUF Q4_K_M. Модель использует общие с целевой моделью эмбеддинги и lm_head. Заявленный контекст — 262 144 токена. Модель предназначена для совместного запуска с Ternary-Bonsai-2-27B в совместимом runtime: MLX на Apple Silicon, llama.cpp с поддержкой DFlash 2 или указанные в карточке браузерный runtime и WebGPU. Она выдаёт черновые продолжения текста, которые целевая модель проверяет; это компонент ускорения, а не самостоятельная разговорная модель. В измерениях автора на M4 Pro при жадной генерации улучшение принятия черновых токенов зависело от запроса; приведённые скорости относятся к конкретным устройствам и runtime. Карточка отмечает экспериментальный статус и описывает обучение и результаты на ограниченном наборе промптов. Для спекулятивного режима требуется температура 0 и совместимые целевая модель и runtime. Лицензия — Apache-2.0.

swagger00/Qwen3-8B-GRPO-GSM8K — языковая модель на архитектуре Qwen3, дообученная разработчиком с помощью GRPO и LoRA на наборе задач GSM8K; веса LoRA объединены с базовой моделью Qwen/Qwen3-8B. Модель содержит 7,6 млрд параметров и принимает текстовый диалоговый ввод, генерируя текстовые ответы. Указанный для базовой модели контекст составляет 40 960 токенов. Модель предназначена прежде всего для решения математических задач начального и среднего школьного уровня с пошаговыми рассуждениями и вычислениями. В README приведена точность 72,33% для выбранного чекпойнта на GSM8K; автор сообщает, что при выборе чекпойнта использовалась тестовая выборка GSM8K как валидационная, поэтому эта оценка не является независимой оценкой обобщения. Лицензия в предоставленных данных не описана.

SchizoGPT 8x22B — экспериментальная языковая модель v2ray, дообученная на выгрузке общего канала Discord r/ChatGPT. Она основана на Mixtral-8x22B-v0.1 и объединяет её веса с QLoRA-адаптером SchizoGPT-8x22B-QLoRA. Модель предназначена для генерации текста в формате сообщений Discord; шаблон запроса поддерживает имена пользователей, упоминания участников и каналов, а также ответы на сообщения. Архитектура — MixtralForCausalLM с разреженной MoE-моделью; указанный размер — 22 млрд параметров, контекст — до 65 536 токенов. Веса доступны в формате safetensors и bfloat16. Карточка характеризует настройку как экспериментальную и предупреждает, что она, вероятно, не будет обновляться для более поздних срезов знаний. Лицензия — MIT.

StockLlama-base-v1 — предварительно обученная модель прогнозирования временных рядов, разработанная на основе архитектуры Llama и дополненная специализированными эмбеддингами. Она предназначена для прогнозирования финансовых временных рядов, в частности данных фондового рынка. Архитектура модели — StockLlamaForForecasting, размер — 166,7 млн параметров, длина контекста — 2048 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Agent-G2 ALFWorld 7B — специализированный языковой агент для текстовой среды ALFWorld, разработанный на основе Qwen/Qwen2.5-7B-Instruct и дообученный методом Agent-G2 с подкреплением и адаптивной Gaussian Guidance. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2ForCausalLM, формат BF16 Safetensors и контекст длиной до 32 768 токенов. Модель предназначена для выбора действий в задачах ALFWorld: на каждом шаге ей передают задание, текстовое наблюдение, историю и допустимые действия, а она генерирует рассуждение и действие на английском языке. Подходит для воспроизведения результатов Agent-G2 и исследований долгосрочных языковых агентов и обучения с подкреплением. Экспертные траектории используются при обучении, но не требуются во время вывода. В карточке проекта указаны высокие результаты на группах задач ALFWorld, однако они не были независимо воспроизведены, а разброс результатов не приведён. Модель специализирована для текстового симулятора и не предназначена для общего диалога или управления физическими роботами. Она может выдавать некорректные или недопустимые действия, поэтому требуется проверка действий средой; качество зависит от шаблона запроса, истории, декодирования и конфигурации среды. Лицензия — MIT.

CXRMate-ED — мультимодальная модель для генерации радиологических заключений по рентгенограммам грудной клетки с учётом дополнительных данных о пациенте. Модель разработана авторами исследования «The Impact of Auxiliary Patient Data on Automated Chest X-Ray Report Generation and How to Incorporate It» и предназначена для автоматизации подготовки описаний снимков в клинических и исследовательских сценариях. Модель семейства CXRMate-ED использует изображения грудной клетки и сведения из медицинских записей; в README описана подготовка данных MIMIC-CXR, MIMIC-CXR-JPG и MIMIC-IV-ED и генерация отчёта. Репозиторий рассчитан на библиотеку Transformers и содержит веса в формате safetensors. Поддерживаемый язык карточки — английский. Для доступа к указанным наборам данных требуется авторизация PhysioNet. Лицензия модели — Apache-2.0.