I.14Автоматизация процессов и AI-агенты

Deep Leffen Bot — модель генерации текста на архитектуре GPT-2, созданная Борисом Даймой с помощью проекта huggingtweets. Она дообучена на 589 твитах Deep Leffen Bot и предназначена для генерации коротких сообщений в похожем стиле; пример использования — продолжение заданной текстовой фразы. Модель принимает текст и генерирует текст, поддерживает английский язык и имеет контекстное окно 1024 токена. Модель основана на GPT-2 и распространяется в формате PyTorch. Карточка предупреждает, что ей свойственны ограничения и смещения GPT-2, а обучающие твиты влияют на содержание генераций. Лицензия в предоставленных данных не указана.

GLM-5.2 DSpark speculator — вспомогательная модель, опубликованная RedHatAI для ускорения вывода базовой модели zai-org/GLM-5.2-FP8 с помощью спекулятивного декодирования. Она не предназначена для самостоятельной генерации текста, а создаёт черновые токены, которые затем проверяются основной моделью. Модель использует архитектуру DSpark, расширяющую параллельный черновой модуль DFlash двумя лёгкими головами: Markov logit-bias для учёта внутриблочных зависимостей токенов и per-position confidence head для прогнозирования вероятности принятия токенов. Черновая часть содержит 5 слоёв, работает с блоками размера 8 и полным словарём из 154 880 токенов; используются вспомогательные слои базовой модели с индексами 8, 23, 39, 55 и 70. Указаны совместимый с GLM-5.2 шаблон чата, формат Safetensors и поддержка сценариев `/chat/completions`; язык и точный размер базовой модели в README не уточняются. По результатам валидации средняя длина принятой последовательности составляет 3,967 токена, средняя доля принятия — 0,584, полная точность — 0,613, а абсолютная ошибка оценки уверенности — 0,044. Эти показатели характеризуют эффективность ускорения и зависят от базовой модели, оборудования и конфигурации инференса. Для использования требуется zai-org/GLM-5.2-FP8 и среда с поддержкой DSpark в vLLM; в README отмечено, что такая поддержка внедряется. Модель распространяется по лицензии MIT.

Модель rajtembe13/Llama-3.2-3B-TUTOR-gsm8k разработана rajtembe13 и представляет собой дообученную версию Meta Llama-3.2-3B-Instruct с архитектурой LlamaForCausalLM и 3,2 млрд параметров. Она предназначена для генерации текста с усиленным пошаговым рассуждением при решении математических задач и текстовых задач уровня начальной школы. Модель обучена на англоязычном наборе GSM8K с использованием PEFT/LoRA в 4-битной среде QLoRA; адаптер затем объединён с весами базовой модели. Репозиторий содержит веса safetensors. Заявленная длина контекста — 131 072 токена. Модель можно применять для решения арифметических текстовых задач и объяснения хода решения на английском языке. Ограничения включают специализацию на задачах, похожих на GSM8K: точность на иных математических темах и сложных задачах не подтверждена, а пошаговые рассуждения могут содержать ошибки. Условия использования определяются лицензией Llama 3.2.

Это экспериментальный чекпойнт Qwen2.5-1.5B-Instruct, разработанный Chanyoung Kim и дообученный методом обучения с подкреплением PPO на среде ALFWorld с использованием langfengQ/verl-agent. Модель предназначена для генерации текста и выбора действий в задачах взаимодействия с виртуальным окружением ALFWorld; в README указан шаг оптимизатора 20 и проверочная успешность 13,3% на небольшом наборе valid_seen из 32 задач. Чекпойнт основан на плотной авторегрессионной архитектуре Qwen2ForCausalLM с 1,5 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Веса сохранены в bf16 и формате safetensors; модель распространяется по лицензии Apache-2.0. Это ранний промежуточный шаг обучения, поэтому качество ограниченно: приведённый результат относится только к valid_seen, проверка valid_unseen не проводилась, а оценка на небольшой выборке шумная. Для возобновления обучения доступны FSDP-состояния, рассчитанные на world_size=2; при другом числе GPU потребуется переразбиение.

Это дообученная модель Qwen3-0.6B от автора репозитория hang010412: базовую языковую модель Qwen/Qwen3-0.6B-Base сначала обучили на примерах GSM8K методом SFT, затем оптимизировали методом GRPO. Итоговая версия предназначена для генерации ответов на математические задачи с соблюдением заданного формата ответа. Модель содержит около 508 млн параметров, использует плотную архитектуру Qwen3ForCausalLM и принимает текст. Контекст составляет до 32 768 токенов. В описанном эксперименте точность точного числового ответа выросла с 22% у базовой модели до 47% у итоговой версии, а доля ответов в требуемом формате — до 75%. Эти результаты получены на фиксированной выборке из 100 вопросов GSM8K и не являются оценкой на полном бенчмарке. Модель подходит для экспериментов с решением арифметических текстовых задач и форматированием ответов. Обучающий корпус в репозитории не распространяется. Лицензия — Apache-2.0.

Это компактная черновая модель EAGLE3 от автора репозитория huluhuluu, обученная методом SpecForge для ускорения генерации в Qwen/Qwen3-1.7B с помощью speculative decoding. Она предназначена для использования как вспомогательный draft-чекпойнт вместе с целевой моделью Qwen3-1.7B, а не для самостоятельного диалога или генерации текста. Модель использует плотную архитектуру LlamaForCausalLMEagle3, содержит 411,8 млн параметров и поддерживает контекст до 40 960 токенов. Чекпойнт сохранён в safetensors; README указывает bfloat16 и обучение на данных ShareGPT. Заявлена поддержка английского и китайского языков. Для работы нужны SpecForge/EAGLE3-совместимый код и базовая модель Qwen/Qwen3-1.7B; бенчмарки в карточке не приведены. Лицензия указана как other, без дополнительных условий в доступных данных.

Qwen3.5-9B-eSFT GSM8K no-CoT SFT — мультимодальная модель с архитектурой Qwen3.5 и 9 млрд параметров, разработанная YumengWithG как дообучение zhengbang0707/Qwen3.5-9B-eSFT. Модель обучена в формате supervised fine-tuning на обучающей выборке GSM8K и предназначена для решения математических задач с выдачей только итогового ответа без цепочки рассуждений. Для инференса используются Transformers, AutoModelForMultimodalLM и AutoProcessor с родным шаблоном чата Qwen3.5 и параметром enable_thinking=False. Модель принимает текст и изображения и генерирует текст; карточка указывает английский язык. В описанной оценке на 1319 примерах судья засчитал 503 ответа как правильные (38,13%), поэтому пригодность для точных вычислений ограничена и требует проверки ответов. Веса доступны в формате safetensors с точностью BF16. Лицензия — Apache-2.0.

symptom-check-april-3 — дообученная модель DistilGPT-2, разработчик — akhileshav8. Она предназначена для генерации текста; название указывает на возможное применение для проверки симптомов, но README не подтверждает это назначение и не описывает обучающие данные. Модель использует архитектуру GPT-2 и формат safetensors, максимальная длина контекста — 1024 токена. В карточке приведено значение loss 0,6371 на наборе оценки, однако подробности оценки отсутствуют. Лицензия — Apache-2.0.

VityaVitalich/1pp-1.7b-asst-sft-grpo-gsm8k — дообученная авторами модель-ассистент на архитектуре Llama для генерации ответов и решения математических задач GSM8K. Она создана методом GRPO на базе Raghav-Singhal/1pp-1.7b-asst-sft: обучение на GSM8K состояло из 100 шагов, а контрольная оценка показала рост pass@1 с 0,0110 до 0,0393 и pass@16 с 0,0979 до 0,2008. Это экспериментальный чекпойнт для проверки обучения с подкреплением и решения задач начальной математики; размер модели — 1,6 млрд параметров, контекст — 4096 токенов. Модель принимает текстовые запросы и генерирует текстовые ответы. В README указаны контрольные точки от шага 10 до шага 100, а также существенный разброс результатов между запусками: один повтор достиг pass@1 0,0552, поэтому сравнение вариантов обучения по одному запуску ненадёжно. Весовые файлы представлены в safetensors и имеют точность bf16. Карточка не указывает лицензию; применимые условия использования следует проверить в репозитории и у базовой модели.

huggingtweets/bladeecity — текстовая генеративная модель GPT-2, созданная Борисом Даймой в проекте HuggingTweets. Она дообучена на 1 620 твитах пользователя Aim Nothyng (@bladeecity) и предназначена для генерации коротких сообщений в похожем стиле, например продолжения заданного текста или создания вариантов твита. Модель использует архитектуру GPT-2, веса PyTorch и контекст длиной до 1 024 токенов; в карточке указан английский язык. Лицензия в предоставленных данных не указана.

Chronos-Small (TSFM) — Global (2022) — компактная модель временных рядов семейства Chronos, представленная в репозитории FinText. Она предварительно обучена на глобальных финансовых временных рядах, охватывающих данные об избыточной доходности за 1990–2022 годы, и предназначена для прогнозирования финансовых временных рядов. Модель основана на архитектуре T5, содержит 24,1 млн параметров и имеет контекст длиной 512 токенов. Модель можно применять для построения прогнозов на основе глобальных финансовых рядов. В репозитории указана лицензия Apache-2.0. Карточка не описывает конкретные активы, горизонт прогнозирования, метрики качества или режимы использования, поэтому эти характеристики нельзя оценить по доступным сведениям.

KrishokTech-Models — набор моделей компьютерного зрения для диагностического конвейера KrishokChat, разработанного для сельского хозяйства Бангладеш. В набор входят YOLO26-cls для определения десяти групп культур и отдельные классификаторы болезней для разных культур, а также ансамбль из пяти EfficientNet-B0 для оценки матричного натяжения почвенной влаги по полевым изображениям. Результаты предназначены для диагностики болезней растений и рекомендаций по орошению. Модели принимают изображения и выдают метки классов; модель влажности почвы дополнительно оценивает непрерывное значение в кПа. В репозитории представлены веса ONNX и GGUF F16, а для запуска и обучения указан Ultralytics. Карточка описывает полный комплект, хотя метаданные каталога классифицируют его как image-classification. Лицензия — Apache-2.0.

gxcsoccer/kronos-mlx-base — порт модели NeoQuasar/Kronos-base для библиотеки MLX, разработанный gxcsoccer для запуска на Apple Silicon. Это вариант Kronos с 102 млн параметров: Transformer с 12 слоями и размерностью скрытого состояния 832, обученный для прогнозирования финансовых временных рядов. Для работы модель используют вместе с токенизатором gxcsoccer/kronos-mlx-tokenizer-base; максимальный контекст составляет 512 шагов. Модель предназначена для прогнозирования финансовых временных рядов, в том числе свечных данных и волатильности. Базовая модель также описана как средство генерации синтетических рыночных данных, однако карточка этого порта не подтверждает отдельно поддержку такой задачи. Репозиторий распространяет веса в формате safetensors и использует библиотеку kronos-mlx. Лицензия — MIT.

THGLab разработала GeomLlama-xyz-QM9-Large — дообученную модель Llama-3.1-8B-Instruct, предназначенную для генерации 3D-конформеров небольших молекул по строке SMILES. Модель выдаёт декартовы координаты атомов в формате XYZ: по одной строке на атом с символом элемента и координатами x, y, z в ангстремах; заголовок XYZ-блока не добавляется. Модель специализирована на геометриях молекул масштаба QM9 и обучена на наборе GEOM-QM9, дополненном примерами Tulu-3 для сохранения общих навыков следования инструкциям. Это плотная авторегрессионная языковая модель с 7,5 млрд параметров и контекстом до 131 072 токенов; обучение выполнено с помощью Axolotl и LoRA, адаптер объединён с базовыми весами. Для предсказаний из статьи README указывает на необходимость воспроизводить использованный Alpaca-промпт. Модель подходит для получения предполагаемых координат малых молекул из SMILES, но карточка не приводит количественных оценок точности и не подтверждает надёжность для крупных молекул или иных химических распределений. Распространяется по лицензии Llama 3.1.

Это черновая модель EAGLE3, обученная разработчиком репозитория на базе meta-llama/Llama-3.2-3B-Instruct с помощью онлайн-обучения SpecForge на данных ShareGPT. Она предназначена для спекулятивного декодирования в паре с целевой моделью Llama-3.2-3B-Instruct и совместимым кодом SpecForge/EAGLE3; самостоятельно как обычная языковая модель не предназначена для использования. Архитектура — плотная LlamaForCausalLMEagle3, размер чекпойнта по метаданным — 494,7 млн параметров, формат весов — safetensors, тип данных в конфигурации — bfloat16. Указанное контекстное окно — 131 072 токена; языки карточки — английский и китайский. Карточка не приводит результатов бенчмарков. Лицензия обозначена как other, поэтому перед использованием следует проверить условия репозитория и базовой модели.

Qwen3.5-9B-MTP-4bit — вспомогательная модель, разработанная сообществом mlx-community на основе Qwen/Qwen3.5-9B от Qwen. Она предназначена для ускорения генерации текста методом speculative decoding в связке с совместимой целевой моделью Qwen3.5 9B через MLX и mlx-vlm. Модель не является самостоятельной чат-моделью или моделью для обычной генерации текста: она формирует предполагаемые токены, которые затем проверяются целевой моделью. Архитектура имеет тип qwen3_5_mtp и размер блока Multi-Token Prediction (MTP) 2. Веса представлены в формате Safetensors с MLX-совместимыми конфигурацией и токенизатором; используется 4-битное квантование MLX affine с размером группы 64. Модель рассчитана на локальный запуск в экосистеме MLX/mlx-vlm. В README указан английский язык, однако сведения о полном наборе поддерживаемых языков и размере контекстного окна отсутствуют. Основное преимущество модели — возможность ускорить декодирование совместимых Qwen3.5 9B за счёт предложения нескольких кандидатов токенов на каждом шаге. Ограничение заключается в обязательной зависимости от целевого чекпойнта и поддержки Qwen/DeepSeek MTP draft-моделей в mlx-vlm; самостоятельный запуск через стандартные API Transformers не ожидается. Лицензия указана как Apache-2.0, при этом дополнительные условия использования следует уточнять в карточке исходной модели Qwen/Qwen3.5-9B.

Qwen3.8-27B-MTP-mxfp8 — вспомогательная модель-драфтер, разработанная сообществом mlx-community на основе Qwen/Qwen3.8-27B от Qwen. Она предназначена для ускорения генерации текста методом speculative decoding в связке с совместимым целевым чекпойнтом Qwen3.8 27B через MLX и mlx-vlm. Самостоятельно модель не используется: ей необходимы целевая модель и соответствующие компоненты исходного чекпойнта. Модель имеет тип qwen3_5_mtp и использует Multi-Token Prediction с размером блока MTP 3. В репозитории представлены только веса MTP-драфтера, квантованные в формате MLX MXFP8 с размером группы 32; токен embeddings и language-model head предоставляются целевой моделью во время выполнения. Указан английский язык, задача — генерация текста. Основное преимущество — потенциальное ускорение авторегрессионной генерации за счёт предварительного предсказания нескольких токенов, однако эффективность зависит от совместимости и характеристик целевой модели. Лицензия — Apache 2.0; применяются ограничения исходной модели Qwen3.8-27B.

huggingtweets/rxmaybike — модель генерации текста, созданная Борисом Даймой с помощью проекта HuggingTweets. Это GPT-2 на PyTorch, дообученная на 3003 твитах пользователя @rxmaybike; в обучающих данных также учитывались ретвиты. Модель предназначена для продолжения коротких англоязычных фраз и генерации текста, стилизованного под публикации этого аккаунта. Её можно запускать через конвейер text-generation в Transformers. Контекст модели составляет 1024 токена. Генерация отражает содержание и особенности исходных твитов, поэтому стиль и тематика ответов ограничены обучающими данными. Сохраняются типичные ограничения и смещения GPT-2. Лицензия в предоставленных данных не указана.

lysandre/tiny-tapas-random-wtq — небольшая модель архитектуры TAPAS, опубликованная пользователем lysandre на Hugging Face. Она предназначена для ответов на вопросы по структурированным таблицам; карточка Hugging Face указывает задачу table-question-answering и загрузку через Transformers как AutoModelForTableQuestionAnswering. Имя репозитория указывает на вариант WTQ со случайными весами, поэтому модель следует рассматривать как тестовый или демонстрационный чекпойнт, а не как обученную для надёжных ответов систему. Метаданные указывают 8,2 тыс. параметров и контекст 32 токена. В карточке нет сведений о лицензии или поддерживаемых естественных языках.

Aryabhata 1.0 — экспериментальная языковая модель на 7,1 млрд параметров от Physics Wallah AI Research, созданная для решения математических задач уровня индийского вступительного экзамена JEE Main. Это причинная плотная модель семейства Qwen2, дообученная на базе Qwen/Qwen2.5-Math-7B с помощью контролируемого дообучения и обучения с проверяемыми наградами; при подготовке также использовалось слияние моделей. Модель предназначена для ответов на вопросы, разбора сомнений и объяснения решений по математике в учебных и экзаменационных сценариях. В README заявлена точность pass@1 86% на математических заданиях JEE Main за январь 2025 года и 90,2% за апрель 2025 года. Разработчики отмечают экономное использование токенов и эффективную работу примерно в окне 2 тыс. токенов; при этом метаданные указывают нативный контекст до 131 072 токенов. Карточка сообщает, что из обучающих данных удаляли вопросы с диаграммами и неанглоязычные задачи, поэтому подтверждена работа с текстовыми задачами на английском языке. Модель доступна в формате safetensors для Transformers и распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Модель huggingtweets/emmanuelmacron — генеративная языковая модель на базе GPT-2, созданная Boris Dayma с помощью проекта HuggingTweets. Её дообучили на 3250 твитах Эмманюэля Макрона; при генерации она имитирует стиль и тематику коротких публикаций в Twitter. Архитектура — GPT2LMHeadModel, формат весов — PyTorch, длина контекста — 1024 токена. Модель предназначена для генерации продолжений текста и экспериментов с созданием публикаций в стиле исходного автора. Карточка указывает английский язык данных. Модель унаследовала ограничения и смещения GPT-2, а результаты дополнительно зависят от содержания обучающих твитов. Лицензия в предоставленных данных не указана.

Loom Spark 2 — компактная разговорная языковая модель Textile Labs с архитектурой Llama и 19,9 млн параметров. Она обучена с нуля за один час на настольном компьютере 2013 года; веса были случайно инициализированы, предварительно обученная базовая модель не использовалась. Модель принимает текст, поддерживает контекст длиной 512 токенов и предназначена для краткого общения, обозначения границ собственных знаний и запроса внешнего инструмента, когда требуется поиск. В карточке заявлена поддержка английского языка. Модель может отвечать на простые вопросы о своей идентичности, поддерживать разговор и отказываться от ответов на факты, которых не знает. В режиме работы с инструментом она формирует запрос для поиска, после чего может получить результат и продолжить ответ. В сравнительном тесте авторов она не запрашивала поиск для офлайн-вопросов в 30 пробах и успешно выполняла 10 из 10 простых онлайн-поисков. При этом качество ответов по переданным результатам низкое: модель часто выдумывает сведения вместо признания, что в источнике нет ответа; также у неё почти нет общих знаний. Авторы предупреждают, что ответы, основанные на результатах инструментов, необходимо проверять. Указана лицензия MIT; в README отдельно отмечены требования к атрибуции лицензий обучающих корпусов.

MiniCPM5-2B-DSpark-GGUF — это GGUF-квантизированная draft-модель, созданная aj9o9 на основе openbmb/MiniCPM5-2B-DSpark от OpenBMB. Она предназначена для ускорения спекулятивного декодирования модели MiniCPM5-2B в llama.cpp и не может использоваться как самостоятельная чат-модель: её необходимо запускать в паре с совместимой целевой моделью MiniCPM5-2B в формате GGUF. Модель реализует архитектуру DSpark, объединяющую DFlash и Markov head. Draft-компонент содержит около 324 млн параметров, 5 слоёв и размер блока 7; он обучался для точного сопряжения с MiniCPM5-2B и рассчитан на максимальную длину последовательности 12 288 токенов. Доступны варианты F16 размером около 623 МБ и Q8_0 размером около 334 МБ. Формат GGUF совместим с llama.cpp при использовании режима draft-dspark. Основное преимущество модели — ускорение генерации токенов при спекулятивном декодировании: в приведённых измерениях на RTX 3090 прирост составил примерно 1,66 раза на глубине 8K и сохранялся до 64K, хотя эффективность снижается с увеличением контекста. Ограничения включают необходимость совместимой целевой модели, дополнительное потребление видеопамяти и падение длины принятого фрагмента за пределами диапазона обучения, особенно при контексте 32K и более. Распространяется по лицензии Apache 2.0.

Это производный от OpenBMB MiniCPM5-1B проект для локальной генерации финансовых ответов, ориентированных на анализ акций. Репозиторий содержит дообученный LoRA-адаптер, квантизованные веса GGUF в вариантах Q4_K_M и Q8_0, а также экспериментальные головы многотокенного предсказания MTP в стиле Medusa. Базовая модель — языковая модель с архитектурой MiniCPM5; MTP-головы используют её скрытое состояние и замороженную выходную матрицу. Модель предназначена для генерации сигналов BUY, SELL или HOLD и ответов на запросы об акциях, а дополнительные головы ускоряют авторегрессионное декодирование, предлагая несколько следующих токенов для проверки базовой моделью. В README приводятся высокие показатели совпадения черновых токенов на запросах об акциях; для общего текста совпадение заметно ниже, особенно на более дальних позициях. Указанные головы пока не подключены к пути спекулятивного декодирования llama.cpp и рассчитаны на PyTorch/Transformers. Лицензия — Apache-2.0.

jiwubu/minimind-math-v3 — компактная китайская математическая языковая модель, созданная автором на основе проекта MiniMind. Она обучена с нуля на математических и логических данных, затем дообучена методом SFT для арифметических задач. Модель использует плотную decoder-only архитектуру Qwen3ForCausalLM с 63,9 млн параметров и контекстом 32 768 токенов; для загрузки и генерации предусмотрена библиотека Transformers. Веса опубликованы в формате Safetensors. Модель предназначена прежде всего для пошагового решения арифметических примеров: сложения и вычитания чисел до восьми разрядов, умножения и деления чисел до четырёх разрядов. В заявленной оценке на обученном диапазоне общая точность составила 98,6%, однако качество зависит от типа примера: деление с остатком и работа с ведущими нулями даются хуже. Модель всегда выводит полное решение в столбик, поэтому при использовании необходимо применять chat template; обычный текстовый ввод может приводить к повторяющимся бессмысленным ответам. Умножение и деление чисел от пяти разрядов не обучались и плохо обобщаются. Модель мала и рассчитана на обучение и эксперименты, а не на широкое математическое рассуждение. Лицензия — Apache 2.0.

SeanWang0027 выпустил дообученную методом on-policy distillation модель Qwen3-1.7B для задач BabyAI. Это плотная авторегрессионная языковая модель на архитектуре Qwen3 с 1,7 млрд параметров и контекстом до 40 960 токенов. В качестве учителя использовалась Qwen3-32B в формате bf16; обучение прошло в три прохода по 810 официальным тренировочным заданиям BabyAI, а опубликованный чекпойнт соответствует шагу explorer 152. Модель предназначена для генерации текста и диалогового выполнения задач BabyAI. Результаты не оценивались, поэтому качество и способность обобщать на новые задания не подтверждены. Репозиторий содержит веса Safetensors; сведения о лицензии в предоставленных данных отсутствуют.

Qwen3.5-9B-DFlash-GGUF — это квантизированная GGUF-версия черновой модели z-lab/Qwen3.5-9B-DFlash, основанной на Qwen3.5-9B. Репозиторий подготовлен onion515; исходную архитектуру DFlash разработала команда z-lab, а базовую модель — команда Qwen. Модель предназначена не для самостоятельной генерации текста, а для ускорения инференса методом Speculative Decoding: она быстро предлагает последовательность токенов, после чего целевая, более крупная модель проверяет эти предложения. Для работы требуется совместимая целевая модель, например Qwen3.5-9B, и свежая версия llama.cpp с нативной поддержкой DFlash, протестированная начиная с b9831. Модель использует плотную архитектуру, при которой во время инференса активны все параметры, и представлена в вариантах BF16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 0,7 до 2,4 ГБ. Рекомендуемым считается Q5_K_M как компромисс между качеством и скоростью; Q4_K_M требует меньше памяти, а BF16 и Q8_0 сохраняют более высокую точность. Ключевое преимущество — потенциальное увеличение пропускной способности генерации без предполагаемого снижения качества целевой модели. Ограничение состоит в узком назначении: модель необходимо использовать в связке с совместимым target model и llama.cpp, она не предназначена для обычного автономного текстового инференса. Лицензия репозитория — Apache 2.0; для исходной модели и связанных компонентов следует учитывать условия лицензирования upstream-проектов.

Qwen3.8-27B-MTP-8bit — вспомогательная модель-драфтер из семейства Qwen, созданная на базе Qwen/Qwen3.8-27B и подготовленная сообществом mlx-community для запуска в экосистеме MLX. Она предназначена для speculative decoding: предсказывает несколько последующих токенов, помогая ускорить генерацию текста целевой моделью Qwen3.8 27B в среде MLX и mlx-vlm. Модель не является самостоятельной и не предназначена для работы без совместимого целевого чекпойнта Qwen3.8 27B. Это архитектура qwen3_5_mtp с размером MTP-блока 3; хранятся только веса MTP-драфтера, а эмбеддинги токенов и языковая голова предоставляются целевой моделью во время выполнения. Используется 8-битное квантование MLX affine с размером группы 64. Для корректной работы драфтер и целевая модель должны происходить из одного и того же чекпойнта Qwen3.8 27B. Основное преимущество — потенциальное ускорение текстовой генерации при совместимом speculative decoding и снижение требований к хранению по сравнению с полным самостоятельным чекпойнтом. Ограничения — отсутствие автономности, зависимость от MLX/mlx-vlm и совместимого целевого чекпойнта; README не указывает размер контекста, поддерживаемые языки помимо метаданных с обозначением en, дополнительные модальности или результаты оценки качества. Модель распространяется по лицензии Apache 2.0, при этом применимые ограничения и условия исходной модели сохраняются.

Qwen3.8-27B-MTP-nvfp4 — вспомогательная модель-драфтер, созданная сообществом mlx-community на основе Multi-Token Prediction (MTP) весов модели Qwen/Qwen3.8-27B. Она предназначена для ускорения генерации текста методом speculative decoding в окружении MLX и mlx-vlm, а не для самостоятельного использования. Драфтер применяется совместно с совместимым целевым чекпойнтом Qwen3.8 27B, например его квантованной версией MLX NVFP4. Модель имеет тип qwen3_5_mtp, размер блока MTP равен 3, используется точность MLX NVFP4 с размером группы 16. Адаптер содержит только веса MTP-драфтера, тогда как целевая модель во время выполнения предоставляет эмбеддинги токенов и language-model head; поэтому драфтер и целевой чекпойнт должны происходить из одной ревизии Qwen3.8 27B. В карточке указана поддержка английского языка и текстовой генерации, но самостоятельные возможности, контекстное окно и дополнительные модальности не описаны. Распространение осуществляется по лицензии Apache 2.0, при этом сохраняются ограничения исходной модели.

huggingtweets/thes_standsfor — англоязычная GPT-2-модель генерации текста, созданная Борисом Даймой с помощью проекта HuggingTweets. Она дообучена на 3234 твитах аккаунта DIDN’T DISAPPOINT A PICTURE? и предназначена для генерации коротких текстов, имитирующих стиль публикаций этого аккаунта, например для создания вариантов твитов по заданному началу. Модель использует архитектуру GPT-2 и рассчитана на контекст до 1024 токенов. Доступна в формате PyTorch и запускается через библиотеку Transformers. Качество и содержание генераций зависят от небольшого набора пользовательских твитов; сохраняются ограничения и смещения GPT-2, а также смещения исходных данных. Лицензия в предоставленных данных не указана.